Simple Science

Hochmoderne Wissenschaft einfach erklärt

# Computerwissenschaften# Mensch-Computer-Interaktion

Fairness im Ridesharing: Analyse von Fahrervergütung und Fahrerkosten

Diese Studie untersucht die Fairness bei den Fahrereinnahmen und den Preisen für Fahrgäste in der Mitfahrindustrie.

― 6 min Lesedauer


Rideshare Fairness StudieRideshare Fairness StudieMitfahrdiensten.und Preiswahrnehmungen beiUntersuchung von Gehaltsunterschieden
Inhaltsverzeichnis

Mitfahrdienste wie Uber und Lyft nutzen komplexe Algorithmen, um Fahrer mit Fahrgästen zu verbinden und die Preise für Fahrten festzulegen. Diese Studie untersucht die Fairness in diesen Systemen, insbesondere wie sie sich auf die Einnahmen der Fahrer und die Kosten für die Fahrgäste auswirken. Durch die Analyse von Daten aus Chicago haben wir herausgefunden, dass nicht alle Fahrer gleich behandelt werden und Fahrgäste oft das Gefühl haben, zu viel zu zahlen.

Hintergrund

Mitfahrplattformen funktionieren als Vermittler zwischen Fahrern und Fahrgästen. Sie verbinden diese beiden Gruppen und bestimmen, wie viel die Fahrgäste zahlen und wie viel die Fahrer für jede Fahrt verdienen. Dabei kommen dynamische Preisstrategien zum Einsatz, die sich nach Angebot und Nachfrage richten.

Allerdings funktionieren diese Algorithmen oft wie eine "Black Box", was bedeutet, dass sowohl Fahrer als auch Fahrgäste nicht vollständig verstehen, wie die Entscheidungen getroffen werden. Diese Unklarheit kann zu einem Gefühl von Ungerechtigkeit führen, da viele Fahrgäste glauben, über den Tisch gezogen zu werden.

Zweck der Studie

Das Hauptziel dieser Studie ist die Bewertung der Fairness in der Lohnstruktur für Fahrer und der Preisgestaltung für Fahrgäste. Wir wollen herausfinden, ob es Vorurteile basierend auf Faktoren wie Rasse, Krankenversicherung und Dauer der Tätigkeit auf der Plattform für Fahrer gibt und ob Fahrgäste fair im Vergleich zu traditionellen Taxi-Diensten bepreist werden.

Datenquellen

Für die Analyse haben wir mehrere Datensätze verwendet:

  1. Öffentliche Umfrage zu Personenbeförderungsfahrern: Dieser Datensatz enthält Informationen von Fahrern über ihre Demografie, Berufserfahrung und Einnahmen.
  2. Fahrten von Transportnetzwerk-Anbietern: Hier sind Informationen über Fahrten enthalten, die über Mitfahrdienste gemacht wurden.
  3. Taxi-Fahrten: Dazu gehören Daten von traditionellen Taxi-Diensten.

Durch die Nutzung dieser Datensätze konnten wir die Einnahmen und Kosten zwischen Mitfahrdiensten und traditionellen Taxis vergleichen.

Bewertung der Fahrerentschädigung

Bei der Beurteilung, wie fair Fahrer entschädigt werden, haben wir mehrere Faktoren betrachtet:

  1. Alter: Wir haben erwartet, dass ältere Fahrer eventuell mehr verdienen, wegen der Sicherheitswahrnehmung.
  2. Rasse/Ethnie: Wir haben untersucht, ob unterschiedliche ethnische Gruppen unterschiedlich verdienen.
  3. Bildungsgrad: Wir haben uns gefragt, ob ein höherer Bildungsgrad zu besserem Lohn führt.
  4. Krankenversicherung: Wir haben untersucht, wie sich der Besitz oder Mangel an Gesundheitsleistungen auf die Einnahmen auswirkt.
  5. Dauer: Wir haben betrachtet, wie lange ein Fahrer auf der Plattform ist.
  6. Arbeitsstunden: Wir haben analysiert, wie die Anzahl der wöchentlich gefahrenen Stunden den Lohn beeinflusst.

Basierend auf unseren Ergebnissen haben wir herausgefunden, dass Rasse, Krankenversicherungsstatus, Dauer und Arbeitsstunden einen signifikanten Einfluss auf die Löhne der Fahrer haben. Zum Beispiel berichteten asiatische Fahrer von den niedrigsten durchschnittlichen Einnahmen, während Fahrer mit bestimmten Arten von Krankenversicherungen weniger verdienten. Überraschenderweise verdienten Fahrer mit weniger als einem Jahr oder mehr als zehn Jahren Erfahrung tatsächlich weniger, was dem widerspricht, was in anderen Branchen oft zu beobachten ist.

Zusätzlich haben wir festgestellt, dass die Anzahl der gefahrenen Stunden positiv mit dem Lohn korreliert, was bedeutet, dass mehr geleistete Stunden im Allgemeinen zu höheren Einnahmen führen.

Bewertung der Fahrgastzahlung

Als nächstes wollten wir wissen, ob Fahrgäste fair berechnet werden. Wir haben die Mitfahrpreise mit denen von traditionellen Taxis verglichen. Während Taxis einfachere Preisregeln nutzen, können Mitfahrpreise je nach vielen Faktoren, wie z. B. Fahrstrecke und Nachfrage, schwanken.

