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

Sintesi Tecnica: Non-stazionarietà Spaziale e Accumulazione della Ricchezza in una Contea Metropolitana Eterogenea

Definizione del Problema
Lo studio affronta i limiti dei modelli di regressione globale nel catturare la struttura spaziale della ricchezza delle famiglie all'interno di contee metropolitane medie ed eterogenee. I modelli tradizionali assumono una stazionarietà spaziale, postulando che la relazione tra attributi locazionali (ad es., servizi, qualità ambientale, infrastrutture) e risultati economici sia uniforme in tutta una regione. Tuttavia, la letteratura dell'econometria spaziale suggerisce che queste relazioni siano frequentemente non stazionarie e varino significativamente in base ai contesti locali. Sebbene la Regressione Geograficamente Pesata (GWR) sia stata applicata ai prezzi delle case e al reddito, esiste una scarsità di ricerche su scala fine che esaminino la ricchezza composita delle famiglie — che comprende l'equità immobiliare, i flussi di reddito e le attività finanziarie — in contesti non costieri e di medie dimensioni, dove si intersecano i gradienti urbani, suburbani e rurali. Questa ricerca mira a quantificare come le condizioni di idoneità locazionale modellino la ricchezza delle famiglie ad alta risoluzione spaziale e a determinare se tali relazioni operino a scale spaziali distinte.

Metodologia
La ricerca impiega un robusto framework di econometria spaziale centrato sulla Regressione Multiscala Geograficamente Pesata (MGWR), applicata a una contea metropolitana di medie dimensioni nel sud-ovest degli Stati Uniti.

• Dati e Framework Spaziale: L'analisi utilizza 4.067 unità esagonali regolari (ciascuna delle quali copre circa 0-3 miglia quadrate) per tessellare l'area di studio. Questa griglia esagonale minimizza il Problema dell'Unità Areale Modificabile (MAUP) e la distorsione della forma associata ai confini amministrativi, laddove i censimenti e i gruppi di blocchi riflettono processi amministrativi piuttosto che ecologici o sociali e introducono bias di aggregazione. Le fonti dei dati includono l'American Community Survey (ACS) 2016–2020, NASA GES DISC, EPA, USGS e record GIS locali. Le variabili coprono socio-demografia, qualità ambientale (PM2.5, CO2, elevazione) e accessibilità (distanze da scuole, ospedali, parchi, autostrade, ecc.).
• Variabile Dipendente: Un indice composito della ricchezza delle famiglie è stato costruito tramite l'Analisi delle Componenti Principali (PCA) combinando il valore mediano della casa, il reddito familiare e il reddito da attività (interessi, dividendi, affitti). Questo indice tiene conto di circa il 72% della varianza del patrimonio netto delle famiglie rispetto ai benchmark della Survey of Consumer Finances.
• Analisi Esplorativa dei Dati Spaziali (ESDA): Precedendo il modello, lo studio ha condotto diagnostiche inclusi heatmap di correlazione, controlli del Fattore di Inflazione della Varianza (VIF) e test di autocorrelazione spaziale globale/locale (Moran's I e LISA). Il Moran's I globale ha confermato una forte dipendenza spaziale positiva (I = 0,510, p < 0,001), validando la necessità di una modellazione spazialmente esplicita.
• Approccio di Modellazione: Lo studio confronta tre framework: OLS globale, modelli econometrici spaziali globali (Spatial Lag e Spatial Error) e MGWR.
  • Specificazione MGWR: A differenza della GWR standard, che impone un unico bandwidth per tutti i predittori, la MGWR consente a ogni predittore di operare alla propria scala spaziale ottimale. Il modello è formulato come: $y_i = \beta_0(u_i) + \sum \beta_k(u_i, b_k)x_{ik} + \varepsilon_i$, dove $b_k$ rappresenta i bandwidth specifici per variabile.
  • Stima: I bandwidth sono stati selezionati tramite l'ottimizzazione guidata dai dati che minimizza il criterio di Akaike corretto (AICc). Un kernel bi-square adattivo ha definito i pesi spaziali, e un algoritmo di backfitting iterativo (tramite la libreria Python mgwr) è stato utilizzato per la stima.

