Ángulo de Anderson

La IA mejora el seguimiento de inmuebles de empresas offshore en el Reino Unido

Martin Anderson
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveEl análisis de IA revela 138.000 propiedades no convencionales en Londres, un 44% más…
Ver más
  • El análisis de IA revela 138.000 propiedades no convencionales en Londres, un 44% más que las cifras oficiales.
  • Las propiedades extraterritoriales valoradas en 56.000 millones de libras se concentran en el centro de Londres con una fuerte correlación espacial.
  • Cuatro territorios, incluidas las Islas Vírgenes Británicas, representan el 78% de todas las propiedades del Reino Unido en manos extraterritoriales.

Una nueva investigación de dos universidades del Reino Unido tiene como objetivo arrojar más luz sobre el posible estado del lavado de dinero basado en la propiedad en el Reino Unido, y especialmente en el mercado inmobiliario de Londres de gran valor.

Según los resultados del proyecto, el número total de propiedades “no convencionales” (es decir, propiedades que no se utilizan a largo plazo como viviendas por propietarios o inquilinos) asciende a alrededor de 138,000 solo en Londres.

Esta cifra es un 44% más alta que las cifras oficiales, que son suministradas y actualizadas periódicamente por el gobierno del Reino Unido.

Los investigadores utilizaron varias técnicas de Procesamiento de Lenguaje Natural (NLP), junto con datos adicionales y una investigación corroborativa, para ampliar la información oficial limitada que el gobierno del Reino Unido pone a disposición sobre el porcentaje, el valor, la ubicación y los tipos de propiedades propiedad de empresas offshore en el Reino Unido, las más rentables de las cuales se encuentran en la capital.

La investigación encontró que el total de propiedades offshore, de bajo uso y de estilo Airbnb (es decir, “ocupación casual”) en el Reino Unido tienen un valor colectivo de alrededor de £145-174 mil millones de libras esterlinas, distribuidas en aproximadamente 144,000-164,000 propiedades.

También se encontró que las propiedades offshore de este tipo suelen ser más caras y tienen patrones característicos en cuanto a su ubicación en el Reino Unido.

Los investigadores estiman que las propiedades residenciales no convencionales (UDP) propiedad de empresas offshore representan el 7,5% del valor residencial total, y que £56 mil millones del valor estimado se limitan a solo 42,000 viviendas.

El documento establece:

‘Las propiedades individuales offshore son muy caras incluso según los estándares de UDP, además de que se concentran en el centro de Londres con una fuerte autocorrelación espacial.

‘En contraste, la propiedad offshore anidada es algo menos concentrada en el centro de Londres, pero más altamente concentrada en general, y tampoco hay casi ninguna correlación espacial.’

El análisis de los datos aumentados muestra que un gran número de propiedades offshore pertenecen a entidades en las Dependencias de la Corona (CD), con el segundo número más grande representado por los Territorios Británicos de Ultramar (en el gráfico a continuación, ‘PWW2’ significa países que obtuvieron la independencia de Gran Bretaña después de la Segunda Guerra Mundial).

Distribución de la propiedad extranjera, según los resultados del nuevo documento. Fuente: https://arxiv.org/src/2207.10931v1/anc/Offshore_London_Supplementary_Material.pdf

Distribución de la propiedad extranjera, según los resultados del nuevo documento. Fuente: https://arxiv.org/src/2207.10931v1/anc/Offshore_London_Supplementary_Material.pdf

El documento observa:

‘De hecho, solo 4 territorios, las Islas Vírgenes Británicas, Jersey, Guernsey y la Isla de Man, están asociados con el 78% de todas las propiedades.’

Los nuevos datos mejorados han hecho posible determinar subpropiedades que existen dentro de una propiedad offshore conocida – una capacidad que normalmente se ve obstaculizada por los datos planos y limitados proporcionados en las cifras oficiales.

Los resultados también indican que las propiedades offshore, Airbnb y de bajo uso son notablemente más concentradas geográficamente que las viviendas normales, y también se concentran en áreas de mayor valor.

Mapas de calor relacionados con varios tipos de propiedades extranjeras en Londres. Fuente: https://arxiv.org/pdf/2207.10931.pdf

Mapas de calor relacionados con varios tipos de propiedades extranjeras en Londres. Fuente: https://arxiv.org/pdf/2207.10931.pdf

Sobre el gráfico anterior, los autores comentan:

‘La propiedad residencial offshore tiene algunas concentraciones extremadamente altas donde un desarrollo de viviendas completo es propiedad de una empresa offshore.’

Los autores han publicado el código para su procesamiento de datos.

