Assurance et discrimination, quel rôle pour les actuaires ?

Le rôle essentiel d’un actuaire en charge de la tarification est la segmentation du portefeuille (ou « insurance classification » en anglais), correspondant à une activité de discrimination (mathématiquement parlant) au sens où l’actuaire va chercher les variables les plus « discriminantes », pour en expliquer une autre (en lien avec la sinistralité). Mais au sens juridique, discriminer, c’est interdit par la loi, ce qui place l’actuaire dans une position souvent délicate et complexe.

L’origine ethnique et raciale

En France, le terme « statistiques ethniques » est un sujet sensible. Pourtant, les recensements demandent, traditionnellement (depuis plus d’un siècle), la nationalité à la naissance, distinguant ainsi Français de naissance et Français par acquisition. Et, depuis une trentaine d’années, la variable « pays de naissance des parents » est introduite dans un nombre croissant d’enquêtes publiques. Le mot « ethnique », souvent utilisé dans les textes juridiques, semble constituer un « substitut euphémique de “racial” », comme l’affirme le Comité pour la mesure de la diversité et l’évaluation des discriminations [Comedd, 2010]. Le premier a un fondement anthropologique, une « ethnie » désignant un groupe de personnes dont l’existence est attestée bien qu’elles n’aient pas d’Etat (allant donc au-delà du « pays de naissance » demandé dans les questionnaires), alors que le second semble associé à un terme biologique relativement récent, en lien avec la classification des espèces. En 1978, la loi Informatique et libertés utilise l’expression « origines raciales ou ethniques » : est « ethnique » toute référence à une origine étrangère, que ce soit la nationalité à la naissance, la nationalité des parents, ou la « reconstitution » fondée sur le patronyme ou sur l’apparence physique.

Aux Etats-Unis, selon le Census, la race correspond à un concept d’identification, où les résidents américains choisissent la race (ou les races, à partir de 2000) avec laquelle, ou lesquelles, ils s’identifient le mieux. Ce principe d’auto-déclaration a été instauré en 1970, et auparavant, les agents du recensement associaient eux-mêmes les résidents américains aux diverses catégories. Les « races primaires » ont longtemps été « Blanc », « Noir et Afro-Américain » et « Asiatique ».

Comme le rappelle Wolff [2006], en 1896 Frederick L. Hoffman, actuaire chez Prudential Life Insurance, a publié un ouvrage démontrant, statistiques à l’appui, que le Noir américain n’était pas assurable. Si cet ouvrage a été critiqué dès sa publication – la principale critique est d’avoir agrégé toutes sortes de données, empêchant une analyse plus fine d’autres causes de (possible) surmortalité –, il a joué un rôle important à une époque où de nombreuses lois anti-discrimination étaient votées. A cette époque, aux Etats-Unis, plusieurs Etats adoptaient des lois interdisant de demander des primes différentes sur la base d’une information raciale. Par exemple, comme le souligne Wiggins [2020], au cours de l’été 1884, la législature de l’Etat du Massachusetts a adopté une loi visant à prévenir la discrimination des sociétés d’assurance vie à l’égard des personnes de couleur. Cette loi empêchait les assureurs vie opérant dans l’Etat de faire « toute distinction ou discrimination entre les personnes blanches et les personnes de couleur entièrement ou partiellement d’origine africaine, en ce qui concerne les primes ou les taux appliqués aux polices d’assurance sur la vie de ces personnes ». La loi exigeait également que les assureurs paient des indemnités complètes aux assurés afro-américains, dès lors qu’ils payaient les mêmes mensualités. C’est sur la base de ces lois que l’argument de non-assurabilité a été invoqué : assurer les Noirs au même tarif que les Blancs serait statistiquement inéquitable, soutenait Hoffman [1896], et ne pas assurer les Noirs était la seule manière de se conformer à la loi.

