💰 quantitative finance

Measuring Racial Disparities in Rent Growth Under Algorithmic Landlord Concentration in U.S. Metros

Este estudio proporciona la primera evidencia a nivel de manzana de que la concentración de arrendadores corporativos está asociada con un crecimiento de los alquileres desproporcionadamente mayor en vecindarios de mayoría minoritaria en comparación con los vecindarios blancos en diez áreas metropolitanas de los EE. UU.

Autores originales: Advay Ranade

Publicado 2026-06-29

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Advay Ranade

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El panorama general: El juego de la "fijación de precios"

Imagina que intentas comprar un par de zapatillas. Si cinco tiendas diferentes venden el mismo calzado, esperas que compitan entre sí para quedarse con tu dinero. Pero, ¿qué pasaría si los dueños de esas cinco tiendas usaran el mismo programa secreto de computadora que les dice: "No bajes tu precio. Manténlo alto. Estamos todos juntos en esto"?

Eso es esencialmente lo que el Departamento de Justicia de los EE. UU. acusó de hacer a cinco enormes empresas de apartamentos (llamadas REIT). Utilizaron un software llamado RealPage para coordinar sus precios de alquiler en lugar de competir. El gobierno dice que esto mantuvo los alquileres artificialmente altos.

Este artículo plantea una pregunta específica y más profunda: ¿Este "ajuste de precios" perjudica a todos por igual, o perjudica más a ciertos vecindarios?

El trabajo de detective: Cómo lo midieron

Para responder a esto, el investigador, Advay Ranade, tuvo que jugar al detective. No podía simplemente preguntar a las empresas qué estaban haciendo, así que utilizó registros públicos.

Encontrar a los "Grandes Propietarios": Buscó en los informes oficiales del gobierno (SEC 10-K) de las cinco empresas acusadas. Estos informes enumeran cada uno de los edificios de apartamentos que poseen. Mapeó estos edificios en vecindarios específicos (sectores censales) para ver dónde estaban más concentrados estos "propietarios corporativos". Él llama a esta medida CLC (Concentración de Propietarios Corporativos).
Medir el crecimiento de los alquileres: En lugar de utilizar encuestas gubernamentales lentas que promedian los datos a lo largo de cinco años (lo que desdibuja los detalles), utilizó los datos de alquiler de Zillow. Esto es como usar un marcador de acciones en vivo en lugar de un informe anual: muestra exactamente qué estaban haciendo los alquileres en tiempo real entre 2019 y 2023.
Controlar el "Estrés Preexistente": Sabía que los grandes propietarios podrían simplemente elegir vecindarios que ya eran caros o concurridos. Para asegurarse de que no estaba midiendo solo eso, creó una nueva puntuación llamada AHBI (Índice de Carga de Vivienda Algorítmica). Piensa en esto como una "prueba de estrés" para un vecindario antes de que comenzara el precio algorítmico. Mide qué tan apretado era el mercado de vivienda y cuánta carga de alquiler sufría la gente ya.

Los hallazgos: Qué sucedió

1. El efecto general (H1)
El estudio encontró que en los vecindarios donde estos propietarios corporativos estaban fuertemente concentrados, los alquileres crecieron más rápido. Específicamente, si se duplicaba la presencia de estos propietarios corporativos en un vecindario, el crecimiento del alquiler era aproximadamente 2.8 puntos porcentuales más alto que en los vecindarios con menos propietarios corporativos.

2. La disparidad racial (H2) – El hallazgo central
Esta es la parte más importante del artículo. El investigador observó si este aumento de alquiler afectaba de manera diferente a los vecindarios blancos y a los vecindarios de minorías (definidos como vecindarios donde los residentes negros e hispanos constituyen más del 50% de la población).

En los vecindarios blancos: Sorprendentemente, tener más propietarios corporativos estaba asociado con un crecimiento de alquiler ligeramente menor dentro de la misma ciudad. El artículo sugiere que estos son a menudo complejos suburbanos nuevos y de lujo donde la dinámica del mercado es diferente.
En los vecindarios de minorías: La tendencia se invirtió. En estos vecindarios, una mayor concentración de propietarios corporativos estuvo vinculada a un crecimiento de alquiler significativamente mayor.

