Evaluación masiva de tierras de cultivo utilizando la econometría clásica y el modelado espacial

Título: Evaluación masiva de tierras de cultivo utilizando la econometría clásica y el modelado espacial.

Autores:

Marlene Salete Uberti, Mauro Antonio Homem Antunes, Paula Debiasi, Wagner Tassinari.

Fuente:

Publicación: “Land use policy”

Editor: Elsevier.

Fecha de publicación: Marzo del 2018

Resumen:

Las valoraciones masivas de propiedades tradicionalmente usan modelos de regresión lineal clásica (CLRM); sin embargo, ha habido la necesidad de modelar los datos espacialmente. Dicha modelación de los efectos geográficos se ha utilizado principalmente en evaluaciones de áreas urbanas, pero los valores de las propiedades en áreas rurales también se ven afectados por la ubicación geográfica.

Este documento pretende utilizar modelos econométricos de regresión espacial en una muestra de propiedades rurales para elaborar el plan de valores para un área de la Región Fluminense Norte - RJ, Brasil. 

La metodología propuesta es investigar y modelar los efectos causados ​​por la autocorrelación espacial en los CLRM, evaluar su desempeño comparándolos con los modelos espaciales y producir el plan de valores a través del kriging ordinario.

La muestra utilizada consistió en 113 observaciones y 25 muestras de verificación El rendimiento de las superficies de los valores obtenidos se evaluó a través del Error cuadrático medio (RMSE).

Los resultados mostraron que la autocorrelación espacial puede tener sus efectos controlados por Modelos de Regresión Espacial, porque el Modelo de Error Espacial (CAR) permitió modelar la dependencia espacial presente en los residuos.

Usando las métricas del criterio de información de Akaike (AIC), R2 y la función de probabilidad (LIK), el modelo CAR mostró un mejor ajuste en comparación con el CLRM.

Los resultados mostraron que la superficie generada por el modelo CAR mostró el mejor rendimiento con el RMSE más bajo.

Abstract:

La combinación de las metodologías de las regresiones clásicas y espaciales y el uso de técnicas geoestadísticas fueron adecuadas para elaborar y obtener el plan de valores para las áreas rurales, para ser utilizado para diversos fines, tales como impuestos, financiamiento, expropiaciones, indemnizaciones (en el caso de Creación de unidades de conservación o incluso en desastres ambientales), entre otros.

Mass appraisals of properties traditionally use classical linear regression models (CLRMs); however, there has been the need to model the data spatially. Such modeling of the geographic effects has been used mainly in appraisals of urban areas, but the values of the properties in rural areas are also affected by the geographic location.

This paper aims to use spatial regression econometric models in a sample of rural properties to elaborate the plan of values for an area of the North Fluminense Region – RJ, Brazil.

The proposed methodology is to investigate and model the effects caused by the spatial autocorrelation on the CLRMs, evaluate their performance comparing them with the spatial models and produce the plan of values through ordinary kriging.

The utilized sample consisted of 113 observations and 25 samples of verification. The performance of the obtained surfaces of values was evaluated through the Root Mean Squared Error (RMSE).

The results showed that the spatial autocorrelation can have its effects controlled by Spatial Regression Models, because the Spatial Error Model (CAR) allowed to model the spatial dependence present in the residuals.

sing the metrics of Akaike information criterion (AIC), R2 and likelihood function (LIK), the CAR model showed better fit in comparison to the CLRM.

The results showed that the surface generated by the CAR model showed the best performance with the lowest RMSE.

The combination of the methodologies of classical and spatial regressions and the use of geostatistical techniques were adequate to elaborate and obtain the plan of values for rural areas, to be used for various purposes, such as taxation, financing, expropriations, indemnities (in case of creation of conservation units or even in environmental disasters), among others.

Palabras clave:

• Plan de valores genéricos - PGV.
• Valoración de masas.
• Kriging ordinario.
• Superficie de valores.

Marco Teórico:

En la valoración masiva de propiedades, se usan los Modelos de Regresión Lineal Clásica (CLRM) , como la valoración masiva tiene en cuenta componentes espaciales, para la modelación de datos espaciales se necesitaron modelos de regresión espacial , para la determinación del plan de valores se utilizaron técnicas de Kriging Ordinario, el rendimiento de los valores obtenidos se evaluó a través del Error Cuadrático Medio (RMSE), el modelo espacial que se utilizo fue el Modelo de Error Espacial (CAR),  este permitió modelar la dependencia espacial presente en los residuos. Usando las métricas del criterio de información de Akaike (AIC) , R^2 y la función de probabilidad (LINK).

CLRM es una técnica econométrica usada para estimar modelos económicos, que emplea la técnica de mínimos cuadrados ordinarios; Kriging Ordinario son métodos empíricos para predecir características  de un sitio de interés donde no se tienen datos , usando las características conocidas de lugares cercanos donde si se tienen datos;  RMSE es la forma de evaluar la diferencia entre un estimador y el valor real de la cantidad que se quiere calcular, mide el promedio del cuadrado del error; los AIC es una medida de la bondad de ajuste de un modelo estadístico , R^2 es el porcentaje de variación de la variable respuesta que explica su relación con una o más variables predictoras.

Modelo:

[pic 2]

Donde:

UV=Unit Value (Valor unitario)

AR=Access Road (Vías de acceso)

CROP=Crop (Cultivo)

DAC=Distance to Appreciation Center (Centro de apreciación a distancia)

DS= Distance to the sea (Distancia al mar)

NVA=Native Vegetation Area (Área de vegetación nativa)

TA= Total Area (Área total)

IRRIGA= Irrigable Area (Área de irrigación)

TOPO= Topography (Topografía)

SIT= Situation (Situación)

Datos:

La muestra utilizada consistió en 113 observaciones y 25 muestras de verificación. Los datos primarios son:

...