L’IA offre un miglioramento nella tracciabilità della proprietà immobiliare offshore nel Regno Unito

Una nuova ricerca condotta da due università del Regno Unito mira a gettare maggiore luce sullo stato potenziale del riciclaggio di denaro basato sulla proprietà immobiliare nel Regno Unito, in particolare nel mercato immobiliare londinese molto ambito.

Secondo i risultati del progetto, il numero totale di proprietà domestiche “non convenzionali” (vale a dire proprietà che non vengono utilizzate a lungo termine come abitazioni da parte dei proprietari o degli inquilini) ammonta a circa 138.000 a Londra solo.

Questo numero è del 44% superiore ai dati ufficiali, che sono forniti e periodicamente aggiornati dal governo del Regno Unito.

I ricercatori hanno utilizzato varie tecniche di Natural Language Processing (NLP), insieme a dati aggiuntivi e ricerche di corroborazione, per estendere le limitate informazioni ufficiali che il governo del Regno Unito rende disponibili sulla percentuale, sul valore, sulla localizzazione e sui tipi di proprietà immobiliari di proprietà di società offshore nel Regno Unito, le più lucrative delle quali si trovano nella capitale.

La ricerca ha scoperto che il totale delle proprietà immobiliari offshore, a basso utilizzo e di tipo Airbnb (vale a dire “occupazione occasionale”) nel Regno Unito sono collettivamente valutate intorno a 145-174 miliardi di sterline GBP, su circa 144.000-164.000 proprietà.

Ha anche scoperto che le proprietà immobiliari offshore di questo tipo sono generalmente più costose e presentano modelli di firma in relazione alla loro localizzazione nel Regno Unito.

I ricercatori stimano che le proprietà immobiliari domestiche “non convenzionali” (UDP) di proprietà offshore rappresentino il 7,5% del valore domestico totale e che 56 miliardi di sterline del valore stimato sono limitati a soli 42.000 alloggi.

Il documento afferma:

‘Le singole proprietà immobiliari offshore sono molto costose, anche secondo gli standard delle UDP, inoltre sono concentrate al centro di Londra con una forte autocorrelazione spaziale.

‘Al contrario, le proprietà immobiliari offshore annidate sono leggermente meno concentrate al centro di Londra, ma più altamente concentrate in generale, e non presentano quasi alcuna correlazione spaziale.’

L’analisi dei dati aumentati mostra che un gran numero di proprietà immobiliari offshore appartengono a entità nelle Dipendenze della Corona (CD), con il secondo numero più grande rappresentato dai Territori d’Oltremare britannici (nella tabella sottostante, ‘PWW2’ indica i paesi che hanno ottenuto l’indipendenza dalla Gran Bretagna dopo la seconda guerra mondiale).

Disposizione delle proprietà immobiliari straniere, secondo i risultati del nuovo documento. Fonte: https://arxiv.org/src/2207.10931v1/anc/Offshore_London_Supplementary_Material.pdf

Il documento osserva:

‘In realtà, solo 4 territori, le Isole Vergini britanniche, Jersey, Guernsey e l’Isola di Man, sono associati al 78% di tutte le proprietà.’

I nuovi dati aumentati hanno reso possibile determinare le sub-proprietà che esistono all’interno di una proprietà immobiliare offshore nota – una capacità solitamente ostacolata dai dati piatti e limitati forniti nelle statistiche ufficiali.

I risultati indicano anche che le proprietà immobiliari offshore, Airbnb e a basso utilizzo sono notevolmente più concentrate geograficamente delle normali abitazioni e sono inoltre concentrate in aree di maggior valore.

Mappe di calore relative a vari tipi di proprietà immobiliari straniere a Londra. Fonte: https://arxiv.org/pdf/2207.10931.pdf

Sulla tabella sopra, gli autori commentano:

‘Le proprietà immobiliari domestiche offshore presentano concentrazioni estremamente elevate in cui un’intera area residenziale è di proprietà di una società offshore.’

Gli autori hanno rilasciato il codice per la loro pipeline di elaborazione.

Il nuovo documento è intitolato Cosa c’è nella lavanderia? Mappatura e caratterizzazione delle proprietà immobiliari domestiche di proprietà offshore a Londra, e proviene da ricercatori della Facoltà di ambiente costruito di University College London e del Dipartimento di Economia dell’Università di Kingston.

