📈 经济学

Impact of Housing Choice Voucher on Crime: A Spatial Econometric Analysis

通过对圣路易斯县数据使用带有固定效应的空间杜宾模型，本文发现住房选择券通过直接效应和空间溢出效应显著提高了当地犯罪率，导致每增加 1,000 套住房单位的住房选择券，犯罪率总计上升约 2.5%。

原作者： Muritala Ogunsiji

发布于 2026-09-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Muritala Ogunsiji

原始论文采用 CC BY 4.0 许可（https://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

在美国，住房成本持续攀升，导致数百万家庭在寻找一个不会消耗掉其收入中危险比例的住所时陷入困境。为了提供帮助，联邦政府运行着一项名为“住房选择券”（Housing Choice Voucher，通常被称为 Section 8）的大规模计划。该计划为低收入家庭提供补贴，允许他们在私人市场租用公寓，由政府直接向房东支付部分租金。其目标是帮助家庭脱离贫困，进入更安全、更好的社区。然而，几十年来，一个持久的担忧一直笼罩着这项政策：将大量受补贴家庭迁入一个社区是否会改变该地区的安全性？具体而言，这些代金券的到来是否会导致犯罪率上升？这个问题处于经济学与公共安全的交汇点，研究人员试图通过它来理清住房政策是在帮助家庭，还是在无意中伤害了它们进入的社区。挑战在于，犯罪与住房都与城市的物理布局深度相关；一个社区发生的变化往往会波及到相邻的社区，这使得如果不观察整张地图，就很难衡量一项政策的真实影响。

北伊利诺伊大学的一位研究人员决定通过密切观察圣路易斯县（St. Louis County）来调查这个问题，这是一个广阔的郊区，拥有九十多个不同的城镇，且贫富社区之间存在明显的界限。研究者并没有仅仅统计单个社区内的犯罪和代金券数量，而是使用了一种先进的方法，将该县视为一个相互连接的网络。这种方法承认，一个人口普查区（一个定义明确的小型地理区域）的变化并非发生在真空之中。如果邻近的社区在住房构成上发生了变化，这种变化也会影响原社区的犯罪率，就像投入水中的一颗石子会在池塘中激起涟漪并向外扩散一样。通过使用一种能够解释这些联系的模型，研究人员可以区分出特定社区内代金券的直接影响，以及周边社区代金券产生的间接影响。

该研究分析了从 2015 年到 2022 年共八年的数据，涵盖了圣路易斯县的 123 个人口普查区。研究人员将重点放在财产犯罪上（如盗窃和入室盗窃），因为这些类型的犯罪最容易受到经济状况和机会的影响。数据显示，在这些地区，平均每 1,000 名居民中约有 24 起财产犯罪。当研究人员观察住房代金券数量与犯罪率之间的关系时，一个清晰的模式出现了：在一个每 1,000 套住房中增加一个代金券的社区，其当地犯罪率上升了约 1.7% 至 1.8%。这是直接效应，即在代金券持有者搬入的那个特定区域所感受到的直接冲击。

然而，故事并未止步于社区的边界。分析显示，代金券的影响会溢出到相邻区域。当附近的一个人口普查区每增加 1,000 套住房中的一个代金券时，它会对原社区的犯罪率贡献额外的 0.6% 至 0.7% 的增幅。当研究人员将直接效应与这种溢出效应结合起来时，增加单个代金券单位的总影响约为 2.5% 的犯罪率上升。为了更具体地说明，在一个拥有 4,300 名居民的平均社区中，这种增长相当于每年增加约 2.6 起财产犯罪。这一发现表明，传统的看待这些程序的方式——往往忽略了邻里之间的联系——低估了影响的全貌。

