Balance and Fairness through Multicalibration in Nonlife Insurance Pricing

यहाँ डेन्युइट, माइकलिडेस और ट्रुफिन के शोध पत्र "Balance and Fairness Through Multicalibration in Nonlife Insurance Pricing" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र गैर-जीवन बीमा (nonlife insurance) मूल्य निर्धारण में दो महत्वपूर्ण चुनौतियों को संबोधित करता है:

1. वित्तीय संतुलन (Autocalibration): मशीन लर्निंग मॉडल (जैसे, न्यूरल नेटवर्क, बूस्टेड ट्री) अक्सर ऐसे प्रीमियम उत्पन्न करते हैं जो "ऑटोकैलिब्रेटेड" नहीं होते हैं। इसका अर्थ यह है कि समान प्रीमियम $p$ भुगतान करने वाले पॉलिसीधारकों के एक समूह के लिए, औसत देखे गए दावे $p$ के बराबर नहीं होते हैं। इससे क्रॉस-सब्सिडी (cross-subsidization) और प्रतिकूल चयन (adverse selection) की स्थिति उत्पन्न होती है।
2. निष्पक्षता (Fairness): बीमा कंपनियाँ संवेदनशील विशेषताओं (जैसे, लिंग, स्वास्थ्य स्थिति, विकलांगता) के आधार पर भेदभाव से बचने के लिए नियामक और नैतिक दबावों का सामना करती हैं। जबकि कुछ विशेषताएँ कानूनी रूप से प्रतिबंधित हैं (जैसे, यूरोपीय संघ में लिंग), अन्य कानूनी रूप से अनुमत हैं लेकिन सूक्ष्म जांच के अधीन हैं (जैसे, स्वास्थ्य स्थिति)। चुनौती यह सुनिश्चित करना है कि संवेदनशील विशेषताओं का उपयोग अनैतिक व्यवहार का परिणाम न बने, जिसे समान प्रीमियम भुगतान करने वाले समूहों के लिए असमान अपेक्षित परिणामों के रूप में परिभाषित किया गया है।

लेखक तर्क देते हैं कि मौजूदा निष्पक्षता धारणाएँ (जैसे, व्यक्तिगत निष्पक्षता या जनसांख्यिकीय समानता) बीमा में सटीक जोखिम वर्गीकरण के लक्ष्य के साथ अक्सर असंगत होती हैं। वे एक एकीकृत ढांचा प्रस्तावित करते है जो वित्तीय संतुलन को एक विशिष्ट समूह-निष्पक्षता मानदंड के साथ जोड़ता है।

2. कार्यप्रणाली और सैद्धांतिक ढांचा (Methodology and Theoretical Framework)

2.1 मुख्य अवधारणाएँ (Core Concepts)

• ऑटोकैलिब्रेशन (Autocalibration): एक प्रीमियम $\pi(X)$ ऑटोकैलिब्रेटेड है यदि $E[Y \mid \pi(X) = p] = p$ हो। यह सुनिश्चित करता है कि एक विशिष्ट प्रीमियम समूह से एकत्र किया गया प्रीमियम उस समूह के अपेक्षित दावों को कवर करता है।
• पर्याप्तता (Sufficiency - Group Fairness): यह शोध पत्र सशर्त माध्य स्वतंत्रता (conditional mean independence) पर आधारित "कमजोर" संस्करण को अपनाता है। एक प्रीमियम संवेदनशील विशेषता $S$ के प्रति तब निष्पक्ष होता है जब $E[Y \mid \pi(X) = p, S = s] = E[Y \mid \pi(X) = p, S = s']$ हो, सभी $s, s'$ के लिए। इसका तात्पर्य यह है कि एक बार प्रीमियम स्थिर होने के बाद, अपेक्षित दावा लागत संवेदनशील विशेषता पर निर्भर नहीं होनी चाहिए।
• मल्टीकैलिब्रेशन (Multicalibration): लेखक उपरोक्त दोनों अवधारणाओं को मिलाते हैं। एक प्रीमियम $S$ के संबंध में मल्टीकैलिब्रेटेड है यदि:
  $$E[Y \mid \pi(X) = p, S = s] = p$$
  सभी प्रीमियम स्तरों $p$ और संवेदनशील विशेषता मानों $s$ के लिए। यह सुनिश्चित करता है कि संवेदनशील विशेषता द्वारा परिभाषित प्रत्येक उप-समूह के भीतर, प्रीमियम स्व-वित्तपोषित (self-financing) है।

