زاوية Anderson

الذكاء الاصطناعي يحسن تتبع عقارات الشركات المسجلة في الخارج داخل المملكة المتحدة

Martin Anderson
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيكشف التحليل بالذكاء الاصطناعي عن 138,000 عقار غير تقليدي في لندن، بزيادة 44% عن…
عرض المزيد
  • يكشف التحليل بالذكاء الاصطناعي عن 138,000 عقار غير تقليدي في لندن، بزيادة 44% عن الأرقام الرسمية.
  • تتركز العقارات الخارجية بقيمة 56 مليار جنيه إسترليني في وسط لندن مع ارتباط مكاني قوي.
  • تمثل أربعة أقاليم من بينها جزر فيرجن البريطانية 78% من جميع العقارات المملوكة للخارج في المملكة المتحدة.

تهدف أبحاث جديدة من جامعتين بريطانيتين إلى إلقاء المزيد من الضوء على النطاق المحتمل لغسيل الأموال عبر العقارات في المملكة المتحدة، وخاصة في سوق لندن العقارية المرتفعة القيمة.

وفقًا لنتائج المشروع، يبلغ عدد العقارات السكنية “غير التقليدية” (أي العقارات التي لا تستخدم على المدى الطويل كمساكن من قبل المالكين أو المستأجرين) حوالي 138,000 في لندن فقط.

هذا الرقم أعلى بنسبة 44٪ من الأرقام الرسمية التي توفرها وتحدّثها الحكومة البريطانية.

استخدم الباحثون تقنيات معالجة اللغة الطبيعية (NLP) مختلفة، إلى جانب بيانات إضافية وأبحاث توضيحية، لتوسيع المعلومات الرسمية المحدودة التي توفرها الحكومة البريطانية حول نسبة العقارات وقيمتها ومواقعها وأنواعها العقارات المملوكة لشركات مسجلة في الخارج داخل المملكة المتحدة، وتوجد العقارات الأعلى قيمة في العاصمة.

وجدت الدراسة أن إجمالي قيمة العقارات المملوكة لكيانات مسجلة في الخارج والمنخفضة الاستخدام والعقارات من نوع Airbnb يتراوح بين 145-174 مليار جنيه إسترليني عبر حوالي 144,000-164,000 عقار.

كما وجدت أن العقارات المملوكة لكيانات مسجلة في الخارج من هذا النوع عادة ما تكون أكثر تكلفة وتمتلك أنماطًا مميزة فيما يتعلق بمكان وجودها في المملكة المتحدة.

يقدر الباحثون أن العقارات السكنية غير التقليدية (UDP) المملوكة لكيانات مسجلة في الخارج تمثل 7.5٪ من القيمة السكنية الإجمالية، وأن 56 مليار جنيه إسترليني من القيمة المقدرة محدودة في 42,000 مسكن فقط.

تنص الورقة على:

‘العقارات الفردية في الخارج غالية الثمن حتى بمعايير العقارات غير التقليدية، بالإضافة إلى أنها مركزية في وسط لندن مع ارتباط ذاتي مكاني قوي.’

‘على العكس من ذلك، العقارات المملوكة لكيانات مسجلة في الخارج المتداخلة أقل تركيزًا في وسط لندن ولكنها أكثر تركيزًا بشكل عام، ويكاد ينعدم الارتباط المكاني.’

يشير تحليل البيانات المُوسعة إلى أن عددًا كبيرًا من العقارات المملوكة لكيانات مسجلة في الخارج يعود إلى كيانات في ملحقات التاج البريطاني (CD)، وتأتي الكيانات المسجلة في أقاليم ما وراء البحار البريطانية في المرتبة الثانية من حيث عدد العقارات (في الرسم البياني أدناه، يُشير “PWW2” إلى الدول التي حصلت على الاستقلال من بريطانيا بعد الحرب العالمية الثانية).

توزيع العقارات المملوكة لكيانات أجنبية بحسب نتائج الورقة الجديدة.

