在美国，种族貌相问题一直备受关注。在交通执法领域，少数族裔司机被警察拦下盘查的情况较为常见。以往研究发现，相对白人平民，警察和法官更倾向于对少数族裔群体进行搜查、罚款、使用武力、指控、拘留和监禁。但对于这些执法行为的原因存在争议，一方面可能是警察对少数族裔存在偏见，另一方面也可能是少数族裔违法频率更高。在研究种族貌相时，分析行政数据存在局限性，难以确定种族对执法行为的真实影响，也难以推动减少种族貌相的政策干预。因此，开展新的研究来全面了解种族貌相在交通执法中的情况十分必要。
为了解决这些问题，研究人员利用 Lyft 平台提供的高频定位（High - Frequency Location，HFL）数据开展研究。研究人员将 Lyft 司机的高频定位数据、政府关于超速违规的行政记录以及司机种族或族裔的推断数据进行关联，构建了独特的数据集。研究样本包含在佛罗里达州运营的 222,838 名 Lyft 司机。
研究人员采用了两种主要技术方法。一是数据关联与变量计算，通过 Lyft 平台获取司机每 10 秒发送的精确位置和驾驶速度信息，计算平均驾驶速度并与道路限速对比判断是否超速；将数据与政府记录关联，推断事故和被警察拦截的情况；通过模型推断司机种族或族裔。二是构建模型控制变量，使用 “固定效应模型（FE model）” 和 “双重机器学习模型（DML model）” 控制与司机种族相关且影响超速罚单和罚款的因素 。
研究结果如下：
- 种族、罚单和罚款（RQ1）：研究发现，在控制了驾驶速度、驾驶地点、车辆特征等因素后，少数族裔司机因超速被开罚单的可能性比白人司机高 24 - 33%，支付的罚款也多 23 - 34%。例如，每 10,000 小时驾驶时间内，少数族裔司机被开罚单的概率比白人司机高 3.6 - 2.7 个百分点，平均罚款多 5.20 - 3.58 美元。
- 机制 —— 基于偏好的歧视与统计歧视（RQ2）：通过分析事故率和再犯率，研究发现白人司机和少数族裔司机在这些方面无显著差异。这表明警察在执行超速罚单时，并非基于统计歧视（如认为少数族裔司机超速更易导致事故或再犯），而是基于对少数族裔的偏见，即基于偏好的歧视（taste - based discrimination） 。
研究结论表明，警察对少数族裔司机的种族貌相是基于对少数族裔的偏见。这一研究具有重要意义，为政策制定者和商业领袖提供了参考。政策制定者可考虑增加自动化技术（如超速摄像头）的使用，减少警察选择性执法；商业领袖在制定政策（如汽车保险费率政策）时应考虑种族因素，减少种族貌相的影响。此外，该研究在方法上有所创新，为测量种族貌相的影响提供了新的思路，有望应用于其他交通执法场景及行人相关的种族貌相研究。但研究也存在局限性，如样本不具代表性、研究区域和时间有限、依赖行政数据可能掩盖部分种族貌相问题等 。该研究成果发表在《SCIENCE》，为解决种族貌相问题提供了新的视角和方向，有助于推动社会公平在交通执法领域的实现 。
生物通微信公众号