2.2 सैद्धांतिक गुण (Theoretical Properties)

• सुदृढ़ीकरण (Reinforcement): मल्टीकैलिब्रेशन, ऑटोकैलिब्रेशन को निहित करता है। यदि एक प्रीमियम मल्टीकैलिब्रेटेड है, तो यह पोर्टफोलियो स्तर पर स्वतः ही ऑटोकैलिब्रेटेड होता है।
• कॉन्वेक्स ऑर्डर और ओवरफिटिंग (Convex Order and Overfitting): लेखक सिद्ध करते हैं कि मल्टीकैलिब्रेटेड प्रीमियम $\pi(X) \preceq_{cx} \mu(X) \preceq_{cx} Y$ को संतुष्ट करते हैं, जहाँ $\mu(X)$ वास्तविक शुद्ध प्रीमियम है और $Y$ दावा है। इसका अर्थ है कि मल्टीकैलिब्रेटेड प्रीमियम वास्तविक जोखिम और कच्चे दावों की तुलना में कम विसरित (less dispersed) होते हैं, जो प्रभावी रूप से ओवरफिटिंग को रोकते हैं।
• इष्टतमता (Optimality): मल्टीकैलिब्रेटेड प्रेडिक्टर, गैर-मल्टीकैलिब्रेटेड उम्मीदवारों के सापेक्ष ब्रेगमैन लॉस फंक्शन (जैसे, डेविएंस) को कम करते हैं।

2.3 कार्यान्वयन रणनीतियाँ (Implementation Strategies)

शोध पत्र एक उम्मीदवार प्रीमियम $\pi(X)$ को मल्टीकैलिब्रेटेड संस्करण $\pi_{mbc}(X) = E[Y \mid \pi(X), S]$ में बदलने के लिए व्यावहारिक एल्गोरिदम प्रस्तावित करता है। दोनों श्रेणीगत (categorical) और निरंतर (continuous) संवेदनशील विशेषताओं के लिए दो मुख्य दृष्टिकोणों का विवरण दिया गया है:

A. प्रत्यक्ष मल्टीबैलेंस सुधार (Direct Multibalance Correction - Non-Iterative)

• श्रेणीगत $S$: प्रत्येक समूह $S=\ell$ के भीतर आइसोटोनिक रिग्रेशन (isotonic regression) का उपयोग करके सशर्त माध्य फलन $m_\ell(p) = E[Y \mid \pi(X)=p, S=\ell]$ का अनुमान लगाया जाता है। नया प्रीमियम इन अनुमानों का प्लग-इन है।
• निरंतर $S$: सतह $m(p, s) = E[Y \mid \pi(X)=p, S=s]$ का अनुमान लगाने के लिए द्विचर स्थानीय सामान्यीकृत रैखिक मॉडल (bivariate local GLMs) का उपयोग किया जाता है। यह सुनिश्चित करने के लिए कि सीमांत ऑटोकैलिब्रेशन सुरक्षित रहे, एक सेंट्रिंग स्टेप लागू किया जाता है।