La analogía: Imagina a dos corredores en una carrera. Un corredor (vecindarios blancos) está en una pista pavimentada y suave. El otro corredor (vecindarios de minorías) está en una pista con obstáculos ocultos. Cuando suena el silbato del "precio algorítmico", el corredor en la pista suave no se retrasa mucho. Pero el corredor en la pista llena de obstáculos tropieza con más fuerza, haciendo que su "carga de alquiler" se dispare mucho más.

Los datos mostraron que, dentro de la misma ciudad, los vecindarios de minorías con alta presencia de propietarios corporativos vieron un crecimiento de alquiler 5.9 puntos porcentuales más alto que los vecindarios blancos comparables.

3. La comprobación de la IA (H3)
Para asegurarse de que esto no fuera un error fortuito o un error en los cálculos, el investigador utilizó un modelo de Inteligencia Artificial (XGBoost). Alimentó a la IA con todos los datos de los vecindarios de 2019 y le pidió que predijera el crecimiento de los alquileres para 2023.

La IA no conocía la hipótesis de la "disparidad racial"; solo buscaba patrones. La IA confirmó independientemente el hallazgo: predijo que la concentración de propietarios corporativos empujaría los alquileres hacia arriba en los vecindarios de minorías y hacia abajo (o tendría menos efecto) en los vecindarios blancos. Esto le da a los investigadores una alta confianza en que el patrón es real y no solo un accidente estadístico.

¿Por qué sucede esto?

El artículo sugiere que los vecindarios de minorías son más vulnerables a este precio algorítmico por varias razones:

Menos alternativas: Los inquilinos en estas áreas pueden tener menos lugares asequibles a donde mudarse si su alquiler sube.
Estrés existente: Estos vecindarios a menudo ya tenían un mayor "estrés de vivienda" (la puntuación AHBI), lo que significa que los residentes tenían menos colchón financiero para absorber las subidas de precios.
Menos competencia: Puede haber menos propietarios pequeños e independientes para competir contra los grandes algoritmos corporativos.

La conclusión

Este artículo proporciona la primera evidencia a nivel de vecindario de que el uso del precio de alquiler algorítmico por parte de los grandes propietarios corporativos no es un evento neutral. Parece impulsar desproporcionadamente los alquileres en comunidades de color, ampliando potencialmente la brecha de riqueza racial.

En resumen: El "programa secreto de computadora" utilizado por los grandes propietarios no solo aumenta los alquileres para todos; los aumenta más en los vecindarios de minorías, probablemente porque esos vecindarios ya son más vulnerables y tienen menos opciones para escapar de las subidas de precios.

Resumen Técnico: Medición de las Disparidades Raciales en el Crecimiento de los Alquileres bajo la Concentración de Propietarios Algorítmicos

1. Planteamiento del Problema

La rápida adopción de software de fijación de precios de alquiler algorítmicos (por ejemplo, YieldStar de RealPage) por parte de los propietarios corporativos ha creado un mecanismo para coordinar las decisiones de precios entre firmas competidoras, lo que potencialmente suprime la competencia e infla los alquileres. Si bien la literatura existente (por ejemplo, Calder-Wang y Kim, 2024; White House CEA, 2024) establece que la fijación de precios algorítmica eleva los alquileres agregados, persiste una brecha crítica: se desconoce si la carga distributiva de esta coordinación recae de manera equitativa entre los distintos grupos raciales. Específicamente, no existen evidencias a nivel de sección censal (census tract) que determinen si la concentración de propietarios corporativos (CLC, por sus siglas en inglés) se correlaciona con un crecimiento de los alquileres desproporcionadamente mayor en vecindarios de mayoría minoritaria en comparación con los vecindarios de mayoría blanca dentro de las mismas áreas metropolitanas.

2. Metodología

2.1 Construcción de Datos

El estudio construye un conjunto de datos novedoso geocodificando las divulgaciones de propiedades de los informes Schedule III de los archivos 10-K de la SEC EDGAR (Años Fiscales 2016–2022) para cinco importantes REITs residenciales mencionados en la demanda antimonopolio de 2024: AvalonBay Communities, Equity Residential, Essex Property Trust, Mid-America Apartment Communities y UDR.

