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

तकनीकी सारांश: $\alpha$-फेयर इंश्योरेंस प्राइसिंग

समस्या विवरण
बीमा मूल्य निर्धारण (इंश्योरेंस प्राइसिंग) दो प्रतिस्पर्धी धारणाओं के बीच एक मौलिक तनाव का सामना करता है: एक्चुअरियल फेयरनेस (actuarial fairness) और सॉलिडैरिटी फेयरनेस (solidarity fairness)। एक्चुअरियल फेयरनेस यह निर्देश देती है कि प्रीमियम व्यक्तिगत अपेक्षित नुकसान को दर्शाना चाहिए, जिसे अक्सर सूक्ष्म जोखिम वर्गीकरण के माध्यम से प्राप्त किया जाता है। इसके विपरीत, सॉलिडैरिटी फेयरनेस सामाजिक पूलिंग (social pooling) पर जोर देती है, जहाँ जोखिमों को समूहों के बीच साझा किया जाता है ताकि सामर्थ्य और पहुंच सुनिश्चित की जा सके, जिसके लिए अक्सर क्रॉस-सब्सिडाइजेशन की आवश्यकता होती है।

आधुनिक डेटा-संचालित वातावरण में, सूक्ष्म डेटा की उपलब्धता सटीक जोखिम विभेदीकरण की अनुमति देती है, जो संभावित रूप से प्रीमियम असमानताओं को बढ़ा सकती है और सामर्थ्य या सामाजिक बहिष्कार संबंधी चिंताएं पैदा कर सकती है। साथ ही, नियामक (जैसे, EU जेंडर डायरेक्टिव, कोलोराडो SB 21-169) मूल्य निर्धारण में संवेदनशील विशेषताओं (जैसे लिंग, नस्ल, या सामाजिक-आर्थिक प्रॉक्सी) के उपयोग को प्रतिबंधित कर रहे हैं। मौजूदा साहित्य अक्सर इन अवधारणाओं को बाइनरी (द्विआधारी) के रूप में देखता है या मशीन लर्निंग में प्रेडिक्टिव फेयरनेस (जैसे, डेमोग्राफिक पैरिटी) पर ध्यान केंद्रित करता है, जो बीमा में वित्तीय बोझ के विशिष्ट आर्थिक आवंटन या सॉल्वेंसी (solvency) (यह सुनिश्चित करना कि प्रीमियम अपेक्षित नुकसान को कवर करें) की महत्वपूर्ण परिचालन आवश्यकता को संबोधित करने में विफल रहता है।

कार्यप्रणाली (Methodology)
लेखक $\alpha$-फेयर इंडिविजुअल सॉल्वेंट प्रीमियम ($\alpha$-FISP) फ्रेमवर्क का प्रस्ताव करते हैं, जो बीमा मूल्य निर्धारण को एक बाधित अनुकूलन समस्या (constrained optimization problem) के रूप में मॉडल करता है।

1. परिभाषाएं और मेट्रिक्स:

   • एक्चुअरियल फेयर प्रीमियम ($\mu(X, D)$): गैर-संवेदनशील ($X$) और संवेदनशील ($D$) विशेषताओं द्वारा पूर्ण विभेदन के साथ अपेक्षित हानि $E[Y|X, D]$।
   • सॉलिडैरिटी फेयर प्रीमियम ($\mu(X)$): गैर-संवेदनशील जोखिम वर्ग के भीतर संवेदनशील विशेषताओं के बीच जोखिमों को पूल करते हुए अपेक्षित हानि $E[Y|X]$।
   • $\alpha$-फेयरनेस: एक मूल्य निर्धारण फलन $f$ $\alpha$-फेयर है यदि, समान गैर-संवेदनशील विशेषताओं ($x = x'$) वाले किन्हीं भी दो व्यक्तियों के लिए, उनके प्रीमियम का अनुपात कम से कम $\alpha$ है (जहाँ $\alpha \in [0, 1]$)। विशेष रूप से, $\min(f(x, d)/f(x, d'), f(x, d')/f(x, d)) \geq \alpha$।
     • $\alpha = 0$: शुद्ध एक्चुअरियल फेयरनेस (पूर्ण विभेदन)।
     • $\alpha = 1$: शुद्ध सॉलिडैरिटी फेयरनेस (जोखिम वर्ग के भीतर समान मूल्य निर्धारण)।
   • इंडिविजुअल सॉल्वेंसी (Individual Solvency): एक बाधा जो यह आवश्यक बनाती है कि, किसी भी निश्चित गैर-संवेदनशील विशेषता $x$ के लिए, संवेदनशील समूहों के प्रीमियम का भारित औसत (weighted average), उनके अपेक्षित नुकसान के भारित औसत को कवर करना चाहिए। यह विषम जोखिम वर्गों ($x \neq x'$) के बीच क्रॉस-सब्सिडाइजेशन को रोकता है।

