기술적 요약: 트레이드오프는 도메인에 의존한다: 부동산 세액 평가의 정확성과 공정성 향상

문제 제기

알고리즘 공정성 연구는 오랫동안 공정성과 정확성 사이의 보편적인 트레이드오프를 전제로 해왔다. 즉, 모델의 공정성을 높이면 종종 예측 정확도가 떨어질 수밖에 없다는 것이다. 본 논문은 미국의 부동산 세액 평가라는 특정 도메인 내에서 이러한 가정에 도전한다.

미국의 부동산 세액 평가는 현재 체계적인 역진성 (regressivity) 에 시달리고 있다. 이는 저가 주택 소유자가 고가 주택 소유자에 비해 주택 가치 대비 불균형하게 높은 세 부담을 지는 현상이다. 이는 수직적 형평성 (vertical equity) 원칙을 위반한다. 역진성은 종종 부패나 평가액 인상 상한선과 같은 법적 제한 때문이라고 여겨지지만, 저자들은 주요 원인이 평가자들이 희소한 데이터와 단순한 모델에 의존하기 때문이라고 주장한다. 구매자와 판매자가 공정한 시장 가치를 결정하기 위해 검사, 감정평가 등 풍부한 데이터를 활용하는 반면, 평가자들은 제한된 외관 데이터에 의존하는 경향이 있어 평가액이 평균으로 회귀하게 만든다. 그 결과 저가 주택은 과다 평가되고 고가 주택은 과소 평가된다.

핵심 연구 질문은 평가 정확성을 높이기 위한 노력 (더 많은 데이터와 더 나은 모델 활용) 이 공정성 향상 (역진성 감소) 으로 자연스럽게 이어지는지, 아니면 이 도메인에서 트레이드오프가 존재하는지 여부이다.

방법론

저자들은 2018 년부터 2023 년까지의 2,600 만 건의 부동산 거래 데이터를 활용했다. 이 데이터는 미국 카운티의 95%(3,007 개 중 2,844 개) 를 포괄하며, Cotality(구 CoreLogic) 에서 제공된 것으로 거래 세부 사항, 부동산 특성, 세무 정보가 포함되어 있으며 미국 지역사회 조사 (ACS) 의 사회경제적 데이터와 병합되었다.

본 연구는 세 가지 보완적인 분석 접근법을 사용한다:

1. 실증 상관관계 분석: 저자들은 현행 관행 하에서 평가 정확성과 공정성 간의 관계를 분석한다. 정확도는 평가액과 실제 매매가격 간의 평균 절대 백분율 오차 (MAPE) 로 측정하며, 공정성은 세 가지 다른 역진성 지표인 로그 계수 (LC), 스츠 지수 (SI), 가격 관련 차분 (PRD) 으로 측정한다.
2. 반사실적 시뮬레이션 (Ablation 실험): 카운티 수준에서 훈련된 LASSO 및 랜덤 포레스트 모델을 사용하여 평가 파이프라인을 시뮬레이션한다. 저자들은 세 가지 매우 널리 이용 가능한 부동산 특성만 사용하는 '희소 (sparse)' 모델과 모든 이용 가능한 부동산 특성을 사용하는 '풍부 (rich)' 모델을 비교한다. 이를 통해 부동산 특성 추가가 정확성과 공정성을 동시에 향상시키는지 검증한다.
3. 센서스 데이터 통합 실험: 저자들은 현재 대부분의 평가자들이 미활용하고 있는 공개된 센서스 블록 그룹 데이터 (예: 이웃 소득, 교육, 인구 통계) 를 랜덤 포레스트 평가 모델에 통합하는 것을 시뮬레이션한다. 이 실험은 현행 예측 대비 파레토 개선 (정확성과 공정성 모두의 향상) 을 가져오는지 평가한다.

평가 프레임워크는 파레토 프론티어 접근법을 활용한다. 저자들은 반사실적 모델이 기준선 대비 정확성과 공정성을 동시에 향상시키는지 검토한다. 만약 모델이 트레이드오프 없이 두 지표를 모두 개선한다면, 이는 파레토 개선을 나타낸다.

주요 결과

1. 현행 관행에서의 강력한 상관관계

분석된 98% 의 카운티에서 현행 평가는 역진적이었다. 그러나 정확성과 공정성 사이에는 강력한 양의 상관관계가 존재한다: 평가 오차가 낮은 (정확도가 높은) 카운티는 일반적으로 역진성 수준이 낮아 (공정성이 높아) 보였다. 이는 현행 관행의 방법론적 개선이 공동의 이득을 가져올 수 있음을 시사한다.

2. 시뮬레이션 모델 및 특성 추가

희소 대 풍부한 LASSO 모델을 비교한 절단 (ablation) 실험에서:

• 부동산 특성을 추가한 경우 대부분의 사례에서 정확도가 향상되었다.
• 중요하게도, 정확도가 향상된 99.9% 의 카운티에서 공정성도 함께 향상되었다. 트레이드오프가 관찰된 카운티는 미주리주 데소토 카운티 (DeSoto County) 단 한 곳뿐이었다.
• 공정성 향상 폭은 정확도 향상 폭과 경향적으로 상관관계를 보였다.

