Resumo Técnico: Tradeoffs são Dependentes do Domínio: Melhorando a Precisão e a Equidade nas Avaliações de Imposto Predial

Declaração do Problema

A pesquisa sobre justiça algorítmica tem operado há muito tempo sob a premissa de um tradeoff universal entre justiça e precisão: melhorar a justiça de um modelo frequentemente exige uma redução na precisão preditiva. Este artigo desafia essa premissa dentro do domínio específico das avaliações de imposto predial nos EUA.

As avaliações de imposto predial nos EUA estão atualmente plagadas por regressividade sistemática, onde proprietários de imóveis de menor valor pagam um ônus tributário desproporcionalmente maior em relação ao valor de suas residências, comparado a proprietários de imóveis de maior valor. Isso viola o princípio da equidade vertical. Embora a regressividade seja frequentemente atribuída à corrupção ou a limites legais sobre aumentos nas avaliações, os autores argumentam que um motor primário é a dependência de dados esparsos e modelos simplistas por parte dos avaliadores. Diferentemente de compradores e vendedores, que utilizam dados ricos (inspeções, avaliações) para determinar o valor justo de mercado, os avaliadores frequentemente dependem de dados exteriores limitados, fazendo com que as avaliações regredam em direção à média. Isso resulta em imóveis de baixo valor sendo superavaliados e imóveis de alto valor sendo subavaliados.

A questão central de pesquisa é se os esforços para aumentar a precisão das avaliações (utilizando mais dados e melhores modelos) levam inerentemente a um aumento na equidade (redução da regressividade), ou se um tradeoff existe neste domínio.

Metodologia

Os autores utilizam um conjunto de dados abrangente de 26 milhões de vendas de imóveis abrangendo o período de 2018 a 2023, cobrindo 95% dos condados dos EUA (2.844 de 3.007). Os dados, obtidos da Cotality (anteriormente CoreLogic), incluem detalhes de transações, características dos imóveis e informações fiscais, mesclados com dados socioeconômicos do American Community Survey (ACS).

O estudo emprega três abordagens analíticas complementares:

1. Análise de Correlação Empírica: Os autores analisam a relação entre precisão de avaliação e equidade em diferentes jurisdições sob práticas de "status quo". Eles medem a precisão usando o Erro Percentual Absoluto Médio (MAPE) entre os valores avaliados e os preços de venda reais. A equidade é medida usando três métricas distintas de regressividade: o Coeficiente Logarítmico (LC), o Índice Suits (SI) e o Diferencial Relacionado ao Preço (PRD).
2. Simulação Contrafactual (Experimento de Ablação): Utilizando modelos LASSO e Random Forest treinados ao nível do condado, os autores simulam pipelines de avaliação. Eles comparam um modelo "esparso" (usando apenas três características de imóveis altamente disponíveis) contra um modelo "rico" (usando todas as características de imóveis disponíveis). Isso testa se adicionar características de imóveis melhora simultaneamente a precisão e a equidade.
3. Experimento de Integração de Dados do Censo: Os autores simulam a incorporação de dados de grupos de blocos do Censo publicamente disponíveis (por exemplo, renda do bairro, educação, demografia) em modelos de avaliação Random Forest. Este experimento avalia se adicionar dados socioeconômicos ao nível do bairro, que são atualmente subutilizados pela maioria dos avaliadores, produz melhorias de Pareto (ganhos tanto em precisão quanto em equidade) em relação às previsões do status quo.

O quadro de avaliação utiliza uma abordagem de fronteira de Pareto. Os autores examinam se os modelos contrafactuais oferecem ganhos simultâneos em precisão e equidade em relação às linhas de base. Se um modelo melhorar ambas as métricas sem tradeoff, ele representa uma melhoria de Pareto.

Principais Resultados

1. Forte Correlação nas Práticas de Status Quo

Em 98% dos condados analisados, as avaliações do status quo eram regressivas. No entanto, existe uma forte correlação positiva entre precisão e equidade: condados com menores erros de avaliação (maior precisão) geralmente exibiram menores níveis de regressividade (maior equidade). Isso sugere que melhorias metodológicas nas práticas atuais poderiam gerar ganhos conjuntos.

2. Modelos Simulados e Adição de Características

No experimento de ablação comparando modelos LASSO esparsos versus ricos:

• Adicionar características de imóveis melhorou a precisão na maioria dos casos.
• Crucialmente, em 99,9% dos condados onde a precisão melhorou, a equidade também melhorou. Apenas um condado (Condado de DeSoto, Missouri) exibiu um tradeoff.
• A magnitude dos ganhos de equidade tendeu a correlacionar-se com a magnitude dos ganhos de precisão.

