portal de la dirección general del catastro - observatorio del mercado de … · 2009-07-27 ·...

�

Abril 2009

Observatoriodelmercadodebienesinmueblesrústicosconredesneuronales

Evaristo Ramos Ramos,Jefe de Área de Catastro

Subdirección General de Valoración e InspecciónMiguel Forteza del Rey Morales

Consejero TécnicoSubdirección General de Valoración e Inspección

Luis Ignacio Virgós SorianoJefe de Área de Cartografía Informatizada

Subdirección General de Estudios y Sistemas de Información

Losequiposganan,losindividuospocasveces(BrettWalsh).

Durante el periodo 2001-2004, se ini-ciaronlosestudiosyeldiseñodeuname-todología, que permitiera obtener valorescatastralesdelosbienesrústicospormediodelacapitalizacióndelasrentasagrariasob-tenidasporlaexplotacióndeestosbienes,enbasealtradicional“métodoanalítico”.

Enparalelo,seiniciaronestudiosdemer-cadoendiversasGerenciasRegionalesdelCatastro por medio de encuestas y, entreotrosparámetrosde selecciónpara lame-todologíadiseñada,seoptóporobtenerunmayor número de encuestas de aquellos

cultivos o aprovechamientos cuya repre-sentacióneneluniversoparcelariocatastralfuesemásimportante.

Deestaforma,sequería abandonarelprocedimiento en uso, para la obtencióndelvalorcatastral,desde laaprobacióndela Ley de Haciendas Locales en 1988, decapitalizar las bases liquidables correspon-dientesaladerogadaContribuciónterrito-rialrústicaypecuariaysusactualizacionesmediantecoeficientesaprobadosanualmen-teparalosejerciciossucesivos,entantosediseñaraelnuevoprocedimiento,pasando

�

auncatastrodevalor,basedelImpuestodeBienesInmuebles.

Estosereflejóenuntrabajo,nopubli-cado,denominado:“Losestudiosdemercadoyelnuevosistemadevaloracióncatastraldelosbienes inmueblesdenaturaleza rústica”.Estesistemapretendía:

– quefueseunmétodoobjetivo.– queutilizaraconceptosyaadmitidos

por los sectores económicos afecta-dos.

– quefuesefácilsuactualización.– queseacabaranlosdesajustesrespec-

toalmercado,delosvalorescatastra-les vigentes, así como los desajustesentre cultivos, que evitaba la aplica-cióndelprincipiodeequidadfiscal.

Unavezmássecomprobóquelavalo-racióndelsuelorústicopormétodosanalí-ticos, seguía presentado serios problemas,porquelascondicionesdistanmuchodeserlasidealesparaunestudiodemercado.Seadmitetradicionalmenteque:

– Elmercadonoestransparente.Exis-ten dificultades para obtener mues-trasdemercadoválidas.

– Lamercancíanoeshomogénea.Nohaydosfincasiguales.

– Existeunnúmeropequeñode tran-saccionesyéstaspresentanunagrandispersiónespacial.

Sinembargo:

– Eluniversoterritorialesfinito,con-tinuoy,comoelmercado,sinlímitesniescalones.

– Eluniversodemercadoenunmomen-todadoes,tiendeaunlímite,finito.

– El suceso de mercado es recurrenteeneltiempo.

– Acumulalaevidenciadeinterésydelprecio.

– Resulta transparente, conmedios in-formáticoseinstrumentosdecontrol

quenosehaganprescribir.TalescomolosSistemasdeInformaciónGeográ-fica: elCatastral reconoce,principal-mente,laestructuradelapropiedad.

Aunque no todas aquellas afirmaciones–más bien pesimistas– tienen igual impor-tancia.Enbaseaestasúltimaspremisas,pre-cisamente,nosepuedellegaralaconclusiónde que el “Mercado” de bienes inmueblesrústicos “no existe”.Nosotros, los autores,mantenemosque elMercadodebienes in-mueblesrústicosexistey,deacuerdoaestahipótesis,sehanfijadonuestrosobjetivosysehadiseñadolametodologíaquesepropo-neyseesquematizaenlafigura1.

Un elemento importante es el Obser-vatorio Catastral del Mercado Inmobiliario(OCMI),queseponeenmarchaporlaDirec-ciónGeneraldelCatastro(DGC),yenelqueserecopilasistemáticamente,lainformaciónsobrepreciosdeinmueblesrústicosyurba-nosobtenidosatravésdedistintasfuentes:

– Elpreciodeclaradodecompraventacontenidoenlascomunicacionesquenotariosyregistradoresdelapropie-dad,remitenmensualmentealaDGCconlainformacióncorrespondientealosdocumentosporellosautorizadosoinscritosenelmesanterior.

– Lainformacióncontenidaenlasde-claraciones de cambio de dominiopresentadasanteelCatastroporcom-praventacondocumentoprivado.

– Información a través de los Conve-niosconlosColegiosdeAgentesdelaPropiedadInmobiliaria.

– Preciosdeofertaobtenidosdeanun-ciosdeprensaypáginasespecializa-dasenINTERNET.

Cada una de estas fuentes tiene unascaracterísticas propias diferenciadas, porloquecreímosaconsejablenomezclarlas,sinousarunasfuentesparacalibrarunmo-delodevaloraciónylasotrasfuentesparasucontrasteyvalidación.

Evaristo ramos ramos, miguEl FortEza dEl rEy moralEs y luis ignacio virgós soriano

obsErvatorio dEl mErcado dE biEnEs inmuEblEs rústicos con rEdEs nEuronalEs

9

Sonlasfuentesdedóndeobtenerunosvaloresde los bienes inmuebles, suscepti-blesdereflejar,concerteza,losverdaderosvaloresdemercadodeestosbienes.Ydeahípartimos.

