Spatial Non-Stationarity and Wealth Accumulation: Multiscale Regression of Locational Endowments in a Heterogeneous Metropolitan County

Technische Zusammenfassung: Räumliche Nichtstationarität und Akkumulation von Wohlstand in einem heterogenen Metropollandkreis

Problemstellung
Die Studie adressiert die Einschränkungen globaler Regressionsmodelle bei der Erfassung der räumlichen Struktur des Haushaltsvermögens in mittelgroßen, heterogenen Metropollandkreisen. Traditionelle Modelle setzen räumliche Stationarität voraus und postulieren, dass die Beziehung zwischen lokationsbezogenen Attributen (z. B. Annehmlichkeiten, Umweltqualität, Infrastruktur) und ökonomischen Ergebnissen in einer Region einheitlich ist. Die räumliche Ökonometrie legt jedoch nahe, dass diese Beziehungen häufig nichtstationär sind und je nach lokalem Kontext signifikant variieren. Während Geografisch Gewichtete Regression (GWR) bereits auf Immobilienpreise und Einkommen angewendet wurde, mangelt es an kleinskaliger Forschung, die das zusammengesetzte Haushaltsvermögen – bestehend aus Wohneigentum, Einkommensströmen und Finanzanlagen – in nicht-küstennahen, mittelgroßen Settings untersucht, in denen urbane, suburbane und ländliche Gradienten aufeinandertreffen. Diese Forschung zielt darauf ab, zu quantifizieren, wie die Eignungsbedingungen eines Standorts das Haushaltsvermögen bei hoher räumlicher Auflösung prägen, und zu bestimmen, ob diese Beziehungen auf unterschiedlichen räumlichen Skalen operieren.

Methodik
Die Forschung verwendet ein robustes räumlich-ökonometrisches Framework, das auf der Multiskalen Geografisch Gewichteten Regression (MGWR) basiert und auf einen mittelgroßen Metropollandkreis im Südwesten der USA angewendet wird.

• Daten und räumliches Framework: Die Analyse nutzt 4.067 reguläre hexagonale Einheiten (jede umfasst etwa 0,3 Quadratmeilen), um das Untersuchungsgebiet zu tessellieren. Dieses hexagonale Gitter minimiert das Modifiable Areal Unit Problem (MAUP) sowie Formverzerrungen, die mit administrativen Grenzen einhergehen, während Census Tracts und Block Groups administrative statt ökologische oder soziale Prozesse widerspiegeln und Aggregationsfehler einführen. Die Datenquellen umfassen die American Community Survey (ACS) 2016–2020, NASA GES DISC, EPA, USGS sowie lokale GIS-Datensätze. Die Variablen decken Sozio-Demografie, Umweltqualität (PM2,5, CO2, Elevation) und Erreichbarkeit (Entfernungen zu Schulen, Krankenhäusern, Parks, Autobahnen etc.) ab.
• Abhängige Variable: Ein zusammengesetzter Index des Haushaltsvermögens wurde mittels Hauptkomponentenanalyse (PCA) konstruiert, der den medianen Hauswert, das Haushaltseinkommen und das Anlageeinkommen (Zinsen, Dividenden, Miete) kombiniert. Dieser Index erklärt etwa 72 % der Varianz des Nettovermögens im Vergleich zu Benchmarks des Survey of Consumer Finances.
• Explorative räumliche Datenanalyse (ESDA): Vor der Modellierung führte die Studie Diagnosen durch, darunter Korrelations-Heatmaps, Prüfung des Variance Inflation Factor (VIF) sowie globale und lokale Tests der räumlichen Autokorrelation (Moran's I und LISA). Das globale Moran's I bestätigte eine starke positive räumliche Abhängigkeit (I = 0,510, p < 0,001), was die Notwendigkeit einer räumlich expliziten Modellierung validierte.
• Modellierungsansatz: Die Studie vergleicht drei Frameworks: Globale Ordinary Least Squares (OLS), globale räumliche ökonometrische Modelle (Spatial Lag und Spatial Error) sowie MGWR.
  • MGWR-Spezifikation: Im Gegensatz zur Standard-GWR, die eine einzige Bandbreite für alle Prädiktoren erzwingt, erlaubt MGWR jedem Prädiktor, auf seiner eigenen optimalen räumlichen Skala zu operieren. Das Modell ist formuliert als: $y_i = \beta_0(u_i) + \sum \beta_k(u_i, b_k)x_{ik} + \varepsilon_i$, wobei $b_k$ variablenspezifische Bandbreiten darstellt.
  • Schätzung: Die Bandbreiten wurden über eine datengesteuerte Optimierung ausgewählt, die das korrigierte Akaike-Informationskriterium (AICc) minimiert. Ein adaptiver Bi-Square-Kernel definierte die räumlichen Gewichte, und ein iterativer Backfitting-Algorithmus (via der mgwr Python-Bibliothek) wurde zur Schätzung verwendet.

