Gérer le risque de transition : coordination et modèles incitatifs

Les méthodes statistiques de prévision, qu’elles soient automatisées (chain ladder, machine learning) ou qu’elles s’appuient sur des modèles explicites, présupposent que le futur est une reproduction du passé. Dans un tel équilibre dynamique, ces approches se sont révélées adaptées aussi bien pour l’analyse de la durée de vie humaine que pour les prévisions météorologiques. Les modèles pouvaient être assez simples, voire simplistes, comme dans les pays développés, l’augmentation de trois mois de l’espérance de vie pour chaque année vécue. Ils pouvaient être plus complexes dans le cas des prévisions météorologiques et progressivement mis à jour avec les nouvelles données disponibles (données satellite). Ces modèles servaient de base aux projections, mais aussi à la valorisation de produits d’assurance (assurance vie, rentes, dérivés climatiques) et à la comptabilisation de ces risques dans les bilans d’entreprise. Ces modèles étaient gérés par des spécialistes du domaine : démographes, actuaires, météorologues et les risques correspondant vus comme exogènes. On avait noté quelques imperfections de ces modèles interprétées en termes de phénomènes extrêmes rares. Des baisses importantes d’espérance de vie résultaient de guerres, d’épidémies, ou de la dislocation de l’Union Soviétique. On avait depuis les années 1980 constamment révisé à la hausse la hauteur de la vague centenaire, mais cette mise à jour de l’évaluation d’un risque extrême apparaissait résulter de la simple augmentation du nombre de données disponibles.

La détection des transitions

Récemment, les prévisions fondées sur ces modèles sont apparues plus incertaines et surtout présentant des biais systématiques. Par exemple, l’augmentation régulière de trois mois de la durée de vie semble ne pas s’appliquer aux âges avancés 100, 110, 120 ans. Si la baisse de qualité peut être facilement corrigée à partir des modèles dynamiques existants, il n’en est pas de même des biais, qui peuvent être dus à un changement profond de l’environnement. Par ailleurs, les évolutions de la durée de vie humaine et du climat sont apparues partiellement endogènes, fonctions des choix économiques. L’accroissement des inégalités aux États-Unis explique ainsi la baisse de l’espérance de vie de certaines populations afro-américaines ; l’utilisation des CFC [1] explique la destruction partielle de la couche d’ozone et les consommations d’énergie fossiles semblent avoir un impact sur la température.
Comment détecter et gérer les périodes de transition entre deux équilibres dynamiques ? La détection de ces transitions est difficile, car les changements de tendance sont accompagnés et souvent précédés de fortes baisses de qualité des prévisions, et il est difficile de distinguer ces deux aspects. Par ailleurs, lorsque des biais apparaissent systématiques et significatifs, il peut demander du temps pour savoir s’ils sont permanents ou transitoires, par exemple en raison d’un simple effet de cycle.

Une prolifération de nouveaux modèles

Pendant cette période de détection, qui peut prendre plusieurs années, on observe une prolifération de nouveaux modèles de projection, assez différents les uns des autres, et non facilement validables, puisque les données disponibles portent sur une situation passée très différente de la situation future. Laisser les agents face à cette multiplicité de modèles, qui peuvent être utilisés pour la prévision, mais aussi pour la valorisation, ou pour la promotion d’une politique, peut conduire à des comportements non souhaités. Par exemple, pour les ménages, se comporter de façon trop prudente, ne pas tenir compte des générations futures ; pour les firmes, valoriser les produits avec une optique de vente à court terme, aboutissant à une concurrence sauvage avec des menaces sur la cohésion sociale ; ou avoir des marchés de dérivés totalement déconnectés de la réalité physique sous-jacente.
Dans de telles périodes, il semble important d’introduire une coordination des pratiques de modélisation et de calibrage des modèles, en tenant compte de leurs différentes utilisations et des conséquences de celles-ci sur les comportements des agents. Etant incitatifs, ils peuvent être mal spécifiés en termes de prévision : ainsi une sous-estimation systématique de la durée de vie peut conduire à fixer des prix plus attractifs de l’assurance vie pour les ménages, assurer une demande suffisante pour de tels produits, donc justifier l’existence de compagnies d’assurance, et inciter les personnes à moins s’auto-assurer. De telles coordinations sont déjà mises en place pour le calcul des réserves en assurance vie, telle la fixation d’une durée de vie maximale, d’une valeur du taux long pour les maturités supérieures à 30 ans. L’introduction de telles normes sur certains paramètres clés réduit l’ambiguïté.
Pour qu’une telle démarche soit soutenable, ces modèles et calibrages doivent être mis à jour de façon adéquate durant la période de transition avec comme objectif, peu d’erreurs de spécification et des modèles pour la prévision, la valorisation et les normes comptables compatibles, lorsque le nouvel équilibre dynamique est atteint. Le choix de ces modèles et calibrages, et de leur évolution, demande un certain consensus entre les divers intervenants. Ce consensus porte sur les caractéristiques du nouvel équilibre susceptible d’être atteint ainsi que sur la vitesse avec laquelle il peut l’être. Il est souvent lié à des décisions sur les partages des risques entre ménages, entreprises et gouvernement et sur leur mutualisation entre générations.
Détecter et gérer de telles périodes de transition entre équilibres dynamiques est un domaine d’études pour les chercheurs et une source de thèmes pour de futurs risk forums. Des éléments de réflexion sur ce thème existent déjà dans la littérature académique et peuvent être atteints par le web à partir de mots clés tels : Ambiguity (Risk), Misspecification (Risk), Behavioral (Risk), Encompassing, Externalities, Incentive, Signalling, or Pigovian Tax. En résumé, « dans les recherches scientifiques, il existe des chances continuelles de découvertes et d’émerveillement ».

1 Gaz chlorofluorocarbonés.