🤖 machine learning

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

Questo articolo introduce il framework $\alpha$ -FISP, un modello di ottimizzazione vincolata che risolve la tensione tra equità attuariale e di solidarietà nella determinazione dei premi assicurativi generando un continuo di soluzioni di premio risolvibili parametrizzate da $\alpha$ , permettendo così a regolatori e assicuratori di bilanciare la differenziazione del rischio con la sussidiarietà incrociata garantendo al contempo la solvibilità.

Autori originali: Tianhe Zhang, Xiguang Liu, Peng Shi

Pubblicato 2026-06-16

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Tianhe Zhang, Xiguang Liu, Peng Shi

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

Immagina di gestire una cena a buffet gigante dove tutti portano un piatto, ma alcuni portano ingredienti costosi mentre altri portano semplici snack. L'obiettivo è capire quanto debba pagare ogni persona per il proprio pasto.

Questo articolo affronta un argomento molto antico e complicato su come addebitare i costi dell'assicurazione: Dovrebbero tutti pagare esattamente quanto costa il proprio rischio personale (Equità Attuariale) o dovrebbero tutti pagare lo stesso prezzo per aiutare chi è più rischioso (Equità di Solidarietà)?

Ecco la soluzione proposta dal documento, suddivisa in concetti semplici.

1. Le due visioni opposte

Gli autori descrivono un tiro alla fune tra due modi di intendere la "giustizia":

La visione "Attuariale" (Il Contabile Rigido): Questa visione dice: "Se sei un guidatore giovane e non fumatore, dovresti pagare meno. Se sei un fumatore anziano, dovresti pagare di più". Si basa sull'idea che il tuo prezzo debba corrispondere perfettamente al tuo rischio specifico. Se sei a basso rischio, non dovresti dover sussidiare le persone ad alto rischio.
La visione della "Solidarietà" (L'Aiutante della Comunità): Questa visione dice: "Siamo tutti sulla stessa barca". Sostiene che l'assicurazione sia una rete di sicurezza sociale. Se carichiamo troppo le persone ad alto rischio, non potranno permettersi l'assicurazione. Quindi, le persone a basso rischio dovrebbero pagare un po' di più per aiutare a coprire i costi del gruppo ad alto rischio.

Il Problema: In passato, queste due idee erano viste come nemiche. Non era possibile averle entrambe. Se avessi usato troppi dati (come genere, razza o codice postale) per calcolare il rischio, saresti potuto finire per addebitare a gruppi vulnerabili cifre tali da rendere loro impossibile l'accesso alla copertura. Ma se ignorassi completamente il rischio, la compagnia assicurativa potrebbe fallire perché gli "contabili" non starebbero incassando abbastanza denaro.

2. La Soluzione: Lo "Slider di Equità" ( $\alpha$ )

Gli autori propongono un nuovo framework chiamato $\alpha$ -Equità. Immaginatelo come uno slider o una manopola del dimmer che vi permette di scegliere esattamente quanta "solidarietà" volete nel sistema di prezzi.

La manopola è etichettata con $\alpha$ (alpha) e va da 0 a 1.
A 0 (l'estremità "Attuariale"): La manopola è completamente abbassata. Ognuno paga esattamente quanto costa il proprio rischio specifico. Nessuno aiuta nessun altro.
A 1 (l'estremità "Solidarietà"): La manopola è completamente alzata. Tutti nello stesso gruppo di base (ad esempio, stessa età e abitudine al fumo) pagano lo stesso identico prezzo, indipendentemente da altri dettagli. Le persone a basso rischio sussidiano pienamente quelle ad alto rischio.
Nel mezzo (ad esempio, 0,5): Questo è il punto di equilibrio. Le persone a basso rischio pagano un po' di più per aiutare quelle ad alto rischio, ma non così tanto da essere punite. Le persone ad alto rischio ricevono uno sconto, ma non un regalo gratuito.

3. La Regola della "Rete di Sicurezza" (Solvibilità)

Il documento aggiunge una regola cruciale che molti altri concetti di equità dimenticano: la compagnia assicurativa non deve fallire.

Lo chiamano Solvibilità Individuale. Immaginate un gruppo specifico di persone (diciamo, fumatori di 30 anni). Il denaro totale raccolto da questo gruppo deve essere sufficiente a pagare i loro sinistri previsti. Non potete prendere soldi dai fumatori di 30 anni per pagare quelli di 60 anni. Il "fondo" per ogni gruppo deve rimanere in attivo.

Questo assicura che, mentre siamo equi verso i diversi gruppi, non stiamo creando un disastro finanziario per la compagnia assicurativa.

4. Come funziona in pratica

Gli autori hanno trasformato questa idea in un problema matematico (un compito di ottimizzazione).

Input: Partono dal prezzo "perfetto" basato sul rischio (quello che caricherebbe il contabile).
Regolazione: Applichiamo poi lo slider $\alpha$ . Se impostate $\alpha$ a 0,8, la matematica costringe i prezzi delle persone nello stesso gruppo a essere molto vicini tra loro (entro l'80% l'uno dall'altro).
Vincolo: La matematica controlla anche che il gruppo abbia ancora abbastanza denaro per pagare le proprie spese.

