Determinantes del precio de la vivienda en Sevilla: un enfoque interpretativo con aprendizaje automático
Autores/as
-
Emiliano Gutiérrez
Universidad Nacional del Sur
https://orcid.org/0000-0002-6424-996X
-
Lorena Caridad López del Río
Universidad de Sevilla
https://orcid.org/0000-0002-3406-9917
-
José María Caridad Ocerín
iManagement & Tourism
https://orcid.org/0000-0003-4558-6618
Descargar
Resumen
Este artículo analiza los factores asociados al precio de oferta de los apartamentos en la ciudad de Sevilla. Para ello se utiliza una base de datos de 1.710 anuncios recopilados en línea, incorporando características estructurales de las viviendas, indicadores socioeconómicos a nivel de sección censal y variables de proximidad a servicios locales. Se estiman dos modelos: una regresión hedónica mediante mínimos cuadrados ordinarios (MCO) y un modelo de random forest. Los resultados muestran que random forest alcanza un desempeño predictivo superior, reduciendo tanto el error absoluto medio como el error cuadrático medio respecto del modelo lineal. Además, el uso de técnicas de interpretabilidad (valores SHAP, curvas ICE y gráficos PDP) permite examinar la contribución de cada atributo en la predicción del precio. Las variables socioeconómicas (como la renta media y la proporción de población con estudios superiores) desempeñan un papel central en la variación espacial del precio de oferta, junto con las características estructurales de la vivienda. El estudio destaca la utilidad de combinar enfoques hedónicos con herramientas de aprendizaje automático para comprender mejor los determinantes del valor residencial en mercados urbanos.
Palabras clave:
aprendizaje automático , mercado inmobiliario , modelo hedónico , vivienda , Sevilla (España)Citas
Baldominos, A., Blanco, I., Moreno, A. J., Iturrarte, R., Bernárdez, Ó., y Afonso, C. (2018). Identifying real estate opportunities using machine learning. Applied Sciences, 8(11), 2321. https://doi.org/10.3390/app8112321
Bengochea Morancho, A. (2003). A hedonic valuation of urban green areas. Landscape and Urban Planning, 66(1), 35-41. https://doi.org/10.1016/S0169-2046(03)00093-8
Breiman, L. (2001). Random forest. Machine Learning, 45, 5-32. https://doi.org/10.1023/A:1010933404324
Caridad, J. M. y Ceular, N. (2001). Un análisis del mercado de la vivienda a través de redes neuronales artificiales. Estudios de Economía Aplicada, (18), 67-81.
Caridad, J. M. y Ceular, N. (2004). Determinación de los precios implícitos en bienes inmuebles: una alternativa a la modelización hedónica. Revista de Estudios Regionales, (71), 85-105. http://www.revistaestudiosregionales.com/documentos/articulos/pdf800.pdf
Caridad, J. M., Nuñez, J. M. N., y Ceular, N. C. (2008). Metodología de precios hedónicos vs. redes neuronales artificiales como alternativas a la valoración de inmuebles. Un caso real. CT: Catastro, (62), 27-42. https://www.catastro.hacienda.gob.es/documentos/publicaciones/ct/ct62/ct62_3.pdf
Cespedes-Lopez, M. F., Mora-Garcia, R. T., Perez-Sanchez, V. R., y Marti-Ciriquian, P. (2020). The influence of energy certification on housing sales prices in the province of Alicante (Spain). Applied Sciences, 10(20), 7129. https://doi.org/10.3390/app10207129
Cespedes-Lopez, M. F., Perez-Sanchez, V. R., y Mora-Garcia, R. T. (2022). The influence of housing location on energy ratings price premium in Alicante, Spain. Ecological Economics, 201, 107579. https://doi.org/10.1016/j.ecolecon.2022.107579
Chica-Olmo, J. y Cano-Guervos, R. (2020). Does my house have a premium or discount in relation to my neighbors? A regression-kriging approach. Socio-Economic Planning Sciences, 72, 100914. https://doi.org/10.1016/j.seps.2020.100914
Cutler, A., Cutler, D. R., y Stevens, J. R. (2012). Random forests. En C. Zhang y Y. Ma (Eds.), Ensemble machine learning: Methods and applications (pp. 157-175). Springer. https://doi.org/10.1007/978-1-4419-9326-7_5
Deaconu, A., Buiga, A., y Tothăzan, H. (2022). Real estate valuation models performance in price prediction. International Journal of Strategic Property Management, 26(2), 86-105. https://doi.org/10.3846/ijspm.2022.15962
Díaz Parra, I. (2009). Procesos de gentrificación en Sevilla en la coyuntura reciente. Análisis comparado de tres sectores históricos: San Luis-Alameda, Triana y San Bernardo (2000-2006). Scripta Nova, 13(304). https://www.ub.edu/geocrit/sn/sn-304.htm
Echaves García, A. (2017). El difícil acceso de los jóvenes al mercado de vivienda en España: precios, regímenes de tenencia y esfuerzos. Cuadernos de Relaciones Laborales, 35(1), 127-149. https://doi.org/10.5209/CRLA.54986
Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of Statistics, 29(5), 1189-1232. https://doi.org/10.1214/aos/1013203451
Friedman, J. H. y Popescu, B. E. (2008). Predictive learning via rule ensembles. The Annals of Applied Statistics, 2(3), 916-954. https://doi.org/10.1214/07-AOAS148
Garcia, A. F. (2006, 30 de agosto). Housing market in Malaga: An application of the hedonic methodology [ponencia en congreso]. 46th Congress of the European Regional Science Association: Enlargement, Southern Europe and the Mediterranean, Volos, Grecia. https://hdl.handle.net/10419/118208
Gila, A. y Novás, M. (2012). El uso del método hedónico para ajustar los cambios de calidad: la experiencia del IPV. Estadística Española, 54(179), 299-310.