研究还测试了社区财富的变化如何改变代金券对犯罪的影响。一些理论认为，在较富裕的地区，更多高价值目标的出现可能会增加犯罪；而另一些人则认为，富裕社区拥有更好的资源来预防犯罪。虽然研究使用的主要模型并未发现具有统计学意义的交互作用，但使用另一种空间模型（空间自回归模型）进行的二次分析确实发现了支持“缓冲效应”假设的证据。这表明，在较高收入的社区，代金券对犯罪的负面影响可能会受到更好社区资源和社会控制的调节。因此，犯罪率的上升是不均匀分布的，更多是由缺乏这些保护性缓冲的低收入人口普查区所驱动，而非在所有地区呈现统一的效果。研究人员还检查了在使用不同方式衡量数据（例如，查看相对于已入住房屋还是总房屋的代金券数量，或者检查效应是否在一年后发生）时，结果是否依然成立。在每种情况下，代金券与财产犯罪上升之间的联系都保持稳定且显著。

这些发现挑战了住房代金券对社区安全是中立的这一观点。研究表明，当住房代金券集中在特定区域时，它们可能会创造一个反馈循环，不仅增加该特定位置的犯罪，也会增加周边社区的犯罪。研究人员认为，为了解决这个问题，决策者应该专注于将代金券更均匀地分散开来，而不是任由它们聚集在困境地区。通过鼓励家庭搬入那些社会环境可能更好地吸收变化的较高收入社区，可以将负面影响降至最低。研究结论指出，虽然代金券对于帮助家庭至关重要，但其分配方式对整个地区的安全性有着深远影响。证据表明，需要一种考虑整体地图的策略，以确保解决住房不安全问题的方案不会在无意中为它们试图帮助的社区制造新的问题。

技术摘要：住房选择券对犯罪的影响：空间计量经济学分析

问题陈述
住房选择券（HCV）计划是美国主要的联邦住房补贴计划，旨在帮助低收入家庭获得可负担的私人市场住房。然而，关于在特定社区集中使用住房券是否会产生负面外部性（特别是导致当地犯罪率上升）的问题，一直存在着持续的争议。虽然已有大量研究调查了补贴住房与犯罪之间的关系，但现有文献存在两个关键局限性：

实证结果不一： 先前的研究利用不同辖区（如芝加哥、达拉斯、夏洛特）的数据，得出了不一致的结论，其结果从无显著影响到与财产犯罪呈正相关不等。
忽视空间依赖性： 大多数先前的研究依赖于非空间模型，这些模型假设观测值是独立的。在空间数据中，这一假设经常被违反，因为一个人口普查区（census tract）的犯罪行为本质上依赖于并影响与其相邻的人口普查区。忽略这些空间溢出效应会导致估计偏差，并无法量化 HCV 计划更广泛的间接后果。

研究方法
为了解决这些差距，本研究采用空间计量经济学方法，利用 2015 年至 2022 年间圣路易斯县（St. Louis County）的面板数据，涵盖 123 个人口普查区。分析重点是财产犯罪，使用的是汇总至人口普查区层级的国家基于事件的报告系统（NIBRS）和 FBI 统一犯罪报告数据。

数据构建： 研究构建了一个包含 984 个观测值的平衡面板。通过使用 IPUMS 国家历史地理信息系统（NHGIS）交叉表文件及插值权重，对 2010 年和 2020 年十年一度的人口普查数据进行了协调。针对犯罪和 HCV 计数中的缺失数据（最多三年），采用了线性插值法进行处理。
变量： 因变量是每 1,000 名居民中财产犯罪率的自然对数。主要自变量是 HCV 率（每 1,000 套住房中占用的 HCV 单位数量）。控制变量包括家庭收入中位数、贫困率、少数族裔比例、男性人口百分比、18 岁以下人口百分比以及住房自有率。
估计策略：
1. 基准模型： 研究首先估计了标准的固定效应（FE）模型和动态 Arellano-Bond 广义矩估计（GMM）模型，以建立基准并与先前文献进行比较。
2. 带有固定效应的空间杜宾模型（SDM-FE）： 核心分析采用 SDM-FE，其设定为：
  $\ln(Crime_{it}) = \rho(W \times \ln(Crime_{it})) + \beta_1 HCV_{it} + \beta_2 (W \times HCV)_{it} + X_{it}\phi + WX_{it}\vartheta + \mu_i + \varepsilon_{it}$
  该模型考虑了因变量的空间依赖性（通过因变量的空间滞后项 $\rho$ ）以及解释变量的空间依赖性（通过解释变量的空间滞后项 $W \times HCV$ ）。
3. 空间权重矩阵： 使用 $k$ -最近邻（KNN）矩阵（ $k=4$ ）来定义空间关系。
4. 分解： 根据 LeSage 和 Pace (2009) 的方法，将系数分解为直接效应（人口普查区内部的影响）和间接/溢出效应（对相邻人口普查区的影响）。

