Resumen
Los patrones de valor del suelo muestran asociaciones espaciales claras con accesibilidad a centralidades urbanas y a factores físicos de un territorio. Sin embargo, las predicciones basadas en esta estructura pueden ser altamente inciertas, dado que los datos mismos también exhiben aglomeración (y por tanto permiten mejores predicciones en las zonas más densamente muestreadas). Presentamos una evaluación de esta incertidumbre para extrapolaciones de valor del suelo en la Gran Área Metropolitana de Costa Rica mediante simulaciones gaussianas condicionales y exploramos los determinantes de esta incertidumbre, como forma de reconocer fortalezas y debilidades de esta predicción. La predicción E-Type simulada resultó marginalmente mejor que extrapolaciones mediante kriging ordinario y produjo una cuantificación espacialmente explícita de la incertidumbre. El patrón de incertidumbre resultó ser un espejo de los valores del suelo. Se encontró que la incertidumbre se reduce con características asociadas a mayor aptitud del suelo para usos urbanos y, por tanto, de mayor precio.
Citas
E. Pérez-Molina & M. Román-Forastelli, “Análisis geoestadístico de los patrones de valores del suelo en la Gran Área Metropolitana de Costa Rica”. Manuscript submitted for publication, 2023.
D.H. Easly, L.E. Borgman, & P.N. Shive, “Geostatistical simulation for geophysical applications. Part I: simulation”, Geophysics, vol. 55, no. 11, pp. 1435-1440, 1990, 10.1190/1.1442790.
M. Román, A. Quirós, A., E. Pérez et al., “Dinámica inmobiliario y formación de precios: primer mapa de valores de mercado del suelo en la GAM”. Proyecto ED-3466 Asesoría técnica y económica a la política pública. Escuela de Economía, Universidad de Costa Rica, San José, Costa Rica, 2023.
E. Pérez-Molina, “Exploring a multilevel approach with spatial effects to model housing price in San José, Costa Rica”, Env & Plan, vol. 49, no. 3, pp. 987-1004, 2022, doi: 10.1177/23998083211041122.
T. Bai & P. Tahmasebi, “Sequential Gaussian simulation for geosystems modeling: A machine learning approach”, Geosci Front, vol. 13, pp. 101258, 2022, doi: 10.1016/j.gsf.2021.101258.
N.A.C. Cressie, “Statistics for Spatial Data”, Wiley, New York, NY, 1993.
P. Goovaerts, “Geostatistics for Natural Resources Evaluation”, Oxford University Press, Oxford, United Kingdom, 1997.
E.J. Pebesma, “Multivariable geostatistics in S: the gstat package”, Comput & Geosci, vol. 30, pp. 683-691, 2004, doi: 10.1016/j.cageo.2004.03.012.
R Core Team, “R: A Language and Environment for Statistical Computing”, R Foundation for Statistical Computing, Vienna, Austria, 2023.
E. Pérez-Molina, “Understanding the spatial statistical properties of a real estate listings point pattern in San José, Costa Rica”, manuscript submitted for publication, 2023.
T. Viehmann, “Numerically more stable computation of the p-values for the two-sample Kolmogorov-Smirnov test”, arXiv preprint, arXiv:2102.08037, 2021.
S. Metahni, L. Coudert, E. Gloaguen et al., “Comparison of different interpolation methods and sequential Gaussian
simulation to estimate volumes of soil contaminated by As, Cr, Cu, PCP and dioxins/furans,” Environ Pollut, vol. 252, pp. 409-419, 2019, doi: 10.1016/j.envpol.2019.05.122
K. de Koening, T. Filatova, and O. Bin, “Improved Methods for Predicting Property Prices in Hazard Prone Dynamic
Markets,” Environ Resource Econ, vol. 69, pp. 247–263, 2018, doi: 10.1007/s10640-016-0076-5
R. Cellmer, “The Possibilities and Limiations of Geostatistical Methods in Real Estate Market Analysis,” Real Estate Manag, vol. 22, pp. 54-62, doi: 10.2478/remav-2014-0027
Comentarios
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Derechos de autor 2023 Eduardo Pérez Molina, Darío Vargas Aguilar