Risultati Chiave

1. Performance del Modello: La MGWR ha superato significativamente le alternative globali. Ha ottenuto un $R^2$ di 0,989 rispetto allo 0,873 dell'OLS e circa lo 0,90 per i modelli spatial lag/error. Fondamentalmente, la MGWR ha eliminato efficacemente l'autocorrelazione spaziale dei residui (Residual Moran's I $\approx$ 0,02, p = 0,214), mentre i modelli globali lasciavano un significativo clustering residuo (Moran's I > 0,18, p < 0,05).
2. Eterogeneità Spaziale e Non-stazionarietà: L'analisi ha confermato che i determinanti della ricchezza esibiscono una sostanziale non-stazionarietà spaziale.
   • Differenziazione di Scala: I predittori operano a scale spaziali distinte. Le variabili legate al reddito funzionano a scale regionali ampie (bandwidth > 100 vicini), riflettendo le dinamiche del lavoro e del mercato immobiliare. Le variabili ambientali e di transito operano a scale iperlocali più fini (bandwidth < 30 vicini), governate da condizioni specifiche del quartiere.
   • Variazione dei Coefficienti: Diversi predittori hanno mostrato inversioni di segno attraverso l'area di studio. Ad esempio, la distanza da parchi e ospedali è stata associata negativamente alla ricchezza nei densi nuclei urbani (dove la prossimità è un servizio/amenity) ma positivamente nelle aree peri-urbane (dove la distanza funge da proxy per una minore densità e riduzione della congestione). Allo stesso modo, gli effetti dell'inquinamento atmosferico variavano da negativi vicino ai corridoi ad alto traffico a neutri o positivi nelle zone a basso traffico.
3. Clustering della Ricchezza: Gli Indicatori Locali di Associazione Spaziale (LISA) hanno identificato cluster persistenti "high-high" nei ricchi sobborghi collinari e cluster "low-low" nel nucleo urbano e nelle regioni sud-occidentali, rinforzando le teorie della stratificazione spaziale duratura.

Significatività e Contributi
Il documento rivendica tre contributi primari:

• Empirico: Fornisce una valutazione dettagliata dell'eterogeneità della ricchezza in una contea metropolitana di medie dimensioni e non costiera, un contesto sottorappresentato nella letteratura esistente sull'economia spaziale. Dimostra che la ricchezza non è solo una funzione delle caratteristiche individuali, ma è profondamente strutturata da meccanismi basati sul luogo che variano lungo i gradienti urbano-rurali.
• Metodologico: Lo studio illustra la capacità della MGWR di distinguere i processi che operano a scale regionali, di quartiere e iperlocali all'interno di un singolo framework analitico. Valida il fatto che assumere una singola scala spaziale (come nella GWR) o la stazionarietà spaziale (come nell'OLS) offusca le critiche variazioni locali nei rendimenti degli attributi locazionali.
• Politico: I risultati offrono una base di evidenza spazialmente esplicita per interventi politici differenziati. I risultati suggeriscono che politiche uniformi riguardanti infrastrutture o ambiente possano essere inefficaci o controproducenti. Al contrario, gli interventi relativi all'investimento in servizi, alla bonifica ambientale e alla fornitura di servizi devono essere mirati spazialmente per tenere conto dei regimi specifici di rendimento della l'idoneità locazionale.

Limitazioni
Gli autori osservano che il design trasversale supporta l'analisi dell'associazione spaziale ma non può stabilire una direzione causale. Inoltre, sebbene il framework della griglia esagonale riduca il MAUP, il clustering residuo nelle zone di transizione suggerisce la presenza di processi iperlocali non modellati. Il lavoro futuro suggerisce di affrontare l'endogeneità attraverso strategie di identificazione spaziale e di incorporare dati longitudinali per catturare le dinamiche evolutive.