Andersons vinkel

AI förbättrar spårningen av offshorebolags fastighetsägande i Storbritannien

Martin Anderson
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterAI-analys avslöjar 138 000 okonventionella fastigheter i London, 44 % fler än…
Visa mer
  • AI-analys avslöjar 138 000 okonventionella fastigheter i London, 44 % fler än officiella siffror.
  • Offshore-fastigheter värda 56 miljarder pund är koncentrerade till centrala London med stark rumslig korrelation.
  • Fyra territorier, inklusive Brittiska Jungfruöarna, står för 78 % av alla offshore-ägda fastigheter i Storbritannien.

Ny forskning från två brittiska universitet syftar till att kasta mer ljus över det potentiella tillståndet för fastighetsbaserad penningtvätt i Storbritannien, och särskilt på den eftertraktade Londonfastighetsmarknaden.

Enligt projektets resultat uppgår det totala antalet “ovanliga” inhemska fastigheter (dvs. fastigheter som inte används långsiktigt som bostäder av ägare eller hyresgäster) till cirka 138 000 i enbart London.

Denna siffra är 44 % högre än de officiella siffrorna, som tillhandahålls och uppdateras regelbundet av den brittiska regeringen.

Forskarna använde olika tekniker för naturlig språkbehandling (NLP), tillsammans med ytterligare data och bekräftande forskning, för att utöka den begränsade officiella informationen som den brittiska regeringen tillhandahåller om andelen, värdet, platsen och typerna av fastigheter som ägs av utländska företag i Storbritannien, varav de mest lukrativa finns i huvudstaden.

Forskningen fann att det samlade beståndet av offshoreägda, lågt nyttjade och airbnb-liknande (dvs. “tillfälligt boende”) fastigheter i Storbritannien är kollektivt värda någonstans mellan 145-174 miljarder GBP över cirka 144 000-164 000 fastigheter.

Den fann också att utländska fastigheter av detta slag är vanligtvis dyrare och har signaturmönster när det gäller var de är belägna i Storbritannien.

Forskarna uppskattar att utländskt ägt “ovanligt inhemskt fastighetsinnehav” (UDP) representerar 7,5 % av det totala inhemska värdet, och att 56 miljarder GBP av det uppskattade värdet är begränsat till endast 42 000 bostäder.

Artikeln hävdar:

‘Enskilda utländska fastigheter är mycket dyra, även enligt UDP-standarder, och de är koncentrerade till Londons centrum med stark spatial auto-korrelation.

‘I kontrast är det inbäddade utländska fastighetsinnehavet något mindre koncentrerat till centrala London men mer högt koncentrerat i allmänhet, och det finns nästan ingen spatial korrelation.’

Analys av den utökade datan visar att ett stort antal utländska fastigheter tillhör enheter i Crown Dependencies (CD), med det näst största antalet som tillhör brittiska utomeuropeiska territorier (i tabellen nedan betecknar “PWW2” länder som fick självständighet från Storbritannien efter andra världskriget).

Fördelning av utländskt ägt fastighetsinnehav enligt resultaten från den nya artikeln. Källa: https://arxiv.org/src/2207.10931v1/anc/Offshore_London_Supplementary_Material.pdf

Fördelning av utländskt ägt fastighetsinnehav enligt resultaten från den nya artikeln. Källa: https://arxiv.org/src/2207.10931v1/anc/Offshore_London_Supplementary_Material.pdf

Artikeln observerar:

‘I själva verket är det bara 4 territorier, Brittiska Jungfruöarna, Jersey, Guernsey och Isle of Man, som är associerade med 78 % av alla fastigheter.’

Den nya utökade datan har gjort det möjligt att bestämma underliggande fastighetsenheter som finns inom en känd utländskt ägd fastighet – en funktion som vanligtvis hindras av den platta och begränsade datan som tillhandahålls i de officiella siffrorna.

Resultaten visar också att utländska, airbnb och lågt använda fastigheter är anmärkningsvärt mer geografiskt koncentrerade än vanliga hem, och är dessutom koncentrerade till högt värderade områden.

Värme-kartor relaterade till olika typer av utländskt ägt fastighetsinnehav i London. Källa: https://arxiv.org/pdf/2207.10931.pdf

Visualiserade koncentrationskartor relaterade till olika typer av utländskt ägt fastighetsinnehav i London. Källa: https://arxiv.org/pdf/2207.10931.pdf

Om ovanstående graf kommenterar författarna:

‘Utländskt ägt fastighetsinnehav har extremt höga koncentrationer där ett helt bostadsområde ägs av ett utländskt företag.’

