Vad är orättvis diskriminering i allmän Försäkringsbedömning? En regulators perspektiv

följande artikel är en opinionsbit av författaren Michael McKenney. Det representerar hans egen personliga åsikt och representerar inte nödvändigtvis soa: s, hans arbetsgivares (thePennsylvania Insurance Department), någon annan statlig försäkringsregulator, theNAIC eller NAIC Casualty Actuarial and Statistical (C) arbetsgrupp.

av Michael McKenney

praktiskt taget alla som arbetar inom försäkringsbranschen kan säga att försäkringsräntorna inte får vara överdrivna, otillräckliga eller orättvist diskriminerande. Men vad gör en skattesats överdriven, otillräcklig eller orättvist diskriminerande enligt statlig lag?

anmärkningsvärt, även om var och en av Pennsylvania egendom och olycka ränta rättsakter och dess otillbörliga försäkringspraxis lagen inkluderar dessa begränsningar, det finns bara tre fall där de definieras.

när det gäller alltför höga skattesatser anges i avsnitt 704(a)(2) i Pennsylvania’ s Workers ’ Compensation Act (77 P. S. 1035.4(a)(2)):

”en skattesats får inte anses vara överdriven om det inte är troligt att det ger en långsiktig vinst som är orimligt hög i förhållande till risken och de tjänster som ska utföras.”

när det gäller otillräckliga priser, avsnitt 704(a)(3) i Pennsylvania’ s Workers ’ Compensation Act (77 P. S. 1035.4(a)(3)) säger:

”en ränta kan inte anses vara otillräcklig om inte:

1. det är orimligt lågt för den försäkring som tillhandahålls och fortsatt användning av den skulle äventyra försäkringsgivarens solvens; eller
2. räntan är orimligt låg för den försäkring som tillhandahålls och försäkringsgivarens användning av räntan har haft eller, om den fortsätter, kommer att leda till att konkurrensen förstörs eller att monopol skapas.”

slutligen noterar avsnitt 3(d) i Pennsylvania ’ s Accualty and Surety Rate Regulatory Act (40 P. S. Macau 1183(d)) följande med avseende på orättvist diskriminerande priser:

” ingen skattesats ska anses vara orättvist diskriminerande om den, med hänsyn till praktiska begränsningar, tydligt inte med rimlig noggrannhet återspeglar skillnaderna i förväntade förluster och kostnader. En ränta är inte orättvist diskriminerande eftersom olika premier resulterar för försäkringstagare med lika förlustexponeringar men olika kostnadsfaktorer, så länge räntan återspeglar skillnaderna med rimlig noggrannhet. En ränta är inte orättvist diskriminerande om den i stort sett är i genomsnitt bland personer som är försäkrade enligt en grupp -, franchise-eller filtpolicy.”

sällan stöter Pennsylvania Insurance Department på problem med försäkringsbolag som lämnar in egendoms-och olycksfallsförsäkringsräntor som kan bestämmas (inom ramen för en skatteansökan) som hotar försäkringsgivarens ekonomiska solvens eller förstör konkurrens. Ibland kan vi ta upp problem med en arkivering som föreslår priser som vi anser vara överdrivna, men den vanligaste frågan gäller inlämning av priser som vi anser vara orättvist diskriminerande.

när klassplanändringar lämnas in kommer regulatorn ofta att få en utställning som visar aktuella, angivna och föreslagna relativiteter. Vi har engagerat oss i samtal med försäkringsbolag och andra tillsynsmyndigheter som tror att praktiskt taget alla val mellan (och inklusive) de nuvarande och angivna relativiteterna är acceptabla. Vissa tror att detta gäller även när olika riskklasser får olika behandling så länge valen ligger inom det intervall som skapas av de aktuella och angivna relativiteterna. Men är något urval (mellan de nuvarande och angivna relativiteterna) inte överdrivet, otillräckligt eller orättvist diskriminerande enligt Pennsylvania-lagen?

