แบบจำลองการเรียนรู้ของเครื่องที่คำนึงถึงความเป็นธรรม สำหรับพยากรณ์ความเสี่ยงในการประกันภัยรถยนต์

Abstract

การกำหนดราคาเบี้ยประกันภัยรถยนต์เป็นกระบวนการสำคัญในการบริหารจัดการความเสี่ยงของธุรกิจประกันวินาศภัย โดยปัจจุบันมีการประยุกต์ใช้แบบจำลองการเรียนรู้ของเครื่อง (Machine Learning) เพื่อเพิ่มความแม่นยำในการพยากรณ์ความเสี่ยง อย่างไรก็ตาม แม้จะไม่มีการนำคุณลักษณะที่อ่อนไหว เช่น เพศ มาใช้โดยตรงในการสร้างแบบจำลอง แต่ตัวแปรอื่นที่มีความสัมพันธ์กับเพศอาจทำหน้าที่เป็นตัวแปรตัวแทน (Proxy Variables) ส่งผลให้เกิดการเลือกปฏิบัติทางอ้อม (Indirect Discrimination) และนำไปสู่ความไม่เป็นธรรมในการกำหนดราคาเบี้ยประกันภัย งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของแนวทางการลดอคติในการกำหนดราคาเบี้ยประกันภัยรถยนต์ โดยศึกษาการลดอคติแบบก่อนการเรียนรู้ (Preprocessing) ด้วยเทคนิค Disparate Impact Remover (DIR) และการลดอคติระหว่างการเรียนรู้ (In-processing) ด้วยเทคนิค Fairlearn ร่วมกับ Bounded Group Loss ภายใต้แบบจำลอง Generalized Linear Model (GLM), Extreme Gradient Boosting (XGBoost) และ Light Gradient Boosting Machine (LightGBM) การศึกษานี้ใช้ข้อมูล French Motor Insurance Portfolio (PG17) และประยุกต์ใช้กรอบแนวคิด Frequency-Severity Framework ในการคำนวณค่าเบี้ยประกันภัยสุทธิ (Pure Premium) โดยประเมินประสิทธิภาพของแบบจำลองด้วยค่ารากที่สองของความคลาดเคลื่อนเฉลี่ยกำลังสอง (Root Mean Squared Error: RMSE) ค่าสัมประสิทธิ์จินี (Gini Coefficient) และดัชนีผลกระทบที่แตกต่างระหว่างเพศหญิงและเพศชาย (Female-to-Male Disparate Impact Ratio: FMDI) ผลการศึกษาพบว่า XGBoost ให้ความแม่นยำในการพยากรณ์สูงที่สุด โดยมีค่า RMSE ต่ำที่สุดเมื่อเปรียบเทียบกับแบบจำลองที่ศึกษา ขณะที่การประยุกต์ใช้เทคนิคการลดอคติทั้งแบบ Preprocessing และ In-processing สามารถเพิ่มระดับความเป็นธรรมของแบบจำลองได้อย่างมีประสิทธิภาพ โดยลดระยะห่างของค่า FMDI จากค่าอ้างอิง 1.00 ได้ประมาณ 84–92% เมื่อเทียบกับแบบจำลองพื้นฐาน ขณะที่ค่า RMSE เปลี่ยนแปลงไม่เกิน 0.03% สะท้อนว่าการเพิ่มข้อพิจารณาด้านความเป็นธรรมส่งผลกระทบต่อความแม่นยำของแบบจำลองเพียงเล็กน้อย อย่างไรก็ตาม ผลลัพธ์ด้านความเป็นธรรมยังคงมีความไวต่อการเลือกตัวแปรตัวแทนและวิธีการลดอคติที่นำมาประยุกต์ใช้ ผลการวิจัยชี้ให้เห็นว่าการพัฒนาแบบจำลองกำหนดราคาเบี้ยประกันภัยควรพิจารณาทั้งความแม่นยำและความเป็นธรรมควบคู่กัน โดยเทคนิคการลดอคติสามารถช่วยลดความเสี่ยงของการเลือกปฏิบัติทางอ้อมได้ ขณะเดียวกันยังคงรักษาประสิทธิภาพของแบบจำลองไว้ในระดับที่เหมาะสม อันจะเป็นประโยชน์ต่อการพัฒนาระบบกำหนดราคาเบี้ยประกันภัยที่มีความโปร่งใส เป็นธรรม และสอดคล้องกับหลักเกณฑ์การกำกับดูแลด้านความเป็นธรรมของปัญญาประดิษฐ์ในอนาคต