💰 quantitative finance

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

本研究は、米国の10の主要都市圏において、企業による賃貸住宅の集中が、白人居住区と比較して、マイノリティが多数を占める地域で不釣り合いに高い賃料上昇と関連しているという、最初の区画レベルのエビデンスを提供するものである。

原著者： Advay Ranade

公開日 2026-06-29

📖 1 分で読めます☕ さくっと読める

原著者： Advay Ranade

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

全体像：「価格操作」のゲーム

あなたがスニーカーを買おうとしている場面を想像してみてください。もし5つの異なる店が全く同じ靴を売っていたら、あなたはその店同士が顧客を獲得するために競い合うことを期待しますよね。しかし、もしその5人の店主たちが、「価格を下げてはいけない。高く維持せよ。我々は一蓮托生だ」と指示を出す秘密のコンピュータープログラムを共有していたとしたらどうでしょうか。

これこそが、米国司法省が5つの巨大なアパート運営会社（REITと呼ばれる）に対して告発している内容の本質です。彼らは、互いに競合する代わりに、家賃を調整するために「RealPage」というソフトウェアを使用していました。政府は、これが家賃を不当に高く維持させたのだと主張しています。

この論文は、より深く具体的な問いを投げかけています。この「価格操作」はすべての人に平等に影響を与えるのか、それとも特定の地域により大きな打撃を与えるのか？

探偵の仕事：どのように測定したか

この問いに答えるため、研究者のアドヴェイ・ラネーデ（Advay Ranade）は探偵のような役割を果たす必要がありました。彼は企業に何をしているのか直接聞くことはできなかったため、公開記録を利用しました。

「大手大家」を見つける： 彼は、告発された5社からの公式な政府提出書類（SEC 10-K）を調査しました。これらの書類には、彼らが所有するすべてのアパートビルが記載されています。彼はこれらのビルを特定の近隣地域（国勢調査区）にマッピングし、これらの「コーポレート・ランドロード（企業大家）」がどこに最も集中しているかを調べました。彼はこれをCLC（コーポレート・ランドロード集中度）と呼んでいます。
家賃上昇率を測定する： 5年間の平均データを出すことで詳細をぼかしてしまう遅い政府調査ではなく、彼はZillowの家賃データを使用しました。これは、年次報告書の代わりにライブの株価指数を使用するようなもので、2019年から2023年の間に家賃が実際にどのように動いていたかをリアルタイムで示しています。
「既存のストレス」を制御する： 大手大家が、もともと高価だったり混雑していたりする地域を選んでいるだけかもしれないという懸念がありました。単にそれを測定しているのではないことを証明するため、彼はAHBI（アルゴリズム住宅負担指数）という新しいスコアを作成しました。これは、アルゴリズムによる価格設定が始まる前の、その地域の「ストレス・テスト」のようなものです。これは、住宅市場がいかに逼迫していたか、そして人々がどれほどの家賃負担を抱えていたかを測定します。

判明したこと

1. 一般的な影響 (H1)
研究の結果、これらのコーポレート・ランドロードが集中している地域では、家賃がより速く上昇していることが分かりました。具体的には、これらのコーポレート・ランドロードの存在量が2倍になると、家賃の上昇率は、それらが少ない地域よりも約2.8パーセントポイント高くなりました。

2. 人種間の格差 (H2) — コアとなる発見
これがこの論文の最も重要な部分です。研究者は、この家賃上昇が白人居住者の多い地域と、マイノリティ居住者の多い地域（黒人およびヒスパニック系住民が50%を超える地域と定義）に対して、どのように異なって影響を与えたかを調査しました。

白人居住地域の状況： 意外なことに、これらの地域では、コーポレート・ランドロードの存在が増えることで、同じ都市内において家賃の上昇がむしろわずかに低く抑えられる傾向がありました。論文では、これらは市場のダイナミクスが異なる、新しい高級な郊外型集合住宅であることが多いと示唆されています。
マイノリティ居住地域の状況： トレンドは逆転しました。これらの地域では、コーポレート・ランドロードの集中度が高まるにつれて、家賃の上昇が著しく高くなりました。

