Assurance-récolte fondée sur un indice météorologique : étude des avantages des modèles bayésiens et d’apprentissage profond pour la prédiction du rendement des cultures

Le secteur agricole est très vulnérable à un large éventail de risques météorologiques et climatiques. La modélisation de la dynamique complexe du temps et du climat pose le défi de résoudre les problèmes statistiques liées à l’analyse de masses de données de diverses résolutions, provenant de multiples sources, avec une structure spatiotemporelle non stationnaire, des relations non linéaires entre les phénomènes météorologiques et les rendements des cultures, et leurs conséquences actuarielles liées à l’estimation imprécise du risque. Les méthodes statistiques et actuarielles paramétriques classiques ne permettent pas de résoudre ces problèmes. Cependant, des méthodes d’apprentissage machine et d’intelligence artificielle permettent l’apprentissage automatique rapide des relations de dépendance non linéaire cachées et des structures non stationnaires dans des jeux de données vastes et complexes et s’avèrent plus efficaces que d’autres méthodes dans une grande variété d’applications, allant de la détection de la fraude par carte de crédit à l’offre du meilleur autre produit et à la segmentation de la clientèle. Pourtant, leur potentiel en actuariat, particulièrement en assurance agricole, demeure largement inexploité. Dans ce projet, nous étudions l’utilité d’une nouvelle procédure d’évaluation du risque de base en assurance agricole fondée sur un indice, laquelle est axée sur un cadre flexible de méthodes d’apprentissage machine par réseaux de croyances profondes (Deep Belief Nets) et de réseaux bayésiens à copules (Copula Bayesian Networks). Notre étude vise à mieux comprendre les relations non linéaires entre le rendement des cultures et les phénomènes météorologiques à des échelles spatiotemporelles disparates, à identifier les meilleurs indicateurs des risques futurs liés au climat et aux conditions météorologiques pour le rendement des cultures et à mieux identifier, quantifier et propager l’incertitude afin d’améliorer l’estimation des risques pour le rendement des cultures et la fiabilité de la tarification de l’assurance fondée sur des indices.