Le risque environnemental La modélisation du risque climatique Marc Azouz Jean-Baptiste Commans 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique La place de la modélisation dans la gestion des risques : 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique La modélisation des risques climatiques nécessite une expertise multiple : Expertise « industrielle » : comprendre les mécanismes qui sous-tendent la corrélation entre les variables climatiques et l’exposition de l’entreprise Expertise « météorologique et climatique » : comprendre les phénomènes météorologiques afin d’appréhender au mieux leur évolution, identifier les facteurs de variabilité Expertise « financière et actuarielle » : évaluer le prix des couvertures climatiques mises en place dans le cadre de la protection contre l’aléa climatique 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique Méthodologie Générale Exemples 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 1.Méthodologie générale Collecte de données Décomposition des séries Analyse de corrélation des résidus Projections Rapport de quantification de l’exposition climatique Données internes R² Données Météo Pertinence et origine des données « Data cleanning » Pertinence et origine des données « Data cleanning » Identification des composantes des différentes données: Tendance Saisonnalité Variations Étude de corrélation entre les variables météorologiques et financières : étude de sensibilité aux anomalies Simulation de Monte-Carlo 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 1.Méthodologie générale Collecte de données Décomposition des séries Analyse de corrélation des résidus Projections Rapport de quantification de l’exposition climatique Données internes R² Données Météo Pertinence et origine des données « Data cleanning » Pertinence et origine des données « Data cleanning » Identification des composantes des différentes données: Tendance Saisonnalité Variations Identification des composantes des différentes données: Tendance Saisonnalité Variations Étude de corrélation entre les variables météorologiques et financières : étude de sensibilité aux anomalies Étude de corrélation entre les variables météorologiques et financières : étude de sensibilité aux anomalies Simulation de Monte-Carlo Simulation de Monte-Carlo 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 1.Méthodologie générale Collecte des données climatiques Collecter des données avec un historique long : 30 années de données journalières sont nécessaires Vérifier la fiabilité des données Remplacer les données manquantes ou aberrantes : algorithme de recomposition Organismes spécialisées : NOAA, Météo-France, OMM « L’Organisation météorologique mondiale (OMM) est l’institution spécialisée des Nations Unies qui fait autorité pour tout ce qui concerne l’état et le comportement de l’atmosphère terrestre, son interaction avec les océans, le climat qui en est issu et la répartition des ressources en eau qui en résulte » En France, Météo-France s’est dotée d’une filiale spécialisée dans la construction d’indices météorologiques à usage financier Aux Etats-Unis, le NOAA (National Oceanic and Atmospheric Administration) via son National Weather Service (NWS) publie des données issues de stations dans le monde entier Etc. Collecte des données financières De l’entreprise Du secteur d’activité de l’entreprise 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 1.Méthodologie générale Collecte de données Décomposition des séries Analyse de corrélation des résidus Projections Rapport de quantification de l’exposition climatique Données internes R² Données Météo Pertinence et origine des données « Data cleanning » Pertinence et origine des données « Data cleanning » Identification des composantes des différentes données: Tendance Saisonnalité Variations Étude de corrélation entre les variables météorologiques et financières : étude de sensibilité aux anomalies Simulation de Monte-Carlo 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 1.Méthodologie générale Décomposition des séries Séparer dans les séries étudiées ce qui relève D’une tendance (ex. : le réchauffement climatique) D’une saisonnalité (ex. : températures plus froides en hiver) De variations court-terme Pourquoi décomposer ? La tendance est un risque de base : inassurable La saisonnalité est connue d’avance On assure donc les anomalies 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 1.Méthodologie générale Décomposition des séries(2/2) Exemple : Températures à Marseille Décomposition par méthode STL Histogramme initial Histogramme des résidus : 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 1.Méthodologie générale Collecte de données Décomposition des séries Analyse de corrélation des résidus Projections Rapport de quantification de l’exposition climatique Données internes R² Données Météo Pertinence et origine des données « Data cleanning » Pertinence et origine des données « Data cleanning » Identification des composantes des différentes données: Tendance Saisonnalité Variations Étude de corrélation entre les variables météorologiques et financières : étude de sensibilité aux