🤖 machine learning

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

Cet article introduit le cadre $\alpha$ -FISP, un modèle d'optimisation sous contraintes qui résout la tension entre l'équité actuarielle et la solidarité dans la tarification de l'assurance en générant un continuum de solutions de primes solubles paramétrées par $\alpha$ , permettant ainsi aux régulateurs et aux assureurs de concilier la différenciation des risques et la subvention croisée tout en garantissant la solvabilité.

Auteurs originaux : Tianhe Zhang, Xiguang Liu, Peng Shi

Publié 2026-06-16

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Tianhe Zhang, Xiguang Liu, Peng Shi

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous organisiez un immense dîner de type « potluck » où chacun apporte un plat, mais certains apportent des ingrédients coûteux tandis que d'autres apportent des collations simples. L'objectif est de déterminer combien chaque personne doit payer pour son repas.

Ce document aborde un vieil argument complexe concernant la manière de facturer l'assurance : Chaque personne doit-elle payer exactement ce que coûte son risque personnel (Équité Actuarielle), ou tout le monde doit-il payer le même prix pour aider ceux qui sont plus risqués (Équité de Solidarité) ?

Voici la solution proposée par l'article, décomposée en concepts simples.

1. Les deux points de vue opposés

Les auteurs décrivent un bras de fer entre deux façons de concevoir la « justice » :

Le point de vue « Actuariel » (Le comptable strict) : Ce point de vue dit : « Si vous êtes un conducteur jeune et non-fumeur, vous devriez payer moins. Si vous êtes un fumeur âgé, vous devriez payer plus. » Il repose sur l'idée que votre prix doit correspondre parfaitement à votre risque spécifique. Si vous présentez un faible risque, vous ne devriez pas avoir à subventionner les personnes à haut risque.
Le point de vue de la « Solidarité » (L'aidant communautaire) : Ce point de vue dit : « Nous sommes tous dans le même bateau. » Il soutient que l'assurance est un filet de sécurité sociale. Si nous facturons trop cher les personnes à haut risque, elles ne pourront plus s'assurer. Ainsi, les personnes à faible risque devraient payer un peu plus pour aider à couvrir les coûts du groupe à haut risque.

Le Problème : Par le passé, ces deux idées étaient considérées comme ennemies. On ne pouvait pas avoir les deux. Si vous utilisiez trop de données (comme le genre, la race ou le code postal) pour calculer le risque, vous pourriez finir par facturer des groupes vulnérables si cher qu'ils ne pourraient plus se permettre une couverture. Mais si vous ignorez totalement le risque, la compagnie d'assurance pourrait faire faillite parce que les « comptables » ne collectent pas assez d'argent.

2. La solution : Le « Curseur de l'Équité » ( $\alpha$ )

Les auteurs proposent un nouveau cadre appelé $\alpha$ -Équité. Considérez cela comme un curseur ou un bouton de variation qui vous permet de choisir exactement la quantité de « solidarité » que vous souhaitez dans la tarification.

Le bouton est étiqueté $\alpha$ (alpha) et va de 0 à 1.
À 0 (le côté « Actuariel ») : Le bouton est complètement abaissé. Tout le monde paie exactement ce que coûte son risque spécifique. Personne n'aide personne.
À 1 (le côté « Solidarité ») : Le bouton est poussé au maximum. Tout le monde dans le même groupe de base (par exemple, même âge et statut de fumeur) paie exactement le même prix, quels que soient les autres détails. Les personnes à faible risque subventionnent pleinement les personnes à haut risque.
Au milieu (par exemple, 0,5) : C'est le point d'équilibre. Les personnes à faible risque paient un peu plus pour aider les personnes à haut risque, mais pas au point d'être punies. Les personnes à haut risque bénéficient d'une réduction, mais sans que ce soit gratuit.

3. La règle du « Filet de Sécurité » (Solvabilité)

L'article ajoute une règle cruciale que beaucoup d'autres idées de justice oublient : La compagnie d'assurance ne doit pas faire faillite.

Ils appellent cela la Solvabilité Individuelle. Imaginez un groupe spécifique de personnes (disons, des fumeurs de 30 ans). L'argent total collecté auprès de ce groupe doit être suffisant pour payer leurs sinistres prévus. Vous ne pouvez pas prendre l'argent des fumeurs de 30 ans pour payer les fumeurs de 60 ans. Le « pot » de chaque groupe doit rester positif.

Cela garantit que, tout en étant équitables envers différents groupes, nous ne créons pas un désastre financier pour la compagnie d'assurance.

4. Comment cela fonctionne en pratique

Les auteurs ont transformé cette idée en un problème mathématique (une tâche d'optimisation).

Entrée : Ils partent du prix « parfait » basé sur le risque (ce que le comptable facturerait).
Ajustement : Ils appliquent ensuite le curseur $\alpha$ . Si vous réglez $\alpha$ à 0,8, les mathématiques forcent les prix des personnes du même groupe à être très proches les uns des autres (à 80 % près).
Contrainte : Les mathématiques vérifient également que le groupe dispose toujours d'assez d'argent pour payer ses factures.

