Tradeoffs are Domain Dependent: Improving Accuracy and Fairness in Property Tax Assessments
Diese Studie hinterfragt die angenommene Universalität des Trade-offs zwischen Fairness und Genauigkeit, indem sie durch eine Analyse von 26 Millionen Immobilienverkäufen in den USA nachweist, dass die Verbesserung von Vorhersagemodellen für die Grundsteuerbemessung durch zusätzliche Merkmale und Daten des Census gleichzeitig sowohl die Genauigkeit als auch die Fairness erhöht und dadurch die Regressivität des Systems verringert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die große Frage: Können wir den Kuchen haben und ihn auch essen?
Lange Zeit waren sich Experten aus den Bereichen Informatik und Gerechtigkeit in einer „Goldenen Regel" von Algorithmen einig: Man kann nicht gleichzeitig perfekte Genauigkeit und perfekte Gerechtigkeit haben.
Stellen Sie sich vor, Sie sind eine Lehrerin, die eine Klasse bewertet. Der alte Glaube besagte, dass Sie, wenn Sie versuchen, die Noten völlig gerecht zu gestalten (damit keine Schülergruppe ungerecht benachteiligt wird), zwangsläufig die Gesamtgenauigkeit der Bewertung senken müssten. Es wurde als Zielkonflikt gesehen: Um die Ungerechtigkeit zu beheben, musste man auf Präzision verzichten.
Dieses Papier sagt: „Nicht unbedingt."
Die Forscher untersuchten ein sehr spezifisches, reales System: Grundsteuerbewertungen in den Vereinigten Staaten. Sie stellten die Frage: Wenn wir die Computermodelle, die zur Besteuerung von Häusern verwendet werden, genauer machen, werden die Steuern dann fairer oder schlechter?
Ihre Antwort ist überraschend: In diesem spezifischen Fall macht das genauer machen der Modelle sie fast immer auch fairer.
Das Problem: Der „faule Gutachter"
Um zu verstehen, warum, werfen wir einen Blick darauf, wie die Grundsteuer heute funktioniert.
Stellen Sie sich eine Stadt vor, in der der lokale Steuerbewerter (die Person, die entscheidet, wie viel Ihr Haus zu Steuerzwecken wert ist) etwas faul ist. Er hat keine Zeit, jedes Haus im Detail zu prüfen. Stattdessen verfolgt er einen „Einheitsansatz". Er sieht sich ein Haus an und schätzt seinen Wert basierend auf sehr grundlegenden Informationen, wie zum Beispiel „es ist ein Haus in dieser Nachbarschaft".
Das Ergebnis:
- Reiche Häuser (mit Pools, riesigen Gärten und maßgeschneiderten Küchen) werden unterbewertet. Der faule Gutachter erkennt die zusätzlichen Merkmale nicht, also werden sie zu wenig besteuert.
- Arme Häuser (klein, älter oder an weniger begehrten Orten) werden überbewertet. Der Gutachter geht davon aus, dass sie den Durchschnittswert haben, also werden sie zu stark besteuert.
Dies führt zu einer regressiven Steuer: Menschen mit weniger Geld zahlen am Ende einen höheren Prozentsatz des Werts ihres Hauses in Steuern als wohlhabende Menschen. Es ist wie bei einer Pizza, bei der reiche Menschen zusätzliche Stücke bekommen, aber weniger pro Stück zahlen, während arme Menschen kleinere Stücke bekommen, aber mehr pro Stück zahlen.
Das Experiment: Dem Gutachter ein besseres Werkzeug geben
Die Forscher wollten herausfinden, ob sie dies beheben konnten, ohne das System zu zerstören. Sie führten drei Haupttests mit Daten von 26 Millionen Hausverkäufen in 95 % der US-Bezirke durch.
1. Der „Realitäts-Check"
Sie untersuchten, wie die Bezirke derzeit abschneiden. Sie fanden einen starken Zusammenhang: Bezirke, die bereits besser darin sind, Hauswerte zu schätzen (genauer), sind auch diejenigen mit faireren Steuern.
- Analogie: Es ist wie festzustellen, dass die Köche, die am besten ein Gericht zubereiten, auch diejenigen sind, die die ausgewogensten Portionen servieren. Genauigkeit und Gerechtigkeit gehen im aktuellen System Hand in Hand.
