Métriques d'équité algorithmique financière

Méthodes

Les métriques d'équité algorithmique dans la finance : ce que chaque chiffre mesure vraiment et ce qu'il ignore

Auteur Rédaction Smurzeitaixeorrissou 3 novembre 2026

Métriques d'équité algorithmique sur tableau de bord analytique

La parité démographique : la métrique la plus simple, avec les limites les plus importantes

La parité démographique exige que le taux d'approbation soit identique entre les groupes protégés et les groupes de référence. Si 60% des demandeurs du groupe A voient leur crédit approuvé, 60% des demandeurs du groupe B devraient l'être également. C'est intuitif, mesurable, et problématique. Le problème fondamental : la parité démographique impose l'égalité des résultats indépendamment de la distribution réelle du risque dans chaque groupe. Si les deux groupes ont des profils de risque statistiquement différents pour des raisons légitimes, imposer l'égalité des taux d'approbation revient à traiter différemment des individus ayant des profils identiques selon leur appartenance au groupe. C'est une forme de discrimination inversée que les tribunaux ont parfois sanctionnée. Malgré cette limite, la parité démographique reste la métrique la plus fréquemment citée dans les discussions réglementaires, précisément parce qu'elle est simple à calculer et à communiquer.

Ce qu'elle mesure

La parité démographique mesure l'égalité des taux de résultats favorables entre groupes. Elle est facilement calculable à partir des décisions finales du modèle sans nécessiter d'accès aux scores intermédiaires ni aux données d'entraînement. Sa simplicité en fait un indicateur de première intention dans les audits à accès limité.

Ce qu'elle ignore

La parité démographique ignore complètement la distribution réelle du risque dans chaque groupe. Elle ne distingue pas les individus approuvés à juste titre de ceux approuvés malgré un risque élevé. Elle peut masquer des biais importants dans les populations à la marge de décision tout en affichant des chiffres globaux rassurants.

L'égalité des taux d'erreur : quand la précision masque l'inégalité

L'égalité des taux d'erreur exige que les taux de faux positifs et de faux négatifs soient identiques entre les groupes. Dans le contexte du crédit, cela signifie que le modèle devrait mal classifier les demandeurs solvables et les demandeurs non solvables avec la même fréquence dans chaque groupe démographique. Cette métrique pose une question différente de la parité démographique : non pas 'est-ce que les deux groupes obtiennent les mêmes résultats', mais 'est-ce que le modèle fait les mêmes types d'erreurs pour les deux groupes'. C'est mathématiquement plus exigeant, mais aussi plus informatif sur les mécanismes du biais. Le paradoxe central, démontré par Chouldechova en 2017, est que parité démographique et égalité des taux d'erreur sont mathématiquement incompatibles dès que les taux de défaut réels diffèrent entre les groupes. On ne peut pas avoir les deux simultanément. Ce résultat fondamental est souvent absent des rapports d'audit commerciaux.

Le taux de faux positifs

Un taux de faux positifs plus élevé pour un groupe signifie que le modèle approuve plus souvent des membres de ce groupe qui ne rembourseront pas. Cela peut sembler favorable pour ce groupe à court terme, mais crée des cycles d'endettement préjudiciables et augmente les pertes pour les prêteurs, qui réagiront en durcissant leurs critères.

Le taux de faux négatifs

Un taux de faux négatifs plus élevé pour un groupe signifie que le modèle rejette plus souvent des membres de ce groupe qui auraient en réalité remboursé leur crédit sans difficulté. C'est la forme de discrimination la plus directement préjudiciable pour les demandeurs : ils se voient refuser l'accès à des ressources auxquelles ils avaient droit.

Accueil Voir le blog

Votre choix sur les cookies

Nous utilisons des cookies pour analyser la navigation et améliorer votre expérience sur ce site dédié à l'audit des biais algorithmiques.

Cookies essentiels

Ces cookies sont nécessaires au fonctionnement du site et ne peuvent pas être désactivés. Ils ne collectent aucune donnée personnelle identifiable.

Cookies analytiques

Ces cookies nous aident à comprendre comment les visiteurs interagissent avec notre contenu sur l'audit des biais algorithmiques, afin d'améliorer nos pages.

Cookies de performance

Ces cookies mesurent les performances techniques du site et nous permettent d'identifier les pages qui nécessitent une optimisation pour une meilleure expérience.

Lire notre politique cookies