Racemæssig indtægtsforskel indsnævret med AirBnb-prissætningsalgoritme, men kun for dem, der adopterer det:ny forskning

En frivillig AirBnb-prissætningsalgoritme indsnævrede en allerede eksisterende indtægtsforskel mellem hvide og sorte værter væsentligt, en ny undersøgelse har fundet - men kun da sorte værter adopterede det.

Smart Pricing-værktøjet, introduceret af deleøkonomiplatformen i 2015, bruger en maskinlæringsalgoritme til at hjælpe AirBnb-værter med at optimere priserne for deres ejendomme i henhold til udsving i gæsternes efterspørgsel. Værter kan vælge, om de vil bruge det gratis værktøj ved at tænde for det og få det automatisk til at justere deres natpriser inden for de prisparametre, de har angivet.

En gruppe forskere fandt ud af, at værter, der tog Smart Pricing, så et efterfølgende fald i deres gennemsnitlige natpriser, men også en stigning i deres månedlige belægningsstatistikker og næsten 9% stigning i den samlede omsætning.

Sorte værter fik mest gavn. Det er fordi de startede med 20 % lavere efterspørgsel efter tilsvarende ejendomme sammenlignet med hvide værter, repræsenterer et hul på $12,16 i gennemsnitlig daglig omsætning. Efter at have vedtaget Smart Pricing, Sorte værter tjente yderligere $13,92 pr. nat sammenlignet med $5,22 for hvide værter.

Det lukkede indtægtsgabet med 71 %, men det fjernede det ikke. Og da sorte værter var 41 % mindre tilbøjelige til at anvende Smart Pricing end hvide værter, de endte endnu mere dårligt stillet end før Smart Pricing blev introduceret, samlet set.

"Algorithmen gør et godt stykke arbejde med at reducere indtægtsgabet, men den er ikke idiotsikker, " sagde Nitin Mehta, professor i marketing ved University of Torontos Rotman School of Management. Han var medforfatter til undersøgelsen sammen med sin tidligere kandidatstuderende, Shunyuan Zhang, nu på Harvard Business School, og Param Vir Singh og Kannan Srinivasan fra Carnegie Mellon University.

Det er ulovligt i USA for maskinlæringsalgoritmer at lave racemæssige skel i deres design. Forskerne hævder, at denne raceblindhed, har til formål at begrænse racediskrimination, i praksis kan efterlade marginaliserede racer længere bagud ved at undlade at tage hensyn til unikke omstændigheder, der starter dem i den lave ende af et ujævnt spillefelt.

"Fordi algoritmen er raceblind, det producerer priser, der er tættere på hvide værters optimale pris end sorte værters optimale pris. Det er blindt, men det er ikke retfærdigt, " siger prof. Mehta, som ikke desto mindre advarer om, at undersøgelsens resultater implicerer AirBnb-gæster for racediskrimination mod Black-hostede ejendomme snarere end AirBnb eller dets algoritme.

Algoritmeudviklere kunne omgå lovens grænser ved at inkorporere socioøkonomisk information, der er korreleret med race, foreslår forskerne. Og AirBnb kunne tage skridt til at tilskynde sorte værter til at bruge Smart Pricing.

Såvel, "loven bør ændres i nogle særlige tilfælde, hvor det kan påvises, at det vil hjælpe, " tilføjer prof. Mehta.

Forskerne arbejdede med data tilgængelige via AirBnb såvel som AirDNA, en tredjeparts analyseplatform. De fokuserede på lidt over 9000 Airbnb-ejendomme i omkring 400 kvarterer i syv store amerikanske byer. Identifikation af en værts race blev foretaget ved hjælp af en dyb læringsmodel anvendt på profilbilleder på hver værts online ejendomsside.

Undersøgelsen vises i Marketing Science.