Racial Segregation and the American Foreclosure Crisis
Notice bibliographique
Résumé
The rise in subprime lending and the ensuing wave of foreclosures was partly a result of mar-ket forces that have been well-identified in the literature, but it was also a highly racialized process. We argue that residential segregation created a unique niche of minority clients who were differentially marketed risky subprime loans that were in great demand for use in mortgage-backed securities that could be sold on secondary markets. We test this argument by regressing foreclosure actions in the top 100 U.S. metropolitan areas on measures of black, Hispanic, and Asian segregation while controlling for a variety of housing market conditions, including average creditworthiness, the extent of coverage under the Community Reinvest-ment Act, the degree of zoning regulation, and the overall rate of subprime lending. We find that black residential dissimilarity and spatial isolation are powerful predictors of fore-closures across U.S. metropolitan areas. To isolate subprime lending as the causal mecha-nism through which segregation influences foreclosures, we estimate a two-stage least squares model that confirms the causal effect of black segregation on the number and rate of foreclosures across metropolitan areas. We thus conclude that segregation was an impor-tant contributing cause of the foreclosure crisis, along with overbuilding, risky lending prac-tices, lax regulation, and the bursting of the housing price bubble. Keywords segregation, foreclosures, race, discrimination Four decades after passage of the Fair Hous-ing Act, residential segregation remains a key feature of America’s urban landscape. Levels of black segregation have moderated since the civil rights era, but declines are concentrated in metropolitan areas with small black populations (Charles 2003). In areas with large African American communities—
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».