新興国政府の多くは、住宅市場の将来を計画するための基礎的なデータと分析能力を欠いている。
データは存在するものの、散在している。これは、ばらばらの情報を照合・整理し、活用可能な形にするために設計されたAIツールにとって、まさに最適な用途である。
以下は、AIが新興国の住宅市場の整備と管理を支援しうる5つの方法である。
我々は7日先の天気を予測し、スマートフォンのカメラから病気を診断し、宇宙から地球上のすべての道路を地図化できる。しかし、住宅需要が最も急速に伸びている国々では、最も基本的な問いに答えられずにいる。どこに建てるべきか、誰のために建てるのか、そして費用はいくらになるのか。
世界的な住宅危機は、主として建設の問題ではない。情報の欠如による失敗である。アフリカでは5,600万戸の住宅不足に直面しており、その解消には1.4兆ドルの投資が必要である。東南アジアでは2億人が非公式居住区に暮らしており。ラテンアメリカでは、2,300万戸以上の住宅が未完成のまま滞留しており、その状況にある。こうした見出しの数字の裏には、新興国政府の多くが計画を立てるための基礎的なデータと分析能力を欠いているという実態がある。完全な土地登記簿はなく、きめ細かな需要予測もなく、誰が何を必要としており、それがどこにあるのかも明確ではない。数十億ドル規模の事業が、驚くほど少ない情報をもとに設計されている。
そのため、住宅のミスマッチがしばしば生じるのも不思議ではない。その結果、数百万戸の住宅が、誤った場所に、誤った価格で、そしてそれを利用できない人々のために建設されている。
AIは不動産のデータ問題を解決できる
この情報の空白こそが、最大の制約となっている。そしてまさにそこにこそ、人工知能が変革をもたらしうる余地がある。
先進国では、住宅政策は価格指数、地籍システム、信用情報機関といった標準化されたデータに基づいている。一方、新興国にはデータの広大な砂漠が広がっており、その影響は自己強化的である。貸し手が信頼できる情報を持たないため、開発業者は資金を確保できない。政府は目標を外す補助金制度を設計してしまう。また、国際投資家はリスクをモデル化できないため、市場の傍観者にとどまっている。
データはしばしば存在している。アフリカのアフォーダブル住宅金融センターのケシア・ラスト氏が指摘するように、あらゆる許可、公共料金の請求書、住宅ローンの分割払いは記録を生み出すが、それぞれの記録はその個別の取引を記録するためだけに存在している。課題は収集ではなく、キュレーションにある。すなわち、断片化された記録を結びつけ、住宅市場がどのように機能しているかについての真の全体像を構築することである。
AIが新興国の住宅分野を支援できる5つの方法
AIは、混沌とし断片化された環境でこそ力を発揮する。まさにそれこそが、新興国の住宅市場を特徴づける条件である。以下の5つの機能が特に重要である。
市場の透明性: 機械学習の手法により、地理空間データと行政データを統合し、経済状況を詳細に地図化することが可能になる。従来の調査が乏しい地域においてもこれは可能である。これにより断片化されたデータが活用可能な情報へと変わり、長らく不透明であった市場の実態を、政府、貸し手、開発業者が把握できるようになる。
見えないものを可視化する: 国連のBEAMツールは、機械学習を用いて航空画像から建物の輪郭を検出し、数か月を要する手作業による地図作成を約72時間にまで短縮する。南アフリカのエテクウィニ（eThekwini）では、人口の4分の1が580以上の非公式居住区に暮らしているが、BEAMは150万以上の建物の輪郭を地図化し、計画担当者が改善とサービス提供の対象を定めるための根拠を提供した。その後、中米8か国の首都に導入され、6,300以上の非公式地域を特定している。意思決定が数十年前の国勢調査データに基づいている国々において、この新たなデータは、インフラと住宅への賢明な投資を進めるうえで極めて重要である。
