Ministère du Travail, de l’Emploi et de la Sécurité Sociale

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Ecole Supérieure de la Sécurité Sociale

Analyse et Modélisation des Taux de Mortalité :

Application des Modèles Paramétriques et non
Paramétriques et Évaluation de la Qualité d'Ajustement

Présenté par :
Spécialité : Actuariat
o Boudaa Sarah
Module : Méthodes
o Hezam Khouloud
statistiques appliquées
o Dari Aya
en actuariat
2024/2025
Back Next

Introduction
1. Elaboration d’une table de mortalité
1.1 Notions de base
1.2 Estimation des taux bruts de mortalité
1.3 Ajustement des taux bruts de mortalité
1.3.1 Le modèle de Gompertz Makeham
1.3.2 Le modèle de Weibull
1.3.3 Le modèle de Whittaker-Henderson
1.4 Mesure de la qualité d’ajustement
Conclusion
Back Next

Introduction
Le système de sécurité sociale algérien, à travers ses
organismes tels que la CNAS et la CASNOS, prend charge
des risques sociaux, notamment l'assurance décès.
Cependant, les dépenses liées à cette branche connaissent
une augmentation significative, en raison de divers facteurs
maladies, épidémies et les accidents de travail.. etc. Cette
dynamique impose une réflexion approfondie sur les moyens
de prévoir et de maîtriser ces coûts dans un contexte
d'évolution démographique et socio-économique.
Back Next

Résumé
L'étude représentée dans le mémoire que nous avons choisi
se concentre sur l'assurance décès en Algérie, prise en
charge par la CNAS., face à l'augmentation des dépenses
due à la mortalité et aux risques divers. Elle vise à estimer le
nombre de décès et les coûts associés à l'horizon 2030 en
développant des outils actuariels basés sur des données de
2010 à 2019. La recherche s'articule en trois axes : une
présentation de la CNAS, une analyse des tables de mortalité
et une étude de cas pratique pour élaborer des projections
démographiques et financières. L'objectif est de mieux
prévoir et maîtriser les dépenses futures et notre travail dans
cet exposé s'intéresse particulièrement aux estimations et
aux tests des différents modèles statistiques dans le but de
mieux comprendre ce concept .
Back Next

Elaboration d’une
table de mortalité
Back Next

1.1 Notions de base

1.1.1 La table de mortalité
• Est un tableau qui montre la probabilité de décès à chaque âge dans une population.
• Elle est utilisée pour calculer l'espérance de vie et évaluer des risques, notamment en
actuariat.
• Elle fournit des données sur les individus vivants à chaque âge et les décès survenus.

1.1.2 Les différents types de tables de mortalité

Selon la population concernée :
• Tables de mortalité réglementaires : Tables imposées par les autorités pour
garantir la solvabilité des assurances et respecter les normes légales.

• Tables de mortalité d’expérience: Tables basées sur les données réelles d'une population
spécifique, comme les assurés d'une compagnie.

• Tables de marché: Tables standardisées utilisées sur les marchés financiers et de

l'assurance pour évaluer les risques de mortalité.
 Back Next

Selon l’approche de modélisation

• Tables de mortalité du moment : Elles représentent la mortalité observée à un

moment donné, en se basant sur les taux de décès actuels pour chaque âge.

• Tables de mortalité prospectives : Elles prévoient la mortalité future en tenant

compte des tendances et des évolutions démographiques, en intégrant des
hypothèses sur l'évolution de la mortalité.

Selon le sexe
• Tables de mortalité complètes: Incluent les données de mortalité pour
tous les âges.

• Tables de mortalité abrégées: Ne couvrent que les grands groupes d'âges ou

des intervalles plus larges.
Back Next

1.1.3 Eléments constitutifs de la table de mortalité

Back Next

Exemple de la forme de la table de mortalité

 Back Next

1.2 Estimation des taux bruts de mortalité

Les données de mortalité sont souvent collectées par groupes d'âge (par exemple,20-25 ans, 25-
30 ans), ce qui ne permet pas une analyse fine au niveau de l’individu. Pour construire une table
de mortalité détaillée, il est nécessaire d’estimer les taux de mortalité pour chaque âge individuel.
a. On calcule d'abord un taux brut de mortalité 𝒎𝒙 pour chaque âge, basé sur les données d'une
période donnée.

