🤖 machine learning

{\alpha}-Fair Insurance Pricing: A Fairness Continuum

Dieses Paper stellt das $\alpha$ -FISP-Framework vor, ein Modell der beschränkten Optimierung, das das Spannungsverhältnis zwischen versicherungsmathematischer Fairness und Solidarität bei der Versicherungspreisgestaltung auflöst, indem es ein Kontinuum lösbarer Prämienlösungen generiert, die durch $\alpha$ parametrisiert sind, wodurch Regulierungsbehörden und Versicherer in der Lage sind, die Differenzierung nach Risiko mit Quersubventionierung unter Gewährleistung der Solvenz in Einklang zu bringen.

Ursprüngliche Autoren: Tianhe Zhang, Xiguang Liu, Peng Shi

Veröffentlicht 2026-06-16

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Tianhe Zhang, Xiguang Liu, Peng Shi

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie veranstalten ein riesiges Potluck-Dinner, bei dem jeder ein Gericht mitbringt, aber manche Leute teure Zutaten mitbringen, während andere nur einfache Snacks mitbringen. Das Ziel ist es herauszufinden, wie viel jeder für sein Essen bezahlen sollte.

Dieses Papier befasst sich mit einem sehr alten, schwierigen Argument darüber, wie man Menschen für eine Versicherung berechnen sollte: Sollte jeder genau das bezahlen, was sein persönliches Risiko kostet (Aktuarielle Fairness), oder sollte jeder den gleichen Preis zahlen, um den Risikoreicheren zu helfen (Solidaritäts-Fairness)?

Hier ist die Lösung des Papers, heruntergebrochen auf einfache Konzepte.

1. Die zwei gegensätzlichen Sichtweisen

Die Autoren beschreiben ein Tauziehen zwischen zwei Arten des Denkens über „Fairness“:

Die „aktuarielle“ Sichtweise (Der strenge Buchhalter): Diese Sichtweise besagt: „Wenn Sie ein junger, Nichtraucher-Fahrer sind, sollten Sie weniger bezahlen. Wenn Sie ein älterer Raucher sind, sollten Sie mehr bezahlen.“ Sie basiert auf der Idee, dass Ihr Preis perfekt Ihrem spezifischen Risiko entsprechen sollte. Wenn Sie ein risikoarmes Profil haben, sollten Sie die risikoreichen Menschen nicht subventionieren müssen.
Die „Solidaritäts“-Sichtweise (Der Gemeinschaftshelfer): Diese Sichtweise besagt: „Wir stecken alle im selben Boot.“ Sie argumentiert, dass eine Versicherung ein soziales Sicherheitsnetz ist. Wenn wir risikoreiche Menschen zu viel berechnen, können sie sich die Versicherung nicht mehr leisten. Daher sollten risikoarme Menschen ein wenig mehr bezahlen, um die Kosten für die risikoreiche Gruppe zu decken.

Das Problem: In der Vergangenheit wurden diese beiden Ideen als Feinde betrachtet. Man konnte nicht beides haben. Wenn man zu viele Daten verwendete (wie Geschlecht, Herkunft oder Postleitzahl), um das Risiko zu berechnen, bestand die Gefahr, dass man vulnerable Gruppen so stark belastet, dass sie sich den Versicherungsschutz nicht mehr leisten können. Aber wenn man das Risiko völlig ignoriert, könnte die Versicherung pleitegehen, weil die „Buchhalter“ nicht genug Geld einnehmen.

2. Die Lösung: Der „Fairness-Schieber“ ( $\alpha$ )

Die Autoren schlagen ein neues Framework vor, das $\alpha$ -Fairness genannt wird. Stellen Sie sich dies wie einen Schieberegler oder einen Dimmerknopf vor, mit dem Sie genau auswählen können, wie viel „Solidarität“ Sie bei der Preisgestaltung wünschen.

Der Knopf ist mit $\alpha$ (Alpha) beschriftet und geht von 0 bis 1.
Bei 0 (Das „aktuarielle“ Ende): Der Regler ist ganz unten. Jeder zahlt exakt das, was seine spezifischen Risiken kosten. Niemand hilft jemand anderem.
Bei 1 (Das „Solidaritäts“-Ende): Der Regler ist ganz oben. Jeder in derselben Basiskategorie (z. B. gleiches Alter und Raucherstatus) zahlt exakt den gleichen Preis, unabhängig von anderen Details. Die risikoarmen Menschen subventionieren die risikoreichen Menschen vollständig.
In der Mitte (z. B. 0,5): Dies ist der „Sweet Spot“. Die risikoarmen Menschen zahlen ein wenig mehr, um den risikoreichen Menschen zu helfen, aber nicht so viel, dass sie bestraft werden. Die risikoreichen Menschen erhalten einen Rabatt, aber keine Gratisfahrt.

