Practical Fairness Constraints in Credit Scoring for Unbanked Populations: A Pareto-Optimal Analysis of Gender and Intersectional Disparities
Dit artikel stelt een op rechtvaardigheid gebonden kredietbeoordelingskader voor met behulp van mobiele geldgegevens dat gendergerelateerde goedkeuringsverschillen en regelgevende overtredingen aanzienlijk vermindert terwijl de nauwkeurigheid hoog blijft, hoewel intersectionele analyse onthult dat dergelijke beperkingen alleen niet volledig kunnen voorzien in de samengestelde sociaaleconomische ongelijkheden die lage inkomensvrouwen treffen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de moderne financiële wereld hangt de bekwaamheid van een persoon om geld te lenen vaak af van een digitale schaduw die zij hebben achtergelaten: een verslag van eerdere leningen, creditcardbetalingen en banktransacties. Voor honderden miljoenen mensen, met name in Sub-Sahara Afrika, bestaat deze schaduw niet. Zij zijn "unbanked" (niet bankiert), wat betekent dat zij nooit een formele bankrekening hebben gebruikt, waardoor traditionele systemen geen manier hebben om te beoordelen of zij wel betrouwbaar genoeg zijn om geld aan te lenen. Deze uitsluiting houdt individuen en kleine bedrijven gevangen in een cyclus waarin zij niet kunnen investeren in hun toekomst of zichzelf kunnen beschermen tegen economische schokken. Om dit op te lossen, wenden kredietverstrekkers zich tot alternatieve data, zoals de geschiedenis van mobiel geldverkeer, wat kan onthullen hoe een persoon met geld omgaat, zelfs zonder een bankrekening. Echter, naarmate computers leren deze nieuwe patronen te lezen, is er een groeiende angst dat ze simpelweg oude fouten zullen herhalen, door vrouwen of de armen onterecht leningen te weigeren omdat de data historische ongelijkheden weerspiegelt in plaats van de werkelijke terugbetalingscapaciteit.
Dit is de uitdaging waar onderzoekers Muadh Abdullateef Olamilekan en Nguyen Anh Van Trang zich mee hebben voorgestaan. Zij stelden een fundamentele vraag: Kunnen we een computersysteem bouwen dat iedereen eerlijk krediet verleent, inclusief zij die nog nooit een bankrekening hebben gehad, zonder het vermogen van het systeem op te offeren om te voorspellen wie daadwerkelijk de lening zal terugbetalen? Om het antwoord te vinden, gebruikten zij geen echte gegevens over mobiel geld uit Afrika, aangezien die moeilijk te verkrijgen zijn voor onderzoek. In plaats daarvan gebruikten zij een grote, publieke dataset van leningaanvragen die de complexiteit van alternatieve data nabootst. Ze trainden een computermodel om wanbetalingen te voorspellen en testten vervolgens drie verschillende methoden om het model te dwingen mannen en vrouwen gelijk te behandelen. Eén methode paste de data aan vóór de training, een andere veranderde hoe de computer leerde tijdens de training, en de derde paste simpelweg de uiteindelijke beslisregels aan nadat de computer klaar was met leren.
De onderzoekers ontdekten dat de meest effectieve aanpak degene was die de uiteindelijke beslisregels aanpaste. Door de drempel voor goedkeuring voor verschillende groepen zorgvuldig te verschuiven, waren zij in staat om de kloof in de goedkeuringspercentages voor leningen tussen mannen en vrouwen bijna volledig te elimineren. In hun tests kromp de kloof van bijna negen procentpunten naar minder dan een half procentpunt, een vermindering van bijna negentig vijf procent. Cruciaal was dat deze enorme verbetering in eerlijkheid gepaard ging met een zeer kleine kost voor de algehele nauwkeurigheid van het systeem. Het vermogen van het model om goede leners correct te identificeren daalde slechts een fractie, wat suggereert dat kredietverstrekkers niet hoeven te kiezen tussen eerlijk zijn en winstgevendheid. Het systeem werd aanzienlijk inclusiever, waarbij meer leningen werden goedgekeurd, terwijl het nog steeds een hoge standaard van risicobeheer behield.
Het onderzoek onthulde echter ook een diepere, complexere waarheid over eerlijkheid. Hoewel het computermodel mannen en vrouwen gemiddeld genomen gelijk behandelde, kon het de ongelijkheden veroorzaakt door inkomen niet oplossen. Wanneer de onderzoekers keken naar de intersectie van gender en rijkdom, vonden zij dat de armste vrouwen nog steeds veel minder waarschijnlijk een lening kregen dan de rijkste mannen. De kloof tussen deze twee specifieke groepen bleef groot, zelfs toen de algemene cijfers voor mannen en vrouwen gelijk leken. Deze bevinding suggereert dat het simpelweg vertellen van een computer om eerlijk te zijn tegenover één groep, zoals vrouwen, niet voldoende is om het bredere probleem van economische ongelijkheid op te lossen. Het model was eerlijk in een nauwe zin, maar het kon de structurele nadelen die de armste aanvragers ervoeren, niet overwinnen.
De onderzoekers merkten ook op dat hoewel het systeem eerlijke beslissingen nam, de gegenereerde betrouwbaarheidsscores niet altijd perfect gekalibreerd waren, wat betekent dat de exacte waarschijnlijkheidsgetallen die het gaf, mogelijk aangepast moeten worden voordat ze in een echte bankomgeving kunnen worden gebruikt. Zij benadrukten dat hun werk een bewijs van concept is, dat laat zien dat eerlijkheidsbeperkingen effectief kunnen worden toegepast op kredietwaardigheidstoetsing. Zij beweerden niet het volledige probleem van financiële uitsluiting te hebben opgelost, maar boden een duidelijk pad vooruit. Door een methode te gebruiken die de behoefte aan nauwkeurigheid balanceert met de behoefte aan eerlijkheid, kunnen financiële instellingen beginnen met het verstrekken van krediet aan de niet-bankiers zonder de zeer eigen vooroordelen te versterken die hen juist buiten hielden. De studie concludeert dat het met de juiste instrumenten mogelijk is om een financieel systeem te bouwen dat zowel slim als rechtvaardig is, hoewel het constante waakzaamheid vereist om ervoor te zorgen dat eerlijkheid zich uitstrekt tot alle lagen van de samenleving, en niet alleen tot het oppervlakkige niveau.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.