比喩： 二人のランナーがレースをしている場面を想像してください。一人目のランナー（白人居住地域）は、滑らかな舗装されたトラックを走っています。もう一人のランナー（マイノリティ居住地域）は、隠れたハードルがあるトラックを走っています。「アルゴリズムによる価格設定」のホイッスルが鳴ったとき、滑らかなトラックを走るランナーはあまり速度を落としません。しかし、ハードルだらけのトラックを走るランナーは、より激しくつまずき、その結果「家賃負担」が大幅に跳ね上がります。

データによれば、同じ都市内であっても、コーポレート・ランドロードの存在が高いマイノリティ居住地域は、比較対象となる白人居住地域よりも家賃の上昇率が5.9パーセントポイント高くなりました。

3. AIによる検証 (H3)
これが計算ミスや偶然の産物ではないことを確認するため、研究者は人工知能モデル（XGBoost）を使用しました。彼は2019年のすべての地域データをAIに読み込ませ、2023年の家賃上昇率を予測させました。

AIは「人種間の格差」という仮説を知らず、ただパターンを探すだけでした。しかし、AIは独立してその結果を裏付けました。AIは、コーポレート・ランドロードの集中がマイノリティ居住地域の家賃を押し上げ、一方で白人居住地域では家賃を**下げる（あるいは影響を少なくする）**と予測したのです。これにより、このパターンが統計的な偶然ではなく、実在するものであるという高い信頼性が得られました。

なぜこのようなことが起こるのか？

論文では、マイノリティ居住地域がこのアルゴリズムによる価格設定に対して脆弱である理由として、いくつかの可能性を挙げています。

選択肢の不足： これらの地域の賃借人は、家賃が上がった場合に、より手頃な場所へ引っ越すための選択肢が少ない可能性があります。
既存のストレス： これらの地域は、すでに「住宅ストレス」（AHBIスコア）が高いことが多く、住民には価格高騰を吸収するための経済的な余裕が少ないことを意味します。
競争の欠如： 大手のアルゴリズムに対抗できる、小規模で独立した大家が少ない可能性があります。

結論

この論文は、大規模なコーポレート・ランドロードによるアルゴリズムを用いた家賃設定が、決して中立的な出来事ではないことを示す、最初の手近な地域レベルのエビデンスを提供しています。それは、マイノリティのコミュニティにおいて家賃を不当に押し上げ、潜在的に人種間の富の格差を広げている可能性があります。

要約すると： 大手大家が使用する「秘密のコンピュータープログラム」は、単に全員の家賃を上げるのではなく、マイノリティの地域において、より激しく家賃を引き上げています。それはおそらく、それらの地域がすでに脆弱であり、価格高騰から逃れるための選択肢が少ないためです。

技術要約：アルゴリズムによる家主集中の下における賃料上昇の格差測定

1. 問題提起

企業型家主によるアルゴリズムを用いた価格設定ソフトウェア（例：RealPage社のYieldStar）の急速な導入は、競合する企業間での価格決定の協調メカニズムを生み出し、競争を抑制し、賃料を押し上げる可能性がある。既存の文献（Calder-Wang and Kim, 2024; ホワイトハウス経済諮問委員会, 2024など）は、アルゴリズムによる価格設定が総体的な賃料を上昇させることを立証しているが、決定的な空白が残されている。すなわち、この協調による分配的負担が、人種グループ間で平等に及んでいるかどうかは不明である。具体的には、企業型家主の集中度（CLC）が、同一メトロポリタンエリア内において、多数派がマイノリティである地域と多数派が白人である地域の間で、不釣り合いに高い賃料上昇率と相関しているかどうかを判断するための、トラクト（統計区）レベルのエビデンスは存在しない。

2. メソドロジー

2.1 データ構築

本研究は、2024年の司法省による反トラスト法訴訟において名指しされた5つの主要な住宅REIT（AvalonBay Communities, Equity Residential, Essex Property Trust, Mid-America Apartment Communities, UDR）のSEC EDGAR 10-K Schedule III提出書類（2016〜2022会計年度）から、ジオコーディングされた物件レベルの開示データを構築した。