Guijarro, F. (2019). Assessing the impact of road traffic externalities on residential price values: A case study in Madrid, Spain. International Journal of Environmental Research and Public Health, 16(24), 5149. https://doi.org/10.3390/ijerph16245149
Guijarro, F. (2023). Valoración automática de inmuebles residenciales mediante modelos de Machine Learning. Revista de Estudios Empresariales, (2), 27-40. https://doi.org/10.17561/ree.n2.2023.7823
Handbook on residential property price indices (RPPIs). (2013). Publications Office of the European Union. https://doi.org/10.1787/9789264197183-en
Hastie, T., Tibshirani, R., y Friedman, J. (2009). The elements of statistical learning. Springer. https://doi.org/10.1007/978-0-387-84858-7
Instituto Nacional de Estadística. (2017). Índice de precios de vivienda. Base 2015. Metodología. https://www.ine.es/daco/daco42/ipv/metodologia2015.pdf
Instituto Nacional de Estadística. (2021). Censo de población y viviendas 2021. https://ine.es/dynt3/inebase/es/index.htm?padre=8952&capsel=8953
Jover, J. y Díaz-Parra, I. (2022). Who is the city for? Overtourism, lifestyle migration and social sustainability. Tourism Geographies, 24(1), 9-32. https://doi.org/10.1080/14616688.2020.1713878
La nueva agenda urbana ilustrada en español. (2020). Centro Urbano, ONU-Habitat. https://onu-habitat.org/index.php/la-nueva-agenda-urbana-en-espanol
Lajer Baron, A., López Rodríguez, D., y San Juan, L. (2024). El mercado de la vivienda residencial en España: evolución reciente y comparación internacional. Documentos Ocasionales, (2433). https://doi.org/10.53479/37873
Lancaster, K. J. (1966). A new approach to consumer theory. Journal of Political Economy, 74(2), 132-157. https://doi.org/10.1086/259131
Lundberg, S. M. y Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30.
Marmolejo-Duarte, C., Espinoza-Zambrano, P., y Biere-Arenas, R. (2024). Cambios en el impacto de la eficiencia energética, la centralidad y la calidad arquitectónica sobre los valores plurifamiliares en Barcelona 2020-2023. Ciudad y Territorio Estudios Territoriales, 56(222), 1283-1306. https://doi.org/10.37230/CyTET.2024.222.10
Martínez Pagés, J. y Maza, L. Á. (2003). Análisis del precio de la vivienda en España. Banco de España. https://www.bde.es/wbe/es/publicaciones/analisis-economico-investigacion/documentos-trabajo/analisis-precio-vivienda-espana.html
McIlhatton, D., McGreal, W., Taltavul de la Paz, P., y Adair, A. (2016). Impact of crime on spatial analysis of house prices: evidence from a UK city. International Journal of Housing Markets and Analysis, 9(4), 627-647. https://doi.org/10.1108/IJHMA-10-2015-0065
Mejia Dorantes, L., Paez, A., y Vassallo, J. M. (2011). Analysis of house prices to assess economic impacts of new public transport infrastructure: Madrid metro line 12. Transportation Research Record: Journal of the Transportation Research Board, 2245(1), 131-139. https://doi.org/10.3141/2245-16
Molnar, C. (2020). Interpretable machine learning: A guide for making black box models explainable. LeanPub. https://christophm.github.io/interpretable-ml-book/
Montoriol Garriga, J. y Álvarez Ondina, P. (2025). El mercado residencial español se adentra en una nueva fase expansiva. CaixaBank. https://www.caixabankresearch.com/es/analisis-sectorial/inmobiliario/mercado-residencial-espanol-se-adentra-nueva-fase-expansiva
Mora-Garcia, R. T., Cespedes-Lopez, M. F., y Perez-Sanchez, V. R. (2022). Housing price prediction using machine learning algorithms in COVID-19 times. Land, 11(11), 2100. https://doi.org/10.3390/land11112100
Mora-Garcia, R. T., Cespedes-Lopez, M. F., Perez-Sanchez, V. R., Marti, P., y Perez-Sanchez, J. C. (2019). Determinants of the price of housing in the province of Alicante (Spain): Analysis using quantile regression. Sustainability, 11(2), 437. https://doi.org/10.3390/su11020437
Núñez Tabales, J. M., Rey Carmona, F. J., y Caridad y Ocerin, J. M. (2016). Artificial intelligence (AI) techniques to analyze the determinants attributes in housing prices. Inteligencia Artificial, 19(58), 23-38. https://doi.org/10.4114/ia.v19i58.1156
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M. y Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830. https://www.jmlr.org/papers/v12/pedregosa11a.html
Ramírez-Juidías, E., Amaro-Mellado, J. L., y Leiva-Piedra, J. L. (2022). Influence of the urban green spaces of Seville (Spain) on housing prices through the hedonic assessment methodology and geospatial analysis. Sustainability, 14(24), 16613. https://doi.org/10.3390/su142416613
Rampini, L. y Re Cecconi, F. (2022). Artificial intelligence algorithms to predict Italian real estate market prices. Journal of Property Investment & Finance, 40(6), 588-611. https://doi.org/10.1108/JPIF-08-2021-0073
Reglero, J. (2022). Evolución actual del mercado inmobiliario en España y reseñas sobre Latam. OBS Busines School.
