AI เสนอการติดตามความเป็นเจ้าของทรัพย์สินนอกชายฝั่งในสหราชอาณาจักรที่ดีขึ้น

การวิจัยใหม่จากมหาวิทยาลัยสองแห่งในสหราชอาณาจักรมีเป้าหมายที่จะให้แสงสว่างมากขึ้นเกี่ยวกับสภาพที่อาจเกิดขึ้นของการซักฟอกเงินโดยใช้ทรัพย์สินในสหราชอาณาจักร และโดยเฉพาะอย่างยิ่งในตลาดอสังหาริมทรัพย์ลอนดอนที่มีค่ามาก

ตามผลการวิจัย จำนวน ‘ที่อยู่อาศัยที่ไม่ปกติ’ (คือ ทรัพย์สินที่ไม่ได้ใช้เป็นที่อยู่อาศัยในระยะยาวโดยเจ้าของหรือผู้เช่า) มีจำนวนประมาณ 138,000 แห่งในลอนดอนเพียงแห่งเดียว

ตัวเลขนี้สูงกว่าตัวเลขอย่างเป็นทางการ 44% ซึ่งจัดทำและอัปเดตเป็นระยะโดยรัฐบาลสหราชอาณาจักร

นักวิจัยใช้เทคนิคการประมวลผลภาษาธรรมชาติ (NLP) ต่างๆ ร่วมกับข้อมูลเพิ่มเติมและวิจัยที่เป็นรูปธรรมเพื่อขยายข้อมูลอย่างเป็นทางการที่รัฐบาลสหราชอาณาจักรจัดให้เกี่ยวกับเปอร์เซ็นต์ มูลค่า ที่ตั้ง และประเภทของทรัพย์สินที่เป็นของบริษัทนอกชายฝั่งในสหราชอาณาจักร ซึ่งมีมูลค่าสูงสุดในลอนดอน

การวิจัยพบว่าจำนวนรวมของทรัพย์สินนอกชายฝั่ง ที่ใช้น้อย และที่มีลักษณะเช่น Airbnb (คือ ‘การอยู่อาศัยแบบไม่ถาวร’) ในสหราชอาณาจักรมีมูลค่าประมาณ 145-174 พันล้านปอนด์สเตอร์ลิงทั่วทั้งประมาณ 144,000-164,000 ทรัพย์สิน

การวิจัยยังพบว่าทรัพย์สินนอกชายฝั่งของประเภทนี้มักจะมีราคาสูงกว่าและมีลักษณะเฉพาะในแง่ของที่ตั้งในสหราชอาณาจักร

นักวิจัยประมาณการว่าทรัพย์สินนอกชายฝั่งที่เป็นของ ‘ที่อยู่อาศัยที่ไม่ปกติ’ (UDP) คิดเป็น 7.5% ของมูลค่าที่อยู่อาศัยทั้งหมด และมีมูลค่าประมาณ 56 พันล้านปอนด์สเตอร์ลิงของมูลค่าที่ประมาณการจำกัดไว้เพียง 42,000 ที่อยู่อาศัย

เอกสารระบุว่า:

‘ทรัพย์สินนอกชายฝั่งแต่ละแห่งมีราคาสูงมาก แม้แต่ตามมาตรฐานของ UDP และมีการกระจายตัวในใจกลางลอนดอนโดยมีการสัมพันธ์ที่เข้มข้นในแง่ของพื้นที่

‘ในทางตรงกันข้าม ทรัพย์สินนอกชายฝั่งที่ซ้อนกันไม่ได้กระจายตัวในใจกลางลอนดอนมากนัก แต่มีการกระจายตัวสูงกว่าโดยทั่วไป และไม่มีการสัมพันธ์ในแง่ของพื้นที่’

การวิเคราะห์ข้อมูลที่เพิ่มขึ้นแสดงให้เห็นว่าทรัพย์สินนอกชายฝั่งจำนวนมากเป็นของหน่วยงานใน Crown Dependencies (CD) โดยมีจำนวนมากที่สุดเป็นอันดับสองคือ British Overseas Territories (ในแผนภูมิด้านล่าง ‘PWW2’ หมายถึงประเทศที่ได้รับอิสรภาพจากสหราชอาณาจักรหลังสงครามโลกครั้งที่สอง)