3. 센서스 데이터의 영향

랜덤 포레스트 모델에 센서스 블록 그룹 데이터를 통합한 실험에서 (법정 평가액 상한선이 있는 카운티 제외):

• 14.7% 의 카운티에서 정확성과 공정성이 동시에 유의미하게 향상되었다.
• 유의미한 변화를 보인 카운티 중 96.2% 는 두 지표 모두에서 동시 개선을 경험했으며, 3.8% 만 트레이드오프를 보였다.
• 센서스 데이터 추가는 일반적으로 고가 주택의 평가액을 높이고 저가 주택의 평가액을 낮추어 역진성을 감소시켰다.

4. 교차적 공정성 (인종 및 소득)

센서스 특성 포함은 이웃 수준의 인종 및 소득에 대한 역진성도 감소시켰다:

• 인종: 주로 흑인 거주 지역 (흑인 거주자 30% 초과로 정의) 은 평균 평가액이 감소한 반면, 주로 비흑인 지역은 증가했다. 이는 흑인 주택 소유자의 세 부담 감소를 시사한다.
• 소득: 저소득 지역의 평가액은 감소하고 고소득 지역의 평가액은 증가하여 소득에 대해 세제가 더 진보적으로 변했다.

주요 기여

• 도메인 특화 증거: 본 논문은 공정성 - 정확성 트레이드오프가 보편적이지 않다는 최초의 대규모 실증적 증거를 제시하며, 특히 부동산 세액 평가에서는 정확성과 공정성이 강력하게 상관관계를 가진다는 것을 입증한다.
• 방법론적 프레임워크: 추상적인 공정성 제약이 아닌 도메인 관련 지표 (수직적 형평성/역진성) 를 사용하여 평가 파이프라인을 종합적으로 평가하는 프레임워크를 도입했으며, 이 설정에서 트레이드오프는 예외일 뿐 규칙이 아님을 보였다.
• 정책 실행 가능한 개입: 연구는 공개된 센서스 데이터를 통합하는 것이 수백 개 미국 카운티의 부동산 세액 평가 정확성과 형평성을 크게 개선할 수 있는 실현 가능하고 저비용의 개혁임을 확인했다.
• 기존 가정에 대한 도전: 공정한 머신러닝 문헌에 내재된 "더 공정한 모델을 구축하려면 정확성을 포기해야 한다"는 암묵적 가정에 도전하여, 회귀 기반 공공 부문 시스템에서는 더 나은 데이터와 모델링을 통해 "공정성이 무료로 올 수 있음"을 시사한다.

중요성과 주장

저자들은 자신의 연구 결과가 공정성 - 정확성 트레이드오프의 presumed 보편성을 근본적으로 도전한다고 주장한다. 그들은 트레이드오프가 도메인에 의존적이라고 논한다. 부동산 세금의 맥락에서 공정성이 수직적 형평성 (가치에 대한 비례성) 으로 정의되고 정확성이 시장 가치에의 근접성으로 정의될 때, 시장 가치를 예측하는 모델의 능력을 향상시키는 것은 역진성을 유발하는 체계적 편향을 본질적으로 바로잡는다.

논문은 인식된 트레이드오프가 종종 다음과 같은 요인에서 비롯된다고 제시한다:

1. 데이터 희소성: 현재 모델은 부동산 가치를 구분하는 데 필요한 데이터가 부족하여 저가 소유자에게 피해를 주는 평균 회귀 오류를 초래한다.
2. 지표 불일치: 수직적 형평성과 같은 도메인 특화 형평성 원칙 대신 통계적 평등과 같은 추상적인 공정성 제약을 사용한다.

저자들은 잘 설계된 모델 개선—특히 트리 기반 자동 가치 평가 모델 (AVM) 의 채택과 센서스 데이터 통합—이 대규모 공공 부문 시스템에서 공정성과 정확성을 동시에 진전시킬 수 있다고 결론지었다. 그들은 트레이드오프가 이론적으로 가능할 수 있음 (예: 정확도 향상이 고가 appealed 에만 집중되는 경우) 을 인정하지만, 평가 모델에 데이터를 추가하는 실제 적용에서는 관찰되지 않는다고 강조한다.

한계와 범위

저자들은 주장의 범위에 대해 겸손하게 다음과 같은 점을 밝힌다:

• 기준선 의존성: "트레이드오프 없음"이라는 발견은 현행 상태의 모델과 희소 기준선에 상대적이다. 평가자들이 이미 효율성 프론티어 근처에서 운영 중이거나 다른 공정성 정의가 사용된다면 트레이드오프가 나타날 수 있다.
• 데이터 대표성: 본 연구는 중개된 판매 데이터에 의존하며, 이는 평가된 모든 부동산 인구 (예: 장기 거주 자가 소유자 제외) 를 완벽하게 대표하지 못할 수 있다. 그러나 가중치 실험은 이것이 연구 결과를 크게 바꾸지 않음을 시사한다.
• 매매가를 진리값 (Ground Truth) 으로 간주: 본 연구는 매매가가 공정한 시장 가치와 같다고 가정한다. 저자들은 매매가 자체가 인종 차별 (예: 흑인 지역의 주택 과소평가) 로 인해 편향될 수 있음을 인정한다. 그들의 모델이 매매가를 기준으로 정확도를 향상시키지만, 이것이 시장의 인종적 가치 하락이라는 근본 문제를 완전히 해결하는 것은 아니라고 지적한다. 다만 해당 지역의 세 부담은 감소시킨다.
• 법적 및 구조적 장벽: 논문은 17 개 주의 평가액 인상 법정 상한선과 평가자를 위한 개인 수준의 인종 데이터 부재가 이러한 이득의 완전한 실현을 제한한다고 지적한다.