La tâche n°3 du projet vise à améliorer la modélisation des impacts socio-économiques, avec un objectif commun d'intégrer les nouvelles connaissances sur les zones inondables, les hauteurs d'eau et les vitesses d'écoulement fournies par les résultats de la tâche n°2. Cette tâche s’organise en trois parties, autour de trois approches de modélisation dont les objectifs sont exposés ci-dessous.
La première partie a pour objectif de mieux représenter la dynamique de l'exposition et la vulnérabilité associée de la population. Elle s’appuiera notamment sur le modèle MobRisk d'exposition de la population en situation de mobilité développé par l’IGE, et sur la modélisation des risques d’inondation sur les infrastructures de transport (RIWS), développée à l’Ifsttar. Il s’agira notamment d’étudier comment ces méthodes peuvent être combinées et améliorées en valorisant des informations informations sur les zones inondées (tâche n°2 du projet). Un autre objectif consistera à essayer de simplifier ces méthodes pour favoriser leur applicabilité à grande échelle.
La deuxième partie du travail concerne le développement d’indicateurs d'impacts synthétiques destinés à favoriser la prise de décision des gestionnaires de crise. L'approche appliquée est celle développée dans la thèse de Clotilde Saint Martin (Irstea Aix). Elle sera ici adaptée aux études de cas sélectionnées, à partir des informations détaillées sur les zones inondables fournies par la tâche n°2 du projet. Il s’agira notamment de mesurer la valeur ajoutée de ces informations détaillées sur les zones inondables, pour mieux représenter l’intensité des impacts associés à l’événement et leur dynamique temporelle.
La dernière partie concerne la modélisation des pertes d'assurance. Cette tâche vise notamment à adapter la partie de vulnérabilité du modèle de sinistralité de la CCR, afin de tirer parti des informations améliorées sur l’aléa issues de la tâche 2 du projet. Cela équivaut à remplacer la partie aléa du modèle CCR, et à évaluer si cette amélioration de l’information sur l’aléa permet d’améliorer les résultats finaux de la modélisation.