Rey Simeón, S. d. (2018). Un análisis econométrico del precio de la vivienda en Sevilla en el año 2017 [proyecto máster, Universidad de Sevilla]. idUS. https://hdl.handle.net/11441/86407
Rey-Blanco, D., Arbués, P., López, F. A., y Páez, A. (2024). Using machine learning to identify spatial market segments. A reproducible study of major Spanish markets. Environment and Planning B: Urban Analytics and City Science, 51(1), 89-108. https://doi.org/10.1177/23998083231166952
Ribeiro, M. T., Singh, S., y Guestrin, C. (2016). Model-agnostic interpretability of machine learning. arXiv. https://doi.org/10.48550/arXiv.1606.05386
Rico-Juan, J. R. y Taltavull de La Paz, P. (2021). Machine learning with explainability or spatial hedonics tools? An analysis of the asking prices in the housing market in Alicante, Spain. Expert Systems with Applications, 171, 114590. https://doi.org/10.1016/j.eswa.2021.114590
Ridker, R. G. y Henning, J. A. (1967). The determinants of residential property values with special reference to air pollution. The review of Economics and Statistics, 49(2), 246-257. https://doi.org/10.2307/1928231
Rosen, S. (1974). Hedonic prices and implicit markets: product differentiation in pure competition. Journal of Political Economy, 82(1), 34-55. https://doi.org/10.1086/260169
Sánchez-Cabrera, D., González-Arias, J., y Rey-Blanco, D. (2024). Metodología de estimación del tiempo de venta a través de modelos de supervivencia. Revista INVI, 39(110), 164-202. https://doi.org/10.5354/0718-8358.2024.69772
Seabold, S., y Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. Proceedings of the 9th Python in Science Conference (SCIPY). https://doi.org/10.25080/Majora-92bf1922-011
Shapley, L. S. (1953). Stochastic games. Proceedings of the National Academy of Sciences, 39(10), 1095-1100. https://doi.org/10.1073/pnas.39.10.1095
Solano Sánchez, M. Á., Núñez, J. M., y Caridad Ocerín, J. M. (2021). Un modelo hedónico para los alquileres turísticos en la ciudad de Sevilla. Revista de Métodos Cuantitativos para la Economía y la Empresa, 31, 144-160. https://doi.org/10.46661/revmetodoscuanteconempresa.4043
Štubňová, M., Urbaníková, M., Hudáková, J., y Papcunová, V. (2020). Estimation of residential property market price: Comparison of artificial neural networks and hedonic pricing model. Emerging Science Journal, 4(6), 530-538. https://doi.org/10.28991/esj-2020-01250
Tchuente, D. y Nyawa, S. (2022). Real estate price estimation in French cities using geocoding and machine learning. Annals of Operations Research, 308(1), 571-608. https://doi.org/10.1007/s10479-021-03932-5
United Nations. (2015). Transforming our world: the 2030 agenda for sustainable development. https://sdgs.un.org/2030agenda
Yazdani, M. (2021). Machine learning, deep learning, and hedonic methods for real estate price prediction. arXiv. https://doi.org/10.48550/arXiv.2110.07151
Zaragoza, A. e Ibáñez, R. (2024). Previsiones sobre la demanda de vivienda residencial en España para los próximos años. En S. Carbó Valverde (Coord.), Mercado inmobiliario y política de la vivienda en España (pp. 17-31). FUNCAS. https://www.funcas.es/libro/mercado-inmobiliario-y-politica-de-la-vivienda-en-espana/
Twitter
Facebook
