💰 quantitative finance

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

这项研究提供了首个在街区层面上的证据，表明在美国十个大都市区中，企业房东的集中度与少数族裔占多数社区中不成比例的更高租金增长相关，而这种现象在白人占多数的社区中并不显著。

原作者： Advay Ranade

发布于 2026-06-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Advay Ranade

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心概览：这场“价格操纵”游戏

想象一下，你正打算买一双运动鞋。如果五家不同的商店都在卖完全相同的鞋子，你会预期它们会通过竞争来争取你的订单。但如果这五位店主都使用同一个秘密电脑程序，程序告诉他们：“不要降价。保持高价。我们是一条绳上的蚂蚱。”

这本质上就是美国司法部对五家大型公寓公司（称为房地产投资信托基金，即 REITs）的指控。它们利用一个名为 RealPage 的软件来协调租金价格，而不是进行竞争。政府认为，这种做法人为地抬高了租金。

这篇论文提出了一个更深层的特定问题：这种“价格操纵”行为是对每个人都造成了同等的伤害，还是对某些社区造成的伤害更大？

侦探工作：他们是如何进行衡量的

为了回答这个问题，研究员 Advay Ranade 必须扮演侦探的角色。他无法直接询问这些公司在做什么，因此他使用了公开记录。

寻找“大房东”： 他查阅了这五家被指控公司的官方政府备案文件（SEC 10-K）。这些文件列出了它们拥有的每一栋公寓楼。他将这些建筑映射到特定的社区（人口普查区），以观察这些“企业房东”的集中程度。他将其称为 CLC（企业房东集中度）。
衡量租金增长： 为了避免使用会模糊细节的五年平均政府调查数据，他使用了 Zillow 的租金数据。这就像是使用实时股票行情，而不是年度报告——它能展示 2019 年至 2023 年间租金变化的真实情况。
控制“预存压力”： 他意识到大房东可能会专门选择那些原本就昂贵或拥挤的社区。为了确保他测量的不仅仅是这一点，他创建了一个新的评分指标，称为 AHBI（算法住房负担指数）。你可以把它看作是算法定价开始前的社区“压力测试”。它衡量了该住房市场的紧缺程度以及人们已有的租金负担程度。

研究结果：发生了什么？

1. 一般效应 (H1)
研究发现，在这些企业房东高度集中的社区，租金增长更快。具体而言，如果一个社区的企业房东数量增加一倍，其租金增长率会比企业房东较少的社区高出约 2.8 个百分点。

2. 种族差异 (H2) —— 核心发现
这是论文最重要的部分。研究员观察了这种租金上涨对白人社区和少数族裔社区（定义为黑人和拉丁裔居民占比超过 50% 的社区）的影响是否存在差异。

在白人社区： 出人意料的是，在这些社区，拥有更多企业房东实际上与略低的租金增长相关联。论文指出，这些地区通常是较新的、高端的郊区住宅区，其市场动态有所不同。
在少数族裔社区： 趋势发生了逆转。在这些社区，更高的企业房东集中度与显著更高的租金增长相关联。

类比： 想象两名正在比赛的选手。一名选手（白人社区）是在平坦的塑胶跑道上奔跑。另一名选手（少数族裔社区）则是在布满隐藏障碍物的跑道上奔跑。当“算法定价”的发令枪响时，在平坦跑道上的选手并不会减速太多；但由于障碍物的存在，另一名选手的路途会变得异常艰难，导致他们的“租金负担”大幅飙升。

数据显示，在同一座城市内，企业房东高度集中的少数族裔社区，其租金增长率比同类白人社区高出 5.9 个百分点。

3. AI 检查 (H3)
为了确保这并非数学计算上的偶然或错误，研究员使用了一种人工智能模型（XGBoost）。他将 2019 年所有的社区数据输入 AI，并要求它预测 2023 年的租金增长。

这个 AI 并不知道关于“种族差异”的假设，它只是在寻找模式。AI 独立证实了这一发现：它预测企业房东的集中度会推动少数族裔社区的租金上升，而在白人社区则会下降（或影响较小）。这让研究人员对该模式的真实性有了高度信心，证明这并非统计学上的巧合。