5. Cosa hanno scoperto

Gli autori hanno testato questa idea con simulazioni al computer e dati reali di assicurazioni sanitarie.

Funziona: Hanno dimostrato che è possibile scivolare fluidamente da una "determinazione dei prezzi basata sul rischio stretto" a una "determinazione dei prezzi basata sulla comunità" senza rompere la logica matematica.
È Sicuro: A differenza di altri metodi di pricing equo che hanno testato, il loro metodo non porta mai il gruppo assicurativo a perdere denaro (solvibilità negativa).
È Flessibile: Poiché i regolatori in diverse località hanno regole diverse (alcuni stati vogliono più equità, altri meno), questo framework permette a un'azienda di girare semplicemente la manopola $\alpha$ per adattarsi alle leggi locali.

L'Analogia del Quadro Generale

Immaginate una mensa scolastica.

Equità Attuariale: Pagate esattamente per gli ingredienti del vostro pranzo. Se ordinate una bistecca, pagate \ $20. Se ordinate un panino, pagate \$ 5.
Equità di Solidarietà: Tutti pagano $10. Chi mangia la bistecca sussidia chi mangia il panino affinché tutti possano mangiare.
La Soluzione del Documento: Il preside (il regolatore) dice: "Abbiamo bisogno di una via di mezzo". Stabilisce una regola: "La differenza di prezzo tra la bistecca e il panino non deve superare il 50%".
- La bistecca potrebbe scendere a $15.
- Il panino potrebbe salire a $10.
- La mensa incassa comunque abbastanza denaro per comprare il cibo (Solvibilità), ma il divario tra i mangiatori ricchi e quelli poveri non è enorme.

Il documento fornisce lo strumento matematico per trovare quel perfetto punto di equilibrio, garantendo che l'assicurazione rimanga sia accessibile per le persone che finanziariamente sana per l'azienda.

Sintesi Tecnica: Pricing Assicurativo $\alpha$ -Fair

Enunciato del Problema
La determinazione dei premi assicurativi affronta una tensione fondamentale tra due concetti di equità contrapposti: l'equità attuariale e l'equità di solidarietà. L'equità attuariale impone che i premi riflettano le perdite attese individuali, spesso ottenuta attraverso una granulare classificazione del rischio. Al contrario, l'equità di solidarietà enfatizza la condivisione sociale del rischio, dove i rischi vengono ripartiti tra i gruppi per garantire accessibilità e sostenibilità, il che spesso richiede sussidi incrociati.

Negli odierni ambienti guidati dai dati, la disponibilità di dati granulari consente una differenziazione del rischio sempre più precisa, rischiando potenzialmente di esacerbare le disparità nei premi e sollevando preoccupazioni circa l'accessibilità economica e l'esclusione sociale. Allo stesso tempo, i regolatori (ad esempio, la Direttiva UE sul genere, il Colorado SB 21-169) stanno limitando sempre più l'uso di attributi sensibili (come genere, razza o proxy socioeconomici) nella determinazione dei prezzi. La letteratura esistente spesso tratta questi concetti come binari o si concentra sulla parità predittiva nel machine learning (ad esempio, la parità demografica), fallendo nel non affrontare la specifica allocazione economica degli oneri finanziari nell'assicurazione o il requisito operativo critico della solvibilità (garantire che i premi coprano le perdite attese).

Metodologia
Gli autori propongono il framework $\alpha$ -Fair Individual Solvent Premium ( $\alpha$ -FISP), che modella la determinazione dei premi assicurativi come un problema di ottimizzazione vincolata.

Definizioni e Metriche:
- Premio Attuarialmente Equo ( $\mu(X, D)$ ): La perdita attesa $E[Y|X, D]$ , che differenzia completamente per attributi non sensibili ( $X$ ) e sensibili ( $D$ ).
- Premio di Solidarietà Equo ( $\mu(X)$ ): La perdita attesa $E[Y|X]$ , che aggrega i rischi tra gli attributi sensibili all'interno di una classe di rischio non sensibile.
- $\alpha$ -Fairness: Una funzione di pricing $f$ $f$ è $\alpha$ $α$ -fair se, per due individui con identici attributi non sensibili ( $x = x'$ $x = x^{'}$ ), il rapporto tra i loro premi è almeno $\alpha$ $α$ (dove $\alpha \in [0, 1]$ $α \in [0, 1]$ ). Nello specifico, $\min(f(x, d)/f(x, d'), f(x, d')/f(x, d)) \geq \alpha$ $min (f (x, d) / f (x, d^{'}), f (x, d^{'}) / f (x, d)) \geq α$ .
  - $\alpha = 0$ : Pura equità attuariale (differenziazione completa).
  - $\alpha = 1$ : Pura equità di solidarietà (prezzi uniformi all'interno della classe di rischio).
- Solvibilità Individuale: Un vincolo che richiede che, per ogni fissato attributo non sensibile $x$ , la media ponderata dei premi tra i gruppi sensibili debba coprire la media ponderata delle loro perdite attese. Ciò impedisce il sussidio incrociato tra classi di rischio eterogenee ( $x \neq x'$ ).
Formulazione dell'Ottimizzazione:
Il problema è formulato come la minimizzazione dell'Errore Quadratico Medio (MSE) tra il premio predetto e la perdita realizzata, soggetto a:
- Vincoli di $\alpha$ -Fairness: Disuguaglianze lineari che garantiscono che il rapporto tra i premi all'interno di una classe di rischio rimanga nell'intervallo $[\alpha, 1/\alpha]$ .
- Vincoli di Solvibilità: Garantire che il ricavo dei premi per gruppo copra la perdita attesa per gruppo.
La soluzione, $\alpha$ -FISP, è derivata come l'unico minimizzatore di questo problema di minimizzazione del rischio vincolato.