توزيع العقارات المملوكة لكيانات أجنبية بحسب نتائج الورقة الجديدة. المصدر: https://arxiv.org/src/2207.10931v1/anc/Offshore_London_Supplementary_Material.pdf

تشير الدراسة إلى أن:

‘في الواقع، فقط أربعة أقاليم، جزر فيرجن البريطانية وجيرسي وغيرنسي وجزيرة مان، ترتبط بـ 78٪ من جميع العقارات.’

جعلت البيانات المحسنة من الممكن تحديد العقارات الفرعية التي توجد داخل عقار مملوك من قبل أجانب معروف – وهي القدرة التي عادة ما يتم حظرها بواسطة البيانات المسطحة والمحدودة المقدمة في الأرقام الرسمية.

كما تشير النتائج إلى أن العقارات المملوكة لكيانات مسجلة في الخارج والعقارات منخفضة الاستخدام وعقارات Airbnb مركزية جغرافيًا بشكل ملحوظ أكثر من المنازل العادية، وهي مركزية أيضًا في المناطق ذات القيمة الأعلى.

خرائط توضح تركز أنواع مختلفة من العقارات المملوكة لكيانات أجنبية في لندن.

خرائط توضح تركز أنواع مختلفة من العقارات المملوكة لكيانات أجنبية في لندن. المصدر: https://arxiv.org/pdf/2207.10931.pdf

يشير المؤلفون إلى أن:

‘العقارات السكنية في الخارج تمتلك تركيزات عالية جدًا حيث يتم امتلاك مشروع كامل سكني بواسطة شركة أجنبية.’

أصدر المؤلفون كودًا لمعالجة البيانات.

الورقة الجديدة بعنوان ماذا يوجد في المغسلة؟ خريطة وتحليل العقارات السكنية المملوكة من قبل الأجانب في لندن، وهي تأتي من باحثين في كلية بارتليت للبيئة المبنية في كلية لندن الجامعية، وقسم الاقتصاد بجامعة كينغستون.

معالجة المشكلة

يشير المؤلفون إلى أن بعد عقود من الجهود لمكافحة استخدام العقارات لغرض غسيل الأموال في المملكة المتحدة، كان لا بد من نشر قائمة مسربة للملكيات العقارية الأجنبية في المملكة المتحدة بواسطة المنشور البريطاني Private Eye في عام 2015 لتحفيز الحكومة البريطانية على نشر قائمة محدثة بانتظام للملكيات العقارية الأجنبية في معظم المملكة المتحدة، المعروفة باسم الشركات الأجنبية التي تمتلك عقارات في إنجلترا وويلز (OCOD).

يشير الباحثون إلى أنه رغم أن OCOD يمثل خطوة إلى الأمام في البحث والتحليل للملكية الأجنبية وغسيل الأموال المحتمل في المملكة المتحدة، فإن البيانات لها عدد من القيود، بعضها حاسم:

‘يمكن أن تكون هذه العناوين غير كاملة، تحتوي على عقارات متداخلة، حيث توجد العديد من العقارات داخل صف واحد أو رقم سند واحد، كما أنها لا تحتوي على أي معلومات حول ما إذا كان العقار سكنيًا أو تجاريًا أو شيء آخر.’

‘تجعل هذه البيانات منخفضة الجودة من الصعب فهم التوزيع والخصائص العقارية المملوكة من قبل الأجانب في المملكة المتحدة.’

من الصعب بشكل خاص الحصول على بيانات حول العقارات المستأجرة بشكل غير رسمي، مثل عقارات Airbnb، لأن البيانات المتاحة للجمهور محدودة أو غير موجودة.

كما أن اسكتلندا (جزء من المملكة المتحدة) لا تنشر سجلها الخاص لبيانات مبيعات العقارات للجمهور، على عكس إنجلترا وويلز.

للمساعدة في بعض التناقضات حول تصنيف العقارات، أدخلت الحكومة البريطانية نظام رقم المرجع الفريد للعقار (UPRN)، المصمم لتمكين العلاقات الواضحة عبر مصادر بيانات العقارات المتنوعة.

ومع ذلك، يشير المؤلفون* إلى أن «استخدام UPRN إلزامي، لكن لا يكاد أي قسم حكومي يستخدمه، مما يعني أن ربط البيانات يتطلب مهارات متقدمة في معالجة البيانات».

