🤖 machine learning

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

Este artigo apresenta o framework $\alpha$ -FISP, um modelo de otimização restrita que resolve a tensão entre a equidade atuarial e a solidariedade na precificação de seguros ao gerar um continuum de soluções de prêmios solucionáveis parametrizadas por $\alpha$ , permitindo assim que reguladores e seguradoras equilibrem a diferenciação de risco com o subsídio cruzado enquanto garantem a solvência.

Autores originais: Tianhe Zhang, Xiguang Liu, Peng Shi

Publicado 2026-06-16

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Tianhe Zhang, Xiguang Liu, Peng Shi

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está organizando um jantar de confraternização gigante onde cada pessoa traz um prato, mas algumas pessoas trazem ingredientes caros enquanto outras trazem lanches simples. O objetivo é descobrir quanto cada pessoa deve pagar pela sua refeição.

Este artigo aborda um argumento antigo e complexo sobre como cobrar pelas pessoas por um seguro: As pessoas devem pagar exatamente o que seus riscos pessoais custam (Equidade Atuarial) ou todos devem pagar o mesmo preço para ajudar aqueles que são mais arriscados (Equidade de Solidariedade)?

Aqui está a solução do artigo, dividida em conceitos simples.

1. As Duas Visões Opostas

Os autores descrevem um cabo de guerra entre duas formas de pensar sobre "equidade":

A Visão "Atuarial" (O Contador Estrito): Esta visão diz: "Se você é um motorista jovem e não fumante, deve pagar menos. Se você é um fumante mais velho, deve pagar mais." Baseia-se na ideia de que seu preço deve corresponder perfeitamente ao seu risco específico. Se você é de baixo risco, não deve subsidiar as pessoas de alto risco.
A Visão da "Solidariedade" (O Ajudante da Comunidade): Esta visão diz: "Estamos todos juntos nisso." Argumenta que o seguro é uma rede de segurança social. Se cobrarmos demais das pessoas de alto risco, elas não conseguirão pagar pelo seguro. Portanto, as pessoas de baixo risco devem pagar um pouco a mais para ajudar a cobrir os custos do grupo de alto risco.

O Problema: No passado, essas duas ideias eram vistas como inimigas. Você não podia ter ambas. Se você usasse muitos dados (como gênero, raça ou CEP) para calcular o risco, poderia acabar cobrando tanto dos grupos vulneráveis que eles não conseguiriam arcar com a cobertura. Mas se você ignorasse o risco inteiramente, a seguradora poderia falir porque os "contadores" não estariam coletando dinheiro suficiente.

2. A Solução: O "Controle de Equidade" ( $\alpha$ )

Os autores propõem um novo framework chamado $\alpha$ -Equidade. Pense nisso como um controle deslizante ou um botão de dimerização que permite escolher exatamente quanta "solidariedade" você deseja na precificação.

O controle é rotulado como $\alpha$ (alfa) e vai de 0 a 1.
Em 0 (A Extremidade "Atuarial"): O controle está totalmente para baixo. Todos pagam exatamente o que seus riscos específicos custam. Ninguém ajuda ninguém.
Em 1 (A Extremidade da "Solidariedade"): O controle está totalmente para cima. Todos no mesmo grupo básico (por exemplo, mesma idade e status de fumante) pagam exatamente o mesmo preço, independentemente de outros detalhes. As pessoas de baixo risco subsidiam totalmente as pessoas de alto risco.
No Meio (ex: 0,5): Este é o ponto ideal. As pessoas de baixo risco pagam um pouco a mais para ajudar as pessoas de alto risco, mas não tanto que estejam sendo punidas. As pessoas de alto risco recebem um desconto, mas não um benefício gratuito.

3. A Regra da "Rede de Segurança" (Solvência)

O artigo adiciona uma regra crucial que muitos outros conceitos de equidade esquecem: A seguradora não pode falir.

Eles chamam isso de Solvência Individual. Imagine um grupo específico de pessoas (digamos, fumantes de 30 anos). O dinheiro total arrecadado deste grupo deve ser suficiente para pagar suas reivindicações esperadas. Você não pode tirar dinheiro de fumantes de 30 anos para pagar fumantes de 60 anos. O "pote" de cada grupo deve permanecer no azul.

Isso garante que, enquanto somos justos com diferentes grupos, não estamos criando um desastre financeiro para a seguradora.

4. Como Funciona na Prática

Os autores transformaram essa ideia em um problema matemático (uma tarefa de otimização).

Entrada: Eles começam com o preço "perfeito" baseado no risco (o que o contador cobraria).
Ajuste: Eles então aplicam o controle de $\alpha$ . Se você definir $\alpha$ como 0,8, a matemática força os preços das pessoas no mesmo grupo a serem muito próximos uns dos outros (dentro de 80% uns dos outros).
Restrição: A matemática também verifica se o grupo ainda tem dinheiro suficiente para pagar suas contas.

