Hvad er urimelig forskelsbehandling i generel forsikringsvurdering? En Regulator perspektiv

den følgende artikel er en udtalelse stykkeaf forfatteren, Michael McKenney. Det repræsenterer hans egen personlige mening og repræsenterer ikke nødvendigvis synspunkterne fra SOA, hans arbejdsgiver (thePennsylvania Insurance Department), enhver anden statsforsikringsregulator, theNAIC eller Naic Casualty Actuarial and Statistical (C) Task Force.

af Michael McKenney

praktisk talt alle, der arbejder i forsikringsbranchen, kan fortælle dig, at forsikringssatser ikke må være overdrevne, utilstrækkelige eller uretfærdigt diskriminerende. Men hvad gør en sats overdreven, utilstrækkelig eller uretfærdigt diskriminerende i henhold til statens lovgivning?

bemærkelsesværdigt, selvom hver af Pennsylvania ejendom og ulykke Sats lovgivningsmæssige retsakter og dens illoyal Insurance Practices Act omfatter disse begrænsninger, er der kun tre tilfælde, hvor de er defineret.

med hensyn til overdrevne satser hedder det i afsnit 704(a)(2) i Pennsylvania’ s Lov om Arbejderkompensation (77 P. S. L. 1035.4(a)(2):

“en sats må ikke anses for at være overdreven, medmindre den sandsynligvis vil give et langsigtet overskud, der er urimeligt højt i forhold til den påførte risiko og de tjenester, der skal udføres.”

hvad angår utilstrækkelige satser, siger afsnit 704(a)(3) i Pennsylvania’ s Lov om Arbejderkompensation (77 P. S. L. 1035.4(a)(3):

” en sats må ikke anses for utilstrækkelig, medmindre:

1. det er urimeligt lavt for den leverede forsikring, og fortsat brug af den ville bringe forsikringsselskabets solvens i fare; eller
2. satsen er urimeligt lav for den leverede forsikring, og forsikringsselskabets brug af satsen har haft eller, hvis den fortsættes, vil have den virkning at ødelægge konkurrencen eller skabe monopol.”

endelig bemærker afsnit 3(d) i Pennsylvania ‘ s Lov om skades-og Kautionssats (40 P. S. L. 1183(d)) følgende med hensyn til uretfærdigt diskriminerende satser:

“ingen Sats anses for at være uretfærdigt diskriminerende, medmindre den med hensyn til praktiske begrænsninger klart ikke afspejler forskellene i forventede tab og udgifter med rimelig nøjagtighed. En sats er ikke uretfærdigt diskriminerende, fordi forskellige præmier resulterer for forsikringstagere med lignende tabseksponeringer, men forskellige omkostningsfaktorer, så længe satsen afspejler forskellene med rimelig nøjagtighed. En sats er ikke uretfærdigt diskriminerende, hvis den i gennemsnit er bredt blandt personer, der er forsikret i henhold til en gruppe -, franchise-eller tæppepolitik.”

sjældent løber Pennsylvania Insurance Department ind i problemer med forsikringsselskaber, der indgiver ejendoms-og ulykkesforsikringssatser, der kan bestemmes (inden for rammerne af en renteindgivelse) som truer et forsikringsselskabs økonomiske solvens eller ødelægger konkurrencen. Lejlighedsvis, vi kan tage problem med en arkivering, der foreslår satser, som vi mener er overdrevne, men det mere almindelige spørgsmål vedrører arkivering af satser, som vi mener er uretfærdigt diskriminerende.

når ændringer i klasseplanen arkiveres, vil regulatoren ofte få en udstilling, der viser de aktuelle, angivne og foreslåede relativiteter. Vi har deltaget i samtaler med forsikringsselskaber og andre regulatorer, der mener, at praktisk talt ethvert valg mellem (og inklusive) de nuværende og angivne relativiteter er acceptabelt. Nogle mener, at dette gælder, selv når forskellige risikoklasser får forskellig behandling, så længe valgene forbliver inden for det interval, der er skabt af de nuværende og angivne relativiteter. Men er ethvert valg (mellem de nuværende og angivne relativiteter) ikke overdreven, utilstrækkelig eller uretfærdigt diskriminerende i henhold til Pennsylvania-loven?

overvej et forenklet eksempel, hvor et forsikringsselskab har tre grupper af forsikringstagere: gennemsnit, over gennemsnittet og under gennemsnittet. I sin nuværende ratingplan betaler gennemsnitlige risici dobbelt så meget som risici over gennemsnittet, og risici under gennemsnittet betaler to gange mere. Antag, at hver gruppe angiver behovet for en renteforhøjelse på 50 procent, men forsikringsselskabet ønsker at temperere denne store renteforhøjelse for sine gennemsnitlige og over gennemsnittet forsikringstagere:

hvis indikationerne er korrekte, vil ingen af de foreslåede satser sandsynligvis producere langsigtede overskud, der er urimeligt høje.

i dagens multi-state, multi-line forsikringsmiljø, hvor mange forsikringsselskaber skriver forretning, og hvor ofte forsikringsselskaberne arkiverer for at foretage renteændringer, er det usandsynligt, at de tempererede satser for gennemsnitlige og over gennemsnittet risici vil true forsikringsselskabets solvens. I betragtning af de konkurrenceprægede markeder, hvor ejendoms-og ulykkesforsikringsselskaber opererer, er det tvivlsomt, om de tempererede satser vil ødelægge konkurrencen.

hvad med uretfærdig diskrimination? Afspejler forskellene i de foreslåede satser efter at have givet mulighed for praktiske begrænsninger forskelle i forventede tab og udgifter med rimelig nøjagtighed?

både de nuværende og de angivne satser illustrerer, at risici under gennemsnittet skal betale fire gange satsen for risici over gennemsnittet og to gange satsen for gennemsnitlige risici. Er det derfor acceptabelt, at risici under gennemsnittet betaler fem gange satsen for risici over gennemsnittet og to og en halv gange satsen for gennemsnitlige risici?

nogle argumenter til fordel for gyldigheden af foreslåede satser, der ligner det givne eksempel, citerer love som Afsnit 4(A) i Pennsylvania ‘ s Regulatory Act of Casualty and survice Rate (40 P. S. L. 1184(A)), der tillader forsikringsselskaber at støtte deres arkivering ved hjælp af:

“(1) assurandørens eller ratingorganisationens erfaring eller vurdering, (2) andre forsikringsselskabers eller ratingorganisationers erfaring eller (3) andre faktorer, som assurandøren eller ratingorganisationen finder relevante.”

men ved at tillade forsikringssatser at være baseret på “Dom” og “andre faktorer, som forsikringsselskabet eller ratingorganisationen finder relevante”, betyder det, at de ikke behøver at være omkostningsbaserede? Eller er disse andre overvejelser begrænset til at hjælpe forsikringsselskabet med at forudsige de passende omkostningsbaserede skøn?

i Pennsylvania er vi enige om, at forsikringsselskaber kan bruge mange forskellige typer overvejelser til at understøtte deres satser, og disse overvejelser behøver ikke (og i nogle tilfælde endda ikke) være baseret på forsikringsselskabets egen erfaring. Uanset hvad disse overvejelser indebærer, skal forskelle i satser dog afspejle forskelle i forventede tab og udgifter med rimelig nøjagtighed. Hvis de ikke gør det, er satserne uretfærdigt diskriminerende.

i ovenstående eksempel, hvis der er yderligere analyser og/eller overvejelser, der tilstrækkeligt understøtter en rimelig konklusion om, at de forventede tab og udgifter til risici under gennemsnittet vil være fem gange risikoen over gennemsnittet og to og en halv gange den gennemsnitlige risiko, vil vi sandsynligvis godkende arkiveringen.

som et eksempel, hvis forsikringsselskabet kan give en konkurrencedygtig analyse, der viser at tage den fulde sats indikation for under gennemsnittet risici vil placere dem i overensstemmelse med deres konkurrence, men gør det for gennemsnitlige og over gennemsnittet risici vil placere dem langt over deres konkurrence, kan vi acceptere forslaget. I dette tilfælde kan markedet som helhed give et mere troværdigt skøn over forventede tab og udgifter.

men hvis forsikringsselskabet mangler oplysninger, der tyder på, at forventede tab og udgifter med rimelighed kan forventes at afvige i samme størrelsesorden som det, der foreslås, vil vi sandsynligvis ikke godkende arkiveringen.

ovenstående var et simpelt eksempel til illustrative formål. I praksis har dagens forsikringsverden af “Big Data” og “generaliserede lineære modeller” ført til utroligt komplekse og segmenterede klassificeringsplaner. Territorier, der engang blev defineret på amtsniveau (med undtagelser for byområder), indstilles nu i stigende grad på postnummerniveau (undertiden ni-cifrede postnumre) eller endda ved folketællingsblok, hvor 100-blokken i North Market Street har en anden territorial relativitet end 200-blokken i North Market Street. Relativiteterne er ikke baseret på den faktiske tabsoplevelse af folketællingsblokken (som ville mangle nogen troværdighed), men i stedet på karakteristika ved folketællingsblokken, som statistikere kan vise sig at være korreleret med tab.

