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

Résumé Technique : Non-stationnarité Spatiale et Accumulation de la Richesse dans un Comté Métropolitain Hétérogène

Problématique
L'étude traite des limites des modèles de régression globale pour capturer la structure spatiale de la richesse des ménages au sein de comtés métropolitains de taille moyenne et hétérogènes. Les modèles traditionnels supposent une stationnarité spatiale, postulant que la relation entre les attributs locaux (ex. : aménités, qualité environnementale, infrastructures) et les résultats économiques est uniforme à travers une région. Cependant, la littérature en économétrie spatiale suggère que ces relations sont fréquemment non stationnaires et varient considérablement selon les contextes locaux. Bien que la régression géographiquement pondérée (GWR) ait été appliquée aux prix de l'immobilier et aux revenus, il existe une rareté de recherches à échelle fine examinant la richesse composite des ménages — englobant l'équité immobilière, les flux de revenus et les actifs financiers — dans des contextes non côtiers et de taille moyenne où s'entrecroisent les gradients urbains, suburbains et ruraux. Cette recherche vise à quantifier comment les conditions de l'aptitude locative façonnent la richesse des ménages à une haute résolution spatiale et à déterminer si ces relations opèrent à des échelles spatiales distinctes.

Méthodologie
La recherche emploie un cadre d'économétrie spatiale robuste centré sur la Régression Géographiquement Pondérée Multiscalaire (MGWR), appliquée à un comté métropolitain de taille moyenne dans le sud-ouest des États-Unis.

• Données et Cadre Spatial : L'analyse utilise 4 067 unités hexagonales régulières (chacune couvrant environ 0,3 mille carré) pour tesseller la zone d'étude. Cette grille hexagonale minimise le problème de l'unité de zone modifiable (MAUP) et les distorsions de forme associés aux limites administratives, alors que les secteurs de recensement et les groupes de blocs reflètent des processus administratifs plutôt qu'écologiques ou sociaux et introduisent un biais d'agrégation. Les sources de données incluent l'American Community Survey (ACS) 2016–2020, NASA GES DISC, l'EPA, l'USGS et des enregistrements SIG locaux. Les variables couvrent la socio-démographie, la qualité environnementale (PM2,5, CO2, élévation) et l'accessibilité (distances aux écoles, hôpitaux, parcs, autoroutes, etc.).
• Variable Dépendante : Un indice composite de la richesse des ménages a été construit via une Analyse en Composantes Principales (ACP) combinant la valeur médiane des logements, le revenu des ménages et les revenus du capital (intérêts, dividendes, loyers). Cet indice explique environ 72 % de la variance de la valeur nette des ménages par rapport aux références de la Survey of Consumer Finances.
• Analyse Exploratoire des Données Spatiales (ESDA) : Préalablement à la modélisation, l'étude a réalisé des diagnostics incluant des cartes de chaleur de corrélation, des vérifications du Facteur d'Inflation de la Variance (VIF) et des tests d'autocorrélation spatiale globale/locale (Moran's I et LISA). Le Moran's I global a confirmé une forte dépendance spatiale positive (I = 0,510, p < 0,001), validant la nécessité d'une modélisation spatialement explicite.
• Approche de Modélisation : L'étude compare trois cadres : la Régression Linéaire Globale par Moindres Carrés Ordinaires (OLS), les modèles d'Économétrie Spatiale Globale (Lag Spatial et Erreur Spatiale) et la MGWR.
  • Spécification MGWR : Contrairement à la GWR standard, qui impose une largeur de bande unique pour tous les prédicteurs, la MGWR permet à chaque prédicteur d'opérer à sa propre échelle spatiale optimale. Le modèle est formulé comme suit : $y_i = \beta_0(u_i) + \sum \beta_k(u_i, b_k)x_{ik} + \varepsilon_i$, où $b_k$ représente les largeurs de bande spécifiques aux variables.
  • Estimation : Les largeurs de bande ont été sélectionnées via une optimisation basée sur les données minimisant le critère d'information d'Akaike corrigé (AICc). Un noyau bi-carré adaptatif a défini les poids spatiaux, et un algorithme de rétro-ajustement itératif (via la bibliothèque Python mgwr) a été utilisé pour l'estimation.

