💰 quantitative finance

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

Deze studie biedt het eerste bewijs op wijkniveau dat de concentratie van institutionele verhuurders verband houdt met een onevenredig hogere huurgroei in overwegend minderheidsbuurten vergeleken met witte buurten in tien Amerikaanse stedelijke gebieden.

Oorspronkelijke auteurs: Advay Ranade

Gepubliceerd 2026-06-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Advay Ranade

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Het "Prijsafspraken"-spel

Stel je voor dat je een paar sneakers probeert te kopen. Als vijf verschillende winkels precies dezelfde schoen verkopen, verwacht je dat ze met elkaar concurreren om jouw geld te krijgen. Maar wat als die vijf winkeleigenaren allemaal hetzelfde geheime computerprogramma gebruiken dat hen vertelt: "Verlaag je prijs niet. Houd hem hoog. We doen dit samen."

Dat is in essentie wat het Amerikaanse Ministerie van Justitie vijf enorme woningbedrijven (REIT's genoemd) van beschuldigt. Ze gebruikten een software genaamd RealPage om hun huurprijzen te coördineren in plaats van met elkaar te concurreren. De overheid zegt dat dit de huren kunstmatig hoog heeft gehouden.

Dit papier stelt een specifieke, diepere vraag: Schade dit "prijsafspraken"-spel iedereen gelijk, of schaadt het bepaalde wijken meer dan andere?

Het Detectiewerk: Hoe ze het hebben gemeten

Om dit te beantwoorden, moest de onderzoeker, Advay Ranade, een detective spelen. Hij kon de bedrijven niet simpelweg vragen wat ze aan het doen waren, dus gebruikte hij openbare registers.

Het zoeken naar de "Grote Verhuurders": Hij keek naar officiële overheidsdocumenten (SEC 10-K's) van de vijf beschuldigde bedrijven. Deze documenten bevatten een lijst van elk appartementencomplex dat zij bezitten. Hij bracht deze gebouwen in kaart naar specifieke wijken (census tracts) om te zien waar deze "corporate verhuurders" het meest geconcentreerd waren. Hij noemt deze maatstaf CLC (Corporate Landlord Concentration).
Het Meten van Huurgroei: In plaats van trage overheidspeilingen te gebruiken die gegevens over vijf jaar middelen (wat de details vervaagt), gebruikte hij Zillow's huurgegevens. Dit is alsof je een live aandelenkoers gebruikt in plaats van een jaarverslag — het laat precies zien wat de huren deden tussen 2019 en 2023.
Het Controleren op "Bestaande Stress": Hij wist dat grote verhuurders misschien gewoon wijken kiezen die al duur of druk zijn. Om er zeker van te zijn dat hij niet alleen dat mat, creëerde hij een nieuwe score genaamd de AHBI (Algorithmic Housing Burden Index). Denk aan dit als een "stress-test" voor een wijk voordat de algoritmische prijsstelling begon. Het meet hoe krap de woningmarkt was en hoeveel huurlast mensen al hadden.

De Bevindingen: Wat er Gebeurde?

1. Het Algemene Effect (H1)
De studie vond dat in wijken waar deze bedrijfsverhuurders sterk geconcentreerd waren, de huren sneller groeiden. Specifiek: als je de aanwezigheid van deze bedrijfsverhuurders in een wijk verdubbelde, was de huurgroei ongeveer 2,8 procentpunt hoger dan in wijken met minder bedrijfsverhuurders.

2. De Raciale Dispariteit (H2) – De Kernbevinding
Dit is het belangrijkste deel van het artikel. De onderzoeker keek of deze huurverhoging witte wijken en minderheidswijken (gedefinieerd als wijken waar zwarte en Hispanic inwoners meer dan 50% van de populatie uitmaken) anders beïnvloedde.

In Witte Wijken: Verrassend genoeg was het hebben van meer bedrijfsverhuurders in deze wijken geassocieerd met een iets lagere huurgroei binnen dezelfde stad. Het artikel suggereert dat dit vaak nieuwere, luxere buitenwijken zijn waar de marktdynamiek anders is.
In Minderheidswijken: De trend draaide om. In deze wijken was een hogere concentratie van bedrijfsverhuurders gekoppeld aan een significant hogere huurgroei.