Si les lois anti-discriminations existent depuis plus d’un siècle aux Etats-Unis, de nombreuses études questionnent régulièrement, sur la base de données spatiales, l’existence d’un « red lining », c’est-à-dire l’existence d’une discrimination géographique, qui serait une discrimination raciale déguisée. Par exemple, Heller [2015] a montré que les quartiers à prédominance afro-américaine paient 70 % de plus, en moyenne, pour les primes d’assurance automobile que les autres quartiers. Et en analysant 30 millions de devis de primes, par code postal, pour les principales sociétés d’assurance à travers les Etats-Unis, Larson et al. [2017] ont confirmé qu’un écart existait, même s’il était plus faible que les 70 % mentionnés. Aussi, dans l’Illinois, les sociétés d’assurance facturaient en moyenne plus de 10 % de plus les primes de responsabilité civile automobile pour les codes postaux « majoritairement minoritaires » (au sens où le taux de personnes issues de minorités était le plus important) que dans les codes postaux majoritairement blancs. Historiquement, comme le rappelle Squires [2003], de nombreuses institutions financières ont eu recours à une telle discrimination en refusant de desservir des zones géographiques à prédominance afro-américaine. Si de nombreuses analyses, comme Ong et Stoll [2007], ont remis en cause ces conclusions sur la base de covariables corrélées avec la variable raciale, la question de comment établir, sur la base de données observées, l’existence d’une discrimination reste une question complexe ; Charpentier [2021] revient sur différentes approches.

Discriminer entre fumeurs et non-fumeurs

Un autre sujet, plus anecdotique, mais important dans l’histoire de la statistique, est lié au tabac, car de nombreux débats ont eu lieu entre 1930 et 1990 pour savoir si le tabac « causait » le cancer, ou s’il s’agissait d’une simple corrélation. De nombreux textes juridiques en lien avec la discrimination soulignent l’importance de deux facteurs, pour établir qu’il y a discrimination : l’absence de relation causale et l’absence de choix. Aussi, le tabagisme a posé un problème : tout d’abord, il a fallu longtemps pour établir son danger pour la santé (et la relation causale entre le tabagisme et certains cancers), mais surtout, le débat sur l’absence de choix est loin d’être tranché, comme le note Baumeister [2017].

Patterson [1987] rappelle que, dès 1930, les assureurs avaient observé que le tabac avait un impact négatif sur la santé. En particulier, Frederick L. Hoffman [1931], après avoir collecté des statistiques raciales comme nous l’évoquions dans la section précédente, avait commencé à collecter des statistiques en lien avec les cancers à partir de 1915. Il affirmait ainsi « les habitudes tabagiques augmentent incontestablement la vulnérabilité au cancer de la bouche, de la gorge, de l’œsophage, du larynx et des poumons », tout en soulignant l’incroyable hétérogénéité du groupe « fumeur » (tant sur la quantité que sur la qualité du produit fumé). Mais rien n’est dit sur les conséquences actuarielles. Et là encore, les conclusions seront critiquées par Ronald Fisher, en 1958 et 1959, affirmant : « il ne fait donc aucun doute que le génotype exerce une influence considérable sur le tabagisme » ; autrement dit, le fait de fumer serait expliqué, génétiquement. Et comme les cancers sont souvent liés à des prédispositions génétiques, si corrélation il y a, c’est juste parce qu’il y a des facteurs génétiques communs. L’analyse de Fisher sera remise en cause par la suite, comme le raconte Stolley [1991], et le tabac sera finalement reconnu comme une cause probable de bon nombre de cancers. Cowell et Hirst [1979] ont relancé les débats dans la communauté actuarielle, en construisant les premières tables de mortalité pour des non-fumeurs et des fumeurs.

Les juristes et les actuaires

Pour Thiery et Van Schoubroeck [2006], les juristes et les actuaires ont des conceptions fondamentalement différentes de la discrimination, et du concept d’équité (« fairness »). La segmentation en assurance sera individuelle pour les uns, et collective pour les autres, comme cela a été montré aux Etats-Unis avec les affaires Manhart et Norris. Dans l’affaire Manhart, en 1978, la Cour a jugé illégal un régime de rentes dans lequel les hommes et les femmes recevaient des prestations égales à la retraite, et où les femmes versaient des cotisations plus importantes. En 1983, la Cour suprême a jugé, dans l’affaire Norris, que l’utilisation de facteurs actuariels variant selon le genre, en termes de prestations, dans le cadre de régimes de retraite, était illégale, car elle tombait sous le coup de l’interdiction de la discrimination. Juridiquement, le droit à l’égalité de traitement est octroyé à une personne en sa qualité d’individu, et non en sa qualité de membre d’un groupe racial, sexuel, religieux ou ethnique. Et ainsi, un individu ne peut être traité différemment en raison de son appartenance à un tel groupe, en particulier à un groupe auquel il n’a pas choisi d’appartenir. Ces arrêtés soulignent qu’il est interdit de traiter les individus comme de simples composants d’une classe raciale, religieuse ou sexuelle, affirmant que l’équité envers les individus l’emporte sur l’équité envers les classes. Mais cette vision s’oppose fondamentalement à l’approche actuarielle, qui, historiquement, analyse les risques et calcule les primes en termes de groupes : jusqu’à peu, les actuaires ne considéraient les individus que comme des membres d’un groupe[i].

