MétaCan
Menu
Retour à la cohorte
Enregistrement W4402641040 · doi:10.1287/msom.2024.0746

The Impact of the Opportunity Zone Program on Residential Real Estate

2024· article· en· W4402641040 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueManufacturing & Service Operations Management · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueKorean Urban and Social Studies
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésBusinessReal estateFinanceResidential real estateOperations managementEconomics

Résumé

récupéré en direct d'OpenAlex

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,930
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,279
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle