Laurence Barry is a graduate of the Ecole Polytechnique, a statistician and economist from ENSAE and a qualified actuary. She also holds a PhD in political science. She is currently co-holder of the PARI Chair (Programme de recherche sur l’Appréhension des Risques et des Incertitudes), and is involved in both academic and actuarial consulting projects. Her research focuses on the transformations of modern rationality and, more recently, its algorithmic mutation.

Ancienne élève de l’Ecole polytechnique, statisticienne économiste de l’ENSAE et actuaire qualifiée, Laurence Barry est également titulaire d’un doctorat de sciences politiques. Elle est aujourd’hui co-titulaire de la chaire PARI (Programme de recherche sur l’Appréhension des Risques et des Incertitudes) et mène de front des projets académiques et de conseil en actuariat. Ses recherches portent sur les transformations de la rationalité moderne et plus récemment sa mutation algorithmique.

Fei Huang (UNSW Sydney)

In this presentation, I will focus on answering three research questions related to fairness-aware insurance pricing: (1) What are the social and economic principles that can be used to assess the appropriateness of insurance discrimination? (2) How can we match the existing and potential anti-discrimination insurance regulations/policies with fairness criteria (mostly developed in the machine learning community) and develop anti-discrimination insurance pricing models? (3) What are the welfare implications of existing and potential fair insurance pricing regulations/policies on both consumers and firms? A list of open questions to be answered and related interpretation/transparency challenges will be discussed at the end of this presentation.

Dans cette présentation, je vais répondre à trois questions sur la tarification d’assurance consciente de l’équité : (1) Quels sont les principes sociaux et économiques pouvant être utilisés pour évaluer si la discrimination en assurance est appropriée ? (2) Comment pouvons-nous apparier les lois anti-discrimination existantes et possibles avec les critères d’équité (développés par les chercheurs en apprentissage automatique) et construire des modèles de tarification équitable en assurance? (3) Quels sont les effets des réglementations de tarification anti-discrimination sur le bien-être des consommateurs et des compagnies? Une liste de questions ouvertes auxquelles il faut répondre et les problèmes d’interprétation et de transparence qui en découlent seront abordés à la fin de la présentation.

Rethinking Insurance Fairness in the Wake of Climate Change

Repenser l’équité en assurance dans le contexte des changements climatiques

Laurence Barry

The recent withdrawal of insurers from certain regions and risks in the United States reopens the question of “the what and how” of insurance fairness: is it inevitable that the increasing frequency of natural disasters is accompanied by a decrease in insurance coverage, leaving more and more vulnerable people exposed to such damage? In this presentation, I argue that this fatalistic perception depends on the adoption of a specific economic vision of what insurance is, and that climate change may prompt us to reconsider this vision. In the first part, I will present a Foucauldian approach to insurance mechanisms, highlighting the tension between an individualistic and a solidary conception of insurance fairness, in relation to different types of governmentalities, and concluding by proposing an alternative approach: could natural disaster insurance be seen as an Ostromian common? The second part of the presentation will explore these questions through examples of protection schemes adopted in different countries.

Le retrait récent des assureurs de certaines régions ou risques aux États-Unis relance la question sur les objectifs et les méthodes d’équité en assurance : est-il inévitable que la fréquence croissante des catastrophes naturelles s’accompagne d’une diminution de la couverture d’assurance, laissant de plus en plus de personnes vulnérables exposées à de tels dommages ? Dans cette présentation, je soutiens que cette perception fataliste dépend de l’adoption d’une vision économique spécifique de ce qu’est l’assurance, et que les changements climatiques peut nous inciter à reconsidérer cette vision. Dans la première partie, je présenterai une approche foucaldienne des mécanismes d’assurance, en soulignant la tension entre les conceptions individualiste et solidaire de l’équité de l’assurance, en relation avec différents types de gouvernementalité, et je conclurai en proposant une approche alternative : l’assurance contre les catastrophes naturelles pourrait-elle être considérée comme un commun ostromien ? La deuxième partie de la présentation explorera ces questions à travers des exemples de régimes de protection adoptés dans différents pays.

