assicurazione auto new jersey

Milano, 8 Febbraio 2017
Gian Paolo Clemente
Ricercatore Università Cattolica
Attuario
 Esiste una correlazione tra la storia creditizia dell’assicurato e la propensione (o il costo) al
sinistro?
 Qualora sia presente tale correlazione, quali variabili creditizie sono indicative di tale (favorevole o
sfavorevole) “abnormal loss performance”?
 Qualora sia presente tale correlazione, è una proxy di elementi già considerati ai fini della
tariffazione o della sottoscrizione? Dunque esiste una dipendenza tra variabili creditizie e variabili
tariffarie (già utilizzate ai fini di pricing)?
 In quali contesti assicurativi possono essere utili tali dati? Tariffazione, area commerciale,
antifrode?
2
 Le prime analisi empiriche in questo contesto fanno riferimento alla fine degli anni Novanta e si riferiscono al mercato
assicurativo USA.
 L’American Academy of Actuaries nel 2002 e la National Association of Insurance Commissioners (NAIC) nel 2008
compiono un’analisi sull’utilizzo dei credit scoring nel mercato assicurativo statunitense al fine di evidenziarne vantaggi
e limiti.
 Nello stesso periodo (2007-2008), una legge federale degli Stati Uniti (FACT Act) richiede alla Federal Trade
Commission (FTC) e al Federal Reserve Board (FRB) di analizzare e riportare al Congresso degli Stati Uniti le
modalità di calcolo dei credit scores e l’impatto sul rischio assicurativo.
 Attualmente nel mercato americano, la maggiorparte delle compagnie assicurative utilizza appositi Insurance Credit
Scores per prezzare contratti assicurativi nei rami motor e homeowners. Alcuni stati prevedono restrizioni sull’utilizzo
di tali modelli.
3
 Personal Property Insurance – 1.230.000 polizze
 Personal Auto insurance – 1.350.000 polizze
 Archivi tratti da diversi credit bureaus al fine di ricostruire la storia creditizia degli assicurati.
Property
Auto
4
Fonte: Predictiveness of Credit History for Insurance Loss Ratio Relativities, FAAR ISAAC White Paper, 1999
 Obiettivo: studiare la correlazione tra loss ratios e credit history
 170.000 polizze (Motor) in 3 esercizi (1993-1995) di una singola compagnia assicurativa (solo new business).
 Credit history degli assicurati (variabili usate: the number and types of accounts a consumer holds, the number of late
payments, duration of late payments, adverse public records, such as bankruptcies and tax liens, and the number of
inquires a consumer had on the report)
1.
Analisi bivariata tra singole variabili creditizie e loss ratio
 Correlazione tra caratteristiche creditizie negative e un maggiore loss ratio
APD: Ammontari dovuti per crediti
richiesti e non pagati alla data di
valutazione (indipendentemente dal
numero di linee di credito)
2.
Suddivisione del portafoglio in gruppi in funzione del merito creditizio dell’assicurato (utilizzando le variabili a
disposizione)
Group A: APD più elevati, adverse public records.
Group D: buon account rating, APD=0 , oldest trade line > 8 anni.
5
Fonte: The Impact of Personal Credit History on Loss Performance in Personal Lines, J. E. Monagan, Winter Forum CAS, 2000
I principali studi mostrano una “strong relationship” tra credit-based scores
e grandezze assicurative (loss ratio, premio puro o risk propensity).
Vantaggi
 Una più adeguata customer valuation (target marketing);
 Pricing and underwriting proficiency;
 Maggiore ritenzione dei clienti
 Migliore profilatura del cliente e un premio più adeguato.
Limiti e criticità
 Poca trasparenza per il cliente (difficoltà nel comprenderne l’utilizzo)
 Nessuna analisi (multivariata) che confermi pienamente l’effettivo contributo aggiuntivo di tali indicatori
 Richiesta di informazioni personali (social security number) non previste contrattualmente
 E’ equo richiedere un più alto premio a persone la cui situazione finanziaria è sfavorevole a causa di eventi
catastrofali o particolari situazioni personali (maggiore disparità socio-economica)
 Più che una modalità di misurare la propensione al rischio, sembra una modalità per attrarre clienti potenzialmente
profittevoli (maggiore disponibilità economica)
 Rischio di utilizzo come proxy per identificare particolari categorie di persone (low income, minoranze etniche, ecc.)
6
 Nel 2008, viene richiesto alla Federal Trade Commission e alla Federal
Reserve Board di analizzare la relazione tra credit scores e la rischiosità
nei contratti motor e homeowners.
