Estimation of rustic housing construction costs through Artificial Neural Networks
DOI:
https://doi.org/10.3989/ic.62206Keywords:
Artificial neural networks, real estate valuation, housing costsAbstract
The Public Administration and the private developer seek to have a prior knowledge of the costs of any building. There are numerous methodologies in the literature that allow the real estate valuation of a property, but it has always been done for urban houses in large or medium-sized cities. This research proposes the use of Artificial Intelligence for the study of rustic houses in small cities such as Caceres (Spain). The research proposes a procedure of Artificial Neural Networks (ANN) to achieve on the one hand, to estimate, through an automatic method, the construction cost of rustic houses and, on the other hand, to identify the most determining attributes in its final price and its marginal weight. The designed ANN establishes as more influential variables in the final price of the property the wet spaces (bathrooms and kitchen), the constructed surface and the age in this order, differentiating themselves from the most determining variables in the price of urban houses in large or medium-sized cities that are the constructed surface and its location.
Downloads
References
(1) Polion, MV. (1992). Los diez libros de arquitectura. Ediciones Akal. ISBN: 978-84-460-0150-8.
(2) Bode, J. (2000). Neural networks for cost estimation: simulations and pilot application. International Journal of Production Research 38(6): 1231-1254. https://doi.org/10.1080/002075400188825
(3) Pina Ruiz, P. (1992). Banco de costos en Obras de Arquitectura y Urbanismo 1991/1992. Colegio Oficial de Arquitectos de Murcia.
(4) Carvajal Salinas, E. (1992). El predimensionado de coste en Arquitectura. Modelos P2CT y P2CR. Consejería de Obras Públicas y Transportes, Dirección General de Arquitectura y Vivienda, Junta de Andalucía.
(5) Ingenieros, S.C. (2002). Manual del Usuario Arquímedes y Control de Obra. Versión 2002. Ed. Cype Ingenieros, SA Alicante. Disponible online: http://manual.arquimedes.cype.es/#Visualizacion_descarga_manual_arquimedes.
(6) Pfleeger, SL., Wu, F., Lewis, R. (2005). Software cost estimation and sizing methods: issues, and guidelines. Vol 269. Rand Corporation. California, USA. ISBN 0-8330-3713-7.
(7) Rey Carmona, FJ. , Nuñez Tabales, JM. (2017). Alternativas para la valoración de inmuebles urbanos. Revista Publicando, 4
(11) : 3-19. Disponible en http://rmlconsultores.com/revista/index.php/crv/article/view/290. Acceso 23 de noviembre de 2017.
(8) Peterson, S., Flanagan, A. (2009). Neural network hedonic pricing models in mass real estate appraisal. Journal of Real Estate Research, 31(2):147-164. Disponible en https://search.proquest.com/docview/200319261/fulltextPDF/2BFDCF815DB143DCPQ/1?accountid=17204. Acceso 23 de noviembre de 2017.
(9) Caridad y Ocerin, JM., Nuñez Tabales, JM., Ceular Villamandos, N. (2008). Metodología de precios hedónicos vs. Redes Neuronales Artificiales como alternativas a la valoración de inmuebles. Un caso real. CT. Catastro: revista del Centro de Gestión Catastral y Cooperación Tributaria. Disponible en http://www.catastro.minhap.es/documentos/publicaciones/ct/ct62/ct62_3.pdf. Acceso 23 de noviembre de 2017.
(10) Chiarazzo, V., Caggiani, L., Marinelli, M., Ottomanelli, M. (2014). A Neural Network based model for real estate price estimation considering environmental quality of property location. Transportation Research Procedia, 3: 810-817. https://doi.org/10.1016/j.trpro.2014.10.067
(11) Fachrurrazi, Husin, S., Tripolo, Mubarak. (2017). Neural Network for the Standard Unit Price of the Building Area. Procedia Engineering, 171: 282-293. https://doi.org/10.1016/j.proeng.2017.01.336
(12) Ceular, N., Caridad y Ocerín, JM. (2001). Un análisis del mercado de la vivienda a través de redes neuronales artificiales. Estudios de Economía Aplicada, 18(2): 67-81.
(13) Mohamed Amar, R. (2002). Estimación del precio de la vivienda urbana mediante redes neuronales artificiales: Estudio de un caso. XII, Jornadas Hispano-Lusas. Covilhà, Portugal.
(14) Gallego Mora-Esperanza, J. (2004). La inteligencia artificial aplicada a la valoración de inmuebles. Un ejemplo para valorar Madrid. CT. Catastro: revista del Centro de Gestión Catastral y Cooperación Tributaria, 50: 51-67.
(15) García Rubio, N. (2004). Diseño de redes neuronales artificiales para el mercado inmobiliario. Aplicación a la ciudad de Albacete. Tesis Doctoral. Universidad de Castilla-La Mancha.
(16) Lara Cabeza, JM., et al. (2005). Aplicación de las Redes Neuronales Artificilaes el Campo de la Valoración Inmobiliaria. Mapping: Map and Sigconsulting, 104: 64-69.
(17) Landajo, M., Bilbao, C.; Bilbao, A. (2012). Nonparametric neural network modeling of hedonic prices in the housing market. Empirical Economics, 42(3) : 987-1009, doi: http://dx.doi.org/10.1007/s00181-011-0485-9 https://doi.org/10.1007/s00181-011-0485-9
(18) Nuñez Tabales, JM., Caridad y Ocerin, JM., Ceular Villamandos, N. et al. (2012). Obtención de Precios Implícitos para Atributos Determinantes en la Valoración de una Vivienda. Revista Internacional de Administración y Finanzas, 5(3): 41-54. Disponible en https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1954027. Acceso 23 de noviembre de 2017.