Tänk på ett förenklat exempel där en försäkringsgivare har tre grupper av försäkringstagare: genomsnitt, över genomsnittet och under genomsnittet. I sin nuvarande kreditvärderingsplan betalar genomsnittliga risker dubbelt så mycket som över genomsnittliga risker och under genomsnittliga risker betalar två gånger mer. Antag att varje grupp indikerar behovet av en räntehöjning på 50 procent men försäkringsgivaren vill temperera denna stora räntehöjning för sina genomsnittliga och över genomsnittliga försäkringstagare:

om indikationerna är korrekta kommer ingen av de föreslagna räntorna sannolikt att ge långsiktiga vinster som är orimligt höga.

i dagens multi-state, multi-line försäkring miljö där många försäkringsbolag skriver affärer och hur ofta försäkringsbolagen fil för att göra ränteförändringar, är det osannolikt att de härdade priser för genomsnittliga och över genomsnittet risker kommer att hota solvens försäkringsgivaren. Med tanke på de konkurrensutsatta marknader där egendoms-och skadeförsäkringsbolag är verksamma är det dessutom tveksamt om de tempererade räntorna kommer att förstöra konkurrensen.

vad sägs om orättvis diskriminering? Efter att ha tillåtit praktiska begränsningar, återspeglar skillnaderna i de föreslagna räntorna skillnader i förväntade förluster och kostnader med rimlig noggrannhet?

både nuvarande och angivna priser illustrerar att risker under genomsnittet bör betala fyra gånger andelen risker över genomsnittet och två gånger andelen genomsnittliga risker. Är det därför acceptabelt för risker under genomsnittet att betala fem gånger andelen risker över genomsnittet och två och en halv gånger andelen genomsnittliga risker?

några argument till förmån för giltigheten av föreslagna priser som liknar det angivna exemplet citerar lagar som Avsnitt 4(A) i Pennsylvania ’ s Accualty and Surety Rate Regulatory Act (40 P. S. Scorpion 1184(a)) som tillåter försäkringsgivare att stödja sina ansökningar genom att:

”(1) erfarenhet eller bedömning av försäkringsgivaren eller kreditvärderingsorganisationen som gör ansökan, (2) erfarenheterna från andra försäkringsbolag eller kreditvärderingsorganisationer eller (3) andra faktorer som försäkringsgivaren eller kreditvärderingsorganisationen anser vara relevanta.”

men för att tillåta försäkringsräntor att baseras på” dom ”och” andra faktorer som försäkringsgivaren eller kreditvärderingsorganisationen anser vara relevanta ” betyder det att de inte behöver vara kostnadsbaserade? Eller är dessa andra överväganden begränsade till att hjälpa försäkringsgivaren att förutsäga lämpliga kostnadsbaserade uppskattningar?

i Pennsylvania är vi överens om att försäkringsgivare kan använda många olika typer av överväganden för att stödja sina priser och dessa överväganden behöver inte (och i vissa fall inte ens) baseras på försäkringsgivarens egen erfarenhet. Oavsett vad dessa överväganden innebär måste dock skillnader i skattesatser återspegla skillnader i förväntade förluster och kostnader med rimlig noggrannhet. Om de inte gör det är priserna orättvist diskriminerande.

i ovanstående exempel, om det finns ytterligare analyser och/eller överväganden som på ett adekvat sätt stöder en rimlig slutsats att de förväntade förlusterna och kostnaderna för risker under genomsnittet kommer att vara fem gånger högre än för risker över genomsnittet och två och en halv gånger högre än för genomsnittliga risker, kommer vi sannolikt att godkänna arkiveringen.

som ett exempel, om försäkringsgivaren kan tillhandahålla en konkurrensanalys som visar att den fullständiga ränteindikationen för risker under genomsnittet kommer att placera dem i linje med deras konkurrens men att göra det för genomsnittliga och över genomsnittliga risker kommer att placera dem långt över deras konkurrens, kan vi acceptera förslaget. I detta fall kan marknaden som helhet ge en mer trovärdig uppskattning av förväntade förluster och kostnader.

men om försäkringsgivaren saknar information som tyder på att förväntade förluster och kostnader rimligen kan förväntas skilja sig åt i samma grad som det som föreslås, kommer vi sannolikt inte att godkänna arkiveringen.

