Colloque & AGA 2026

C’est avec grand plaisir que l’ASSQ vous invite à son colloque annuel suivi de l’assemblée générale qui auront lieu le vendredi 22 mai 2026 à l’Université Laval, à Québec.

La participation à l’événement est gratuite. Merci de confirmer votre présence le plus rapidement possible à l’aide du lien d’inscription.

Au plaisir de vous y retrouver en grand nombre!

Stationnement & accès au COPL

Utilisez les stationnements 110 ou 209 pour avoir accès aux bornes de paiement. Voir le plan du stationnement.

Voir le plan d’accès au COPL.

Au programme

13h00 Arrivée des participants
13h30 Données télématiques: défis et opportunités, par Aurélie Labbe (HEC Montréal)
14h30 Application de l’analyse de survie a la modélisation du risque, par Josiane Guedem (Investissement Québec)
15h30 Pause
16h00 Panel : Évolution de la profession de statisticien avec l’arrivée de l’intelligence artificielle, par David Emond (Université Laval), Jean Hardy (Services Conseils Hardy) et Louis-Paul Rivest (Université Laval)
17h00 Assemblée générale annuelle de l’ASSQ (voir le procès-verbal de la dernière AGA)
18h00 Vin & fromage

Assemblée générale

Il sera possible d’assister à l’assemblée générale en présentiel ou via la plateforme Zoom.

Lien Zoom :
https://hecmontreal.zoom.us/j/83248996315?pwd=Oq38qC9xQYXDcqmG4qR9ntJ3HjGChj.1

Ordre du jour

• Ouverture de la réunion et adoption de l’ordre du jour
• Adoption du procès-verbal de l’AGA de 2025
• Présentation du CA/Élections 2026
• Activités 2025-26/Projets pour 2026-27
• Membership 2026
• États financiers
• Fermeture de la réunion

Résumé des présentations

Données télématiques: défis et opportunités
Aurélie Labbe (HEC Montréal)

Cette présentation décrit les défis liés à l’utilisation de données télématiques dans le but de caractériser l’utilisation du téléphone cellulaire au volant. Ces données, collectées chaque seconde pendant les trajets des conducteurs, sont mesurées au moyen de GPS, accelerateurs et gyroscopes intégrés dans les téléphones cellulaires des conducteurs. Nous présentons ici les résultats d’une étude menée avec Intact Assurance, qui nous permet de développer des modèles permettant d’identifier les distractions à l’aide de données de gyroscope. Ces analyses permettent de dresser un portrait de l’utilisation du cellulaire est effectué dans le temps et dans l’espace, en prenant pour exemple la ville de Montréal. Cette présentation a pour but de présenter les défis générés par la quantité énorme de données collectées, la mise à l’échelle des méthodes de détection de points de ruptures, ainsi que la validation des modèles proposés.

Application de l’analyse de survie a la modélisation du risque
Josiane Guedem (Investissement Québec)

L’analyse de survie est une méthode statistique qui permet d’estimer le temps avant qu’un événement se produise. Utilisée pour la première fois dans les années 1950 en médecine pour étudier la survie/le décès des patients, elle s’applique aujourd’hui à de nombreux domaines, dont la gestion du risque de crédit. Dans ce contexte, l’événement étudié est le défaut de paiement d’un client, c’est-à-dire le moment où il ne respecte plus ses obligations f inancières envers la banque. Plus le défaut est probable, plus le temps de survie avant le défaut est court. Cette approche devient particulièrement pertinente avec les nouvelles normes comptables IFRS9, qui exigent désormais d’estimer la probabilité de défaut sur toute la durée de vie des prêts, et non plus seulement sur un horizon de 12 mois. Alors que les modèles classiques répondent uniquement à la question : « Le client fera-t-il défaut dans l’année?», l’analyse de survie permet de répondre à une question beaucoup plus riche : «Quand le défaut risque-t-il d’arriver? » Elle permet ainsi de calculer une probabilité de défaut à n’importe quel horizon (6 mois, 1 an, 3 ans, etc.). Un autre avantage majeur de l’analyse de survie est sa capacité à gérer la censure, c’est-à-dire les situations où l’on ne connaît pas la fin de l’histoire : clients qui n’ont pas encore fait défaut, comptes fermés avant que le défaut ne survienne, etc. Les modèles de survie intègrent naturellement ces cas, ce qui améliore la précision des estimations, contrairement aux méthodes classiques qui y sont mal adaptées. Pour illustrer cette approche, nous avons appliqué une analyse de survie sous SAS à des données fictives de cartes de crédit. L’objectif est d’identifier les facteurs qui influencent le temps avant défaut et de sélectionner le modèle le plus performant, tout en vérifiant la pertinence statistique et économique des variables retenues. En définitive, l’analyse de survie constitue une méthode moderne, intuitive et robuste, oArant une vision plus dynamique et réaliste du risque de crédit. En intégrant explicitement la dimension temporelle du défaut, elle renforce la qualité des modèles utilisés pour le calcul des pertes attendues dans le cadre d’IFRS9.