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

기술 요약: $\alpha$-Fair 보험 가격 책정

문제 정의
보험 가격 책정은 두 가지 상충하는 개념인 **보험수리적 공정성(actuarial fairness)**과 연대적 공정성(solidarity fairness) 사이의 근본적인 긴장 관계에 직면해 있다. 보험수리적 공정성은 개별 기대 손실을 반영하는 보험료를 요구하며, 이는 흔별력이 높은 위험 분류를 통해 달성된다. 반면, 연대적 공정성은 사회적 풀링(social pooling)을 강조하여 위험을 집단 간에 공유함으로써 부담 능력을 보장하고 접근성을 높이는 것을 목표로 하며, 이는 종종 교차 보조(cross-subsidization)를 필요로 한다.

현대의 데이터 기반 환경에서는 세밀한 데이터의 가용성 덕분에 정밀한 위험 차별화가 가능해졌으며, 이는 잠재적으로 보험료 격차를 심화시키고 경제적 부담 및 사회적 배제에 대한 우려를 불러일으킬 수 있다. 동시에, 규제 기관(예: EU 성별 지침, 콜로라도 SB 21-169)은 가격 책정 시 민감한 속성(성별, 인종 또는 사회경제적 대리 변수 등)의 사용을 점점 더 제한하고 있다. 기존 문헌은 이러한 개념을 이분법적으로 다루거나 머신러닝의 예측적 공정성(예: 인구통계학적 패리티)에 초점을 맞추는 경우가 많으며, 보험의 특수한 경제적 부담 배분 문제나 지불 능력(solvency)(보험료가 기대 손실을 충당해야 한다는 운영상의 필수 요건)을 해결하지 못한다.

방법론
저자들은 보험 가격 책정을 제약된 최적화 문제로 모델링하는 $\alpha$-Fair Individual Solvent Premium ($\alpha$-FISP) 프레임워크를 제안한다.

1. 정의 및 지표:

   • 보험수리적 공정 보험료 ($\mu(X, D)$): 비민감($X$) 및 민감($D$) 속성을 완전히 차별화한 기대 손실 $E[Y|X, D]$.
   • 연대적 공정 보험료 ($\mu(X)$): 비민감 위험 클래스 내에서 민감한 속성 간의 위험을 통합한 기대 손실 $E[Y|X]$.
   • $\alpha$-공정성 ($\alpha$-Fairness): 함수 $f$가 $\alpha$-fair하다는 것은, 동일한 비민감 속성($x = x'$)을 가진 임의의 두 개인에 대해, 보험료의 비율이 최소 $\alpha$ 이상임을 의미한다 (여기서 $\alpha \in [0, 1]$). 구체적으로, $\min(f(x, d)/f(x, d'), f(x, d')/f(x, d)) \geq \alpha$이다.
     • $\alpha = 0$: 순수 보험수리적 공정성 (완전 차별화).
     • $\alpha = 1$: 순수 연대적 공정성 (위험 클래스 내 균등 가격 책정).
   • 개별 지불 능력 (Individual Solvency): 고정된 비민감 속성 $x$에 대해, 민감 집단 간의 가중 평균 보험료가 민감 집단 간의 가중 평균 기대 손실을 충당해야 한다는 제약 조건이다. 이는 서로 다른 위험 클래스($x \neq x'$) 간의 교차 보조를 방지한다.

2. 최적화 공식화:
   이 문제는 다음과 같은 제약 조건 하에서 예측 보험료와 실제 손실 사이의 평균 제곱 오차(MSE)를 최소화하는 문제로 공식화된다:

   • $\alpha$-공정성 제약: 위험 클래스 내의 보험료 비율이 $[\alpha, 1/\alpha]$ 범위 내에 있도록 보장하는 선형 부등식.
   • 지불 능력 제약: 집단 수준의 보험료 수입이 집단 수준의 기대 손실을 충당하도록 보장.

   해(solution)인 $\alpha$-FISP는 이 제약된 위험 최소화 문제의 유일한 최소화값(minimizer)으로 도출된다.

