Propuesta metodológica para la valuación masiva del suelo urbano.

Aplicación espacial del algoritmo Quantile Regression Forest.

Autores

Palavras-chave:

valor de la tierra urbana, valuación masiva, aprendizaje automático, árbol de regresión cuantílica

Resumo

El conocimiento y monitoreo de los precios del mercado inmobiliario se consideran necesarios para la implementación de políticas públicas y la gestión territorial, así como una fuente genuina de recursos para el Estado. Sin embargo, las diferentes características y dinámicas territoriales demandan procesos y técnicas que posibiliten la actualización adecuada y eficiente a cada realidad. El presente documento describe las técnicas y resultados obtenidos para la valuación masiva de la tierra de la provincia de Córdoba, particularmente en localidades serranas de perfil turístico. Se analiza el desempeño de la técnica de aprendizaje automático Quantile Regression Forest, en términos del nivel de precisión para predecir el valor de la tierra y se presentan las estructuras de valor resultantes. Además, la principal innovación de la técnica propuesta consiste en la posibilidad de generar un mapa de la consistencia de la predicción, en términos del coeficiente de dispersión en cada punto del espacio. Esta última característica se considera un insumo clave en la implementación de políticas públicas de actualización periódica de los valores fiscales de la tierra urbana, al informar sobre posibles áreas de la ciudad en donde los resultados son de mayor o menor calidad en relación al entorno.

Referências

Amat Rodrigo, J. (2020). Regresión cuantílica: Quantile regression forest. https://www.cienciadedatos.net/documentos/53_regresion_cuantilica_quantile_regresion_forest.html.

Anselin, L. (1995). Local indicators of spatial association—LISA. Geographical analysis, 27(2), 93-115.

Bezdek, J. C., Ehrlich, R., & Full, W. (1984). FCM: The fuzzy c-means clustering algorithm. Computers & Geosciences, 10(2-3), 191-203.

Bonet, J. A., Muñoz, A., Mannheim, C. R. P., & Torres, F. S. (2014). El potencial oculto: Factores determinantes y oportunidades del impuesto a la propiedad inmobiliaria en América Latina. Banco Interamericano de Desarrollo.

Breiman, L., Friedman, J., Stone, C., and Olshen, R. (1984). Classification and Regression Trees. CRC press.https://doi.org/10.1201/9781315139470

Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140. ttps://doi.org/10.1007/BF00058655

Breiman, L. (2001). Random forests. Machine learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324

Bullano, M. E., Carranza, J. P., Piumetto M. A., Cerino R. M., Monzani F., & Córdoba M. A. (2020). El impacto de las variaciones del tipo de cambio sobre el valor de la tierra urbana. ¿El mercado inmobiliario está totalmente dolarizado? Asociación Argentina de Economía Política. Reunión Anual 2020. https://aaep.org.ar/anales/works/works2020/Bullano.pdf

Carranza, J. P., Piumetto, M., Salomón, M., Monzani, F., Montenegro, G., & Córdoba, M. (2019). Valuación masiva de la tierra urbana mediante inteligencia artificial: El caso de la ciudad de San Francisco, Córdoba, Argentina. Revista Vivienda y Ciudad, (6), 90–112. https://revistas.unc.edu.ar/index.php/ReViyCi/article/view/27090/28749

Cerino R. M., Carranza, J. P., Piumetto M. A., Bullano, M. E., Monzani F., y Córdoba M. A. (2020). Homogeneización de valores de la tierra mediante técnicas de econometría espacial en valuaciones masivas automatizadas. Congreso de Catastro Multifinalitario y Gestión Territorial. Florianópolis, Brasil.

Cervio, A. L. (2015). Expansión urbana y segregación socio-espacial en la ciudad de Córdoba (Argentina) durante los años ‘80. Astrolabio (14), 360–392. https://revistas.unc.edu.ar/index.php/astrolabio/article/view/10610

De Cesare, C. M. (2012). Improving the performance of the property tax in Latin America. Cambridge, MA: Lincoln Institute of Land Policy.

Eguino, H. y Erba, D. (Eds.). (2020). Catastro, valoración inmobiliaria y tributación municipal. https://publications.iadb.org/es/catastro-valoracion-inmobiliaria-y-tributacion-municipal-experiencias-para-mejorar-su-articulacion

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction. Springer Science & Business Media.

Hengl, T., Nussbaum, M., Wright, M.N., Heuvelink, G.B.M., Gräler, B., 2018. Random forest as a generic framework for predictive modeling of spatial and spatio-temporal variables. PeerJ 6, e5518. https://doi.org/10.7717/peerj.5518

Marshall, A. (1890). Principles of economics Macmillan. London (8th ed. Published in 1920).

Meinshausen, N. (2006). Quantile regression forests. Journal of Machine Learning Research, 7(Jun), 983–999.https://www.jmlr.org/papers/volume7/meinshausen06a/meinshausen06a.pdf

Morales Schechinger, C. (2007). Algunas reflexiones sobre el mercado de suelo urbano. https://es.scribd.com/document/255875677/Algunas-Reflexiones-Sobre-El-Mercado-de-Suelo-Urbano-Carlos-Morales-2007

Porras Garrido, A. (2016). What is the difference between bagging and boosting? QuantDare, Madrid, Spain. https://quantdare.com/what-is-the-difference-between-bagging-and-boosting/

Reese, E. (2003). Instrumentos de gestión urbana, fortalecimiento del rol del municipio y desarrollo con equidad. Lincoln Institute of Land Policy. https://www.academia.edu/1226364/Instrumentos_de_gesti%C3%B3n_urbana_fortalecimiento_del_rol_del_municipio_y_desarrollo_con_equidad

Sabatini, F. (2003). La segregación social del espacio en las ciudades de América Latina. Serie Azul, 35 (2003), 59–70. https://publications.iadb.org/publications/spanish/document/La-segregaci%C3%B3n-social-del-espacio-en-las-ciudades-de-Am%C3%A9rica-Latina.pdf

Smolka, M., & Mullahy, L. (Eds.). (2010). Perspectivas urbanas: Temas críticos en políticas de suelo en América Latina. Lincoln Institute of Land Policy. https://www.lincolninst.edu/sites/default/files/pubfiles/perspectivas-urbanas-cd-full.pdf

Publicado

2021-12-21

Edição

Seção

General

Como Citar

Propuesta metodológica para la valuación masiva del suelo urbano.: Aplicación espacial del algoritmo Quantile Regression Forest. (2021). Vivienda Y Ciudad, 8, 261-274. https://revistas.psi.unc.edu.ar/index.php/ReViyCi/article/view/35166

Artigos mais lidos pelo mesmo(s) autor(es)