3. Die „Sicherheitsnetz“-Regel (Solvenz)

Das Papier fügt eine entscheidende Regel hinzu, die viele andere Fairness-Ideen vergessen: Die Versicherung darf nicht pleitegehen.

Sie nennen dies Individuelle Solvenz. Stellen Sie sich eine bestimmte Gruppe von Menschen vor (z. B. 30-jährige Raucher). Das gesamte Geld, das von dieser Gruppe eingenommen wird, muss ausreichen, um ihre erwarteten Ansprüche zu decken. Man kann nicht Geld von 30-jährigen Rauchern nehmen, um die Kosten von 60-jährigen Rauchern zu bezahlen. Der „Topf“ für jede Gruppe muss im Plus bleiben.

Dies stellt sicher, dass wir, während wir gegenüber verschiedenen Gruppen fair sind, kein finanzielles Desaster für die Versicherung verursften.

4. Wie es in der Praxis funktioniert

Die Autoren haben diese Idee in ein mathematisches Problem (eine Optimierungsaufgabe) umgewandelt.

Input: Sie beginnen mit dem „perfekten“ Preis basierend auf dem Risiko (was der Buchhalter berechnen würde).
Anpassung: Sie wenden dann den $\alpha$ -Schieber an. Wenn Sie $\alpha$ auf 0,8 setzen, erzwingt die Mathematik, dass die Preise für Personen in derselben Gruppe sehr nah beieinander liegen (innerhalb von 80 % voneinander).
Constraint (Nebenbedingung): Die Mathematik prüft auch, ob die Gruppe immer noch genug Geld hat, um ihre Rechnungen zu bezahlen.

5. Was sie herausgefunden haben

Die Autoren haben dies mit Computersimulationen und realen Krankenversicherungsdaten getestet.

Es funktioniert: Sie zeigten, dass man reibungslos von einer „strengen risikobasierten Preisgestaltung“ zu einer „gemeinschaftsbasierten Preisgestaltung“ gleiten kann, ohne die Mathematik zu brechen.
Es ist sicher: Im Gegensatz zu anderen getesteten „fairen“ Preisgestaltungsmethoden führte ihr Verfahren niemals dazu, dass die Versicherungsgruppe Geld verlor (negative Solvenz).
Es ist flexibel: Da Regulierungsbehörden an verschiedenen Orten unterschiedliche Regeln haben (einige Staaten wollen mehr Fairness, andere weniger), ermöglicht dieses Framework einem Unternehmen, einfach den $\alpha$ -Knopf zu drehen, um den lokalen Gesetzen zu entsprechen.

Die große Analogie im Überblick

Stellen Sie sich eine Schulkantine vor.

Aktuarielle Fairness: Sie bezahlen exakt für die Zutaten Ihres Mittagessens. Wenn Sie ein Steak bestellen, zahlen Sie 20 $. Wenn Sie ein Sandwich bestellen, zahlen Sie 5 $.
Solidaritäts-Fairness: Alle zahlen 10 $. Die Steak-Esser subventionieren die Sandwich-Esser, damit alle essen können.
Die Lösung des Papers: Der Schulleiter (der Regulator) sagt: „Wir brauchen einen Mittelweg.“ Er legt eine Regel fest: „Der Preisunterschied zwischen dem Steak und dem Sandwich darf nicht mehr als 50 % betragen.“
- Das Steak könnte auf 15 $ sinken.
- Das Sandwich könnte auf 10 $ steigen.
- Die Kantine verdient immer noch genug Geld, um Lebensmittel zu kaufen (Solvenz), aber die Kluft zwischen den reichen und armen Essern ist nicht mehr so riesig.

Das Papier liefert uns das mathematische Werkzeug, um diesen perfekten Mittelweg zu finden, der sicherstellt, dass Versicherungen sowohl für die Menschen erschwinglich als auch finanziell gesund für das Unternehmen bleiben.

