📊 statistics

Balance and Fairness through Multicalibration in Nonlife Insurance Pricing

Questo articolo esplora il concetto di multicalibrazione per unire l'autocalibrazione e l'equità nella tariffazione assicurativa non vita, proponendo metodi pratici di implementazione e illustrandone la rilevanza attraverso uno studio di caso sui dati del settore automobilistico.

Autori originali: Michel Denuit, Marie Michaelides, Julien Trufin

Pubblicato 2026-03-18

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Michel Denuit, Marie Michaelides, Julien Trufin

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🎯 Il Problema: La Bilancia Perfetta e il Gioco Equo

Immagina che una compagnia di assicurazioni sia come un grande ristorante.
Ogni giorno, i clienti (gli assicurati) arrivano e ordinano piatti diversi (rischi diversi: guidano auto potenti, vivono in città caotiche, hanno auto vecchie, ecc.). Il ristorante deve decidere quanto far pagare a ogni cliente per il suo pasto.

Ci sono due regole d'oro che questo ristorante deve seguire:

La Regola del Conto in Pancia (Equilibrio Finanziario):
Se tutti i clienti che pagano 50 euro per il loro pasto, in media, consumano esattamente 50 euro di cibo, allora il ristorante è in equilibrio. Non ci sono soldi persi né guadagni miracolosi. In termini assicurativi, questo si chiama Autocalibrazione. Significa che il prezzo che chiedi copre esattamente i danni che ti aspetti di pagare per quel gruppo di persone.
La Regola della Giustizia (Fairness):
Qui entra in gioco la "sensibilità". Immagina che ci sia un cliente che ha una caratteristica speciale, diciamo che è sinistrorso (usiamo questo come esempio di "caratteristica sensibile" come l'età, la salute o il genere).
La legge dice: "Non puoi discriminare i mancini". Ma cosa succede se i mancini tendono a guidare auto più potenti? Se il prezzo dipende dalla potenza dell'auto, i mancini pagheranno di più, anche se non è colpa loro.
Il problema è: come facciamo a essere sicuri che il prezzo sia giusto per i mancini, anche se usiamo fattori che sembrano correlati al fatto di essere mancini?

🧩 La Soluzione: La "Multicalibrazione"

Il paper di Denuit, Michaelides e Trufin propone una soluzione magica chiamata Multicalibrazione.

Immagina che il ristorante non voglia solo che il conto sia giusto in totale, ma che sia giusto per ogni singolo tavolo.

Se ci sono 10 tavoli dove tutti pagano 50 euro, il ristorante deve controllare che:
- Il Tavolo dei Mancini che paga 50 euro, in media, mangi 50 euro.
- Il Tavolo dei Destri che paga 50 euro, in media, mangi 50 euro.

Se questo succede, il prezzo è Multicalibrato. È come se avessi una bilancia perfetta non solo per l'intero ristorante, ma per ogni piccolo gruppo di clienti che paga la stessa cifra, indipendentemente da chi sono.

🛠️ Come si fa? (I Metodi Pratici)

Il paper spiega come trasformare un prezzo "brutto" (che magari è calcolato da un'intelligenza artificiale complessa ma sbilanciata) in un prezzo "bello e giusto". Usano due tecniche principali:

1. La Correzione "A Blocchi" (Isotonic Regression)

Immagina di avere una pila di clienti divisi in scatole (gruppi) in base alla loro caratteristica sensibile (es. età dell'auto).

Prima: Il prezzo era sbagliato. I clienti nella scatola "Auto Vecchie" pagavano troppo rispetto a quanto consumavano.
La Correzione: Prendi la scatola, guardi quanto hanno consumato in media e aggiusti il prezzo solo per quella scatola finché non torna in equilibrio.
È come se un cameriere andasse a ogni tavolo e dicesse: "Scusate, per voi il conto era 50, ma avete mangiato 55. Dobbiamo aggiustare il prezzo a 55. Voi invece avevate pagato 50 ma mangiato 45, scendiamo a 45".

2. La Correzione "Iterativa con Credibilità" (Bias Correction)

A volte, in alcune scatole, ci sono pochi clienti (pochi dati). Se provi a correggere il prezzo basandoti su un solo cliente, potresti sbagliare tutto (es. "Questo cliente ha fatto un incidente, quindi tutti quelli della sua età devono pagare il doppio!").

La Soluzione: Usano una tecnica chiamata Credibilità. È come un "filtro di sicurezza".
- Se hai molti dati nella scatola, correggi il prezzo drasticamente.
- Se hai pochi dati, dici: "Ok, correggiamo un po', ma non troppo, perché il dato è rumoroso. Facciamo una media con il gruppo più grande vicino".
- Questo processo si ripete più volte (iterativamente) finché il prezzo non è perfetto e stabile.