B. पुनरावृत्ति पूर्वाग्रह सुधार (Iterative Bias Correction - Regularized)

• यह दृष्टिकोण डेटा की कमी (sparse data) को संभालने और अनुमानों को स्थिर करने के लिए डिज़ाइन किया गया है।
• तंत्र (Mechanism): यह प्रीमियम को प्रीमियम बिन और संवेदनशील विशेषता स्तरों द्वारा परिभाषित सेल के भीतर अवशिष्ट पूर्वाग्रह (residual bias) के आधार पर एक सुधार पद (correction term) जोड़कर अपडेट करता है।
• क्रेडिबिलिटी श्रिंकेज (Credibility Shrinkage): कम एक्सपोजर वाले समूहों में ओवरफिटिंग को रोकने के लिए, विधि एक्सपोजर-संचालित श्रिंकेज (exposure-driven shrinkage) का उपयोग करती है (बुलमैन क्रेडिबिलिटी के समान)। एक विशिष्ट सेल के लिए सुधार को एक्सपोजर भार $w$ और ट्यूनिंग पैरामीटर $c$ के आधार पर पूल किए गए बिन-स्तरीय पूर्वाग्रह की ओर सिकोड़ा (shrink) जाता है:
  $$\hat{e} = z \cdot \hat{b}_{cell} + (1-z) \cdot \hat{b}_{bin}, \quad \text{जहाँ } z = \frac{w}{w+c}$$
• अभिसरण (Convergence): यह प्रक्रिया तब तक चलती है जब तक कि सभी सेल में अधिकतम अवशिष्ट पूर्वाध्य (maximum residual bias) एक सहनशीलता सीमा (tolerance threshold) से नीचे न गिर जाए।

3. प्रमुख योगदान (Key Contributions)

1. संतुलन और निष्पक्षता का एकीकरण: शोध पत्र मल्टीकैलिब्रेशन को मानक के रूप में पेश करके बीमा मूल्य निर्धारण में वित्तीय संतुलन और मशीन लर्निंग निष्पक्षता के बीच के अंतर को औपचारिक रूप से पाटता है।
2. सैद्धांतिक गारंटी: यह स्थापित करता है कि मल्टीकैलिब्रेशन, ऑटोकैलिब्रेशन की तुलना में एक मजबूत स्थिति है, कॉन्वेक्स ऑर्डर डोमिनेंस की गारंटी देता है (ओवरफिटिंग को रोकता है), और भविष्य कहने वाली सटीकता (कम ब्रेगमैन लॉस) में सुधार करता है।
3. व्यावहारिक एल्गोरिदम: यह निरंतर और श्रेणीगत संवेदनशील विशेषताओं के लिए दो अलग-अलग, कार्यान्वयन योग्य विधियाँ (डायरेक्ट आइसोटोनिक/लोकल GLM और इटरेटिव श्रिंकेज) प्रदान करता है, जो बीमा पोर्टफोलियो में सामान्य 'डेटा स्पर्सिटी' और 'डायमेंशनलिटी के अभिशाप' जैसी समस्याओं का समाधान करती हैं।
4. प्रतिबंधित बनाम अनुमत विशेषताओं का प्रबंधन: ढांचा यह स्पष्ट करता है कि प्रतिबंधित विशेषताओं के प्रॉक्सी (जैसे, जेंडर के प्रॉक्सी के रूप में वाहन की शक्ति) बनाम अनुमत लेकिन संवेदनशील विशेषताओं (जैसे, स्वास्थ्य स्थिति) को कैसे प्रबंधित किया जाए।

4. संख्यात्मक परिणाम (Numerical Results)

लेखकों ने एक फ्रांसीसी मोटर थर्ड-पार्टी लायबिलिटी (MTPL) डेटासेट (677,991 पॉलिसी) पर अपने तरीकों का परीक्षण किया।