Proprietà Teoriche Chiave
Il documento stabilisce diverse garanzie teoriche per il framework $\alpha$ -FISP:

Esistenza e Unicità: Sotto standard condizioni di regolarità (perdite attese positive, premi limitati), esiste un'unica soluzione ottimale.
Limitatezza (Boundedness): I premi risultanti ricadono nell'inviluppo convesso dei premi attuarialmente equi per una data classe di rischio. Nessun premio viene spinto al di sotto della perdita minima attesa o gonfiato oltre il massimo benchmark attuarialmente equo all'interno di tale classe.
Preservazione dell'Ordine: L'ordinamento relativo dei premi tra gli attributi sensibili è preservato. Se un gruppo è attuarialmente più rischioso di un altro, il premio $\alpha$ -fair per il gruppo più rischioso non sarà inferiore a quello del gruppo meno rischioso.
Garanzie Statistiche: Il framework fornisce limiti di eccesso di errore su campioni finiti. Si dimostra che il costo del mantenimento della fairness è un termine di bias additivo che dipende dall'eterogeneità dei rischi e dal valore di $\alpha$ scelto. Il tasso di convergenza rimane minimax ottimale ( $O(n^{-1/2})$ ).
Solvibilità: Il framework garantisce esplicitamente la solvibilità a livello individuale, una proprietà spesso trascurata negli studi di pricing orientati alla fairness.

Risultati Sperimentali
Esperimenti numerici sono stati condotti su dataset sintetici e su un dataset di assicurazione sanitaria statunitense:

Comportamento di Continuo: Al variare di $\alpha$ da 0 a 1, i premi transitano fluidamente dai livelli attuarialmente equi a quelli di equità di solidarietà, validando il concetto di continuum.
Preservazione dell'Ordine: Le simulazioni hanno confermato che i premi mantengono la monotonicità rispetto ai livelli di rischio, anche all'aumentare di $\alpha$ , a condizione che vengano soddisfatte determinate condizioni sulla massa del gruppo a basso rischio.
Confronto con DFIP: Confrontato con il metodo di Discrimination-Free Insurance Pricing (DFIP) (Lindholm et al., 2022), $\alpha$ -FISP ha mantenuto costantemente un margine di solvibilità positivo. Al contrario, DFIP ha prodotto premi insolventi (margine di solvibilità negativo) attraverso vari budget di fairness.
Trattabilità Computazionale: Il framework è computazionalmente efficiente, risolvibile tramite tecniche standard di ottimizzazione vincolata (ad esempio, metodi lagrangiani con reti neurali).
Allineamento Regolatorio: Il framework si allinea ai requisiti normativi eterogenei a livello statale negli Stati Uniti, dove diverse giurisdizioni possono richiedere diversi livelli di sussidio incrociato (catturati variando $\alpha$ ).

Significatività e Rivendicazioni
L'articolo sostiene di far avanzare la letteratura sulla fairness sia nel machine learning che nella scienza attuariale in quanto:

Formalizza un Continuum di Fairness: Introduce l' $\alpha$ -fairness come un parametro regolabile che cattura esplicitamente il compromesso tra equità attuariale e di solidarietà, andando oltre le definizioni binarie.
Integra la Solvibilità: È il primo framework che garantisce esplicitamente la solvibilità a livello individuale pur imponendo vincoli di fairness, affrontando una lacuna operativa critica negli studi esistenti sul pricing equo.
Allocazione Strutturale vs. Predizione: Ridefinisce la fairness non solo come un vincolo predittivo (ad esempio, minimizzare la disparità di errore), ma come un meccanismo di allocazione che governa la distribuzione degli oneri finanziari. Ciò colma il divario tra i principi attuariali tradizionali e la moderna equità algoritmica.
Implementabilità Pratica: Fornisce una pipeline computazionalmente trattabile, interpretabile e regolatoriamente adattabile che consente ai decisori di selezionare un punto operativo ( $\alpha$ ) allineato con specifiche priorità strategiche o regolatorie senza sacrificare la stabilità del modello o la solvibilità.