som svar på forsikringsselskabernes brug af Big Data har NAIC’ s Market Regulation and Consumer Affairs (D) Committee oprettet Big Data (D) arbejdsgruppe, hvis gebyr for 2016 er:

“Udforsk forsikringsselskabers brug af big data til krav, markedsføring, forsikring og prisfastsættelse. Undersøge potentielle muligheder for lovgivningsmæssig brug af big data for at forbedre effektiviteten og effektiviteten af markedsregulering. Hvis det er relevant, fremsætte henstillinger Senest på 2016 Fall National Meeting for 2017-gebyrer for Udvalget til at behandle eventuelle henstillinger, der er identificeret ved efterforskningen i 2016.”

med hensyn til brugen af Big Data til prisfastsættelse udføres de komplekse multivariate computermodeller, der forudsiger de angivne relativiteter, der ligger til grund for dagens usædvanligt segmenterede klasseplaner, ofte på iterativ basis og inkluderer brugen af Dom hele vejen igennem. Derudover, de yderligere fordømmende aspekter ved valg af hastighedsrelativiteter baseret på indikationerne modelleres nu endda, en praksis, der undertiden kaldes “prisoptimering.”

Naic ‘ s Casualty Actuarial and Statistical (C) Task Force begyndte at udarbejde en hvidbog om emnet prisoptimering, efter at spørgsmålet blev henvist til det af Auto Insurance (C/D) studiegruppe den Nov. 11, 2014. Hvidbogen blev vedtaget af NAIC ‘ s Property and Casualty Insurance (C) Udvalget den Nov. 21.april 2015 og af bestyrelsen den 6. april 2016. I Afsnit 1 i hvidbogen hedder det, at taskforcen ” giver baggrundsundersøgelser om prisoptimering, identificerer potentielle fordele og ulemper ved brugen af prisoptimering og præsenterer muligheder for statslige lovgivningsmæssige svar vedrørende brugen af prisoptimering i ratemaking.”

Afsnit 6 i NAIC ‘ s hvidbog om prisoptimering beskriver:

“gennem en proces eller teknik, der af mange omtales som ‘prisoptimering’, er forsikringsselskaberne begyndt at bruge big data (datamining af forsikrings-og ikke-forsikringsdatabaser med personlig forbrugerinformation, hvor loven tillader det), avanceret statistisk modellering eller begge til at vælge priser, der adskiller sig fra angivne satser på et meget detaljeret eller granulært niveau. Formaliserede og mekaniserede justeringer kan foretages til angivne satser for mange risikoklassifikationer og i sidste ende måske endda for individuelle forsikrede.”

afsnit 9 i NAIC ‘s hvidbog om prisoptimering bemærker yderligere:

” regulatorer accepterer nogle afvigelser fra angivne satser og ratingfaktorer. De er imidlertid bekymrede over, at anvendelsen af avancerede metoder til prisoptimering kan afvige fra traditionel ratemaking, der strækker sig ud over acceptable niveauer for tilpasning til omkostningsbaserede satser og resulterer i priser, der varierer uretfærdigt af forsikringstageren. Regulatorer i hver stat bestemmer det acceptable niveau for justering, der er tilladt, baseret på statslovgivning og lovgivningsmæssig dom.”

fra den dato, hvor dette udtalelsesstykke blev skrevet, har cirka 20 stater (inklusive Pennsylvania) givet officiel meddelelse om, at brugen af prisoptimeringsteknikker, der resulterer i uretfærdigt diskriminerende priser, ikke tolereres. De fleste af disse meddelelser relaterer prisoptimering til brugen af computermodeller til at indstille forsikringssatser baseret på en eller anden måde på, hvor meget en forbruger eller gruppe af forbrugere kan være villig til at betale, før de handler rundt. Mange var baseret, i det mindste delvist, på et udkast til Bulletin inkluderet som bilag B til NAIC ‘ s hvidbog om prisoptimering.

en af de mere kontroversielle anbefalinger i NAIC ‘ s hvidbog om prisoptimering findes i afsnit 48, der diskuterer uretfærdigt diskriminerende forsikringsvurderingspraksis, der “justerer de nuværende eller aktuarmæssigt angivne satser eller præmier, hvad enten de er inkluderet eller ikke inkluderet i forsikringsselskabets ratingplan.”Ved at give eksempler på, hvad der kan udgøre en uretfærdigt diskriminerende praksis i denne henseende, inkluderer papiret:

1. “priselasticitet i efterspørgslen.
2. tilbøjelighed til at shoppe for forsikring.
3. Retention justering på individuelt niveau.
4. en forsikringstagers tilbøjelighed til at stille spørgsmål eller indgive klager.”

de samme fire fremgangsmåder fremgår af hvidbogens udkast til Bulletin.

