Ces dernières années ont été marquées par une crise économique, une cohésion sociale fragile et un environnement législatif très fluctuant. Dans le domaine de la protection sociale, le désengagement de la Sécurité sociale a reporté une partie de ses dépenses sur les régimes complémentaires dont le coût ne cesse d'augmenter. Dans ce contexte, les entreprises sont soucieuses de maîtriser leurs budgets et d'anticiper l'évolution des montants de cotisations futures. Elles sont plus attentives au fait de payer au plus juste des garanties adaptées à leurs besoins. Gras Savoye se devait donc de répondre pleinement aux attentes de ses clients en développant des outils tarifaires performants. Ce mémoire propose une alternative aux méthodes traditionnelles de tari cation frais de santé, conçue sur la base d'un modèle de Réseau de Neurones Arti ciels. Cette technique permet de capter automatiquement des dépendances non linéaires de haut niveau entre les variables explicatives. L'autre spéci cité du modèle présenté est son approche globale du tarif qui n'est plus estimé pour chaque poste de dépenses comme dans le cadre classique. Dans une première partie, un indicateur servant à estimer la performance des garanties a été dé ni. Pour un poste donné, il représente le taux de couverture obtenu en simulant la garantie correspondante sur l'ensemble du portefeuille. En neutralisant ainsi l'in fluence des tarifs pratiqués sur le taux de couverture, les garanties peuvent être comparées objectivement, quel que soit leur mode d'expression. Cet indice innovant servira ensuite pour intégrer la notion de garantie en entrée du modèle. Une étude préliminaire a été menée sur le portefeuille Gras Savoye pour mettre en évidence les infl uences de chacun des facteurs sur la consommation médicale. Cette analyse a permis de faire une synthèse des ressources disponibles et de sélectionner les variables jugées pertinentes comme paramètres du modèle : le sexe, l'âge, le type de bénéfi ciaire, la C.S.P., le secteur d'activité, la localisation géographique, les garanties, le caractère obligatoire ou non du contrat, le régime (général ou Alsace Moselle) et la population (active ou inactive). Dans une deuxième partie plus théorique, est exposé le principe général des réseaux de neurones ainsi que le panorama d'architectures et de techniques d'apprentissage existantes. En fin dans une dernière partie, le modèle tarifaire a été bâti, puis mis en oeuvre sur le portefeuille Gras Savoye. L'ensemble de la consommation médicale de l'exercice de survenance 2007 (représentant 610 000 bénéfi ciaires) a été scindé en trois bases : apprentissage (40%), validation (30%) et test (30%). A partir de celles-ci, des simulations ont été réalisées selon différentes variantes pour tendre vers le réseau offrant les meilleurs résultats. Le réseau de neurones obtenu précédemment a été confronté avec d'autres modèles avancés tels que les Modèles Linéaires Généralisés et Memory Based Reasoning. A l'issue de ce comparatif, le modèle neuronal a obtenu la plus faible erreur quadratique, ce qui a conforté le choix porté sur celui-ci. Puis, le modèle a été appliqué dans des conditions réelles d'utilisation sur un panel de 13 nouveaux contrats entrés dans notre portefeuille après l'élaboration du modèle (60 000 bénéfi ciaires). Dans 79% des cas, les tarifs prédits par le modèle neuronal se sont avérés être plus proches de la consommation réelle que les taux de cotisations pratiqués issus d'outils de tari cation standard. La cohérence des résultats avec une logique économique a également été validée (croissance de la consommation avec l'âge, consommation plus élevée chez la population féminine,...). L'expérimentation d'un modèle de réseau de neurones dans le domaine de la tari cation santé a démontré ici son utilité en procurant des résultats plus probants qu'avec d'autres techniques de cotation. Abstract Recent years have been marked by an economic crisis, a social cohesion di culty and a legislative environment very changeable. In social protection, the withdrawing of the French social security system has transfered a portion of its expenses to the supplementary insurance whose cost continues to rise. In this context, rms are anxious to control their budgets and anticipate changes in the amounts of future contributions. They are more attentive to paying the true value of guarantees appropriate to their needs. Gras Savoye has to come up to expectations of its clients by developing powerful pricing tools. This paper proposes an alternative to traditional methods of pricing for additional health insurance developed on the basis of a model of Arti cial Neural Networks. This technology can automatically capture nonlinear dependencies between high-level explanatory variables. The other feature of the presented model is its overall approach to the tari that is not valued for each item of expense, as it would have been in the classical framework. In the rst part, an indicator to estimate the performance of the guarantees has been de ned. For a given medical expense item, it corresponds to the cover rate obtained by simulating the guarantee required to the entire portfolio. By neutralizing the in uence of prices on the coverage, guarantees can be compared objectively regardless of their mode of expression. This innovative indicator is then used to integrate the concept of guaranteed into the model input. A preliminary study has been conducted on the Gras Savoye portfolio to highlight the in uences of each factor on medical consumption. This analysis led to a synthesis of available resources and to the selection of the relevant variables considered as parameters: sex, age, type of bene ciary, socio-professional group, sector, geographical location, guarantees, mandatory or voluntary contract, system (general or Alsace Moselle) and population (active or inactive). In the second, more theoretical, is exposed the general principle of neural networks and the panorama of architectures and existing learning techniques. Finally, in the last section, the princing model was built and implemented on the Gras Savoye's portofolio. All of the medical consumption occurred in 2007 (representing 610,000 bene ciaries) have been divided into three bases : training (40%), validation (30%) and test (30%). From these, simulations were performed by dierent variants to approach the network offering the best results. The Neural Network obtained above was confronted with more advanced models such as Generalized Linear Models and Memory Based Reasoning. At the end of this comparison, the neural model obtained the lowest squared error, which has reinforced the decision to select it. Then, the model has been applied to real conditions of use on a panel of 13 new contracts entered into our portfolio after the development of the model (60,000 bene ciaries). In 79% of cases, the tari predicted by the neural networks were found to be closer to real medical consumption than insurance premiums rate from standard pricing tools. The consistency of the results with an economic logic has also been validated (growth in consumption with age, higher consumption among the female population ,...). The testing of a pricing model of neural networks applied to the sector of health insurance demonstrated its utility in providing better results than with other pricing techniques. Mémoire complet > Mémoire Actuariat CNAM - Jean-Marc AOUIZERATE - Soutenance du 2 décembre 2010.pdf