Determinantes del precio de la vivienda en Sevilla: un enfoque interpretativo con aprendizaje automático
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 cen...
| Autores: | , , |
|---|---|
| Tipo de recurso: | artículo |
| Estado: | Versión publicada |
| Fecha de publicación: | 2026 |
| País: | España |
| Institución: | Universidad de Sevilla (US) |
| Repositorio: | idUS. Depósito de Investigación de la Universidad de Sevilla |
| OAI Identifier: | oai:dnet:idus________::08d0987bfc18e649db0570da1cd07720 |
| Acceso en línea: | https://hdl.handle.net/11441/185678 https://doi.org/10.5354/0718-8358.2026.78941 |
| Access Level: | acceso abierto |
| Palabra clave: | Aprendizaje automático Mercado inmobiliario Modelo hedónico Vivienda Sevilla (España) Machine learning Real estate market Hedonic model Dwelling Seville (Spain) Aprendizado de máquina Modelo hedônico Habitação Sevilha (Espanha) |
| Sumario: | 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. |
|---|