Mejora de la equidad y la eficiencia utilizando estimaciones de las preferencias de los usuarios en los mercados en línea.

Los mercados digitales han crecido dramáticamente en las últimas décadas, permitiendo a compradores y vendedores intercambiar bienes y servicios, desde productos hechos a mano hasta alquileres a corto plazo. Y aunque las plataformas en línea han interrumpido el comercio tradicional, también han replicado algunos de sus sesgos.

Las últimas dos décadas han visto un crecimiento dramático en los mercados digitales, donde los compradores y vendedores se conectan para intercambiar bienes y servicios que van desde alquileres a corto plazo hasta paseos, productos hechos a mano y pasear perros.

Aunque los mercados digitales pueden cambiar e incluso interrumpir el comercio tradicional, pueden replicar con la misma facilidad los sesgos familiares del mundo físico. Hay un creciente cuerpo de investigación que encuentra desigualdades sustanciales en los resultados entre los grupos sociodemográficos en muchos de los principales mercados en línea. ¿Cómo pueden estos factores jugar un papel cuando la mayoría de los mercados digitales emparejan socios para una transacción antes de que ocurra una reunión cara a cara? En muchos mercados, los participantes tienen fotos de perfil que revelan su raza, etnia y género, y también pueden brindar pistas sobre su clase social.

Varios artículos recientes intentan aislar los efectos de la demografía de compradores y vendedores en los resultados del mercado. Se realiza un experimento de campo en Airbnb usando cuentas falsas y comparan los resultados entre cuentas que son idénticas excepto por sus nombres. Muestran que las cuentas con nombres que suenan negros tienen un 16% menos de probabilidades de que se aprueben sus solicitudes de alquiler que las cuentas con nombres que no suenan negros. Se analiza una pregunta similar en un estudio del mercado francés de viajes compartidos BlaBlaCar. Utilizando datos de transacciones, demostraron que, ajustando la calidad del automóvil, la edad y el sexo del conductor, y la oferta total de conductores en la ruta específica, los conductores con nombres que suenan en árabe venden menos asientos que los conductores con nombres que suenan en francés. . En todos estos casos, las imágenes personales en los perfiles de los usuarios permiten la discriminación por motivos de raza o etnia. Esta evidencia empírica ha impulsado propuestas de plataformas para reducir la prominencia de las imágenes personales o incluso eliminarlas por completo .

Sin embargo, las imágenes de perfil también pueden mejorar la eficiencia de los mercados digitales y desempeñar un papel en la inducción del buen comportamiento. El simple hecho de recordar que existe un ser humano al otro lado de una transacción puede afectar el comportamiento. Algunos estudios han intentado cuantificar el impacto de tener una foto más confiable, según la calificación subjetiva de los observadores. Por ejemplo, utilizando datos de Airbnb y un experimento reclutado que simula la experiencia de Airbnb, Ert et al. (2016) muestran que los hosts con imágenes etiquetadas como 'más confiables' establecen precios más altos y son seleccionados con mayor frecuencia.

Analizamos el impacto de políticas como esta en la eficiencia y la equidad. Comenzamos introduciendo una distinción entre las cosas que los usuarios pueden elegir sobre sus imágenes, a las que nos referimos como características de 'estilo', y las características intrínsecas de los individuos, a las que llamamos 'tipos'. Las características de estilo pueden incluir expresiones faciales, objetos en la imagen o composición de la imagen. Esta distinción es importante porque las plataformas pueden influir en el estilo de las imágenes de perfil de los participantes, por ejemplo, al educarlos sobre qué estilos son atractivos para los socios comerciales. También es importante para comprender las fuentes de las desigualdades en los mercados. Las desigualdades pueden surgir directamente, cuando los participantes se preocupan por los tipos de sus socios comerciales, pero también pueden surgir indirectamente, si es más probable que un tipo de participante tome decisiones sobre el estilo que les gusta a otros participantes. Más precisamente, cuando los participantes tienen preferencias sobre las características del estilo, y los estilos y los tipos están correlacionados, la distribución de las características del estilo afectará la inequidad entre los tipos.