Affrontare il problema

Gli autori notano che dopo decenni di sforzi per controllare l’uso della proprietà immobiliare a scopo di riciclaggio di denaro nel Regno Unito, ci è voluta la pubblicazione di un elenco di proprietà immobiliari di proprietà offshore nel Regno Unito da parte della pubblicazione britannica Private Eye nel 2015 per spingere il governo del Regno Unito a pubblicare un elenco regolarmente aggiornato di proprietà immobiliari di proprietà offshore nella maggior parte del Regno Unito, noto come Società straniere che possiedono proprietà in Inghilterra e Galles (OCOD).

I ricercatori osservano che sebbene l’OCOD sia un passo avanti nella ricerca e nell’analisi della proprietà immobiliare offshore e del riciclaggio di denaro potenziale nel Regno Unito, i dati presentano una serie di limitazioni, alcune delle quali cruciali:

‘Questi indirizzi possono essere incompleti, contenere proprietà annidate, dove più proprietà esistono all’interno di un singolo rigo o numero di titolo, e non contengono informazioni su whether la proprietà sia domestica, commerciale o altro.

‘Tali dati di scarsa qualità rendono difficile comprendere la distribuzione e le caratteristiche delle proprietà immobiliari di proprietà offshore nel Regno Unito.’

È particolarmente difficile ottenere dati sulle proprietà immobiliari affittate occasionalmente, come le proprietà Airbnb, poiché i dati pubblicamente disponibili sono limitati o inesistenti. Inoltre, la Scozia (una parte del Regno Unito) non rende pubblicamente disponibile il proprio registro delle vendite di proprietà, a differenza dell’Inghilterra e del Galles.

Per contrastare alcune delle incongruenze relative alla classificazione delle proprietà, il governo del Regno Unito ha introdotto il sistema del Numero di riferimento univoco per la proprietà (UPRN), progettato per consentire relazioni più chiare tra diverse fonti di dati sulla proprietà. Tuttavia, gli autori notano* ‘sebbene l’uso dell’UPRN sia obbligatorio, quasi nessun dipartimento governativo lo utilizza, il che significa che il collegamento dei dati richiede avanzate capacità di elaborazione dei dati abilità‘.

Pertanto, la nuova ricerca ha cercato di rendere i dati più granulari e più significativi.

Raccogliere e collegare i dati

All’interno di un singolo paese, i formati degli indirizzi sono generalmente prevedibili e coerenti, applicabili anche agli indirizzi del Regno Unito. Pertanto, di fronte a dati di indirizzi “piatti” e basati su testo (come quelli forniti dall’OCOD), sono emerse diverse soluzioni di parsing degli indirizzi open source per cross-referenziare gli indirizzi ad altre fonti di dati.

Tuttavia, molte di queste sono state addestrate utilizzando i dati di Open Street Map, che possono produrre indirizzi che potrebbero effettivamente ospitare decine o addirittura centinaia di sub-indirizzi annidati (come appartamenti in un ampio indirizzo per un blocco di appartamenti). Di conseguenza, anche un noto parser di indirizzi come libpostal ha avuto difficoltà quando ha cercato di analizzare gli indirizzi incompleti.

Per creare il parser per il loro progetto, i ricercatori del nuovo documento hanno utilizzato una serie di set di dati pubblicamente disponibili. I dati chiave sono stati forniti dall’OCOD, mentre il componente di pulizia dei dati ha utilizzato il set di dati dei prezzi dei registri immobiliari (dataset), insieme al set di dati delle valutazioni VOA (VOA ratings) e il Directory dei codici postali dell’Office of National Statistics (ONSPD).

I dati di Airbnb provenivano dal dominio InsideAirbnb, che include solo le case intere che vengono affittate, escludendo l’uso originariamente proposto per Airbnb (vale a dire, l’affitto di parte o dell’intera propria casa su base occasionale).

I dati sulla proprietà a basso utilizzo degli autori sono stati aumentati dalle informazioni ricevute da richieste di informazione gratuite, in gran parte raccolte per un progetto precedente.

I dati di base dell’OCOD sono un file CSV delimitato da virgole con un buon grado di struttura e formato prevedibile.

La pipeline consisteva in cinque fasi: etichettatura, analisi, espansione, classificazione e contrazione. All’inizio, ogni singolo indirizzo poteva risolversi nella vita reale in più proprietà annidate, sebbene ciò non sia esplicito nei dati forniti dal governo.