2. अनुकूलन सूत्रीकरण (Optimization Formulation):
   समस्या को वास्तविक हानि और अनुमानित प्रीमियम के बीच मीन स्क्वेर्ड एरर (MSE) को न्यूनतम करने के रूप में तैयार किया गया है, जो निम्नलिखित के अधीन है:

   • $\alpha$-फेयरनेस बाधाएं: रैखिक असमानताएं जो एक जोखिम वर्ग के भीतर प्रीमियम के अनुपात को $[\alpha, 1/\alpha]$ के भीतर रखती हैं।
   • सॉल्वेंसी बाधाएं: यह सुनिश्चित करना कि समूह-स्तरीय प्रीमियम राजस्व, समूह-स्तरीय अपेक्षित हानि को कवर करता है।

समाधान, $\alpha$-FISP, इस बाधित जोखिम न्यूनीकरण समस्या के अद्वितीय मिनिमाइज़र (minimizer) के रूप में प्राप्त होता है।

प्रमुख सैद्धांतिक गुण
यह शोध पत्र $\alpha$-FISP फ्रेमवर्क के लिए कई सैद्धांतिक गारंटी स्थापित करता है:

• अस्तित्व और विशिष्टता (Existence and Uniqueness): मानक नियमितता स्थितियों (सकारात्मक अपेक्षित हानि, सीमित प्रीमियम) के तहत, एक अद्वितीय इष्टतम समाधान मौजूद है।
• सीमाबद्धता (Boundedness): परिणामी प्रीमियम एक दिए गए जोखिम वर्ग के एक्चुअरियल फेयर प्रीमियमों के कॉनवेक्स हल (convex hull) के भीतर होते हैं। कोई भी प्रीमियम न्यूनतम अपेक्षित हानि से नीचे नहीं जाता है और न ही एक ही वर्ग के भीतर अधिकतम एक्चुअरियल फेयर बेंचमार्क से ऊपर बढ़ता है।
• ऑर्डर प्रिजर्वेशन (Order Preservation): प्रीमियमों का संवेदनशील विशेषताओं के बीच सापेक्ष क्रम सुरक्षित रहता है। यदि एक समूह एक्चुअरियल रूप से दूसरे की तुलना में अधिक जोखिम भरा है, तो जोखिम भरे समूह का $\alpha$-फेयर प्रीमियम कम जोखिम वाले समूह की तुलना में कम नहीं होगा।
• सांख्यिकीय गारंटी: फ्रेमवर्क फाइनाइट-सैंपल एक्सीस रिस्क बाउंड्स (finite-sample excess risk bounds) प्रदान करता है। यह दिखाया गया है कि फेयरनेस लागू करने की लागत एक योगात्मक बायस (additive bias) पद है जो जोखिमों की विषमता और चुने गए $\alpha$ पर निर्भर करती है। अभिसरण दर (convergence rate) मिनिमैक्स ऑप्टिमल ($O(n^{-1/2})$) बनी रहती है।
• सॉल्वेंसी: फ्रेमवर्क स्पष्ट रूप से व्यक्तिगत-स्तर की सॉल्वेंसी की गारंटी देता है, जो फेयरनेस-केंद्रित मूल्य निर्धारण अध्ययनों में अक्सर अनदेखी की जाने वाली संपत्ति है।

प्रायोगिक परिणाम
सिंथेटिक डेटासेट और एक यू.एस. हेल्थ इंश्योरेंस डेटासेट पर संख्यात्मक प्रयोग किए गए:

