Balance and Fairness through Multicalibration in Nonlife Insurance Pricing

この論文「BALANCE AND FAIRNESS THROUGH MULTICALIBRATION IN NONLIFE INSURANCE PRICING（非生命保険料設定におけるマルチキャリブレーションを通じた均衡と公平性）」は、保険料設定における**財務的均衡（Autocalibration）と公平性（Fairness）**を両立させるための新しい概念「マルチキャリブレーション（Multicalibration）」の理論的性質と実用的な実装手法を提案し、自動車保険データを用いた実証分析を行っています。

以下に、論文の技術的な要約を問題定義、手法、主要な貢献、結果、意義の観点から詳細に記述します。

1. 問題定義 (Problem Definition)

非生命保険の料率設定には、以下の 2 つの重要な要件が存在しますが、これらはしばしば対立したり、従来の手法では両立が困難だったりします。

1. 財務的均衡（Autocalibration）:
   • 保険料収入が、同じ保険料を支払う契約者グループ全体において、平均的に支払われる保険金と一致することを保証する性質です。
   • 機械学習（ブースティング、ニューラルネット等）を用いた高度な予測モデルは、全体平均では整合性が取れていても、特定の保険料帯において過大または過小評価（バイアス）が生じ、財務的均衡が崩れることがあります。
2. 公平性（Fairness）:
   • 性別（EU での禁止）や人種、健康状態などの「センシティブ属性（$S$）」に基づく差別の禁止が求められています。
   • 従来の「無視（Unawareness）」アプローチ（センシティブ属性をモデルから除外する）では、他の説明変数（プロキシ変数）を通じて間接的な差別が生じる可能性があります。
   • 一方、センシティブ属性を明示的に使用する場合、その使用が公平であることを証明する必要があります。

本研究の課題:
センシティブ属性 $S$ を使用できる（または使用せざるを得ない）状況において、**「同じ保険料を支払うすべてのグループ（$S$ の値に関わらず）において、期待される保険金（リスク）が保険料と一致する」**という条件を満たす保険料設定手法を開発することです。

2. 主要な概念と理論的枠組み (Methodology & Theory)

2.1 マルチキャリブレーションの定義

本研究は、機械学習分野で Hebert-Johnson ら（2018）によって提案された「マルチキャリブレーション」の概念を保険料設定に応用します。

• オートキャリブレーション（Autocalibration）:
  $$E[Y \mid \pi(X) = p] = p$$
  （保険料 $p$ を支払うすべての契約者の平均保険金 $Y$ が $p$ に等しい）
• グループ公平性（Sufficiency の弱版）:
  $$E[Y \mid \pi(X) = p, S = s] = E[Y \mid \pi(X) = p, S = s']$$
  （同じ保険料 $p$ を支払う場合、センシティブ属性 $S$ の値 $s$ に関わらず、期待保険金は等しい）
• マルチキャリブレーション（Multicalibration）:
  上記 2 つを組み合わせ、以下の条件を満たすことを要求します。
  $$E[Y \mid \pi(X) = p, S = s] = p \quad \forall p, s$$
  つまり、**「保険料 $p$ とセンシティブ属性 $S$ の値 $s$ の組み合わせごとに、平均保険金が保険料と一致する」**ことを意味します。

2.2 理論的性質

• 最適性の強化: マルチキャリブレーションを満たす保険料は、オートキャリブレーションも満たします。
• 過剰適合の防止: マルチキャリブレーションされた保険料 $\pi(X)$ は、真の純保険料 $\mu(X)$ および実際の損失 $Y$ に対して凸順序（convex order）の観点から「より分散が小さい」ことが示されます。これは、マルチキャリブレーションが過剰適合（overfitting）を防ぐ性質を持つことを意味します。
• Bregman 損失関数との関係: マルチキャリブレーションされた予測子は、あらゆる Bregman 損失関数（保険料設定で一般的に用いられる）に対して、より良い性能を発揮することが保証されます。

3. 実装手法 (Practical Implementation)

提案されたマルチキャリブレーションを実際に達成するための 2 つの実用的な手法を提案しています。これらは、既存の「バランス補正（Balance Correction）」を拡張したものです。

3.1 マルチバランス補正（Multibalance Correction）

候補となる保険料 $\pi(X)$ に対して、以下の条件付き期待値を計算することで新しい保険料 $\pi_{mbc}(X)$ を定義します。
$$\pi_{mbc}(X) = E[Y \mid \pi(X), S]$$
これは、各保険料レベルとセンシティブ属性のグループ内で、平均的な損失を再計算して保険料に反映させる操作です。