5. O Que Eles Descobriram

Os autores testaram isso com simulações de computador e dados reais de seguro saúde.

Funciona: Eles mostraram que você pode deslizar suavemente de uma "precificação baseada estritamente no risco" para uma "precificação baseada na comunidade" sem quebrar a matemática.
É Seguro: Ao contrário de outros métodos de precificação "justos" que testaram, o método deles nunca resultou em perda financeira para o grupo de seguros (solvência negativa).
É Flexível: Como os reguladores em diferentes lugares têm regras diferentes (alguns estados querem mais equidade, outros menos), este framework permite que uma empresa apenas gire o controle de $\alpha$ para se adequar às leis locais.

A Analogia do Grande Cenário

Imagine uma cantina escolar.

Equidade Atuarial: Você paga exatamente pelos ingredientes do seu almoço. Se você pede um bife, paga \ $undefined$ 5.
Equidade de Solidariedade: Todos pagam $10. Quem come bife subsidia quem come sanduíche para que todos possam comer.
A Solução do Artigo: O diretor (o regulador) diz: "Precisamos de um meio-termo". Ele estabelece uma regra: "A diferença de preço entre o bife e o sanduíche não pode ser superior a 50%".
- O bife pode cair para $15.
- O sanduíche pode subir para $10.
- A cantina ainda arrecada dinheiro suficiente para comprar a comida (Solvência), mas a lacuna entre os comedores ricos e pobres não é tão grande.

O artigo nos dá a ferramenta matemática para encontrar esse meio-termo perfeito, garantindo que o seguro seja ao mesmo tempo acessível para as pessoas e financeiramente saudável para a empresa.

Resumo Técnico: Precificação de Seguros $\alpha$ -Fair

Definição do Problema
A precificação de seguros enfrenta uma tensão fundamental entre duas noções concorrentes de justiça: a justiça atuarial e a justiça de solidariedade. A justiça atuarial dita que os prêmios devem refletir as perdas esperadas individuais, o que é frequentemente alcançado através de uma classificação de risco granular. Por outro lado, a justiça de solidariedade enfatiza o agrupamento social, onde os riscos são compartilhados entre grupos para garantir acessibilidade e acesso, o que muitas vezes requer subsídios cruzados.

Em ambientes modernos orientados por dados, a disponibilidade de dados granulares permite uma diferenciação de risco cada vez mais precisa, o que pode exacerbar as disparidades de prêmios e levantar preocupações sobre acessibilidade e exclusão social. Simultaneamente, reguladores (ex: a Diretiva de Gênero da UE, a SB 21-169 do Colorado) estão restringindo cada vez mais o uso de atributos sensíveis (como gênero, raça ou proxies socioeconômicos) na precificação. A literatura existente frequentemente trata esses conceitos como binários ou foca na justiça preditiva em aprendizado de máquina (ex: paridade demográfica), falhando em abordar a alocação econômica específica de encargos financeiros no seguro ou o requisito operacional crítico de solvência (garantir que os prêmios cubram as perdas esperadas).

Metodologia
Os autores propõem o framework $\alpha$ -Fair Individual Solvent Premium ( $\alpha$ -FISP), que modela a precificação de seguros como um problema de otimização restrita.

Definições e Métricas:
- Prêmio Atuarialmente Justo ( $\mu(X, D)$ ): A perda esperada $E[Y|X, D]$ , diferenciando totalmente por atributos não sensíveis ( $X$ ) e sensíveis ( $D$ ).
- Prêmio de Solidariedade Justo ( $\mu(X)$ ): A perda esperada $E[Y|X]$ , agrupando riscos entre atributos sensíveis dentro de uma classe de risco não sensível.
- $\alpha$ -Justiça ( $\alpha$ -Fairness): Uma função de preço $f$ $f$ é $\alpha$ $α$ -justa se, para quaisquer dois indivíduos com atributos não sensíveis idênticos ( $x = x'$ $x = x^{'}$ ), a razão entre seus prêmios for pelo menos $\alpha$ $α$ (onde $\alpha \in [0, 1]$ $α \in [0, 1]$ ). Especificamente, $\min(f(x, d)/f(x, d'), f(x, d')/f(x, d)) \geq \alpha$ $min (f (x, d) / f (x, d^{'}), f (x, d^{'}) / f (x, d)) \geq α$ .
  - $\alpha = 0$ : Pureza de justiça atuarial (diferenciação total).
  - $\alpha = 1$ : Pureza de justiça de solidariedade (precificação uniforme dentro da classe de risco).
- Solvência Individual: Uma restrição exigindo que, para qualquer atributo não sensível fixo $x$ , a média ponderada dos prêmios entre os grupos sensíveis deve cobrir a média ponderada de suas perdas esperadas. Isso evita o subsídio cruzado entre classes de risco heterogêneas ( $x \neq x'$ ).
Formulação de Otimização:
O problema é formulado como a minimização do Erro Quadrático Médio (MSE) entre o prêmio previsto e a perda realizada, sujeito a:
- Restrições de $\alpha$ -Justiça: Desigualdades lineares garantindo que a razão de prêmios dentro de uma classe de risco permaneça dentro de $[\alpha, 1/\alpha]$ .
- Restrições de Solvência: Garantindo que a receita de prêmio do grupo cubra a perda esperada do grupo.
A solução, $\alpha$ -FISP, é derivada como o minimizador único deste problema de minimização de risco restrito.