ovanstående var ett enkelt exempel för illustrativa ändamål. I praktiken har dagens försäkringsvärld av ”Big Data” och ”generaliserade linjära modeller” lett till otroligt komplexa och segmenterade klassificeringsplaner. Territorier som en gång definierades på länsnivå (med undantag för stadsområden) ställs nu alltmer in på postnummernivå (ibland nio siffriga postnummer) eller till och med av folkräkningsblock där 100-blocket i North Market Street har ett annat territoriumrelativitet än 200-blocket i North Market Street. Relativiteterna baseras inte på den faktiska förlustupplevelsen av folkräkningsblocket (vilket skulle sakna någon trovärdighet) utan istället på egenskaper hos folkräkningsblocket som statistiker kan visa sig vara korrelerade med förlust.

som svar på försäkringsgivarnas användning av Big Data har NAIC: s marknadsreglering och konsumentfrågor (D) Utskottet skapat Big Data (D) arbetsgrupp vars 2016-avgift är:

”utforska försäkringsgivarnas användning av big data för fordringar, marknadsföring, garanti och prissättning. Utforska potentiella möjligheter för regulatorisk användning av big data för att förbättra effektiviteten och effektiviteten i marknadsreglering. Om det är lämpligt, lämna rekommendationer senast 2016 Fall National Meeting för 2017 avgifter för utskottet för att ta itu med eventuella rekommendationer som identifierats av 2016 prospektering.”

när det gäller användningen av Big Data i prissättningen utförs de komplexa multivariata datormodellerna som förutsäger de angivna relativiteterna som ligger till grund för dagens exceptionellt segmenterade klassplaner ofta på iterativ basis och inkluderar användningen av dom hela tiden. Dessutom, de ytterligare dömande aspekterna av att välja rate relativities baserat på indikationerna nu även modelleras, en praxis som ibland kallas ”prisoptimering.”

NAIC: s Actuarial Actuarial and Statistical (C) Task Force började utarbeta en vitbok om ämnet prisoptimering efter att frågan hänvisades till den av studiegruppen Auto Insurance (C/D) Den Nov. 11, 2014. Vitboken antogs av NAIC: s Property and Casualty Insurance (C) Committee den Nov. 21, 2015 och av verkställande utskottet den 6 April 2016. I punkt 1 i vitboken säger arbetsgruppen att den ”ger bakgrundsforskning om prisoptimering, identifierar potentiella fördelar och nackdelar med användningen av prisoptimering och presenterar alternativ för statliga reglerande svar angående användningen av prisoptimering vid ratemaking.”

punkt 6 i NAIC: s vitbok om prisoptimering beskriver:

”under de senaste åren har försäkringsbolagen genom en process eller teknik som av många kallas ”prisoptimering” börjat använda big data (datautvinning av försäkrings-och icke-försäkringsdatabaser med personlig konsumentinformation där det är tillåtet enligt lag), avancerad statistisk modellering eller båda för att välja priser som skiljer sig från angivna priser på en mycket detaljerad eller granulär nivå. Formaliserade och mekaniserade justeringar kan göras till angivna priser för många riskklassificeringar och i slutändan kanske till och med för enskilda försäkrade.”

punkt 9 i NAIC: s vitbok om prisoptimering noterar vidare:

”regulatorer accepterar vissa avvikelser från angivna priser och betygsfaktorer. De är emellertid oroade över att användningen av sofistikerade metoder för prisoptimering skulle kunna avvika från traditionell rate making, som sträcker sig utöver acceptabla nivåer för anpassning till kostnadsbaserade priser och resulterar i priser som varierar orättvist av försäkringstagaren. Regulatorer i varje stat bestämmer den acceptabla justeringsnivån tillåten baserat på statlig lag och regleringsbedömning.”

från och med det datum då detta yttrande skrevs, har cirka 20 stater (inklusive Pennsylvania) lämnat officiellt meddelande om att användningen av prisoptimeringstekniker som resulterar i orättvist diskriminerande priser inte kommer att tolereras. De flesta av dessa meddelanden relaterar prisoptimering till användningen av datormodeller för att ställa in försäkringsräntor baserade på något sätt på hur mycket en konsument eller en grupp konsumenter kan vara villiga att betala innan de handlar. Många baserades, åtminstone delvis, på ett utkast till Bulletin som ingår som bilaga B till NAIC: s vitbok om prisoptimering.

en av de mer kontroversiella rekommendationerna i NAIC: s vitbok om prisoptimering finns i punkt 48 som diskuterar orättvist diskriminerande försäkringsvärderingspraxis som ”justerar nuvarande eller aktuariellt angivna priser eller Premier, oavsett om de ingår eller inte ingår i försäkringsgivarens betygsplan.”Genom att ge exempel på vad som kan utgöra en orättvist diskriminerande praxis i detta avseende innehåller papperet:

1. ”priselasticitet i efterfrågan.
2. benägenhet att handla försäkring.
3. Retentionsjustering på individnivå.
4. en försäkringstagares benägenhet att ställa frågor eller lämna in klagomål.”

samma fyra metoder noteras i vitbokens utkast till Bulletin.

kommentarer från NAIC: s verkställande utskott före papperets antagande vid 2016 NAIC spring national meeting rekommenderade ”priselasticitet i efterfrågan” och ”benägenhet att handla för försäkring” betraktas som exempel på potentiell orättvis diskriminering endast när den betraktas på individuell eller granulär nivå, men papperet antogs utan de rekommenderade ändringarna.

dagarna för att granska en klassplanvariabels förlustupplevelse på univariat basis är långt borta. Försäkringsgivare är betyg på segmenteringsnivåer som få kunde ha föreställt sig för år sedan.

som påpekas i punkt 49 i NAIC: s vitbok om prisoptimering:

”användningen av sofistikerad dataanalys för att utveckla finjusterade metoder med en mångfald möjliga betygsceller är inte i sig ett brott mot betygslagar så länge som betygsklasserna och betygsfaktorerna är kostnadsbaserade.”

men med klassplanindikationer härledda av iterativa processer med komplexa datormodeller som inkluderar bedömning hela tiden, hur säkerställer regulatorn att bedömningsaspekterna av indikationen är objektiva och relaterade till förväntade förluster och kostnader? Och när de ytterligare bedömande aspekterna av att välja hastighetsrelativiteter baserade på dessa indikationer också modelleras, hur kan regulatorn hålla jämna steg?

komplexiteten bakom det sätt på vilket egendoms-och olycksfallsförsäkringsräntorna utvecklas och den extrema segmenteringen med vilken klassplaner administreras har blivit betydande utmaningar för dagens tillsynsmyndigheter. NAIC: s vitbok om prisoptimering, de bulletiner som många stater har utfärdat mot prisoptimeringspraxis och NAIC: s arbetsgrupp Big Data (D) är exempel på de senaste regleringsåtgärderna på dessa utmaningar. Men i slutet av dagen fortsätter samma standarder som har tillämpats på försäkringsräntor i många decennier att gälla idag och de är fortfarande tillämpliga oavsett om det bara finns tre riskklasser (t.ex. genomsnitt, över genomsnittet och under genomsnittet) eller många tusen (t. ex. folkräkningsblock). Skattesatserna får inte vara orimliga, otillräckliga eller orättvist diskriminerande.

resurser

1. för information om NAIC: s arbetsgrupp Big Data (D), inklusive dess avgift för 2016, se NAIC Market Regulation and Consumer Affairs (D) Committee, Big Data (D) Working Group hemsida , (senast besökt 18 maj 2016).
2. för att komma åt vitboken om prisoptimering, se NAIC Casualty Actuarial and Statistical (C) Task Force, ”white Paper of Price Optimization” (Nov. 19, 2015) finns här.
3. NAIC: s Acualty Actuarial and Statistical (C) Task forces webbplats listar olika staters bulletiner om prisoptimering på NAIC Accualty Actuarial and Statistical (C) Task Force hemsida, (senast besökt 18 maj 2016) (finns under rubriken prisoptimering bulletiner/nyheter).
4. kommentarer till NAIC: s vitbok om prisoptimering som mottogs av NAIC: s verkställande utskott före papperets antagande vid 2016 NAIC spring national meeting finns online inom materialet för NAIC: s April 6, 2016 Executive (EX) Committee och plenarmöte. Se NAIC ,” rapport från verkställande utskottet ” (Apr. 6, 2016) finns här.
5. ytterligare information om bakgrunden till varför NAIC: s Actuarial and Statistical (C) Task Force började utarbeta vitboken om prisoptimering finns på NAIC: s webbplats. Se Centrum för försäkring och forskning ,” prisoptimering ” (Jan. 6, 2016) finns här.

Michael McKenney är aktuariell handledare för Pennsylvania Insurance Department, Property & Casualty Bureau. Han är också för närvarande ordförande för NAIC Actuarial Actuarial and Statistical (C) Task Force.