Simulación de una red neuronal artificial con una muestra pequeña al sector inmobiliario, una aplicación al mercado inmobiliario de la Ciudad de Morelia Michoacán, México.
DOI:
https://doi.org/10.33110/rnee.v20i1.365Palabras clave:
Clasificación de materia, Ofertas de mercado y vivienda, redes neuronales artificiales, matemáticas, matrices, estadísticaResumen
El presente trabajo tiene como objetivo principal el demostrar las bondades que tienen las redes neuronales artificiales al estimar el precio de los inmuebles, atendiendo la importancia de los diferentes órganos e instituciones financieras, tratándose de un activo económico su importancia radica en las instituciones financieras su interés es tomarlo en garantía para un préstamo hipotecario, para los gobiernos municipales, estatales y federales su valor servirá de base para el cobro del impuesto predial, impuesto sobre la renta, impuesto al valor agregado e impuesto por trasmisión de dominio, estos son algunos de los tantos usos que tienen el estimar o conocer el valor de los inmuebles. Por tratarse de mercados imperfectos donde los precios oferta no se comportan de forma lineal, las redes neuronales artificiales, y en concreto la red multicapa, utilizando una muestra pequeña, pueden ser una alternativa para la estimación del valor.
Citas
Amabile, R. y Rosato, P. (1998). The use of neural networks in the spatial analysis of property values. Minneapolis, Minnesota: Sixth Joint Conference on Food, Agriculture and the Environment.Amri, S. Z. y Bossomaier, T. R. J. (2005). The Influence of Spatial Attributes on House Price. Australia: Complexity International Volumen 12. Aznar Bellver, J. y Guijarro Martínez F. (1ra Edición 2005, pág. 88). Nuevo Método de Valoración Modelos Multicriterio, (pag.26). España: Universidad Politécnica de Valencia.Aznar Bellver, J. y López Perales, A.A. (2008). Valoración inmobiliaria. Métodos y aplicaciones. España: Universidad Politécnica de Valencia.Eguino Huáscar y Erba Diego (2024). Mercado inmobiliario e impuesto predial: aplicaciones de técnicas de valuación masiva. Banco interamericano de desarrollo. doi:10.18235/0005488. http://hdl.handle.net/11159/653429Estadística Aplicada a los Negocios y la Economía, editorial Mc Graw Hill, Lind, Marchal y Wathen (2012, p.521).Cabrero San José A. (2020). El futuro de la Valoración Inmobiliaria, Big Data y Modelos AVM. Páginas 7-101.Consejo de Normas Internacionales de Valuación (2022). Edición en español: Unión Panamericana de Asociaciones de Valuación (UPAV), con participación de: Asociación Profesional de Sociedades de Valoración (ATASA, España), Edición original en inglés: IVSC International Valuation Standards Council.Fernández Durán, L., Llorca Ponce, A., Valero Cubas, S., Botti Navarro, V.J. (2012). Incidencia de la localización en el precio de la vivienda a través de un modelo de red neuronal artificial. Una aplicación a la ciudad de Valencia. España: Departamento de Organización de Empresas. Universidad Politécnica de Valencia. CT catastro.Gallego Mora-Esperanza, J. (2004). La inteligencia artificial aplicada a la valoración de inmuebles. Un ejemplo para valorar Madrid. Madrid: CT catastro.Guijarro Martínez F. (2023). La Valoración automática de inmuebles residenciales mediante modelos de machine learning. Revista de Estudios Empresariales. Segunda época. Número: 2 (2023). Páginas: 27-39.Limsombunchai,V.(2004). House Price Prediction: Hedonic Price Model vs. Artificial Neural Network. New Zealand: Commerce Division, Lincoln University. Núñez et al (2009). Metodología de precios hedónicos vs redes neuronales artificiales como alternativa a la valoración de inmuebles. Un caso real. Pi-ying, L. (2011). Analysis of the Mass Appraisal Model by Using Artificial Neural Network in Kaohsiung City. Taiwan, China: Journal of Modern Accounting and Auditing, Vol. 7, No. 10, pp. 1080-1089.Preciado (2011). Propuesta Metodológica para Valoración Inmobiliaria por modelos con salidas no lineales de redes neuronales artificiales con 6 muestras ó información escasa.Preciado (2015). Valoración de inmuebles urbanos: comparativa modelo regresión multivariable versus redes neuronales artificiales para la ciudad de Morelia, Michoacán, México.Preciado (2021). Redes neuronales artificiales, una aplicación al mercado inmobiliario habitacional de segmento medio de la ciudad de Morelia Michoacán, México. Revista Nicolaíta de Estudios Económicos, Vol. XIV, No. 1, enero - junio 2019.Vies R. (2023). Estudio de la autocorrelación espacial en el mercado inmobiliario comercial de la ciudad de Madrid. Revista de Estudios Empresariales. Segunda época, Número: 2 (2023). Páginas: 109-125: https://doi.org/10.17561/ree.n2.2023.7854
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los contenidos publicados por la Revista Nicolaita de Estudios Económicos se difunden en acceso abierto bajo la licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional, salvo que se indique expresamente una licencia distinta en el artículo correspondiente.
Esta licencia permite copiar, descargar, compartir y distribuir los contenidos con fines no comerciales, siempre que se reconozca adecuadamente la autoría, se cite la fuente original de publicación y no se modifique, transforme ni genere obra derivada a partir del material publicado. Las personas autoras conservan sus derechos morales y patrimoniales, y autorizan a la revista, de manera no exclusiva y sin fines comerciales, a publicar, preservar, indizar y difundir sus trabajos en formato impreso y digital.
