Incidentes Asociados
El objetivo del algoritmo de aumento de precios de Uber es influir en la disponibilidad de automóviles ajustando dinámicamente los precios. Cuando el aumento está en vigor y los precios son más altos, la idea es que la oferta de conductores aumenta mientras que al mismo tiempo la demanda disminuye. Nosotros informamos anteriormente que parece que en lugar En lugar de aumentar la oferta absoluta de conductores poniendo más automóviles en las calles, la oferta existente de conductores se redistribuye geográficamente a lugares con más demanda. Si los conductores se mudan a áreas con aumento de precios, esas áreas experimentarán tiempos de espera reducidos para su automóvil o un mejor servicio, pero las áreas de las que los conductores se están mudando fuera experimentarán tiempos de espera más largos o un servicio más deficiente. Entonces, ¿quién gana y quién pierde? ¿Qué vecindarios obtienen consistentemente un mejor o peor servicio?
Nuestro análisis de los datos de Uber de un mes en D.C. sugiere una respuesta: los vecindarios con mejor servicio, definidos como aquellos lugares con tiempos de espera consistentemente más bajos, la ETA de recogida proyectada por Uber, son más blancos.
Recopilamos datos sobre los tiempos de espera (la estimación de Uber de cuánto tiempo esperará entre la solicitud de su automóvil y la llegada) y los aumentos de precios a través de API de Uber para 276 ubicaciones en D.C. cada tres minutos durante cuatro semanas, del 3 de febrero al 2 de marzo. No queríamos perdernos ningún aumento, así que elegimos tres minutos, sabiendo que los aumentos en D.C. [no son inferiores a tres minutos] (https://www.washingtonpost .com/news/wonk/wp/2015/04/17/how-uber-surge-pricing-really-works/?itid=lk_inline_manual_8). Los datos de aumento de precios se usaron luego para calcular el porcentaje de tiempo de aumento. Los datos se analizaron por tramos censales, que son áreas geográficas utilizadas para las tabulaciones censales, de modo que pudiéramos probar las relaciones con la información demográfica. Solo se incluyeron autos uberX en nuestro análisis, ya que son los tipos de autos en Uber más [comunes]. ://www.ccs.neu.edu/home/cbw/pdf/chen-imc15.pdf). (Con el fin de hacer que el análisis de datos sea transparente, todo nuestro código se puede ver [en línea] (https://github.com/comp-journalism/2016-03-wapo-uber).)
El siguiente mapa muestra que los tiempos de espera son, en general, más cortos en el centro del Distrito y más largos en la periferia.
Las secciones censales con más personas de color (incluidos negros/afroamericanos, asiáticos, hispanos-negros/afroamericanos e hispanos/asiáticos) tienen tiempos de espera más largos. En otras palabras, si estás en un vecindario donde hay más gente de color, esperarás más por tu uberX.
Algunos de los tramos más afectados por esta diferencia en el servicio relacionada con la raza están etiquetados en el mapa de arriba, incluidos Congress Heights, Bellevue y Washington Highlands, y la parte sur del suroeste de D.C., donde el tiempo de espera promedio es de casi siete minutos para un uberX. . Se supone que el aumento de precios estimulará una mayor oferta de conductores y mejorará el servicio, pero dado que estos vecindarios no aumentan con frecuencia, no es de extrañar que los pasajeros estén esperando más tiempo para un viaje.
Por el contrario, las zonas que se benefician de esta diferencia relacionada con la raza (la mayoría de las zonas blancas con el tiempo de espera más corto) incluyen Dupont Circle, Logan Circle y Georgetown, donde el tiempo de espera promedio es de poco más de cuatro minutos. Estas áreas aumentan el 43 por ciento del tiempo, lo que las hace atractivas para los conductores que quieren ganar más.
Las asociaciones entre la carrera y el tiempo de espera, así como la carrera y el aumento del porcentaje de tiempo, se muestran en los gráficos de dispersión a continuación usando valores normalizados (puntajes z para los estadísticos). La línea indica un modelo estadístico que, a pesar de tener en cuenta los ingresos de los hogares, la tasa de pobreza y la densidad de población, sigue mostrando la asociación. En otras palabras, la asociación entre las personas de color y los tiempos de espera es válida incluso cuando se tienen en cuenta los ingresos familiares, las tasas de pobreza y la densidad de población. Esto significa que al comparar distritos donde los ingresos, la pobreza y la densidad son iguales, el distrito con más personas de color experimentará tiempos de espera más prolongados.
