Resumo Técnico: Medindo Disparidades Raciais no Crescimento do Aluguel sob Concentração de Proprietários Algorítmicos

1. Declaração do Problema

A rápida adoção de softwares de precificação de aluguéis algorítmicos (ex: YieldStar da RealPage) por proprietários corporativos criou um mecanismo para coordenar decisões de preços entre empresas concorrentes, potencialmente suprimindo a competição e inflacionando os alugueis. Embora a literatura existente (ex: Calder-Wang e Kim, 2024; White House CEA, 2024) estabeleça que a precificação algorítmica eleva os aluguéis agregados, uma lacuna crítica permanece: não se sabe se o ônus distributivo dessa coordenação recai igualmente sobre diferentes grupos raciais. Especificamente, não há evidências em nível de setor censitário (tract-level) determinando se a concentração de proprietários corporativos (CLC) correlaciona-se com um crescimento de aluguel desproporcionalmente maior em bairros de maioria minoritária em comparação com bairros de maioria branca dentro das mesmas áreas metropolitanas.

2. Metodologia

2.1 Construção de Dados

O estudo constrói um conjunto de dados inédito geocodificando as divulgações de propriedades do nível de propriedade dos formulários SEC EDGAR 10-K Schedule III (Anos Fiscais 2016–2022) para cinco grandes REITs residenciais citados na queixa antitruste de 2024: AvalonBay Communities, Equity Residential, Essex Property Trust, Mid-America Apartment Communities e UDR.

• Concentração de Proprietários Corporativos (CLC): Definida como a parcela de unidades ocupadas por inquilinos em um setor censitário pertencentes a esses cinco REITs. O numerador é derivado dos cronogramas de propriedades geocodificados dos REITs; o denominador é o estoque de unidades ocupadas por inquilinos do ACS. A métrica é transformada logarítmica ($\log(1+CLC)$) para lidar com a assimetria.
• Índice de Ônus Habitacional Algorítmico (AHBI): Um índice composto construído a partir de estimativas de 5 anos do ACS para controlar a vulnerabilidade pré-existente. Ele combina o Ônus de Aluguel Pré-existente (parcela de domicílios pagando >30% da renda em aluguel) e a Rigidez do Mercado de Habitação (1 menos a taxa de vacância). Isso serve tanto como uma ferramenta descritiva quanto como uma variável de controle para separar os efeitos da CLC das condições básicas do mercado.
• Variável de Resultado: O Zillow Observed Rent Index (ZORI) é usado para medir o crescimento do aluguel de 2019 a 2023. Diferente dos dados do ACS, que suavizam tendências plurianuais, o ZORI é baseado em transações e captura o surto agudo de aluguéis de 2021–2022. Dados de ZORI por código postal (ZIP-code) são cruzados para setores censitários usando fatores de alocação do HUD.

2.2 Amostra

A análise abrange 665 setores censitários em dez grandes áreas metropolitanas dos EUA (Atlanta, Charlotte, Dallas–Fort Worth, Los Angeles, Nova York, San Diego, San Francisco, San Jose, Seattle, Washington DC). Destes, 583 setores com cobertura completa de ZORI formam a amostra principal de regressão.

2.3 Estratégia Econométrica

O artigo emprega três estratégias empíricas complementares:

1. H1 (Efeito Médio): Uma regressão OLS do crescimento do aluguel por setor censitário sobre $\log(1+CLC)$, controlando por AHBI e covariáveis demográficas. Os erros padrão são agrupados (clustered) ao nível metropolitano para considerar a correlação intra-metropolitana.
2. H2 (Efeitos Heterogêneos): Um modelo de interação adicionando efeitos fixos metropolitanos e um termo de interação entre $\log(1+CLC)$ e um indicador binário para setores de maioria minoritária (parcela de Negros + Hispânicos > 50%). Isso isola o efeito diferencial da CLC dentro do mesmo setor metropolitano.
3. H3 (Validação por Aprendizado de Máquina): Um modelo XGBoost treinado com características de 2019 para prever o crescimento do aluguel de 2019–2023. Valores SHAP (SHapley Additive exPlanations) são usados para verificar não parametricamente se a contribuição da CLC para o crescimento do aluguel previsto varia conforme a composição racial sem impor suposições de forma funcional.

3. Principais Resultados

3.1 Efeito Médio da CLC (H1)

Dobrar a concentração de REITs em um setor censitário está associado a aproximadamente 2,8 pontos percentuais de maior crescimento de aluguel durante o período 2019–2023.

• Significância: O resultado é direcionaismente robusto, mas sensível às suposições de erro padrão. É marginalmente significativo com erros padrão agrupados por metro ($p=0,086$) e significativo com erros padrão robustos HC1 ($p=0,030$).
• Contexto: A associação positiva é impulsionada principalmente pela variação entre metrópoles (ex: mercados do Sun Belt com alta CLC e alto crescimento vs. mercados costeiros com baixa CLC e baixo crescimento). Quando os efeitos fixos metropolitanos são aplicados, o coeficiente bruto se inverte, sugerindo que, dentro de uma cidade específica, setores de alta CLC frequentemente possuem características de base diferentes de setores de baixa CLC.