주요 이론적 특성
본 논문은 $\alpha$-FISP 프레임워크에 대해 다음과 같은 몇 가지 이론적 보증을 확립한다:

• 존재성 및 유일성: 표준적인 정칙성 조건(양의 기대 손실, 유계된 보험료) 하에서, 유일한 최적해가 존재한다.
• 유계성 (Boundedness): 결과적인 보험료는 주어진 위험 클래스의 보험수리적 공정 보험료들의 볼록 껍질(convex hull) 내에 존재한다. 즉, 어떤 보험료도 해당 클래스 내의 최소 기대 손실 미만으로 내려가거나 최대 보험수리적 공정 벤치마크를 초과하여 높아지지 않는다.
• 순서 보존 (Order Preservation): 민감한 속성에 따른 보험료의 상대적 순서가 보존된다. 한 집단이 다른 집단보다 보험수리적으로 더 위험하다면, 그 위험한 집단의 $\alpha$-공정 보험료는 덜 위험한 집단의 보험료보다 낮아지지 않는다.
• 통계적 보증: 프레임워크는 유한 표본 초과 위험 경계(finite-sample excess risk bounds)를 제공한다. 공정성을 강제하는 비용은 위험의 이질성과 선택된 $\alpha$에 의존하는 가산 편향(additive bias) 항으로 나타난다. 수렴 속도는 미니맥스 최적($O(n^{-1/2})$)을 유지한다.
• 지불 능력: 프레임워크는 공정성에 초점을 맞춘 기존 가격 책정 연구에서 흔히 간과되는 특성인 개별 수준의 지불 능력을 명시적으로 보장한다.

실험 결과
합성 데이터셋과 미국 건강 보험 데이터셋을 사용하여 수치 실험을 수행하였다:

• 연속적 거동 (Continuum Behavior): $\alpha$가 0에서 1로 변화함에 따라, 보험료는 보험수리적 공정 수준에서 연대적 공정 수준으로 매끄럽게 전환되며, 이는 연속체 개념을 검증한다.
• 순서 보존: 시뮬레이션을 통해 저위험 집단의 질량(mass)에 대한 특정 조건이 충족되는 한, $\alpha$가 증가하더라도 보험료가 위험 수준에 따라 단조성을 유지함을 확인하였다.
• DFIP와의 비교: DFIP(Discrimination-Free Insurance Pricing; Lindholm et al., 2022) 방식과 비교했을 때, $\alpha$-FISP는 다양한 공정성 예산(fairness budgets) 구간에서도 일관되게 양(+)의 지불 능력 마진을 유지하였다. 반면, DFIP는 다양한 공정성 예산에서 불능(insolvent) 보험료(음의 지불 능력 마진)를 생성하였다.
• 계산 용이성: 프레임워크는 계산적으로 효율적이며, 표준 제약 최적화 기법(예: 신경망을 이용한 라그랑주 방법)을 통해 해결 가능하다.
• 규제 부합성: 본 프레임워크는 서로 다른 관할 구역이 서로 다른 수준의 교차 보조를 요구할 수 있는(변화하는 $\alpha$로 포착됨) 미국의 이질적인 주 단위 규제 요구사항과 일치한다.

의의 및 주장
본 논문은 다음과 같은 점을 통해 머신러 लर्निंग과 보험수리학 모두의 공정성 문헌을 발전시킨다고 주장한다:

1. 공정성 연속체의 공식화: 보험수리적 공정성과 연대적 공정성 사이의 트레이드오프를 명시적으로 포착하는 튜너블 파라미터로서 $\alpha$-공정성을 도입하여, 이분법적 정의를 넘어섰다.
2. 지불 능력의 통합: 공정성 제약을 준수하면서 개별 수준의 지불 능력을 명시적으로 보장하는 최초의 프레임워크로서, 기존의 공정 가격 책정 연구에 존재하는 중요한 운영적 공백을 메웠다.
3. 구조적 할당 vs. 예측: 공정성을 단순히 예측적 제약(예: 오차 격차 최소화)이 아니라, 재무적 부담이 어떻게 분배되는지를 규정하는 할당 메커니즘으로 재정의하였다. 이는 전통적인 보험수리 원칙과 현대의 알고리즘 공정성 사이의 간극을 메운다.
4. 실무적 구현 가능성: 모델의 안정성이나 지불 능력을 희생하지 않으면서, 특정 전략적 또는 규제적 우선순위에 따라 운영 지점($\alpha$)을 선택할 수 있는 계산적으로 용이하고 해석 가능하며 규제 적응력이 있는 파이프라인을 제공한다.