As the insurance industry focuses attention on potential racial bias across all practice areas, actuaries are being called to understand and assess the issues and develop solutions. This session will provide an overview of four new research papers commissioned as part of the Casualty Actuarial Society’s Approach to Race and Insurance Pricing. Defining Discrimination in Insurance presents key terminology being used in the industry debate on race and insurance, such as protected class, fair and unfair discrimination, proxy discrimination and disparate impact. Methods for Quantifying Discriminatory Effects on Protected Classes in Insurance explores the issue of disparate impact and compares several potential statistical methods that actuaries can apply to measure fairness in the context of insurance rating. Approaches to Address Racial Bias in Financial Services: Lessons for the Insurance Industry provides insight into issues of racial bias in lending practices for financial services. Understanding Potential Influences of Racial Bias on P&C Insurance: Four Rating Factors Explored examines how rating factors and the data underlying insurance pricing models may be impacted by racially biased policies and practices outside of insurance. 

Équité en assurance : revue des modèles non discriminatoires selon une variable sensible spécifiée (Olivier Côté)

Alors qu’un actuaire est appelé à quantifier des risques le plus précisément possible, l’environnement dans lequel les risques peuvent se réaliser évolue énormément.  Qu’il soit question des données massives ou de l’apprentissage automatique, les ressources disponibles pour quantifier ces risques changent encore plus rapidement. Depuis longtemps, les assureurs préfèrent ne pas inclure dans leur tarification certaines variables considérées comme sensibles, que ce soit pour respecter les lois, par soucis éthiques ou pour éviter le risque réputationnel. Toutefois, le risque de discriminer indirectement sur les variables sensibles est plus présent que jamais avec les outils sophistiqués qui sont disponibles pour la modélisation.  La présentation fera une revue des méthodologies existantes pour éliminer ou limiter la discrimination indirecte sur des variables sensibles. Les approches présentées permettent de faire usage de toutes les variables autorisées tout en contrôlant pour la discrimination indirecte qui pourrait survenir à travers une variable sensible. Cette revue permettra à l’auditoire d’avoir une bonne idée des recherches récentes faites sur le sujet.

Les défis dans la mise en place d’un cadre de valorisation responsable des données en entreprise (Véronique Tremblay)

Si l’utilisation de modèles en actuariat n’a rien de nouveau, la récente montée en popularité de l’intelligence artificielle et des questionnements éthiques qui y sont associés force les acteurs du milieu de l’assurance à se requestionner sur la façon de les concevoir et de les utiliser. Centrée sur une perspective de l’industrie, cette présentation s’articulera autour des principaux défis rencontrés lors de la mise en place d’un cadre éthique concrètement applicable en industrie.  Les défis tournent autour de cinq grands thèmes : la sensibilisation et les mythes à déconstruire, le choix d’une posture éthique, le piège de l’«ethic washing», l’évaluation de l’acceptabilité sociale et l’anti-sélection et enfin, la création de modèles adaptés à la posture éthique choisie. La description de ces défis sera accompagnée de quelques pistes de solution basées à la fois sur l’expérience pratique et la littérature universitaire.

Vers la création de modèles de tarification équitables (Alex St-Jean)

La tarification est l’une des pièces centrales dans le monde des sciences actuarielles. En utilisant des données sur les historiques des clients et en optimisant des modèles statistiques, les actuaires peuvent prévoir, dans une certaine mesure, le montant qu’un client réclamera durant une certaine période. Cependant, ces modèles utilisent souvent des données sensibles reliées au client qui sont considérées comme étant des facteurs de risque très importants dans la prédiction de pertes futures. Ceci est considéré comme étant légal dans plusieurs juridictions tant que leur utilisation est supportée par des données actuarielles, car ces attributs permettent aux clients d’obtenir une prime plus précise. Toutefois, comme soulevé dans la littérature récente en apprentissage machine, ces modèles peuvent cacher des biais qui les rendent potentiellement discriminants envers certains groupes. 

Dans cette présentation, nous proposons un modèle de tarification utilisant des avancées récentes provenant du domaine de l’apprentissage machine pour assurer que ces algorithmes ne discriminent pas disproportionnellement envers certains sous-groupes faisant partie de l’intersection de plusieurs attributs protégés, tel que l’âge, la race, la religion et l’état civil. Pour ce faire, nous étudions les perspectives actuarielles et légales sur l’équité, tout en tentant de les concilier dans une seule métrique dans le but de quantifier l’iniquité dans les modèles de tarification. Ensuite, nous définissons une fonction de perte adaptée à cette métrique, ainsi qu’une façon d’optimiser celle-ci. Finalement, nous appliquons l’ensemble des méthodes établies précédemment sur un ensemble de données réels, démontrant l’amélioration de l’équité du modèle, tout en ayant une faible incidence sur l’exactitude de celui-ci.

Discrimination-Free Insurance Pricing (Andreas Tsanakas)

We consider the following question: given information on individual policyholder characteristics, how can we ensure that insurance prices do not discriminate with respect to protected characteristics, such as gender? We address the issues of direct and indirect discrimination, the latter resulting from implicit learning of protected characteristics from nonprotected ones. We provide rigorous mathematical definitions for direct and indirect discrimination, and we introduce a simple formula for discrimination-free pricing, that avoids both direct and indirect discrimination. Our formula works in any statistical model. We demonstrate its application on a health insurance example, using a state-of-the-art generalized linear model and a neural network regression model. An important conclusion is that discrimination-free pricing in general requires collection of policyholders’ discriminatory characteristics, posing potential challenges in relation to policyholder’s privacy concerns. This is joint work with M. Lindholm, R. Richman and M.V. Wüthrich.

Quelque chose de neuf, quelque chose de vieux : discrimination et biais en assurance (Laurence Barry)

Depuis le début de leur histoire, les assureurs sont réputés utiliser des données pour classer et tarifer les risques. A ce titre, ils ont été assez tôt confrontés aux problèmes d’équité et de discrimination associées aux données. Pourtant, si cette question est récurrente, elle connait un regain d’importance avec l’accès à des données de plus en plus granulaires, massives et comportementales. Nous verrons ici comment les biais de l’apprentissage machine en assurance renouvellent ou transforment ce questionnement pour rendre compte des technologies et des préoccupations sociétales actuelles : paradoxalement, alors que la plupart de ces biais ne sont pas nouveaux, la recherche d’une équité pour les contrer, elle, se transforme.

(sur la base d’un papier co-écrit avec Arthur Charpentier)

Les assurances et l’interdiction de discrimination au Québec (Me Marie Carpentier)