企業型家主集中度 (CLC): これら5つのREITが所有する、あるセンサス・トラクト内の賃借居住ユニットのシェアとして定義される。分子はジオコーディングされたREIT物件スケジュールから導出され、分母はACS（アメリカコミュニティサーベイ）の賃借居住ユニット総数である。この指標は、歪みを処理するために対数変換（ $\log(1+CLC)$ ）されている。
アルゴリズムによる住宅負担指数 (AHBI): 既存の脆弱性を制御するために、ACS 5年間の推計値を用いて構築された複合指数である。これは、既存の賃料負担（所得の30%超を賃料に支払う世帯の割合）と、住宅市場のタイトネス（空室率の1マイナス）を組み合わせたものである。これは、記述的なツールであると同時に、CLCの効果をベースラインの市場条件から分離するためのコントロール変数としても機能する。
アウトカム変数: 2019年から2023年までの賃料上昇を測定するために、Zillow Observed Rent Index (ZORI) を使用する。多年度にわたる傾向を平滑化してしまうACSデータとは異なり、ZORIは取引ベースであり、2021年から2022年の急激な賃料高騰を捉えることができる。ZIPコードレベルのZORIデータは、HUD（住宅都市開発省）の配分係数を用いてセンサス・トラクトへとクロスウォーク（紐付け）されている。

2.2 サンプル

分析は、10の主要な米国メトロポリタンエリア（アトランタ、シャーロット、ダラス・フォートワース、ロサンゼルス、ニューヨーク、サンディエゴ、サンフランシスコ、サンノゼ、シアトル、ワシントンDC）にわたる665のセンサス・トラクトを対象としている。このうち、ZORIの完全なカバレッジを持つ583のトラクトが主要な回帰サンプルとなる。

2.3 計量経済学的戦略

本論文は、3つの補完的な実証戦略を採用している。

H1 (平均効果): AHBIおよび人口統計学的共変量を制御した上で、 $\log(1+CLC)$ に対するトラクトレベルの賃料上昇率のOLS回帰を行う。標準誤差は、メトロポリタン内での相関を考慮して、メトロレベルでクラスター化している。
H2 (異質効果): メトロ固定効果と、 $\log(1+CLC)$ と「多数派がマイノリティであるトラクト（黒人＋ヒスパニックの割合 > 50%）」を示すバイナリ指標との交互作用項を加えた交互作用モデルを用いる。これにより、同一メトロポリタン内におけるCLCの差異的な影響を分離する。
H3 (機械学習による検証): 2019年のトラクトの特徴量を用いて2019〜2023年の賃料上昇を予測するように訓練されたXGBoostモデルを用いる。関数形式の仮定を課さずに、CLCの予測賃料上昇への寄与が人種構成によってどのように変化するかを非パラメトリックに検証するために、SHAP（SHapley Additive exPlanations）値を使用する。

3. 主な結果

3.1 CLCの平均効果 (H1)

センサス・トラクトにおけるREITの集中度が2倍になると、2019〜2023年の期間において、賃料上昇がおよそ 2.8パーセントポイント高くなる。

有意性: 結果は方向性において頑健であるが、標準誤差の仮定には敏感である。メトロクラスター化された標準誤差を用いた場合、わずかに有意である（ $p=0.086$ ）。HC1ロバスト標準誤差を用いた場合は有意である（ $p=0.030$ ）。
文脈: この正の相関は、主にメトロ間の変動（例：高いCLCと高い成長率を持つサンベルト市場 vs 低いCLCと低い成長率を持つ沿岸部市場）によって駆動されている。メトロ固定効果を適用すると、生の係数は反転する。これは、特定の都市内においては、高CLCのトラクトが低CLCのトラクトとは異なるベースライン特性を持っていることを示唆している。

3.2 人種的格差 (H2)