การกระจายตัวของทรัพย์สินนอกชายฝั่งตามผลการวิจัยใหม่ แหล่งที่มา: https://arxiv.org/src/2207.10931v1/anc/Offshore_London_Supplementary_Material.pdf

เอกสารระบุว่า:

‘ในความเป็นจริง มีเพียง 4 ดินแดนที่เกี่ยวข้องกับทรัพย์สินนอกชายฝั่ง 78% ทั้งหมด ได้แก่ British Virgin Islands, Jersey, Guernsey และ Isle of Man’

ข้อมูลที่เพิ่มขึ้นใหม่นี้ทำให้สามารถกำหนดทรัพย์สินย่อยที่มีอยู่ภายในทรัพย์สินนอกชายฝั่งที่ทราบได้ ซึ่งเป็นความสามารถที่ปกติจะถูกขัดขวางโดยข้อมูลที่แบนและจำกัดที่จัดให้โดยตัวเลขอย่างเป็นทางการ

ผลการวิจัยยังชี้ให้เห็นว่าทรัพย์สินนอกชายฝั่ง ที่ใช้น้อย และที่มีลักษณะเช่น Airbnb มีการกระจายตัวทางภูมิศาสตร์มากกว่าบ้านทั่วไป และมีการกระจายตัวในพื้นที่ที่มีมูลค่าสูงกว่า

แผนที่ความร้อนเกี่ยวกับทรัพย์สินนอกชายฝั่งประเภทต่างๆ ในลอนดอน แหล่งที่มา: https://arxiv.org/pdf/2207.10931.pdf

เกี่ยวกับแผนภูมิด้านบน ผู้เขียนระบุว่า:

‘ทรัพย์สินนอกชายฝั่งมีการกระจายตัวสูงมากในบางพื้นที่ โดยที่ทั้งโครงการที่อยู่อาศัยถูกเป็นเจ้าของโดยบริษัทนอกชายฝั่ง’

ผู้เขียนได้เผยแพร่ โค้ด สำหรับกระบวนการประมวลผลของตน

เอกสารวิจัยใหม่ ใหม่ มีชื่อเรื่อง อะไรอยู่ในเครื่องซักผ้า? การทำแผนที่และอธิบายทรัพย์สินนอกชายฝั่งในลอนดอน และมาจากนักวิจัยที่ The Bartlett Faculty of the Built Environment ที่ University College London และ Kingston University’s Department of Economics

การแก้ไขปัญหา

ผู้เขียนสังเกตว่าหลังจากที่พยายามควบคุมการใช้ทรัพย์สินเพื่อการซักฟอกเงินในระยะเวลานานในสหราชอาณาจักร มันใช้เวลาจนถึง การเผยแพร่ ของรายการทรัพย์สินนอกชายฝั่งที่เป็นของสหราชอาณาจักรที่รั่วไหลโดยนิตยสาร Private Eye ในปี 2015 เพื่อกระตุ้นให้รัฐบาลสหราชอาณาจักรเผยแพร่รายการทรัพย์สินนอกชายฝั่งที่อัปเดตเป็นระยะในหลายส่วนของสหราชอาณาจักร ซึ่งรู้จักกันในชื่อ บริษัทนอกชายฝั่งที่เป็นเจ้าของทรัพย์สินในอังกฤษและเวลส์ (OCOD)

นักวิจัยสังเกตว่าแม้ว่า OCOD จะเป็นขั้นตอนที่ดีในการวิจัยและวิเคราะห์ความเป็นเจ้าของทรัพย์สินนอกชายฝั่งและความเป็นไปได้ของการซักฟอกเงินในสหราชอาณาจักร แต่ข้อมูลนี้มีข้อจำกัดหลายประการ:

‘ที่อยู่เหล่านี้อาจไม่สมบูรณ์ มีทรัพย์สินซ้อนกัน โดยที่ทรัพย์สินหลายแห่งมีอยู่ในแถวเดียวหรือหมายเลขชื่อ และไม่มีข้อมูลว่าทรัพย์สินนั้นเป็นที่อยู่อาศัย ธุรกิจ หรืออื่นๆ ‘

