[论文解读] 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 4

一句话总结

本文提出使用机器学习预测亚特兰大市房产税涨幅，并评估居民是否符合亚特兰大反驱逐税基基金的资格，使社区成员能够透明地自行判断资格并预估收益。研究发现，留置权状态会极大减少符合条件的房主数量，促使推动政策改革与项目设计优化。

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.

研究动机与目标

• 回应亚特兰大西区因梅赛德斯-奔驰体育场和环线项目等城市更新导致的居民被驱逐的社区关切。
• 提升反驱逐税基基金的透明度与问责性，该基金为符合条件的房主补贴房产税涨幅。
• 通过交互式工具使社区成员能够自主评估资格，并理解基金对财务影响。
• 利用家庭层面数据与机器学习量化项目成本与覆盖范围，挑战以往基于汇总数据的估算。
• 通过提供关于留置权等资格障碍的数据驱动洞察，支持社区倡导，推动政策改进。

提出的方法

• 应用机器学习模型分析历史房产税评估数据，预测亚特兰大西区个别房屋未来的税负增长。
• 将家庭层面的资格标准（包括自住、房产价值门槛及留置权状态）整合进预测模型。
• 使用结合了房产记录、人口普查数据及县书记官处留置信息的丰富数据集，以提高预测准确性。
• 开发交互式基于网络的工具，使居民可输入房产信息并即时获得资格与成本估算。
• 利用预测的税负增长与资格估算结果，计算七年内项目的预计成本，并对关键变量进行敏感性分析。
• 与本地社区组织（如西区亚特兰大土地信托）合作，验证数据、优化资格规则，并确保工具的可及性。

实验结果

研究问题

• RQ1 机器学习模型在预测亚特兰大西区居民住房未来房产税涨幅方面，准确度如何？
• RQ2 在目标社区中，考虑到包括留置权状态在内的资格标准，实际有多少房主符合反驱逐税基基金的资格？
• RQ3 与以往基于汇总数据的估算相比，纳入详细家庭层面数据在多大程度上提升了成本与覆盖范围估算的准确性？
• RQ4 留置权在多大程度上减少了符合条件的房主数量，这又如何影响项目的公平性与实际影响？
• RQ5 交互式数据工具是否能提升透明度，并增强社区成员更有效地倡导反驱逐政策的能力？

主要发现

• 模型预测显示，由于房产留置权普遍存在，目标社区中仅有极少数房主符合反驱逐税基基金的资格。
• 家庭层面分析表明，留置权是主要障碍，与初始估算相比，使符合条件的房主数量大幅减少。
• 项目前七年预计成本远超以往基于汇总数据的估算，表明需重新规划财务预算。
• 交互式资格评估工具使居民能够实时自主判断资格，提升了透明度，减少了对纸质申请的依赖。
• 社区成员获得了数据驱动的倡导工具，可推动政策改革，例如动用基金资源偿还留置权或扩大资格标准。
• 本研究强调了长期数据收集与未来模型更新的重要性，以反映2018年后实际参与情况与项目表现。