Utilizamos este marco en el contexto de Kiva, una plataforma de micropréstamos en línea. Kiva conecta a los prestamistas, por lo general personas privadas orientadas al impacto, con los prestatarios, que suelen ser empresarios de países en desarrollo que recaudan fondos para promover sus pequeñas empresas.

Comenzamos nuestro análisis preguntando qué características de las imágenes del perfil del prestatario predicen la obtención rápida de préstamos y qué características predicen el reembolso del préstamo. Para analizar las características de las imágenes en un conjunto de datos a gran escala, implementamos un algoritmo estándar de detección de características de imágenes que crea características de imágenes generadas por computadora. Los ejemplos de características incluyen si la imagen está borrosa o si el sujeto lleva gafas. Luego, usando nuestro juicio subjetivo, dividimos estas características en dos grupos, características que se relacionan con el estilo y aquellas que reflejan tipos. Mostramos que las características de estilo son importantes para predecir las elecciones de los prestamistas, pero no son importantes para explicar la probabilidad de que el prestatario pague el préstamo. En otras palabras, existen diferencias en los resultados de financiamiento que se deben al estilo de los prestatarios. imágenes de perfil que no pueden ser contabilizadas por el perfil de riesgo subyacente de los prestatarios. Estos tipos de disparidades pueden entenderse como injustas porque el resultado de la financiación no está relacionado con la solvencia de la inversión propuesta.

A continuación, tratamos de aislar el efecto de cada una de las características de la imagen. Dado que las características tienden a estar correlacionadas entre sí, es decir, dado que los atributos de la imagen tienden a ir juntos, es importante comparar manzanas con manzanas al interpretar la relación entre las características de la imagen y las opciones del prestamista. Esto es difícil de lograr porque las imágenes tienen muchas características diferentes. Afortunadamente, los métodos de aprendizaje automático se pueden usar en combinación con técnicas de la literatura de inferencia causal para ajustar muchas características de las imágenes a la vez y, en principio, pueden producir estimaciones confiables. Usando estos enfoques, estimamos que sonreír aumenta la cantidad de efectivo recaudado por día en aproximadamente $8, mientras que una toma del cuerpo, en la que el cuerpo del prestatario ocupa una parte sustancial de la imagen, reduce el resultado en $10.

Figura 1 Coeficiente de correlación de Pearson entre características de 'estilo' en columnas y características de 'tipo' en filas

También encontramos diferencias sistemáticas en el estilo de las imágenes de perfil entre tipos. La figura 1 muestra las correlaciones de las características seleccionadas. Por ejemplo, el 33% de los perfiles clasificados como masculinos también sonríen, frente al 77% de los perfiles clasificados como femeninos.

Cuantificamos cómo la distribución de las características de estilo afecta las desigualdades entre los tipos utilizando una descomposición de covariables. Encontramos que las diferencias en los resultados entre varios grupos sociodemográficos pueden explicarse, en gran medida, por diferencias en el estilo. Por ejemplo, estimamos que la brecha de financiación entre hombres y mujeres se reduciría en aproximadamente un tercio si las características de estilo se distribuyeran por igual entre hombres y mujeres.

En este análisis de los datos de transacciones de Kiva, nuestras estimaciones del impacto de las características específicas de las imágenes en los resultados de la financiación pueden interpretarse claramente solo si hemos ajustado todas las demás diferencias significativas entre los perfiles. Aunque utilizamos algoritmos de detección de características de última generación, no podemos estar seguros de haber extraído toda la información de las imágenes que sería relevante para los prestamistas. Para corroborar estos resultados, complementamos nuestro análisis de las transacciones de Kiva del mundo real con un experimento realizado con sujetos reclutados, en el que estamos más seguros, por diseño, de que las imágenes difieren solo en una dimensión.