📊 Cosa hanno scoperto? (I Risultati)

Hanno provato tutto questo su un vero database di assicurazioni auto in Francia (677.000 polizze!).
Ecco cosa è successo:

Migliora la Giustizia: Hanno eliminato le ingiustizie nascoste. Ora, se due persone pagano lo stesso prezzo, è perché hanno lo stesso rischio, non perché una è "sfortunata" per la sua caratteristica sensibile.
Migliora anche il Guadagno (Sorprendentemente!): Spesso si pensa che essere più giusti significhi essere meno precisi o perdere soldi. Invece, qui è successo il contrario!
- I prezzi corretti per la giustizia (multicalibrati) sono diventati più precisi nel prevedere i danni reali.
- L'errore di previsione è diminuito.
- Metafora: È come se, smettendo di guardare la "scatola sbagliata" (la discriminazione), l'assicuratore avesse finalmente visto il "vero volto" del rischio.

💡 In Sintesi

Questo paper ci dice che giustizia e precisione vanno a braccetto.
Non devi scegliere tra "essere equi" e "essere bravi a fare soldi". Se usi la Multicalibrazione, crei un sistema dove:

L'assicuratore non perde soldi (i conti tornano).
Il cliente non viene discriminato ingiustamente (il prezzo è equo per il suo gruppo).
L'Intelligenza Artificiale fa un lavoro migliore perché non è "confusa" da pregiudizi nascosti.

È come se avessimo trovato la ricetta perfetta per un ristorante dove tutti sono felici, pagano la giusta quota e nessuno viene trattato male per il suo nome o per la sua auto.

1. Il Problema: Equilibrio Finanziario e Equità nel Pricing Assicurativo

Il paper affronta due sfide fondamentali nel pricing delle assicurazioni danni (non-life):

Equilibrio Finanziario (Autocalibrazione): Le tariffe devono garantire che, in media, i premi incassati coprano esattamente i sinistri corrispondenti. Questo equilibrio deve valere non solo a livello di portafoglio globale, ma anche all'interno di gruppi di assicurati che pagano premi simili. I modelli di machine learning (es. alberi di regressione potenziati, reti neurali) spesso producono premi che si discostano dai sinistri osservati, violando questo principio.
Equità (Fairness): Esiste una crescente preoccupazione riguardo alla discriminazione, sia diretta che indiretta. Mentre alcune caratteristiche (come il genere nell'UE) sono vietate per legge, altre (come lo stato di salute o disabilità) possono essere utilizzate ma devono essere gestite in modo responsabile. Il problema sorge quando fattori di rating correlati a caratteristiche sensibili creano discriminazioni indirette.

L'obiettivo è definire un concetto di equità che si integri naturalmente con l'autocalibrazione, evitando il compromesso tipico tra accuratezza predittiva e equità.

2. Metodologia e Concetti Chiave

Il paper introduce e formalizza il concetto di Multicalibrazione, unendo l'autocalibrazione finanziaria e l'equità di gruppo.

2.1 Definizioni Fondamentali

Autocalibrazione: Un premio $\pi(X)$ è autocalibrato se $E[Y | \pi(X) = p] = p$ . Ciò significa che per ogni livello di premio, il sinistro medio atteso è uguale al premio stesso.
Equità di Gruppo (Sufficienza Debole): Basandosi su Baumann e Loi (2023), l'equità è definita come l'indipendenza condizionale della media tra la risposta $Y$ (sinistri) e la caratteristica sensibile $S$ , dato il premio $\pi(X)$ . Formalmente: $E[Y | \pi(X) = p, S = s] = E[Y | \pi(X) = p, S = s']$ .
Multicalibrazione: Un premio è multicalibrato rispetto a una caratteristica sensibile $S$ se soddisfa contemporaneamente entrambe le condizioni:
$E[Y | \pi(X) = p, S = s] = p$
Questo implica che il premio è autocalibrato all'interno di ogni gruppo definito da $S$ . In altre parole, non solo il portafoglio è in equilibrio, ma ogni sottogruppo (es. diversi livelli di età o disabilità) che paga lo stesso premio ha un rapporto medio sinistri/premio pari a 1.

2.2 Proprietà Teoriche

Miglioramento delle Prestazioni: Il paper dimostra che la multicalibrazione non è solo una restrizione etica, ma migliora l'accuratezza predittiva. I predittori multicalibrati sono ordinati secondo l'ordine convesso rispetto al premio vero $\mu(X)$ , il che implica che non soffrono di overfitting e minimizzano qualsiasi funzione di perdita di Bregman (inclusa la devianza).
Correzione Multibalance (Multibalance Correction): Viene proposta una procedura pratica per trasformare un premio candidato $\pi(X)$ in uno multicalibrato. La correzione è definita come la media condizionata:
$\pi_{mbc}(X) = E[Y | \pi(X), S]$
Questa operazione corregge il premio mantenendo l'ordine dei rischi ma adeguando il livello di premio per bilanciare i sinistri all'interno di ogni combinazione di livello di premio e gruppo sensibile.

