AI Menawarkan Pelacakan Kepemilikan Properti di Luar Negeri yang Ditingkatkan di Inggris

Penelitian baru dari dua universitas di Inggris bertujuan untuk memberikan gambaran yang lebih baik tentang potensi keadaan pencucian uang berbasis properti di Inggris, terutama di pasar properti London yang sangat dihargai.

Menurut hasil proyek, jumlah total ‘domestik tidak konvensional’ (yaitu properti yang tidak digunakan dalam jangka panjang sebagai tempat tinggal oleh pemilik atau penyewa) mencapai sekitar 138.000 di London saja.

Angka ini 44% lebih tinggi dari angka resmi, yang disediakan dan diperbarui secara berkala oleh pemerintah Inggris.

Peneliti menggunakan berbagai teknik Pemrosesan Bahasa Alami (NLP), bersama dengan data tambahan dan penelitian konfirmasi, untuk memperluas informasi terbatas yang disediakan oleh pemerintah Inggris tentang persentase, nilai, lokasi, dan jenis properti yang dimiliki oleh perusahaan di luar negeri di Inggris, yang paling menguntungkan di antaranya berada di ibukota.

Penelitian menemukan bahwa total jumlah properti di luar negeri, rendah penggunaan, dan gaya Airbnb (yaitu ‘okupasi santai’) di Inggris secara kolektif bernilai sekitar £145-174 miliar GBP di sekitar 144.000-164.000 properti.

Penelitian juga menemukan bahwa properti di luar negeri dari jenis ini biasanya lebih mahal dan memiliki pola tanda tangan dalam hal lokasi di Inggris.

Peneliti memperkirakan bahwa properti domestik ‘tidak konvensional’ (UDP) yang dimiliki oleh perusahaan di luar negeri mewakili 7,5% dari nilai domestik total, dan bahwa £56 miliar dari nilai yang diperkirakan terbatas pada hanya 42.000 rumah.

Makalah tersebut menyatakan:

‘Properti individu di luar negeri sangat mahal bahkan menurut standar UDP, selain itu mereka terkonsentrasi di pusat London dengan korelasi spasial yang kuat.

‘Sebaliknya, properti di luar negeri yang bersarang sedikit kurang terkonsentrasi di pusat London tetapi lebih terkonsentrasi secara umum, ada juga hampir tidak ada korelasi spasial.’

Analisis data yang ditingkatkan menunjukkan bahwa sejumlah besar properti di luar negeri dimiliki oleh entitas di Ketergantungan Mahkota (CD), dengan jumlah terbesar kedua dimiliki oleh Wilayah Luar Negeri Britania (dalam grafik di bawah, ‘PWW2’ menunjukkan negara-negara yang memperoleh kemerdekaan dari Britania setelah Perang Dunia II).

Disposisi properti asing, menurut hasil dari makalah baru. Sumber: https://arxiv.org/src/2207.10931v1/anc/Offshore_London_Supplementary_Material.pdf

Makalah tersebut mengamati:

‘Faktanya, hanya 4 wilayah, Kepulauan Virgin Britania, Jersey, Guernsey, dan Pulau Man, yang terkait dengan 78% dari semua properti.’

Data yang ditingkatkan baru ini telah memungkinkan untuk menentukan sub-properti yang ada dalam properti yang dimiliki oleh perusahaan di luar negeri yang diketahui – kemampuan yang biasanya terhambat oleh data datar dan terbatas yang disediakan dalam angka resmi.

Hasilnya juga menunjukkan bahwa properti di luar negeri, Airbnb, dan rendah penggunaan secara geografis lebih terkonsentrasi daripada rumah biasa, dan juga terkonsentrasi di daerah dengan nilai lebih tinggi.

Peta panas terkait dengan berbagai jenis properti yang dimiliki oleh perusahaan di luar negeri di London. Sumber: https://arxiv.org/pdf/2207.10931.pdf

Tentang grafik di atas, penulis mengomentari:

‘Properti domestik di luar negeri memiliki beberapa konsentrasi yang sangat tinggi di mana seluruh pengembangan perumahan dimiliki oleh perusahaan di luar negeri.’

Penulis telah merilis kode untuk pipa pemrosesan mereka.

Makalah baru ini berjudul Apa yang ada di laundromat? Pemetaan dan karakterisasi properti domestik yang dimiliki oleh perusahaan di luar negeri di London, dan berasal dari peneliti di The Bartlett Faculty of the Built Environment di University College London, dan Kingston University’s Department of Economics.