关键结果
空间计量经济学分析得出了关于 HCV 集中度对犯罪影响的具有统计学意义的发现：

直接效应： 在一个人口普查区内，HCV 率每增加一个单位（定义为每 1,000 套住房中增加一个券单位），其当地财产犯罪率会增加 1.7% 至 1.8%。
间接（溢出）效应： 相邻人口普查区每增加一个券单位，会导致当地犯罪率进一步增加 0.6% 至 0.7%。
总影响： 增加一个券单位的累计效应约为犯罪率增加 2.5%。以样本均值 2,000 名居民中有 24 起犯罪进行评估，这相当于在平均规模为 4,300 人的典型人口普查区中，每年增加约 0.6 起财产犯罪，或约 2.6 起年度犯罪事件。
稳健性： 这些发现对于不同的 HCV 率衡量标准（例如，按占用的住房单位计算）、函数形式（对数-对数模型）以及滞后设定都是稳健的。当使用空间自回归（SAR）模型时，结果依然成立，但基于似然比（LR）检验和赤池信息准则（AIC）评分，研究更倾向于使用 SDM 模型。
收入交互作用： 研究测试了社区收入是否调节了 HCV 与犯罪之间的关系（即“缓冲效应”对比“高目标机会”假说）。虽然在首选的 SDM 设定中，交互项在统计学上并不显著，但 SAR 模型表明存在潜在的缓冲效应，即较高的收入可以减轻不利影响。作者指出，SDM 中包含的邻里特定控制变量可能会掩盖这种特定的交互作用。

意义与主张
本文声称在文献中做出了三个主要贡献：

量化溢出效应： 本研究首次利用带有固定效应的空间杜宾模型（SDM-FE）提供了住房券对犯罪溢出效应的估计。通过证明总影响（2.5%）明显大于仅有的直接影响，研究认为非空间模型系统性地低估了 HCV 计划的全面后果。
方法论严谨性： 本研究通过采用带有固定效应的空间杜宾模型推进了该领域的发展，该模型考虑了不可观测的异质性和因变量及自变量的空间依赖性。这种方法解决了忽略空间反馈循环的模型所固有的偏差问题。
郊区背景： 不同于以往关注具有中央集权治理的大型城市中心的研究，本研究考察了一个高度碎片化的郊区环境（圣路易斯县），该地区拥有超过 90 个自治市，且存在明显的社会经济边界（“德尔马分界线”/Delmar Divide）。

政策启示
基于研究结果，作者建议，为了减轻与补贴住房相关的犯罪影响，决策者应专注于去集中化占用的 HCV 单位。研究提倡：

限制在困境社区（distressed tracts）集中使用住房券。
鼓励向可能存在“缓冲效应”的高收入地区流动。
采用小区域公平市场租金（SAFMRs），以扩大住房券持有者可以进入的社区范围。
在实施去集中化措施的同时，配合针对困境社区的场所导向型投资，以解决潜在的社会经济驱动因素。

局限性
作者谦虚地承认，研究结果具有圣路易斯县特定的社会空间背景，可能无法完全推广到其他辖区。此外，尽管研究控制了空间依赖性，但并未完全解决可能由反向因果关系（即犯罪率影响住房券分配）引起的内生性问题，这表明未来的研究应采用准实验设计，以更可靠地识别因果关系。

技术摘要：住房选择券对犯罪的影响：空间计量经济学分析

类似论文