在风控与算法决策领域，存在一种较为普遍的认知：将算法公平简单等同于不同用户群体应当具备一致的整体通过率。
为达成该统计目标，工程实践中常会强制对齐各类人群标签下的审批放行率、交易拦截率。虽然从统计指标上能够满足合规表象，但该处理方式有可能扭曲风险判断逻辑，削弱风控模型对真实风险的识别能力。
本文结合论文 Are bank decisions fair? a statistical analysis of fairness in credit lending 的研究结论，梳理分组公平与个体公平的适用边界，并提出一套可应用于交易风控业务的工程实现思路。
一、分组公平：群体统计层面的均衡约束
分组级公平是当前风控公平评估中较为常用的范式。该范式以人群标签为划分依据，对比不同分组下的整体决策结果，典型代表为统计均等，即要求各群体放行、拒绝比例趋于一致；进阶指标如均等机会，则分别针对正负样本对齐各组召回性能。
该类方案的局限在于，仅聚焦模型输出的群体统计结果，无法区分结果差异的形成来源（Giudici et al., 2026）。
在真实业务环境下，不同用户群体天然存在风险禀赋差异。受收入结构、交易行为习惯、资金链路等客观因素影响，部分群体整体欺诈、违约风险相对更高；另一部分群体交易行为更为稳定，风险水平更低。此种场景下，群体间形成合理的通过率差距，是风险客观规律的体现，并不直接等同于算法决策偏见。
若通过强制手段抹平群体通过率差异，模型将被迫做出业务妥协：要么抬高高风险群体的放行占比，接纳部分高风险交易；要么压低低风险群体的放行占比，误拦截部分正常业务。
该论文同时指出分组度量的另一项短板：面对样本规模较小的小众群体，分组公平相关统计指标噪声较高，评估结论容易发生失真。
二、个体公平：回归样本本身的决策底线
与分组公平形成对照的是个体级公平。其核心原则为：特征高度相似的样本，无论归属哪一个用户群体，均应当获得相近的决策输出（Giudici et al., 2026）。
个体公平不干预各群体最终整体放行率的统计表现，允许因风险禀赋差异带来的群体结果分化，仅划定决策底线：不得单纯依托用户群体标签，对特征高度相似的交易给出差异化判定。
放到信贷场景中可以直观理解：两份在还款能力、负债水平、收入条件上基本相当的贷款申请，仅申请人人群标签存在区别，二者的审批结果、风险定价不应当出现显著差距。
相较于分组公平，个体公平可以有效区分两类差异来源：由群体经济、行为禀赋带来的客观差异，以及由算法决策引入的人为偏见，规避辛普森悖论造成的评估误判。过往大量公平性研究借助SHAP值、反事实解释完成偏见校验，但多数仅能识别保护属性带来的直接偏见，较难处理混杂变量引发的间接不公。
三、落地方案：借助RAG检索实现风控领域的个体公平
基于个体公平的核心思想，可以构建面向实时交易识别的工程方案，利用RAG相似检索模块对风控决策施加约束。
传统风控模型在训练过程中，可能隐性学习到人群标签带来的偏向，出现"相似交易、不同判定结果"的不公平现象。基于RAG的实现逻辑如下：
-
提取交易客观特征：交易金额、交易时段、设备指纹、IP链路、商户类型、用户行为序列、资金流转路径；向量化检索阶段不纳入任何用户群体标签。
-
构建历史交易知识库，存储历史交易样本、人工复核结论、历史风险评分。
-
针对新的待研判交易，在知识库中召回跨用户的Top-K条特征相似历史交易。
-
在决策融合层增加约束条件：当前交易输出的风险得分与最终判定结论，需要和召回相似样本的分布基本保持一致。
该方案具备如下优势：
- 无需预先定义受保护人群，规避小众分组样本不足、指标噪声偏大的问题
- 尊重不同群体客观风险差异，不强制对齐群体通过率
- 恪守个体公平原则，防范因群体标签产生差别对待
- 决策结果可溯源相似历史案例，满足风控审计对可解释性的要求
同时该方案存在明确适用边界：知识库内历史样本本身可能携带历史决策偏差，相似检索仅作为决策约束项，不可直接作为判定金标准；当检索相似度低于阈值、有效近邻样本不足时，应当关闭该约束，交由基础风控模型独立完成判断。
四、结语
分组公平与个体公平并非互斥关系。分组公平更适配不同群体风险禀赋大体接近的业务场景，追求宏观层面统计均衡。个体公平则更贴合风控业务底层逻辑，以样本自身特征作为决策主要依据。
依托RAG相似检索，可以以较低工程成本落地个体公平。算法公平的核心目标，不是让所有群体获得完全一致的决策结果，而是保证相似的交易行为，能够得到无差别的对待。
参考文献
Giudici, P., Neelakantan, P., Pavarana, S., & Schmidt, T. (2026). Are bank decisions fair? a statistical analysis of fairness in credit lending. Statistics-A Journal of Theoretical and Applied Statistics. https://doi.org/10.1080/02331888.2026.2700452