Practical Fairness Constraints in Credit Scoring for Unbanked Populations: A Pareto-Optimal Analysis of Gender and Intersectional Disparities
Questo articolo propone un framework di credit scoring vincolato alla correttezza utilizzando dati di mobile money che riduce significativamente i divari di approvazione basati sul genere e le violazioni normative mantenendo un'elevata accuratezza, sebbene l'analisi intersezionale riveli che tali vincoli da soli non possono risolvere completamente le disparità socioeconomiche composte che colpiscono le donne a basso reddito.
Articolo originale sotto licenza CC BY 4.0 (https://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
Nel mondo finanziario moderno, la capacità di una persona di prendere in prestito denaro dipende spesso da un'ombra digitale che ha lasciato dietro di sé: un registro di prestiti passati, pagamenti di carte di credito e transazioni bancarie. Per centinaia di milioni di persone, in particolare nell'Africa subsahariana, questa ombra non esiste. Sono "non bancari", il che significa che non hanno mai utilizzato un conto bancario formale, quindi i sistemi tradizionali non hanno modo di giudicare se siano abbastanza affidabili da ricevere un prestito. Questa esclusione intrappola individui e piccole imprese in un ciclo in cui non possono investire nel proprio futuro o proteggersi dagli shock economici. Per risolvere questo problema, i prestatori si stanno rivolgendo ai dati alternativi, come la cronologia delle transazioni di mobile money, che può rivelare come una persona gestisce il denaro anche senza un conto bancario. Tuttavia, man mano che i computer imparano a leggere questi nuovi schemi, cresce il timore che possano semplicemente ripetere vecchi errori, negando ingiustamente prestiti a donne o ai poveri perché i dati riflettono disuguaglianze storiche piuttosto che la reale capacità di rimborso.
Questa è la sfida che i ricercatori Muadh Abdullateef Olamilekan e Nguyen Anh Van Trang si sono posti di affrontare. Si sono posti una domanda fondamentale: possiamo costruire un sistema informatico che conceda il credito equamente a tutti, incluse le persone che non hanno mai avuto un conto bancario, senza sacrificare la capacità del sistema di prevedere chi restituirà effettivamente il prestito? Per trovare la risposta, non hanno utilizzato veri record di mobile money dall'Africa, poiché sono difficili da ottenere per la ricerca. Inveve, hanno utilizzato un ampio dataset pubblico di domande di prestito che imita la complessia dei dati alternativi. Hanno addestrato un modello informatico per prevedere i default sui prestiti e poi hanno testato tre diversi metodi per costringere il modello a trattare uomini e donne in modo uguale. Un metodo ha regolato i dati prima dell'addestramento, un altro ha modificato il modo in cui il computer apprendeva durante l'addestramento e il terzo ha semplicemente regolato le regole decisionali finali dopo che il computer aveva terminato l'apprendimento.
I ricercatori hanno scoperto che l'approccio più efficace era quello che regolava le regole decisionali finali. Modificando attentamente la soglia di approvazione per i diversi gruppi, sono stati in grado di quasi eliminare il divario nei tassi di approvazione dei prestiti tra uomini e donne. Nei loro test, il divario è sceso da quasi nove punti percentuali a meno dello zero virgola cinque per cento, una riduzione di quasi il novantacinque per cento. Fondamentalmente, questo enorme miglioramento dell'equità è avvenuto a un costo molto piccolo per l'accuratezza complessiva del sistema. La capacità del modello di identificare correttamente i buoni debitori è scesa solo di una frazione minima, suggerendo che i prestatori non debbano scegliere tra essere equi ed essere profittevoli. Il sistema è diventato significativamente più inclusivo, approvando più prestiti complessivamente, pur mantenendo un alto standard di gestione del rischio.
Tuttavia, lo studio ha anche rivelato una verità più profonda e complessa. Sebbene il modello informatico abbia trattato uomini e donne in modo uguale in media, non è riuscito a correggere le disuguaglianze causate dal reddito. Quando i ricercatori hanno osservato l'intersezione tra genere e ricchezza, hanno scoperto che le donne più povere erano ancora molto meno propense a ottenere un prestito rispetto agli uomini più ricchi. Il divario tra questi due gruppi specifici rimaneva ampio, anche se i numeri complessivi per uomini e donne apparivano uguali. Questo risultato suggerisce che semplicemente dire a un computer di essere equo con un gruppo, come le donne, non è sufficiente per risolvere il problema più ampio della disuguaglianza economica. Il modello era equo in senso stretto, ma non poteva superare gli svantaggi strutturali affrontati dai richiedenti più poveri.
I ricercatori hanno inoltre notato che, sebbene il sistema prendesse decisioni eque, i punteggi di confidenza che generava non erano sempre perfettamente calibrati, il che significa che i numeri esatti delle probabilità forniti potrebbero necessitare di una regolazione prima di essere utilizzati in una banca reale. Hanno sottolineato che il loro lavoro è una prova di concetto, che dimostra come i vincoli di equità possano essere applicati efficacementtamente al credit scoring. Non hanno sostenuto di aver risolto l'intero problema dell'esclusione finanziaria, ma hanno fornito un percorso chiaro da seguire. Utilizzando un metodo che bilancia la necessità di accuratezza con la necessità di equità, le istituzioni finanziarie possono iniziare ad estendere il credito ai non bancari senza rafforzare i medesimi pregiudizi che li avevano esclusi in primo luogo. Lo studio conclude che, con gli strumenti giusti, è possibile costruire un sistema finanziario che sia sia intelligente che giusto, sebbene sarà necessaria una costante vigilanza per garantire che l'equità si estenda a tutti i livelli della società, e non solo a quello superficiale.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.