Índice Uber
Análisis cuantitativo del capitalismo de plataforma mirado desde América del Sur
DOI:
https://doi.org/10.24215/23143924e030Palabras clave:
índice Uber, Uber, capitalismo de plataforma, colonialismo digital, transporteResumen
El índice Uber se construye como una aplicación de los aportes que ha desarrollado el enfoque de los estudios del campo de Ciencia, Tecnología y Sociedad, en relación al capitalismo de plataforma. El mencionado índice se elabora a partir del seguimiento de la tarifa del servicio de Uber a nivel global con el objetivo de observar la distribución de la renta entre los choferes de la plataforma en cuestión, según su ubicación geográfica. Los datos relevados en 39 ciudades capitales se comparan con las tarifas del servicio de taxis, entendiendo que estos son valores de referencia para estimar el funcionamiento del capitalismo tradicional. Esta comparación ha permitido observar la estrategia de precio del servicio que está desarrollando Uber y la redistribución de la renta del sector de acuerdo a criterios diferentes a los que operaban en el mercado de taxis sin Uber. Tal afirmación se desprende del dato de que en 36 ciudades el servicio de la plataforma es más barato que el de los taxis. Esta disminución en la tarifa no se condice con una baja de los costos en igual medida. Para una mejor interpretación del índice Uber, se cruzó con el Índice de Desarrollo Humano, y de ello se constata que el capitalismo de plataformas está agrupando ciudades para establecer su estrategia de precios bajos en países de desarrollo medio – alto y alto, erosionando así las condiciones de trabajo de los conductores en donde el capitalismo tradicional de prestación de servicios mediante taxis tenía mejores condiciones de ingresos.
Descargas
Citas
Bakshy, Messing y Adamic (2015). Exposure to ideologically diverse news and opinion on Facebook. Science. Vol. 348. Pp. 1130-1132. DOI: 10.1126/science.aaa1160
Christakis N. y Fowler J. (2007). The spread of obesity in a large social network over 32 years. N Engl JMed 2007; 357:370-9.
Christakis N. y Fowler J. (2008). The collective dynamics of smoking in a large social network. N Engl JMed 2008; 358:2249-58.
Correa, J. C., García-Chitiva, M. D. P., & García-Vargas, G. R. (2018). A text mining approach to the text difficulty of Latin American peace agreement. Revista Latinoamericana de Psicología, 50(1), 61-70.
El Espectador, (06 oct. 2016), “La cuestionable estrategia de campaña del No”. El Espectador. https://www.elespectador.com/noticias/politica/cuestionable-estrategia-de-campana-del-no-articulo-658862
Foucault, M. (2011). La arqueología del saber. Buenos Aires: Siglo Veintiuno Editores.
Fowler, J. y Christakis, N. (2008a). Estimating peer effects on health in social networks. J Health Econ ; 27:1400-5.
Fowler, J. y Christakis, N. (2008b). Dynamic spread of happiness in a large social network: longitudinal analysis over 20 years in the Framingham Heart Study. BMJ. Doi: 10.1136/bmj.a.2338
Hatfield, Cacioppo y Rapson (1993). Emotional contagion. Curr Dir Psychol Sci 2(3): 96–100.
Hatfield, Cacioppo y Rapson (1994). Emotional contagion. NewYork: Cambridge University Press, 1994.
Hendricks, J. A. & Denton, R. (2010). Political campaigns and communicating with the electorate in the Twenty-First Century. En J. A. Hendricks & R. Denton (Eds.), Communicator-in-chief: How Barack Obama used new media technology to win the White House (pp. 1-18). Lanham: Lexington Books.
Kossinets G, Watts DJ. (2006). Empirical analysis of an evolving social network. Science; 311. pp. 88-90.
Kraft y Donovan (2020). Disinformation by Design: The Use of Evidence Collages and Platform Filtering in a Media Manipulation Campaign. Political Communication, 37. Pp. 194-214
Kramer, AD., Guillory J.E. y Hancock, J. (2014). Experimental evidence of massive-scale emotional contagion through social networks. PNAS (111-24).
Newman, M, (2003). The structure and function of complex networks. SIAM Rev Soc Ind Appl Math 2003; 45:167-256.
Nowak, M. y Sigmund, K. (2005). Evolution of indirect reciprocity. Nature; 437. Pp. 1291-8.
Papa A. y Bonanno, G. (2008). Smiling in the face of adversity: the interpersonal and intrapersonal functions of smiling. Emotion 2008;1:1-12.
Rader, G. (2015). Understanding User Beliefs About Algorithmic Curation in the Facebook News Feed. https://doi.org/10.1145/2702123.2702174
Rosenquist, Christakis y Fowler (2011). Social Network determinants of depression. Molecular Psychiatry. 16. Pág. 273-281.
Simondon, G. (2007). El modo de existencia de los objetos técnicos. Buenos Aires: Prometeo.
Steinert, S. (2020). Corona and value change. The role of social media and emotional contagion. Ethics and Information Technology. https://doi.org/10.1007/s10676-020-09545-z
Sun, E., Rosenn, I., Marlow, C. y Lento, T. (2009). Gesundheit! Modeling Contagion through Facebook News Feed. Association for the Advantacement of Artificial Intelligence. https://www.aaai.org/ocs/index.php/ICWSM/09/paper/view/185/428
Surakka, V.y Hietanen, J. (1998). Facial and emotional reactions to Duchenne and non-Duchenne smiles. Int J Psychophysiol; 29. Pp. 23-33.
Vaccari, C. (2010). Technology is a commodity: the Internet in the 2008 United States presidential election. Journal of Information Technology & Politics, 7, 318-339.
Zajonc, R. (1985). Emotion and facial efference: an ignored theory reclaimed. Science ;5. Pp. 15-21.