2. Der „Mehr Informationen"-Test (Die Simulation)
Sie bauten Computermodelle, um zu simulieren, was passieren würde, wenn Gutachter mehr Informationen hätten.
- Das „spärliche" Modell: Der Computer kannte nur die Größe des Hauses und das Baujahr. (Wie ein Buch nur nach seinem Einband zu beurteilen).
- Das „reiche" Modell: Der Computer wusste alles: die Anzahl der Badezimmer, die Qualität des Dachs, die Aussicht, den Zustand der Küche usw. (Wie das ganze Buch zu lesen).
Die Erkenntnis: Als sie dem Computer mehr Details gaben, wurde er besser darin, den Preis zu schätzen (die Genauigkeit stieg). Aber hier liegt der Zauber: Es korrigierte auch die Ungerechtigkeit.
- In 99 % der Fälle wurde das Modell sowohl genauer als auch fairer.
- Analogie: Stellen Sie sich einen Detektiv vor, der ein Verbrechen aufklärt. Wenn er nur einen Hinweis hat, rät er falsch und beschuldigt die falsche Person (ungerecht). Wenn er mehr Hinweise erhält, löst er das Verbrechen korrekt (genau) und beschuldigt Unschuldige nicht mehr (fair). Man muss sich nicht zwischen der Aufklärung des Verbrechens und der Fairness entscheiden; die zusätzlichen Hinweise helfen Ihnen, beides zu tun.
3. Der „Nachbarschaft"-Test (Verwendung von Zensusdaten)
Schließlich testeten sie, was passiert, wenn sie öffentliche Zensusdaten (wie das Durchschnittseinkommen der Nachbarschaft, Bildungsniveaus und lokale Arbeitsmärkte) in die Modelle einfließen lassen. Diese Daten sind kostenlos und für jedermann verfügbar.
Die Erkenntnis: Das Hinzufügen dieses Nachbarschaftskontexts verbesserte die Genauigkeit und Fairness in 14,4 % der Bezirke (insbesondere in denen ohne strenge gesetzliche Grenzen für Steuererhöhungen).
- Analogie: Stellen Sie sich vor, Sie bewerten ein Rennen. Wenn Sie nur auf die Schuhe des Läufers schauen, könnten Sie falsch liegen. Aber wenn Sie auch die Bahnbedingungen (die Nachbarschaft) betrachten, können Sie den Gewinner viel besser vorhersagen. Dies half dem System zu erkennen, dass ein kleines Haus in einer wohlhabenden, nachgefragten Gegend mehr wert ist als ein großes Haus in einer schwächelnden Gegend, und korrigierte die Steuerrechnung, um sie fairer zu gestalten.
Warum dies wichtig ist
Das Papier stellt die Idee in Frage, dass „Gerechtigkeit teuer ist".
- In anderen Bereichen (wie bei Einstellungen oder im Strafrecht) bedeutet es oft, ein System etwas weniger genau zu machen, um es fairer zu gestalten.
- Bei der Grundsteuer stellten die Forscher fest, dass das aktuelle System einfach nur „schlecht in seiner Arbeit" ist, weil ihm Daten fehlen. Indem man dem System einfach bessere Daten gibt (mehr Details zum Haus und Informationen zur Nachbarschaft), wird es von selbst sowohl genauer als auch fairer.
Das Fazit
Das Papier kommt zu dem Schluss, dass wir bei der Grundsteuer nicht zwischen Genauigkeit und Gerechtigkeit wählen müssen. Der „Zielkonflikt" ist kein Naturgesetz; er ist lediglich das Ergebnis der Verwendung schlechter Werkzeuge.
Wenn Steuerbewerter beginnen, bessere Computermodelle zu verwenden, die mehr Details betrachten (wie den Zustand des Hauses und der Nachbarschaft), können sie die Steuern für Menschen senken, die derzeit überfordert sind, und sie für diejenigen erhöhen, die unterfordert sind, und dabei gleichzeitig die Zahlen korrekt halten. Es ist ein „Win-Win"-Szenario, bei dem Gerechtigkeit kostenlos ist, einfach indem man einen besseren Job macht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.