为什么会发生这种情况？

论文认为，少数族裔社区更容易受到这种算法定价的影响，原因如下：

替代方案较少： 这些地区的租房者如果租金上涨，可能缺乏负担得起的搬迁选择。
现有压力： 这些社区通常已经存在较高的“住房压力”（AHBI 分数），这意味着居民缺乏吸收价格上涨的财务缓冲。
竞争较少： 与大型企业算法相比，这些地区可能缺乏小型独立房东来进行竞争。

总结

这篇论文提供了首个在社区层面上证明的证据，表明大型企业房东使用算法租金定价并非一个中性的事件。它似乎不成比例地推高了有色人种社区的租金，从而可能扩大种族间的财富差距。

简而言之： 大房东使用的那个“秘密电脑程序”并不仅仅是提高了所有人的租金；它对少数族裔社区的涨幅更大，因为这些社区本身就更加脆弱，且逃离价格上涨的选择也更少。

技术摘要：衡量算法化房东集中度下的租金增长种族差异

1. 问题陈述

企业型房东快速采用算法租金定价软件（如 RealPage 的 YieldStar）创造了一种协调竞争企业间定价决策的机制，这可能抑制了竞争并推高了租金。虽然现有文献（如 Calder-Wang 和 Kim, 2024；白宫经济顾问委员会, 2024）已经证实算法定价提高了总租金水平，但一个关键的空白仍然存在：目前尚不清楚这种协调带来的分配负担是否在不同种族群体之间公平分布。具体而言，目前缺乏层面证据来确定企业房东集中度（CLC）是否与同一大都市区内多数少数族裔社区相比，呈现出不成比例的更高租金增长。

2. 研究方法

2.1 数据构建

本研究通过对 2016-2022 财年 SEC EDGAR 10-K Schedule III 申报文件中地理编码的物业级披露数据进行地理编码，构建了一个全新的数据集。涉及的五家大型住宅房地产投资信托基金（REITs）是在 2024 年 DOJ 反垄断诉讼中被点名的：AvalonBay Communities, Equity Residential, Essex Property Trust, Mid-America Apartment Communities, 以及 UDR。

企业房东集中度 (CLC)： 定义为由这五家 REITs 持有的租户居住单元在某一人口普查区（census tract）中的份额。分子源自地理编码后的 REITs 物业明细；分母为 ACS 租户居住单元存量。该指标经过对数转换 ( $\log(1+CLC)$ ) 以处理偏态分布。
算法住房负担指数 (AHBI)： 这是一个从 ACS 5 年估计值中构建的综合指数，用于控制预先存在的脆弱性。它结合了预先存在的租金负担（支付租金超过收入 30% 的家庭比例）和住房市场紧缩度（1 减去空置率）。这既作为一个描述性工具，也作为控制变量，以将 CLC 效应与基准市场状况区分开来。
结果变量： 使用 Zillow 观察租金指数 (ZORI) 来衡量 2019 年至 2023 年间的租金增长。与 ACS 数据不同，ZORI 是基于交易的，能够捕捉到 2021-2022 年期间剧烈的租金飙升，而 ACS 数据会对多年趋势进行平滑处理。ZIP 编码级别的 ZORI 数据通过 HUD 分配因子交叉映射到人口普查区。

2.2 样本

分析涵盖了十个主要美国大都市区（亚特兰大、夏洛特、达拉斯-沃斯堡、洛杉矶、纽约、圣迭戈、旧金山、圣何塞、西雅图、华盛顿特区）的 665 个人口普查区。其中，具有完整 ZORI 覆盖范围的 583 个人口普查区构成了主要的回归样本。

2.3 计量经济策略

本文采用了三种互补的实证策略：

H1（平均效应）： 对 $\log(1+CLC)$ 进行人口普查区层面的 OLS 回归，并控制 AHBI 和人口统计学协变量。标准误在都市区层面进行聚类，以解释都市区内的相关性。
H2（异质性效应）： 使用包含都市区固定效应以及“ $\log(1+CLC)$ 与多数少数族裔区二元指示变量”交互项的模型。这隔离了同一大都市区内 CLC 的差异化影响。
H3（机器学习验证）： 使用 XGBoost 模型，利用 2019 年的人口普查区特征来预测 2019-2023 年的租金增长。使用 SHAP（SHapley Additive exPlanations）值进行非参数化验证，以检查 CLC 对预测租金增长的贡献是否随种族构成而变化，而不施加函数形式假设。