3. Impacto dos Dados do Censo

No experimento que incorporou dados de grupos de blocos do Censo em modelos Random Forest (excluindo condados com tetos legais de avaliação):

• Ganhos simultâneos significativos em precisão e equidade foram observados em 14,7% dos condados.
• Entre os condados que mostraram mudança significativa, 96,2% experimentaram ganhos simultâneos em ambas as métricas, com apenas 3,8% mostrando tradeoffs.
• A adição de dados do Censo geralmente aumentou os valores avaliados para imóveis de alto preço e diminuiu-os para imóveis de baixo preço, reduzindo assim a regressividade.

4. Equidade Interseccional (Raça e Renda)

A inclusão de características do Censo também reduziu a regressividade em relação à raça e renda ao nível do bairro:

• Raça: Bairros predominantemente negros (definidos como >30% de residentes negros) viram diminuições médias nos valores avaliados, enquanto bairros predominantemente não negros viram aumentos. Isso sugere uma redução no ônus tributário para proprietários negros.
• Renda: As avaliações diminuíram em bairros de baixa renda e aumentaram em bairros de alta renda, tornando o sistema tributário mais progressivo em relação à renda.

Principais Contribuições

• Evidência Específica do Domínio: O artigo fornece a primeira evidência empírica em grande escala de que o tradeoff entre justiça e precisão não é universal, demonstrando especificamente que, nas avaliações de imposto predial, precisão e equidade estão fortemente correlacionadas.
• Quadro Metodológico: Introduz uma avaliação holística de pipelines de avaliação usando métricas relevantes para o domínio (equidade vertical/regressividade) em vez de restrições de justiça abstratas, mostrando que tradeoffs são a exceção e não a regra neste cenário.
• Intervenções Prontas para Políticas: O estudo identifica que incorporar dados públicos do Censo é uma reforma viável e de baixo custo que pode melhorar significativamente tanto a precisão quanto a equidade das avaliações de imposto predial em centenas de condados dos EUA.
• Desafio às Premissas Predominantes: As descobertas desafiam a premissa implícita na literatura de ML justo de que construir modelos mais justos exige sacrificar a precisão, sugerindo que, em sistemas do setor público baseados em regressão, "a justiça pode vir de graça" através de melhores dados e modelagem.

Significado e Alegações

Os autores afirmam que suas descobertas desafiam fundamentalmente a universalidade presumida do tradeoff entre justiça e precisão. Eles argumentam que o tradeoff é dependente do domínio. No contexto do imposto predial, onde a justiça é definida como equidade vertical (proporcionalidade ao valor) e a precisão é definida como proximidade ao valor de mercado, melhorar a capacidade do modelo de prever o valor de mercado corrige inerentemente os vieses sistemáticos que causam regressividade.

O artigo postula que o tradeoff percebido frequentemente surge de:

1. Esparsidade de Dados: Modelos atuais carecem dos dados necessários para distinguir entre valores de imóveis, levando a erros de regressão à média que prejudicam proprietários de baixo valor.
2. Desalinhamento de Métricas: Uso de restrições de justiça abstratas (como paridade estatística) em vez de princípios de equidade específicos do domínio (como equidade vertical).

Os autores concluem que melhorias de modelagem bem projetadas — especificamente a adoção de Modelos Automatizados de Avaliação (AVMs) baseados em árvores e a integração de dados do Censo — podem avançar simultaneamente a justiça e a precisão em sistemas de grande escala do setor público. Eles enfatizam que, embora tradeoffs sejam teoricamente possíveis (por exemplo, se os ganhos de precisão estiverem agrupados apenas em apelações de alto valor), eles não são observados na aplicação prática de adicionar dados aos modelos de avaliação.

Limitações e Escopo

Os autores permanecem modestos quanto ao escopo de suas alegações:

• Dependência da Linha de Base: A descoberta de "sem tradeoff" é relativa aos modelos atuais de status quo e bases esparsas. Tradeoffs podem surgir se os avaliadores já estivessem operando perto de uma fronteira de eficiência ou se diferentes definições de justiça fossem usadas.
• Representatividade dos Dados: O estudo depende de dados de vendas intermediadas, que podem não representar perfeitamente toda a população de imóveis avaliados (por exemplo, excluindo proprietários-ocupantes de longo prazo). No entanto, experimentos de ponderação sugerem que isso não altera significativamente as descobertas.
• Preço de Venda como Verdade Terrena: O estudo assume que o preço de venda equivale ao valor justo de mercado. Os autores reconhecem que os preços de venda em si podem ser enviesados por discriminação racial (por exemplo, subavaliação de imóveis em bairros negros). Embora seus modelos melhorem a precisão em relação ao preço de venda, eles notam que isso não resolve completamente a questão subjacente da desvalorização racial no mercado, embora reduza o ônus tributário sobre esses bairros.
• Barreiras Legais e Estruturais: O artigo observa que tetos legais sobre aumentos de avaliação em 17 estados e a falta de dados de raça em nível individual para avaliadores limitam a plena realização desses ganhos.