[论文解读] Forecasting racial dynamics at the neighborhood scale using Density-functional Fluctuation Theory

Yunus A. Kinkhabwala, Boris Barron+3 more|arXiv (Cornell University)|Aug 5, 2021

Urban, Neighborhood, and Segregation Studies参考文献 33被引用 4

一句话总结

本论文提出密度泛函涨落理论（DFFT），仅利用粗粒度的人口普查数据，无需个体层面的迁移记录，即可预测美国社区尺度的种族动态。通过从1990–2010年美国人口普查街区组数据中提取与密度相关的隔离函数，DFFT能够准确预测种族/族裔构成的变化，对白人、西班牙裔和非裔群体的对数似然值分别为4.13×10⁻³、3.74×10⁻³和3.41×10⁻³，并通过自助法实现了稳健的不确定性量化。

ABSTRACT

Racial residential segregation is a defining and enduring feature of U.S. society, shaping inter-group relations, racial disparities in income and health, and access to high-quality public goods and services. The design of policies aimed at addressing these inequities would be better informed by descriptive models of segregation that are able to predict neighborhood scale racial sorting dynamics. While coarse regional population projections are widely accessible, small area population changes remain challenging to predict because granular data on migration is limited and mobility behaviors are driven by complex social and idiosyncratic dynamics. Consequently, to account for such drivers, it is necessary to develop methods that can extract effective descriptions of their impacts on population dynamics based solely on statistical analysis of available data. Here, we develop and validate a Density-Functional Fluctuation Theory (DFFT) that quantifies segregation using density-dependent functions extracted from population counts and uses these functions to accurately forecast how the racial/ethnic compositions of neighborhoods across the US are likely to change. Importantly, DFFT makes minimal assumptions about the nature of the underlying causes of segregation and is designed to quantify segregation for neighborhoods with different total populations in regions with different compositions. This quantification can be used to accurately forecast both average changes in neighborhood compositions and the likelihood of more drastic changes such as those associated with gentrification and neighborhood tipping. As such, DFFT provides a powerful framework for researchers and policy makers alike to better quantify and forecast neighborhood-scale segregation and its associated dynamics.

研究动机与目标

• 开发一种方法，即使在缺乏细粒度迁移数据的情况下，也能预测社区尺度下的小区域种族/族裔人口变化。
• 克服标量隔离指数的局限性，后者无法区分导致相同指数值但具有不同迁移动态的情境。
• 构建一个统计框架，从现有的人口统计计数中提取有效的隔离函数，以模拟社区尺度的人口动态。
• 提供一种具有政策相关性的工具，用于预测社区层面的变化，如绅士化和临界点效应，其依据是全国范围的统计模式。
• 通过2010年人口普查数据验证模型，并利用自助法和数据质量过滤手段量化预测不确定性。

提出的方法

• DFFT应用统计物理的原理，将隔离建模为人口密度的函数，使用一种‘挫折函数’来量化实际种族/族裔分布与预期分布之间的偏差。
• 该理论基于一个对数似然函数推导出对社区构成的概率分布，该函数对不合理的配置施加惩罚，并通过总人口进行归一化，以实现跨区域比较。
• 通过统计拟合1990–2010年美国人口普查街区组数据，推断出挫折函数，并利用纵向对齐的街区组几何结构优化时间尺度τ(C)。
• 通过设定对数似然下限为-10，并排除总人口变化超过25%的社区，来缓解异常值的影响。
• 通过从至少拥有5000万人口的县的自助抽样子样本，量化全国平均挫折函数的不确定性。
• 通过使用1990–2000年数据预测2010年的社区构成，并与实际2010年街区组统计数据对比，对模型进行验证。

实验结果

研究问题

• RQ1 是否可以仅使用粗粒度的人口普查数据，无需个体迁移记录，准确预测社区尺度的隔离动态？
• RQ2 如何在标量指数之外对隔离进行建模，以捕捉导致相同指数值但具有不同迁移动态的情境？
• RQ3 密度泛函方法在多大程度上能从现有普查数据中提取出有效且具有预测力的隔离函数？
• RQ4 预测不确定性在不同种族/族裔群体和不同人口规模下如何变化？
• RQ5 该模型是否不仅能预测平均构成变化，还能预测如绅士化或临界点等极端变化？

主要发现

• DFFT对白人人口预测的对数似然值为4.13×10⁻³，对西班牙裔为3.74×10⁻³，对非裔为3.41×10⁻³，表明具有极高的预测准确性。
• 该模型仅使用1990–2000年数据成功预测了2010年的社区构成，证明其在时间尺度上的鲁棒性。
• 自助法显示，全国平均挫折函数的标准差位于图3及补充材料所示的阴影不确定性区域内。
• 排除人口变化超过25%的社区并设定对数似然下限为-10，显著提升了预测的可靠性，减少了异常值的影响。
• 该框架可通过OSF和GitHub上托管的开源工具，实现对预测准确性的地理空间探索和未来预测。
• 该方法提供了一种可扩展、数据驱动的替代方案，优于临时构建的模型，在政策规划与隔离研究中具有广泛应用前景。