Η γωνία του Anderson

Η τεχνητή νοημοσύνη βελτιώνει την καταγραφή ακινήτων υπεράκτιων εταιρειών στο Ηνωμένο Βασίλειο

Martin Anderson
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ ανάλυση AI αποκαλύπτει 138.000 μη συμβατικά ακίνητα στο Λονδίνο, 44% περισσότερα από…
Δείτε περισσότερα
  • Η ανάλυση AI αποκαλύπτει 138.000 μη συμβατικά ακίνητα στο Λονδίνο, 44% περισσότερα από τα επίσημα στοιχεία.
  • Υπεράκτια ακίνητα αξίας 56 δισεκατομμυρίων λιρών συγκεντρώνονται στο κεντρικό Λονδίνο με ισχυρή χωρική συσχέτιση.
  • Τέσσερις περιοχές, συμπεριλαμβανομένων των Βρετανικών Παρθένων Νήσων, αντιπροσωπεύουν το 78% όλων των υπεράκτιων βρετανικών ακινήτων.

Νέα έρευνα από δύο πανεπιστήμια του Ηνωμένου Βασιλείου αποσκοπεί στο να ρίξει περισσότερο φως στην πιθανή κατάσταση του ξεπλύματος χρήματος μέσω ακινήτων στο Ηνωμένο Βασίλειο, και ιδιαίτερα στην πολύτιμη αγορά ακινήτων του Λονδίνου.

Σύμφωνα με τα αποτελέσματα του έργου, ο συνολικός αριθμός των “μη συμβατικών” οικιστικών ακινήτων (δηλαδή ιδιοκτησιών που δεν χρησιμοποιούνται μακροχρόνια ως κατοικίες από ιδιοκτήτες ή ενοικιαστές) ανέρχεται σε περίπου 138.000 στο Λονδίνο μόνο.

Αυτό το ποσοστό είναι 44% υψηλότερο από τα επίσημα στοιχεία, τα οποία παρέχονται και ενημερώνονται περιοδικά από την κυβέρνηση του Ηνωμένου Βασιλείου.

Οι ερευνητές χρησιμοποίησαν διάφορες τεχνικές επεξεργασίας φυσικής γλώσσας (NLP), μαζί με επιπλέον δεδομένα και ερευνητικές έρευνες, για να επεκτείνουν τις περιορισμένες επίσημες πληροφορίες που παρέχει η κυβέρνηση του Ηνωμένου Βασιλείου σχετικά με το ποσοστό, την αξία, την τοποθεσία και τους τύπους ιδιοκτησιών που ανήκουν σε εταιρείες εκτός του Ηνωμένου Βασιλείου, τα πιο προσοδοφόρα από τα οποία βρίσκονται στην πρωτεύουσα.

Η έρευνα βρήκε ότι το σύνολο των ακινήτων που ανήκουν σε υπεράκτιες εταιρείες, των ιδιοκτησιών χαμηλής χρήσης και των ιδιοκτησιών τύπου Airbnb (δηλαδή “περιστασιακής κατοίκησης”) στο Ηνωμένο Βασίλειο αξίζει περίπου 145-174 δισεκατομμύρια λίρες στερλίνες σε περίπου 144.000-164.000 ιδιοκτησίες.

Βρήκε επίσης ότι τα ακίνητα που ανήκουν σε υπεράκτιες εταιρείες αυτού του τύπου είναι συνήθως ακριβότερα και έχουν χαρακτηριστικά πρότυπα σχετικά με την τοποθεσία τους στο Ηνωμένο Βασίλειο.

Οι ερευνητές εκτιμούν ότι τα ακίνητα που ανήκουν σε υπεράκτιες εταιρείες που αποτελούν “μη συμβατικά οικιστικά ακίνητα” (UDP) αντιπροσωπεύουν το 7,5% της συνολικής αξίας των οικιστικών ακινήτων, και ότι 56 δισεκατομμύρια λίρες από την εκτιμώμενη αξία περιορίζονται σε μόνο 42.000 κατοικίες.

