[论文解读] Measuring the Impact of Taxes and Public Services on Property Values: A Double Machine Learning Approach

Isaiah Hull, Anna Grodecka‐Messi|arXiv (Cornell University)|Mar 23, 2022

Housing Market and Economics被引用 5

一句话总结

本文使用双重机器学习方法，结合瑞典2010–2016年期间947项随时间变化的市政控制变量的新型数据集，估计地方税收和公共服务对房地产价值的因果影响。研究发现，在控制公共服务和地方特征后，税收资本化效应的估计值翻倍以上，且在竞争性城市地区效应更强，支持Tiebout假设。

ABSTRACT

How do property prices respond to changes in local taxes and local public services? Attempts to measure this, starting with Oates (1969), have suffered from a lack of local public service controls. Recent work attempts to overcome such data limitations through the use of quasi-experimental methods. We revisit this fundamental problem, but adopt a different empirical strategy that pairs the double machine learning estimator of Chernozhukov et al. (2018) with a novel dataset of 947 time-varying local characteristic and public service controls for all municipalities in Sweden over the 2010-2016 period. We find that properly controlling for local public service and characteristic controls more than doubles the estimated impact of local income taxes on house prices. We also exploit the unique features of our dataset to demonstrate that tax capitalization is stronger in areas with greater municipal competition, providing support for a core implication of the Tiebout hypothesis. Finally, we measure the impact of public services, education, and crime on house prices and the effect of local taxes on migration.

研究动机与目标

• 解决由于遗漏地方公共服务和特征控制而导致的税收资本化估计长期存在的偏差问题。
• 利用新型高维数据集，提供地方税收和公共服务对房地产价格影响的因果估计。
• 通过检验税收对迁移的影响，检验Tiebout假设的作用机制。
• 通过避免依赖单一事件准实验设计，提高外部有效性。
• 展示双重机器学习结合高维控制在实证公共财政研究中的适用性。

提出的方法

• 采用Chernozhukov等人（2018）提出的双重机器学习（DML）估计器，以在存在高维非参数干扰参数的情况下估计处理效应。
• 使用“深度-宽”神经网络架构，对控制变量与结果之间的非线性关系进行建模，同时保持对固定效应的线性依赖。
• 纳入947项随时间变化的市级控制变量，包括公共服务投入、产出、住房市场变量和财政指标。
• 应用市镇和年份固定效应，以控制未观测到的时间不变和时间可变的混杂因素。
• 将DML框架与覆盖2010至2016年瑞典全部290个市镇的大型、高粒度数据集相结合。
• 利用该方法估计税收变化对房地产价格和迁移的响应，从而实现机制检验。

实验结果

研究问题

• RQ1 遗漏公共服务和地方特征控制如何导致房地产价格中税收资本化估计的偏差？
• RQ2 地方税收在多大程度上影响迁移？这一结果是否支持Tiebout假设？
• RQ3 在充分控制后，公共服务投入和产出如何独立影响住房价值？
• RQ4 在市政竞争更高的地区，税收资本化效应是否更强？
• RQ5 结合高维控制的双重机器学习能否产生更可靠且具有外部有效性的税收和公共服务对房地产价值影响的估计？

主要发现

• 在控制公共服务和地方特征后，地方所得税对房价影响的估计值翻倍以上，表明先前研究存在显著的低估偏差。
• 在市政竞争较高的城市地区，税收资本化效应的强度是其他地区的四倍，支持Tiebout假设的核心预测。
• 当未控制产出时，公共服务投入（如生均支出）对房价具有负面影响，但公共服务产出的影响仍为正且显著。
• 在完整样本中，税收对迁移的影响估计值较小，但在城市市镇中几乎翻倍，表明在竞争性地区存在更强的行为响应。
• 该方法通过高维控制和固定效应有效控制了混杂因素，成功分离出税收和服务对房价的因果效应。
• 本研究证明，诸如双重机器学习等机器学习方法可有效应用于公共财政中的大规模复杂数据集，从而获得更准确且更具普适性的结果。