‘ข้อมูลที่ไม่ดีนี้ทำให้เข้าใจการกระจายตัวและลักษณะของทรัพย์สินนอกชายฝั่งในสหราชอาณาจักรเป็นเรื่องที่ท้าทาย’

ยิ่งไปกว่านั้น ยังเป็นเรื่องที่ยากที่จะหาได้ข้อมูลเกี่ยวกับทรัพย์สินที่เช่าแบบไม่ถาวร เช่น ทรัพย์สิน Airbnb เนื่องจากข้อมูลที่มีอยู่สาธารณะมีจำกัดหรือไม่มีอยู่เลย นอกจากนี้ สกอตแลนด์ (ซึ่งเป็นส่วนหนึ่งของสหราชอาณาจักร) ไม่ได้เผยแพร่ทะเบียนการขายทรัพย์สินของตนให้สาธารณะเหมือนกับอังกฤษและเวลส์

เพื่อแก้ไขความไม่สอดคล้องกันบางประการเกี่ยวกับการจำแนกประเภททรัพย์สิน รัฐบาลสหราชอาณาจักรได้แนะนำระบบ Unique Property Reference Number (UPRN) ซึ่งออกแบบมาเพื่อให้สามารถเชื่อมโยงข้อมูลทรัพย์สินจากแหล่งต่างๆ ได้ชัดเจนยิ่งขึ้น อย่างไรก็ตาม ผู้เขียนสังเกตว่า ‘แม้ว่าการใช้ UPRN จะถูกกำหนดให้ใช้ แต่แทบไม่มีหน่วยงานรัฐบาลใดที่ใช้ ทำให้การเชื่อมโยงข้อมูลต้องใช้ ทักษะการประมวลผลข้อมูล ที่ซับซ้อน‘

ดังนั้นการวิจัยใหม่จึงพยายามทำให้ข้อมูลมีความละเอียดและให้ข้อมูลมากขึ้น

การรวบรวมและเชื่อมโยงข้อมูล

ภายในประเทศใดๆ รูปแบบที่อยู่มักจะคาดเดาได้และเป็นไปตามกฎเกณฑ์ ซึ่งใช้ได้กับที่อยู่ในสหราชอาณาจักรเช่นกัน ดังนั้น เมื่อเผชิญกับข้อมูลที่อยู่ที่ ‘แบน’ และเป็นข้อความ (เช่น ข้อมูลที่จัดให้โดย OCOD) วิธีแก้ปัญหาการจัดการที่อยู่แบบเปิดซอร์สหลายวิธีได้ถูกพัฒนาเพื่อเชื่อมโยงที่อยู่กับแหล่งข้อมูลอื่นๆ

อย่างไรก็ตาม วิธีแก้ปัญหาเหล่านี้ส่วนใหญ่ได้รับการฝึกอบรมโดยใช้ข้อมูลจาก Open Street Map ซึ่งอาจให้ที่อยู่ที่มีทรัพย์สินย่อยซ้อนกันหลายแห่ง (เช่น อพาร์ตเมนต์ในอาคารที่มีที่อยู่เดียวกัน) ดังนั้น แม้ว่าจะเป็นวิธีแก้ปัญหาที่ได้รับการยกย่องอย่าง libpostal ก็ตาม แต่ก็ยังพบว่ามีความท้าทายเมื่อพยายามจัดการที่อยู่ที่ไม่สมบูรณ์

เพื่อสร้างตัวแก้ปัญหาที่อยู่สำหรับโครงการของตน นักวิจัยใหม่ได้ใช้เซตข้อมูลที่มีอยู่สาธารณะหลายชุด ข้อมูลหลักจัดให้โดย OCOD ในขณะที่ส่วนการทำความสะอาดข้อมูลใช้ Land Registry Price dataset ร่วมกับ VOA ratings และ Office of National Statistics Postcode Directory (ONSPD)

ข้อมูล Airbnb มาจาก InsideAirbnb ซึ่งรวมเฉพาะบ้านทั้งหลังที่ให้เช่าเท่านั้น และไม่รวมการใช้กรณีแรกที่เสนอสำหรับ Airbnb (เช่น การเช่าพื้นที่บางส่วนของบ้านเป็นครั้งคราว)