Författarna har släppt kod för sin bearbetningspipeline.

Den nya artikeln heter Vad finns i tvätten? Kartläggning och karakterisering av utländskt ägt fastighetsinnehav i London, och kommer från forskare vid The Bartlett Faculty of the Built Environment vid University College London, och Kingston Universitys ekonomiavdelning.

Att hantera problemet

Författarna noterar att efter decennier av ansträngningar för att kontrollera användningen av fastigheter för penningtvättsändamål i Storbritannien, tog det utgivningen av en läckt lista över offshoreägda brittiska fastigheter av den brittiska publikationen Private Eye 2015 för att sporra den brittiska regeringen att publicera en regelbundet uppdaterad lista över utländskt ägt fastighetsinnehav i de flesta delar av Storbritannien, känd som Utländska företag som äger fastigheter i England och Wales (OCOD).

Forskarna observerar att även om OCOD är ett steg i rätt riktning för forskning och analys av utländskt ägande och potentiell penningtvätt i Storbritannien, har datan ett antal begränsningar, varav några är avgörande:

‘Dessa adresser kan vara ofullständiga, innehålla inbäddade fastigheter, där flera fastigheter finns inom en enda rad eller fastighetsregistrets titelnummer, och de innehåller ingen information om fastigheten är bostad, affärsverksamhet eller något annat.

‘Sådan dålig kvalitet på data gör det svårt att förstå fördelningen och egenskaperna hos utländskt ägt fastighetsinnehav i Storbritannien.’

Det är särskilt svårt att få data om tillfälligt uthyrda fastigheter, såsom airbnb-fastigheter, eftersom offentligt tillgängliga data är begränsade eller obefintliga. Dessutom gör Skottland (en del av Storbritannien) inte sitt eget register över fastighetsförsäljningar offentligt tillgänglig, till skillnad från England och Wales.

För att motverka vissa av inkonsekvenserna kring fastighetsklassificering införde den brittiska regeringen det unika fastighetsreferensnumret (UPRN)-systemet, som är utformat för att möjliggöra tydligare relationer mellan olika fastighetsdatakällor. Författarna noterar dock* ‘att medan användningen av UPRN är obligatorisk, använder nästan ingen regeringsavdelning det, vilket innebär att länkning av data kräver avancerade databearbetningsfärdigheter‘.

Därför syftade den nya forskningen till att göra datan mer detaljerad och insiktsfull.

Insamling och sammanlänkning av data

Inom ett enskilt land är adressformat vanligtvis förutsägbara och konsekventa, vilket också gäller för brittiska adresser. Därför, när man står inför “platta”, textbaserade adressdata (såsom den som tillhandahålls av OCOD), har ett antal adressparsningslösningar med öppen källkod dykt upp för att korsreferera adresser till andra datakällor.

Men många av dessa är tränade med Open Street Map-data, som kan ge adresser som faktiskt kan innehålla tiotals eller till och med hundratals inbäddade underadresser (såsom lägenheter i en bred adress för ett lägenhetskomplex). Följaktligen har även en berömd adressparser som libpostal haft svårt vid försök att tolka ofullständiga adresser.

För att skapa parsaren för sitt projekt använde den nya artikelns författare ett antal offentligt tillgängliga datamängder. Den viktigaste datan tillhandahölls av OCOD, medan datarengöringskomponenten använde Land Registry Price dataset, tillsammans med VOA ratings-listingsdataset och Office of National Statistics Postcode Directory (ONSPD).

Airbnb -data kom från InsideAirbnb-domänen, som endast innehåller hela hem som hyrs ut, och därmed utesluter det ursprungligen föreslagna användningsfallet för Airbnb (dvs. att hyra ut hela eller delar av sin egen bostad på ett tillfälligt sätt).

Författarnas lågt använda fastighetsdataset utökades med information som erhölls från framgångsrika begäranden om utlämnande av allmänna handlingar enligt Freedom of Information (FOI), främst insamlade för ett tidigare projekt.

Basdatan för OCOD är en kommaavgränsad .CSV-fil med en god grad av struktur och förutsägbart format.

Pipelinen bestod av fem stadier: märkning, parsning, utvidgning, klassificering och sammandragning. Inledningsvis kunde en enskild adress lösa sig till flera inbäddade fastigheter i verkligheten, även om detta inte är explicit i de uppgifter som regeringen tillhandahöll.

