From Prediction to Causation: Heterogeneous Policy Effects of Rent Stabilization and Rental Assistance on Severe Housing Cost Burden in New York City

In het complexe landschap van moderne steden is huisvesting meer dan alleen een plek om te slapen; het is het fundament waarop gezondheid, onderwijs en economische stabiliteit worden gebouwd. Wanneer een gezin meer dan de helft van hun inkomen uitgeeft aan alleen al een dak boven hun hoofd, worden zij geconfronteerd met wat experts een ernstige woonlastendruk noemen. Deze situatie dwingt hen tot onmogelijke keuzes tussen het betalen van de huur en het kopen van voedsel, of tussen het aan laten staan van de lichten en het bezoeken van een arts. Decennialang hebben stadsplanners en beleidsmakers geprobeerd dit probleem op te lossen met diverse instrumenten, van wetgeving voor huurprijsbeheersing die plafonds stelt aan wat verhuurders mogen vragen, tot noodhulp in de vorm van contante giften voor degenen die achterop raken met betalingen. Echter, er is een hardnekkige kloof in ons begrip gebleven: hoewel we kunnen voorspellen welke wijken worstelen, hebben we moeite gehad om te bewijzen welke specifieke beleidsmaatregelen er daadwerkelijk werken om die druk te verlichten, en voor wie. De uitdaging ligt in het scheiden van de effecten van een specifieke wet van de vele andere krachten die meespelen, zoals de lokale economie of de ouderdom van de gebouwen, om de ware oorzaak-gevolgrelatie te zien.

Een team van onderzoekers heeft deze moeilijke vraag nu aangepakt door een nieuwe manier te ontwikkelen om naar woninggegevens te kijken, een methode die de voorspellende kracht van kunstmatige intelligentie combineert met rigoureuze methoden voor het vinden van oorzaken. Met de focus op New York City, een plek waar de woonkosten al lang een crisis vormen, onderzochten zij acht belangrijke beleidsinstrumenten die bedoeld zijn om bewoners te helpen. In plaats van te vertrouwen op één enkele methode, bouwden zij een kader dat eerst machine learning gebruikt om de complexe patronen van de stad te begrijpen, en vervolgens drie verschillende soorten statistische tests toepast om te bepalen welke beleidsmaatregelen de lasten voor gezinnen daadwerkelijk verminderen. Hun aanpak stelt hen in staat om verder te gaan dan eenvoudige voorspellingen en niet alleen te identificeren wat er gebeurt, maar ook waarom het gebeurt, en hoe de resultaten veranderen afhankelijk van de specifieke buurt.

De onderzoekers begonnen door een geavanceerd computermodel te trainen op gegevens van 155 verschillende wijken in New York City, over de jaren 2015 tot 2023. Dit model leerde de woonlastendruk met hoge nauwkeurigheid te voorspellen, waarbij het identificeerde dat factoren zoals de ouderdom van de woningvoorraad, het aantal huisuitzettingen en de economische mogelijkheden in een buurt de sterkste voorspellers waren van financiële stress. Door gebruik te maken van deze inzichten uit machine learning, creëerde het team een gedetailleerde kaart van het woninglandschap van de stad, die zij vervolgens gebruikten om de impact van specifieke wetten te testen. Zij behandelden niet alle beleidsmaatregelen als gelijk; in plaats daarvan koppelden zij elke maatregel aan de meest geschikte methode om het effect te meten, om ervoor te zorgen dat de resultaten zo betrouwbaar mogelijk waren.

