Today, I will give a joint presentation with Olivier Côté at the CNAM (Conservatoire National des Arts et Métiers) in Paris, for the chaire ACTIONS. My talk will be an introduction based on our two first joint papers, “A fair price to pay: Exploiting causal graphs for fairness in insurance” that was published early that year, and “Selection Bias in Insurance: Why Portfolio-Specific Fairness Fails to Extend Market-Wide“. Slides are now available. Olivier will present more recent work, to visualize the fairness spectrum on real data from an insurance company. Slides are available.
The talks will be in French…
Ce qui rend l’analyse de l’équité en assurance complexe, c’est que même la discrimination statistique, qui par définition est dépourvue de toute intention malveillante, pose des défis moraux et juridiques significatifs. Pourquoi ? Parce que, d’une part, les décideurs politiques souhaitent que les assureurs traitent leurs assurés de manière égale, sans discriminer en fonction de la race, du sexe, de l’âge ou d’autres caractéristiques, même s’il est statistiquement logique de discriminer. D’autre part, au cœur de l’activité d’assurance se trouve la discrimination entre les assurés à risque et ceux non à risque. Or, le risque est souvent statistiquement corrélé avec les mêmes caractéristiques que les décideurs politiques souhaiteraient interdire aux assureurs de prendre en compte. Nous proposons ici une (rapide) introduction aux principaux concepts mathématiques permettant de formaliser les questions de discrimination, tant directe qu’indirecte, tant légitime qu’illégitime.
La tarification des assurances consiste à regrouper les assurés par risque pour établir des primes adéquates, en utilisant des caractéristiques des assurés comme indicateurs du risque non observé. Cela soulève des préoccupations d’équité lorsque des informations sensibles, comme des facteurs socio-économiques, influencent la tarification. Les métriques d’équité de groupe, bien que standard, ne fournissent pas d’informations spécifiques aux actuaires. Nous proposons de revisiter l’équité à travers trois piliers : l’équité actuarielle, la solidarité et la causalité, traduits en cinq critères de tarification. Nous définissons des métriques locales pertinentes avant la tarification, telles que l’écart de risque et la vulnérabilité des indicateurs, ainsi que des métriques post-tarification pour évaluer les schémas commerciaux. Une méthode évolutive basée sur des partitions permet de détecter les injustices systémiques, en identifiant les individus vulnérables et en détectant les majorations commerciales. À partir d’un ensemble de données sur l’assurance automobile canadienne, nous montrons que la vulnérabilité des indicateurs est biaisée, avec une majorité d’assurés recevant de petites remises, tandis qu’une minorité vulnérable peut subir une majoration de 15 à 30 % en raison de la discrimination par indicateur.
OpenEdition suggests that you cite this post as follows:
Arthur Charpentier (May 13, 2025). Talk, Chaire ACTIONS, CNAM, Paris. Freakonometrics. Retrieved June 16, 2025 from https://doi.org/10.58079/13wu5