Cette DetraNote présente une nouvelle approche paramétrique afin de modéliser la mortalité régionale au sein des régions européennes NUTS-2. Les taux de mortalité régionaux étant nettement plus volatils que les agrégats nationaux, nous étendons le modèle de Li et Lee en utilisant des B-splines pénalisées afin de lisser les logarithmes des taux centraux de mortalité ainsi que les effets marginaux spécifiques à l’âge des facteurs temporels endogènes.
Par rapport au cadre de Li et Lee, notre modèle présente plusieurs avantages. Premièrement, il permet d’obtenir des courbes de mortalité lissées, une caractéristique particulièrement recherchée dans les applications actuarielles. Deuxièmement, la paramétrisation limite les degrés de liberté du modèle, ce qui permet une estimation fiable sur des fenêtres temporelles plus courtes. Troisièmement, le modèle est suffisamment robuste pour la prévision de la mortalité à long terme ainsi que pour la valorisation des rentes. Les paramètres du modèle sont estimés par maximisation de la log-vraisemblance, et la méthodologie est appliquée aux données de mortalité régionales françaises et belges.
Un package Python dédié a été développé dans le cadre de cette analyse et est librement accessible sur GitHub.
Mots-clés : tables de mortalité, modèle Lee-Carter, modèle Li-Lee, mortalité multi-groupe, assurance-vie
Secteur : Assurance
Domaine : Vie
Auteurs : I. Belem, D. Hainaut & T. Hames
Éditeur : Detralytics
Date: Avril 2026
Langue : Anglais
Pages: 26
Référence : Detra Note 2026-2
Fort de deux années en alternance, Idrissa possède une expertise en assurance non-vie, particulièrement en tarification et modélisation CAT. Ses expériences variées lui ont permis d’acquérir une excellente maîtrise de plusieurs outils et d’enrichir son expertise technique.
Donatien Hainaut est Conseiller Scientifique chez Detralytics et Professeur à l’UCLouvain (Belgique), où il dirige le Master en Data Science à orientation statistique. Auparavant, il a occupé plusieurs postes académiques, notamment en tant que Professeur Associé à la Rennes School of Business et à l’ENSAE à Paris. Il possède également une solide expérience en entreprise, ayant travaillé comme Risk Officer, Quantitative Analyst et ALM Officer.
Actuaire qualifié et titulaire d’un doctorat en Asset and Liability Management, ses recherches actuelles portent sur les mécanismes de contagion dans les processus stochastiques ainsi que sur les applications des réseaux de neurones en assurance.
Depuis son arrivée chez Detralytics en 2019, Thomas a principalement travaillé sur des sujets de tarification et de provisionnement en assurance Non-Vie et Automobile de détail, en combinant des méthodes classiques avec des approches basées sur le machine learning.
Par ailleurs, en interne, Thomas participe au développement technique et commercial de notre package de micro-provisionnement et assure la supervision des projets de notre Innovation Lab.