Το έγγραφο αναφέρει:

‘Τα επιμέρους ακίνητα που ανήκουν σε υπεράκτιες εταιρείες είναι πολύ ακριβά, ακόμη και με τα πρότυπα των UDP, επιπλέον είναι συγκεντρωμένα στο κέντρο του Λονδίνου με ισχυρή χωρική αυτοσυσχέτιση.

‘Αντίθετα, τα ακίνητα που ανήκουν σε υπεράκτιες εταιρείες που είναι ενσωματωμένες σε άλλες ιδιοκτησίες είναι κάπως λιγότερο συγκεντρωμένα στο κέντρο του Λονδίνου, αλλά περισσότερο συγκεντρωμένα γενικά, και δεν υπάρχει σχεδόν καμία χωρική συσχέτιση.’

Η ανάλυση των εμπλουτισμένων δεδομένων δείχνει ότι μεγάλο μέρος των ακινήτων που ανήκουν σε υπεράκτιες εταιρείες ανήκει σε οντότητες στις Εξαρτήσεις του Στέμματος (CD), με τη δεύτερη μεγαλύτερη ποσότητα να αντιπροσωπεύεται από τα Βρετανικά Υπερπόντια Εδάφη (στο γράφημα παρακάτω, το ‘PWW2’ υποδηλώνει χώρες που απέκτησαν ανεξαρτησία από τη Βρετανία μετά τον Δεύτερο Παγκόσμιο Πόλεμο).

Κατανομή ιδιοκτησιών που ανήκουν σε ξένες εταιρείες, σύμφωνα με τα αποτελέσματα της νέας έρευνας. Πηγή: https://arxiv.org/src/2207.10931v1/anc/Offshore_London_Supplementary_Material.pdf

Κατανομή ιδιοκτησιών που ανήκουν σε ξένες εταιρείες, σύμφωνα με τα αποτελέσματα της νέας έρευνας. Πηγή: https://arxiv.org/src/2207.10931v1/anc/Offshore_London_Supplementary_Material.pdf

Το έγγραφο παρατηρεί:

‘Στην πραγματικότητα, μόνο 4 εδάφη, τα Βρετανικά Παρθένα Νησιά, το Τζέρσεϊ, το Γκέρνσεϊ και το Νησί του Μαν, συνδέονται με το 78% όλων των ιδιοκτησιών.’

Τα νέα εμπλουτισμένα δεδομένα έχουν κάνει δυνατό τον προσδιορισμό των υπο-ιδιοκτησιών που υπάρχουν μέσα σε μια γνωστή ιδιοκτησία που ανήκει σε ξένη εταιρεία – μια ικανότητα που συνήθως εμποδίζεται από τα επίπεδα και περιορισμένα δεδομένα που παρέχονται στα επίσημα στοιχεία.

Τα αποτελέσματα δείχνουν επίσης ότι τα ακίνητα που ανήκουν σε υπεράκτιες εταιρείες, οι ιδιοκτησίες χαμηλής χρήσης και οι ιδιοκτησίες τύπου Airbnb είναι αισθητά περισσότερο συγκεντρωμένα γεωγραφικά από τα κανονικά σπίτια, και είναι επιπλέον συγκεντρωμένα σε περιοχές υψηλότερης αξίας.

Θερμικοί χάρτες σχετικά με διάφορους τύπους ιδιοκτησιών που ανήκουν σε ξένες εταιρείες στο Λονδίνο. Πηγή: https://arxiv.org/pdf/2207.10931.pdf

Χάρτες συγκέντρωσης σχετικά με διάφορους τύπους ιδιοκτησιών που ανήκουν σε ξένες εταιρείες στο Λονδίνο. Πηγή: https://arxiv.org/pdf/2207.10931.pdf

Για το παραπάνω γράφημα, οι συγγραφείς σχολιάζουν:

‘Οι ιδιοκτησίες εκτός του Ηνωμένου Βασιλείου έχουν κάποιες εξαιρετικά υψηλές συγκεντρώσεις όπου ολόκληρη μια ανάπτυξη κατοικιών ανήκει σε μια εταιρεία εκτός του Ηνωμένου Βασιλείου.’