لذلك، كان الهدف من البحث الجديد هو جعل البيانات أكثر دقة وفائدة.

جمع البيانات وربطها

عادة ما تكون صيغ العناوين داخل أي دولة فردية قابلة للتنبؤ والاتساق، وهو ما ينطبق أيضًا على عناوين المملكة المتحدة.

بالنسبة إلى بيانات العناوين “المسطحة” والقائمة على النص (مثل تلك التي يتم توفيرها بواسطة OCOD)، ظهرت العديد من حلول تحليل العناوين مفتوحة المصدر للتعرف على العناوين مع مصادر بيانات أخرى.

ومع ذلك، يتم تدريب العديد من هذه الحلول باستخدام بيانات Open Street Map، والتي يمكن أن تنتج عناوين قد تستضيف عشرات أو حتى مئات من العناوين الفرعية (مثل الشقق في عنوان مبنى شقة واسع).

لذا، حتى معالج عنوان مشهور مثل libpostal واجه صعوبات عند محاولة تحليل العناوين غير كاملة.

لإنشاء المعالج لهم، استخدم باحثو الورقة الجديدة عددًا من مجموعات البيانات المتاحة للجمهور.

كانت البيانات الرئيسية مقدمة بواسطة OCOD، بينما استخدم مكوّن تنظيف البيانات مجموعة بيانات أسعار التسجيل (Price Paid Dataset)، إلى جانب قائمة تصنيفات VOA، وقاعدة بيانات دليل الرمز البريدي لمكتب الإحصاءات الوطنية (ONSPD).

جاءت بيانات Airbnb من نطاق InsideAirbnb، الذي يتضمن فقط المنازل الكاملة التي يتم تأجيرها، وبالتالي يستثني الاستخدام المقترح الأصلي لAirbnb (أي تأجير منزلك كله أو جزء منه بصورة متقطعة).

تم تعزيز مجموعة بيانات العقارات منخفضة الاستخدام بمعلومات تلقوها من طلبات حرية المعلومات (FOI) الناجحة، التي تم جمعها في الغالب لمشروع سابق.

بيانات OCOD هي ملف CSV مفصول بفاصلة مع درجة جيدة من الهيكل والتنسيق المتوقع.

تألفت سلسلة المعالجة من خمس مراحل: التسمية، التحليل، التوسيع، التصنيف، والتقليص. في البداية، قد يشير العنوان الواحد في الواقع إلى عدة عقارات متداخلة، رغم أن البيانات الحكومية لا تبين ذلك صراحة.

أجرى الباحثون بعض المعالجة النحوية الخفيفة، ثم استوردوا البيانات إلى programmatic، وهي منصة مصممة لإنشاء مجموعات بيانات NLP المشروحة دون التسمية اليدوية.

تمت تسمية الكيانات باستخدام التعبيرات العادية (Regex) لوصف ثمانية أنواع من الكيانات المسماة (انظر الصورة أدناه):

باستخدام هذه العلامات المضافة، تم استخراج مجموعة البيانات كملف JSON، مع إزالة تداخلات العلامات بواسطة روتين قواعد بسيط.

تم استخدام إخراج programmatic لتدريب نموذج تنبؤي لـ SpaCy، مدعومًا بنموذج RoBERTa من فيسبوك.

بعد تنظيفه، أنشأ الباحثون مجموعة مقارنة حقيقية من 1000 ملاحظة وُسمت عشوائيًا. وكان من المقرر تقييم دقة البيانات غير الخاضعة للإشراف مقارنةً بهذه البيانات المرجعية.

كان من الضروري تعيين كل مساحة حرف إلى صف مستقل، وكل فئة تسمية إلى عمود خاص، ثم إعادة توجيه الأعمدة لإنشاء صفوف عناوين كاملة.

نظرًا إلى أن بعض العناوين المفردة تضمنت مساكن متعددة، كان من الضروري توسيع قاعدة البيانات بتقسيم العناوين إلى العقارات الفرعية الموجودة في قواعد البيانات المكملة.