(19) Nuñez Tabales, JM., Rey Carmona, FJ., Caridad y Ocerin, JM. (2016). Artificial Intelligence
(AI) techniques to analyze the determinants attributes in housing prices. Inteligencia Artificial, 19(58): 23-38. Disponible en http://journal.iberamia.org/index.php/intartif/article/view/37. Acceso 23 de noviembre de 2017. https://doi.org/10.4114/IA.V19I58.1156
(20) Alcazar Molina, MG., Ariza Lopez, FJ.(2004). Situación actual de la valoración catastral rústica en España: propuesta de un modelo alternativo. CT. Catastro: revista del Centro de Gestión Catastral y Cooperación Tributaria. Disponible en: http://www.catastro.minhap.gob.es/documentos/publicaciones/ct/ct52/04_catastro.pdf. Acceso 23 de noviembre de 2017
(21) Azcona, JP. (2014). Modelo Fuzzy de determinación del valor unitario de edificación destinada a vivienda con fines catastrales. CT. Catastro: revista del Centro de Gestión Catastral y Cooperación Tributaria. Disponible en: http://www.catastro.minhap.gob.es/documentos/publicaciones/ct/ct82/1.pdf. Acceso 23 de noviembre de 2017.
(22) Ayuntamiento de Cáceres. (2014). Plan de infraestructuras para la movilidad urbana sostenible. Disponible en: http:// www.zetaestaticos.com/comun/upload/0/580/580017.pdf. Acceso 21 de mayo de 2018
(23) Gobierno de España. (2002). Ley 6/ 2002, de 27 de junio, de medidas de apoyo en materia de autopromoción de vivienda, accesibilidad y suelo. Boletín Oficial del Estado de 22 de agosto de 2002, núm. 221. Disponible en https://www.boe.es/buscar/pdf/2002/BOE-A-2002-16785-consolidado.pdf. Acceso 23 de noviembre de 2017
(24) Nuñez Tabales, J., Caridad, JM., Villamondos, NC et al. (2009). Estimación del precio de la vivienda mediante redes neuronales artificiales (RNA) en diferentes marcos temporales. Metodología de Encuestas 11(1): 79-101. Disponible en http://casus.usal.es/pkp/index.php/MdE/article/download/994/935. Acceso 23 de noviembre de 2017
(25) Junta de Extremadura. (2009). Decreto 113/2009, de 21 de mayo, por el que se regulan las exigencias básicas que deben reunir las viviendas en el ámbito de la Comunidad Autónoma de Extremadura, así como el procedimiento para la concesión y control de la cédula de habitabilidad.
(26) Calvo Gomez, F. (1994). Teoría del error muestral. Estadística aplicada. 2ª Edición, Deusto. Barcelona. ISBN:978-84-234-0400-1
(27) Skapura, D. M. (1996). Building neural networks. Addison-Wesley Professional. New York. USA. ISBN 0-201-53921-7
(28) Florez, R., Fernandez, JM. (2008). Las redes neuronales artificiales. Fundamentos teóricos y aplicaciones prácticas. Serie metodología y análisis de datos en ciencias sociales. Editorial Netbiblo. ISBN: 978-84-9745-246-5.
(29) Zuna, HT., Hadiwardoyo, SP., Rahadian, H. (2016). Developing a model of toll road service quality using an artificial neural network approach. International Journal of Technology, 7(4): 562-570. https://doi.org/10.14716/ijtech.v7i4.2612
(30) Carbonel, JM., Defreitas, D. (2010). Aplicación de diferentes arquitecturas de RNA sobre datos de paquetes de red en Matlab con y sin reducción de características.
(31) Nuñez Tabales, J., Rey Carmona, F., Caridad y Ocerin, JM. (2013). Implicitprices in urban real estate valuation. Revista de la Construcción, 12(2). Disponible en http://www.redalyc.org/html/1276/127629284009/. Acceso 23 de noviembre de 2017. https://doi.org/10.4067/S0718-915X2013000200009
(32) Van Der Gaag, M., Hoffman, T., Remijsen, M. et al. (2006). The five-factor model of the Positive and Negative Syndrome Scale II: a ten-fold cross-validation of a revised model. Schizophrenia research, 85(1): 280-287. https://doi.org/10.1016/j.schres.2006.03.021 PMid:16730429
(33) Nuñez Tabales, JM., Rey Carmona, FJ. and Caridad JM. (2017). Redes neuronales (RN) aplicadas a la valoración de locales comerciales. Informes de la Construcción, 69 (545): 179. https://doi.org/10.3989/ic.15.053
Published
How to Cite
Issue
Section
License
Copyright (c) 2019 Consejo Superior de Investigaciones Científicas (CSIC)
This work is licensed under a Creative Commons Attribution 4.0 International License.
© CSIC. Manuscripts published in both the print and online versions of this journal are the property of the Consejo Superior de Investigaciones Científicas, and quoting this source is a requirement for any partial or full reproduction.
All contents of this electronic edition, except where otherwise noted, are distributed under a Creative Commons Attribution 4.0 International (CC BY 4.0) licence. You may read the basic information and the legal text of the licence. The indication of the CC BY 4.0 licence must be expressly stated in this way when necessary.
Self-archiving in repositories, personal webpages or similar, of any version other than the final version of the work produced by the publisher, is not allowed.