Kernergebnisse

1. Modellleistung: MGWR schnitt signifikant besser ab als die globalen Alternativen. Es erreichte ein $R^2$ von 0,989 im Vergleich zu 0,873 bei OLS und etwa 0,90 bei Spatial-Lag- und Spatial-Error-Modellen. Entscheidend ist, dass MGWR die räumliche Autokorrelation der Residuen effektiv eliminierte (Residual Moran's I $\approx$ 0,02, p = 0,214), während globale Modelle eine signifikante restliche Clusterbildung hinterließen (Moran's I > 0,18, p < 0,05).
2. Räumliche Heterogenität und Nichtstationarität: Die Analyse bestätigte, dass die Determinanten des Wohlstands eine erhebliche räumliche Nichtstationarität aufweisen.
   • Skalendifferenzierung: Prädiktoren operieren auf unterschiedlichen räumlichen Skalen. Einkommensbezogene Variablen funktionieren auf breiten regionalen Skalen (Bandbreiten > 100 Nachbarn), was die Arbeitsmarkt- und Wohnmarktdynamik widerspiegelt. Umwelt- und Transitvariablen operieren auf feineren, hyperlocalen Skalen (Bandbreiten < 30 Nachbarn), die durch nachbarschaftsspezifische Bedingungen gesteuert werden.
   • Koeffizientenvariation: Mehrere Prädiktoren zeigten Vorzeichenumkehrungen über das Untersuchungsgebiet hinweg. Beispielsweise war die Entfernung zu Parks und Krankenhäusern in dichten Stadtkernen negativ mit dem Wohlstand assoziiert (wo Nähe ein Annehmlichkeit darstellt), aber positiv in periurbanen Gebieten (wo die Entfernung als Proxy für geringere Dichte und reduzierte Verkehrsbelastung dient). Ähnlich variierten die Effekte der Luftverschmutzung von negativ in der Nähe von hochfrequentierten Verkehrskorridoren bis hin zu neutral oder positiv in Zonen mit geringem Verkehrsaufkommen.
3. Wohlstandskluster: Local Indicators of Spatial Association (LISA) identifizierten persistente „High-High“-Cluster in wohlhabenden Vororten am Fuße der Berge und „Low-Low“-Cluster im Stadtkern und in südwestlichen Regionen, was Theorien der dauerhaften räumlichen Stratifizierung untermauert.

Bedeutung und Beiträge
Das Paper beansprucht drei primäre Beiträge:

• Empirisch: Es liefert eine detaillierte Bewertung der Heterogenität des Wohlstands in einem mittelgroßen, nicht-küstennahen Metropollandkreis – einem Setting, das in der bestehenden räumlichen Ökonomieliteratur unterrepräsentiert ist. Es zeigt, dass Wohlstand nicht nur eine Funktion individueller Merkmale ist, sondern tief durch ortsgebundene Mechanismen strukturiert wird, die sich über urbane-zu-ländliche Gradienten hinweg verändern.
• Methodisch: Die Studie illustriert die Kapazität von MGWR, Prozesse zu entwirren, die auf regionaler, nachbarschaftlicher und hyperlocaler Ebene operieren, innerhalb eines einzigen analytischen Frameworks. Sie validiert, dass die Annahme einer einzigen räumlichen Skala (wie in GWR) oder räumlicher Stationarität (wie in OLS) kritische lokale Variationen in den Renditen lokationsbezogener Attribute verschleiert.
• Politisch: Die Ergebnisse bieten eine räumlich explizite Evidenzbasis für differenzierte politische Interventionen. Die Ergebnisse legen nahe, dass einheitliche Infrastruktur- oder Umweltpolitiken ineffektiv oder gar kontraproduktiv sein können. Stattdessen müssen Interventionen bezüglich Investitionen in Annehmlichkeiten, Sanierung der Umwelt und Dienstleistungserbringung räumlich gezielt erfolgen, um regimespezifischen Renditen der Standortgüte Rechnung zu tragen.

Limitierungen
Die Autoren merken an, dass das Querschnittsdesign zwar die Analyse räumlicher Assoziationen unterstützt, aber keine kausale Richtung etablieren kann. Zudem deutet die restliche Clusterbildung in Übergangszonen, obwohl das hexagonale Gitter-Framework das MAUP reduziert, auf das Vorhandensein nicht modellierter hyperlocaler Prozesse hin. Zukünftige Arbeiten werden vorgeschlagen, um Endogenität durch räumliche Identifikationsstrategien zu adressieren und longitudinale Daten einzubeziehen, um sich entwickelnde Dynamiken zu erfassen.