I ricercatori hanno eseguito una leggera pre-elaborazione sintattica, quindi hanno importato i dati in programmatic, una piattaforma progettata per creare set di dati NLP annotati senza etichettatura manuale. Qui, le entità sono state etichettate utilizzando espressioni regolari (Regex) per descrivere otto tipi di entità nominate (vedi immagine sottostante):

Con queste etichette aggiunte, il set di dati è stato estratto come un file JSON, con le sovrapposizioni delle etichette rimosse da semplici routine basate su regole.

Inoltre, l’output di programmatic è stato utilizzato per addestrare un modello predittivo per SpaCy, sostenuto da Facebook’s RoBERTa. Una volta denoised, i ricercatori hanno creato un set di confronto di 1000 osservazioni etichettate casualmente. Il punteggio di accuratezza dei dati non supervisionati sarebbe stato valutato contro questo set di confronto.

L’analisi degli indirizzi ha presentato una serie di sfide. Gli autori hanno assegnato ogni span di caratteri alla sua riga e ogni classe di etichetta alla sua colonna, e poi hanno retropropagato le colonne per generare righe di indirizzi complete.

Poiché alcuni singoli indirizzi presentavano più abitazioni distinte, è stato necessario espandere il database, suddividendo gli indirizzi unici in sub-proprietà presenti in database complementari.

Dopo di ciò, la fase di classificazione degli indirizzi ha cross-referenziato tutti i codici postali trovati utilizzando il database ONSPD. Questo processo collega i dati degli indirizzi ai dati del censimento e ad altri dati demografici, e individua anche le sub-proprietà che erano state nascoste dietro gli indirizzi opachi dei dati dell’OCOD.

Infine, il processo di contrazione degli indirizzi ha filtrato tutte le proprietà non domestiche (vale a dire, i locali commerciali) dai gruppi di proprietà annidate.

Analisi

Per testare l’accuratezza dei dati aumentati, gli autori, come menzionato in precedenza, hanno creato un set di confronto di base che è stato trattenuto dalla corsia generale di analisi, e utilizzato solo per testare l’accuratezza delle previsioni e delle analisi.

La verifica manuale per il set di confronto ha incluso l’uso di software di mapping, nonché l’analisi delle immagini delle proprietà presenti nel set trattenuto, e di ricerche su Internet per valutare il tipo di proprietà. Successivamente, le prestazioni dei dati sono state misurate contro punteggi di precisione, richiamo e F1.

Il valore delle proprietà a basso utilizzo e domestiche è stato ottenuto con un modello grafico di base, lo stesso metodo utilizzato anche per inferire le proprietà UDP.

Il compito di riconoscimento delle entità nominate (NER), testato contro il set di confronto etichettato manualmente con grande sforzo, ha ottenuto un punteggio F1 di 0,96 (vicino al 100% in termini di accuratezza).

Punteggi F1 per il compito di etichettatura NER. Alcuna disuguaglianza si trova, poiché il processo leggermente sovrastima il numero di proprietà domestiche e sottostima il numero totale di attività commerciali, a causa della struttura dei dati aumentati.

Riguardo alle UDP a Londra, i risultati finali mostrano un totale di 138.000 voci – il 44% in più rispetto alle 94.000 presenti nel set di dati OCOD originale (vale a dire, i dati ufficiali recenti).

La suddivisione dei tipi di proprietà secondo la classificazione di tipo 2.

I risultati indicano che il valore totale delle proprietà immobiliari offshore ammonta a circa 56 miliardi di sterline, mentre il valore totale delle proprietà a basso utilizzo è stimato a 85 miliardi di sterline.

Gli autori notano:

‘[Tutte] le UDP sono molto più costose della media dei prezzi delle proprietà convenzionali di 600.000 sterline.’

Questo tipo di dati migliorati può essere necessario per contrastare l’uso della speculazione immobiliare come attività di riciclaggio di denaro nel Regno Unito. Gli autori notano il crescente corpo di ricerche e letteratura generale che suggerisce che i dati migliorati possono aiutare a contrastare la speculazione immobiliare AML, e concludono:

‘Questi dati possono essere utilizzati da sociologi, economisti e responsabili politici per assicurarsi che i tentativi di ridurre il riciclaggio di denaro e i prezzi elevati delle proprietà immobiliari si basino su dati dettagliati che riflettono la situazione reale.’

* La mia conversione delle citazioni in linea degli autori in collegamenti ipertestuali.

Pubblicato per la prima volta il 25 luglio 2022.