Tarification de l'assurance agricole au Maroc : Développement d'une assurance rendement indicielle pour le blé utilisant l'intelligence artificielle

Résumé

Résumé

L’assurance agricole est considérée parmi les instruments incontournables de gestion des risques dans le secteur agricole. En effet, l’assurance agricole offre une protection des agriculteurs contre les différents aléas tels que les changements climatiques défavorables. Cependant, les tarifs sont jugés chers par certains agriculteurs malgré les subventions du gouvernement marocain de la prime de l’assurance multirisque climat. D’où une tarification équitable et compétitive représente un enjeu technique important pour les assureurs. En outre, les approches traditionnelles de tarification de l’assurance agricole présentent certaines limites. En cas d’une assurance récolte, il est nécessaire de formuler des hypothèses sur la distribution des rendements ce qui impacte l’estimation des rendements futurs et par conséquent l’estimation de la prime pure. Dans ce contexte, ce travail propose une approche de tarification de l’assurance agricole au Maroc, en particulier l’assurance indicielle de rendement pour le blé basé sur l’intelligence artificielle. Cette approche permet de développer un modèle de prédiction de la prime pure qui ne nécessite pas une formulation des hypothèses sur la distribution de rendements du blé. Nous cherchons à modéliser la prime pure de l’assurance rendement du blé en tenant compte des conditions météorologique qui influencent la croissance du blé. Pour cela, nous modélisons le rendement de blé par les algorithmes de l’intelligence artificielle notamment l’arbre de décision, la forêt aléatoire, XGBoost et les réseaux neurones. L'application de notre approche a montré une approximation adéquate des pertes futures et des primes pures attendues.

Mots clés : Assurance agricole, Assurance Indicielle, Intelligence artificielle, Machine Learning, Deep Learning, Tarification, Prime pure, Conditions climatiques.

Abstract

Agricultural insurance is considered an essential risk management tool in the agricultural sector. Indeed, agricultural insurance offers farmers protection against various risks, such as adverse climate changes. However, some farmers find premiums expensive, despite subsidies from the Moroccan government for multi-risk climate insurance. Therefore, fair and competitive pricing represents a significant technical challenge for insurers. Furthermore, traditional approaches to pricing agricultural insurance have certain limitations. In the case of crop insurance, it is necessary to make assumptions about yield distribution, which impacts the estimation of future yields and, consequently, the calculation of the premium itself. In this context, this work proposes an approach to pricing agricultural insurance in Morocco, specifically index-based yield insurance for wheat, using artificial intelligence. This approach allows for the development of a pure premium prediction model that does not require formulating assumptions about the wheat yield distribution. We aim to model the pure premium for wheat yield insurance, taking into account the meteorological conditions that influence wheat growth. To this end, we model wheat yield using artificial intelligence algorithms, including decision trees, random forests, XGBoost, and neural networks. The application of our approach has shown an adequate approximation of future losses and expected pure premiums.

Keywords: Agricultural insurance, Index-based insurance, Artificial intelligence, Machine learning, Deep learning, Pricing, Pure premium, Weather conditions.