Forskarna utförde viss lätt syntaktisk förbehandling, sedan importerade de datan till programmatic, en plattform utformad för att skapa annoterade NLP-datasets utan manuell märkning. Här märktes entiteter med hjälp av reguljära uttryck (Regex) för att beskriva åtta typer av namngivna entiteter (se bild nedan):

Med dessa märken tillagda exporterades datamängden som en JSON-fil, med överlappande märkningar borttagen med hjälp av enkla regelbaserade rutiner.

Dessutom användes programmatics utdata för att träna en prediktiv modell för SpaCy, underbyggd av Facebooks RoBERTa. När bruset hade tagits bort skapade forskarna en jämförelseuppsättning med referensdata på 1000 slumpmässigt märkta observationer. Precisionsscoren för oövervakad data skulle slutligen utvärderas mot denna referensdata.

Adressparsning presenterade ett antal utmaningar. Författarna tilldelade varje teckenomfång sin egen rad och varje märkklass sin egen kolumn, och sedan backpropagerade kolumnerna för att generera fullständiga adressrader.

Eftersom vissa enskilda adresser innehöll flera distinkta bostäder var det nödvändigt att utöka databasen genom att underindela enskilda adresser i underliggande fastighetsenheter som fanns i kompletterande databaser.

Efter detta var adressklassificeringssteget en korsreferens till alla belägna postnummer med hjälp av ONSPD-databasen. Denna process kopplar adressdatan till folkräkning och annan demografisk data, och individuerar underliggande fastighetsenheter som tidigare varit dolda bakom de opaka adresserna i OCOD-datan.

Slutligen filtrerade processen för att begränsa adressbeståndet bort alla icke-bostadsfastigheter (dvs. kommersiella lokaler) från inbäddade fastighetsgrupper.

Analys

För att testa precisionen i den utökade datan skapade författarna, som nämnts tidigare, ett urval av referensdata som hölls tillbaka från den allmänna analysen, och användes endast för att testa precisionen i förutsägelserna och analyserna.

Manuell kontroll för referensdatan inkluderade användning av kartprogramvara, samt analys av bilder av fastigheterna som presenterades i den tillbakahållna uppsättningen, och av internet-sökningar för att utvärdera typen av fastighet. Därefter mättes datans prestanda mot precision, täckningsgrad och F1-poäng.

Värdet av lågt använda och bostadsfastigheter erhölls med en grundläggande grafisk modell, samma metod som användes för att härleda UDP-fastigheter.

NER-uppgiften, testad mot referensdatan, som märkts manuellt med stor arbetsinsats, erhöll en F1-poäng på 0,96 (nära “100 %”, i termer av precision).

F1-poäng för NER-märkningsuppgiften. Viss ojämnhet finns, eftersom processen något överskattar antalet bostadsfastigheter och underskattar det totala antalet företag, på grund av den utökade datans struktur.

F1-poäng för NER-märkningsuppgiften. Viss ojämnhet finns, eftersom processen något överskattar antalet bostadsfastigheter och underskattar det totala antalet företag, på grund av den utökade datans struktur.

Med avseende på UDP i London visar de slutliga resultaten ett totalt antal på 138 000 poster – 44 % fler än de 94 000 som presenterades i den ursprungliga OCOD-dataseten (dvs. de senaste officiella siffrorna).

Fördelningen av fastighetstyper under typ 2-klassificering.

Fördelningen av fastighetstyper under typ 2-klassificering.

Resultaten visar att det totala värdet av de utländska fastigheterna uppgår till cirka 56 miljarder GBP, medan det totala värdet av lågt använda fastigheter uppskattas till 85 miljarder GBP.

Författarna noterar:

‘[Alla] UDP är mycket dyrare än det genomsnittliga konventionella fastighetspriset på 600 000 pund.’

Denna typ av förbättrad data kan vara nödvändig för att bekämpa användningen av fastighetsspekulation som en penningtvättsaktivitet i Storbritannien. Författarna noterar den växande mängden forskning och allmän litteratur som tyder på att förbättrad data kan hjälpa till att bekämpa fastighetsspekulation som används för penningtvätt, och drar slutsatsen:

‘Denna data kan användas av sociologer, ekonomer och beslutsfattare för att säkerställa att försök att minska penningtvätt och höga fastighetspriser baseras på detaljerad data som återspeglar den verkliga situationen.’

 

* Min omvandling av författarnas inline-citation till hyperlänkar.

Publicerad första gången den 25 juli 2022.

Skribent inom maskininlärning, domänspecialist på mänsklig bildsyntes. Tidigare chef för forskningsinnehåll på Metaphysic.ai, fram till dess upplösning i DNEG:s Brahma.ai.
Webbplats: martinanderson.ai
Kontakt: martin@martinanderson.ai