5. Ce qu'ils ont trouvé

Les auteurs ont testé cette idée avec des simulations informatiques et des données réelles d'assurance maladie.

Ça fonctionne : Ils ont montré qu'il est possible de passer progressivement d'une « tarification stricte basée sur le risque » à une « tarification communautaire » sans briser les mathématiques.
C'est sûr : Contra| aux autres méthodes de tarification équitable qu'ils ont testées, leur méthode ne résulte jamais en une perte d'argent pour le groupe d'assurance (solvabilité négative).
C'est flexible : Comme les régulateurs dans différents endroits ont des règles différentes (certains États veulent plus de justice, d'autres moins), ce cadre permet à une entreprise de simplement tourner le bouton $\alpha$ pour s'adapter aux lois locales.

L'analogie de la vue d'ensemble

Imaginez une cafétéria scolaire.

Équité Actuarielle : Vous payez exactement pour les ingrédients de votre déjeuner. Si vous commandez un steak, vous payez 20 $. Si vous commandez un sandwich, vous payez 5 $.
Équité de Solidarité : Tout le monde paie 10 $. Les mangeurs de steak subventionnent les mangeurs de sandwichs pour que tout le monde puisse manger.
La solution de l'article : Le directeur (le régulateur) dit : « Nous avons besoin d'un juste milieu. » Il fixe une règle : « La différence de prix entre le steak et le sandwich ne doit pas dépasser 50 %. »
- Le steak pourrait descendre à 15 $.
- Le sandwich pourrait monter à 10 $.
- La cafétéria gagne toujours assez d'argent pour acheter de la nourriture (Solvabilité), mais l'écart entre les riches et les pauvres mangeurs n'est pas aussi énorme.

L'article nous donne l'outil mathématique pour trouver ce juste milieu parfait, garantissant que l'assurance reste à la fois abordable pour les gens et financièrement saine pour l'entreprise.

Résumé Technique : Tarification d'Assurance $\alpha$ -Fair

Énoncé du Problème
La tarification de l'assurance est confrontée à une tension fondamentale entre deux notions de l'équité concurrentes : l'équité actuarielle et l'équité de solidarité. L'équité actuarielle stipule que les primes doivent refléter les pertes attendues individuelles, ce qui est souvent réalisé grâce à une classification granulaire des risques. À l'inverse, l'équité de solidarité met l'accent sur le partage social des risques, où les risques sont mutualisés entre les groupes pour garantir l'accessibilité et l'abordabilité, ce qui nécessite souvent des subventions croisées.

Dans les environnements modernes pilotés par les données, la disponibilité de données granulaires permet une différenciation des risques de plus en plus précise, ce qui peut exacerber les disparités de primes et soulever des préoccupations concernant l'abordabilité et l'exclusion sociale. Simultanément, les régulateurs (par exemple, la directive européenne sur le genre, la loi SB 21-169 du Colorado) restreignent de plus en plus l'utilisation d'attributs sensibles (tels que le genre, la race ou les indicateurs socio-économiques) dans la tarification. La littérature existante traite souvent ces concepts de manière binaire ou se concentre sur l'équité prédictive en apprentissage automatique (par exemple, la parité démographique), échouant ainsi à traiter l'allocation économique spécifique des charges financières dans l'assurance ou l'exigence opérationnelle critique de solvabilité (garantir que les primes couvrent les pertes attendues).

Méthodologie
Les auteurs proposent le cadre de la Prime Individuelle Solvable $\alpha$ -Fair ( $\alpha$ -FISP - $\alpha$ -Fair Individual Solvent Premium), qui modélise la tarification de l'assurance comme un problème d'optimisation sous contraintes.

Définitions et Métriques :
- Prime Actuariellement Équitable ( $\mu(X, D)$ ) : L'espérance de la perte $E[Y|X, D]$ , différenciant pleinement les attributs non sensibles ( $X$ ) et sensibles ( $D$ ).
- Prime de Solidarité Équitable ( $\mu(X)$ ) : L'espérance de la perte $E[Y|X]$ , mutualisant les risques entre les attributs sensibles au sein d'une même classe de risque non sensible.
- $\alpha$ -Équité : Une fonction de tarification $f$ $f$ est $\alpha$ $α$ -équitable si, pour deux individus ayant des attributs non sensibles identiques ( $x = x'$ $x = x^{'}$ ), le ratio de leurs primes est au moins de $\alpha$ $α$ (où $\alpha \in [0, 1]$ $α \in [0, 1]$ ). Plus précisément, $\min(f(x, d)/f(x, d'), f(x, d')/f(x, d)) \geq \alpha$ $min (f (x, d) / f (x, d^{'}), f (x, d^{'}) / f (x, d)) \geq α$ .
  - $\alpha = 0$ : Équité actuarielle pure (différenciation complète).
  - $\alpha = 1$ : Équité de solidarité pure (tarification uniforme au sein de la classe de risque).
- Solvabilité Individuelle : Une contrainte exigeant que, pour tout attribut non sensible $x$ fixé, la moyenne pondérée des primes à travers les groupes sensibles doit couvrir la moyenne pondérée de leurs pertes attendues. Cela empêche les subventions croisées entre classes de risques hétérogènes ( $x \neq x'$ ).
Formulation de l'Optimisation :
Le problème est formulé comme la minimisation de l'Erreur Quadratique Moyenne (MSE) entre la prime prédite et la perte réalisée, sous les contraintes suivantes :
- Contraintes d' $\alpha$ -Équité : Inégalités linéaires garantissant que le ratio des primes au sein d'une classe de risque reste dans $[\alpha, 1/\alpha]$ .
- Contraintes de Solvabilité : Garantir que les revenus de primes par groupe couvrent la perte attendue du groupe.
La solution, $\alpha$ -FISP, est dérivée comme l'unique minimiseur de ce problème de minimisation de risque sous contraintes.