Le taux brut de mortalité

est le nombre de décès
survenus dans une
population donnée au cours
d'une période spécifique
(généralement une année),
rapporté à la population
totale
 Next
Interprétation :

Cette méthode estime la probabilité moyenne de décès à un âge donné sur une période donnée.

b. Ce taux est ensuite transformé en quotient de mortalité 𝒒𝒙, une probabilité de

décès entre x et x+1. (Approximation de Kimball (1960))

Quotient de mortalité C'est la probabilité

qu'une personne d'un âge donné décède
avant d'atteindre l'âge suivant.

 Raison de l’utilisation :
L'approximation de Kimball permet de transformer les taux annuels de mortalité 𝒎𝒙 en
quotients de mortalité 𝒒𝒙 , qui sont des probabilités observées de mourir entre les âges x
et x+1.

 Avantage :
Elle fournit une estimation pratique et simple des probabilités de décès lorsqu’on ne
dispose que des taux de mortalité annuels.
Back Next

c. Enfin, on calcule le taux instantané de mortalité 𝝁𝒙, qui est une mesure continue de
la mortalité.

Taux instantané de mortalité C'est la limite

du taux de mortalité sur un intervalle de temps
infiniment petit. Il représente le risque de
décès à un instant précis.

 Cette méthode permet de construire une table de mortalité utilisable pour des
analyses démographiques ou actuarielles.
Back Next

Les courbes de mortalité

obtenues pour les deux
sexes montrent une forme
assez irrégulière, ils ne
peuvent pas donc être
utilisées dans leur état brut,
pour cela, il est
indispensable d’ajuster
les taux bruts de mortalité
afin d'obtenir une courbe de
mortalité qui progresse
graduellement avec l’âge.
 Next
1.3 Ajustement des taux bruts de mortalité

L'ajustement des taux bruts de mortalité est la plus

importante étape dans la construction d'une table de
mortalité puisque les estimations des taux bruts de L’ajustement des taux bruts de
décès forment généralement une courbe de mortalité mortalité est une méthode
irrégulière, d'où vient la nécessite de faire des statistique pour corriger l’effet
ajustements pour obtenir une courbe de mortalité des différences
progressive avec l'âge. démographiques (âge, sexe,
etc.) sur les taux de mortalité.
Il existe deux types de modèles d'ajustement à savoir:
les modèles d'ajustement paramétrique et non
paramétrique.

1.3.1 Le choix de l’intervalle d'âge

Dans cette étape on opte pour un choix d'intervalle d'âge représentant les taux de
mortalité par une courbe de tendance linéaire
Back Next

La figure montre la tendance linéaire du taux instantané de mortalité en fonction de

l'âge pour les hommes et les femmes.
Les coefficients de détermination 𝑹𝟐 sont élevés : 0,976 pour les hommes et 0,871
pour les femmes, indiquant une bonne corrélation dans les intervalles étudiés
Back Next

Le coefficient de détermination (𝑹𝟐 ) est une mesure statistique qui indique la

proportion de la variance d'une variable dépendante (par exemple, un taux ou
une mesure) qui est expliquée par une variable indépendante (par exemple, l'âge)
dans un modèle de régression.

Interprétation :

• 𝑹𝟐 = 1 : Le modèle explique parfaitement les données, donc la relation est

parfaitement linéaire.
• 𝑹𝟐 = 0 : Le modèle n'explique aucune des variations des données.

Exemple :

Un 𝑹𝟐 = 0,976 pour les hommes signifie que 97,6 % de la variation du taux de

mortalité est expliquée par l'âge dans l'intervalle étudié. Plus 𝑹𝟐 est proche de 1,
meilleur est l'ajustement du modèle aux données.
 Next
Résumé des observations

 Hommes : Intervalle [23-57]

Au-delà de 57 ans, la tendance n'est plus conforme au schéma standard d'évolution, à

cause d'une irrégularité due au faible effectif des assurés âgés. Cet intervalle est donc
exclu pour des projections fiables.

 Femmes : Intervalle [72-92]

Dans l'intervalle [44-72], les taux de mortalité sont irréguliers en raison du faible
effectif des femmes âgées de moins de 45 ans. Cet intervalle est aussi exclu pour un
meilleur ajustement.

