Apprentissage des équilibres de Stackelberg-Nash dans des jeux à information incomplète, pour la conception de politiques publiques : application à l'assurance forestière sous risques multiples

  • Directeurs de thèse : Régis Sabbadin (INRAE, MIAT), Stéphane Couture (INRAE, MIAT), Meritxell Vinyals (INRAE, MIAT)
  • Début de thèse : 1er Octobre 2025
  • École doctorale : MITT
  • Établissement : Université de Toulouse
  • Financement : 50% Métaprogramme INRAE X-RISQUES, 50% Projet ciblé X-RISKS du PEPR FORESTT

Résumé : L’assurance est un outil de gestion et de couverture important pour faire face aux risques multiples et à leurs conséquences dans un contexte de changement climatique. Cet outil existe dans le domaine forestier car les forêts privées sont considérées comme des biens assurables face à des risques climatiques comme la tempête et l’incendie, les deux principaux risques actuels. Cependant, en France, le marché de l’assurance forestière se caractérise par une faible demande et par une offre limitée. Cette situation soulève de nombreuses questions sur les raisons du faible recours à l’assurance, sur la manière dont le régime d’assurance actuel devrait être adapté pour faire face à cette situation de risques multiples et sur le rôle possible des autorités publiques. Par ailleurs, il existe à ce jour peu de données disponibles pour analyser correctement un tel marché, ce qui donne une importance cruciale à la modélisation. L’objectif de cette thèse est de fournir un modèle multi-acteurs basé sur la théorie des jeux et l’apprentissage par renforcement, qui sera un outil permettant l’identification et l’analyse des stratégies des décideurs privés et publics dans un contexte de risques multiples afin de proposer des recommandations aux parties concernées (dont les pouvoirs publics).


Avatar
Alexandre Lhuisset
Doctorant(e)
Intelligence Artificielle, Économie