 Inoltre un’analisi specifica viene sviluppata per valutare l’impatto su
specifici gruppi di clienti (low income, specific race or ethnicity)
 Nel seguito si riportano i principali risultati con riferimento al solo ramo
motor, ma risultanze simili sono osservate per i prodotti homeowners.
7
Credit Scores vs Costo
Aggregato dei Sinistri
Credit Scores vs
Frequenza e Costo Medio
8
Fra le principali giustificazioni proposte dale compagnie e dai diversi studi
sviluppati si segnala:
1. Maintenance and Moral Hazard: One can imagine that when a person utilizes one’s
resources well to maintain a home or a car in safe operating conditions, he or she is
probably maintaining his or her finance and credit as well.
2. Stress and Claim Consciousness: Persone in condizioni finanziarie non buone
potrebbero essere più soggette a stress ed inclini a compiere sinistri
3. Fraud: Persone in condizioni finanziarie non buone potrebbero essere più inclini a
comportamenti non etici o fraudolenti.
 Difficoltà nel provare statisticamente un legame di causalità.
 Fra le diverse interpretazioni che cercano di motivare il legame
empirico tra credit scores e rischiosità, vi è quella che consumatori
con una situazione creditizia sfavorevole prestano meno attenzione alla
cura del proprio veicolo.
 Per testare questa assunzione, il portafoglio è stato suddiviso in
funzione dell’età del veicolo. Effettivamente sembra esserci una
maggiore correlazione tra CS e Costo sinistri per veicoli più datati.
 Tale differenza non è però altamente significativa.
9
 Secondo le stime svolte dalla FTC,
un maggior numero di assicurati
usufruirebbe di una riduzione
percentuale del premio (59%).
 Tale riduzione è però più contenuta
dell’aumento di premio attribuito
agli assicurati con un alto credit
score.
 La
mediana della distribuzione
degli aumenti è il 16%, mentre la
mediana sulle riduzione è -13%.
 Tra gli effetti di tale modifica, va
valutato anche l’effetto sul numero
di veicoli che circolano senza
assicurazione.
 Adverse Selection
10
11
12
 Un insurance score (o insurance credit score) è un sistema numerico basato generalmente su:
 Selezione di alcune caratteristiche creditizie dell’assicurato (principalmente legate ad abitudini e scelte finanziarie)
 Combinate con dati sulla sinistrosità e sulla profittabilità
 Modello proprietario e non pubblico
 Secondo alcuni studi recenti il 95% delle compagnie utilizzano, dove è consentito, tali scores per il pricing RCAuto e l’85%
nel segmento del polizze su abitazione.
 Deve sottostare alla legislazione dei vari stati (non univoca) in merito alla possibilità di utilizzo delle diverse variabili creditizie
 Attualmente legale in quasi tutti gli Stati (con diverse limitazioni).
 Non permesso in Hawaii, California, Massachusetts. Altri stati (Georgia, Maryland, Oregon, and Utah) prevedono
restrizioni soprattutto al fine di evitare la mancata sottoscrizione (o il mancato rinnovo) della polizza in funzione del credit
score: http://web.archive.org/web/20110719124507/http://www.namic.org/reports/credithistory/credithistory.asp
 A supporto dell’utilizzo: American Academy of Actuaries, 2002, Insurance Information Institute, Credit Bureaus
 Contrari: Center for Economic Justice, the Consumer Federation of America, the National Consumer Law Center
 Dal 2004, ogni persona residente in US ha la possibilità di conoscere almeno una volta l’anno gratuitamente il suo credit
report (non contiene il credit score) da ogni credit reporting agency.
13
FAAR ISAAC
FTC report
Elementi con maggior peso in un credit score usato nel
contesto assicurativo
• Payment History (35-40%) — How well you have
made payments on your outstanding debt in the
past
• Outstanding Debt (30%) — How much debt you
currently have
• Credit History Length (15%) — How long you have
had a line of credit
• Pursuit of New Credit (10%) — If you have applied
for new lines of credit recently
• Credit Mix (5%10%) — The types of credit you have
(credit card, mortgage, auto loans, etc.)
14
Car Insurance by Credit Score, WalletHub 2015
 Lo studio ha lo scopo di indagare (sulla base delle quotazioni delle 5 primarie compagnie USA e di un profilo di assicurato tipo
– 37 anni età, 21 anni di patente, 16.000 miglia anno, single, professione che non dia diritto a sconti, Honda Accord Sedan
2009 Cilindrata 2,4) l’effetto dei credit score sul premio RCAuto effettuato sul mercato.
 I principali risultati del report sono i seguenti:
 in media (tra le compagnie e nei diversi stati) c’è un differenziale del 49% di premio tra una persona con eccellente
credit score e una persona senza credit history.
