Lors de ce stage, j’ai d’abord modélisé un jeu en information parfaite dans lequel des compagnies d’assurance peuvent proposer des contrats à des propriétaires forestiers caractérisés par leur niveau d’aversion au risque et la surface de forêt qu’ils possèdent. Les résultats obtenus confirment que sans intervention publique, le taux de couverture d’assurance est faible (18,75%), exposant les forêts à des risques importants non couverts, constat qui est celui que l’on fait en France, bien qu’en France cette valeur soit encore plus basse : 5%. Ce constat est toutefois à nuancer puisque la surface totale assurée sans intervention de l’État est déjà de 75,81% là où l’on observe seulement 13% de la surface de forêt privée assurée en France. Cette différence peut être causée par la manière dont nous générons les propriétaires forestiers, et notamment par la distribution jointe des aversions au risque et des surfaces possédées par les propriétaires forestiers qui devra être mieux étudiée par la suite. On a ensuite, toujours en information parfaite, intégré l’État au modèle en lui per- mettant d’inciter les propriétaires forestiers à s’assurer de deux manières : soit en subventionnant les primes de contrats pour les forestiers, soit en subventionnant les indemnités pour les assureurs. On montre qu’avec des subventions adéquates, les forestiers sont plus enclins à s’assurer, ce qui peut contribuer à une gestion des risques plus efficace et donc à une résilience accrue face aux catastrophes naturelles. Si l’État souhaite inciter toute la population de propriétaires forestiers à être assurée, la valeur des subventions est de 22,16€ en moyenne pour assurer la forêt d’un propriétaire forestier qui ne l’était pas auparavant. La modélisation a révélé certaines limites et opportunités d’amélioration. Par exemple, il serait judicieux d’élargir le modèle pour inclure d’autres facteurs de risque tels que le risque de tempêtes tout en prenant en compte les risques multiples. De plus, l’intégration de données empiriques plus diversifiées et actualisées, que ce soit au niveau de la probabilité d’incendie ou des caractéristiques des propriétaires forestiers, permettrait d’améliorer la précision du modèle. Ensuite, il est important de prendre en compte que les ensembles d’actions des agents (les assureurs et l’État) sont assez restreints. Il serait probablement judicieux de permettre aux assureurs de choisir des contrats parmi des ensembles de stratégies plus grands, de même pour les politiques publiques de l’État. Cependant cela nécessiterait beaucoup de ressources computationelles. C’est pourquoi envisager des techniques d’apprentissage automatique (notamment l’apprentissage par renforcement) semble être une bonne piste pour affiner les résultats. D’autres hypothèses, plus générales, peuvent être remises en question vis-à-vis de notre modèle. Il parait en effet important de pouvoir considérer que le jeu est en information incomplète. De fait, les assureurs n’ont pas forcément en leur possession tous les paramètres des autres assureurs. De plus, elle n’ont pas nécessairement accès la distribution jointe exacte des aversions au risque et des surfaces de forêts possédées par les propriétaires forestiers. Ces ajustements permettraient de mieux refléter les conditions réelles du marché et d’améliorer la robustesse du modèle.