ชุดข้อมูลทรัพย์สินที่ใช้น้อยของนักวิจัยได้รับการเพิ่มเติมจากข้อมูลที่ได้รับจากคำขอข้อมูลเสรีภาพ (FOI) ที่ประสบความสำเร็จ ส่วนใหญ่รวบรวมสำหรับ โครงการก่อนหน้านี้

ฐานข้อมูล OCOD เป็นไฟล์.CSV ที่มีโครงสร้างและรูปแบบที่คาดเดาได้ดี

กระบวนการประกอบด้วย 5 ระยะ: การทำฉลาก การจัดการที่อยู่ การขยาย การจำแนกประเภท และการหดตัว ในตอนเริ่มต้น ที่อยู่แต่ละแห่งอาจสอดคล้องกับทรัพย์สินย่อยหลายแห่งในโลกแห่งความเป็นจริง แม้ว่าจะไม่ชัดเจนในข้อมูลที่จัดให้โดยรัฐบาลก็ตาม

นักวิจัยได้ทำการประมวลผลเชิง句法เบื้องต้น จากนั้นจึงนำข้อมูลเข้าสู่ programmatic ซึ่งเป็นแพลตฟอร์มที่ออกแบบมาเพื่อสร้างชุดข้อมูล NLP ที่มีการทำเครื่องหมายโดยไม่ต้องทำเครื่องหมายด้วยมือ โดยที่นักวิจัยทำเครื่องหมายหน่วยงานโดยใช้นิพจน์ปกติ (Regex) เพื่ออธิบาย 8 ประเภทของหน่วยงานที่มีชื่อ (ดูภาพด้านล่าง)

หลังจากเพิ่มเครื่องหมายเหล่านี้แล้ว ชุดข้อมูลถูกส่งออกเป็นไฟล์ JSON โดยมีการกำจัดการซ้ำซ้อนของเครื่องหมายโดยใช้คำสั่งง่ายๆ

นอกจากนี้ การประมวลผลของ programmatic ยังถูกนำมาใช้ในการฝึกโมเดลการคาดการณ์สำหรับ SpaCy โดยใช้ RoBERTa ของ Facebook เมื่อโมเดลถูกทำให้ไม่มีเสียงรบกวน นักวิจัยได้สร้างชุดข้อมูลการเปรียบเทียบพื้นฐานที่มี 1,000 การสังเกตที่มีการทำเครื่องหมายแบบสุ่ม คะแนนความแม่นยำของข้อมูลที่ไม่ได้รับการกำกับจะถูกประเมินเทียบกับชุดข้อมูลพื้นฐานนี้

การแก้ปัญหาที่อยู่นำเสนอความท้าทายหลายประการ นักวิจัยได้กำหนดระยะของตัวอักษรแต่ละตัวให้เป็นแถวของตนเอง และแต่ละชั้นเรียนของเครื่องหมายให้เป็นคอลัมน์ของตนเอง จากนั้นจึงย้อนกลับเพื่อสร้างแถวที่อยู่ที่สมบูรณ์

เนื่องจากที่อยู่เดียวอาจมีหลายที่อยู่อาศัยที่แตกต่างกัน จึงจำเป็นต้องขยายฐานข้อมูลโดยการแบ่งที่อยู่เดียวออกเป็นทรัพย์สินย่อยที่มีอยู่ในฐานข้อมูลที่เสริม

หลังจากนั้น ระยะการจำแนกประเภทที่อยู่ได้เชื่อมโยงที่อยู่ทั้งหมดโดยใช้ฐานข้อมูล ONSPD กระบวนการนี้เชื่อมโยงข้อมูลที่อยู่กับข้อมูลประชากรและข้อมูลประชากรศาสตร์อื่นๆ และทำให้ทรัพย์สินย่อยที่ซ่อนอยู่เบื้องหลังที่อยู่ที่ไม่ชัดเจนของ OCOD มีความชัดเจน

สุดท้าย กระบวนการหดตัวของที่อยู่ได้กรองทรัพย์สินเชิงพาณิชย์ (เช่น ที่อยู่อาศัยที่ไม่ใช่ที่อยู่อาศัย) ออกจากกลุ่มทรัพย์สินย่อยที่ซ้อนกัน