3.2 具体的な推定アルゴリズム

センシティブ属性 $S$ が離散変数か連続変数かによって、以下の 2 つのアプローチを提案しています。

1. 離散変数の場合（カテゴリカル $S$）:

   • グループ別等方回帰（Groupwise Isotonic Regression）: 各 $S$ のレベルごとに、保険料と損失の関係を非パラメトリックに推定し、単調性を保ちながら補正します。
   • 反復バイアス補正（Iterative Bias Correction）: 保険料をビン（区間）分けし、各ビンと $S$ の組み合わせにおける残差バイアスを推定します。データがsparseな場合のために、グループ間での信頼性重み（Credibility weights）を用いた収縮（Shrinkage）を行い、安定性を確保しながら反復的に保険料を更新します。

2. 連続変数の場合（Continuous $S$）:

   • バイバリアル局所 GLM（Bivariate Local GLM）: 保険料 $\pi(X)$ と $S$ の 2 次元空間において、局所一般化線形モデル（GLM）を用いて条件付き平均曲面を推定します。
   • 正規化された反復バイアス補正: 2 次元空間における残差バイアスを推定し、信頼性重みを用いて安定化させながら、保険料を反復的に更新します。この際、マージナルなオートキャリブレーションを維持するために中心化（Centering）ステップを挿入します。

4. 実証結果 (Results)

フランスの自動車第 3 者責任保険（MTPL）データ（約 67 万件）を用いた実証分析を行いました。センシティブ属性として「車両年齢（VehAge）」を使用し、これをカテゴリカル（3 グループ）と連続変数の両方で評価しました。

• ベースラインモデル（GAM）: 予測スコア自体は最適化されていますが、保険料レベルや車両年齢グループにおいて系統的なバイアス（過小評価など）が存在し、マルチキャリブレーションを満たしていませんでした。
• オートキャリブレーションのみ: 全体平均でのバランスは回復しましたが、車両年齢グループ間でのバイアス（条件付きバイアス）は残存していました。
• マルチキャリブレーション（提案手法）:
  • バイアスの除去: 保険料レベルと車両年齢の両方の組み合わせにおいて、平均残差がゼロに近づき、グループ間の歪みが解消されました。
  • 予測精度の向上: 驚くべきことに、公平性（マルチキャリブレーション）を課すことで、ポアソン偏差（Deviance）がさらに低下し、予測精度が向上しました。これは、公平性を追求することが精度を犠牲にするという一般的な通説とは異なり、マルチキャリブレーションがモデルの過剰適合を防ぎ、より堅牢な予測をもたらすことを示しています。
  • 識別力（Gini 係数）: 全ての補正モデルでベースラインより識別力が向上しましたが、マルチキャリブレーションモデルは他の補正モデルと同等か、わずかに低い値を示す場合もありました（ただし、偏差の減少による精度向上の方が顕著でした）。

5. 主要な貢献と意義 (Key Contributions & Significance)

1. 理論的統合:
   保険業界で重視される「財務的均衡（Autocalibration）」と、現代の AI 倫理で重視される「公平性（Fairness）」を、マルチキャリブレーションという単一の数学的概念で統合しました。これにより、公平な保険料設定が単なる制約ではなく、財務的健全性を高める手段であることが示されました。

2. 実用的なアルゴリズムの提案:
   理論的な定義だけでなく、離散・連続の両方のセンシティブ属性に対応し、実データ（スケーラビリティやスパースデータ）に強固な実装手法（反復バイアス補正、信頼性重み付き収縮など）を具体的に提示しました。

3. 公平性と精度の両立の実証:
   多くの公平性研究では「公平性を追求すると精度が低下する（Accuracy-Fairness Trade-off）」とされていますが、本論文はマルチキャリブレーションを適用することで予測精度（Deviance）が向上することを実証しました。これは、マルチキャリブレーションがモデルの過剰適合を抑制し、より真のリスク構造を捉えることを可能にしているためです。

4. 規制対応への示唆:
   EU の性別差別禁止や、健康状態などのセンシティブ属性の使用に関する規制に対し、単に属性を除外するのではなく、属性を考慮しつつも「同じ保険料なら同じ期待リターン」という公平性を数学的に証明・実装する道筋を提供しました。

結論

本論文は、非生命保険料設定において、マルチキャリブレーションが財務的均衡と公平性を同時に達成する強力な枠組みであることを示しました。提案された手法は、既存の機械学習モデルを後処理（Post-processing）することで容易に適用可能であり、公平性を追求することが結果としてより正確で堅牢な保険料設定につながるという重要な知見を提供しています。