La prévision de la profitabilité du client, ainsi que la tarification, sont des pièces centrales dans le monde des sciences actuarielles. En utilisant des données sur les historiques des clients et en optimisant des modèles statistiques, les actuaires peuvent prévoir, dans une certaine mesure, le montant qu’un client réclamera durant une certaine période. Cependant, ces modèles utilisent souvent des données sensibles reliées au client qui sont considérées comme étant des facteurs de risque très importants dans la prédiction de pertes futures. Ceci est considéré comme étant légal dans plusieurs jurisdictions tant que leur utilisation est supportée par des données actuarielles, car ces attributs permettent aux clients d’obtenir une prime plus précise. Toutefois, comme soulevé dans la littérature récente en apprentissage machine, ces modèles peuvent cacher des biais qui les rendent discriminants envers certains groupes. Dans ce mémoire, nous proposons un modèle de prévision de la profitabilité du client utilisant des avancées récentes provenant du domaine de l’apprentissage machine pour assurer que ces algorithmes ne discriminent pas disproportionnellement envers certains sous-groupes faisant partie de l’intersection de plusieurs attributs protégés, tel que l’âge, la race, la religion et l’état civil. En d’autres mots, nous prédisons équitablement la prime théorique de n’importe quel client en combinant l’état de l’art en prédiction de pertes en assurance et appliquant certaines contraintes d’équité sur des modèles de régression. Suite à l’exécution de l’estimation de la profitabilité du client sur plusieurs jeux de données réels, les résultats obtenus de l’approche proposée sont plus précis que les modèles utilisés traditionnellement pour cette tâche, tout en satisfaisant des contraintes d’équité. Ceci montre que cette méthode est viable et peut être utilisée dans des scénarios concrets pour offrir des primes précises et équitables aux clients. Additionnellement, notre modèle, ainsi que notre application de contraintes d’équité, s’adapte facilement à l’utilisation d’un grand jeu de données qui contiennent plusieurs sous-groupes. Ceci peut être considérable dans le cas où un critère d’équité intersectionnel doit être respecté. Finalement, nous notons les différences entre l’équité actuarielle et les définitions d’équité provenant du monde de l’apprentissage machine, ainsi que les compromis reliés à ceux-ci. / Customer profitability forecasting, along with ratemaking, are central pieces in the world of actuarial science. By using historical data and by optimising statistical models, actuaries can predict whether a client with certain liabilities will claim any loss and what amount will be claimed inside a defined policy period. However, these models often use sensitive attributesrelated to the customer that are considered to be crucial risk factors to consider in predicting future losses. This is considered legal in many jurisdictions, as long as their use is backedby actuarial data, as these attributes give a more accurate premium to clients. Nonetheless,as it has been noted in recent machine learning literature, models can hide biases that makethem discriminate against certain groups. In this thesis, we propose a customer profitability forecasting model that uses recent advancements in the domain of machine learning to ensurethat these algorithms do not discriminate disproportionately on a subgroup of any intersectionof protected attributes, such as age, gender, race, religion and marital status. In other words,we fairly predict the theoretical premium of any client by combining state-of-the-art methodsin insurance loss prediction and the application of fairness constraints on regression models. After performing customer profitability estimation on multiple real world datasets, it is shownthat the proposed approach outperforms traditional models usually used for this task, whilealso satisfying fairness constraints. This shows that this method is viable and can be used inreal world scenarios to offer fair and accurate premiums to clients. Additionally, our model andour application of fairness constraints scale easily when using large datasets that contain many subgroups. This can be substantial in the case of satisfying an intersectional fairness criterion.Finally, we highlight the differences between actuarial fairness and fairness definitions in theworld of machine learning, along with its related trade offs.

Le contexte de privatisation a deux caractéristiques uniques. Premièrement, plusieurs études empiriques montrent que la majorité des transactions de privatisation sont partielles et le gouvernement reste un actionnaire dans la vaste majorité des firmes privatisées. Contrairement aux investisseurs privés, le gouvernent poursuit des objectifs politiques qui coincident rarement avec la maximisation des profits. Par conséquent, la privatisation nous offre un contexte unique qui nous permet d'investiguer les répercussions de l'intervention du gouvernement dans les firmes nouvellement privatisées sur leur qualité des bénéfices comptables et leur coût du capital-actions. Deuxièmement, le changement majeur dans la structure de propriété des firmes nouvellement privatisées qui est accompagné de problèmes d'asymétrie d'information sévères, nous offre aussi un cadre unique dans lequel nous pouvons investiguer les déterminants du cout du capital-actions et de la qualité des bénéfices. Dans le premier chapitre, nous examinons les déterminants politiques du cout de capital-actions. En utilisant un échantillon international de 126 entreprises en provenance de 25 pays et qui ont été privatisées durant la période 1987-2003, nous présentons des résultats suggérant que les firmes privatisées dans lesquelles le gouvernement maintient des droits de contrôle élevés enregistrent un cout du capital-actions élevé. Ce résultat a été trouvée après avoir contrôlé pour les déterminants au niveau de la firme et du pays du cout du capital-actions. Elle est cohérente avec l'hypothèse de l'interférence politique qui suggère que les actionnaires anticipent le risque d'intervention du gouvernement dans les opérations des firmes nouvellement privatisées et exigent une rémunération plus élevée pour investir dans les firmes privatisées où le risque d'expropriation par le gouvernement est élevé. Ce qui se traduit par une augmentation du cout du capital-actions. N ous trouvons aussi que le cout de capital-actions est significativement relié au système politique et à la stabilité du gouvernement. En particulier, nous trouvons que les firmes en provenance de pays plus démocratiques et de pays avec des gouvernements plus stables bénéficient d'un cout de capital-actions moins élevé. Globalement, notre étude montre que les droits de contrôle du gouvernement et ses caractéristiques politiques déterminent le cout du capital-actions des firmes nouvellement privatisées. Dans le deuxième chapitre, nous examinons comment l'État, les investisseurs institutionnels locaux et les investisseurs étrangers peuvent influencer la qualité des bénéfices des firmes nouvellement privatisées. En utilisant un échantillon unique de 174 firmes en provenance de 29 pays et qui ont été privatisées durant la période 1980- 2003, nous trouvons une évidence forte et robuste qui suggère que la qualité des bénéfices est négativement reliée au contrôle et à la propriété du gouvernement. En particulier, nous trouvons plus de gestion des bénéfices et moins de prudence comptable dans les firmes privatisées où les droits de propriété du gouvernement sont élevés ou dans lesquelles le gouvernement conserve le contrôle. Ce résultat qui est cohérente avec l'hypothèse d'interférence politique suggère que le gouvernement a des fortes motivations à manipuler les bénéfices afin de cacher les bénéfices politiques du contrôle. Nous trouvons aussi un résultat qui suggère que la propriété des investisseurs institutionnels locaux est associée avec une meilleure qualité des bénéfices comptables. En effet, nous trouvons que la propriété des investisseurs institutionnels locaux est associée avec plus de prudence comptable. Ce résultat est cohérent avec le point de vue qui considère que les investisseurs institutionnels jouent un rôle actif dans la surveillance des gestionnaires. De plus, nous rapportons une certaine évidence suggérant que la propriété des investisseurs étranges est associée avec plus de prudence comptable i.e., une meilleure qualité des bénéfices. Globalement, notre étude suggère que la qualité de l'information comptable des firmes privatisées est reliée à l'identité de ses nouveaux investisseurs.