El nuevo documento se titula ¿Qué hay en la lavandería? Mapeo y caracterización de la propiedad residencial offshore en Londres, y proviene de investigadores de la Facultad Bartlett del Entorno Construido de University College London, y del Departamento de Economía de la Universidad de Kingston.

Abordar el Problema

Los autores señalan que después de décadas de esfuerzos para controlar el uso de la propiedad inmobiliaria con fines de lavado de dinero en el Reino Unido, se necesitó la publicación de una lista filtrada de propiedades del Reino Unido propiedad de empresas offshore por la publicación británica Private Eye en 2015 para que el gobierno del Reino Unido publicara una lista actualizada regularmente de propiedades propiedad de empresas offshore en la mayoría del Reino Unido, conocida como Empresas offshore que poseen propiedades en Inglaterra y Gales (OCOD).

Los investigadores observan que aunque OCOD es un paso adelante en la investigación y el análisis de la propiedad offshore y el posible lavado de dinero en el Reino Unido, los datos tienen una serie de limitaciones, algunas de las cuales son cruciales:

‘Estas direcciones pueden ser incompletas, contener propiedades anidadas, donde múltiples propiedades existen dentro de una sola fila o un número de título de propiedad, y también no contienen información sobre si la propiedad es residencial, comercial o algo más.

‘Estos datos de mala calidad hacen que entender la distribución y las características de la propiedad offshore en el Reino Unido sea un desafío.’

Es particularmente difícil obtener datos sobre propiedades alquiladas ocasionalmente, como las propiedades de Airbnb, ya que los datos públicamente disponibles son limitados o no existen. Además, Escocia (parte del Reino Unido) no hace que su propio registro de ventas de propiedades esté disponible públicamente, a diferencia de Inglaterra y Gales.

Para contrarrestar algunas de las inconsistencias en torno a la clasificación de propiedades, el gobierno del Reino Unido introdujo el Sistema de Número de Referencia de Propiedad Única (UPRN), diseñado para permitir relaciones más claras a través de diversas fuentes de datos de propiedades. Sin embargo, los autores señalan* ‘mientras que el uso del UPRN es obligatorio, casi ningún departamento gubernamental lo utiliza, lo que significa que vincular los datos requiere habilidades avanzadas de procesamiento de datos‘.

Así, la nueva investigación se propuso hacer que los datos fueran más granulares y reveladores.

Recolectar y Conectar los Datos

Dentro de cualquier país individual, los formatos de direcciones suelen ser predecibles y consistentes, aplicables también a las direcciones del Reino Unido. Así, enfrentados con datos de direcciones ‘planos’ y basados en texto (como los proporcionados por OCOD), han surgido una serie de soluciones de análisis de direcciones de código abierto para hacer referencia a las direcciones con otras fuentes de datos.

Sin embargo, muchos de estos están entrenados utilizando datos de OpenStreetMap, que pueden producir direcciones que en realidad albergan decenas o incluso cientos de subdirecciones anidadas (como apartamentos en un bloque de apartamentos con una dirección amplia). En consecuencia, incluso un analizador de direcciones aclamado como libpostal ha tenido dificultades al intentar analizar direcciones incompletas.

Para crear el analizador para su proyecto, los investigadores del nuevo documento utilizaron una serie de conjuntos de datos públicamente disponibles. Los datos clave fueron proporcionados por OCOD, mientras que el componente de limpieza de datos utilizó el conjunto de datos de precios de la Land Registry Price, junto con el conjunto de datos de VOA ratings y el Directorio de Códigos Postales de la Oficina Nacional de Estadísticas (ONSPD).

Los datos de Airbnb provinieron del dominio InsideAirbnb, que solo incluye hogares enteros que se alquilan, por lo que excluye el uso original propuesto para Airbnb (es decir, alquilar todo o parte de la propia casa de manera ocasional).

El conjunto de datos de propiedades de bajo uso de los autores se amplió con información recibida de solicitudes de libertad de información (FOI) exitosas, en su mayoría recopiladas para un proyecto anterior.

La base de datos de OCOD es un archivo .CSV delimitado por comas con un buen grado de estructura y formato predecible.

El flujo de procesamiento constó en cinco etapas: etiquetado, análisis, expansión, clasificación y contracción. Al comienzo, una sola dirección podía corresponder en la práctica a varias propiedades anidadas, aunque esto no es explícito en los datos proporcionados por el gobierno.

