💰 quantitative finance

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

Cette étude fournit la première preuve à l'échelle des secteurs qui démontre que la concentration des bailleurs institutionnels est associée à une croissance des loyers disproportionnellement plus élevée dans les quartiers à majorité minoritaire par rapport aux quartiers blancs à travers dix zones métropolitaines des États-Unis.

Auteurs originaux : Advay Ranade

Publié 2026-06-29

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Advay Ranade

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Le jeu de la « fixation des prix »

Imaginez que vous essayiez d'acheter une paire de baskets. Si cinq magasins différents vendent exactement la même chaussure, vous vous attendez à ce qu'ils se fassent concurrence pour obtenir votre argent. Mais et si les cinq propriétaires de ces magasins utilisaient tous le même programme informatique secret qui leur dit : « Ne baissez pas votre prix. Gardez-le élevé. Nous sommes tous dans le même bateau. »

C'est essentiellement ce dont le Département de la Justice des États-Unis a accusé cinq grandes sociétés d'appartements (appelées REIT). Ils utilisaient un logiciel appelé RealPage pour coordonner leurs prix des loyers au lieu de rivaliser. Le gouvernement affirme que cela a maintenu les loyers artificiellement élevés.

Cet article pose une question spécifique et plus profonde : Cette « fixation des prix » nuit-elle à tout le monde de la même manière, ou nuit-elle davantage à certains quartiers que d'autres ?

Le travail de détective : Comment ils l'ont mesuré

Pour répondre à cela, le chercheur, Advay Ranade, a dû jouer au détective. Il ne pouvait pas simplement demander aux entreprises ce qu'elles faisaient, alors il a utilisé les registres publics.

Trouver les « grands propriétaires » : Il a examiné les documents officiels du gouvernement (les formulaires 10-K de la SEC) des cinq sociétés accusées. Ces documents répertorient chaque immeuble d'appartements qu'elles possèdent. Il a cartographié ces bâtiments dans des quartiers spécifiques (secteurs de recensement) pour voir où ces « propriétaires corporatifs » étaient les plus concentrés. Il appelle cette mesure CLC (Concentration des Propriétaires Corporatifs).
Mesurer la croissance des loyers : Au lieu d'utiliser des enquêtes gouvernementales lentes qui moyennent les données sur cinq ans (ce qui floute les détails), il a utilisé les données de loyer de Zillow. C'est comme utiliser un téléscripteur boursier en direct plutôt qu'un rapport annuel : cela montre exactement ce que faisaient les loyers en temps réel entre 2019 et 2023.
Contrôler le « stress préexistant » : Il savait que les grands propriétaires pourraient simplement choisir des quartiers qui étaient déjà chers ou encombrés. Pour s'assurer qu'il ne mesurait pas seulement cela, il a créé un nouveau score appelé l'AHBI (Indice de Charge de Logement Algorithmique). Considérez cela comme un « test de résistance » pour un quartier avant que la tarification algorithmique ne commence. Cela mesure à quel point le marché du logement était tendu et quel était le fardeau locatif déjà présent.

Les résultats : Ce qui s'est passé

1. L'effet général (H1)
L'étude a révélé que dans les quartiers où ces propriétaires corporatifs étaient fortement concentrés, les loyers augmentaient plus rapidement. Plus précisément, si vous doubliez la présence de ces propriétaires corporatifs dans un quartier, la croissance des loyers était environ 2,8 points de pourcentage plus élevée que dans les quartiers ayant moins de propriétaires corporatifs.

2. La disparité raciale (H2) – La découverte centrale
C'est la partie la plus importante de l'article. Le chercheur a examiné si cette hausse des loyers affectait les quartiers blancs et les quartiers minoritaires (définis comme des quartiers où les résidents noirs et hispaniques représentent plus de 50 % de la population) de manière différente.

Dans les quartiers blancs : Étonnamment, la présence accrue de propriétaires corporatifs était associée à une croissance des loyers légèrement inférieure au sein de la même ville. L'article suggère qu'il s'agit souvent de complexes de banlieue plus récents et haut de gamme où la dynamique du marché est différente.
Dans les quartiers minoritaires : La tendance s'est inversée. Dans ces quartiers, une concentration plus élevée de propriétaires corporatifs était liée à une croissance des loyers nettement plus élevée.

L'analogie : Imaginez deux coureurs dans une course. Un coureur (quartiers blancs) est sur une piste lisse et pavée. L'autre (quartiers minoritaires) est sur une piste avec des obstacles cachés. Quand le coup de sifflet de la « tarification algorithmique » retentit, le coureur sur la piste lisse ne ralentit pas beaucoup. Mais le coureur sur la piste remplie d'obstacles est plus durement trébuché, provoquant une augmentation bien plus forte de son « fardeau locatif ».

Les données ont montré que, dans une même ville, les quartiers minoritaires avec une forte présence de propriétaires corporatifs ont connu une croissance des loyers 5,9 points de pourcentage plus élevée que les quartiers blancs comparables.

3. Le contrôle par l'IA (H3)
Pour s'assurer qu'il ne s'agissait pas d'un coup de chance ou d'une erreur mathématique, le chercheur a utilisé un modèle d'intelligence artificielle (XGBoost). Il a injecté toutes les données de quartier de 2019 dans l'IA et lui a demandé de prédire la croissance des loyers pour 2023.

L'IA ne connaissait pas l'hypothèse de la « disparité raciale ; elle cherchait simplement des modèles. L'IA a confirmé de manière indépendante le résultat : elle a prédit que la concentration des propriétaires corporatifs ferait monter les loyers dans les quartiers minoritaires et les ferait baisser (ou aurait moins d'effet) dans les quartiers blancs. Cela donne aux chercheurs une grande confiance dans le fait que le modèle est réel et n'est pas un simple accident statistique.

Pourquoi cela arrive-t-il ?

L'article suggère que les quartiers minoritaires sont plus vulnérables à cette tarification algorithmique pour plusieurs raisons :

Moins d'alternatives : Les locataires de ces zones peuvent avoir moins de logements abordables où aller s'ils voient leur loyer augmenter.
Stress existant : Ces quartiers avaient souvent déjà un « stress de logement » plus élevé (le score AHBI), ce qui signifie que les résidents avaient moins de marge de manœuvre financière pour absorber les hausses de prix.
Moins de concurrence : Il peut y avoir moins de petits propriétaires indépendants pour concurrencer les grands algorithmes corporatifs.

L'essentiel à retenir

Cet article fournit la première preuve au niveau des quartiers que l'utilisation de la tarification algorithmique des loyers par les grands propriétaires corporatifs n'est pas un événement neutre. Elle semble faire grimper les loyers de manière disproportionnée dans les communautés de couleur, creusant potentiellement l'écart de richesse raciale.

En bref : Le « programme informatique secret » utilisé par les grands propriétaires ne se contente pas d'augmenter les loyers pour tout le monde ; il augmente davantage les loyers dans les quartiers minoritaires, probablement parce que ces quartiers sont déjà plus vulnérables et disposent de moins d'options pour échapper aux hausses de prix.

Résumé Technique : Mesurer les disparités raciales dans la croissance des loyers sous l'effet de la concentration algorithmique des bailleurs

1. Énoncé du problème

L'adoption rapide de logiciels de tarification algorithmique des loyers (par exemple, YieldStar de RealPage) par les bailleurs institutionnels a créé un mécanisme permettant de coordonner les décisions de tarification entre des entreprises concurrentes, ce qui pourrait supprimer la concurrence et gonfler les loyers. Bien que la littérature existante (par exemple, Calder-Wang et Kim, 2024 ; White House CEA, 2024) établisse que la tarification algorithmique augmente les loyers globaux, une lacune critique subsiste : on ignore si le fardeau distributif de cette coordination frappe de manière égale les différents groupes raciaux. Plus précisément, il n'existe aucune preuve au niveau des secteurs de recensement (census tracts) déterminant si la concentration des bailleurs institutionnels (CLC - Corporate Landlord Concentration) est corrélée à une croissance des loyers proportionnellement plus élevée dans les quartiers à majorité minoritaire par rapport aux quartiers à majorité blanche au sein des mêmes zones métropolitaines.

2. Méthodologie

2.1 Construction des données

L'étude construit un nouvel ensemble de données en géocodant les divulgations de propriétés issues des rapports SEC EDGAR 10-K Schedule III (exercices fiscaux 2016–2022) pour cinq grands REIT (Fiducies de placement immobilier) résidentiels cités dans la plainte antitrust de 2024 du DOJ : AvalonBay Communities, Equity Residential, Essex Property Trust, Mid-America Apartment Communities et UDR.