CLCが賃料上昇に与える影響は、同一メトロポリタン内において、多数派が白人のトラクトよりも、多数派がマイノリティであるトラクトにおいて有意に大きい。

交互作用効果: CLCと多数派マイノリティ属性の交互作用項は、正であり有意である（ $\beta_3 = +0.059, p=0.039$ ）。
差異的な影響: 同一メトロ内において、高CLCのマイノリティ多数派トラクトは、比較可能な白人多数派トラクトよりも 5.9パーセントポイント高い賃料上昇 を経験している。
方向性の反転: 白人多数派におけるCLCのベースライン効果は負（ $\beta_1 = -0.034, p < 0.001$ ）であるが、マイノリティ多数派における総計効果は正（ $\beta_1 + \beta_3 = +0.024$ ）である。これは、企業型家主の集中が、白人層のトラクトではプロポーショナルな賃料上昇を抑制する一方で、マイノリティ層のトラクトでは賃料上昇を促進することを示している。
頑健性: 結果は、連続的なマイノリティ比率変数を用いても（ $p=0.002$ ）、また異なるマイノリティ閾値を用いても維持される。

3.3 機械学習による検証 (H3)

XGBoostモデルは、賃料上昇のサンプル外分散の44%を説明している（ $R^2 = 0.439$ ）。

特徴量の重要度: CLCは8つの特徴量のうち5番目にランクされており、人口統計や市場コントロールを超えた独立した予測力を提供していることを裏付けている。
SHAP分析: SHAPのビースウォーム・プロットは、非パラメトリックな非対称性を明らかにしている。すなわち、高いCLC値（赤い点）は、予測される賃料上昇をマイノリティ・トラクトでは 押し上げ（平均SHAP = +0.0057）、白人トラクトでは 押し下げる（平均SHAP = -0.0011）。これは、パラメトリックな仮定に依存することなく、OLSの交互作用の結果を裏付けるものである。

4. 主な貢献

新規データパイプライン: SEC EDGAR 10-K提出書類を用いて、センサス・トラクトレベルでアルゴリズムによる家主集中を測定する、初の公開可能な手法を導入した。
新しい指数: 選択バイアス（企業型家主の立地選定）を制御するために、既存の賃料負担と市場のタイトネスを組み合わせた複合指標である 「アルゴリズムによる住宅負担指数 (AHBI)」 を構築した。
トラクトレベルのエビデンス: 企業型家主の集中が、コミュニティ・オブ・カラー（有色人種コミュニティ）において不釣り合いに高い賃料上昇と関連しているという仮説と一致する、初のトラクトレベルのエビデンスを提供した。これは、パラメトリック（OLS）および非パラメトリック（XGBoost/SHAP）の両方の手法によって検証されている。
方法論的洞察: ACSの5年間の推計値は、多年度の平滑化により急激な賃料上昇を検出するには不十分であることを示し、このような分析にはZORIのような取引ベースのデータソースが必要であることを実証した。

5. 意義と主張

本論文は、アルゴリズムによる価格設定によって促進される企業型家主の集中が、人種的に不均衡な負担を課しているという仮説と一致する、初のトラクトレベルのエビデンスを提供すると主張している。これらの知見は、アルゴリズムによる賃料調整のメカニズムが、テナントの移動性、既存の賃料負担、およびマイノリティ・コミュニティにおける手頃な代替案の少なさといった要因により、人種構成に応じて異なる形で作用している可能性を示唆している。

著者らは、これらの知見が以下に影響を及ぼすと論じている：

反トラスト法の執行: 住宅市場の競争におけるケースにおいて、分配的影響（人種的公平性）が、総体的な消費者福祉と並んで考慮されるべきであることを示唆している。
公正住宅法 (Fair Housing Law): 中立的な政策（アルゴリズムによる価格設定ソフトウェア）が人種的に不均衡な結果をもたらすという、「差別的影響（disparate impact）」理論の下での実証的なエビデンスを提供している。
規制の透明性: 規制当局が、機関投資家による家主集中の地理的フットプリントとその分配的影響をリアルタイムで監視するために、開発されたEDGARパイプラインのような公開資料を活用する必要性を強調している。

本論文は、横断的な設計であるため、観察されない交絡因子を完全に排除することはできず、H1の結果が少数のメトロポリタン・クラスターに対して敏感であることも認めており、因果関係については控えめな姿勢をとっている。しかし、OLSと機械学習の結果の収束は、観察された人種的格差のパターンに対する信頼性を強めている。