💰 quantitative finance

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

Questo studio fornisce la prima evidenza a livello di distretto che la concentrazione dei locatori aziendali è associata a una crescita degli affitti sproporzionatamente più elevata nei quartieri a maggioranza di minoranze rispetto ai quartieri bianchi in dieci aree metropolitane degli Stati Uniti.

Autori originali: Advay Ranade

Pubblicato 2026-06-29

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Advay Ranade

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il quadro generale: Il gioco del "fissaggio dei prezzi"

Immagina di voler comprare un paio di sneakers. Se cinque negozi diversi vendono lo stesso identico modello, ti aspetti che competano tra loro per ottenere i tuoi soldi. Ma cosa succederebbe se i proprietari di questi cinque negozi usassero tutti lo stesso programma segreto che dice loro: "Non abbassare il prezzo. Mantienilo alto. Siamo tutti sulla stessa barca".

Questo è essenzialmente ciò di cui il Dipartimento di Giustizia degli Stati Uniti ha accusato cinque enormi società di appartamenti (chiamate REIT). Hanno utilizzato un software chiamato RealPage per coordinare i loro prezzi degli affitti invece di competere. Il governo sostiene che questo abbia mantenuto gli affitti artificialmente alti.

Questo documento pone una domanda specifica e più profonda: questo "fissaggio dei prezzi" danneggia tutti allo stesso modo, o danneggia certi quartieri più di altri?

Il lavoro da detective: Come hanno misurato tutto questo

Per rispondere a questa domanda, il ricercatore, Advay Ranade, ha dovuto giocare il ruolo del detective. Non poteva semplicemente chiedere alle aziende cosa stessero facendo, quindi ha utilizzato i registri pubblici.

Trovare i "Grandi Proprietari": Ha esaminato i documenti ufficiali del governo (i 10-K della SEC) delle cinque società accusate. Questi documenti elencano ogni singolo edificio residenziale di proprietà di queste società. Ha mappato questi edifici su specifici quartieri (sezioni censuarie) per vedere dove questi "proprietari edilizi aziendali" fossero più concentrati. Chiama questa misura CLC (Concentrazione dei Proprietari Aziendali).
Misurare la crescita degli affitti: Invece di utilizzare le lente indagini governative che mediano i dati su cinque anni (il che sfuma i dettagli), ha utilizzato i dati sugli affitti di Zillow. Questo è come usare un listino azionario in tempo reale invece di un rapporto annuale: mostra esattamente cosa stavano facendo gli affitti in tempo reale tra il 2019 e il 2023.
Controllare lo "Stress Preesistente": Sapeva che i grandi proprietari potrebbero semplicemente scegliere quartieri che erano già costosi o affollati. Per assicurarsi che non stesse solo misurando questo, ha creato un nuovo punteggio chiamato AHBI (Indice di Carico Abitativo Algoritmico). Pensatelo come a un "test di stress" per un quartiere prima che iniziasse la determinazione algoritmica dei prezzi. Misura quanto era stretto il mercato immobiliare e quanto era già elevato il carico abitativo.

Le scoperte: Cosa è successo?

1. L'effetto generale (H1)
Lo studio ha scoperto che nei quartieri in cui questi proprietari aziendali erano fortemente concentrati, gli affitti crescevano più velocemente. Nello specifico, se si raddoppiava la presenza di questi proprietari aziendali in un quartiere, la crescita degli affitti era circa 2,8 punti percentuali superiore rispetto ai quartieri con meno proprietari aziendali.

2. La disparità razziale (H2) – La scoperta centrale
Questa è la parte più importante del documento. Il ricercatore ha cercato di capire se questo aumento degli affitti colpisse i quartieri bianchi e quelli delle minoranze (definiti come quartieri in cui i residenti neri e ispanici costituiscono più del 50% della popolazione) in modo diverso.

Nei quartieri bianchi: Sorprendentemente, avere più proprietari aziendali era associato a una crescita degli affitti leggermente inferiore all'interno della stessa città. Il documento suggerisce che questi sono spesso complessi residenziali nuovi e di alto livello nelle periferie, dove le dinamiche di mercato sono diverse.
Nei quartieri delle minoranze: La tendenza si è invertita. In questi quartieri, una maggiore concentrazione di proprietari aziendali è stata collegata a una crescita degli affitti significativamente più alta.