การวิเคราะห์

เพื่อทดสอบความแม่นยำของข้อมูลที่เพิ่มขึ้น ผู้เขียนได้สร้างชุดข้อมูลพื้นฐานที่ถูกเก็บไว้จากกระบวนการวิเคราะห์ทั่วไป และใช้เพื่อทดสอบความแม่นยำของการคาดการณ์และการวิเคราะห์เท่านั้น

การตรวจสอบด้วยมือสำหรับชุดข้อมูลพื้นฐานรวมถึงการใช้ซอฟต์แวร์แผนที่ เช่นเดียวกับการวิเคราะห์ภาพของทรัพย์สินที่อยู่ในเซตที่ถูกเก็บไว้ และการค้นหาในอินเทอร์เน็ตเพื่อประเมินประเภทของทรัพย์สิน หลังจากนั้น การแสดงผลของข้อมูลจะถูกวัดเทียบกับคะแนนความแม่นยำ ความเรียกกลับ และ F1

มูลค่าของทรัพย์สินที่ใช้น้อยและที่อยู่อาศัยได้รับโดยใช้แบบจำลองกราฟฟิกพื้นฐาน ซึ่งเป็นวิธีเดียวกับที่ใช้ในการอนุมานทรัพย์สิน UDP

งาน NER ที่ทดสอบเทียบกับชุดข้อมูลพื้นฐานที่มีการทำเครื่องหมายด้วยความพยายามสูงได้รับคะแนน F1 ที่ 0.96 (ใกล้กับ ‘100%’ ในแง่ของความแม่นยำ)

คะแนน F1 สำหรับการทำเครื่องหมาย NER มีความไม่สม่ำเสมอเล็กน้อย เนื่องจากกระบวนการนี้มีการประมาณการเกินจริงเล็กน้อยเกี่ยวกับจำนวนของที่อยู่อาศัยและต่ำกว่าจำนวนธุรกิจทั้งหมด เนื่องจากโครงสร้างของข้อมูลที่เพิ่มขึ้น

เกี่ยวกับทรัพย์สิน UDP ในลอนดอน ผลลัพธ์สุดท้ายแสดงให้เห็นว่ามีทรัพย์สิน 138,000 แห่ง ซึ่งมากกว่า 94,000 แห่งที่อยู่ในเซตข้อมูล OCOD เดิม (คือ ตัวเลขอย่างเป็นทางการล่าสุด) 44%

การแบ่งประเภทของทรัพย์สินภายใต้ประเภท 2

ผลการวิจัยชี้ให้เห็นว่ามูลค่ารวมของทรัพย์สินนอกชายฝั่งคือประมาณ 56 พันล้านปอนด์สเตอร์ลิง ในขณะที่มูลค่ารวมของทรัพย์สินที่ใช้น้อยคือประมาณ 85 พันล้านปอนด์สเตอร์ลิง

ผู้เขียนสังเกตว่า:

‘ทรัพย์สิน UDP ทั้งหมดมีราคาสูงกว่าราคาที่อยู่อาศัยทั่วไปที่ 600,000 ปอนด์สเตอร์ลิง’

ข้อมูลที่ดีขึ้นนี้อาจจำเป็นในการต่อต้านการใช้การเก็งกำไรทรัพย์สินเป็นกิจกรรมซักฟอกเงินในสหราชอาณาจักร ผู้เขียนสังเกตว่ามีงานวิจัยและวรรณกรรมทั่วไปที่ชี้ให้เห็นว่าข้อมูลที่ดีขึ้นอาจช่วยในการต่อต้านการเก็งกำไรทรัพย์สิน AML และสรุปว่า:

‘ข้อมูลนี้สามารถใช้โดยนักสังคมวิทยา นักเศรษฐศาสตร์ และผู้กำหนดนโยบายเพื่อให้แน่ใจว่าความพยายามในการลดการซักฟอกเงินและราคาทรัพย์สินที่สูงจะขึ้นอยู่กับข้อมูลที่มีรายละเอียดที่สะท้อนถึงสถานการณ์ที่แท้จริง’

* การแปลงอ้างอิงภายในของนักเขียนให้เป็นลิงก์โดยผู้แปล

เผยแพร่ครั้งแรกเมื่อวันที่ 25 กรกฎาคม 2022