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

Technische Samenvatting: Ruimtelijke Niet-Stationariteit en Vermogensaccumulatie in een Heterogene Metropolitane County

Probleemstelling
De studie adresseert de beperkingen van globale regressiemodellen bij het vastleggen van de ruimtelijke structuur van huishoudelijk vermogen binnen middelgrote, heterogene metropolitane counties. Traditionele modellen gaan uit van ruimtelijke stationariteit, waarbij wordt gesteld dat de relatie tussen locatiespecifieke attributen (bijv. voorzieningen, milieukwaliteit, infrastructuur) en economische uitkomsten uniform is over een regio. De ruimtelijke econometrische literatuur suggereert echter dat deze relaties vaak niet-stationair zijn en aanzienlijk variëren per lokale context. Hoewel Geografisch Gewogen Regressie (GWR) is toegepast op huizenprijzen en inkomen, is er een gebrek aan onderzoek op fijnmazig niveau naar samengesteld huishoudelijk vermogen—bestaande uit woningkapitaal, inkomstenstromen en financiële activa—in niet-kustgebieden in middelgrote settings waar stedelijke, suburbane en rurale gradiënten samenkomen. Dit onderzoek beoogt te kwantificeren hoe voorwaarden van locatiespecifieke geschiktheid de vorming van huishoudelijk vermogen op een hoge ruimtelijke resolutie beïnvloeden en om te bepalen of deze relaties opereren op verschillende ruimtelijke schalen.

Methodologie
Het onderzoek maakt gebruik van een robuust ruimtelijk econometrisch kader gecentreerd rond Multiscale Geographically Weighted Regression (MGWR), toegepast op een middelgrote metropolitane county in het zuidwesten van de Verenigde Staten.

• Data en Ruimtelijk Kader: De analyse maakt gebruik van 4.067 regelmatige hexagonale eenheden (elk beslaat ongeveer 0,3 vierkante mijl) om het studiegebied te tesselleren. Dit hexagonale rooster minimaliseert het Modifiable Areal Unit Problem (MAUP) en vormvervorming geassocieerd met administratieve grenzen, terwijl censusgebieden en block groups administratieve in plaats van ecologische of sociale processen reflecteren en aggregatiebias introduceren. Databronnen omvatten de 2016–2020 American Community Survey (ACS), NASA GES DISC, EPA, USGS en lokale GIS-gegevens. Variabelen bestrijken sociaal-demografie, milieukwaliteit (PM2.5, CO2, hoogte) en toegankelijkheid (afstanden tot scholen, ziekenhuizen, parken, snelwegen, etc.).
• Afhankelijke Variabele: Een samengestelde index voor huishoudelijk vermogen werd geconstrueerd via Principale Componentanalyse (PCA), waarbij het mediaan woningwaarde, huishoudelijk inkomen en vermogensinkomen (rente, dividenden, huur) werden gecombineerd. Deze index verklaart ongeveer 72% van de variantie in het netto vermogen vergeleken met benchmarks uit de Survey of Consumer Finances.
• Exploratieve Ruimtelijke Data-analyse (ESDA): Voorafgaand aan de modellering voerde de studie diagnostiek uit, inclusom correlatie-heatmaps, Variance Inflation Factor (VIF) controles en globale/lokale ruimtelijke autocorrelatietests (Moran's I en LISA). Globale Moran's I bevestigde een sterke positieve ruimtelijke afhankelijkheid (I = 0,510, p < 0,001), wat de noodzaak voor ruimtelijk expliciete modellering valideert.
• Modelleringsbenadering: De studie vergelijkt drie kaders: Globale Ordinary Least Squares (OLS), Globale Ruimtelijke Econometrische modellen (Spatial Lag en Spatial Error), en MGWR.
  • MGWR-specificatie: In tegenstelling tot standaard GWR, dat één enkele bandbreedte voor alle voorspellers oplegt, staat MGWR toe dat elke voorspeller op zijn eigen optimale ruimtelijke schaal opereert. Het model is geformuleerd als: $y_i = \beta_0(u_i) + \sum \beta_k(u_i, b_k)x_{ik} + \varepsilon_i$, waarbij $b_k$ de variabele-specifieke bandbreedtes vertegenwoordigt.
  • Schatting: Bandbreedtes werden geselecteerd via data-gedreven optimalisatie die de gecorrigeerde Akaike Information Criterion (AICc) minimaliseerde. Een adaptieve bi-square kernel definieerde de ruimtelijke gewichten, en een iteratief backfitting-algoritme (via de mgwr Python-bibliotheek) werd gebruikt voor de schatting.