L'analogia: Immaginate due corridori in una gara. Un corridore (quartieri bianchi) è su una pista liscia e asfaltata. L'altro corridore (quartieri delle minoranze) è su una pista con ostacoli nascosti. Quando suona il fischio della "determinazione algoritmica dei prezzi", il corridore sulla pista liscia non rallenta molto. Ma il corridore sulla pista piena di ostacoli viene inciampato molto più duramente, causando un picco molto più alto nel suo "carico abitativo".

I dati hanno mostrato che, all'interno della stessa città, i quartieri delle minoranze con un'alta presenza di proprietari aziendali hanno visto una crescita degli affitti 5,9 punti percentuali superiore rispetto ai quartieri bianchi comparabili.

3. Il controllo dell'IA (H3)
Per assicurarsi che non fosse un caso o un errore matematico, il ricercatore ha utilizzato un modello di Intelligenza Artificiale (XGBoost). Ha fornito all'IA tutti i dati sui quartieri del 2019 e le ha chiesto di prevedere la crescita degli affitti per il 2023.

L'IA non conosceva l'ipotesi della "disparità razziale"; cercava solo di individuare schemi. L'IA ha confermato indipendentemente il risultato: ha previsto che la concentrazione dei proprietari aziendali spingerebbe gli affitti verso l'alto nei quartieri delle minoranze e verso il basso (o avrà un effetto minore) nei quartieri bianchi. Ciò conferisce ai ricercatori un'alta fiducia nel fatto che il modello sia reale e non un semplice incidente statistico.

Perché succede questo?

Il documento suggerisce che i quartieri delle minoranze siano più vulnerabili a questa determinazione algoritmica dei prezzi per diverse ragioni:

Meno alternative: Gli inquilini in queste zone possono avere meno posti accessibili dove trasferirsi se l'affitto aumenta.
Stress preesistente: Questi quartieri avevano spesso già uno "stress abitativo" più elevato (il punteggio AHBI), il che significa che i residenti avevano meno margini finanziari per assorbire gli aumenti di prezzo.
Minore competizione: Potrebbero esserci meno piccoli proprietari indipendenti in grado di competere contro i grandi algoritmi aziendali.

In sintamente

Questo documento fornisce la prima prova a livello di quartiere che l'uso della determinazione algoritmica dei prezzi degli affitti da parte dei grandi proprietari aziendali non è un evento neutro. Sembra che spinga in modo sproporzionato verso l'alto gli affitti nelle comunità di colore, aumentando potenzialmente il divario della ricchezza razziale.

In breve: Il "programma segreto al computer" usato dai grandi proprietari non si limita ad alzare gli affitti per tutti; li alza di più per i quartieri delle minoranze, probabilmente perché quei quartieri sono già più vulnerabili e hanno meno opzioni per sfuggire agli aumenti di prezzo.

Sintesi Tecnica: Misurare le disparità razziali nella crescita degli affitti sotto la concentrazione algoritmica dei proprietari immobiliari

1. Definizione del problema

La rapida adozione di software di determinazione dei prezzi degli affitti basati su algoritmi (es. YieldStar di RealPage) da parte dei proprietari immobiliari aziendali ha creato un meccanismo per coordinare le decisioni di prezzo tra imprese concorrenti, potenzialmente sopprimendo la concorrenza e gonfiando gli affitti. Sebbene la letteratura esistente (es. Calder-Wang e Kim, 2024; White House CEA, 2024) stabilisca che il pricing algoritmico aumenti gli affitti aggregati, rimane una lacuna critica: non si sa se l'onere distributivo di tale coordinamento ricada equamente tra i diversi gruppi razziali. Nello specifico, mancano prove a livello di sezione censuaria (tract) che determinino se la concentrazione di proprietari immobiliari aziendali (CLC) sia correlata a una crescita degli affitti sproporzionatamente più elevata nei quartieri a maggioranza minoritaria rispetto ai quartieri a maggioranza bianca all'interno delle stesse aree metropolitane.

2. Metodologia

2.1 Costruzione dei dati

Lo studio costruisce un dataset inedito geocodificando le divulgazioni a livello di proprietà provenienti dai documenti SEC EDGAR 10-K Schedule III (Anni fiscali 2016–2022) per cinque grandi REIT residenziali citati nella denuncia antitrust del 2024: AvalonBay Communities, Equity Residential, Essex Property Trust, Mid-America Apartment Communities e UDR.

