Problème 2289

L'objectif de l'algorithme de tarification des surtensions d'Uber est d'influencer la disponibilité des voitures en ajustant dynamiquement les prix. Lorsque la surtension est en vigueur et que les prix sont plus élevés, l'idée est que l'offre de conducteurs augmente tandis que la demande diminue en même temps. Nous précédemment signalé qu'il semble plutôt Au lieu d'augmenter l'offre absolue de conducteurs en mettant plus de voitures sur la route, l'offre de conducteurs existante est plutôt redistribuée géographiquement vers les endroits les plus demandés. Si les conducteurs déménagent dans des zones où les prix augmentent, ces zones connaîtront des temps d'attente réduits pour leur voiture ou un meilleur service, mais les zones dont les conducteurs s'éloignent connaîtront des temps d'attente plus longs ou un service de moindre qualité. Alors qui gagne et qui perd ? Quels quartiers obtiennent constamment un meilleur ou un pire service ?

Notre analyse d'un mois de données Uber dans l'ensemble de D.C. suggère une réponse : les quartiers avec un meilleur service - définis comme les endroits avec des temps d'attente toujours plus courts, l'ETA de ramassage tel que prévu par Uber - sont plus blancs.

Nous avons collecté des données sur les temps d'attente (l'estimation d'Uber du temps d'attente entre la demande de votre voiture et son arrivée) et sur la hausse des prix via l'API Uber pour 276 emplacements à D.C. chaque trois minutes pendant quatre semaines du 3 février au 2 mars. Nous ne voulions manquer aucune surtension, nous avons donc choisi trois minutes, sachant que les surtensions à D.C. [ne sont pas inférieures à trois minutes](https://www.washingtonpost .com/news/wonk/wp/2015/04/17/how-uber-surge-pricing-really-works/?itid=lk_inline_manual_8). Les données sur la tarification des surtensions ont ensuite été utilisées pour calculer le pourcentage de temps de surtension. Les données ont été analysées par secteurs de recensement, qui sont des zones géographiques utilisées pour les totalisations du recensement, afin que nous puissions tester les relations avec les informations démographiques. Seules les voitures uberX ont été incluses dans notre analyse, car ce sont les [types de voitures les plus courants sur Uber](http ://www.ccs.neu.edu/home/cbw/pdf/chen-imc15.pdf). (Afin de rendre l'analyse des données transparente, tout notre code peut être consulté en ligne.)

La carte ci-dessous montre que les temps d'attente sont, en général, plus courts au centre du District et plus longs en périphérie.

Les secteurs de recensement avec plus de personnes de couleur (y compris les Noirs/Afro-américains, les Asiatiques, les Hispaniques-Noirs/Afro-américains et les Hispaniques/Asiatiques) ont des temps d'attente plus longs. En d'autres termes, si vous êtes dans un quartier où il y a plus de personnes de couleur, vous attendrez plus longtemps votre uberX.

Certains des secteurs les plus touchés par cette différence de service liée à la race sont indiqués sur la carte ci-dessus, notamment Congress Heights, Bellevue et Washington Highlands, et la partie sud du sud-ouest de D.C., où le temps d'attente moyen est de près de sept minutes pour un uberX. . La tarification des surtensions est censée stimuler davantage l'offre de conducteurs et améliorer le service, mais étant donné que ces quartiers n'augmentent pas souvent, il n'est pas étonnant que les usagers attendent plus longtemps pour un trajet.

En revanche, les secteurs bénéficiant de cette différence liée à la race (domaines majoritairement blancs avec le temps d'attente le plus court) comprennent Dupont Circle, Logan Circle et Georgetown, où le temps d'attente moyen est d'un peu plus de quatre minutes. Ces zones augmentent 43 % du temps, ce qui les rend attrayantes pour les conducteurs qui souhaitent gagner plus.

Les associations entre la race et le temps d'attente ainsi que la race et le pourcentage de temps d'augmentation sont présentées dans les diagrammes de dispersion ci-dessous en utilisant des valeurs normalisées (z-scores pour les statisticiens). La ligne indique un modèle statistique qui, malgré la prise en compte du revenu des ménages, du taux de pauvreté et de la densité de population, montre toujours l'association. En d'autres termes, l'association entre les personnes de couleur et les temps d'attente reste vraie même lorsque le revenu du ménage, les taux de pauvreté et la densité de population sont pris en compte. Cela signifie que lorsque l'on compare des secteurs où le revenu, la pauvreté et la densité sont les mêmes, le secteur avec plus de personnes de couleur connaîtra toujours des temps d'attente plus longs.

En plus des données démographiques raciales liées à la qualité des services à D.C., nous avons constaté que les niveaux de pauvreté renforcent les temps d'attente plus élevés dans les zones comptant plus de personnes de couleur. Donc, si vous vous trouvez dans une région qui compte un pourcentage plus élevé de personnes de couleur et un pourcentage plus élevé de pauvreté, vous attendrez encore plus longtemps votre voiture uberX.