Concentración de Propietarios Corporativos (CLC): Definida como la participación de las unidades ocupadas por inquilinos en una sección censal propiedad de estos cinco REITs. El numerador se deriva de los cronogramas de propiedades geocodificados de los REITs; el denominador es el stock de ocupantes de alquiler de la ACS (American Community Survey). La métrica se transforma logarítmicamente ( $\log(1+CLC)$ ) para manejar la asimetría.
Índice de Carga de Vivienda Algorítmica (AHBI): Un índice compuesto construido a partir de las estimaciones de 5 años de la ACS para controlar la vulnerabilidad preexistente. Combina la Carga de Alquiler Preexistente (participación de hogares que pagan >30% de sus ingresos en alquiler) y la Rigidez del Mercado de Vivienda (1 menos la tasa de vacancia). Esto sirve tanto como herramienta descriptiva como variable de control para separar los efectos de la CLC de las condiciones base del mercado.
Variable de Resultado: Se utiliza el Índice de Alquiler Observado de Zillow (ZORI) para medir el crecimiento de los alquileres de 2019 a 2023. A diferencia de los datos de la ACS, que suavizan las tendencias plurianuales, el ZORI se basa en transacciones y captura el aumento agudo de los alquileres de 2021–2022. Los datos de ZORI a nivel de código postal se cruzan con las secciones censales utilizando factores de asignación de HUD.

2.2 Muestra

El análisis cubre 665 secciones censales en diez grandes áreas metropolitanas de EE. UU. (Atlanta, Charlotte, Dallas–Fort Worth, Los Ángeles, Nueva York, San Diego, San Francisco, San José, Seattle, Washington DC). De estas, 583 secciones con cobertura completa de ZORI forman la muestra principal de regresión.

2.3 Estrategia Econométrica

El documento emplea tres estrategias empíricas complementarias:

H1 (Efecto Promedio): Una regresión OLS de crecimiento de alquiler a nivel de sección censal sobre $\log(1+CLC)$ , controlando por AHBI y covariables demográficas. Los errores estándar se agrupan (clustered) a nivel metropolitano para dar cuenta de la correlación dentro de cada metro.
H2 (Efectos Heterogéneos): Un modelo de interacción que añade efectos fijos metropolitanos y un término de interacción entre $\log(1+CLC)$ y un indicador binario para secciones de mayoría minoritaria (participación de afroamericanos + hispanos > 50%). Esto aísla el efecto diferencial de la CLC dentro de la misma área metropolitana.
H3 (Validación mediante Aprendizaje Automático): Un modelo XGBoost entrenado con características de las secciones de 2019 para predecir el crecimiento de los alquileres de 2019–2023. Se utilizan valores SHAP (SHapley Additive exPlanations) para verificar no paramétricamente si la contribución de la CLC al crecimiento predicho de los alquileres varía según la composición racial sin imponer supuestos de forma funcional.

3. Resultados Clave

3.1 Efecto Promedio de la CLC (H1)

Duplicar la concentración de REITs en una sección censal está asociado con aproximadamente 2.8 puntos porcentuales más de crecimiento de los alquileres durante el periodo 2019–2023.

Significancia: El resultado es robusto direccionalmente pero sensible a los supuestos de error estándar. Es marginalmente significativo con errores estándar agrupados por metro ( $p=0.086$ ) y significativo con errores estándar robustos HC1 ( $p=0.030$ ).
Contexto: La asociación positiva es impulsada en gran medida por la variación entre áreas metropolitanas (por ejemplo, mercados del Sun Belt con alta CLC y alto crecimiento frente a mercados costeros con baja CLC y bajo crecimiento). Cuando se aplican efectos fijos metropolitanos, el coeficiente bruto se revierte, lo que sugiere que, dentro de una ciudad específica, las secciones con alta CLC suelen tener características base distintas a las de baja CLC.

3.2 Disparidades Raciales (H2)

El efecto de la CLC sobre el crecimiento de los alquileres es significativamente mayor en las secciones de mayoría minoritaria que en las de mayoría blanca dentro de la misma área metropolitana.