Concentration des bailleurs institutionnels (CLC) : Définie comme la part des unités occupées par des locataires dans un secteur de recensement appartenant à ces cinq REIT. Le numérateur est dérivé des calendriers de propriétés géocodés des REIT ; le dénominateur est le stock de logements occupés par des locataires de l'ACS (American Community Survey). La métrique est transformée logarithmiquement ( $\log(1+CLC)$ ) pour gérer l'asymétrie.
Indice de fardeau du logement algorithmique (AHBI) : Un indice composite construit à partir des estimations sur 5 ans de l'ACS pour contrôler la vulnérabilité préexistante. Il combine le Fardeau locatif préexistant (part des ménages payant plus de 30 % de leur revenu pour le loyer) et la Tension du marché du logement (1 moins le taux de vacance). Cela sert à la fois d'outil descriptif et de variable de contrôle pour séparer les effets de la CLC des conditions de base du marché.
Variable de résultat : L'indice Zillow Observed Rent Index (ZORI) est utilisé pour mesurer la croissance des loyers de 2019 à 2023. Contraalirement aux données de l'ACS qui lissent les tendances pluriannuelles, le ZORI est basé sur les transactions et capture la poussée aiguë des loyers de 2021–2022. Les données ZORI au niveau des codes ZIP sont croisées avec les secteurs de recensement en utilisant les facteurs d'allocation de l'HUD.

2.2 Échantillon

L'analyse couvre 665 secteurs de recensement répartis dans dix grandes zones métropolitaines américaines (Atlanta, Charlotte, Dallas–Fort Worth, Los Angeles, New York, San Diego, San Francisco, San Jose, Seattle, Washington DC). Parmi ceux-ci, 583 secteurs présentant une couverture complète du ZORI forment l'échantillon de régression principal.

2.3 Stratégie économétrique

Le document emploie trois stratégies empiriques complémentaires :

H1 (Effet moyen) : Une régression OLS de la croissance des loyers par secteur sur $\log(1+CLC)$ , contrôlant l'AHBI et les covariables démographiques. Les erreurs types sont regroupées (clustered) au niveau métropolitain pour tenir compte de la corrélation intra-métropole.
H2 (Effets hétérogènes) : Un modèle d'interaction ajoutant des effets fixes métropolitains et un terme d'interaction entre $\log(1+CLC)$ et un indicateur binaire pour les secteurs à majorité minoritaire (part noire + hispanique > 50 %). Cela isole l'effet différentiel de la CLC au sein d'une même zone métropolitaine.
H3 (Validation par apprentissage automatique) : Un modèle XGBoost entraîné sur les caractéristiques des secteurs de 2019 pour prédire la croissance des loyers de 2019–2023. Les valeurs SHAP (SHapley Additive exPlanations) sont utilisées pour vérifier de manière non paramétrique si la contribution de la CLC à la croissance des loyers prédite varie selon la composition raciale sans imposer d'hypothèses de forme fonctionnelle.

3. Résultats clés

3.1 Effet moyen de la CLC (H1)

Le doublement de la concentration des REIT dans un secteur de recensement est associé à une croissance des loyers environ 2,8 points de pourcentage plus élevée sur la période 2019–2023.

Signification : Le résultat est robuste en termes de direction mais sensible aux hypothèses d'erreur type. Il est marginalement significatif avec des erreurs types regroupées par métropole ( $p=0,086$ ) et significatif avec des erreurs types robustes HC1 ( $p=0,030$ ).
Contexte : L'association positive est largement pilotée par la variation entre les métropoles (par exemple, les marchés du Sun Belt avec une CLC élevée et une croissance élevée vs les marchés côtiers avec une CLC faible et une croissance faible). Lorsque les effets fixes métropolitains sont appliqués, le coefficient brut s'inverse, suggérant que, dans une ville spécifique, les secteurs à forte CLC possèdent souvent des caractéristiques de base différentes des secteurs à faible CLC.

3.2 Disparités raciales (H2)

L'effet de la CLC sur la croissance des loyers est nettement plus important dans les secteurs à majorité minoritaire que dans les secteurs à majorité blanche au sein de la même zone métropolitaine.

