Estimación de los costes de construcción de viviendas rústicas mediante Redes Neuronales Artificiales

Autores/as

DOI:

https://doi.org/10.3989/ic.62206

Palabras clave:

Redes neuronales artificiales, valoración inmobiliaria, costes de vivienda

Resumen


La Administración Pública y el promotor privado buscan tener un conocimiento previo de los costes de cualquier edificación. Existen en la literatura numerosas metodologías que permiten realizar la valoración de un inmueble, pero siempre se ha realizado para viviendas urbanas en ciudades grandes o medianas. Esta investigación propone el uso de Inteligencia Artificial para el estudio de viviendas rústicas en pequeñas ciudades como la de Cáceres (España). La investigación propone un procedimiento de Redes Neuronales Artificiales (RNA) para conseguir por un lado estimar a través de un método automático el coste de construcción de la vivienda rústica y por otro, identificar los atributos más determinantes en su precio final. La RNA diseñada establece como variables más influyentes en el precio final del inmueble los espacios húmedos (baños y cocina), la superficie construida y la antigüedad por este orden, diferenciándose de las variables más determinantes en el precio de las viviendas urbanas en grandes o medianas ciudades que son la superficie construida y su ubicación.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

(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

Publicado

2019-06-30

Cómo citar

Coloma, J. F., Valverde, L. R., & García, M. (2019). Estimación de los costes de construcción de viviendas rústicas mediante Redes Neuronales Artificiales. Informes De La Construcción, 71(554), e293. https://doi.org/10.3989/ic.62206

Número

Sección

Artículos