Le Chain Ladder : la méthode de référence pour le provisionnement en assurance non-vie

Pourquoi le provisionnement existe

En assurance non-vie, provisionner n'est pas une option comptable, c'est une obligation réglementaire de gestion des risques. L'objectif est d'estimer les provisions techniques nécessaires pour couvrir les engagements futurs de l'assureur — en clair, l'argent qu'il devra mettre de côté pour payer des sinistres déjà survenus mais pas encore réglés, voire pas encore déclarés (les fameux IBNR : Incurred But Not Reported).

Cette estimation répond à trois besoins concrets :

• Garantir la solvabilité de l'assureur.
• Respecter les référentiels réglementaires nationaux et internationaux (Solvabilité II, IFRS 17).
• Piloter efficacement la gestion des sinistres, avec une estimation qui approche au mieux la charge future réelle.

Pour y parvenir, les actuaires disposent de plusieurs familles de méthodes : les méthodes déterministes (formules fermées) comme Chain Ladder, Bornhuetter-Ferguson, Loss Ratio, Coût moyen ; et les méthodes stochastiques (simulation), dont le Bootstrap est la plus répandue. Le Chain Ladder reste, de très loin, la méthode la plus utilisée sur le marché.

Le principe : lire l'avenir dans un triangle

Le Chain Ladder repose sur les paiements historiques de sinistres, organisés sous forme de triangle. Chaque paiement est rattaché à deux dates : une date d'origine en ligne (l'année, le trimestre ou le mois de survenance du sinistre — parfois la date de souscription ou de déclaration selon le contexte) et une date de développement en colonne (la période à laquelle le paiement a effectivement eu lieu). L'idée centrale : compléter ce triangle en projetant les paiements futurs à partir des tendances observées dans les paiements passés.

La construction se fait en trois temps :

• Construire le triangle de données : organiser les paiements cumulés par année de survenance (en ligne) et par période de développement (en colonne).
• Déterminer les facteurs de développement : on calcule d'abord un triangle de ratios, qui donne, pour une ligne donnée, le facteur multiplicatif permettant de passer d'une période de développement à la suivante. À partir de ce triangle de ratios, on déduit un facteur entre deux périodes selon différentes techniques (moyenne simple des ratios d'une même colonne, moyenne pondérée, etc.).
• Projeter les paiements futurs : on applique les facteurs de développement aux derniers montants connus, colonne après colonne, jusqu'à compléter le triangle. La réserve se déduit alors en soustrayant la dernière diagonale connue (les montants à date) du montant ultime projeté.

Un exemple chiffré

Prenons un triangle simplifié de paiements cumulés (en milliers d'euros), sur 5 années de survenance et 5 périodes de développement :

• 2021 : Dév. 1 = 1 000, Dév. 2 = 1 500, Dév. 3 = 1 700, Dév. 4 = 1 800, Dév. 5 = 1 850.
• 2022 : Dév. 1 = 1 100, Dév. 2 = 1 650, Dév. 3 = 1 880, Dév. 4 = 1 980, Dév. 5 = inconnu.
• 2023 : Dév. 1 = 1 200, Dév. 2 = 1 800, Dév. 3 = 2 050, Dév. 4 et 5 inconnus.
• 2024 : Dév. 1 = 1 300, Dév. 2 = 1 950, Dév. 3 à 5 inconnus.
• 2025 : Dév. 1 = 1 400, Dév. 2 à 5 inconnus.

Étape 1 — Facteurs de développement (somme d'une colonne divisée par la somme de la colonne précédente, sur les lignes où les deux sont connues) :

• Dév. 1 → 2 : 6 900 / 4 600 = 1,500
• Dév. 2 → 3 : 5 630 / 4 950 = 1,137
• Dév. 3 → 4 : 3 780 / 3 580 = 1,056
• Dév. 4 → 5 : 1 850 / 1 800 = 1,028

Étape 2 — Projection : on applique ces facteurs en cascade aux dernières valeurs connues de chaque ligne incomplète.

• 2021 : ultime projeté 1 850 K€, dernier montant connu 1 850 K€, réserve 0 K€.
• 2022 : ultime projeté 2 035 K€, dernier montant connu 1 980 K€, réserve 55 K€.
• 2023 : ultime projeté 2 226 K€, dernier montant connu 2 050 K€, réserve 176 K€.
• 2024 : ultime projeté 2 407 K€, dernier montant connu 1 950 K€, réserve 457 K€.
• 2025 : ultime projeté 2 591 K€, dernier montant connu 1 400 K€, réserve 1 191 K€.

Réserve totale : environ 1 879 K€. C'est exactement ce mécanisme — simple à dérouler à la main ou dans Excel — qui explique le succès de la méthode.

Les hypothèses à valider

Sur le papier, le Chain Ladder repose sur des hypothèses précises : des ratios de développement stables dans le temps, une homogénéité des données, une indépendance entre les années de survenance, l'absence de changements systématiques (pas d'évolution des pratiques de règlement ou des conditions de marché qui viendrait fausser les ratios), et l'existence d'une extrapolation linéaire cohérente. En pratique, ces hypothèses sont rarement testées formellement avant application — ce qui est justement l'une des critiques récurrentes de la méthode.

