NY Real Estate Racial Equity Analysis via Applied Machine Learning

要約

この調査では、人種的格差を明らかにするために、ニューヨーク州（NYS）とニューヨーク市（NYC）の路面レベルの不動産所有パターンを分析します。
高度な人種/民族の代入モデル（XGBoostフィルタリングを備えたLSTM+GEO、89.2％の精度で検証）を使用して、財産所有者の予測された人種構成を国勢調査データから居住者集団と比較します。
完全なモデル（州全体）と名前のみのLSTMモデル（NYC）の両方を調べて、地理空間のコンテキストを組み込むことが予測と格差の推定にどのように影響するかを評価します。
結果は大きな不平等を明らかにしています。白人は人口に比べて不均衡な財産と財産価値の不均衡なシェアを保持し、黒人、ヒスパニック系、アジアのコミュニティは財産所有者として過小評価されています。
これらの格差は、主に非白人の人口にもかかわらず、所有権が主に白人である少数派の大部分で最も顕著です。
企業の所有権（LLC、信託など）は、都市の少数派コミュニティの所有者が占める機会を減らすことにより、これらのギャップを悪化させます。
私たちは、多数派、ブラック、 – ヒスパニック、および-asianの地域の人種ごとの所有権と人口の内訳を提供し、極端な所有権の格差を持つ人々を特定し、都市、郊外、農村部の文脈のパターンを比較します。
調査結果は、より広範な歴史的および社会経済的勢力を反映して、財産所有権における持続的な人種的不平等を強調し、これらの問題に対処するためのデータ駆動型アプローチの重要性を強調しています。

要約(オリジナル)

This study analyzes tract-level real estate ownership patterns in New York State (NYS) and New York City (NYC) to uncover racial disparities. We use an advanced race/ethnicity imputation model (LSTM+Geo with XGBoost filtering, validated at 89.2% accuracy) to compare the predicted racial composition of property owners to the resident population from census data. We examine both a Full Model (statewide) and a Name-Only LSTM Model (NYC) to assess how incorporating geospatial context affects our predictions and disparity estimates. The results reveal significant inequities: White individuals hold a disproportionate share of properties and property value relative to their population, while Black, Hispanic, and Asian communities are underrepresented as property owners. These disparities are most pronounced in minority-majority neighborhoods, where ownership is predominantly White despite a predominantly non-White population. Corporate ownership (LLCs, trusts, etc.) exacerbates these gaps by reducing owner-occupied opportunities in urban minority communities. We provide a breakdown of ownership vs. population by race for majority-White, -Black, -Hispanic, and -Asian tracts, identify those with extreme ownership disparities, and compare patterns in urban, suburban, and rural contexts. The findings underscore persistent racial inequity in property ownership, reflecting broader historical and socio-economic forces, and highlight the importance of data-driven approaches to address these issues.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google