anomalies Simulation de Monte-Carlo 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 1.Méthodologie générale Étude de corrélation des résidus A partir des données précédemment extraites, on étudie l’impact des anomalies Exemple : Nous avons mené en partenariat avec l’institut Français de la Mode la corrélation entre température et ventes de produits textiles On constate une saisonnalité dans la corrélation qui s’avère être non négligeable sur certains mois En mai, les hautes températures précipitent les ventes de vêtements d’été On observe le même phénomène pour les vêtements d’hiver au mois d’octobre A l’inverse, la période de « soldes » est assez peu tributaire du climat 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 1.Méthodologie générale Collecte de données Décomposition des séries Analyse de corrélation des résidus Projections Rapport de quantification de l’exposition climatique Données internes R² Données Météo Pertinence et origine des données « Data cleanning » Pertinence et origine des données « Data cleanning » Identification des composantes des différentes données: Tendance Saisonnalité Variations Étude de corrélation entre les variables météorologiques et financières : étude de sensibilité aux anomalies Simulation de Monte-Carlo 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 1.Méthodologie générale Projections (1/2) A partir de l’étude des résidus, on simule Les lois marginales (chacune indépendamment) Les combinaisons de ces lois (lois multivariées, copules, etc.) On simule ensuite leur évolution, que l’on additionne aux composantes saisonnière et de tendance Exemple (page suivante) : Pour le Tour-opérateur mentionné précédemment, nous avons simulé l’évolution conjointe des différentes composantes de son portefeuille Après avoir extrait les lois marginales des différents indices, nous avons étudié la corrélation qui les unit Nous avons ensuite pu, grâce à la méthode des copules gaussiennes, simuler le comportement de son portefeuille (Méthode de Monte-Carlo) 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 1.Méthodologie générale Projections (2/2) 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique Méthodologie Générale Exemples d’applications par secteur Le secteur du tourisme Le secteur de la construction Le secteur agricole Le secteur de l’énergie 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 2. Applications Application au tourisme : indice de confort touristique (1/2) Le tourisme est une industrie parmi les plus importantes du monde, tout en étant en forte croissance L’attractivité touristique d’une région dépend de nombreux facteurs, variables d’une région à l’autre Essaouira attire les adeptes du kite-surf grâce à son régime de vents, couplé des températures agréables Gizeh draine les touristes intéressés à l’antiquité grâce à ses pyramides Etc. Or, de nombreux facteurs d’attractivité sont liés à des variables climatiques… Température Ensoleillement Durée du jour …dont l’impact est assez mal maîtrisé 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 2. Applications Expertise industrielle : indice de confort touristique (2/2) Mieczkowski : TCI = 2 x (4 x DaytimeComfort + DailyComfort + 2 x Precipitation + 2 x Sunshine + Wind) Indice sur 100, qui a le mérite d’être applicable à toutes les régions du monde (et donc de les comparer), mais qui exclu L’influence du patrimoine Les spécificités locales Les attentes spécifiques de la population susceptible d’y voyager Il permet néanmoins de capter un certain nombre de tendances : Impact du réchauffement climatique Déplacement des saisons 2008 2080 Source : Mieczkowski 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 2. Applications Application au secteur de la construction Nous avons ici l’exemple d’un indice multivarié permettant de lier la productivité du secteur du bâtiment aux variables climatiques que sont le vent et la température. Vitesse de vent 5km/h 25km/h Productivité Température (C) Source : Moselhi et al 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 2. Applications Application au secteur agricole Construction d’indices de sécheresse à partir de la corrélation entre pluviométrie et volume de récoltes Prise ne compte du calendrier de récoltes Pour chaque période de croissance du maïs, une pondération est appliquée qui représente la criticité de la pluviométrie de cette période dans le volume récolté in fine. *Maize yields are particularly sensitive to rainfall during the tasseling stage and the yield formation stage – rainfall during the latter phase determines the size of the maize grain Sowing and establishment period is also critical crop survival Source : FAO Source : FAO 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits

Modélisation du risque climatique 2. Applications Application au secteur énergétique Consommation hebdomadaire dans la région Mid-West des États-unis en fonction de la moyenne hebdomadaire des températures maximales. Niveau absolu (en haut) et sensibilité (en bas) de la consommation d’ électricité en fonction de la température. 10 novembre 2018 Aon Global Risk Consulting 2008 ● Tous droits de reproduction interdits