Technisches Resümee: $\alpha$ -Fair Insurance Pricing

Problemstellung
Die Versicherungsgestaltung steht vor einem grundlegenden Spannungsverhältnis zwischen zwei konkurrierenden Vorstellungen von Fairness: aktuarieller Fairness und Solidaritätsfairness. Aktuarielle Fairness schreibt vor, dass Prämien die individuellen erwarteten Verluste widerspiegeln sollten, was häufig durch eine granulare Risikoklassifizierung erreicht wird. Im Gegensatz dazu betont die Solidaritätsfairness das soziale Pooling, bei dem Risiken über Gruppen hinweg geteilt werden, um Erschwinglichkeit und Zugang zu gewährleisten, was oft Quersubventionierungen erfordert.

In modernen datengesteuerten Umgebungen ermöglicht die Verfügbarkeit granularer Daten eine zunehmend präzise Risikodifferenzierung, was potenzielle Disparitäten bei den Prämien verschärfen und Bedenken hinsichtlich der Erschwinglichkeit und sozialen Ausgrenzung aufwerfen kann. Gleichzeitig schränken Regulierungsbehörden (z. B. die EU-Gendervorgabe, Colorado SB 21-169) die Verwendung sensibler Attribute (wie Geschlecht, ethnische Zugehörigkeit oder sozioökonomische Proxys) bei der Preisgestaltung zunehmend ein. Die bestehende Literatur behandelt diese Konzepte oft als binär oder konzentriert sich auf prädiktive Fairness in der maschinellen Lernlehre (z. B. demografische Parität), versäumt es jedoch, die spezifische ökonomische Allokation finanzieller Lasten in der Versicherung oder die kritische operative Anforderung der Solvenz (die Sicherstellung, dass die Prämien die erwarteten Verluste decken) zu adressen.

Methodik
Die Autoren schlagen das $\alpha$ -Fair Individual Solvent Premium ( $\alpha$ -FISP) Framework vor, welches die Versicherungsgestaltung als ein optimiertes Problem unter Nebenbedingungen modelliert.

Definitionen und Metriken:
- Aktuariell faire Prämie ( $\mu(X, D)$ ): Der erwartete Verlust $E[Y|X, D]$ , der vollständig nach nicht-sensiblen ( $X$ ) und sensiblen ( $D$ ) Attributen differenziert.
- Solidaritätsfaire Prämie ( $\mu(X)$ ): Der erwartete Verlust $E[Y|X]$ , der Risiken innerhalb einer nicht-sensiblen Risikoklasse poolt.
- $\alpha$ -Fairness: Eine Preisbildungsfunktion $f$ $f$ ist $\alpha$ $α$ -fair, wenn für zwei Individuen mit identischen nicht-sensiblen Attributen ( $x = x'$ $x = x^{'}$ ) das Verhältnis ihrer Prämien mindestens $\alpha$ $α$ beträgt (wobei $\alpha \in [0, 1]$ $α \in [0, 1]$ ). Konkret gilt: $\min(f(x, d)/f(x, d'), f(x, d')/f(x, d)) \geq \alpha$ $min (f (x, d) / f (x, d^{'}), f (x, d^{'}) / f (x, d)) \geq α$ .
  - $\alpha = 0$ : Reine aktuarielle Fairness (volle Differenzierung).
  - $\alpha = 1$ : Reine Solidaritätsfairness (einheitliche Preisgestaltung innerhalb der Risikoklasse).
- Individuelle Solvenz: Eine Nebenbedingung, die fordert, dass der gewichtete Durchschnitt der Prämien über die sensiblen Gruppen hinweg den gewichteten Durchschnitt ihrer erwarteten Verluste decken muss. Dies verhindert Quersubventionierungen zwischen heterogenen Risikoklassen ( $x \neq x'$ ).
Optimierungsformulierung:
Das Problem wird als Minimierung des mittleren quadratischen Fehlers (MSE) zwischen der vorhergesagten Prämie und dem realisierten Verlust formuliert, unter Einhaltung von:
- $\alpha$ -Fairness-Nebenbedingungen: Lineare Ungleichungen, die sicherstellen, dass das Verhältnis der Prämien innerhalb einer Risikoklasse im Bereich $[\alpha, 1/\alpha]$ bleibt.
- Solvenz-Nebenbedingungen: Sicherstellung, dass der Prämieneinnahmen auf Gruppenebene die erwarteten Verluste auf Gruppenebene deckt.
Die Lösung, $\alpha$ -FISP, wird als der eindeutige Minimierer dieses optimierten Risikominimierungsproblems abgeleitet.

