Andersonin kulma

Tekoäly parantaa offshore-yhtiöiden kiinteistöomistuksen seurantaa Yhdistyneessä kuningaskunnassa

Martin Anderson
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatTekoälyn suorittama jäsennys paljastaa 138 000 epätavanomaista Lontoon kiinteistöä…
Näytä lisää
  • Tekoälyn suorittama jäsennys paljastaa 138 000 epätavanomaista Lontoon kiinteistöä, mikä on 44 prosenttia enemmän kuin viralliset luvut.
  • Offshore-kiinteistöt, joiden arvo on 56 miljardia puntaa, keskittyvät keskiseen Lontooseen ja niillä on vahva spatiaalinen korrelaatio.
  • Neljä territorioalueetta, mukaan lukien Brittiläiset Neitsytsaaret, kattavat 78 prosenttia kaikista offshore-omistuksessa olevista Yhdistyneen kuningaskunnan kiinteistöistä.

Kahden brittiläisen yliopiston uusi tutkimus pyrkii valottamaan Ison-Britannian kiinteistöihin liittyvän rahanpesun mahdollista tilaa, erityisesti Lontoon arvostetuilla kiinteistömarkkinoilla.

Hankkeen tuloksien mukaan Lontoossa on noin 138 000 “epätavanomaista” asuinkiinteistöä (eli kiinteistöjä, joita omistajat tai vuokralaiset eivät käytä pitkäaikaiseen asumiseen).

Tämä luku on 44 % korkeampi kuin viralliset luvut, jotka Yhdistyneen kuningaskunnan hallitus toimittaa ja päivittää säännöllisesti.

Tutkijat käyttivät erilaisia luonnollisen kielen prosessointitekniikoita yhdessä muiden tietojen ja vahvistavien tutkimusten kanssa laajentaakseen rajoitettua virallista tietoa, jonka Yhdistyneen kuningaskunnan hallitus tarjoaa siitä, mikä on offshore-yhtiöiden Yhdistyneessä kuningaskunnassa omistamien kiinteistöjen osuus, arvo, sijainti ja tyyppi; arvokkaimmat niistä sijaitsevat pääkaupungissa.

Tutkimus osoitti, että Ison-Britannian offshore-omisteisten, vähällä käytöllä olevien ja Airbnb -tyyppisen (eli “satunnaisen asumisen”) kiinteistöjen yhteisarvo on noin 145-174 miljardia puntaa, ja niitä on noin 144 000-164 000.

Se osoitti myös, että ulkomaiset kiinteistöt ovat tyypillisesti kalliimpia ja niillä on ominaisia sijaintikuvioita Ison-Britanniassa.

Tutkijat arvioivat, että offshore-omisteisten epätavanomaisten asuinkiinteistöjen (UDP) osuus on 7,5 % asuinkiinteistöjen kokonaisarvosta, ja että 56 miljardia puntaa arvioidusta arvosta keskittyy vain 42 000 asuntoon.

Tutkimusraportissa todetaan:

‘Yksittäiset ulkomaiset kiinteistöt ovat erittäin kalliita, jopa UDP-kiinteistöjen mittapuulla, ja ne ovat keskittyneitä Lontoon keskustaan ja niillä on vahva spatiaalinen itsekorrelaatio.’

‘Toisaalta sisäkkäiset ulkomaiset kiinteistöt ovat vähemmän keskittyneitä Lontoon keskustaan, mutta yleisemmässä mielessä ne ovat keskittyneempiä, eikä niillä ole läheskään spatiaalista korrelaatiota.’

Lisättyjen tietojen analyysi osoittaa, että suuri määrä offshore-omisteisia kiinteistöjä kuuluu yhteisöille, joiden kotipaikka on alueilla nimeltä kruunun alusmaat (CD), ja toiseksi suurin määrä on Britannian merentakaisille alueille rekisteröityjen yhteisöjen omistuksessa (kuva alla, jossa ‘PWW2’ tarkoittaa maita, jotka saavuttivat itsenäisyyden Britanniasta toisen maailmansodan jälkeen).