Efecto de Interacción: El término de interacción entre la CLC y el estatus de mayoría minoritaria es positivo y significativo ( $\beta_3 = +0.059$ , $p=0.039$ ).
Impacto Diferencial: Dentro de la misma área metropolitana, las secciones de mayoría minoritaria con alta CLC experimentan 5.9 puntos porcentuales más de crecimiento de los alquileres que las secciones comparables de mayoría blanca.
Reversión Direccional: El efecto base de la CLC en las secciones de mayoría blanca es negativo ( $\beta_1 = -0.034$ , $p < 0.001$ ), mientras que el efecto total en las secciones de mayoría minoritaria es positivo ( $\beta_1 + \beta_3 = +0.024$ ). Esto indica que la concentración de propietarios corporativos está asociada con un menor crecimiento proporcional de los alquileres en secciones blancas, pero con un mayor crecimiento en secciones minoritarias.
Robustez: Los resultados se mantienen al utilizar una variable continua de participación minoritaria ( $p=0.002$ ) y a través de diferentes umbrales de minorías.

3.3 Validación mediante Aprendizaje Automático (H3)

El modelo XGBoost explica el 44% de la varianza fuera de la muestra ( $R^2 = 0.439$ ).

Importancia de las Características: La CLC ocupa el quinto lugar de ocho características, confirmando que proporciona un poder predictivo independiente más allá de la demografía y los controles de mercado.
Análisis SHAP: El gráfico beeswarm de SHAP revela una asimetría no paramétrica: los valores altos de CLC (puntos rojos) impulsan el crecimiento predicho de los alquileres hacia arriba en las secciones minoritarias (media SHAP = +0.0057) y hacia abajo en las secciones blancas (media SHAP = -0.0011). Esto confirma el hallazgo de la interacción OLS sin depender de supuestos paramétricos.

4. Principales Contribuciones

Pipeline de Datos Novedoso: Introduce el primer método públicamente replicable para medir la concentración de propietarios algorítmicos a nivel de sección censal utilizando los archivos 10-K de la SEC EDGAR.
Nuevo Índice: Construye el Índice de Carga de Vivienda Algorítmica (AHBI), una medida compuesta de la carga de alquiler preexistente y la rigidez del mercado, para controlar el sesgo de selección en la ubicación de los propietarios corporativos.
Evidencia a Nivel de Sección Censal: Proporciona las primeras estimaciones a nivel de sección censal que muestran que la concentración de propietarios corporativos está asociada con un crecimiento de los alquileres desproporcidamente mayor en comunidades de color, validado tanto por métodos paramétricos (OLS) como no paramétricos (XGBoost/SHAP).
Perspectiva Metodológica: Demuestra que las estimaciones de 5 años de la ACS son insuficientes para detectar el crecimiento agudo de los alquileres debido al suavizado multianual, lo que hace necesario el uso de fuentes de datos basadas en transacciones como ZORI.

5. Significancia y Reivindicaciones

El documento afirma proporcionar la primera evidencia a nivel de sección censal consistente con la hipótesis de que la concentración de propietarios corporativos, facilitada por la fijación de precios algorítmica, impone una carga racialmente dispar. Los hallazgos sugieren que el mecanismo de coordinación de alquileres algorítmicos opera de manera diferente dependiendo de la composición racial del vecindario, posiblemente debido a la menor movilidad de los inquilinos, la mayor carga de alquiler preexistente y la existencia de menos alternativas asequibles en los vecindarios minoritarios.

Los autores argumentan que estos hallazgos tienen implicaciones para:

Aplicación de las Leyes Antimonopolio: Sugiriendo que los impactos distributivos (equidad racial) deben considerarse junto con el bienestar agregado del consumidor en casos de competencia en el mercado de la vivienda.
Ley de Vivienda Justa (Fair Housing Law): Proporcionando evidencia empírica consistente con una teoría de "impacto dispar" bajo la Ley de Vivienda Justa, donde una política neutral (software de fijación de precios algorítmicos) produce resultados racialmente dispares.
Transparencia Regulatoria: Destacando la necesidad de que los reguladores utilicen archivos públicos (como el pipeline de EDGAR desarrollado aquí) para monitorear la huella geográfica de la concentración de propietarios institucionales y sus efectos distributivos en tiempo real.

El documento mantiene la modestia respecto a la causalidad, reconociendo que el diseño transversal no puede descartar totalmente los factores de confusión no observados y que el resultado de H1 es sensible al pequeño número de conglomerados metropolitanos. Sin embargo, la convergencia de los resultados de OLS y de aprendizaje automático fortalece la confianza en el patrón de disparidad racial observado.