De Analogie: Stel je twee hardlopers voor in een race. De ene hardloper (witte wijken) is op een glad, geasfalteerd parcours. De andere hardloper (minderheidswijken) is op een parcours met verborgen hindernissen. Wanneer het startschot van de "algoritmische prijsstelling" klinkt, vertraagt de hardloper op het gladde parcours niet veel. Maar de hardloper op het parcours met hindernissen wordt veel harder gestruikeld, waardoor hun "huurlast" veel sterker piekt.

De gegevens toonden aan dat binnen dezelfde stad, minderheidswijken met een hoge aanwezigheid van bedrijfsverhuurders een huurgroei hadden die 5,9 procentpunt hoger was dan vergelijkbare witte wijken.

3. De AI-Check (H3)
Om er zeker van te zijn dat dit geen toeval of een fout in de berekening was, gebruikte de onderzoeker een Kunstmatige Intelligentie-model (XGBoost). Hij voerde de AI alle wijkgegevens van 2019 en vroeg de AI om de huurgroei voor 2023 te voorspellen.

De AI wist niets van de "raciale dispariteit"-hypothese; hij zocht alleen naar patronen. De AI bevestigde de bevinding onafhankelijk: de AI voorspelde dat de concentratie van bedrijfsverhuurders de huren in minderheidswijken zou verhogen en in witte wijken zou verlagen (of minder effect zou hebben). Dit geeft de onderzoekers een hoge mate van vertrouwen dat het patroon echt is en niet slechts een statistisch toeval.

Waarom gebeurt dit?

Het artikel suggereert dat minderheidswijken kwetsbaarder zijn voor deze algoritmische prijsstelling om een aantal redenen:

Minder Alternatieven: Huurders in deze gebieden hebben mogelijk minder betaalbare plekken om naartoe te verhuizen als hun huur omhoog gaat.
Bestaande Stress: Deze wijken hadden vaak al een hogere "huurstress" (de AHBI-score), wat betekent dat bewoners minder financiële buffers hadden om prijsstijgingen op te vangen.
Minder Concurrentie: Er kunnen minder kleine, onafhankelijke verhuurders zijn om te concurreren met de grote bedrijfsalgoritmen.

De Kernboodschap

Dit artikel levert het eerste bewijs op wijkniveau dat het gebruik van algoritmische huurprijsstelling door grote bedrijfsverhuurders geen neutrale gebeurtenis is. Het lijkt de huurprijzen in gemeenschappen van kleur onevenredig veel op te drijven, wat potentieel de raciale vermogenskloof vergroot.

Kortom: Het "geheime computerprogramma" dat door grote verhuurders wordt gebruikt, verhoogt de huren niet alleen voor iedereen; het verhoogt ze meer voor minderheidswijken, waarschijnlijk omdat die wijken al kwetsbaarder zijn en minder opties hebben om te ontsnappen aan de prijsstijgingen.

Technisch Samenvatting: Het Meten van Raciale Dispariteiten in Huurprijsgroei onder Algoritmische Concentratie van Verhuurders

1. Probleemstelling

De snelle adoptie van algoritmische huurprijssoftware (bijv. RealPage's YieldStar) door institutionele verhuurders heeft een mechanisme gecreëerd voor de coördinatie van prijsbeslissingen tussen concurrerende firma's, wat potentieel de concurrentie onderdrukt en de huren opdrijft. Hoewel bestaande literatuur (bijv. Calder-Wang en Kim, 2024; White House CEA, 2024) vaststelt dat algoritmische prijsstelling de totale huren verhoogt, blijft er een kritiek gat bestaan: het is onbekend of de distributieve last van deze coördinatie gelijkmatig over verschillende raciale groepen wordt verdeeld. Specifiek ontbreekt tract-niveau bewijs dat bepaalt of de concentratie van institutionele verhuurders (CLC) correleert met onevenredig hogere huurgroei in meerderheids-minderheidsbuurten vergeleken met meerderheids-witte buurten binnen dezelfde metropolen.

2. Methodologie

2.1 Dataconstructie

De studie construeert een nieuwe dataset door het geocodificeren van vastgoedspecifieke openbaarmakingen uit SEC EDGAR 10-K Schedule III-formulieren (boekjaren 2016–2022) voor vijf grote residentiële REITs die worden genoemd in de antitrustklacht van de DOJ uit 2024: AvalonBay Communities, Equity Residential, Essex Property Trust, Mid-America Apartment Communities en UDR.