Principais Propriedades Teóricas
O artigo estabelece várias garantias teóricas para o framework $\alpha$ -FISP:

Existência e Unicidade: Sob condições de regularidade padrão (perdas esperadas positivas, prêmios limitados), existe uma solução ótima única.
Limitação (Boundedness): Os prêmios resultantes situam-se dentro do invólucro convexo dos prêmios atuarialmente justos para uma determinada classe de risco. Nenhum prêmio é empurrado abaixo da perda mínima esperada ou inflacionado além do benchmark atuarialmente justo máximo dentro dessa classe.
Preservação de Ordem: A ordenação relativa dos prêmios entre atributos sensíveis é preservada. Se um grupo é atuarialmente mais arriscado que outro, o prêmio $\alpha$ -justo para o grupo mais arriscado não será inferior ao do grupo menos arriscado.
Garantias Estatísticas: O framework fornece limites de excesso de risco em amostras finitas. O custo de impor a justiça é mostrado como um termo de viés aditivo que depende da heterogeneidade dos riscos e do $\alpha$ escolhido. A taxa de convergência permanece minimax ótima ( $O(n^{-1/2})$ ).
Solvência: O framework garante explicitamente a solvência individual, uma propriedade frequentemente negligenciada em estudos de precificação focados em justiça.

Resultados Experimentais
Experimentos numéricos foram conduzidos em conjuntos de dados sintéticos e em um conjunto de dados de Seguro de Saúde dos EUA:

Comportamento de Continuidade: À medida que $\alpha$ varia de 0 a 1, os prêmios transitam suavemente de níveis atuarialmente justos para níveis de solidariedade justa, validando o conceito de continuidade.
Preservação de Ordem: Simulações confirmaram que os prêmios mantêm a monotonicidade em relação aos níveis de risco, mesmo quando $\alpha$ aumenta, desde que certas condições sobre a massa do grupo de baixo risco sejam atendidas.
Comparação com DFIP: Quando comparado com o método de Precificação de Seguro Livre de Discriminação (DFIP) (Lindholm et al., 2022), o $\alpha$ -FISP manteve consistentemente uma margem de solvência positiva. Em contraste, o DFIP produziu prêmios insolventes (margem de solvência negativa) através de vários orçamentos de justiça.
Tratabilidade Computacional: O framework é computacionalmente eficiente, sendo passível de resolução via técnicas padrão de otimização restrita (ex: métodos lagrangianos com redes neurais).
Alinhamento Regulatório: O framework alinha-se aos requisitos regulatórios heterogêneos de nível estadual nos EUA, onde diferentes jurisdições podem exigir diferentes níveis de subsídio cruzado (capturados pela variação de $\alpha$ ).

Significância e Alegações
O artigo alega avançar a literatura tanto em aprendizado de máquina quanto em ciência atuarial ao:

Formalizar um Continuum de Justiça: Introduzir a $\alpha$ -justiça como um parâmetro ajustável que captura explicitamente o compromisso entre a justiça atuarial e a de solidariedade, indo além de definições binárias.
Integrar a Solvência: Ser o primeiro framework a garantir explicitamente a solvência de nível individual enquanto impõe restrições de justiça, abordando uma lacuna operacional crítica em estudos de precificação justa existentes.
Alocação Estrutural vs. Predição: Reenquadrar a justiça não apenas como uma restrição preditiva (ex: disparidade de erro mínimo) mas como um mecanismo de alocação que governa como os encargos financeiros são distribuídos. Isso une a lacuna entre os princípios atuariais tradicionais e a justiça algorítmica moderna.
Implementabilidade Prática: Fornecer um pipeline computacionalmente tratável, interpretável e regulatoriamente adaptável que permite aos tomadores de decisão selecionar um ponto de operação ( $\alpha$ ) alinhado com prioridades estratégicas ou regulatórias específicas sem sacrificar a estabilidade do modelo ou a solvência.