Wesentliche theoretische Eigenschaften
Das Paper etabliert mehrere theoretische Garantien für das $\alpha$ -FISP Framework:

Existenz und Eindeutigkeit: Unter Standard-Regularitätsbedingungen (positive erwartete Verluste, beschränkte Prämien) existiert eine eindeutige optimale Lösung.
Beschränktheit: Die resultierenden Prämien liegen innerhalb des konvexen Hüllsystems der aktuariell fairen Prämien für eine gegebene Risikoklasse. Keine Prämie wird unter den minimalen erwarteten Verlust gedrückt oder über den maximalen aktuariell fairen Benchmark innerhalb dieser Klasse hinaus angehoben.
Ordnungserhaltung: Die relative Rangfolge der Prämien über sensible Attribute hinweg bleibt erhalten. Wenn eine Gruppe aktuariell riskanter ist als eine andere, wird die $\alpha$ -faire Prämie der riskanteren Gruppe nicht niedriger sein als die der weniger riskanten Gruppe.
Statistische Garantien: Das Framework bietet Finite-Sample-Excess-Risk-Schranken. Die Kosten für die Durchsetzung von Fairness werden als ein additiver Bias-Term gezeigt, der von der Heterogenität der Risiken und dem gewählten $\alpha$ abhängt. Die Konvergenzrate bleibt minimax-optimal ( $O(n^{-1/2})$ ).
Solvenz: Das Framework garantiert explizit die individuelle Solvenz – eine Eigenschaft, die in Studien zur fairen Preisgestaltung oft vernachlässigt wird.

Experimentelle Ergebnisse
Numerische Experimente wurden auf synthetischen Datensätzen und einem US-Datensatz für Krankenversicherungen durchgeführt:

Kontinuumsverhalten: Während $\alpha$ von 0 auf 1 variiert, gehen die Prämien glatt von aktuariell fairen Niveaus zu solidaritäts-fairen Niveaus über, was das Kontinuums-Konzept validiert.
Ordnungserhaltung: Simulationen bestätigten, dass die Prämien die Monotonie in Bezug auf das Risiko beibehalten, selbst wenn $\alpha$ steigt, sofern bestimmte Bedingungen bezüglich der Masse der Niedrigrisikogruppe erfüllt sind.
Vergleich mit DFIP: Im Vergleich zur Methode der Diskriminierungsfreien Versicherungsgestaltung (DFIP; Lindholm et al., 2022) hielt $\alpha$ -FISP konsistent eine positive Solvenzmarge auf. Im Gegensatz dazu lieferte DFIP insolvente Prämien (negative Solvenzmarge) über verschiedene Fairness-Budgets hinweg.
Komputationale Traktabilität: Das Framework ist recheneffizient und kann über Standardverfahren der optimierten Nebenbedingungen (z. B. Lagrange-Methoden mit neuronalen Netzen) gelöst werden.
Regulatorische Ausrichtung: Das Framework steht im Einklang mit den heterogenen Anforderungen auf Bundesstaatsebene in den USA, wo verschiedene Gerichtsbarkeiten unterschiedliche Grade der Quersubventionierung fordern können (abgebildet durch variierendes $\alpha$ ).

Bedeutung und Ansprüche
Das Paper beansprucht, die Literatur zu Fairness sowohl in der maschinellen Lernlehre als auch in der Aktuarwissenschaft durch folgende Punkte voranzubringen:

Formalisierung eines Fairness-Kontinuums: Einführung von $\alpha$ -Fairness als ein abstimmbarer Parameter, der explizit den Trade-off zwischen aktuarieller und Solidaritätsfairness erfasst und somit über binäre Definitionen hinausgeht.
Integration der Solvenz: Es ist das erste Framework, das explizit die individuelle Solvenz garantiert, während gleichzeitig Fairness-Nebenbedingungen durchgesetzt werden, und adressiert damit eine kritische operative Lücke in bestehenden Studien zur fairen Preisgestaltung.
Strukturelle Allokation vs. Prädiktion: Umdeutung von Fairness nicht bloß als prädiktive Nebenbedingung (z. B. Minimierung von Fehlersdisparitäten), sondern als einen Allokationsmechanismus, der regelt, wie finanzielle Lasten verteilt werden. Dies überbrückt die Lücke zwischen traditionellen aktuariellen Prinzipien und moderner algorithmischer Fairness.
Praktische Implementierbarkeit: Bereitstellung einer recheneffizienten, interpretierbaren und regulatorisch adaptierbaren Pipeline, die es Entscheidungsträgern ermöglicht, einen Betriebspunkt ( $\alpha$ ) zu wählen, der mit spezifischen strategischen oder regulatorischen Prioritäten übereinstimmt, ohne die Modellstabilität oder Solvenz zu gefährden.