Effet d'interaction : Le terme d'interaction entre la CLC et le statut de majorité minoritaire est positif et significatif ( $\beta_3 = +0,059$ , $p=0,039$ ).
Impact différentiel : Au sein d'une même métropole, les secteurs à majorité minoritaire à forte CLC subissent une croissance des loyers 5,9 points de pourcentage plus élevée que les secteurs comparables à majorité blanche.
Inversion directionnelle : L'effet de base de la CLC dans les secteurs blancs est négatif ( $\beta_1 = -0,034$ , $p < 0,001$ ), tandis que l'effet total dans les secteurs minoritaires est positif ( $\beta_1 + \beta_3 = +0,024$ ). Cela indique que la concentration des bailleurs institutionnels est associée à une croissance proportionnelle des loyers plus faible dans les secteurs blancs, mais plus élevée dans les secteurs minoritaires.
Robustesse : Les résultats se maintiennent en utilisant une variable de part minoritaire continue ( $p=0,002$ ) et à travers différents seuils de minorité.

3.3 Validation par apprentissage automatique (H3)

Le modèle XGBoost explique 44 % de la variance hors échantillon ( $R^2 = 0,439$ ).

Importance des variables : La CLC arrive au cinquième rang sur huit variables, confirmant qu'elle possède un pouvoir prédictif indépendant au-delà des données démographiques et des contrôles de marché.
Analyse SHAP : Le diagramme "beeswarm" de SHAP révèle une asymétrie non paramétrique : les valeurs élevées de CLC (points rouges) poussent la croissance des loyers prédite à la hausse dans les secteurs minoritaires (SHAP moyen = +0,0057) et à la baisse dans les secteurs blancs (SHAP moyen = -0,0011). Cela confirme le résultat de l'interaction OLS sans dépendre d'hypothèses paramétriques.

4. Principales contributions

Pipeline de données novateur : Introduit la première méthode publiquement reproductible pour mesurer la concentration algorithmique des baillores au niveau du secteur de recensement en utilisant les rapports SEC EDGAR 10-K.
Nouvel indice : Construit l'Indice de fardeau du logement algorithmique (AHBI), une mesure composite du fardeau locatif préexistant et de la tension du marché, afin de contrôler le biais de sélection dans la localisation des bailleurs institutionnels.
Preuves au niveau des secteurs : Fournit les premières estimations au niveau des secteurs de recensement montrant que la concentration des bailleurs institutionnels est associée à une croissance des loyers disproportionnellement plus élevée dans les communautés de couleur, validée à la fois par des méthodes paramétriques (OLS) et non paramétriques (XGBoost/SHAP).
Insight méthodologique : Démontre que les estimations sur 5 ans de l'ACS sont insuffisantes pour détecter une croissance aiguë des loyers en raison du lissage pluriannuel, nécessitant des sources de données basées sur les transactions comme le ZORI.

5. Signification et affirmations

L'article affirme fournir la première preuve au niveau des secteurs cohérente avec l'hypothèse selon laquelle la concentration des bailleurs institutionnels, facilitée par la tarification algorithmique, impose un fardeau racialement disparate. Les conclusions suggèrent que le mécanisme de coordination algorithmique des loyers opère différemment selon la composition raciale des quartiers, potentiellement en raison d'une mobilité réduite des locataires, d'un fardeau locatif préexistant plus élevé et de moins d'alternatives abordables dans les quartiers minoritaires.

Les auteurs soutiennent que ces conclusions ont des implications pour :

L'application du droit de la concurrence (Antitrust) : Suggérant que les impacts distributifs (équité raciale) devraient être pris en compte aux côtés du bien-être global des consommateurs dans les affaires de concurrence sur le marché du logement.
La loi sur le logement équitable (Fair Housing Law) : Fournissant des preuves empiriques cohérentes avec une théorie de "l'impact disparate" sous le Fair Housing Act, où une politique neutre (logiciel de tarification algorithmique) produit des résultats disparates sur le plan racial.
La transparence réglementaire : Soulignant la nécessité pour les régulateurs d'utiliser les dépôts publics (comme le pipeline EDGAR développé ici) pour surveiller l'empreinte géographique de la concentration des bailleurs institutionnels et ses effets distributifs en temps réel.

L'article reste modeste quant à la causalité, reconnaissant que la conception transversale ne peut totalement exclure des facteurs de confusion non observés et que le résultat H1 est sensible au faible nombre de clusters métropolitains. Cependant, la convergence des résultats OLS et de l'apprentissage automatique renforce la confiance dans le schéma de disparité raciale observé.