Corporate Landlord Concentration (CLC): Gedefinieerd als het aandeel van huurderswoningen in een census tract die eigendom zijn van deze vijf REITs. De teller is afgeleid van geocodificeerde REIT-vastgoedoverzichten; de noemer is de ACS-voorraad huurderswoningen. De metriek is log-getransformeerd ( $\log(1+CLC)$ ) om scheefheid te behanden.
Algorithmic Housing Burden Index (AHBI): Een samengestelde index geconstrueerd uit ACS 5-jaars schattingen om vooraf bestaande kwetsbaarheid te controleren. Deze combineert Vooraf bestaande huurlast (aandeel huishoudens dat >30% van het inkomen aan huur betaalt) en Woningmarkt-tightness (1 min de leegstand). Dit dient zowel als descriptief instrument als een controlevariabele om CLC-effecten te scheiden van basismarktcondities.
Uitkomstvariabele: De Zillow Observed Rent Index (ZORI) wordt gebruikt om huurgroei van 2019 tot 2023 te meten. In tegenstelling tot ACS-data, die over meerdere jaren middelen, is ZORI transactiegebaseerd en legt het de acute huurpiek van 2021–2022 vast. ZIP-code niveau ZORI-data wordt via HUD allocatiefactoren gekruist naar census tracts.

2.2 Steekproef

De analyse beslaat 665 census tracts in tien grote Amerikaanse metropolen (Atlanta, Charlotte, Dallas–Fort Worth, Los Angeles, New York, San Diego, San Francisco, San Jose, Seattle, Washington DC). Hiervan vormen 583 tracts met volledige ZORI-dekking de primaire regressiesteekproef.

2.3 Econometrische Strategie

Het artikel hanteert drie complementaire empirische strategieën:

H1 (Gemiddeld Effect): Een OLS-regressie van tract-niveau huurgroei op $\log(1+CLC)$ , waarbij gecontroleerd wordt voor AHBI en demografische covariaten. Standaardfouten worden geclusterd op metropolen-niveau om correlatie binnen de metro te verklaren.
H2 (Heterogene Effecten): Een interactiemodel dat metro fixed effects toevoegt en een interactieterm tussen $\log(1+CLC)$ en een binaire indicator voor meerderheids-minderheids-tracts (Zwart + Hispanisch aandeel > 50%). Dit isoleert het differentiële effect van CLC binnen dezelfde metropool.
H3 (Machine Learning Validatie): Een XGBoost-model getraind op 2019 tract-kenmerken om de 2019–2023 huurgroei te voorspellen. SHAP (SHapley Additive exPlanations) waarden worden gebruikt om non-parametrisch te verifiëren of de bijdrage van CLC aan de voorspelde huurgroei varieert per raciale samenstelling zonder functionele vorm aannames op te leggen.

3. Belangrijkste Resultaten

3.1 Gemiddeld Effect van CLC (H1)

Het verdubbelen van de REIT-concentratie in een census tract is geassocieerd met ongeveer 2,8 procentpunt hogere huurgroei over de periode 2019–2023.

Significantie: Het resultaat is richtinggevend robuust maar gevoelig voor aannames over standaardfouten. Het is marginaal significant met metro-geclusterde standaardfouten ( $p=0,086$ ) en significant met HC1 robuuste standaardfouten ( $p=0,030$ ).
Context: De positieve associatie wordt grotendeels gedreven door variatie tussen metropolen (bijv. Sun Belt-markten met hoge CLC en hoge groei versus kustmarkten met lage CLC en lage groei). Wanneer metro fixed effects worden toegepast, keert de ruwe coëfficiënt om, wat suggereert dat binnen een specifieke stad, tracts met een hoge CLC vaak andere basiskenmerken hebben dan tracts met een lage CLC.

3.2 Raciale Dispariteiten (H2)

Het effect van CLC op huurgroei is significant groter in meerderheids-minderheids-tracts dan in meerderheids-witte tracts binnen dezelfde metropool.