Avantages et limites

Avantages :

• Simplicité, transparence et facilité de mise en œuvre — c'est la méthode la plus utilisée par les actuaires pour le calcul des réserves.
• Fondée uniquement sur des données historiques, sans besoin de modèle complexe.
• Applicable à de nombreuses branches d'assurance avec peu d'ajustements.
• Utilisable sur différents types de données (paiements, nombre de sinistres, recours, etc.).
• Très fiable sur des triangles à faible volatilité d'une année sur l'autre.

Limites :

• Très dépendante de la qualité et de l'exhaustivité des données historiques : des données manquantes ou erronées faussent directement le calcul.
• Sensible aux valeurs extrêmes, qui peuvent déformer la projection.
• Repose sur l'hypothèse que l'expérience passée est représentative de l'avenir — moins adaptée en cas de changement externe majeur (même si l'inflation peut être prise en compte).
• Moins fiable sur les branches à développement long et forte volatilité, ou sur des portefeuilles avec peu de sinistres à fort impact (catastrophes naturelles, par exemple).

Donner une mesure d'incertitude au Chain Ladder : l'apport de Mack

La méthode classique donne un point estimé — un chiffre unique — sans indication sur sa fiabilité. C'est là qu'intervient l'article fondateur de Thomas Mack, publié en 1993 (Munich Re), qui propose une formule distribution-free (sans hypothèse de loi de probabilité) pour calculer l'erreur standard des estimations de réserve Chain Ladder. Mack y souligne que la méthode doit sa popularité à sa simplicité et au fait qu'elle fonctionne sans presque aucune hypothèse de distribution, tout en rappelant que les estimations pour les années de survenance les plus récentes restent très sensibles aux variations des données observées — un point de vigilance repris depuis dans toute la littérature actuarielle.

Le modèle de Mack repose sur trois hypothèses structurelles seulement : un développement cumulé attendu proportionnel entre deux périodes consécutives, une indépendance entre les années de survenance, et une variance proportionnelle à la position cumulée. Ces trois hypothèses suffisent à décomposer l'erreur quadratique totale de prédiction en deux composantes distinctes — la variance de processus (aléa inhérent aux sinistres eux-mêmes) et la variance de paramètre (incertitude sur les facteurs de développement estimés) — sans jamais supposer une distribution paramétrique particulière.

Il devient alors possible de calculer un coefficient de variation (l'erreur standard totale rapportée à la réserve IBNR totale) : en pratique, un CV inférieur à 10 % signale une réserve bien estimée, entre 10 et 20 % correspond au profil typique d'une branche à développement moyen, et au-delà de 20 % le risque de réserve devient significatif pour le pilotage du capital. Mack a ensuite publié une version récursive de sa formule, plus facile à programmer, incluant la possibilité d'un facteur de queue (tail factor) pour les branches à développement très long.

Les prolongements du Chain Ladder

Le Chain Ladder pur n'est presque jamais utilisé seul en pratique. Il s'articule avec d'autres méthodes selon le contexte :

• Bornhuetter-Ferguson : combine l'expérience passée avec une anticipation a priori (souvent un loss ratio budgété). Particulièrement utile quand l'assureur a des doutes sur la fiabilité des paiements récents, sur lesquels s'appliquent justement le plus de facteurs de développement.
• Bootstrap : méthode stochastique par simulation, qui permet d'obtenir une distribution complète de la réserve plutôt qu'un seul intervalle de confiance théorique.
• Double Chain Ladder (DCL) : une extension plus récente qui applique l'algorithme Chain Ladder deux fois — une fois sur les données de nombre de sinistres déclarés, une fois sur les paiements — afin de scinder la réserve totale entre RBNS (Reported But Not Settled) et IBNR. L'intérêt principal est d'offrir une description complète du cash-flow futur des sinistres RBNS, particulièrement utile pour répondre aux exigences de Solvabilité II. Fait notable : si l'on utilise les comptages ajustés plutôt que les comptages réels dans les prévisions, le DCL redonne exactement les mêmes résultats que le Chain Ladder classique appliqué au triangle des paiements — ce qui permet de le voir comme un modèle stochastique alternatif, dont les hypothèses sont posées au niveau des sinistres individuels plutôt qu'au niveau agrégé.

Le choix ne se fait jamais dans l'absolu : si l'historique est suffisant et les hypothèses du Chain Ladder validées, la méthode s'applique directement. Si des doutes existent sur les paiements récents, on la combine avec Bornhuetter-Ferguson. Et pour un produit nouvellement lancé, sans historique, le Chain Ladder est tout simplement inapplicable — il faut se tourner vers une méthode qui ne dépend pas des données passées du portefeuille lui-même.

En résumé

Le Chain Ladder doit son succès à un compromis rare : une intuition simple, une mise en œuvre accessible (y compris sous Excel), et des résultats souvent raisonnables. Mais sa simplicité apparente cache des hypothèses fortes, une sensibilité réelle aux données récentes et aux valeurs extrêmes, et une incertitude de prédiction qui reste invisible tant qu'on ne mobilise pas des extensions comme le modèle de Mack. C'est précisément cet écart — entre la mécanique enseignée et sa vraie robustesse statistique — qui en fait un sujet incontournable pour tout actuaire en charge du provisionnement.

Sources : Addactis (méthodologie Chain Ladder) ; Mack, T. (1993), « Distribution-free Calculation of the Standard Error of Chain Ladder Reserve Estimates », ASTIN Bulletin 23(2) ; Mack, T. (1999), « The Standard Error of Chain Ladder Reserve Estimates: Recursive Calculation and Inclusion of a Tail Factor », ASTIN Bulletin 29(2).