Valuación masiva de la tierra urbana mediante inteligencia artificial: El caso de la ciudad de San Francisco, Córdoba, Argentina

Abstract

El mercado inmobiliario desempeña un papel importante en la economía y la sociedad, por lo tanto, la desactualización de las valuaciones catastrales, en particular del suelo urbano, tiene efectos nocivos sobre las políticas públicas impositivas, territoriales y de vivienda, como en la estabilidad del sistema financiero. Por tal motivo, los catastros afrontan el desafío de desarrollar valuaciones masivas de una jurisdicción con el fin de proveer datos actualizados y de calidad, de manera rápida y eficiente. Dado el avance tecnológico, la generación de grandes volúmenes de información y los progresos asociados a las ciencias de la computación. Los resultados obtenidos permiten resaltar la ventaja de la capacidad predictiva en la estimación del valor del suelo urbano mediante la aplicación de una técnica algorítmica de aprendizaje automático, conocida como Random Forest, en combinación con una técnica geo-estadística llamada Kriging Ordinario para el tratamiento de los residuos frente a un método econométrico clásico, regresión lineal.

The real estate market plays an important role in the economy and society, therefore, the downgrading of cadastral valuations, particularly urban land, has harmful effects on tax, territorial and housing public policies, property market, as in the stability of the finance system. For this reason, the cadastres face the challenge of developing massive valuations of a jurisdiction in order to provide updated and quality data, quickly and efficiently. Given the technological advance, the generation of large volumes of information and the progress associated with computer science, the ideas of massive appraisal of real estate by the catastres is increasingly taking hold. Under these needs and new situation, the results reflects the advantage of the predictive capacity in estimating the value of urban land by applying an algorithmic technique of machine learning, known as Random Forest, in combination with a geo-statistical technique called Ordinary Kriging for the treatment of error.