Conclusion :

Les intervalles choisis [23-57] pour les hommes et [72-92] pour les femmes) permettent
une meilleure représentativité et fiabilité des données dans l'ajustement des courbes.
 Next

Les points de données ressemblent à une ligne sur la plage d'âge choisie avec des
coefficients assez forts (𝑹𝟐 = 0,991 pour femmes et 𝑹𝟐 = 0,983 pour hommes).
Donc nous pouvons dire que la qualité d'ajustement sera amélioré sur la plage d'âge
choisi.
Back Next
La modèles d’ajustements
paramétriques

La modélisation paramétrique suppose que la courbe de

mortalité peut être décrite par une équation
mathématique définie par un nombre limité de
paramètres. En d'autres termes, les taux de mortalité
sont exprimés à l'aide d'une formule dont la structure
est connue, mais qui dépend de certains paramètres
inconnus. Ces paramètres sont déterminés à partir des
données de mortalité disponibles. Ainsi, les modèles
paramétriques permettent de simplifier et résumer les
données en les représentant avec seulement quelques
paramètres essentiels.
 Next
1.3.2 Présentation des résultats d'ajustements
a. Modèles paramétriques

 Modèle de Grompertz (1825) : un modèle exprime la mortalité comme une fonction

exponentielle de l’âge. Choisi pour sa capacité à ajuster précisément les taux de mortalité
observés et à modéliser l'évolution de la mortalité avec l'âge dans l'élaboration d'une table
de mortalité.
 Next
La transformation linéaire du modèle

La transformation linéaire
du modèle est effectuée
pour simplifier
l'estimation des
paramètres en utilisant une
méthode bien connue :
la régression linéaire.
 Next
Méthode des moindres carrés

Cette méthode garantit un

ajustement optimal en
minimisant les erreurs
quadratiques entre les
données observées et le
modèle ajusté.
Back Next
Après avoir calculé les taux instantanés de mortalité ajustés par le
modèle de Gompertz 𝝁𝒙𝑮𝒐𝒎𝝆𝒆𝒓𝒕𝒛 pour chaque âge et pour les
deux sexes, nous déterminerons les quotients de mortalité ajustés
𝒒𝒙𝑮𝒐𝒎𝒑𝒆𝒓𝒕𝒛 qui calculés comme suit :

Les résultats des

quotients de mortalité
obtenus par l'ajustement
du modèle de Gompertz
pour chaque âge et pour
les deux sexes sont
illustrés dans l'annexe
n°1 et 2.
Back Next

 Modèle de Weibull (1951) : est un modèle utilisé pour décrire la mortalité en fonction de
l’âge. Reconnu pour sa flexibilité à modéliser les variations de mortalité, notamment aux
âges jeunes et avancés, lors de la construction de tables de mortalité.

Pour la modélisation des taux brut instantanés de mortalité, une fonction d’un autre type a
été proposé par Weibull :

En posant et

L’équation du taux instantanés de mortalité devient :

La transformation linéaire du modèle (en utilisant la méthode des moindres carrées) :

Back Next

Les résultats des quotients

de mortalité obtenus par
l'ajustement du modèle de
Weibull pour chaque âge
et pour les deux sexes
sont illustrés dans
l'annexe nº 01 et 02.
Back Next
La modèles d’ajustements non
paramétriques

Ce type de lissage ne suppose pas une forme de

la courbe de mortalité tel quel est le cas avec les
modèles paramétriques, mais il consiste à
appliquer aux données brutes un certain
nombre de traitements pour les lisser sans
aucune loi sous-jacente; on trouve dans ces
méthodes non paramétriques, le lissage de type
Whittaker Henderson.
 Next
b. Modèles non paramétriques
 Modèle de Whittaker Henderson

Le principe de cette méthode consiste à rechercher le meilleur compromis entre l'adéquation

aux données brutes et la régularité de la courbe de mortalité.
Donc elle consiste à la minimisation de deux critères, le critère de régularité et le critère de
fidélité. Ces dernières sont liées par la relation suivante :
Où 𝒉 : réel positif fixé par l'utilisateur selon l'influence qu'il souhaite
donner à chacun des deux critères de fidélité et de régularité.
Critère de fidélité aux taux bruts Critère de régularité de la courbe

𝑺 est la somme des carrés des

différences d'ordre z des taux lisses, elle
permet d'évaluer la régularité de la
courbe lissée. Plus l'aspect de la courbe
est régulier, plus la va leur de 𝑺 diminue
 Next
Un programme a été élaboré par le langage 𝐑 pour la méthode non paramétrique de
Whittaker Henderson, qui nous a permet d'estimer les quotients de mortalité.
Le choix de 𝒉 est très important, dans notre cas, on a fixée 𝒉 = 30. Aussi, on a utilisé ce
lissage en considérant 𝑾𝒊 = 1.
Les résultats graphiques de cette estimations sont montrés dans la figure ci-dessous :