Un individu appartenant à un groupe présentant un risque statistique de survie, ou de décès, plus élevé doit payer une prime plus élevée ou doit recevoir moins de prestations. En assurance automobile, un individu appartenant à un groupe qui représente un risque statistique d’accident plus élevé doit payer des primes plus élevées. Brilmayer et al. [1983] rappelaient que ce sont les différences entre les probabilités d’avoir un accident en fonction du genre (et non les différences individuelles) qui sont prises en compte pour justifier la différence de primes, pour expliquer la différence de prestations, ou pour fonder un mécanisme de sélection. Les systèmes de classification des assurances reposent sur l’hypothèse que les individus répondent aux caractéristiques moyennes, stéréotypées pour reprendre le terme de Schauer [2006], d’un groupe auquel ils appartiennent. Les assureurs font en effet valoir que les statistiques courantes indiquent qu’en moyenne plus de femmes que d’hommes conduisent sans accident et que, par conséquent, la femme moyenne a une probabilité d’avoir un sinistre inférieur à celle de l’homme moyen. Sur la base de ces données, les femmes doivent payer une prime inférieure à celle des hommes. Les sociétés d’assurance visent à préserver l’égalité entre les groupes, et non entre les individus. Un fondement essentiel de l’assurance est l’idée de « mutualisation » des risques, c’est-à-dire la constitution de groupes supposés homogènes. Le risque en assurance ne peut s’envisager sans cette notion de mutualisation, c’est d’ailleurs la grande différence avec les mathématiques financières, où il existe une valeur fondamentale d’un risque (dans un marché). La mutualisation est intrinsèque à la segmentation des risques d’assurance, et impose une forme de solidarité au sein du groupe ; la totalité des primes d’un groupe devant être statistiquement entièrement compensées par la totalité des remboursements de ce même groupe. L’assureur impose alors une solidarité entre les assurés qui ont un même profil de risque (avec une probabilité de sinistre et une ampleur de sinistre comparables). Sans segmentation, ou si les groupes qui ne sont pas composés de membres ayant un profil de risque comparable, on observera un phénomène de solidarité « subventionnante », au sens où une personne ayant un certain profil de risque paie pour le montant de la perte des personnes ayant une espérance de perte plus élevée.

Ces deux approches de la discrimination, statistique et juridique, Glenn [2000] les reprenait en expliquant que, comme le dieu romain Janus, le processus de sélection des risques d’un assureur avait deux visages : celui qui est présenté aux régulateurs et aux assurés, et l’autre qui est présenté aux souscripteurs. Il y a d’un côté le visage des chiffres, des statistiques et de l’objectivité. De l’autre, il y a le visage des récits, du caractère et du jugement subjectif. La rhétorique de l’exclusion de l’assurance (sur la base de statistiques) forme ce que Brian Glenn appelle « le mythe de l’actuaire, une situation rhétorique puissante dans laquelle les décisions semblent être basées sur des critères déterminés objectivement alors qu’elles sont aussi largement basées sur des critères subjectifs », correspondant à la nature subjective d’un processus apparemment objectif, comme Desrosières [2016] l’a parfaitement montré.

Quand les actuaires font un tarif, ils ne se contentent pas de chercher des corrélations, ils cherchent idéalement de possibles variables causales, en se racontant des histoires. La narration du modèle, son récit, est presque aussi importante que l’analyse statistique. Glenn [2003] soulignait : « Il y a de nombreuses façons de noter les risques de manière précise, et c’est justement ce que je veux dire. Les assureurs peuvent évaluer les risques de nombreuses façons différentes en fonction des histoires qu’ils racontent sur les caractéristiques qui sont importantes et celles qui ne le sont pas […] La quasi-totalité des aspects de l’industrie de l’assurance est basée sur des histoires d’abord et des chiffres ensuite ». Et les histoires sont souvent construites sur des stéréotypes. En effet, selon Schauer [2006] « être un actuaire, c’est être un spécialiste de la généralisation, et les actuaires s’engagent dans une forme de prise de décision que l’on appelle parfois actuarielle ». D’où l’importance des stéréotypes, consistant à généraliser des comportements individuels à toute une classe d’assurés.