بعد ذلك، ربطت مرحلة تصنيف العناوين جميع الرموز البريدية المحددة بقاعدة بيانات ONSPD. وتصل هذه العملية بيانات العناوين ببيانات التعداد وغيرها من البيانات الديموغرافية، وتميز العقارات الفرعية التي كانت مخفية خلف عناوين OCOD غير الواضحة.

أخيرًا، عملية تقليص العناوين أزالت جميع العقارات غير السكنية (أي الأماكن التجارية) من المجموعات العقارية المتداخلة.

التحليل

لتحديد دقة البيانات المحسنة، أنشأ المؤلفون، كما ذكرنا سابقًا، مجموعة اختبار حقيقية تم حجزها من تشغيل التحليل العام، وتم استخدامها فقط لاختبار دقة التنبؤات والتحليلات.

جرى التحقق اليدوي لمجموعة الاختبار الحقيقية باستخدام برنامج خريطة، بالإضافة إلى تحليل الصور للعقارات الموجودة في مجموعة الاختبار المحجوزة، والبحث على الإنترنت لتقييم نوع العقار.

بعد ذلك، تم قياس أداء البيانات ضد درجات الإحكام والاسترجاع وF1.

تم الحصول على قيمة العقارات منخفضة الاستخدام والسكنية باستخدام نموذج رسومي أساسي، وهو نفس الأسلوب المستخدم لاستنتاج العقارات السكنية غير التقليدية.

حصلت مهمة NER، التي تم اختبارها ضد مجموعة الاختبار الحقيقية المحددة يدويًا، على درجة F1 تبلغ 0.96 (قريبة من “100٪” من حيث الدقة).

درجات F1 لمهمة تعليم الكيانات المسماة. يظهر بعض التفاوت لأن بنية البيانات المحسنة تؤدي إلى مبالغة طفيفة في تقدير عدد العقارات السكنية وتقليل تقدير العدد الإجمالي للأعمال التجارية.

درجات F1 لمهمة تعليم الكيانات المسماة. يظهر بعض التفاوت لأن بنية البيانات المحسنة تؤدي إلى مبالغة طفيفة في تقدير عدد العقارات السكنية وتقليل تقدير العدد الإجمالي للأعمال التجارية.

بخصوص العقارات السكنية غير التقليدية في لندن، تظهر النتائج النهائية وجود 138,000 إدخال – أي أكثر بنسبة 44٪ من 94,000 إدخال في مجموعة بيانات OCOD الأصلية (أي الأرقام الرسمية الحديثة).

توزيع أنواع العقارات وفق التصنيف من النوع الثاني.

توزيع أنواع العقارات وفق التصنيف من النوع الثاني.

تشير النتائج إلى أن إجمالي قيمة العقارات المملوكة لكيانات مسجلة في الخارج يبلغ حوالي 56 مليار جنيه إسترليني، بينما يُقدر إجمالي قيمة العقارات منخفضة الاستخدام بحوالي 85 مليار جنيه إسترليني.

يشير المؤلفون إلى:

‘جميع العقارات السكنية غير التقليدية أكثر تكلفة من متوسط سعر العقار التقليدي البالغ 600 ألف جنيه إسترليني.’

قد تكون هذه البيانات المحسنة ضرورية لمكافحة استخدام المضاربات العقارية كنشاط غسيل أموال في المملكة المتحدة.

يشير المؤلفون إلى الجسم المتزايد من الأبحاث والمنشورات العامة الذي يشير إلى أن البيانات المحسنة قد تساعد في مكافحة غسيل الأموال العقاري، ويخلصون إلى:

‘يمكن استخدام هذه البيانات من قبل علماء الاجتماع والاقتصاديين وواضعي السياسات لضمان أن تكون محاولات الحد من غسيل الأموال وارتفاع أسعار العقارات قائمة على بيانات مفصلة تعكس الوضع الحقيقي.’

* تحويلي لمرجع الكتابة داخل النص إلى روابط.

نُشر لأول مرة في 25 يوليو 2022.

كاتب في مجال تعلم الآلة، متخصص في توليد صور البشر. كان رئيسًا سابقًا لمحتوى البحث في Metaphysic.ai، حتى دمجه في Brahma.ai التابعة لـ DNEG.
الموقع الإلكتروني: martinanderson.ai
للتواصل: martin@martinanderson.ai