A Fair price to pay: exploiting causal graphs for fairness in insurance

Le juste prix: une perspective causale sur l’équité dans l’assurance

Olivier Côté

In many jurisdictions, insurance companies must not discriminate on some given policyholder characteristics. Omission of prohibited variables from models prevents direct discrimination, but fails to address proxy discrimination, a phenomenon especially prevalent when powerful predictive algorithms are fed with an abundance of acceptable covariates. Given the insurance industry’s reliance on personal data and its major role in society, insurance companies ought to be wary about unfairness towards their insureds. Exploiting causal graphs, we discuss potential sources of bias, formally define direct and indirect discrimination, and study the properties of fairness methodologies. A novel categorization of fair methodologies into five families (best-estimate, unaware, aware, hyperaware, and corrective) is constructed based on their expected fairness properties.

Sur de nombreux territoires, les compagnies d’assurance ne peuvent pas discriminer sur la base de certaines caractéristiques des titulaires de polices. L’omission des variables interdites des modèles prévient la discrimination directe, mais ne parvient pas à éradiquer la discrimination par proxy, un phénomène particulièrement répandu lorsque des algorithmes prédictifs puissants sont alimentés avec une abondance de variables acceptables. Les assureurs, s’appuyant fortement des données personnelles, doivent particulièrement veiller à l’équité entre les assurés. En exploitant les graphes causaux, nous discutons des sources potentielles de biais, définissons formellement la discrimination directe et indirecte, et étudions les propriétés des méthodologies d’équité. Une nouvelle catégorisation des méthodologies équitables en cinq familles (prime précise, inconsciente, consciente, hyperconsciente et réparatrice) est construite sur la base de leurs propriétés d’équité attendues.

Practitioner view of US regulations on fairness

Les réglementations américaines sur l’équité : perspective d’un praticien

David Schraub

Are you prepared for the new regulations that are going to affect how you market, price and underwrite with predictive analytics?  It will also affect how you detect fraud and perform other internal controls. On one end you can gain or lose competitive advantage, on the other end you can run into major liability with lawmakers, regulators and with the court system.  Let’s see how to implement these new tools the right way to detect fraud, identify target market, and anticipate policyholder behavior. David Schraub will share key insights on the upcoming US regulations, on how companies are preparing for these requirements, and make a compare and contrast with regulations in other jurisdictions as appropriate.

Êtes-vous prêt pour la nouvelle réglementation qui affectera comment vous vendez, tarifez et souscrivez les risques avec l’analyse prédictive? La façon dont vous détectez les frauds, et autres modèles internes, seront aussi influencés par ces règles. D’un côté, vous pourriez gagner ou perdre votre avantage compétitif, de l’autre, vous pourriez vous créer de gros problèmes avec les législateurs, les organismes de réglementation et le système judiciaire. Penchons-nous sur la bonne façon d’implémenter ces nouveaux outils pour détecter les fraudes, identifier le marché cible, et anticiper le comportement des titulaires de police. David Schraub partagera ses constats cruciaux sur les futures réglementations américaines, sur la façon dont les compagnies se préparent pour ces exigences, et fera une comparaison avec les réglementations en vigueur dans d’autres juridictions.

Exploring the intersection between Actuarial and Social Fairness

Exploration de l’intersection entre l’équité actuarielle et sociale

Christopher Cooney

Insurance underwriting and ratemaking are critical insurance functions with a dependency upon collection and analysis of wide sets of data.  Within these datasets, however, pricing actuaries often find themselves at the intersection of complex issues that require a balance between actuarial fairness, and social equity.  In July 2022, the Canadian Institute of Actuaries published its policy statement “Big Data and Risk Classification” document which discusses these complexities and offers an opinion regarding the need to approach data usage restrictions with caution.  As a member of the working group developing the statement, the presenter will also share experiences and perspectives from over 25 years working with regulators and policy makers from within the Canadian personal lines insurance industry.