Interactie-effect: De interactieterm tussen CLC en de meerderheids-minderheidsstatus is positief en significant ( $\beta_3 = +0,059$ , $p=0,039$ ).
Differentieel Impact: Binnen dezelfde metro ervaren hoog-CLC meerderheids-minderheids-tracts 5,9 procentpunt hogere huurgroei dan vergelijkbare meerderheids-witte tracts.
Richtinggevende Omkering: Het baseline-effect van CLC in meerderheids-witte tracts is negatief ( $\beta_1 = -0,034$ , $p < 0,001$ ), terwijl het totale effect in meerderheids-minderheids-tracts positief is ( $\beta_1 + \beta_3 = +0,024$ ). Dit geeft aan dat de concentratie van institutionele verhuurders geassocieerd is met lagere proportionele huurgroei in witte tracts, maar met hogere groei in minderheids-tracts.
Robuustheid: De resultaten houden stand wanneer een continue minderheids-aandeel variabele wordt gebruikt ( $p=0,002$ ) en over verschillende minderheids-drempelwaarden heen.

3.3 Machine Learning Validatie (H3)

Het XGBoost-model verklaart 44% van de out-of-sample variantie in huurgroei ( $R^2 = 0,439$ ).

Feature Belang: CLC staat op de vijfde plaats van acht kenmerken, wat bevestigt dat het onafhankelijke voorspellende kracht biedt buiten demografie en marktcontroles.
SHAP-analyse: De SHAP beeswarm plot onthult een non-parametrische asymmetrie: hoge CLC-waarden (rode punten) duwen de voorspelde huurgroei omhoog in minderheids-tracts (gemiddelde SHAP = +0,0057) en omlaag in witte tracts (gemiddelde SHAP = -0,0011). Dit bevestigt de OLS-interactiebevinding zonder afhankelijk te zijn van parametrische aannames.

4. Belangrijkste Bijdragen

Nieuwe Datapijplijn: Introduceert de eerste publiekelijk repliceerbare methode om algoritmische concentratie van institutionele verhuurders op census-tract niveau te meten met behulp van SEC EDGAR 10-K filings.
Nieuwe Index: Construeert de Algorithmic Housing Burden Index (AHBI), een samengestelde maatstaf van vooraf bestaande huurlast en markt-tightness, om selectiebias in de locatie van institutionele verhuurders te controleren.
Tract-niveau Bewijs: Levert de eerste tract-niveau schattingen die aantonen dat de concentratie van institutionele verhuurders geassocieerd is met onevenredig hogere huurgroei in gemeenschappen van kleur, gevalideerd door zowel parametrische (OLS) als non-parametrische (XGBoost/SHAP) methoden.
Methodologische Inzicht: Demonstreert dat ACS 5-jaars schattingen onvoldoende zijn om acute huurgroei te detecteren vanwege meerjarige middeling, wat de noodzaak voor transactiegebaseerde databronnen zoals ZORI voor dit type analyse onderstreept.

5. Betekenis en Claims

Het artikel claimt het eerste tract-niveau bewijs te leveren dat consistent is met de hypothese dat de concentratie van institutionele verhuurders, gefaciliteerd door algoritmische prijsstelling, een raciaal gedifferentieerde last oplegt. De bevindingen suggereren dat het mechanisme van algoritmische huurcoördinatie anders werkt afhankelijk van de raciale samenstelling van de buurt, mogelijk door lagere mobiliteit van huurders, een hogere vooraf bestaande huurlast en minder betaalbare alternatieven in minderheidsbuurten.

De auteurs stellen dat deze bevindingen implicaties hebben voor:

Antitrust Handhaving: Het suggereert dat distributieve effecten (raciale gelijkheid) naast de algemene consumentenwelvaart moeten worden overwogen in zaken over concurrentie op de woningmarkt.
Fair Housing Wetgeving: Het biedt empirisch bewijs dat consistent is met een "disparate impact" (onevenredige impact) theorie onder de Fair Housing Act, waarbij een neutrale beleidsmaatregel (algoritmische prijsstelling software) raciaal gedifferentieerde uitkomsten oplevert.
Regulatoire Transparantie: Het benadrukt de noodzaak voor toezichthouders om publieke openbaarmakingen (zoals de hier ontwikkelde EDGAR-pijplijn) te gebruiken om de geografische voetafdruk van de concentratie van institutionele verhuurders en de bijbehorende distributieve effecten in realtime te monitoren.

Het artikel blijft bescheiden over causaliteit en erkent dat het cross-sectionele ontwerp onwaargenomen confounders niet volledig kan uitsluiten, en dat de H1-resultaten gevoelig zijn voor het kleine aantal metropolen-clusters. Echter, de convergentie van OLS- en machine learning-resultaten versterkt het vertrouwen in het geobserveerde patroon van raciale dispariteit.