Ulkomaisen omistuksen jakautuminen tutkimuksen tuloksien mukaan. Lähde: https://arxiv.org/src/2207.10931v1/anc/Offshore_London_Supplementary_Material.pdf

Ulkomaisen omistuksen jakautuminen tutkimuksen tuloksien mukaan. Lähde: https://arxiv.org/src/2207.10931v1/anc/Offshore_London_Supplementary_Material.pdf

Tutkimusraportissa todetaan:

‘Itse asiassa vain neljä aluetta, Brittiläiset Neitsytsaaret, Jersey, Guernsey ja Mansaari, liittyy 78 %:iin kaikista kiinteistöistä.’

Uudet parannetut tiedot ovat mahdollistaneet ulkomaisen kiinteistön sisäisten alakiinteistöjen määrittämisen – ominaisuuden, jota viralliset luvut eivät yleensä tarjoa.

Tulokset osoittavat myös, että ulkomaiset, Airbnb- ja vähän käytetyt kiinteistöt ovat huomattavasti enemmän keskittyneitä maantieteellisesti kuin tavalliset kodit, ja ne ovat keskittyneitä arvokkaisiin alueisiin.

Lämpökartat, jotka liittyvät erilaisiin ulkomaisiin kiinteistöihin Lontoossa. Lähde: https://arxiv.org/pdf/2207.10931.pdf

Lämpökartat, jotka liittyvät erilaisiin ulkomaisiin kiinteistöihin Lontoossa. Lähde: https://arxiv.org/pdf/2207.10931.pdf

Yllä olevasta kaavasta tutkijat toteavat:

‘Ulkomaisilla kotimaisilla kiinteistöillä on erittäin korkeita keskittymisiä, joissa koko asuinalue kuuluu ulkomaiselle yritykselle.’

Tutkijat ovat julkaisseet koodin prosessointiputkelleen.

Uusi tutkimus on otsikoitu Mikä on pesulassa? Offshore-yhtiöiden omistamien asuinkiinteistöjen kartoitus ja luonnehdinta Lontoossa, ja se on peräisin tutkijoilta University College Londonin Bartlett Faculty of the Built Environment -tiedekunnasta ja Kingstonin yliopiston taloustieteen laitoksesta.

Ongelman ratkaiseminen

Tutkijat toteavat, että vuosikymmenien pyrkimyksistä huolimatta rahanpesun torjumiseksi kiinteistömarkkinoilla Isossa-Britanniassa, se vaati vuotaneen listan ulkomaisista kiinteistöomistajista, jonka brittiläinen julkaisu Private Eye julkaisi vuonna 2015, jotta Yhdistyneen kuningaskunnan hallitus julkaisi säännöllisesti päivitettävän listan ulkomaisista kiinteistöomistajista useimmissa osissa Isoa-Britanniaa, jota kutsutaan Ulkomaiset yritykset, jotka omistavat kiinteistöjä Englannissa ja Walesissa (OCOD).

Tutkijat huomauttavat, että vaikka OCOD on askel eteenpäin tutkimuksessa ja analyysissä ulkomaisen omistuksen ja mahdollisen rahanpesun torjunnassa Isossa-Britanniassa, tiedot ovat rajoittettuja:

‘Nämä osoitteet voivat olla epätäydellisiä, sisältää sisäkkäisiä kiinteistöjä, joissa useita kiinteistöjä on yhdellä rivillä tai saman kiinteistörekisteritunnuksen alla, eikä niissä ole tietoa siitä, onko kiinteistö koti, liike tai jotain muuta.’

‘Tällainen heikkolaatuinen data vaikeuttaa offshore-yhtiöiden omistamien kiinteistöjen jakauman ja ominaisuuksien ymmärtämistä Yhdistyneessä kuningaskunnassa.’

On erityisen haastavaa saada tietoa epäsäännöllisesti vuokrattavista kiinteistöistä, kuten Airbnb-kiinteistöistä, koska julkisesti saatavilla olevat tiedot ovat rajoittettuja tai puuttuvat. Lisäksi Skotlanti (joka on osa Isoa-Britanniaa) ei julkaise omia kiinteistömyyntitilastojaan julkisesti, toisin kuin Englanti ja Wales.

Ison-Britannian hallitus on esittänyt yksilöivän kiinteistön viitenumeron (UPRN) järjestelmän, jonka tarkoituksena on mahdollistaa selkeämmät suhteet erilaisiin kiinteistötietolähteisiin. Tutkijat toteavat kuitenkin, että ‘vaikka UPRN:n käyttö on pakollista, lähes mikään hallituksen osasto ei käytä sitä, joten tietojen yhdistäminen vaatii edistyneitä tietojenkäsittelyn taitoja‘.

