[論文レビュー] Using data science as a community advocacy tool to promote equity in urban renewal programs: An analysis of Atlanta's Anti-Displacement Tax Fund

Jeremy Auerbach, Hayley Barton+7 more|arXiv (Cornell University)|Oct 6, 2017

Housing Market and Economics参考文献 6被引用数 4

ひとこと要約

本論文は、アトランタのアンチディスラプション・タックスファンドの資格要件と納税額の増加を予測するために機械学習を活用する手法を提案しており、地域住民が透明性を持って自身の資格を確認し、恩恵を予測できるようにする。研究では、抵当権状態が資格を得られる住宅所有者を著しく減少させることを明らかにした。これにより、政策改正とプログラム設計の改善が求められている。

ABSTRACT

Cities across the United States are undergoing great transformation and urban growth. Data and data analysis has become an essential element of urban planning as cities use data to plan land use and development. One great challenge is to use the tools of data science to promote equity along with growth. The city of Atlanta is an example site of large-scale urban renewal that aims to engage in development without displacement. On the Westside of downtown Atlanta, the construction of the new Mercedes-Benz Stadium and the conversion of an underutilized rail-line into a multi-use trail may result in increased property values. In response to community residents' concerns and a commitment to development without displacement, the city and philanthropic partners announced an Anti-Displacement Tax Fund to subsidize future property tax increases of owner occupants for the next twenty years. To achieve greater transparency, accountability, and impact, residents expressed a desire for a tool that would help them determine eligibility and quantify this commitment. In support of this goal, we use machine learning techniques to analyze historical tax assessment and predict future tax assessments. We then apply eligibility estimates to our predictions to estimate the total cost for the first seven years of the program. These forecasts are also incorporated into an interactive tool for community residents to determine their eligibility for the fund and the expected increase in their home value over the next seven years.

研究の動機と目的

• アトランタ・ウエストサイドの都市再生に伴う住宅の立ち退き懸念に対処する。特にメルセデス・ベンツ・スタジアムおよびベルトライン計画による影響を念頭に置く。
• アンチディスラプション・タックスファンドの透明性と説明責任を高める。この基金は、資格を満たす住宅所有者の納税額の増加を補填する。
• 地域住民が自身の資格を自己評価し、基金の財務的影響を理解できるように、インタラクティブなツールを提供する。
• 世帯単位のデータと機械学習を用いて、過去の集計ベースの推定とは対照的に、プログラムの予想費用と範囲を定量化する。
• 抵当権状態などの資格障壁に関するデータドリブンな知見を提供することで、コミュニティ主導の政策改善を支援する。

提案手法

• 過去の不動産税評価データを用いて、機械学習モデルを適用し、アトランタ・ウエストサイドの個々の住宅の将来の納税額増加を予測する。
• 所有者居住状態、不動産価格のしきい値、抵当権状態を含む世帯単位の資格基準を予測モデルに統合する。
• 郡の裁判所が提供する不動産記録、国勢調査データ、抵当権情報の包括的なデータセットを活用し、予測精度を向上させる。
• 住民が自らの不動産情報を入力し、リアルタイムで資格状態と費用の見積もりを受け取れる、インタラクティブなウェブベースのツールを開発する。
• 予測された納税額増加と資格予測をもとに、7年間のプログラム費用を計算し、主要変数の感度分析を実施する。
• 地域のコミュニティ団体（例：ウエストサイド・アトランタ・ランドトラスト）と協働し、データの検証、資格基準の見直し、ツールのアクセシビリティ確保を図る。

実験結果

リサーチクエスチョン

• RQ1 アトランタのウエストサイド地域における、個々の住宅の将来の不動産税増加を予測する機械学習モデルの正確性はどの程度か？
• RQ2 抵当権状態を含む資格基準を満たす場合、対象地域の住宅所有者の何パーセントが実際にアンチディスラプション・タックスファンドの資格を得られるか？
• RQ3 詳細な世帯単位のデータを組み込むことで、従来の集計ベースの推定と比較して、費用と範囲の予測精度はどの程度向上するか？
• RQ4 不動産の抵当権状態が、資格を得られる住宅所有者の数をどの程度減少させるか。また、その影響がプログラムの公平性と効果に及ぼす可能性は？
• RQ5 インタラクティブなデータツールは、透明性を高め、地域住民がアンチディスラプション政策をより効果的に提言する力を強化できるか？

主な発見

• モデルの予測によると、抵当権が広く存在するため、対象地域の住宅所有者のわずか一部しかアンチディスラプション・タックスファンドの資格を得られないことが判明した。
• 世帯単位の分析から、抵当権状態が顕著な障壁となっており、当初の推定と比較して、資格を得られる住宅所有者の数が大幅に減少していることが明らかになった。
• 7年間のプログラム費用の予測は、従来の集計ベースの推定をはるかに上回っており、財政計画の見直しが必要であると示唆された。
• インタラクティブな資格判定ツールにより、住民がリアルタイムで自身の資格を自己評価できるようになり、紙の申請への依存が減少した。
• コミュニティメンバーは、基金の資金を抵当権の返済に充てることや、資格基準の拡大を求める政策改正を支援するための、データドリブンな根拠を得た。
• 本研究は、2018年以降の実際の参加状況とプログラムの実効性を反映するため、縦断的データ収集と将来のモデルの更新の重要性を浮き彫りにした。