Thèse Quantification par l'Intelligence Artificielle du Changement Climatique et des Mutations Numériques pour la Modélisation des Risques Assurantiels H/F - Doctorat.Gouv.Fr

Établissement : UNIVERSITE PARIS DAUPHINE - PSL École doctorale : SDOSE Sciences de la Décision, des Organisations, de la Société et de l'Echange Laboratoire de recherche : Centre de Recherche en Mathématiques de la Décision Direction de la thèse : Pierre CARDALIAGUET ORCID 0000000293226783 Début de la thèse : 2026-09-01 Date limite de candidature : 2026-06-19T23:59:59 Cette thèse explore l'impact du changement climatique et des mutations numériques sur l'assurance IARD. Les objectifs sont multiples : identifier de nouveaux facteurs environnementaux ou digitaux influençant le risque, générer des scénarios climatiques à partir de projections à partir d'observations et de données produites par les modèles climatiques. De nouvelles méthodes d'apprentissage statistique et d'intelligence artificielle seront à proposer. Cette thèse est financée par la Chaire DIALog (https://chaire-dialog.fr/), hébergée à la Fondation du Risque (https://www.institutlouisbachelier.org/), portée par l'Université Paris Dauphine - PSL et financée par le groupe CNP Assurances. La chaire DIALog est un laboratoire d'idées et de méthodes pour penser le nouveau partage des risques dans un monde de transitions multiples, dans un contexte de bouleversement démographique et d'évolutions rapides liées aux transformations numériques, cf. France Assureurs (2026). Ce type de financement permettra au doctorant(e) d'être à la frontière entre les laboratoires de recherche impliqués et une entreprise d'assurance. Outre les laboratoires mentionnés, des collaborations avec certaines équipes de l'OSUG (https://www.osug.fr/) sont envisagées.

La thèse s'inscrira dans les axes 1 et 3 de la Chaire de recherche DIALog intitulés « Changement Climatique, crise biodiversité : impact et adaptation de l'assurance » ; et « Digitalisation en assurance et comportement face au risque », respectivement. Ces dernières décennies, un déluge de données couplé à l'avènement de super-systèmes d'information et de calculs a fortement fait évoluer l'actuariat dans sa globalité. Tandis que les méthodes actuarielles reposaient essentiellement sur des données internes à l'assureur, il est primordial d'intégrer des données externes et temporelles à l'aide de nouvelles méthodes statistiques, voir Embrechts et Wüthrich (2022). Les thématiques de recherche envisagées pour ce projet gravitent autour des thèmes de transfert de risque dans un contexte de montée de nouveaux risques, en particulier de risques macro faiblement idiosyncratiques et difficilement assurables. La quantification des impacts dus au changement climatique et aux mutations numériques sur l'assurance IARD tant d'un point de vue tarification et provisionnement que de la prévention et de l'assurabilité est coeur de cette thèse. Dans le cadre de cette thèse, les problématiques suivantes seront analysées :
- Proposer une nouvelle approche statistique permettant de cartographier les risques IARD liés au changement climatique (par exemple sur les périls sécheresse, inondation ou tempête) sur des mailles géographiques fines à l'aide de modèles de prévision numérique globaux défini une maille géographique plus grossière, tels que ceux fournis par le projet Copernicus. On proposera de nouvelles techniques de réduction d'échelle (downscaling), en agrégeant plusieurs prédictions issues de méthodes standard, cf. Burger et al. (2012). Une attention particulière sera portée sur la prédiction de niveaux de quantiles extrêmes, cf. Friederichs (2010).
- Développer de nouvelles approches d'apprentissage statistique en se basant sur les méthodes ensemblistes pour l'identification de nouveaux facteurs environnementaux et/ou digitaux, supplémentaires aux variables tarifaires usuelles, pour la modélisation de risque IARD, cf. Wuthrich et al. (2026). Cela consiste à étendre les travaux récents de Mayr et al. (2012), Chen & Guestrin (2016), par exemple.
- Etudier les méthodes de génération de scénarios climatiques à l'aide de réseaux de neurone et les comparer aux méthodes traditionnelles à base de modèles de Markov caché, e.g. Ailliot et al. (2015) ou des modèles de séries temporelles VAR ou VECM, Lütkepohl (2013). Ces projections s'appuieront sur des données spécifiques de biens assurés, ainsi que d'observations et données produites par les modèles climatiques de MeteoFrance. Il sera important de mesurer les impacts actuariels liés aux différentes sources d'aléatoire des projections climatiques. Là encore, il sera important d'étudier la pertinence des valeurs extrêmes générées dans le contexte de dérèglement climatique. On partira des articles récents de Allouche et al. (2023), Heranval et al. (2026), Lafon et al. (2026).
- Proposer des méthodes d'analyse de sensibilité avancées pour identifier le rôle des entrées des modèles boites noires, en reposant sur les travaux de Pesenti et al. (2019) ou Fissler & Pesenti (2023). Il sera important de traiter le cas où la sortie est multivariée.
Outre les problématiques précédentes, il conviendra de traiter la thématique transverse d'enrichissement des données d'assurance à l'aide des bases ouvertes pertinentes aux périls étudiés, a minima via les bases météoFrance (https://meteo.data.gouv.fr/), la Base de Données Nationale du Bâtiment (https://www.data.gouv.fr/datasets/base-de-donnees-nationale-des-batiments).

- Profil : Master 2 et/ou école d'ingénieur avec une composante mathématiques
- Compétences : Actuariat, probabilité, statistique, IA, maîtrise de langage de programmation haut-niveau (R, Python et/ou Julia)

• Statistiques
• Python
• Intelligence artificielle