Siksi uusi tutkimus pyrki tekemään tiedoista yksityiskohtaisempia ja havainnollisempia.

Tietojen kerääminen ja yhdistäminen

Jokaisessa maassa osoiteformaatit ovat yleensä ennustettavissa ja johdonmukaisia, mikä koskee myös Isoa-Britannian osoitteita. Näin ollen, kun on vastassa “tasainen” tekstipohjainen osoitetieto (kuten OCOD:n tarjoama), on kehittynyt useita avoimen lähdekoodin osoiteparsointiratkaisuja, joilla osoitteita voidaan yhdistää muiden tietolähteiden tietoihin.

Monet näistä on koulutettu Open Street Map -tietojen avulla, mikä voi johtaa osoitteisiin, jotka voivat sisältää kymmeniä tai jopa satoja sisäkkäisiä aliosoitteita (kuten asuntoja laajassa osoitteessa asuinkerrostalon osoitteelle). Tämän seurauksena jopa maineikas osoiteparseri libpostal on kohdannut vaikeuksia yrittäessään parsia epätäydellisiä osoitteita.

Tutkimuksen parserin luomiseksi tutkijat käyttivät useita julkisesti saatavilla olevia tietoja. Avaindataa tarjosi OCOD, kun taas tietojen puhdistuskomponentti käytti Land Registry Price -tietojoukkoa yhdessä VOA-arvioiden luettelotietojen ja Office of National Statistics Postcode Directoryn (ONSPD) kanssa.

Airbnb-tiedot saatiin InsideAirbnb -verkkosivuilta, jotka sisälsivät vain kokonaisia vuokrattavia asuntoja, ja siten rajasi pois Airbnb:n alun perin ehdotetun käyttötavan eli oman kodin tai sen osan satunnaisen vuokraamisen.

Tutkijoiden vähän käytetyn kiinteistöjen tietojoukkoa täydennettiin tiedoilla, jotka saatiin menestyksekkäiden tietopyyntöjen kautta, joista suurin osa kerättiin aiemmalle tutkimukselle.

OCOD:n perusdata on pilkuin eroteltu .CSV- tiedosto, jolla on hyvä rakenne ja ennustettava muoto.

Putki koostui viidestä vaiheesta: merkintä, parsiminen, laajentaminen, luokittelu ja supistaminen. Aluksi yksittäinen osoite saattoi vastata useita sisäkkäisiä kiinteistöjä, vaikka tämä ei ole eksplisiittistä hallituksen toimittamissa tiedoissa.

Tutkijat suorittivat jonkin verran kevyttä syntaktista esikäsittelyä, jonka jälkeen he toivat tiedot programmatic -alustalle, joka on suunniteltu luomaan annotoituja NLP-tietoja ilman käsin tehtävää merkintää. Siellä entiteetit merkittiin säännöllisillä lausekkeilla (Regex) kuvaamaan kahdeksaa tyyppiä nimetyistä entiteeteistä (ks. kuva alla):

Merkintöjen lisäämisen jälkeen tietojoukko vietiin JSON-tiedostoksi, ja merkintöjen päällekkäisyydet poistettiin yksinkertaisilla sääntöpohjaisilla rutiineilla.

Lisäksi programmaticin tulostetta käytettiin ennustavan mallin kouluttamiseen SpaCy:lle, jonka perustana on Facebookin RoBERTa. Kun tieto oli puhdistettu, tutkijat loivat vertailuaineiston, joka koostui 1 000 satunnaisesti merkitystä havainnosta. Ohjaamattoman datan tarkkuusluku arvioidaan lopulta tämän vertailukohdan perusteella.

Osoitteen parsiminen esitti useita haasteita. Tutkijat määrittelivät jokaiselle merkkijaksolle oman rivin ja jokaiselle luokalle oman sarakkeen, ja sitten välittivät saraketiedot takaisin muodostaakseen täydellisiä osoiterivejä.

Koska joillakin yksittäisillä osoitteilla oli useita erillisiä asuntoja, oli tarpeen laajentaa tietokantaa jakamalla yksittäisiä osoitteita alakiinteistöihin, jotka olivat muiden tietokantojen vastineita.