Mengatasi Masalah

Penulis mencatat bahwa setelah beberapa dekade upaya untuk mengendalikan penggunaan properti untuk tujuan pencucian uang di Inggris, diperlukan rilis daftar properti yang dimiliki oleh perusahaan di luar negeri di Inggris yang bocor oleh publikasi Inggris Private Eye pada 2015 untuk mendorong pemerintah Inggris untuk menerbitkan daftar yang diperbarui secara teratur dari properti yang dimiliki oleh perusahaan di luar negeri di sebagian besar Inggris, yang dikenal sebagai Perusahaan di luar negeri yang memiliki properti di Inggris dan Wales (OCOD).

Peneliti mengamati bahwa meskipun OCOD adalah langkah maju dalam penelitian dan analisis kepemilikan properti di luar negeri dan pencucian uang potensial di Inggris, data tersebut memiliki beberapa keterbatasan, beberapa di antaranya sangat penting:

‘Alamat ini dapat tidak lengkap, mengandung properti bersarang, di mana beberapa properti ada dalam satu baris atau nomor judul, juga tidak mengandung informasi tentang apakah properti tersebut domestik, bisnis atau sesuatu lain.

‘Data berkualitas buruk seperti ini membuat pemahaman tentang distribusi dan karakteristik properti yang dimiliki oleh perusahaan di luar negeri di Inggris menjadi menantang.’

Sangat sulit untuk mendapatkan data tentang properti yang disewakan secara santai, seperti properti Airbnb, karena data yang tersedia secara terbuka terbatas atau tidak ada. Selain itu, Skotlandia (bagian dari Inggris) tidak membuat daftar penjualan properti mereka tersedia secara terbuka, tidak seperti Inggris dan Wales.

Untuk mengatasi beberapa inkonsistensi seputar klasifikasi properti, pemerintah Inggris memperkenalkan Sistem Nomor Referensi Properti Unik (UPRN), yang dirancang untuk memungkinkan hubungan yang lebih jelas di seluruh sumber data properti yang beragam. Namun, penulis mencatat* ‘meskipun penggunaan UPRN diwajibkan, hampir tidak ada departemen pemerintah yang menggunakannya, yang berarti menghubungkan data memerlukan pemrosesan data keterampilan yang maju’.

Oleh karena itu, penelitian baru ini bertujuan untuk membuat data lebih granular dan mendalam.

Mengumpulkan dan Menghubungkan Data

Di dalam suatu negara, format alamat biasanya dapat diprediksi dan konsisten, berlaku juga untuk alamat di Inggris. Dengan demikian, dihadapkan pada data alamat ‘datar’ berbasis teks (seperti yang disediakan oleh OCOD), beberapa solusi pemrosesan alamat sumber terbuka telah muncul untuk mencocokkan alamat dengan sumber data lain.

Namun, banyak di antaranya dilatih menggunakan Open Street map data, yang dapat menghasilkan alamat yang sebenarnya memiliki puluhan atau bahkan ratusan sub-alamat bersarang (seperti apartemen di blok apartemen). Konsekuensinya, bahkan parser alamat yang terkenal seperti libpostal telah mengalami kesulitan ketika mencoba memparse alamat yang tidak lengkap.

Untuk membuat parser untuk proyek mereka, penulis makalah baru menggunakan beberapa dataset yang tersedia secara terbuka. Data kunci disediakan oleh OCOD, sedangkan komponen pembersihan data menggunakan dataset Harga Tanah dataset, bersama dengan VOA peringkat daftar dataset, dan Direktori Kode Pos Kantor Statistik Nasional (ONSPD).

Data Airbnb berasal dari domain InsideAirbnb, yang hanya mencakup rumah lengkap yang disewakan, sehingga tidak termasuk penggunaan awal yang diusulkan untuk Airbnb (yaitu menyewakan sebagian atau seluruh rumah seseorang secara berkala).

Dataset properti rendah penggunaan penulis diperkaya dengan informasi yang diterima dari permintaan Informasi Kebebasan (FOI) yang sukses, sebagian besar dikumpulkan untuk proyek sebelumnya.

Dasar data OCOD adalah file CSV dengan delimiter koma yang memiliki struktur yang baik dan format yang dapat diprediksi.

Pipa terdiri dari lima tahap: pelabelan, parsing, perluasan, klasifikasi, dan kontraksi. Pada awalnya, setiap alamat individu dapat diselesaikan dalam kehidupan nyata menjadi beberapa properti bersarang, meskipun ini tidak eksplisit dalam data yang disediakan oleh pemerintah.

