Minoritetsboligkøbere står over for udbredt statistisk udlånsdiskrimination

Ansigt til ansigt-møder mellem realkreditansvarlige og boligkøbere er hurtigt blevet erstattet af online-applikationer og algoritmer, men udlånsdiskrimination er ikke forsvundet.

Et nyt University of California, Berkeley-undersøgelse har fundet ud af, at både online- og ansigt-til-ansigt långivere opkræver højere renter til afroamerikanske og latino-låntagere, tjene 11 til 17 procent højere fortjeneste på sådanne lån. Alt i alt, disse boligkøbere betaler op til en halv milliard dollars mere i renter hvert år, end hvide låntagere med sammenlignelige kreditscore gør, fandt forskere.

Resultaterne rejser juridiske spørgsmål om stigningen i statistisk diskrimination i fintech-æraen, og pege på potentielt udbredte overtrædelser af amerikansk lov om retfærdig udlån, siger forskerne. Mens udlånsdiskrimination historisk set har været forårsaget af menneskelige fordomme, prisforskelle er i stigende grad et resultat af algoritmer, der bruger maskinlæring til at målrette mod ansøgere, der måske shopper mindre efter dyrere lån.

"Måden til udlånsdiskrimination er skiftet fra menneskelig bias til algoritmisk bias, " sagde studie medforfatter Adair Morse, en finansprofessor ved UC Berkeleys Haas School of Business. "Selv hvis de mennesker, der skriver algoritmerne, har til hensigt at skabe et retfærdigt system, deres programmering har en forskellig indvirkning på minoritetslåntagere – med andre ord, diskriminerer i henhold til loven."

Det første datasæt nogensinde

En central udfordring i at studere udlånsdiskrimination har været, at den eneste store datakilde, der inkluderer race og etnicitet, er Home Mortgage Disclosure Act (HDMA), som dækker 90 procent af boliglånene, men mangler oplysninger om lånestruktur og ejendomstype. Brug af maskinlæringsteknikker, forskere fusionerede HDMA-data med tre andre store datasæt - ATTOM, McDash, og Equifax—tilslutning, for første gang nogensinde, detaljer om renter, lånevilkår og ydeevne, ejendommens beliggenhed, og låntagers kredit med race og etnicitet.

Forskerne – inklusive professorerne Nancy Wallace og Richard Stanton fra Haas School of Business og prof. Robert Bartlett fra Berkeley Law – fokuserede på 30 år, fast pris, enfamilies boliglån udstedt fra 2008 til 2015 og garanteret af Fannie Mae og Freddie Mac.

Dette sikrede, at alle lånene i puljen blev støttet af den amerikanske regering og fulgte den samme strenge prisfastsættelsesproces – kun baseret på et gitter af lån-til-værdi og kreditscore – som blev indført efter finanskrisen. Fordi de private långivere er beskyttet mod misligholdelse af statsgarantien, eventuelle yderligere variationer i lånepriserne vil skyldes långivernes konkurrencemæssige beslutninger. Forskerne kunne således isolere prisforskelle, der korrelerer med race og etnicitet bortset fra kreditrisiko.

Analysen fandt betydelig forskelsbehandling af både ansigt-til-ansigt og algoritmiske långivere:

• Sorte og latinamerikanske låntagere betaler 5,6 til 8,6 basispoint højere rente på købslån, end låntagere fra hvide og asiatiske etniciteter gør, og 3 basispoint mere på refinansieringslån.
• For låntagere, disse uligheder koster dem $250M til $500M årligt.
• For långivere, dette svarer til 11 procent til 17 procent højere fortjeneste på købslån til minoriteter, baseret på branchegennemsnittet på 50 basispoint fortjeneste ved udstedelse af lån.

"Algoritmisk strategisk prisfastsættelse"

Morse sagde, at resultaterne stemmer overens med långivere, der bruger big data-variabler og maskinlæring for at udlede omfanget af konkurrence om kunderne og prissætte lån i overensstemmelse hermed. Denne prissætning kan være baseret på geografi - såsom målretning mod områder med færre finansielle tjenester - eller på ansøgeres karakteristika. Hvis en AI kan finde ud af, hvilke ansøgere der kan gøre mindre sammenligningskøb og acceptere dyrere tilbud, långiveren har skabt, hvad Morse kalder "algoritmisk strategisk prisfastsættelse."

"Der er en række grunde til, at etniske minoritetsgrupper kan shoppe mindre - det kan være, fordi de lever i finansielle ørkener med mindre adgang til en række produkter og mere monopolpriser, eller det kan være, at det finansielle system skaber en uvenlig atmosfære for nogle låntagere, " sagde Morse. "Långiverne er muligvis ikke specifikt rettet mod minoriteter i deres prisordninger, men ved at profilere ikke-shopping-ansøgere ender de med at målrette dem."

Dette er den type prisdiskrimination, som amerikanske love om retfærdige udlån er designet til at forbyde, Bartlett bemærker. Flere amerikanske domstole har fastslået, at prisforskelle på lån, der varierer efter race eller etnicitet, kun kan retfærdiggøres, hvis de er baseret på låntageres kreditværdighed. "Det nye ved vores empiriske design er, at vi kan udelukke muligheden for, at disse prisforskelle skyldes forskelle i kreditrisiko blandt låntagere, " han sagde.

Samlet fald i udlånsdiskrimination

Dataene afslørede nogle gode nyheder:Udlånsdiskrimination har generelt været på et støt fald, tyder på, at fremkomsten af ​​nye fintech-platforme og enklere online ansøgningsprocesser for traditionelle långivere har øget konkurrencen og gjort det nemmere for folk at sammenligne shop - hvilket lover godt for undertjente boligkøbere.

Forskerne fandt også ud af, at fintech-långivere ikke diskriminerede ved at acceptere minoritetsansøgere. Traditionelle ansigt-til-ansigt långivere, imidlertid, var stadig 5 procent mere tilbøjelige til at afvise dem.