Οι συγγραφείς έχουν δημοσιεύσει τον κώδικα για τη ροή επεξεργασίας τους.

Το νέο έγγραφο έχει τον τίτλο Τι υπάρχει στο πλυντήριο; Χαρτογράφηση και χαρακτηρισμός ιδιοκτησιών που ανήκουν σε εταιρείες εκτός του Ηνωμένου Βασιλείου στο Λονδίνο, και προέρχεται από ερευνητές από τη Σχολή Δομημένου Περιβάλλοντος Bartlett του University College London, και το Τμήμα Οικονομικών του Πανεπιστημίου του Κίνγκστον.

Αντιμετωπίζοντας το Πρόβλημα

Οι συγγραφείς σημειώνουν ότι μετά από δεκαετίες προσπαθειών για τον έλεγχο της χρήσης της ακίνητης περιουσίας για σκοπούς ξεπλύματος χρήματος στο Ηνωμένο Βασίλειο, χρειάστηκε η δημοσίευση μιας λίστας που είχε διαρρεύσει ιδιοκτησιών που ανήκουν σε εταιρείες εκτός του Ηνωμένου Βασιλείου από την βρετανική έκδοση Private Eye το 2015, για να προκαλέσει την κυβέρνηση του Ηνωμένου Βασιλείου να δημοσιεύσει μια λίστα που ενημερώνεται τακτικά με ιδιοκτησίες που ανήκουν σε εταιρείες εκτός του Ηνωμένου Βασιλείου, γνωστή ως Εταιρείες εκτός του Ηνωμένου Βασιλείου που κατέχουν ιδιοκτησίες στην Αγγλία και την Ουαλία (OCOD).

Οι ερευνητές παρατηρούν ότι, παρόλο που το OCOD αποτελεί πρόοδο για την έρευνα και την ανάλυση της υπεράκτιας ιδιοκτησίας και του πιθανού ξεπλύματος χρήματος στο Ηνωμένο Βασίλειο, τα δεδομένα έχουν ορισμένους περιορισμούς, κάποιοι από τους οποίους είναι κρίσιμοι:

‘Αυτές οι διευθύνσεις μπορούν να είναι ελλιπείς, να περιέχουν ενσωματωμένες ιδιοκτησίες, όπου πολλές ιδιοκτησίες υπάρχουν μέσα σε μια μοναδική γραμμή ή αριθμό τίτλου, και δεν περιέχουν καμία πληροφορία σχετικά με το εάν η ιδιοκτησία είναι οικιστική, επιχειρηματική ή κάτι άλλο.

‘Τέτοια κακή ποιότητα δεδομένων καθιστά δύσκολο να κατανοηθεί η κατανομή και τα χαρακτηριστικά των ιδιοκτησιών που ανήκουν σε εταιρείες εκτός του Ηνωμένου Βασιλείου στο Ηνωμένο Βασίλειο.’

Είναι ιδιαίτερα δύσκολο να ληφθούν δεδομένα σχετικά με ιδιοκτησίες που ενοικιάζονται περιστασιακά, όπως οι ιδιοκτησίες τύπου Airbnb, επειδή τα δημόσια διαθέσιμα δεδομένα είναι περιορισμένα ή μη υπάρχοντα. Επιπλέον, η Σκωτία (ένα μέρος του Ηνωμένου Βασιλείου) δεν κάνει τη δική της εγγραφή πωλήσεων ακινήτων δημόσια διαθέσιμη, σε αντίθεση με την Αγγλία και την Ουαλία.

Για να αντιμετωπιστούν ορισμένες από τις ασυνέπειες γύρω από της ταξινόμησης των ιδιοκτησιών, η κυβέρνηση του Ηνωμένου Βασιλείου εισήγαγε τον Μοναδικό Αριθμό Αναφοράς Ιδιοκτησιών (UPRN), που σχεδιάστηκε για να επιτρέψει πιο σαφείς σχέσεις μεταξύ διαφορετικών πηγών δεδομένων ιδιοκτησιών. Ωστόσο, οι συγγραφείς σημειώνουν* ‘ενώ η χρήση του UPRN είναι υποχρεωτική, σχεδόν κανένα κυβερνητικό τμήμα δεν το χρησιμοποιεί, πράγμα που σημαίνει ότι η σύνδεση των δεδομένων απαιτεί προηγμένες δεξιότητες επεξεργασίας δεδομένων‘.