Propriétés Théoriques Clés
L'article établit plusieurs garanties théoriques pour le cadre $\alpha$ -FISP :

Existence et Unicité : Sous des conditions de régularité standard (pertes attendues positives, primes bornées), une solution optimale unique existe.
Bornage : Les primes résultantes se situent dans l'enveloppe convexe des primes actuariellement équitables pour une classe de risque donnée. Aucune prime n'est abaissée en dessous de la perte minimale attendue ou gonflée au-delà de la référence de la perte maximale actuariellement équitable au sein de cette classe.
Préservation de l'Ordre : L'ordre relatif des primes entre les attributs sensibles est préservé. Si un groupe est plus risqué sur le plan actuariel qu'un autre, la prime $\alpha$ -équitable du groupe le plus risqué ne sera pas inférieure à celle du groupe le moins risqué.
Garanties Statistiques : Le cadre fournit des bornes d'excès de risque en échantillon fini. Le coût de l'application de l'équité est montré comme étant un terme de biais additif qui dépend de l'hétérogénéité des risques et de l' $\alpha$ choisi. Le taux de convergence reste optimal au sens minimax ( $O(n^{-1/2})$ ).
Solvabilité : Le cadre garantit explicitement la solvabilité individuelle, une propriété souvent négligée dans les études de tarification axées sur l'équité.

Résultats Expérimentaux
Des expériences numériques ont été menées sur des ensembles de données synthétiques et sur un ensemble de données d'assurance maladie des États-Unis :

Comportement de Continuum : À mesure que $\alpha$ varie de 0 à 1, les primes transitent de manière fluide des niveaux d'équité actuarielle vers des niveaux d'équité de solidarité, validant le concept de continuum.
Préservation de l'Ordre : Les simulations ont confirmé que les primes maintiennent la monotonie par rapport aux niveaux de risque, même lorsque $\alpha$ augmente, à condition que certaines conditions sur la masse du groupe à faible risque soient remplies.
Comparaison avec DFIP : Comparée à la méthode de Tarification d'Assurance Sans Discrimination (DFIP) (Lindholm et al., 2022), l' $\alpha$ -FISP a systématiquement maintenu une marge de solvabilité positive. En revanche, la DFIP a produit des primes insolvables (marge de solvabilité négative) à travers divers budgets d'équité.
Tractabilité Computationnelle : Le cadre est efficace sur le plan computationnel, résoluble via des techniques d'optimisation sous contraintes standards (par exemple, méthodes lagrangiennes avec réseaux de neurones).
Alignement Réglementaire : Le cadre s'aligne sur les exigences réglementaires hétérogènes des États-Unis, où différentes juridictions peuvent exiger différents niveaux de subvention croisée (capturés par la variation de $\alpha$ ).

Signification et Revendications
L'article affirme faire progresser la littérature sur l'équité tant en apprentissage automatique qu'en sciences actuarielles en :

Formalisant un Continuum d'Équité : Introduisant l' $\alpha$ -équité comme un paramètre ajustable qui capture explicitement le compromis entre l'équité actuarielle et l'équité de solidarité, dépassant les définitions binaires.
Intégrant la Solvabilité : Étant le premier cadre à garantir explicitement la solvabilité au niveau individuel tout en imposant des contraintes d'équité, répondant ainsi à une lacune opérationnelle critique dans les études de tarification équitable existantes.
Allocation Structurelle vs Prédiction : Recadrant l'équité non pas simplement comme une contrainte prédictive (par exemple, minimiser la disparité d'erreur) mais comme un mécanisme d'allocation qui régit la façon dont les charges financières sont distribuées. Cela fait le pont entre les principes actuariels traditionnels et l'équité algorithmique moderne.
Mise en Œuvre Pratique : Fournissant un pipeline calculable, interprétable et adaptable réglementairement qui permet aux décideurs de sélectionner un point de fonctionnement ( $\alpha$ ) aligné sur des priorités stratégiques ou réglementaires spécifiques sans sacrifier la stabilité du modèle ou la solvabilité.