La souscription des risques et la tarification sont des tâches critiques en assurance qui dépendent de la collection et l’analyse de grands jeux de données. Dans ces jeux de données, toutefois, les actuaires en tarification se trouvent à l’intersection de questions complexes qui demandent de trouver l’équilibre entre l’équité actuarielle et sociale. En juillet 2022, l’Institut canadien des actuaires a publié son document intitulé « Big Data and Risk Classification », qui traite de ces problèmes complexes et offre une opinion sur le besoin d’approcher l’utilisation des données avec précautions. Comme membre du groupe de travail qui a rédigé cet énoncé, le conférencier partagera ses perspectives tirées de ses 25 ans  d’expérience de travail avec les organismes de réglementation et les décideurs au Canada pour les branches d’activités personnelles en assurance.

Practical Applications of Bias Measurement and Mitigation Techniques in Insurance Rating: A Preview of CAS Research

Applications pratiques des métriques et des techniques d’atténuation des biais dans la tarification en assurance: un aperçu de la recherche de la CAS

Mallika Bender

This session will preview one of the five new research projects currently in progress as part of Phase 2 of the CAS Approach to Race and Insurance Pricing. Practical Approaches to Bias Measurement and Mitigation in Insurance Rating is designed as a practitioner’s guide that may support actuaries as they initiate fairness analyses in their work. We will begin by discussing the application of variations on the BIFSG method for imputing protected class information when actual data is not readily available. Then we will review several potential fairness metrics and bias detection analyses and mitigation techniques to insurance rating, along with the advantages and limitations of each approach. This session will also provide a sneak peek of other Race and Insurance Pricing research projects underway.

Cette session présentera un aperçu de l’un des cinq nouveaux projets de recherche en cours dans le cadre de la deuxième phase de la CAS Approach to Race and Insurance Pricing. L’article présenté, sur les approches pratiques de la mesure et de l’atténuation des biais dans la tarification en assurance, est conçu comme un guide du praticien qui peut aider les actuaires à entreprendre des analyses d’équité dans le cadre de leur travail. Nous commencerons par discuter de l’utilisation de variantes de la méthode BIFSG pour imputer des informations sur les classes protégées lorsque les données réelles ne sont pas facilement disponibles. Ensuite, nous passerons en revue plusieurs métriques potentielles d’équité, des analyses de détection des biais et des techniques d’atténuation pour la tarification d’assurance, ainsi que les avantages et les limites de chaque approche. Cette session donnera également un aperçu des autres projets de recherche en cours sur la race et la tarification de l’assurance.

EquiPy: A Python Package for Sequential Fairness using Optimal Transport with Applications in Insurance

EquiPy: Un package Python pour l’équité séquentielle basé sur le transport optimal et applications en assurance

Agathe Fernandes Machado

In certain regions of Canada and the United States, discrimination based on multiple sensitive attributes, such as race and gender, is prohibited for insurance pricing. While approaches have been proposed to address these biases in predictive systems, they often struggle to offer a clear and accurate pathway to fairness, especially when multiple sensitive variables are involved. In this context, I will introduce EquiPy, a new open-source Python package implementing sequential fairness across multiple sensitive attributes via Optimal Transport. EquiPy will be demonstrated through an illustrative example using insurance data.

Dans certaines régions du Canada et des États-Unis, la discrimination basée sur plusieurs attributs sensibles, tels que la race et le genre, est interdite pour la tarification en assurance. Bien que des approches aient été proposées pour traiter ces biais dans les systèmes prédictifs, elles ont souvent du mal à offrir un chemin clair et précis vers l’équité, surtout lorsque plusieurs variables sensibles sont impliquées. Dans ce contexte, j’introduirai EquiPy, un nouveau package Python open-source, mettant en œuvre l’équité séquentielle au regard de plusieurs attributs sensibles via le Transport Optimal. EquiPy sera présenté à travers un exemple illustratif utilisant des données d’assurance.

Issues and Discussion: Best Practices for the Responsible Use of AI in the Financial Sector

Réflexion et discussion : meilleures pratiques pour l’utilisation responsable de l’IA dans le secteur financier

Emmanuel Hamel