Les résultats des quotients de mortalité obtenus par l'ajustement du Whittaker Henderson pour
chaque âge et pour les deux sexes sont illustrés dans l'annexe nº 01 et 02.
Back Next
1.3.3 Mesure de la qualité d’ajustement
Après le lissage des quotients de mortalité, il est essentiel de valider les résultats en se basant sur
la régularité et la fidélité de la courbe de mortalité.
Le choix du modèle final repose sur ces critères ainsi que sur le test du khi-deux.

a. Critère de fidélité
Évalue dans quelle mesure le modèle reproduit fidèlement les données observées.
Il se mesure par la quantité suivante :

Plus le critère est proche de 0, plus les taux lissés sont fidèles aux taux bruts
Back Next

b. Critère de régularité

Mesure la fluidité et la cohérence de l'évolution des taux ajustés.

Un CR faible indique une courbe lissée, sans fluctuations irrégulières.
On peut donc mesure la régularité de ces taux à l’aide de quantité suivante :

Pour 𝒛 = 𝟏 ∶
 Next
Les résultats obtenus sont présentés dans le tableau suivant :

Interprétations :

o Pour les hommes : Le modèle de Whittaker-Henderson est le plus performant en

termes de fidélité et de régularité.
o Pour les femmes : Bien que le modèle de Weibull offre une meilleure fidélité que
Gompertz, le modèle de Whittaker-Henderson reste globalement le meilleur, offrant
un bon compromis entre fidélité et régularité.

Le modèle de Whittaker-Henderson est donc recommandé pour les deux sexes, car il
combine précision et fluidité des courbes ajustées.
 Next
c. Test de Khi-deux
Le test de khi-deux est souvent ajouté car il offre une évaluation objective et rigoureuse de la
qualité d'ajustement d'un modèle aux données observées. Il aide à valider ou rejeter un modèle,
tout en guidant le choix du modèle le plus approprié pour des analyses ou des prévisions futures.
𝒆𝒔𝒑
D’abord nous calculons le nombre des décès espéré 𝑫𝒙 pour chaque modèle de
manière suivante :
Back Next

Ensuite nous calculons la distance de khi-deux defini par la formule suivante :

Back Next

Ensuite à partir de la table de khi-deux, on calcule la valeur théorique et on compare avec

la valeur observée,

 Si khi-deux observé ≤ khi-deux théorique au seuil de risque 𝜶 = 5%, on accepte

l'hypothèse 𝑯𝟎 , c'est à dire l'ajustement peut être retenu.
 Si khi-deux observé > khi-deux théorique, on rejette l'hypothèse 𝑯𝟎 , c'est à dire
l'ajustement n'est pas bon.
Back Next
Back Next

Interprétations :

• Par rapport au test de khi-deux l'ajustement des trois (03) modèles sont retenus pour les
deux sexes car 𝝌𝒕𝒉é𝒐𝒓𝒊𝒒𝒖𝒆 > 𝝌𝒐𝒃𝒔𝒆𝒓𝒗é
• Les trois (03) modèles sont acceptés, la statistique de khi-deux calculée pour le modèle de
Whittaker-Henderson est le plus minime que la statistique calculée pour le modèle de
Gompertz et Weibull.
Conclusion

A travers cette analyse des critères de choix du modèle, nous remarquons que le modèle
de Whittaker-Henderson est plus adéquat, alors c'est le modèle que nous allons retenir
et ce pour les deux sexes.
Back Next

Conclusion
Cette étude souligne l'importance d'actualiser les données pour mieux relever
les défis financiers et prendre des décisions stratégiques éclairées.
À travers l'analyse, nous avons examiné les différentes étapes nécessaires
pour modéliser et ajuster les taux bruts de mortalité, depuis leur estimation
initiale jusqu’à l’application de deux modèles paramétriques : Gompertz-
Makeham, Weibull et un non paramétrique : Whittaker-Henderson.
La qualité des ajustements a été évaluée à l’aide de critères tels que la fidélité,

la régularité, ainsi que du test du khi-deux pour validation.

Les résultats montrent que le modèle de Whittaker-Henderson offre le meilleur
ajustement, répondant efficacement aux critères d’évaluation pour les deux
sexes. Ce modèle, robuste et pertinent, constitue une base solide pour des
analyses futures et des décisions stratégiques éclairées dans le domaine de la
protection sociale.
Merci pour votre attention