Qu'est-ce qui pourrait être à l'origine de ces modèles ? Il est possible qu'une ETA plus longue dans certains quartiers connaissant un service moins bon reflète simplement un manque de demande dans ces quartiers. Selon sa demande de brevet, l'algorithme de tarification des surtensions d'Uber est déclenché par le rapport entre l'offre et la demande. Vous pourriez vous attendre à ce que les secteurs avec une demande plus élevée augmentent plus souvent afin de stimuler davantage l'offre. Nous avons constaté que les secteurs ont augmenté de 16 % à 47 % du temps (voir la carte suivante), la race prédisant également la fréquence à laquelle les secteurs augmentent, même en tenant compte des différences de revenu, de pauvreté et de densité de population. Le revenu médian des ménages est également lié à la fréquence à laquelle les secteurs augmentent en ce sens qu'il atténue l'influence de la race. En d'autres termes, le nombre de personnes de couleur a moins de pouvoir prédictif pour le temps qui augmente plus le quartier est riche.

Certains quartiers peuvent simplement avoir plus d '«attractions» qui les rendent souhaitables pour les chauffeurs Uber - universités, bars et restaurants, ou même le zoo. Bon nombre des voies majoritairement blanches que nous avons examinées, avec des temps d'attente plus courts, comportaient certains de ces éléments. La partie nord-ouest de DC illustre bien cela avec plusieurs collèges dans la région et un temps d'attente moyen de seulement 295 secondes. Malgré 75% de personnes de couleur, Edgewood a un temps d'attente moyen de 292 secondes, ce qui se situe dans le quart inférieur des temps d'attente les plus courts. Une demande plus élevée dans ce quartier (et davantage de surtensions) peut être due à la prévalence d'appartements, de restaurants et de bars, ainsi qu'aux universités Trinity Washington et catholiques à proximité. À l'avenir, nous espérons comparer les données Uber aux données de la D.C. Taxicab Commission afin d'avoir une référence sur la demande au niveau du quartier.

Mais une offre faible et une qualité de service médiocre peuvent également avoir une boucle de rétroaction négative avec la demande : si vous devez souvent attendre trop longtemps pour une voiture, vous arrêtez peut-être complètement d'utiliser le service. Les conducteurs discutent dans des forums comme celui-ci comment ils "jouent le système" afin d'optimiser pour leur propre convenance ou leur rapport temps/argent, y compris en évitant activement les zones sans surtension et en ne se connectant que dans les zones qui sont généralement en surtension. Certains conducteurs ont également admis se déconnecter stratégiquement afin d'éviter de recevoir des demandes dans des domaines particuliers. Ce type de comportement des conducteurs pourrait être un facteur contributif à une pénurie d'approvisionnement dans certains quartiers.

Uber et Lyft se saluent pour remédier à la discrimination endémique constatée dans les systèmes de taxi qui résultent d'un filtrage racial des camionnettes ou d'un autre filtrage basé sur la destination souhaitée. Lorsqu'on lui a demandé de commenter les résultats de cette analyse, un porte-parole d'Uber a déclaré : "La dynamique des villes est compliquée et il reste encore beaucoup à faire. Uber travaille dur pour remédier à un statu quo des transports qui a été inégal pour un depuis longtemps, ce qui rend plus facile et plus abordable pour chacun de se déplacer dans sa ville. »

Bien que toute sorte d'agenda raciste de la part d'Uber soit extrêmement improbable, nos résultats suggèrent que la race joue un rôle dans la prédiction de la qualité du service d'uberX dans différents quartiers. Cela soulève toutes sortes de questions de fond. Par exemple, à la lumière de la récente décision de la Cour suprême (http://www.npr.org/sections/thetwo-way/2015/06/25/417433460/in-fair-housing-act-case-supreme- cour-backs-disparate-impact-claims) que l'intention discriminatoire n'est pas une condition préalable pour être tenu responsable de la discrimination sur le marché du logement, quelles sont les implications des effets secondaires discriminatoires non intentionnels découverts dans d'autres domaines ? Doit-on s'attendre à ce qu'Uber, voire même l'obliger, à remédier à ce type de disparité raciale dans la qualité du service de proximité ? Ou peut-être qu'Uber est le miroir d'une inégalité plus générale dans la ville, ses données reflétant certaines vérités avec lesquelles nous devons tous nous attaquer alors que nous cherchons à construire une société plus égalitaire. Cela pourrait être particulièrement pertinent alors qu'Uber entame des partenariats public-privé avec des villes, comme Boston, pour utiliser leurs données pour éclairer les décisions de planification des transports municipaux.