Έτσι, η νέα έρευνα αποσκοπούσε στο να κάνει τα δεδομένα πιο λεπτομερή και ενημερωμένα.

Συλλογή και σύνδεση δεδομένων

Μέσα σε οποιαδήποτε χώρα, οι μορφές των διευθύνσεων είναι συνήθως προβλέψιμες και συνεπείς, κάτι που ισχύει επίσης στις διευθύνσεις του Ηνωμένου Βασιλείου. Έτσι, αντιμετωπίζοντας μη ιεραρχικά δεδομένα κειμένου που περιέχουν δεδομένα διευθύνσεων (όπως αυτά που παρέχονται από την OCOD), έχουν εμφανιστεί διάφορες λύσεις ανοικτού κώδικα ανάλυσης διευθύνσεων για τη διασταύρωση διευθύνσεων με άλλα δεδομένα.

Ωστόσο, πολλές από αυτές τις λύσεις έχουν εκπαιδευτεί χρησιμοποιώντας Open Street map δεδομένα, τα οποία μπορούν να οδηγήσουν σε διευθύνσεις που μπορεί να φιλοξενούν δεκάδες ή ακόμη και εκατοντάδες ενσωματωμένες υπο-διευθύνσεις (όπως διαμερίσματα σε μια ευρεία διεύθυνση για ένα συγκρότημα διαμερισμάτων). Συνεπώς, ακόμη και μια διακεκριμένη λύση ανάλυσης διευθύνσεων όπως libpostal έχει δυσκολίες όταν προσπαθεί να αναλύσει ελλιπείς διευθύνσεις.

Για να δημιουργήσουν τον αναλυτή για το έργο τους, οι ερευνητές της νέας έρευνας χρησιμοποίησαν έναν αριθμό δημόσιων συνόλων δεδομένων. Τα βασικά δεδομένα παρέχθηκαν από την OCOD, ενώ η διαδικασία καθαρισμού χρησιμοποίησε τα δεδομένα τιμών πώλησης του Κτηματολογίου (dataset), μαζί με το σύνολο δεδομένων Βαθμολογιών VOA (VOA ratings) και το Γραφείο Εθνικής Στατιστικής Διεύθυνση Ταχυδρομικών Κωδικών (ONSPD).

Τα δεδομένα Airbnb προέρχονται από το InsideAirbnb domain, το οποίο περιλαμβάνει μόνο ολόκληρα σπίτια που ενοικιάζονται, εξαιρώντας την αρχική προτεινόμενη χρήση του Airbnb (δηλαδή ενοικίαση ολόκληρου ή μέρους του δικού σας σπιτιού σε περιπτωσιακή βάση).

Το σύνολο δεδομένων ιδιοκτησιών χαμηλής χρήσης των συγγραφέων εμπλουτίστηκε με πληροφορίες που λήφθηκαν από επιτυχείς αιτήσεις Ελευθερίας της Πληροφόρησης (FOI), τις περισσότερες από τις οποίες συλλέχθηκαν για ένα πρότερο έργο.

Η βάση δεδομένων της OCOD είναι ένα αρχείο .CSV με διαχωριστικά κόμματα, καλά δομημένο και με προβλέψιμη μορφή.

Η διαδικασία αποτελούνταν από πέντε στάδια: επισήμανση, ανάλυση, επέκταση, ταξινόμηση και περιορισμό. Στο ξεκίνημα, οποιαδήποτε διεύθυνση μπορούσε να αντιστοιχίσει σε πραγματική ζωή σε πολλές ενσωματωμένες ιδιοκτησίες, αν και αυτό δεν είναι σαφές στα δεδομένα της κυβέρνησης.