2.3 Implementazione Pratica

Gli autori propongono due approcci empirici per implementare la multicalibrazione, a seconda che la caratteristica sensibile $S$ sia categorica o continua:

Caratteristica Sensibile Categorical:
- Correzione Diretta: Utilizzo di regressioni isotone (o locali) separate per ogni livello di $S$ per stimare $E[Y | \pi(X), S=\ell]$ .
- Correzione Iterativa con Bias: Un algoritmo che aggiorna iterativamente il premio. Divide i premi in "bin" e calcola i residui medi per ogni cella $(\text{bin}, S)$ . Per stabilizzare le stime in gruppi con poca esposizione, viene introdotta una shrinking (restringimento) guidata dall'esposizione (simile alla credibilità di Bühlmann-Straub), che combina la bias specifica del gruppo con la bias globale del bin.
Caratteristica Sensibile Continua:
- GLM Locale Bivariata: Stima della superficie di media condizionata $E[Y | \pi(X), S]$ nello spazio congiunto $(\pi, S)$ utilizzando regressioni locali (GLM locali).
- Correzione Iterativa Continua: Simile al caso categorico, ma utilizza smoothers bidimensionali e pesi di credibilità basati sulla densità locale dei dati nello spazio $(\pi, S)$ per stabilizzare le correzioni nelle regioni con scarsa esposizione.

3. Risultati Numerici

Lo studio è stato applicato a un dataset reale di assicurazione RCA (Responsabilità Civile Auto) francese (freMTPL2freq) contenente circa 678.000 polizze.

Scenario: La variabile sensibile $S$ è stata considerata sia come età del veicolo discretizzata (categorica) che come età del veicolo continua.
Confronto: Sono stati confrontati cinque modelli:
1. Premio di base (GAM Poisson).
2. Premio autocalibrato (solo equilibrio globale).
3. Correzione di balance (non iterativa).
4. Premio multicalibrato (iterativo).
5. Correzione multibalance (non iterativa).

Risultati Chiave:

Devianza (Accuratezza): Il modello di base mostra la devianza più alta. L'autocalibrazione riduce significativamente la devianza. La multicalibrazione riduce ulteriormente la devianza, ottenendo i valori più bassi in assoluto (migliore adattamento ai dati). Questo contraddice l'idea comune che imporre vincoli di equità peggiori l'accuratezza.
Equilibrio Condizionale: I grafici dei residui mostrano che mentre l'autocalibrazione globale appiattisce la curva dei residui, lascia ancora distorsioni sistematiche tra i diversi gruppi di $S$ . La multicalibrazione elimina queste distorsioni, allineando i residui a zero per tutti i gruppi.
Potere Discriminante (Gini): Tutti i modelli calibrati migliorano il coefficiente Gini rispetto al baseline. Le differenze tra i modelli calibrati sono minime, con la correzione di balance e multibalance che ottengono lievemente valori di Gini più alti, ma la multicalibrazione iterativa offre il miglior compromesso tra accuratezza (devianza) e stabilità.

4. Contributi Chiave

Unificazione Teorica: Il paper collega formalmente il concetto di equità di gruppo (sufficienza debole) con l'autocalibrazione finanziaria, dimostrando che la multicalibrazione è un requisito desiderabile sia per l'equità che per la stabilità finanziaria.
Miglioramento delle Prestazioni: Dimostra empiricamente e teoricamente che la multicalibrazione non è un costo per l'assicuratore, ma un metodo per migliorare l'accuratezza del modello di pricing, riducendo l'errore di previsione.
Metodologia Operativa: Fornisce algoritmi pratici (iterativi e basati su regressioni locali) per implementare la multicalibrazione in scenari reali, gestendo sia variabili sensibili categoriche che continue, con meccanismi di regolarizzazione per gestire la scarsità dei dati.
Gestione delle Caratteristiche Sensibili: Offre una soluzione per l'uso responsabile di variabili sensibili (come disabilità o stato di salute) che non sono vietate per legge ma sono soggette a scrutinio, permettendo di dimostrare che il prezzo è equo all'interno di ogni gruppo.

5. Significato e Implicazioni

Questo lavoro è significativo per il settore assicurativo perché offre una via d'uscita al dilemma tra "fairness" e "accuracy". Spesso si pensa che rendere un modello più equo lo renda meno preciso; questo studio dimostra il contrario: imporre la multicalibrazione porta a premi più precisi e finanziariamente più stabili.

Per gli attuari e le compagnie assicurative, il paper suggerisce che:

La semplice autocalibrazione globale non è sufficiente per garantire l'equità o la stabilità interna dei gruppi.
L'uso di tecniche di multicalibrazione (tramite correzione iterativa o bias correction) dovrebbe essere integrato nei processi di pricing per mitigare rischi legali (cause per discriminazione) e reputazionali, migliorando al contempo la gestione del rischio e la previsione dei sinistri.
La metodologia è flessibile e può essere applicata a qualsiasi caratteristica sensibile, permettendo alle compagnie di navigare in un panorama normativo complesso (come il divieto di discriminazione di genere nell'UE) garantendo che le variabili proxy non creino squilibri nascosti.