Résultats Clés

1. Performance du Modèle : La MGWR a nettement surpassé les alternatives globales. Elle a atteint un $R^2$ de 0,989 contre 0,873 pour l'OLS et environ 0,90 pour les modèles de lag/erreur spatiaux. Crucialement, la MGWR a éliminé efficacement l'autocorrélation spatiale des résidus (Moran's I résiduel $\approx$ 0,02, p = 0,214), tandis que les modèles globaux laissaient une dépendance spatiale résiduelle significative (Moran's I > 0,18, p < 0,05).
2. Hétérogénéité Spatiale et Non-stationnarité : L'analyse a confirmé que les déterminants de la richesse présentent une importante non-stationnarité spatiale.
   • Différenciation d'Échelle : Les prédicteurs opèrent à des échelles spatiales distinctes. Les variables liées au revenu fonctionnent à des échelles régionales larges (largeurs de bande > 100 voisins), reflétant la dynamique du travail et du marché immobilier. Les variables environnementales et de transport opèrent à des échelles locales plus fines (largeurs de bande < 30 voisins), régies par des conditions spécifiques au quartier.
   • Variation des Coefficients : Plusieurs prédicteurs ont présenté des inversions de signe à travers la zone d'étude. Par exemple, la distance aux parcs et aux hôpitaux était négativement associée à la richesse dans les noyaux urbains denses (où la proximité est une aménité) mais positivement associée dans les zones périurbaines (où la distance sert de proxy pour une densité moindre et une réduction de la congestion). De même, les effets de la pollution de l'air variaient de négatifs près des corridors à fort trafic à neutres ou positifs dans les zones à faible trafic.
3. Regroupements de Richesse : Les Indicateurs Locaux d'Association Spatiale (LISA) ont identifié des clusters persistants "haut-haut" dans les banlieues riches des contreforts et des clusters "bas-bas" dans le noyau urbain et les régions du sud-ouest, renforçant les théories de la stratification spatiale durable.

Signification et Contributions
L'article revendique trois contributions principales :

• Empirique : Il fournit une évaluation fine de l'hétérogénéité de la richesse dans un comté métropolitain de taille moyenne et non côtier, un cadre sous-représenté dans la littérature existante de l'économie spatiale. Il démontre que la richesse n'est pas seulement une fonction de caractéristiques individuelles, mais qu'elle est profondément structurée par des mécanismes ancrés dans le lieu, qui varient selon les gradients urbains-ruraux.
• Méthodologique : L'étude illustre la capacité de la MGWR à démêler les processus opérant aux échelles régionale, de quartier et hyperlocale au sein d'un même cadre analytique. Elle valide le fait que supposer une échelle spatiale unique (comme dans la GWR) ou une stationnarité spatiale (comme dans l'OLS) occulte les variations locales critiques des rendements des attributs locatifs.
• Politique : Les résultats offrent une base de preuves spatialement explicite pour des interventions politiques différenciées. Les conclusions suggèrent que les politiques uniformes en matière d'infrastructure ou d'environnement peuvent être inefficaces ou contre-productives. Au contraire, les interventions concernant l'investissement dans les aménités, la remédiation environnementale et la prestation de services doivent être ciblées spatialement pour tenir compte des rendements spécifiques au régime d'aptitude locative.

Limites
Les auteurs notent que la conception transversale soutient l'analyse d'association spatiale mais ne peut établir de direction causale. De plus, bien que le cadre de la grille hexagonale réduise le MAUP, le regroupement résiduel dans les zones de transition suggère la présence de processus hyperlocaux non modélisés. Des travaux futurs sont suggérés pour traiter l'endogénéité via des stratégies d'identification spatiale et pour incorporer des données longitudinales afin de capturer les dynamiques évolutives.