Discrimination par procuration

Petauton [2011] et Pradier [2011] reviennent longuement sur la discrimination en assurance, discutant la gender directive, qui interdisait, en Europe, de segmenter suivant le genre de l’assuré(e). L’idée d’une discrimination statistique soulève de nombreuses questions étroitement liées au concept de « variable prédictive ». Espeland et Stevens [1998] évoquent l’idée de « comesures », dans le sens où une variable est utilisée à d’autres fins que celle pour laquelle elle est créée. C’est le débat que l’on retrouve par exemple sur l’utilisation du score de crédit, aux Etats-Unis, supposé être une variable prédictive importante de la sinistralité d’un assuré. Mais comme le notaient Morris et al. [2017] cela vient peut-être simplement du fait qu’une personne à faible revenu ira peut-être réclamer une indemnisation pour un sinistre qui excède légèrement la franchise, alors qu’une personne sans difficultés financières n’ira pas se lancer dans une réclamation qui lui prendra du temps (ce qui donnera l’illusion que moins de sinistres ont été observés pour les personnes avec un score de crédit élevé).

De même, comme le montraient Antonio et Charpentier [2017], le genre, en assurance automobile, était un proxy d’autres informations, qui peuvent être obtenues par les boîtiers connectés. Prince et Schwarcz [2019] parlaient de « discrimination par proxy » (que l’on pourrait traduire « discrimination par procuration »), pour décrire cet impact fortuit. La discrimination par procuration se produit lorsqu’une variable « neutre » est utilisée comme substitut – ou proxy – pour une variable interdite. Austin [1983] affirmait que « les invitations aux souscripteurs à introduire des préjugés et des partis pris et à se laisser aller à des stéréotypes psychologiques amateurs sont évidentes. Même les textes généraux de tarification comprennent des caractérisations professionnelles, ethniques, raciales, géographiques et culturelles qui ne manqueront pas de choquer si elles sont exprimées publiquement ».

Et cette discrimination par proxy, souvent involontaire, devient un défi compliqué lorsqu’on est en présence de données massives et d’algorithmes de type « boîte noire », difficilement interprétables et explicables. Comme le soulignaient Gillis et Spiess [2019], interdire l’utilisation d’une variable protégée ne suffit pas à empêcher la discrimination, « la seule exclusion d’une variable interdite peut s’avérer insuffisante lorsque d’autres caractéristiques sont corrélées à cette variable – un problème qui est exacerbé dans le contexte du big data ». Sans compter que l’intelligence artificielle (IA) et l’apprentissage machine posent des défis supplémentaires. Comme le rappelaient Epstein et King [2002], contrairement aux modèles statistiques traditionnels, l’apprentissage machine ne s’appuie pas sur l’intuition initiale d’un humain sur les explications causales des liens statistiques entre les données d’entrée et la variable cible. Au lieu de cela, l’algorithme utilise des données d’entraînement pour découvrir par lui-même quelles caractéristiques peuvent être utilisées pour prédire la variable cible. Bien que ce processus ignore complètement la causalité, il conduit inévitablement les algorithmes à « rechercher » des proxys pour des caractéristiques directement prédictives lorsque les données sur ces caractéristiques ne sont pas mises à la disposition de l’IA en raison d’interdictions légales.

Bibliographie

Antonio K. ; Charpentier A., « La tarification par genre en assurance, corrélation ou causalité ? », Risques, n° 109, 2017, pp. 97-100.

Austin R., “The Insurance Classification Controversy”, University of Pennsylvania Law Review, vol. 131, n° 3, 1983, pp. 517-583.

Baumeister F. R., “Addiction, Cigarette Smoking, and Voluntary Control of Action: Do Cigarette Smokers Lose their Free Will?”, Addictive Behaviors Reports, n° 5, 2017, pp. 67-84.

Brilmayer L. ; Laycock D. ; Sullivan T. A., “The Efficient Use of Group Averages as Nondiscrimination: A Rejoinder to Professor Benston”, The University of Chicago Law Review, vol. 50, n° 1, 1983, pp. 222-249.

