个性化决策规则在医疗保险分配中日益重要，但其训练数据若包含系统性偏见，可能使特定群体（如非英语使用者、少数族裔）更难获得保障。这篇研究提出在最优决策规则中直接嵌入“人口统计平等”约束，确保不同敏感属性群体被推荐接受医保的概率相等，或进一步在同等收入水平等“合法”特征下实现条件平等。
研究以俄勒冈健康保险实验为应用场景——该实验通过抽签向低收入无保险成年人提供Medicaid免费医保。结果显示，无公平约束的传统模型会显著歧视非英语申请人，而加入公平约束后，不公平程度从0.047降至0.017，政策价值仅小幅牺牲（从约707升至973）。更重要的是，在同等收入阶层内施加约束（CDP-IDR）比全局平等（DP-IDR）更能保留政策效率，因为收入本身是可接受的决策依据。
对保险业的启示：精算定价和核保规则长期依赖年龄、性别、地域等变量，公平性约束为“合理差异化”划定了量化边界——敏感属性带来的统计相关性可以被允许，前提是通过合法变量（如收入、健康状况）充分解释；若仅因语言或种族产生差异，则需引入惩罚项加以矫正。该框架可直接用于商业健康险的个性化核保推荐、Medicare Advantage的福利推送算法，乃至车险UBI定价中的公平性审计。核心进步在于将伦理诉求转化为可求解的凸优化问题，使“公平”不再是口号，而是可验证、可控制的统计约束。
发布者：保险日报，转转请注明出处：https://www.insurdaily.com/archives/6925.html
微信扫一扫 