Um das zu tun, haben wir ein Modell erstellt, um vorherzusagen, was die Mitfahrpreise für Taxi-Fahrten wären. Durch die Bewertung dieser Vorhersagen mit den tatsächlichen Taxi-Fahren konnten wir sehen, ob Fahrgäste mehr für Mitfahrdienste zahlen.

Unsere Analyse ergab, dass ungefähr 15% der Fahrten mit Mitfahrdiensten weniger kosten würden, während nur 0,89% teurer wären. Das deutet darauf hin, dass Fahrgäste möglicherweise nicht so überfordert sind, wie sie denken, aber die Wahrnehmung von unfairen Preisen bleibt.

Diskussion über Fairness in der Fahrerentschädigung

Wenn man unsere Ergebnisse betrachtet, wird klar, dass es Unterschiede in der Entschädigung der Fahrer gibt. Faktoren wie Rasse und Krankenversicherung spielen eine bedeutende Rolle bei der Bestimmung der Löhne, auch wenn das Alter manchmal keine Rolle spielt. Zum Beispiel kann das Kundenverhalten, wie sie Fahrer bewerten, Vorurteile schaffen, die sich auf die Einnahmen auswirken.

Unsere Analyse zeigt, dass traditionelle Diskriminierungsprobleme am Arbeitsplatz auch in der Gig-Wirtschaft weiterhin präsent sind und sich auf neue Weisen manifestieren. Die Mitfahrplattformen könnten von besseren Richtlinien profitieren, die helfen, eine faire Entschädigung für alle Fahrer zu gewährleisten. Zum Beispiel könnten sie Richtlinien erstellen, die Vorurteile in Benutzerbewertungen reduzieren, was zu einer gerechteren Behandlung führen könnte.

Diskussion über Fairness in der Fahrgastzahlung

Auf der Seite der Fahrgäste haben viele Kunden das Gefühl, dass die Preise für Mitfahrdienste zu hoch sind. Diese Wahrnehmung steht im Gegensatz zu unseren Ergebnissen, die zeigen, dass Mitfahrpreise für viele Fahrten oft wettbewerbsfähig oder sogar günstiger sind als bei traditionellen Taxis.

Ein Problem liegt in der dynamischen Natur der Mitfahrpreisgestaltung, die weniger transparent ist als feste Taxitarife. Kunden verstehen oft nicht vollständig, warum die Preise schwanken, und das kann zu Misstrauen führen. In Branchen wie den Fluggesellschaften können Kunden die Ticketpreise im Voraus einsehen, was hilft, ihre Erwartungen zu steuern und die Transparenz erhöht.

Um das Vertrauen der Fahrgäste zu stärken, könnten Mitfahrplattformen ihre Kommunikation über die Preisgestaltung verbessern. Klarere Informationen darüber, wie Preise berechnet werden und warum sie variieren, könnten helfen, Bedenken hinsichtlich der Preisfairness zu mildern.

Fazit und Ausblick

Zusammenfassend zeigt diese Studie bedeutende Fragen zur Fairness sowohl in der Fahrerentschädigung als auch in der Fahrgastzahlung in der Mitfahrindustrie auf. Wir haben herausgefunden, dass bestimmte demografische Faktoren einen signifikanten Einfluss darauf haben, wie viel Fahrer verdienen, während die Wahrnehmungen der Fahrgäste über dynamische Preise oft dazu führen, dass sie sich unfair belastet fühlen.

In Zukunft besteht ein dringender Bedarf an mehr Transparenz in den Algorithmen, die Löhne und Preise festlegen. Ein besserer Zugang zu Daten könnte die Rechenschaftspflicht erhöhen und helfen, Fairness für alle Beteiligten zu gewährleisten. Umfassendere Studien mit verschiedenen Datensätzen könnten diese Fragen weiter beleuchten und zu einer gerechteren Gig-Wirtschaft für alle Teilnehmer beitragen.

Originalquelle

Titel: Evaluating Fairness in Black-box Algorithmic Markets: A Case Study of Ride Sharing in Chicago

Zusammenfassung: This study examines fairness within the rideshare industry, focusing on both drivers' wages and riders' trip fares. Through quantitative analysis, we found that drivers' hourly wages are significantly influenced by factors such as race/ethnicity, health insurance status, tenure to the platform, and working hours. Despite platforms' policies not intentionally embedding biases, disparities persist based on these characteristics. For ride fares, we propose a method to audit the pricing policy of a proprietary algorithm by replicating it; we conduct a hypothesis test to determine if the predicted rideshare fare is greater than the taxi fare, taking into account the approximation error in the replicated model. Challenges in accessing data and transparency hinder our ability to isolate discrimination from other factors, underscoring the need for collaboration with rideshare platforms and drivers to enhance fairness in algorithmic wage determination and pricing.

Autoren: Yuhan Liu, Yuhan Zheng, Siyuan Zhang, Lydia T. Liu

Letzte Aktualisierung: 2024-07-29 00:00:00

Sprache: English

Quell-URL: https://arxiv.org/abs/2407.20522

Quell-PDF: https://arxiv.org/pdf/2407.20522

Lizenz: https://creativecommons.org/licenses/by/4.0/

Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.

Vielen Dank an arxiv für die Nutzung seiner Open-Access-Interoperabilität.

Mehr von den Autoren

Ähnliche Artikel