空间处理效应边界的非参数识别：来自银行网点合并的证据

我开发了一个非参数框架，用于识别处理效应的空间边界，而无需施加参数函数形式限制。该方法采用具有数据驱动带宽选择的局部线性回归，灵活估计空间衰减模式并检测处理效应边界。蒙特卡洛模拟表明，与可能强加虚假空间模式的参数方法不同，非参数方法表现出更低的偏差，并在不存在边界时正确识别出没有边界。我将此框架应用于2015-2020年期间的银行网点开业，将5,743个新网点与横跨14,209个普查区的590万份抵押贷款申请进行匹配。分析显示，网点邻近性显著影响贷款申请量（每10英里下降8.5%），但不影响批准率，这与网点通过本地存在刺激需求而信贷决策保持集中的情况一致。在考察数字转型时代（2010-2023年）的网点存续情况时，我发现其与区域收入存在非单调关系：尽管传统观点认为高收入地区网点更稳定，但实际关闭更多。这种反直觉的模式反映了在银行过度饱和的富裕城市地区对冗余网点的战略性整合，而非对贫困社区的歧视。在控制网点密度、城市化和竞争后，直接的收入效应大幅减弱，网点密度成为存续的主要决定因素。这些发现证明了灵活的非参数方法对于检测参数模型可能遗漏的复杂空间模式的必要性，并通过揭示空间整合决策背后的组织复杂性，挑战了关于银行荒漠的简单化叙述。