 Alcune compagnie utilizzano tali credit score solo in alcuni stati, altre (es. Allstate) in tutti (ad eccezione dei tre in cui non
è possibile)
Tra gli Stati con il maggior differenziale si segnala:
- Michigan 115%, South Carolina
87%, New Jersey,
Pennsylvania, Virginia, Oregon, Illinois, Missouri, Maine tra il
60 e il 70%
Risulta un differenziale contenuto o scarso in:
- Hawaii, California, Massachussets 0%, Connecticut 15%, Iowa
16%, New Mexico 20%
15
Nel 2014, 163
compagnie assicurative
hanno sottoscritto premi
relativi a contratti di
personal lines of
insurance con una
raccolta premi
complessiva di circa
2,500 miliardi di dollari
Di queste circa 130
imprese hanno utilizzato
informazioni sui credit
scores nei modelli di
pricing per un totale di
circa 3 milioni di polizze.
Fonte: Use and Impact of Credit in Personal Lines Insurance Premiums Pursuant, A REPORT TO THE LEGISLATIVE COUNCIL AND THE SENATE AND
HOUSE COMMITTEES ON INSURANCE AND COMMERCE OF THE ARKANSAS GENERAL ASSEMBLY
16
 Evidenze empiriche e studi attuariali compiuti sul mercato americano
evidenziano una correlazione tra alcune variabili creditizie e la sinistrosità
nei prodotti assicurativi auto e property.
 Le
analisi multivariate sviluppate dalla Federal Trade Commission
identificano un valore aggiunto nell’utilizzo di tali informazioni per finalità di
pricing.
 Non è agevole identificare un nesso di causalità tra merito creditizio e
propensione al sinistro
 Alcuni punti di attenzione riguardano:
 la possibilità che i credit scores risultino proxy di variabili non utilizzabili in
tariffazione,
 la possibilità che una tariffazione basata sui credit scores provochi un aumento dei
veicoli non assicurati.
17
 C. Alfieri, T. Ketterer, R. Obasare, K. Thiha, Predictive Loss Ratio Modeling with credit scores for Insurance Purposes, 2012, Worcester Polytechnic
Institute and The Hannover Insurance Group
 American Academy of Actuaries, The Use of Credit History for personal lines of insurance: report to the National Association of Insurance Commissions,
2002
 Arkansas Insurance Department, Use and Impact of Credit in Personal Lines Insurance Premiums Pursuant to Ark. Code Ann. § 23-67-415, July 2007
 P.L. Brokett, L. L. Golden, Biological and Psychobehavioral Correlates of Credit Scores and Automobile Insurance Losses: Toward an Explication of Why
Credit Scoring Works, The Journal of Risk and Insurance, 2007, Vol. 74, No. 1, 23-63.
 Fair, Isaac, Predictiveness of Credit History for Insurance Loss Ratio Relativities, October 1999
 F.M. Fitzgerald, The Use of Insurance Credit Scoring In Automobile and Homeowners Insurance, A Report to the Governor, the Legislature and the
People of Michigan, Commissioner Office of Financial and Insurance Services, December 2002
 Kabler, Brent, Insurance-Based Credit Scores: Impact on Minority and Low Income Populations in Missouri, 2004
 B. Kellison, P. Brockett, Credit Scoring and Insurance Losses: is there a connection?, Special Issue 2003, Business Review, University of Texas.
 B. Kellison, P. Brockett, A Statistical Analysis of the Relationship Between Credit History and Insurance Losses, Bureau of Business Research, McCombs
School of Business, The University of Texas at Austin, 2003.
 Maryland Insurance Administration, Report on the Credit Scoring Data of Insurers in Maryland, 2004
 M.J. Miller, R.A. Smith, The Relationship of Credit-Based Insurance Scores to Private Passenger Automobile Insurance Loss Propensity: An Actuarial Study
by EPIC Actuaries, LLC (June 2003)
 J. E. Monaghan, The Impact of Personal Credit History on Loss Performance in Personal Lines, Casualty Actuarial Society Ratemaking Discussion Paper
(2000) (presented at the Winter 2000 CAS forum), available at http://www.casact.org/pubs/forum/00wforum/00wf079.pdf
 National Association of Insurance Commissioners, Review of the Use of Credit-Based Insurance Scoring By Insurers, Market Regulation and Consumer
Affairs (D) Committee, Sept. 2008.
 Report to Congress by the Federal Trade Commission, Credit-Based Insurance Scores: impacts on customers of automobile insurance, July 2007.
 Texas Department of Insurance, Use of Credit In formation by Insurers in Texas: The Multivariate Analysis (Jan. 31, 2005) (supplemental report); Texas
Department of Insurance, Use of Credit Information by Insurers in Texas (Dec. 30, 2004)
18