The Impact of the Opportunity Zone Program on Residential Real Estate
Notice bibliographique
Résumé
Problem definition: Opportunity zones (OZs) are designated census tracts in which real estate investments can gain tax benefits. Introduced by the U.S. Tax Cuts and Jobs Act of 2017, the goal of the OZ program is to foster economic development in distressed neighborhoods. In this paper, we investigate and optimize the OZ selection process and examine the impact of OZs by exploiting two data sets: a proprietary real estate data set that includes 36.1 million residential transactions spanning all 50 U.S. states and census-tract demographics data between 2010 and 2019. Methodology/results: We show that census tracts with higher poverty and unemployment rates were more likely to be selected. Counterintuitively, however, tracts with a higher average real estate price were also more likely to be selected. We then apply difference-in-differences, synthetic control, and matching techniques to rigorously assess the impact of the OZ program on two key real estate metrics: price and transaction volume. We find that the OZ program increased real estate prices by 4.03%–6.13% but do not observe a significant effect on the transaction volume. We also find that investors primarily targeted the high-end real estate market, namely, exhibiting a cherry-picking behavior. To better fulfill its intended societal and economic goals, we propose an optimization framework with fairness considerations for OZ assignment decisions. We show that the OZs assigned from our fairness-aware optimization formulation can better serve distressed communities and mitigate investors’ cherry-picking behavior. Managerial implications: Our paper underscores the importance of incorporating fairness in OZ designation to achieve a desirable real estate market reaction. Our large-scale empirical analysis provides a comprehensive assessment of the current government OZ assignment, and our fairness-aware optimization framework provides concrete recommendations for policy makers. Supplemental Material: The online appendix is available at https://doi.org/10.1287/msom.2024.0746 .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».