• सेटअप: प्रारंभिक प्रीमियम उत्पन्न करने के लिए एक बेसलाइन पॉइसन GAM का उपयोग किया गया था। संवेदनशील विशेषता वाहन की आयु (Vehicle Age) थी (इसे श्रेणीगत बिन और निरंतर चर दोनों के रूप में परखा गया)।
• निष्कर्ष:
  • पूर्वाग्रह में कमी (Bias Reduction): बेसलाइन मॉडल ने उच्च-प्रीमियम बिनों में कम मूल्य निर्धारण (under-pricing) और वाहन की आयु समूहों में व्यवस्थित पूर्वाग्रह दिखाया।
  • ऑटोकैलिब्रेशन (Autocalibration): बेसलाइन और साधारण ऑटोकैलिब्रेटेड मॉडलों ने वैश्विक पूर्वाग्रह को हटा दिया, लेकिन वाहन की आयु समूहों के बीच महत्वपूर्ण सशर्त पूर्वाग्रह छोड़ दिया।
  • मल्टीकैलिब्रेशन (Multicalibration): दोनों—इटरेटिव और डायरेक्ट मल्टीबैलेंस सुधार विधियों ने वाहन की आयु समूहों और प्रीमियम बिनों के माध्यम से सशर्त पूर्वाग्रह को सफलतापूर्वक समाप्त कर दिया, जिससे अवशेष (residuals) शून्य के करीब आ गए।
  • भविष्यवाणी सटीकता (Deviance): इस आम धारणा के विपरीत कि निष्पक्षता बाधाएं सटीकता को कम करती हैं, मल्टीकैलिब्रेशन ने भविष्य कहने वाली प्रदर्शन में सुधार किया। मल्टीकैलिब्रेटेड मॉडलों ने टेस्ट सेट पर सबसे कम पॉइसन डेविएंस (Poisson deviance) प्राप्त किया, जो बेसलाइन और साधारण ऑटोकैलिब्रेटेड मॉडलों से बेहतर था।
  • भेदभावपूर्ण शक्ति (Gini): हालांकि मल्टीकैलिब्रेटेड मॉडलों के लिए गिनी गुणांक (Gini coefficients) साधारण ऑटोकैलिब्रेशन की तुलना में थोड़े कम थे (निष्पक्षता बाधाओं के स्मूथिंग प्रभाव के कारण), फिर भी वे बेसलाइन की तुलना में काफी अधिक थे, जो दर्शाता है कि निष्पक्षता ने जोखिमों को रैंक करने की मॉडल की क्षमता को नष्ट नहीं किया।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र यह प्रदर्शित करके बीमा मूल्य निर्धारण में निष्पक्षता और सटीकता एक दूसरे के विरोधी नहीं हैं, बीमा और मशीन लर्निंग साहित्य में एक महत्वपूर्ण योगदान देता है।

• नियामक अनुपालन (Regulatory Compliance): यह बीमा कंपनियों को यह साबित करने के लिए एक कठोर गणितीय ढांचा प्रदान करता है कि उनके मूल्य निर्धारण मॉडल संवेदनशील विशेषताओं के प्रति निष्पक्ष हैं, जो वित्तीय सॉल्वेंसी से समझौता किए बिना नियामक आवश्यकताओं (जैसे, यूरोपीय संघ के निर्देश) को पूरा करता है।
• मॉडल सुधार (Model Improvement): मल्टीकैलिब्रेशन को लागू करके, बीमा कंपनियां अपने मूल्य निर्धारण मॉडलों में व्यवस्थित त्रुटियों को प्रभावी ढंग से ठीक कर सकती हैं, जिससे अधिक सटीक जोखिम मूल्यांकन और बेहतर वित्तीय संतुलन प्राप्त होता है।
• व्यावहारिकता (Practicality): प्रस्तावित इटरेटिव श्रिंकेज विधियाँ डेटा की कमी के प्रति मजबूत हैं, जिससे वे वास्तविक दुनिया के बीमा पोर्टफोलियो के लिए उपयुक्त बनती हैं जहाँ कुछ जोखिम समूहों में सीमित एक्सपोजर हो सकता है।

संक्षेप में, शोध पत्र तर्क देता है कि मल्टीकैलिब्रेशन गैर-जीवन बीमा मूल्य निर्धारण के लिए इष्टतम मानक है, क्योंकि यह एक साथ यह सुनिश्चित करता है कि प्रीमियम संवेदनशील समूहों में निष्पक्ष हैं और बीमाकर्ता का पोर्टफोलियो वित्तीय रूप से संतुलित और सांख्यिकीय रूप से सटीक बना हुआ है।