Een van de meest significante bevindingen betrof een grote uitbreiding van de wetgeving voor huurprijsstabilisatie die in 2019 werd aangenomen. Deze wet breidde de bescherming uit naar meer appartementencomplexen, waardoor verhuurders de huurprijzen niet langer zo vrijelijk konden verhogen als voorheen. De studie vond dat deze uitbreiding de mate van ernstige woonlastendruk succesvol met 6,2 procentpunt heeft verminderd. In praktische termen betekent dit dat in de wijken waar de wet van toepassing was, een merkbaar kleiner deel van de gezinnen gedwongen werd om meer dan de helft van hun inkomen aan huur uit te geven. De onderzoekers waren in staat dit resultaat te bevestigen door aan te tonen dat de trend stabiel was vóórdat de wet veranderde en pas verschoof nadat deze van kracht werd, wat wijst op een direct causaal verband in plaats van een toevalligheid.

Echter, de studie bracht ook een verrassend en tegenintuïtief resultaat aan het licht met betrekking tot noodhulp bij huurachterstand. Tijdens de pandemie werd een programma gelanceerd om directe financiële hulp te bieden aan huishoudens die moeite hadden met het betalen van de huur. In tegenstelling tot de intentie van het programma, toonden de gegevens aan dat de geschiktheid voor deze noodhulp geassocieerd werd met een toename van de ernstige woonlastendruk. De onderzoekers suggereren dat dit niet kwam omdat het geld niet hielp, maar waarschijnlijk omdat het programma arriveerde op een moment dat de woninginstabiliteit al exponentieel toenam door banenverlies, en de hulp vaak de gezinnen bereikte die zich al in een diepe crisis bevonden in plaats van de crisis te voorkomen voordat deze begon. In contrast hiermee toonde een ander type hulp, bekend als CityFHEPS, dat maandelijkse vouchers biedt in plaats van een eenmalige noodtoelage, een sterk positief effect, waarbij de last met meer dan 9 procentpunt werd verminderd. Dit onderscheid benadrukt dat het ontwerp en de timing van een programma net zo belangrijk zijn als het geld zelf.

De onderzoekers ontdekten ook dat de effectiviteit van deze beleidsmaatregelen niet uniform is over de hele stad; het hangt zwaar af van de context van de buurt. De uitbreiding van de huurprijsstabilisatie werkte het best in wijken die al over sterke economische mogelijkheden beschikten maar te maken hadden met hoge percentages huisuitzettingen en verdringing. In deze gebieden fungeerden de wetten als een schild, dat gezinnen voorkwam uit bloeiende gemeenschappen te worden verdreven. Daartegenover stonden andere maatregelen, zoals hervormingen van de toegang tot de huurrechtbank en verordeningen voor huurbescherming, die hun grootste impact lieten zien in de meest kwetsbare wijken, waar het risico op het verliezen van een woning het hoogst was en het rechtssysteem vaak een barrière vormde voor bewoners. Dit suggereont dat een "one-size-fits-all" oplossing de woningcrisis niet kan oplossen; verschillende instrumenten zijn nodig voor verschillende delen van de stad.

Door deze bevindingen samen te voegen in een uitgebreide beleidsmatrix, illustreren de auteurs dat de meest effectieve strategie een gecoördineerde aanpak is. Zij vonden dat hoewel individuele maatregelen zoals huurprijsstabilisatie, huurbescherming en hervormingen van de huurrechtbank allemaal een verschil maakten, ze het best werken wanneer ze gelaagd worden toegepast. Stabilisatie voorkomt dat huren te snel stijgen, bescherming houdt mensen tegen illegale huisuitzettingen, en doorlopende vouchers overbruggen het gat tussen inkomen en huur. De studie concludeert dat om het probleem van woningonzekerheid werkelijk op te lossen, steden voorbij geïsoleerde oplossingen moeten gaan en een veelzijdige strategie moeten adopteren die de verschillende manieren waarop gezinnen hun huis verliezen, aanpakt. Dit onderzoek biedt een duidelijke routekaart voor beleidsmakers, die laat zien dat het met de juiste combinatie van instrumenten en een diep begrip van lokale omstandigheden mogelijk is om een stabielere en betaalbaardere toekomst voor stedelijke bewoners op te bouwen.