Tämän jälkeen osoitteiden luokitteluvaiheessa kaikki löydetyt postinumerot yhdistettiin ONSPD-tietokannan tietoihin. Tämä prosessi yhdistää osoitetiedot väestönlasku- ja muihin demografiatietoihin ja erottaa alakiinteistöt, jotka aiemmin olivat piilossa OCOD-tietojen epäselvien osoitteiden takana.

Lopulta osoitteiden supistusprosessi poisti kaikki muut kuin asuinkiinteistöt (eli liiketilat) sisäkkäisistä kiinteistöryhmistä.

Analyysi

Tutkijat testasivat parannettujen tietojen tarkkuutta luomalla näytesarjan, jota ei käytetty yleisessä analyysissä, vaan ainoastaan tarkastamaan ennusteiden ja analyysien tarkkuutta.

Manuaalinen tarkastelu näytesarjassa sisälsi karttojen käytön, sekä tutkittavien kiinteistöjen kuvien analyysin ja internet-haun, jotta voitiin arvioida kiinteistön tyyppi. Sen jälkeen tietojen suorituskyky mitattiin tarkkuuden, saannin ja F1-lukujen perusteella.

Vähällä käytöllä olevien kiinteistöjen ja asuinkiinteistöjen arvo saatiin yksinkertaisella graafisella mallilla, samalla menetelmällä, jota käytettiin myös UDP-kiinteistöjen arvioimiseen.

NER-tehtävä, joka testattiin manuaalisesti merkityn vertailukohdan perusteella, saavutti F1-lukeman 0,96 (lähellä “100 %:a” tarkkuuden suhteen).

F1-luvut NER-merkinnän tehtävälle. Jotkin epätasaisuudet löytyvät, koska prosessi arvioi hieman liian korkeaksi asuinkiinteistöjen määrää ja aliarvioi yritysten määrää, johtuen parannettujen tietojen rakenteesta.

F1-luvut NER-merkinnän tehtävälle. Jotkin epätasaisuudet löytyvät, koska prosessi arvioi hieman liian korkeaksi asuinkiinteistöjen määrää ja aliarvioi yritysten määrää, johtuen parannettujen tietojen rakenteesta.

Lontoon UDP:ien lopputulokset osoittavat yhteensä 138 000 merkintää – 44 % enemmän kuin alkuperäisen OCOD-tietojoukon 94 000 merkintää (eli viralliset luvut).

Kiinteistötyyppien jakautuminen 2. luokittelun mukaan.

Kiinteistötyyppien jakautuminen 2. luokittelun mukaan.

Tulokset osoittavat, että ulkomaisen kiinteistön arvo on noin 56 miljardia puntaa, kun taas vähän käytetyn kiinteistön arvo on arvioitu noin 85 miljardiksi punnaksi.

Tutkijat toteavat:

‘Kaikki UDP:t ovat paljon kalliimpia kuin tavanomaiset kiinteistöt, joiden keskihinta on 600 000 puntaa.’

Tällainen parannettu data voi olla välttämätöntä kiinteistöspekulaation rahanpesukäytön torjumisessa Isossa-Britanniassa. Tutkijat toteavat, että on kasvava määrä tutkimuksia ja yleistä kirjallisuutta, joka viittaa siihen, että parannettu data voi auttaa rahanpesun torjunnassa, ja päättelevät:

‘Tätä dataa voidaan käyttää sosiologien, taloustieteilijöiden ja päättäjien toimesta varmistamaan, että pyrkimykset vähentää rahanpesua ja korkeita kiinteistöhintoja perustuvat yksityiskohtaisiin tietoihin, jotka heijastavat todellista tilannetta.’

* Minun muunnos tutkijoiden sisäisistä viittauksista hyperlinkkeihin.

Julkaistu ensimmäisen kerran 25. heinäkuuta 2022.

Kirjoittaja koneoppimisen parissa, ihmisiä esittävien kuvien synteesin asiantuntija. Entinen tutkimussisällön johtaja Metaphysic.ai:ssa, kunnes se sulautui DNEG:n Brahma.ai:hin.
Verkkosivu: martinanderson.ai
Yhteystiedot: martin@martinanderson.ai