Kommentarer modtaget af NAIC ‘ s eksekutivkomite forud for papirets vedtagelse på NAIC spring National meeting i 2016 anbefalede “priselasticitet i efterspørgslen” og “tilbøjelighed til at shoppe for forsikring” betragtes kun som eksempler på potentiel urimelig forskelsbehandling, når det overvejes på individuelt eller granulært niveau, men papiret blev vedtaget uden de anbefalede ændringer.

dagene med gennemgang af en klasseplanvariabels tabsoplevelse på univariat basis er længe væk. Forsikringsselskaber vurderer på niveauer af segmentering, som få kunne have forestillet sig for mange år siden.

som nævnt i punkt 49 i NAIC ‘ s hvidbog om prisoptimering:

“brugen af sofistikeret dataanalyse til at udvikle finjusterede metoder med en mangfoldighed af mulige ratingceller er ikke i sig selv en overtrædelse af ratinglovgivningen, så længe ratingklasserne og ratingfaktorerne er omkostningsbaserede.”

men med klasseplanindikationer afledt af iterative processer ved hjælp af komplekse computermodeller, der inkluderer vurdering overalt, Hvordan sikrer regulatoren, at de fordømmende aspekter af indikationen er upartiske og relateret til forventede tab og udgifter? Og når de yderligere fordømmende aspekter ved valg af hastighedsrelativiteter baseret på disse indikationer også modelleres, hvordan kan regulatoren holde trit?

de kompleksiteter, der ligger til grund for den måde, hvorpå ejendoms-og ulykkesforsikringssatser udvikles, og den ekstreme segmentering, som klasseplaner administreres med, er blevet betydelige udfordringer for nutidens regulatorer. NAIC ‘s hvidbog om prisoptimering, de bulletiner, som mange stater har udsendt mod prisoptimeringspraksis og NAIC’ s Big Data (D) arbejdsgruppe er eksempler på nylige lovgivningsmæssige reaktioner på disse udfordringer. Men i slutningen af dagen gælder de samme standarder, der har været gældende for forsikringssatser i mange årtier, fortsat i dag, og de forbliver gældende, uanset om der kun er tre risikoklasser (f.eks. Satserne må ikke være for høje, utilstrækkelige eller uretfærdigt diskriminerende.

ressourcer

1. For information om NAIC ‘ s Big Data (D) arbejdsgruppe, herunder dets 2016-gebyr, se NAIC Market Regulation and Consumer Affairs (D) Committee, Big Data (D) arbejdsgruppens hjemmeside , (sidst besøgt 18.maj 2016).
2. for at få adgang til hvidbogen om prisoptimering, se Naic Casualty Actuarial and Statistical (C) Task Force, “hvidbog om prisoptimering” (Nov. 19, 2015) tilgængelig her.
3. NAIC’ s Casualty Actuarial and Statistical (C) Task Force ‘ s hjemmeside viser forskellige staters bulletiner om prisoptimering på Naic Casualty Actuarial and Statistical (C) Task Force hjemmeside, (sidst besøgt 18.maj 2016) (fundet under Prisoptimerings bulletiner/pressemeddelelser overskrift).
4. kommentarer til NAIC ‘s hvidbog om prisoptimering, der blev modtaget af NAIC’ s forretningsudvalg forud for papirets vedtagelse på NAIC spring National meeting i 2016, kan findes online i materialerne til NAIC ‘ s 6.April 2016 udøvende (eks) udvalg og plenarmøde. Se NAIC, “forretningsudvalgets rapport” (Apr. 6, 2016) tilgængelig her.
5. yderligere oplysninger om baggrunden for, hvorfor Naic ‘s Casualty Actuarial and Statistical (C) Task Force begyndte at udarbejde hvidbogen om prisoptimering, findes på NAIC’ s hjemmeside. Se Center for forsikringspolice og forskning ,” prisoptimering”(Jan. 6, 2016) tilgængelig her.

Michael McKenney er aktuarmæssig vejleder for Pennsylvania Insurance Department, ejendom & Casualty Bureau. Han er også i øjeblikket formand for Naic Casualty Actuarial and Statistical (C) Task Force.