Nos enfocamos en dos características de estilo: la sonrisa y el golpe al cuerpo. Según el análisis de los datos de Kiva, sabemos que estas características no están correlacionadas con la probabilidad de pago y contribuyen a las desigualdades entre varios tipos. Para estudiar el impacto de las características específicas de la imagen, generamos imágenes que difieren solo en una característica a la vez. Para hacer esto, hicimos uso de un algoritmo de aprendizaje automático conocido como Generative Adversarial Networks o GAN (Goodfellow et al. 2020).

Generamos ocho variantes de cada imagen y las usamos para crear perfiles de prestatarios (consulte la Figura 2 para ver un ejemplo). Los sujetos del experimento se asignan aleatoriamente a una variante y se les pide que elijan entre dos perfiles. Estimamos que era más probable que los sujetos eligieran prestatarios que se identifican como mujeres (un aumento del 31 %) y prestatarios que sonríen (un aumento del 34 %), y menos propensos a elegir prestatarios con imágenes de perfil que son tomas del cuerpo (una disminución de 17%).

Figura 2 Dos variantes de la misma imagen

Nota : Variante izquierda: masculino, sin sonrisa, sin toma al cuerpo. Variante derecha: mujer, sonrisa, toma al cuerpo.

Nuestros resultados muestran que los estilos de las imágenes de perfil contribuyen a las desigualdades en los resultados entre los grupos sociodemográficos. Sin embargo, los mercados no necesitan tomar el estilo de los perfiles de usuario como dado. En cambio, los usuarios pueden modificar las características de estilo; en particular, la plataforma puede animar a los usuarios a hacer diferentes elecciones en sus imágenes.

Proponemos varias políticas potenciales que los mercados podrían considerar. En particular, desarrollamos un modelo simple en el que el comportamiento está vinculado a las estimaciones de nuestro trabajo empírico. En nuestro modelo, los prestamistas tienen preferencias en cuanto a tipos y estilos, y eligen un prestatario para maximizar su utilidad; también pueden decidir no prestar dinero en la plataforma. La plataforma impacta los resultados de dos maneras: a través de la elección de los prestatarios que presenta a los prestamistas (asumimos que la plataforma observa un grupo de prestatarios y selecciona un subconjunto), y en si empuja a los prestatarios a cambiar su estilo. Las decisiones de la plataforma impactan en la eficiencia, que medimos por la proporción de prestamistas que eligen a uno de los prestatarios en lugar de la opción externa; y equidad, tal como se refleja, por ejemplo, en el coeficiente de Gini de la distribución de fondos.

En nuestro modelo, las políticas que cambian qué prestatarios se muestran a los prestamistas pueden mejorar la equidad o la eficiencia, pero nunca ambas. Por ejemplo, una política de recomendar perfiles con características de estilo deseables aumenta la eficiencia pero es perjudicial para la equidad. Al promover perfiles con características deseables, la plataforma promueve tipos que logran altos resultados a pesar de todo, lo que aumenta la inequidad.

Sin embargo, existe una clase de políticas que pueden aumentar tanto la eficiencia como la equidad. Considere una política en la que la plataforma recomiende o anime a los prestatarios que no cumplen a crear perfiles con características de estilo deseables, y que los tipos de alto y bajo rendimiento cumplan en un grado similar. Esto reduce la correlación entre tipos y estilos, lo que mejora la equidad, y la eficiencia es mayor cuando hay más perfiles con características atractivas.

A medida que los mercados en línea se vuelvan más importantes, los costos económicos de las desigualdades en los resultados para los usuarios también crecerán. Las políticas de plataforma que influyen en los usuarios para cambiar aspectos específicos de las imágenes de perfil, lo que genera resultados más equitativos entre los grupos sociodemográficos y, al mismo tiempo, aumenta la eficiencia de los mercados.

M.S

¡¡¡Nuevos tiempos nuevas ilusiones ESPERANZA para TODOS!!!