[논문 리뷰] 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 Barton외 7명|arXiv (Cornell University)|2017. 10. 06.

Housing Market and Economics참고 문헌 6인용 수 4

한 줄 요약

이 논문은 기계학습을 활용해 애틀랜타의 반디스플라스먼트 세금 기금 자격 및 재산세 인상 여부를 예측함으로써 지역 주민이 자격을 투명하게 판단하고 혜택을 추정할 수 있도록 제안한다. 연구 결과, 담보 설정 여부가 자격을 크게 감소시킴을 확인하여 정책 개선과 프로그램 설계 향상이 필요하다는 점을 시사한다.

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.

연구 동기 및 목표

• 메르세데스-벤츠 스타디움 및 벨트라인 프로젝트로 인한 애틀랜타 웨스트사이드 지역의 이주 문제에 대한 지역 사회의 우려를 다루기 위해.
• 재산세 인상에 대한 보조금을 지급하는 반디스플라스먼트 세금 기금의 투명성과 책임성을 향상시키기 위해.
• 지역 주민이 상호작용형 도구를 통해 자가로 자격을 평가하고 기금의 재정적 영향을 이해할 수 있도록 지원하기 위해.
• 가구 수준의 데이터와 기계학습을 활용해 예측된 세금 인상과 자격 예측을 통해 이전의 집계 기반 추정치와 대비해 프로그램의 예상 비용과 범위를 정량화하기 위해.
• 재산담보 설정 등 자격 제한 요인에 대한 데이터 기반 통찰을 제공함으로써 지역 사회 옹호를 지원하고 정책 개선을 이끌기 위해.

제안 방법

• 기계학습 모델을 활용해 이전의 재산세 평가 데이터를 분석하여 개별 주택의 향후 세금 인상 여부를 예측하였다.
• 주거용 주택, 재산가치 기준, 담보 설정 여부 등 가구 수준의 자격 기준을 예측 모델에 통합하였다.
• 카운티 법무사에서 확보한 재산 기록, 인구 조사 데이터, 담보 정보를 융합한 풍부한 데이터셋을 활용해 예측 정확도를 향상시켰다.
• 주민이 자신의 재산 정보를 입력하고 실시간으로 자격 및 비용 추정치를 확인할 수 있는 상호작용형 웹 기반 도구를 개발하였다.
• 예측된 세금 인상과 자격 예측치를 바탕으로 7년간의 프로그램 비용을 계산하였으며, 핵심 변수에 대한 민감도 분석을 수행하였다.
• 지역 사회 단체(예: 웨스트사이드 애틀랜타 랜드트러스트)와 협력하여 데이터 검증, 자격 기준 보완, 도구 접근성 확보를 수행하였다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 애틀랜타 웨스트사이드 지역의 개별 주택에 대해 향후 재산세 인상을 얼마나 정확하게 예측할 수 있는가?
• RQ2 담보 설정 여부를 포함한 자격 기준을 고려할 때, 대상 지역의 주택 소유자 중 실제로 반디스플라스먼트 세금 기금에 자격이 있는 비율은 어느 정도인가?
• RQ3 세부적인 가구 수준의 데이터를 통합함으로써 이전의 집계 기반 추정치와 비교해 비용 및 범위 예측의 정확도는 얼마나 향상되는가?
• RQ4 재산담보 설정이 자격 소유자 수에 얼마나 큰 영향을 미치며, 이는 프로그램의 형평성과 영향력에 어떤 영향을 미칠 수 있는가?
• RQ5 상호작용형 데이터 도구는 투명성을 높이고 지역 주민이 반디스플라스먼트 정책 옹호를 더 효과적으로 수행할 수 있도록 도울 수 있는가?

주요 결과

• 모델 분석 결과, 담보 설정이 널리 퍼져 있어 대상 지역 주택 소유자 중 실제로 반디스플라스먼트 세금 기금에 자격이 있는 비율은 매우 낮게 나타났다.
• 가구 수준의 분석을 통해 담보 설정 여부가 주요 장벽임을 확인하였으며, 이는 초기 추정치 대비 자격 소유자 수를 크게 감소시켰다.
• 7년간의 프로그램 비용은 이전의 집계 기반 추정치보다 상당히 높게 예측되었으며, 이는 재정 계획 재수립이 필요함을 시사한다.
• 상호작용형 자격 도구를 통해 주민들이 실시간으로 자격을 자가 평가할 수 있게 되어 투명성이 향상되었고, 종이 기반 신청에 대한 의존도가 감소하였다.
• 지역 주민들은 담보 설정 청산을 위한 기금 자원 활용이나 자격 기준 확대 등 정책 개선을 위한 옹호에 데이터 기반의 영향력을 확보하게 되었다.
• 본 연구는 2018년 이후 실제 참여 및 프로그램 성과를 반영하기 위해 종단적 데이터 수집과 향후 모델 업데이트의 중요성을 강조하였다.