Crédit :CC0 Domaine public
Les rencontres en face à face entre les agents hypothécaires et les acheteurs de maison ont été rapidement remplacées par des applications et des algorithmes en ligne, mais la discrimination en matière de prêt n'a pas disparu.
Une nouvelle université de Californie, Une étude de Berkeley a révélé que les prêteurs en ligne et en personne imposent des taux d'intérêt plus élevés aux emprunteurs afro-américains et latinos, gagner 11 à 17 pour cent de bénéfices plus élevés sur ces prêts. En tout, ces acheteurs paient jusqu'à un demi-milliard de dollars d'intérêts de plus chaque année que les emprunteurs blancs avec des notes de crédit comparables, les chercheurs ont trouvé.
Les résultats soulèvent des questions juridiques sur la montée de la discrimination statistique à l'ère de la fintech, et signaler des violations potentiellement généralisées des lois américaines sur les prêts équitables, disent les chercheurs. Alors que la discrimination en matière de prêt a toujours été causée par des préjugés humains, les disparités de prix sont de plus en plus le résultat d'algorithmes qui utilisent l'apprentissage automatique pour cibler les candidats qui pourraient acheter moins pour des prêts plus chers.
"Le mode de discrimination des prêts est passé d'un biais humain à un biais algorithmique, " a déclaré le co-auteur de l'étude Adair Morse, professeur de finance à la Haas School of Business de l'UC Berkeley. "Même si les personnes qui écrivent les algorithmes ont l'intention de créer un système juste, leur programmation a un impact disparate sur les emprunteurs minoritaires - en d'autres termes, discrimination en vertu de la loi.
Tout premier jeu de données
Un défi majeur dans l'étude de la discrimination en matière de prêt a été que la seule grande source de données qui inclut la race et l'origine ethnique est la Home Mortgage Disclosure Act (HDMA), qui couvre 90 pour cent des prêts hypothécaires résidentiels mais manque d'informations sur la structure du prêt et le type de propriété. En utilisant des techniques d'apprentissage automatique, les chercheurs ont fusionné les données HDMA avec trois autres grands ensembles de données :ATTOM, McDash, et Equifax—connexion, Pour la toute première fois, détails sur les taux d'intérêt, conditions et performances du prêt, emplacement de la propriété, et le crédit de l'emprunteur avec la race et l'origine ethnique.
Les chercheurs, dont les professeurs Nancy Wallace et Richard Stanton de la Haas School of Business et le professeur Robert Bartlett de Berkeley Law, se sont concentrés sur 30 ans, taux fixe, prêts résidentiels unifamiliaux émis de 2008 à 2015 et garantis par Fannie Mae et Freddie Mac.
Cela a permis de garantir que tous les prêts du pool étaient soutenus par le gouvernement américain et suivaient le même processus de tarification rigoureux, basé uniquement sur une grille de ratio prêt-valeur et de cotes de crédit, mis en place après la crise financière. Parce que les prêteurs privés sont protégés contre le défaut par la garantie du gouvernement, toute variation supplémentaire du prix des prêts serait due aux décisions concurrentielles des prêteurs. Les chercheurs ont ainsi pu isoler les différences de prix qui sont en corrélation avec la race et l'origine ethnique en dehors du risque de crédit.
L'analyse a révélé une discrimination significative de la part des prêteurs en face-à-face et algorithmiques :
« Tarification stratégique algorithmique »
Morse a déclaré que les résultats sont cohérents avec les prêteurs utilisant des variables de mégadonnées et l'apprentissage automatique pour déduire l'étendue de la concurrence pour les clients et tarifer les prêts en conséquence. Cette tarification peut être basée sur la géographie, comme le ciblage de zones avec moins de services financiers, ou sur les caractéristiques des candidats. Si une IA peut déterminer quels candidats pourraient faire moins de comparaisons et accepter des offres plus chères, le prêteur a créé ce que Morse appelle une « tarification stratégique algorithmique ».
« Il y a un certain nombre de raisons pour lesquelles les groupes ethniques minoritaires peuvent moins magasiner – cela pourrait être parce qu'ils vivent dans des déserts financiers avec moins d'accès à une gamme de produits et plus de prix de monopole, ou il se peut que le système financier crée une atmosphère hostile pour certains emprunteurs, " Morse a déclaré. "Les prêteurs peuvent ne pas cibler spécifiquement les minorités dans leurs schémas de tarification, mais en profilant les candidats non commerçants, ils finissent par les cibler."
C'est le type de discrimination par les prix que les lois américaines sur les prêts équitables sont conçues pour interdire, note Bartlett. Plusieurs tribunaux américains ont estimé que les différences de prix des prêts qui varient selon la race ou l'origine ethnique ne peuvent être légalement justifiées que si elles sont fondées sur la solvabilité des emprunteurs. « La nouveauté de notre conception empirique est que nous pouvons exclure la possibilité que ces différences de prix soient dues à des différences de risque de crédit entre les emprunteurs, " il a dit.
Baisse globale de la discrimination en matière de crédit
Les données ont révélé de bonnes nouvelles :la discrimination en matière de crédit dans l'ensemble est en baisse constante, suggérant que l'essor de nouvelles plates-formes fintech et des processus de demande en ligne plus simples pour les prêteurs traditionnels a stimulé la concurrence et facilité la comparaison des prix, ce qui est de bon augure pour les acheteurs de maison mal desservis.
Les chercheurs ont également découvert que les prêteurs fintech n'avaient pas fait de discrimination pour accepter les candidats issus de minorités. Prêteurs traditionnels en face-à-face, cependant, étaient encore 5 pour cent plus susceptibles de les rejeter.