Además de la demografía racial relacionada con la calidad del servicio en D.C., encontramos que los niveles de pobreza refuerzan los tiempos de espera más altos en áreas con más personas de color. Entonces, si estás en un área que tiene un porcentaje más alto de personas de color y un porcentaje más alto de pobreza, esperarás aún más por tu auto uberX.
¿Qué podría estar causando estos patrones? Es posible que una ETA más larga en algunos vecindarios que experimentan un peor servicio simplemente refleje una falta de demanda en esos vecindarios. Según su solicitud de patente, el algoritmo de aumento de precios de Uber se activa por la relación entre la oferta y la demanda. Es de esperar que las zonas con mayor demanda aumenten más a menudo para estimular una mayor oferta. Descubrimos que los distritos aumentaron entre el 16 % y el 47 % del tiempo (consulte el siguiente mapa), y la raza también predijo la frecuencia con la que surgieron los distritos, incluso cuando se tomaron en cuenta las diferencias en los ingresos, la pobreza y la densidad de población. El ingreso familiar promedio también está relacionado con la frecuencia con la que aumentan los tractos en el sentido de que suaviza la influencia de la raza. En otras palabras, la cantidad de personas de color tiene menos poder predictivo para el aumento del tiempo cuanto más rico es el vecindario.
Algunos vecindarios pueden tener más "atracciones" que los hacen deseables para que los conductores de Uber los atiendan: universidades, bares y restaurantes, o incluso el zoológico. Muchos de los tratados mayoritariamente blancos que examinamos, con tiempos de espera más cortos, tenían algunos de estos elementos. La parte noroeste de D.C. ilustra bien esto con varias universidades en el área y un tiempo de espera promedio de solo 295 segundos. A pesar de tener un 75 por ciento de personas de color, Edgewood tiene un tiempo de espera promedio de 292 segundos, que se encuentra dentro del cuarto inferior de los tiempos de espera más cortos. La mayor demanda en ese vecindario (y más aumentos repentinos) puede deberse a la prevalencia de apartamentos, restaurantes y bares, y las universidades católicas y Trinity Washington en los alrededores. En el futuro, esperamos comparar los datos de Uber con los datos de la Comisión de Taxis de D.C. para tener una referencia sobre la demanda a nivel de vecindario.
Pero la baja oferta y la mala calidad del servicio también podrían tener un ciclo de retroalimentación negativa con la demanda: si a menudo tiene que esperar demasiado por un automóvil, tal vez deje de usar el servicio por completo. Los conductores discuten en foros como este cómo "juegan el sistema" para optimizar para su propia conveniencia o proporción de tiempo/dinero, lo que incluye evitar activamente las áreas que no son de gran actividad y solo conectarse en línea en las áreas que suelen aumentar. Algunos conductores también han admitido desconectarse estratégicamente para evitar recibir solicitudes en áreas particulares. Este tipo de comportamiento de los conductores podría ser un factor que contribuya a la escasez de suministro en algunos vecindarios.
Uber y Lyft se llaman a sí mismos como un alivio de la discriminación desenfrenada que se encuentra en sistemas de taxi que resultan de la selección racial de las camionetas u otra revisión basada en el destino deseado. Cuando se le pidió un comentario sobre los resultados de este análisis, un portavoz de Uber dijo: "La dinámica de la ciudad es complicada y hay mucha más investigación por hacer. Uber está trabajando arduamente para abordar un statu quo de transporte que ha sido desigual durante un durante mucho tiempo, lo que hace que sea más fácil y asequible para todos moverse por sus ciudades".
Si bien cualquier tipo de agenda racialmente sesgada por parte de Uber es extremadamente improbable, nuestros resultados sugieren que la raza juega un papel en la predicción de la calidad del servicio de uberX en diferentes vecindarios. Esto plantea todo tipo de cuestiones sustantivas. Por ejemplo, a la luz del reciente [fallo] de la Corte Suprema (http://www.npr.org/sections/thetwo-way/2015/06/25/417433460/in-fair-housing-act-case-supreme- court-backs-disparate-impact-claims) que la intención discriminatoria no es una condición previa para rendir cuentas por la discriminación en el mercado de la vivienda, ¿cuáles son las implicaciones de los efectos secundarios discriminatorios no intencionales que se descubren en otros dominios? ¿Se debe esperar, o incluso exigir, que Uber aborde este tipo de disparidad racial en la calidad del servicio del vecindario? O tal vez Uber es un espejo de la desigualdad más general en la ciudad, sus datos reflejan algunas verdades con las que todos debemos lidiar mientras buscamos construir una sociedad más igualitaria. Esto podría ser particularmente relevante a medida que Uber comienza asociaciones público-privadas con ciudades, como Boston, para usar sus datos para informar las decisiones de planificación del transporte cívico.