Οι ερευνητές πραγματοποίησαν κάποια ελαφριά συντακτική προεπεξεργασία, και στη συνέχεια εισήγαγαν τα δεδομένα στο programmatic, μια πλατφόρμα που σχεδιάστηκε για να δημιουργήσει επισημασμένα σύνολα δεδομένων NLP χωρίς χειροκίνητη επισήμανση. Εκεί, οι οντότητες ετικετώθηκαν χρησιμοποιώντας κανονικές εκφράσεις (Regex) για να περιγράψουν οκτώ τύπους κατονομασμένων οντοτήτων (βλέπε εικόνα παρακάτω):

Με αυτές τις ετικέτες που προστέθηκαν, το σύνολο δεδομένων εξαγόταν ως αρχείο JSON, με τις επικαλυπτόμενες ετικέτες να αφαιρούνται μέσω απλών διαδικασιών βασισμένων σε κανόνες.

Επιπλέον, η έξοδος του programmatic χρησιμοποιήθηκε για να εκπαιδεύσει ένα προβλεπτικό μοντέλο για το SpaCy, που βασίζεται στο RoBERTa της Facebook. Μόλις καθαρίστηκε, οι ερευνητές δημιούργησαν ένα σύνολο αναφοράς 1000 τυχαία ετικετεμένων παρατηρήσεων. Το σκορ ακρίβειας των μη εποπτευόμενων δεδομένων θα αξιολογηθεί τελικά ενάντια σε αυτό το σύνολο αναφοράς.

Η ανάλυση διευθύνσεων παρουσίασε κάποια προβλήματα. Οι συγγραφείς έταξαν κάθε εύρος χαρακτήρων σε δική του γραμμή και κάθε τάξη ετικέτας σε δική της στήλη, και στη συνέχεια μετέφεραν τις πληροφορίες των στηλών προς τα πίσω για να δημιουργήσουν πλήρεις γραμμές διευθύνσεων.

Εφόσον κάποιες μονές διευθύνσεις παρουσίαζαν πολλές διαφορετικές κατοικίες, ήταν απαραίτητο να επεκτείνουν τη βάση δεδομένων, υποδιαιρώντας τις μονές διευθύνσεις σε υπο-ιδιοκτησίες που υπάρχουν σε συμπληρωματικά δεδομένα.

Μετά από αυτό, η διαδικασία ταξινόμησης διευθύνσεων διασταύρωσε όλους τους εντοπισθέντες ταχυδρομικούς κωδικούς χρησιμοποιώντας τη βάση δεδομένων ONSPD. Αυτή η διαδικασία συνδέει τα δεδομένα διευθύνσεων με δεδομένα απογραφής και άλλα δημογραφικά δεδομένα, και επίσης αναγνωρίζει τις υπο-ιδιοκτησίες που είχαν προηγουμένως κρυφτεί πίσω από τις αδιαφανείς διευθύνσεις των δεδομένων της OCOD.

Τέλος, η διαδικασία περιορισμού διευθύνσεων αφαίρεσε όλα τα μη οικιστικά ακίνητα (δηλαδή εμπορικές ιδιοκτησίες) από τις ενσωματωμένες ομάδες ιδιοκτησιών.

Ανάλυση

Για να δοκιμάσουν την ακρίβεια των εμπλουτισμένων δεδομένων, οι συγγραφείς, όπως αναφέρθηκε νωρίτερα, δημιούργησαν ένα σύνολο αναφοράς που κρατήθηκε πίσω από τη γενική διαδικασία ανάλυσης, και χρησιμοποιήθηκε μόνο για να δοκιμάσει την ακρίβεια των προβλέψεων και των αναλύσεων.

Η χειροκίνητη επιβεβαίωση για το σύνολο αναφοράς περιελάμβανε τη χρήση λογισμικού χάρτη, καθώς και ανάλυση εικόνων των ιδιοκτησιών που παρουσιάστηκαν στο σύνολο αναφοράς, και του ιντερνέτ για να αξιολογήσει τον τύπο ιδιοκτησίας. Στη συνέχεια, η απόδοση των δεδομένων μετρήθηκε ενάντια σε μέτρα ακρίβειας, ανάκλησης και F1.