Charpentier A., « Assurance : discrimination, biais et équité », Opinions & Débats, Institut Louis Bachelier, 2021, à paraître.

Comité pour la mesure de la diversité et l’évaluation des discriminations (Comedd), « Inégalités et discriminations, pour un usage critique et responsable de l’outil statistique », 2010.

Cowell M. J. ; Hirst B. L., “Mortality Differences between Smokers and Non-Smokers”, State Mutual Life Assurance Company of America Worcester, Mass, 1979.

Desrosières A., La politique des grands nombres : histoire de la raison statistique, La Découverte, 2016.

Epstein L. ; King G., “The Rules of Inference”, The University of Chicago Law Review, vol. 69, n° 1, 2002, pp. 1-133.

Espeland W. N. ; Stevens M. L., “Commensuration as a Social Process”, Annual Review of Sociology, vol. 24, n° 1, 1998, pp. 313-343.

Fisher, R. (1958). “Cancer and smoking”. Nature 182, pp. 596

Gillis T. B. ; Spiess J. L., “Big Data and Discrimination”, The University of Chicago Law Review, vol. 86, n°°2, 2019, pp. 459-488.

Glenn B. J., “Postmodernism: the Basis of Insurance”, Risk Management and Insurance Review, vol. 6, n° 2, 2003, pp. 131-143.

Glenn B. J., “The Shifting Rhetoric of Insurance Denial”, Law and Society Review, vol. 34, 2000, pp. 779-808.

Heller D., “High Price of Mandatory Auto Insurance in Predominantly African American Communities”, rapport technique, Consumer Federation of America, 2015.

Hoffman F. L., “Cancer and Smoking Habits”, Annals of Surgery, vol. 93, 1931.

Hoffman F. L., Race Traits and Tendencies of the American Negro, American Economic Association, 1896.

Larson, J. ; Angwin J. ; Kirchner L. ; Mattu S., “How We Examined Racial Discrimination in Auto Insurance Prices”, ProPublica, 5 avril 2017.

Morris D. S. ; Schwarcz D. ; Teitelbaum J. C., “Do Credit-Based Insurance Scores Proxy for Income in Predicting Auto Claim Risk?”, Journal of Empirical Legal Studies, vol. 14, n° 2, 2017, pp. 397-423.

Ong P. M. ; Stoll M. A., “Redlining or Risk? A Spatial Analysis of Auto Insurance Rates in Los Angeles”, Journal of Policy Analysis and Management, vol. 26, n° 4, 2007, pp. 811-830

Patterson J. T., The Dread Disease: Cancer and American Culture, Harvard University Press, 1987.

Petauton P., « Éthique, statistique et tarification », Risques, n° 87, 2011, pp. 25-30.

Pradier P.-Ch., « (Petite) histoire de la discrimination (dans les assurances) », Risques, n° 87, 2011, pp. 51-57.

Prince A. E. ; Schwarcz D., “Proxy Discrimination in the Age of Artificial Intelligence and Big Data”, Iowa Law Review, vol. 105, n° 3, 2019, pp. 1257-1318.

Schauer F., Profiles, Probabilities, and Stereotypes, Harvard University Press, 2006.

Squires G. D., “Racial Profiling, Insurance Style: Insurance Redlining and the Uneven Development of Metropolitan Areas”, Journal of Urban Affairs, vol. 25, n° 4, 2003, pp. 391-410.

Stolley P. D., “When Genius Errs: RA Fisher and the Lung Cancer Controversy”, American Journal of Epidemiology, vol. 133, n° 5, 1991, pp. 416-425.

Thiery Y. ; Van Schoubroeck C., “Fairness and Equality in Insurance Classification”, The Geneva Papers on Risk and Insurance, vol. 31, n° 2, 2006, pp. 190-211.

Wiggins B., Calculating Race: Racial discrimination in Risk Assessment, Oxford University Press, 2020.

Wolff M. J., “Public Health Chronicles”, Public Health Reports, vol. 121, n° 1, 2006, pp. 84-91.

[i] En un sens, la notion de « prime personnalisée » serait presque plus facile à justifier selon cette vision juridique.

 

 

 

 

 


Leave a Reply

Your email address will not be published. Required fields are marked *

This site uses Akismet to reduce spam. Learn how your comment data is processed.