Concentrazione dei Proprietari Immobiliari Aziendali (CLC): Definita come la quota di unità occupate da affittuari in una sezione censuaria di proprietà di questi cinque REIT. Il numeratore è derivato dai programmi di proprietà geocodificati dei REIT; il denominatore è lo stock di unità occupate da affittuari dell'ACS (American Community Survey). La metrica è trasformata in logaritmo ( $\log(1+CLC)$ ) per gestire l'asimmetria (skewness).
Indice di Onere Abitativo Algoritmico (AHBI): Un indice composito costruito a partire dalle stime quinquennali ACS per controllare la vulnerabilità preesistente. Combina l'Onere Affitto Preesistente (quota di nuclei familiari che pagano più del 30% del reddito per l'affitto) e la Tensione del Mercato Abitativo (1 meno il tasso di sfitto). Questo funge sia da strumento descrittivo che da variabile di controllo per separare gli effetti della CLC dalle condizioni di base del mercato.
Variabile di Esito: Viene utilizzato l'Indice Zillow Observed Rent Index (ZORI) per misurare la crescita degli affitti dal 2019 al 2023. A differenza dei dati ACS, che attenuano i trend pluriennali, lo ZORI è basato sulle transazioni e cattura l'acuta impennata degli affitti del 2021–2022. I dati ZORI a livello di CAP sono incrociati con le sezioni censuarie utilizzando i fattori di allocazione HUD.

2.2 Campione

L'analisi copre 665 sezioni censuarie in dieci grandi aree metropolitane statunitensi (Atlanta, Charlotte, Dallas–Fort Worth, Los Angeles, New York, San Diego, San Francisco, San Jose, Seattle, Washington DC). Di queste, 583 sezioni con copertura completa ZORI formano il campione principale della regressione.

2.3 Strategia Econometrica

Il documento impiega tre strategie empiriche complementari:

H1 (Effetto Medio): Una regressione OLS della crescita degli affitti a livello di sezione censuaria su $\log(1+CLC)$ , controllando per AHBI e covariate demografiche. Gli errori standard sono raggruppati (clustered) a livello metropolitano per tenere conto della correlazione intra-metro.
H2 (Effetti Eterogenei): Un modello di interazione che aggiunge effetti fissi metropolitani e un termine di interazione tra $\log(1+CLC)$ e un indicatore binario per le sezioni a maggioranza minoritaria (quota Black + Hispanic > 50%). Questo isola l'effetto differenziale della CLC all'interno della stessa area metropolitana.
H3 (Validazione tramite Machine Learning): Un modello XGBoost addestrato sulle caratteristiche delle sezioni censuarie del 2019 per prevedere la crescita degli affitti 2019–2023. Vengono utilizzati i valori SHAP (SHapley Additive exPlanations) per verificare in modo non parametrico se il contributo della CLC alla crescita prevista degli affitti vari in base alla composizione razziale senza imporre assunzioni sulla forma funzionale.

3. Risultati Chiave

3.1 Effetto Medio della CLC (H1)

Il raddoppio della concentrazione dei REIT in una sezione censuaria è associato a una crescita degli affitti circa 2,8 punti percentuali superiore nel periodo 2019–2023.

Significatività: Il risultato è direzionalmente robusto ma sensibile alle assunzioni sugli errori standard. È marginalmente significativo con errori standard raggruppati per metro ( $p=0,086$ ) e significativo con errori standard robusti HC1 ( $p=0,030$ ).
Contesto: L'associazione positiva è guidata principalmente dalla variazione tra le aree metropolitane (es. mercati del Sun Belt con alta CLC e alta crescita rispetto a mercati costieri con bassa CLC e bassa crescita). Quando vengono applicati gli effetti fissi metropolitani, il coefficiente grezzo si inverte, suggerendo che, all'interno di una specifica città, le sezioni ad alta CLC presentano spesso caratteristiche di base diverse rispetto alle sezioni a bassa CLC.

3.2 Disparità Razziali (H2)

L'effetto della CLC sulla crescita degli affitti è significativamente maggiore nelle sezioni a maggioranza minoritaria rispetto a quelle a maggioranza bianca all'interno della stessa area metropolitana.