3.2 Disparidades Raciais (H2)

O efeito da CLC no crescimento do aluguel é significativamente maior em setores de maioria minoritária do que em setores de maioria branca dentro do mesmo setor metropolitano.

• Efeito de Interação: O termo de interação entre a CLC e o status de maioria minoritária é positivo e significativo ($\beta_3 = +0,059$, $p=0,039$).
• Impacto Diferencial: Dentro do mesmo metro, setores de maioria minoritária com alta CLC experimentam 5,9 pontos percentuais de maior crescimento de aluguel do que setores comparáveis de maioria branca.
• Inversão Direcional: O efeito base da CLC em setores brancos é negativo ($\beta_1 = -0,034$, $p < 0,001$), enquanto o efeito total em setores minoritários é positivo ($\beta_1 + \beta_3 = +0,024$). Isso indica que a concentração de proprietários corporativos está associada a um menor crescimento proporcional de aluguel em setores brancos, mas a um maior crescimento em setores minoritários.
• Robustez: Os resultados sustentam-se quando utilizando uma variável contínua de parcela minoritária ($p=0,002$) e através de diferentes limiares de minorias.

3.3 Validação por Aprendizado de Máquina (H3)

O modelo XGBoost explica 44% da variância fora da amostra no crescimento do aluguel ($R^2 = 0,439$).

• Importância das Características: A CLC ocupa o quinto lugar entre oito características, confirmando que ela fornece poder preditivo independente além das demografias e controles de mercado.
• Análise SHAP: O gráfico beeswarm do SHAP revela uma assimetria não paramétrica: valores altos de CLC (pontos vermelhos) empurram o crescimento do aluguel previsto para cima em setores minoritários (média SHAP = +0,0057) e para baixo em setores brancos (média SHAP = -0,0011). Isso confirma o achado de interação do OLS sem depender de suposições paramétricas.

4. Principais Contribuições

1. Pipeline de Dados Inédito: Introduz o primeiro método publicamente replicável para medir a concentração de proprietários algorítmicos ao nível de setor censitário usando os arquivos SEC EDGAR 10-K.
2. Novo Índice: Constrói o Índice de Ônus Habitacional Algorítmico (AHBI), uma medida composta de ônus de aluguel pré-existente e rigidez de mercado, para controlar o viés de seleção na localização de proprietários corporativos.
3. Evidência em Nível de Setor: Fornece as primeiras estimativas em nível de setor censitário mostrando que a concentração de proprietários corporativos está associada a um crescimento de aluguel desproporcionalmente maior em comunidades de cor, validado tanto por métodos paramétricos (OLS) quanto não paramétricos (XGBoost/SHAP).
4. Insight Metodológico: Demonstra que as estimativas de 5 anos do ACS são insuficientes para detectar o crescimento agudo do aluguel devido à suavização plurianual, tornando necessária a utilização de fontes de dados baseadas em transações como o ZORI.

5. Significância e Alegações

O artigo afirma fornecer a primeira evidência em nível de setor consistente com a hipótesidade de que a concentração de proprietários corporativos, facilitada pela precificação algorítmica, impõe um ônus racialmente díspar. Os achados sugerem que o mecanismo de coordenação de aluguéis algorítmicos opera de forma diferente dependendo da composição racial do bairro, possivelmente devido à menor mobilidade dos inquilinos, maior ônus de aluguel pré-existente e menos alternativas acessíveis em bairros minoritários.

Os autores argumentam que estes achados têm implicações para:

• Aplicação de Leis Antitruste: Sugerindo que impactos distributivos (equidade racial) devem ser considerados juntamente com o bem-estar agregado do consumidor em casos de competição no mercado de habitação.
• Lei de Habitação Justa (Fair Housing Law): Fornecendo evidência empírica consistente com uma teoria de "impacto díspar" sob a Lei de Habitação Justa, onde uma política neutra (software de precificação algorítmica) gera resultados racialmente díspares.
• Transparência Regulatória: Destacando a necessidade de reguladores utilizarem arquivos públicos (como o pipeline EDGAR desenvolvido aqui) para monitorar a pegada geográfica da concentração de proprietários institucionais e seus efeitos distributivos em tempo real.

O artigo mantém-se modesto quanto à causalidade, reconhecendo que o desenho transversal não pode excluir totalmente confundidores não observados e que o resultado de H1 é sensível ao pequeno número de clusters metropolitanos. No entanto, a convergência dos resultados de OLS e aprendizado de máquina fortalece a confiança no padrão de disparidade racial observado.