Penulis melakukan beberapa pra-pemrosesan sintaksis ringan, kemudian mengimpor data ke programmatic, platform yang dirancang untuk membuat dataset NLP yang dianotasi tanpa pelabelan tangan. Di sini, entitas diberi label menggunakan ekspresi reguler (Regex) untuk menggambarkan delapan jenis entitas bernama (lihat gambar di bawah):

Dengan label yang ditambahkan, dataset diekstrak sebagai file JSON, dengan tumpang tindih label dihapus oleh rutinitas berbasis aturan sederhana.

Tambahan, output programmatic digunakan untuk melatih model prediktif untuk SpaCy, yang didukung oleh RoBERTa Facebook. Setelah didepak, penulis membuat himpunan perbandingan kebenaran dari 1000 pengamatan yang diberi label secara acak. Skor akurasi data tak terawasi akhirnya akan dievaluasi melawan himpunan kebenaran ini.

Parsing alamat menyajikan sejumlah tantangan. Penulis menetapkan setiap span karakter ke barisnya sendiri dan setiap kelas label ke kolomnya sendiri, kemudian mempropagasi kolom ke belakang untuk menghasilkan baris alamat lengkap.

Karena beberapa alamat tunggal memiliki beberapa hunian yang berbeda, perlu untuk memperluas database dengan membagi alamat tunggal menjadi sub-properti yang ada dalam database komplementer.

Setelah itu, tahap klasifikasi alamat mencocokkan semua kode pos yang ditemukan menggunakan database ONSPD. Proses ini menghubungkan data alamat ke data sensus dan demografis lainnya, dan juga membedakan sub-properti yang sebelumnya tersembunyi di balik alamat yang tidak jelas dari data OCOD.

Akhirnya, proses kontraksi alamat menyaring semua properti non-domestik (yaitu properti komersial) dari kelompok properti bersarang.

Analisis

Untuk menguji akurasi data yang ditingkatkan, penulis, seperti yang disebutkan sebelumnya, membuat himpunan kebenaran contoh yang diadakan kembali dari analisis umum, dan hanya digunakan untuk menguji akurasi prediksi dan analisis.

Pemeriksaan manual untuk himpunan kebenaran termasuk penggunaan perangkat lunak peta, serta analisis gambar properti yang ditampilkan dalam himpunan yang diadakan kembali, dan pencarian internet untuk mengevaluasi jenis properti. Setelah itu, kinerja data diukur melawan skor presisi, recall, dan F1.

Nilai properti rendah penggunaan dan domestik diperoleh dengan model grafis dasar, metode yang sama digunakan juga untuk menginferensi properti UDP.

Tugas NER, diuji melawan himpunan kebenaran yang diberi label secara manual dengan banyak upaya, memperoleh skor F1 sebesar 0,96 (dekat dengan ‘100%’, dalam hal akurasi).

Skor F1 untuk tugas pelabelan NER. Beberapa ketidakrataan ditemukan, karena proses sedikit melebih-lebihkan jumlah properti domestik dan meremehkan total jumlah bisnis, karena struktur data yang ditingkatkan.

Berhubungan dengan UDP di London, hasil akhir menunjukkan total 138.000 entri – 44% lebih banyak dari 94.000 yang ditampilkan dalam dataset OCOD asli (yaitu angka resmi terbaru).

Pembagian jenis properti di bawah klasifikasi tipe 2.

Hasilnya menunjukkan bahwa total nilai properti di luar negeri berdiri sekitar £56 miliar, sedangkan total nilai properti rendah penggunaan diperkirakan sekitar £85 miliar.

Penulis mencatat:

‘[Semua] UDP jauh lebih mahal daripada harga properti konvensional rata-rata sebesar £600.000.’

Data yang ditingkatkan seperti ini mungkin diperlukan untuk melawan penggunaan spekulasi properti sebagai kegiatan pencucian uang di Inggris. Penulis mencatat tubuh penelitian yang berkembang dan literatur umum yang menunjukkan bahwa data yang ditingkatkan dapat membantu dalam melawan spekulasi properti AML, dan menyimpulkan:

‘Data ini dapat digunakan oleh sosiolog, ekonom, dan pembuat kebijakan untuk memastikan bahwa upaya untuk mengurangi pencucian uang dan harga properti yang tinggi didasarkan pada data yang mendalam yang mencerminkan situasi nyata.’

* Konversi saya dari kutipan inline penulis ke tautan.

Dipublikasikan pertama kali pada 25 Juli 2022.