Effetto di Interazione: Il termine di interazione tra CLC e lo stato di maggioranza minoritaria è positivo e significativo ( $\beta_3 = +0,059$ , $p=0,039$ ).
Impatto Differenziale: All'interno della stessa area metropolitana, le sezioni a maggioranza minoritaria con alta CLC sperimentano una crescita degli affitti superiore di 5,9 punti percentuali rispetto alle sezioni a maggioranza bianca comparabili.
Inversione Direzionale: L'effetto di base della CLC nelle sezioni bianche è negativo ( $\beta_1 = -0,034$ , $p < 0,001$ ), mentre l'effetto totale nelle sezioni minoritarie è positivo ( $\beta_1 + \beta_3 = +0,024$ ). Ciò indica che la concentrazione di proprietari immobiliari aziendali è associata a una crescita proporzionale degli affitti minore nelle aree bianche, ma maggiore nelle aree minoritarie.
Robustezza: I risultati reggono l'uso di una variabile continua per la quota di minoranza ( $p=0,002$ ) e attraverso diversi parametri di soglia per le minoranze.

3.3 Validazione tramite Machine Learning (H3)

Il modello XGBoost spiega il 44% della varianza fuori campione della crescita degli affitti ( $R^2 = 0,439$ ).

Importanza delle Caratteristiche: La CLC si posiziona al quinto posto su otto caratteristiche, confermando che fornisce un potere predittivo indipendente oltre alle demografie e ai controlli di mercato.
Analisi SHAP: Il grafico beeswarm di SHAP rivela un'asimmetria non parametrica: valori elevati di CLC (punti rossi) spingono la crescita prevista degli affitti verso l'alto nelle sezioni minoritarie (SHAP medio = +0,0057) e verso il basso nelle sezioni bianche (SHAP medio = -0,0011). Ciò conferma il risultato dell'interazione OLS senza dipendere da assunzioni parametriche.

4. Contributi Chiave

Pipeline di Dati Innovativa: Introduce il primo metodo pubblicamente replicabile per misurare la concentrazione dei proprietari immobiliari algoritmici a livello di sezione censuaria utilizzando i documenti SEC EDGAR 10-K.
Nuovo Indice: Costruisce l'Indice di Onere Abitativo Algoritmico (AHBI), una misura composita dell'onere affitto preesistente e della tensione del mercato, per controllare il bias di selezione nella localizzazione dei proprietari immobiliari aziendali.
Prove a Livello di Sezione Censuaria: Fornisce le prime stime a livello di sezione censuaria che mostrano come la concentrazione di proprietari immobiliari aziendali sia associata a una crescita degli affitti sproporzionatamente più alta nelle comunità di colore, validate sia da metodi parametrici (OLS) che non parametrici (XGBoost/SHAP).
Approfondimento Metodologico: Dimostra che le stime quinquennali ACS sono insufficienti per rilevare una crescita acuta degli affitti a causa dell'attenuazione pluriennale, rendendo necessari database basati sulle transazioni come lo ZORI per questo tipo di analisi.

5. Significato e Rivendicazioni

Il documento sostiene di fornire la prima prova a livello di sezione censuaria coerente con l'ipotesi che la concentrazione di proprietari immobiliari aziendali, facilitata dal pricing algoritmico, imponga un onere razzialmente disparato. I risultati suggeriscono che il meccanismo di coordinamento degli affitti algoritmico operi in modo differente a seconda della composizione razziale del quartiere, potenzialmente a causa della minore mobilità dei locatari, del maggiore onere affitto preesistente e delle scarse alternative accessibili nelle zone minoritarie.

Gli autori sostengono che questi risultati abbiano implicazioni per:

L'Antitrust: Suggerendo che gli impatti distributivi (equità razziale) debbano essere considerati insieme al benessere aggregato dei consumatori nei casi di concorrenza nel mercato immobiliare.
La Legge sulla Casa Equa (Fair Housing Law): Fornendo prove empiriche coerenti con la teoria dell'impatto disparato (disparate impact) ai sensi del Fair Housing Act, dove una politica neutrale (software di pricing algoritmico) produce esiti razzialmente disparati.
La Trasparenza Regolatoria: Evidenziando la necessità per i regolatori di utilizzare i documenti pubblici (come la pipeline EDGAR qui sviluppata) per monitorare l'impronta geografica della concentrazione dei proprietari immobiliari istituzionali e i loro effetti distributivi in tempo reale.

Il documento rimane modesto riguardo alla causalità, riconoscendo che il design trasversale non può escludere completamente variabili confondenti non osservate e che il risultato H1 è sensibile al ridotto numero di cluster metropolitani. Tuttavia, la convergenza dei risultati OLS e del machine learning rafforza la fiducia nel modello osservato della disparità razziale.