3. 关键结果

3.1 CLC 的平均效应 (H1)

在 2019-2023 年期间，人口普查区内 REITs 集中度的翻倍，与约 2.8 个百分点的租金增长相关联。

显著性： 结果在方向上是稳健的，但对标准误的假设较为敏感。在使用都市区聚类标准误时，结果处于边缘显著水平 ( $p=0.086$ )；在使用 HC1 稳健标准误时，结果显著 ( $p=0.030$ )。
背景： 这种正相关关系主要由都市间差异驱动（例如，具有高 CLC 和高增长率的阳光带市场 vs. 具有低 CLC 和低增长率的沿海市场）。当应用都市固定效应时，原始系数发生反转，这表明在特定城市内部，高 CLC 人口普查区通常具有与低 CLC 区域不同的基准特征。

3.2 种族差异 (H2)

在同一大都市区内，CLC 对租金增长的影响在多数少数族裔区显著大于多数白人区。

交互效应： CLC 与多数少数族裔状态之间的交互项为正且显著 ( $\beta_3 = +0.059$ , $p=0.039$ )。
差异化影响： 在同一都市区内，高 CLC 的多数少数族裔区经历的租金增长比同类多数白人区高出 5.9 个百分点。
方向性反转： CLC 在多数白人区的基准效应为负 ( $\beta_1 = -0.034$ , $p < 0.001$ )，而多数少数族裔区的总效应为正 ( $\beta_1 + \beta_3 = +0.024$ )。这表明，企业房东的集中度与白人区的比例租金增长较低有关，而与少数族裔区的租金增长较高有关。
稳健性： 当使用连续的少数族裔比例变量 ( $p=0.002$ ) 以及跨越不同的少数族裔阈值时，结果依然成立。

3.3 机器学习验证 (H3)

XGBoost 模型解释了租金增长 44% 的样本外方差 ( $R^2 = 0.439$ )。

特征重要性： CLC 在八个特征中排名第五，证实了其在人口统计学和市场控制变量之外具有独立的预测能力。
SHAP 分析： SHAP 蜂群图揭示了一种非参数性的不对称性：高 CLC 值（红点）会使预测的租金增长在少数族裔区上升（平均 SHAP = +0.0057），而在白人区下降（平均 SHAP = -0.0011）。这在不依赖参数假设的情况下，证实了 OLS 交互项的发现。

4. 核心贡献

创新的数据管线： 引入了第一种利用 SEC EDGAR 10-K 备案文件在人口普查区层面衡量算法化房东集中度的公开可复现方法。
新指数： 构建了算法住房负担指数 (AHBI)，这是一个结合了预先存在的租金负担和市场紧缩度的综合指标，用于控制企业房东选址的选择偏差。
层面证据： 提供了首个层面证据，显示企业房东的集中度与有色人种社区不成比例的高租金增长相关，并得到了参数化（OLS）和非参数化（XGBoost/SHAP）方法的验证。
方法论洞察： 证明了 ACS 5 年估计值由于多年度平滑处理，不足以检测剧烈的租金增长，因此需要使用像 ZORI 这样基于交易的数据源进行此类分析。

5. 意义与主张

本文声称提供了首个层面证据，符合以下假设：由算法定价促进的企业房东集中度造成了种族差异化的负担。研究结果表明，算法租金协调机制在不同种族组成的人口普查区运作方式不同，这可能是由于租户流动性较低、预先存在的租金负担较高以及少数族裔社区的可负担替代方案较少所致。

作者认为，这些发现对以下方面具有意义：

反垄断执法： 表明在住房市场竞争案件中，除了总体的消费者福利外，应考虑分配影响（种族公平）。
公平住房法： 为《公平住房法》下的“差别影响”（disparate impact）理论提供了实证证据，即一种中性的政策（算法定价软件）产生了种族差异化的结果。
监管透明度： 强调了监管机构使用公开备案文件（如本文开发的 EDGAR 管线）来实时监测机构化房东集中度的地理足迹及其分配效应的必要性。

本文在因果关系方面保持谨慎，承认横截面设计无法完全排除未观察到的混杂因素，且 H1 的结果对较小的都市集群数量较为敏感。然而，OLS 与机器学习结果的趋同增强了对观察到的种族差异模式的信心。