災害への強靭性と復興: 世界銀行の強靭な住宅に関するグローバル・プログラムは、ドローン画像と機械学習を活用し、戸別に建物を精査して屋根材、構造形式、高さを抽出し、地震やハリケーンで倒壊する可能性が最も高い建物を特定する。災害発生後には、同じツールにより災害前後の画像を比較し、数か月ではなく数時間以内に被害を地図化できる。同様のアプローチは、米国における山火事被害の評価においても試行されている。そこではドローンに搭載されたアルゴリズムが地域全体を調査し、建物を全焼、損傷、無傷に分類する。このデータは保険金請求、瓦礫の撤去、再建計画に直接役立つ。特筆すべきは、これらのツールが単に損失を数えるだけではないという点である。政府が復旧の優先順位を決め、最も被害の大きい地域に資源を優先的に振り向け、建て替えではなく改修で対応できる住宅を特定することを支援する。防災対策に投じられた1ドルは、復旧時に4ドルの節約につながると推定されている。AIは、その資金をどこに投じるべきかを把握することを可能にする。
将来を見据えた計画: 人口動態、人口移動、経済データを統合することで、AIは5年後や10年後に住宅への圧力がどこで高まるかを予測できる。これにより、資源の乏しい計画部門は、需要に圧倒されるのではなく、需要に備える能力を得ることができる。
金融包摂: モバイルマネーの取引や公共料金の支払いを分析するAIモデルは、銀行口座を一度も持ったことがない人々の信用力プロファイルを構築できる。これにより、従来の与信審査では排除されてきた層にも住宅金融が開かれる。東アフリカおよび南アジアのフィンテック系の貸し手は、すでにこれを大規模に実施している。
住戸数を増やすだけでなく、より良い政策を
おそらく最も重要な応用は、政府が受動的に対応し続けるのではなく、先回りして計画を立てる能力を持てるようにすることである。多くの補助金制度は、地域の実情ではなく全国平均に基づいて設計されている。AIは計画担当者を置き換えるのではなく、少人数のチームができることを増幅させることで、この構図を変えることができる。住宅費、所得、インフラへのアクセスに関するリアルタイムのデータにより、政府は地域や世帯の類型に応じて補助金を調整できるようになる。機械学習は、非公式化に陥る前に住宅ストレスのリスクを抱える地域社会を特定し、どの制度が真にアクセスを改善しているのか、どの制度が単に住戸数を水増ししているだけなのかを評価できる。
AIは、発展途上国にかつてなかったものをもたらしつつある。すなわち、自国の住宅市場を明確に把握する能力である。
キャサリン・リンチ、上級都市専門家、世界銀行
新興国はどのようにAIを住宅分野に導入できるか
これを大規模に実現するには、3つの転換が不可欠である。第一に、政府は公開データ基盤に投資しなければならない。すなわち、土地登記簿のデジタル化、不動産データの標準化、そして住宅データを公共財とすることである。グローバル住宅データベースのような取り組みは、断片化されたデータを単一かつ比較可能なプラットフォームにキュレーションすることで何が可能になるかを示している。同データベースは、75か国にわたる住宅不足、手頃な価格、金融、強靭性の指標を統合している。第二に、AIガバナンスを当初から組み込まなければならない。これは、モデルの透明性、公平性の監査、そして地域社会の声の反映を意味する。第三に、官民連携はAIが生成する分析を活用し、投資のリスクを低減しなければならない。国際金融公社（IFC）は、世界全体の手頃な価格の住宅金融の不足額を16兆ドルと推計している。いかなる政府も、単独でその差を埋めることはできない。
新興国は、史上最大規模の都市化の波と、我々がこれまで手にしてきた中で最も強力な分析ツールとが交差する地点に立っている。その交差が、より良い都市を生むのか、それとも単により大きな都市を生むのかは、一見単純な事柄にかかっている。それは、住宅に関する意思決定を行う人々が、自らが形作ろうとしている市場を実際に見通せているかどうかである。