Belangrijkste Resultaten

1. Modelprestaties: MGWR presteerde significant beter dan de globale alternatieven. Het bereikte een $R^2$ van 0,989 vergeleken met 0,873 voor OLS en ongeveer 0,90 voor spatial lag/error-modellen. Cruciaal is dat MGWR de residuele ruimtelijke autocorrelatie effectief elimineerde (Residuele Moran's I $\approx$ 0,02, p = 0,214), terwijl globale modellen significante residuele clustering achterlieten (Moran's I > 0,18, p < 0,05).
2. Ruimtelijke Heterogeniteit en Niet-Stationariteit: De analyse bevestigde dat determinanten van vermogen substantiële ruimtelijke niet-stationariteit vertonen.
   • Schaaldifferentiatie: Voorspellers opereren op verschillende ruimtelijke schalen. Inkomen-gerelateerde variabelen functioneren op brede regionale schalen (bandbreedtes > 100 buren), wat de arbeids- en woningmarktmechanismen reflecteert. Milieu- en transitvariabelen opereren op fijnere, hyperlokale schalen (bandbreedtes < 30 buren), gestuurd door buurt-specifieke condities.
   • Coëfficiëntvariatie: Verschillende voorspellers vertoonden tekenomkeringen over het studiegebied. Zo was de afstand tot parken en ziekenhuizen negatief geassocieerd met vermogen in dichtbevolkte stedelijke kernen (waar nabijheid een luxe is), maar positief geassocieerd in peri-urbane gebieden (waar afstand een indicator is voor lagere dichtheid en verminderde congestie). Evenzo varieerden de effecten van luchtvervuiling van negatief nabij drukke verkeerscorridors tot neutraal of positief in zones met minder verkeer.
3. Vermogensclustering: Local Indicators of Spatial Association (LISA) identificeerden persistente "high-high" clusters in welvarende voethellen-suburbs en "low-low" clusters in de stedelijke kern en de zuidwestelijke regio's, wat de theorieën van duurzame ruimtelijke stratificatie versterkt.

Betekenis en Bijdragen
Het artikel claimt drie primaire bijdragen:

• Empirisch: Het biedt een fijnmazige beoordeling van de vermogensheterogeniteit in een middelgrote, niet-kust gelegen metropolitane county, een setting die ondervertegenwoordigd is in de bestaande ruimtelijke economische literatuur. Het demonstreert dat vermogen niet louter een functie is van individuele kenmerken, maar diep gestructureerd is door plaatsgebonden mechanismen die variëren over de stedelijke-naar-rurale gradiënten.
• Methodologisch: De studie illustreert het vermogen van MGWR om processen die opereren op regionale, buurt- en hyperlokale schaal te ontrafelen binnen één enkel analytisch kader. Het valideert dat het aannemen van een enkele ruimtelijke schaal (zoals in GWR) of ruimtelijke stationariteit (zo als in OLS) kritieke lokale variaties in de rendementen op locatiespecifieke attributen maskeert.
• Beleid: De resultaten bieden een ruimtelijk expliciete basis voor gedifferentieerde beleidsinterventies. De bevindingen suggeren dat uniforme infrastructuur- of milieubeleid ineffectief of zelfs contraproductief kan zijn. In plaats daarvan moeten interventies met betrekking tot investeringen in voorzieningen, milieusanering en dienstverlening ruimtelijk gericht zijn om rekening te houden met regime-specifieke rendementen op locatiespecifieke geschiktheid.

Beperkingen
De auteurs merken op dat het dwarsdoorsneden-ontwerp (cross-sectional design) ruimtelijke associatieanalyse ondersteunt, maar geen causale richting kan vaststellen. Daarnaast suggereert de resterende clustering in transitiezones, ondanks het gebruik van het hexagonale raster, de aanwezigheid van niet-gemodelleerde hyperlokale processen. Toekomstig werk wordt gesuggereerd om endogeniteit aan te pakken via ruimtelijke identificatiestrategieën en om longitudinale data te integreren om evoluerende dynamieken te vangen.