• कंटीनम व्यवहार (Continuum Behavior): जैसे-जैसे $\alpha$ का मान 0 से 1 तक बदलता है, प्रीमियम एक्चुअरियल फेयर स्तरों से सॉलिडैरिटी-फेयर स्तरों तक सुचारू रूप से संक्रमण करते हैं, जो कंटिनमम अवधारणा की पुष्टि करते हैं।
• ऑर्डर प्रिजर्वेशन: सिमुलेशन ने पुष्टि की कि प्रीमियम जोखिम स्तरों के संबंध में निरंतरता बनाए रखते हैं, भले ही $\alpha$ बढ़ने पर भी, बशर्ते कि लो-रिस्क ग्रुप मास पर कुछ शर्तें पूरी हों।
• DFIP के साथ तुलना: जब इसकी तुलना डिस्क्रिमिनेशन-फ्री इंश्योरेंस प्राइसिंग (DFIP) पद्धति (लिंडहोम एट अल., 2022) से की गई, तो $\alpha$-FISP ने लगातार एक सकारात्मक सॉल्वेंसी मार्जिन बनाए रखा। इसके विपरीत, DFIP ने विभिन्न फेयरनेस बजटों में सॉल्वेंट प्रीमियम (ऋणात्मक सॉल्वेंसी मार्जिन) उत्पन्न किए।
• कंप्यूटेशनल सुगमता (Computational Tractability): फ्रेमवर्क गणनात्मक रूप से कुशल है, जिसे मानक बाधित अनुकूलन तकनीकों (जैसे, न्यूरल नेटवर्क के साथ लैग्रेंजियन विधियाँ) के माध्यम से हल किया जा सकता है।
• नियामक संरेखण (Regulatory Alignment): फ्रेमवर्क अमेरिका में विषम राज्य-स्तरीय नियामक आवश्यकताओं के अनुरूप है, जहाँ विभिन्न क्षेत्राधिकारों में क्रॉस-सब्सिडाइजेशन के विभिन्न स्तरों की मांग की जा सकती है (जिसे $\alpha$ के भिन्न मानों द्वारा कैप्चर किया गया है)।

महत्व और दावे
यह शोध पत्र निम्नलिखित तरीकों से मशीन लर्निंग और एक्चुअरियल विज्ञान दोनों में फेयरनेस के साहित्य को आगे बढ़ाने का दावा करता है:

1. एक फेयरनेस कंटिनम को औपचारिक रूप देना: $\alpha$-फेयरनेस को एक ट्यूनेबल पैरामीटर के रूप में पेश करना जो एक्चुअरियल और सॉलिडैरिटी फेयरनेस के बीच के ट्रेड-ऑफ को स्पष्ट रूप से कैप्चर करता है, जो बाइनरी परिभाषाओं से परे जाता है।
2. सॉल्वेंसी को एकीकृत करना: यह पहला फ्रेमवर्क है जो फेयरनेस बाधाओं को लागू करते हुए व्यक्तिगत-स्तर की सॉल्वेंसी को स्पष्ट रूप से सुनिश्चित करता है, जो मौजूदा फेयर-प्राइसिंग अध्ययनों में एक महत्वपूर्ण परिचालन अंतराल को संबोधित करता है।
3. स्ट्रक्चरल एलोकेशन बनाम प्रेडिक्शन: फेयरनेस को केवल एक प्रेडिक्टिव बाधा (जैसे, त्रुटि विषमता को कम करना) के रूप में नहीं, बल्कि एक एलोकेशन मैकेनिज्म के रूप में पुनर्गठित करना जो यह नियंत्रित करता है कि वित्तीय बोझों को कैसे वितरित किया जाए। यह पारंपरिक एक्चुअरियल सिद्धांतों और आधुनिक एल्गोरिद्मिक फेयरनेस के बीच के अंतर को पाटता है।
4. व्यावहारिक कार्यान्वयन क्षमता: एक कंप्यूटेशनल रूप से सुलभ, व्याख्या योग्य और नियामक रूप से अनुकूलनीय पाइपलाइन प्रदान करना जो निर्णय लेने वालों को मॉडल स्थिरता या सॉल्वेंसी से समझौता किए बिना विशिष्ट रणनीतिक या नियामक प्राथमिकताओं के अनुरूप एक ऑपरेटिंग पॉइंट ($\alpha$) चुनने की अनुमति देता है।