Η αξία των ιδιοκτησιών χαμηλής χρήσης και των οικιστικών ακινήτων καθορίστηκε με ένα βασικό γραφικό μοντέλο, την ίδια μέθοδο που χρησιμοποιήθηκε επίσης για την εκτίμηση των ακινήτων UDP.

Η εργασία NER, που δοκιμάστηκε ενάντια στο σύνολο αναφοράς με υψηλή προσπάθεια, χειροκίνητα ετικετεμένο, έλαβε ένα σκορ F1 0,96 (κοντά στο ‘100%’, σε όρους ακρίβειας).

Σκορ F1 για την εργασία NER. Κάποια ανισότητα βρίσκεται,καθώς η διαδικασία υπερεκτιμά ελαφρώς τον αριθμό των οικιστικών ακινήτων και υποεκτιμά τον συνολικό αριθμό των επιχειρήσεων, λόγω της δομής των εμπλουτισμένων δεδομένων.

Σκορ F1 για την εργασία NER. Κάποια ανισότητα βρίσκεται,καθώς η διαδικασία υπερεκτιμά ελαφρώς τον αριθμό των οικιστικών ακινήτων και υποεκτιμά τον συνολικό αριθμό των επιχειρήσεων, λόγω της δομής των εμπλουτισμένων δεδομένων.

Σχετικά με τις UDP στο Λονδίνο, τα τελικά αποτελέσματα δείχνουν συνολικά 138.000 εγγραφές – 44% περισσότερες από τις 94.000 που παρουσιάζονται στο αρχικό σύνολο δεδομένων της OCOD (δηλαδή, πρόσφατα επίσημα στοιχεία).

Η κατανομή των τύπων ιδιοκτησιών υπό την ταξινόμηση 2.

Η κατανομή των τύπων ιδιοκτησιών υπό την ταξινόμηση 2.

Τα αποτελέσματα δείχνουν ότι η συνολική αξία των ακινήτων που ανήκουν σε υπεράκτιες εταιρείες ανέρχεται σε περίπου 56 δισεκατομμύρια λίρες, ενώ η συνολική αξία των ιδιοκτησιών χαμηλής χρήσης εκτιμάται σε 85 δισεκατομμύρια λίρες.

Οι συγγραφείς σημειώνουν:

‘[Όλες] οι UDP είναι πολύ πιο ακριβές από τη μέση τιμή των συμβατικών ιδιοκτησιών, η οποία είναι 600.000 λίρες.’

Αυτού του είδους τα βελτιωμένα δεδομένα μπορεί να είναι απαραίτητα για την καταπολέμηση της χρήσης της κερδοσκοπίας στα ακίνητα ως μέσου ξεπλύματος χρήματος στο Ηνωμένο Βασίλειο. Οι συγγραφείς σημειώνουν τον αυξανόμενο όγκο ερευνών και γενικής βιβλιογραφίας που υποδηλώνει ότι τα βελτιωμένα δεδομένα μπορούν να βοηθήσουν στην καταπολέμηση του ξεπλύματος χρήματος, και συμπεραίνουν:

‘Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν από κοινωνιολόγους, οικονομολόγους και υπεύθυνους χάραξης πολιτικής για να διασφαλίσουν ότι οι προσπάθειες για τη μείωση του ξεπλύματος χρήματος και των υψηλών τιμών ακινήτων βασίζονται σε λεπτομερή δεδομένα που αντανακλούν την πραγματική κατάσταση.’

 

* Η μετατροπή των εσωτερικών παραπομπών των συγγραφέων σε υπερσύνδεσμους.

Δημοσιεύθηκε για πρώτη φορά στις 25 Ιουλίου 2022.

Συγγραφέας στον τομέα της μηχανικής μάθησης, ειδικός σε συνθετικές ανθρώπινες εικόνες. Πρώην επικεφαλής του τμήματος περιεχομένου έρευνας στην Metaphysic.ai, μέχρι τη διάλυσή της στην Brahma.ai της DNEG.
Ιστοσελίδα: martinanderson.ai
Επικοινωνία: martin@martinanderson.ai