Los investigadores realizaron algún procesamiento sintáctico ligero, luego importaron los datos a programmatic, una plataforma diseñada para crear conjuntos de datos de NLP anotados sin etiquetado manual. Aquí, las entidades se etiquetaron utilizando expresiones regulares (Regex) para describir ocho tipos de entidad nombrada (ver imagen a continuación):

Con estas etiquetas agregadas, el conjunto de datos se extrajo como un archivo JSON, con superposiciones de etiquetas eliminadas por rutinas basadas en reglas simples.

Además, la salida de programmatic se utilizó para entrenar un modelo predictivo para SpaCy, respaldado por RoBERTa de Facebook. Tras eliminar el ruido de los datos, los investigadores crearon un conjunto de comparación de verdad de 1000 observaciones etiquetadas aleatoriamente. La puntuación de precisión de los datos no supervisados se evaluaría finalmente contra este conjunto de verdad.

El análisis de direcciones presentó una serie de desafíos. Los autores asignaron cada intervalo de caracteres a su propia fila y cada clase de etiqueta a su propia columna, y luego retropropagaron las columnas para generar filas de direcciones completas.

Dado que algunas direcciones individuales presentaban múltiples viviendas distintas, fue necesario expandir la base de datos, subdividiendo direcciones únicas en subpropiedades presentes en bases de datos complementarias.

Después de esto, la etapa de clasificación de direcciones hizo referencia a todos los códigos postales ubicados utilizando la base de datos ONSPD. Este proceso conecta los datos de direcciones con datos censales y demográficos, e identifica individualmente subpropiedades que anteriormente estaban ocultas detrás de las direcciones opacas de los datos de OCOD.

Finalmente, el proceso de contracción de direcciones filtró todas las propiedades no residenciales (es decir, locales comerciales) de los grupos de propiedades anidadas.

Análisis

Para probar la precisión de los datos mejorados, los autores, como se mencionó anteriormente, crearon un conjunto de muestra de verdad que se mantuvo alejado del análisis general, y se utilizó solo para probar la precisión de las predicciones y análisis.

La verificación manual para el conjunto de verdad incluyó el uso de software de mapas, así como el análisis de imágenes de las propiedades presentadas en el conjunto retenido, y de búsquedas en Internet para evaluar el tipo de propiedad. Posteriormente, el rendimiento de los datos se midió contra las puntuaciones de precisión, recall y F1.

El valor de las propiedades de bajo uso y residenciales se obtuvo con un modelo gráfico básico, el mismo método utilizado también para inferir propiedades UDP.

La tarea NER, probada contra el conjunto de verdad de alto esfuerzo y etiquetado manual, obtuvo una puntuación F1 de 0,96 (cerca del ‘100%’, en términos de precisión).

Puntuaciones F1 para la tarea de etiquetado NER. Se encuentra algo de irregularidad, ya que el proceso sobreestima ligeramente el número de propiedades residenciales y subestima el número total de empresas, debido a la estructura de los datos mejorados.

Puntuaciones F1 para la tarea de etiquetado NER. Se encuentra algo de irregularidad, ya que el proceso sobreestima ligeramente el número de propiedades residenciales y subestima el número total de empresas, debido a la estructura de los datos mejorados.

En cuanto a las UDP en Londres, los resultados finales muestran un total de 138,000 entradas – un 44% más que las 94,000 presentadas en el conjunto de datos original de OCOD (es decir, las cifras oficiales recientes).

Desglose de los tipos de propiedades bajo la clasificación de tipo 2.

Desglose de los tipos de propiedades bajo la clasificación de tipo 2.

Los resultados indican que el valor total de las propiedades offshore asciende a alrededor de £56 mil millones, mientras que el valor total de las propiedades de bajo uso se estima en £85 mil millones.

Los autores señalan:

‘[Todas] las UDP son mucho más caras que el precio medio de la propiedad convencional de £600 mil.’

Este tipo de datos mejorados puede ser necesario para combatir el uso de la especulación inmobiliaria como una actividad de lavado de dinero en el Reino Unido. Los autores señalan el creciente cuerpo de investigación y literatura en general que sugiere que los datos mejorados pueden ayudar a combatir la especulación inmobiliaria utilizada para el lavado de dinero, y concluyen:

‘Estos datos pueden ser utilizados por sociólogos, economistas y formuladores de políticas para garantizar que los intentos de reducir el lavado de dinero y los altos precios de las propiedades se basen en datos detallados que reflejen la situación real.’

 

* Mi conversión de las citas en línea de los autores a hipervínculos.

Publicado por primera vez el 25 de julio de 2022.

Redactor de aprendizaje automático, especialista en síntesis de imágenes humanas. Anterior jefe de contenido de investigación en Metaphysic.ai, hasta su disolución en Brahma.ai de DNEG.
Sitio web: martinanderson.ai
Contacto: martin@martinanderson.ai