Elmétodoesigualmenteválido,nosoloalutilizarlasanotacionesqueprocedendeNotariasyRegistrosde laPropiedadsino,también,usandootrasfuentesnomanipu-ladas.Eldiferencialsiempreseráladerivade lapropia fuente, enel espacio (mismotiempoycircunstancias,distintosespaciosycircunstancias)o,alcontrario,laderivadelmercado,deacuerdoa sus circunstancias,cuando se analizan entradas, de lamismafuente, y segmentos iguales en el tiempo,con idéntico desplazamiento al momentodecontrol (distinto tiempo,mismaubica-

ción).Deberealizarsesinmezclade fuen-tes,siendoposibleelcontrastedeéstas.

Faltabaahoraelplanteamientodeunahipótesis,fijarunobjetivo,elaborareldi-señodeunametodología,ydefinirquéva-riablesíbamosatenerencuenta,asícomolaobtencióndeunosresultadosqueverifi-caran,ono,nuestrashipótesisyelcumpli-mientodenuestroobjetivo:laobtencióndelosvaloresdemercadodelosbienesinmueblesrústicosentodoelterritorionacionalparare-ferir,ydaraconocer,esosvaloresobservadosyquepuedanserutilizadosporlasadminis-traciones públicas y otros organismos concarácter multifinalitario (impuestos, bases,etc.)

Considerábamosquehabíaqueusarhe-rramientas y datos que estuvieran en uso

Figura 1 Reconocimiento de los sucesos del mercado, localización de intereses y numerización

10

enlaDGCyqueademás,siguiendoconlaslíneas marcadas para la metodología en elperiodo2001-2004,aunqueenestaocasiónnoparaobtenervalorescatastralessinova-lores de mercado, debíamos fijarnos comoobjetivo:“obtenerunametodologíaquehicie-raposiblelaobservaciónmasivadelvalordemercado”yllegaralinevitablefindetodahe-rramienta,tecnología,calibrada,esdecir:

Independiente de equipos humanos, desuintenciónoactitud.Conobjetividadsobredatosterritoriales.Conrefrescodiarioyres-puestainmediata.Conautomatismo,sininter-vención.Concoordinación fundacional.ConcapacidaddeañadirperfilesporcadaunadelasGerenciasdelcatastro,cuyacoordinaciónrecaeautomáticamenteenelsistema.

Fijado el Objetivo, era el momento deverquéMetodologíaíbamosaadoptar.Pre-cisamenteJulioGallegoMora-Esperanza(1),integrantedelequipotécnicodelÁreadeUr-bana, llevabatiempodifundiendoelusodeRedesNeuronales,paralaobtencióndeVa-lorescatastrales,atravésdeartículosycon-ferencias.Consideramosquedebíamosem-prendernuestrosestudiossiguiendoesavía.

Parafacilitarlaentradadedatosylaex-plotacióndelosresultadossehautilizadoellibroExceldeMicrosoft,quedenomina-mos “Calculadora”, ofrecida inicialmenteporJacoboLópezdePaz(2).

Esta Calculadora se diseñó para queadmitieraelusodeRNAconuna“capadeentrada”, donde se reflejan los valores delasvariablesaconsiderarporelmodelo,dehasta10neuronas,y“unacapaoculta”dehasta14neuronascomomáximo.

Para nuestra metodología, vimos queera necesaria una calculadora que permi-tierarealizarlosestudiosconmásvariablesteniendo en cuenta los bienes a valorar,por lo que fue imprescindible adaptarla a

lascaracterísticasde losbienes inmueblesrústicos.Comopusoenevidencianuestromodelo,alobservartambiénexperimental-menteelmercadodeviviendacolectivaentodalaprovinciadeValencia, locomplejoexplica lo simple. Sin embargo, lo simplenopuedellegaraexplicar locomplejo.Elmodeloseadentróenununiversoterrito-rialcomplejoycontinuo(rústicoyrústico-urbano),arrojandounosratiosexcelentes,entreMedianas,COD,PRD,etc.(figura2)

MEDIANA(enfigura2:98,51):MedianadelarelaciónVneu*100/VdecVneu=ValorNeuronalVdec=Valordeclaradoactualizado

COD (en figura 2: 19,03): Índice deDispersión,respectoalamediana.Eselco-ciente entre la desviación absoluta mediarespectoalamedianaylamediana,esdecir,VMe=DMe/Me.Sirveparacompararlasme-dianasdevariasdistribucionesquepuedenestar expresadas en unidades diferentes.CuantomenoresVMe,mejoreslamedianacomo medida de posición representativa.Midelaeficaciadelamediana,tomandolasdesviacionesalamediana,siendo:

SiempresecumplequeDMe≤Dx≤σ.Siendo,enelmodelo,xi=Vneu*100/Vdec

yMelamedianadeladistribucióndexi.

PRD(enfigura2:1,03):[(1/N)*∑x

i]/[100*∑Vneu]/∑Vdec]

Midelaequidadvertical.

Iniciamos lasmodificacionesydiseñosde nuevas macros con la “Calculadora”,para que se adaptara a nuestras necesida-desyadmitiera,enambascapas,hastaunmáximode14neuronas.Deestaformahe-mosconseguidounaversióndelacalcula-dora“particularizada”alosbienesinmue-blesrústicos.

(1) Jefe de Área Regional de la Gerencia del Catas-tro de Madrid.

(2) Jefe de Área Regional de la Gerencia del Catas-tro de A Coruña



11

Nuestromodelopretendeserdinámicoyhomólogo,utilizandolasRNAyelreconoci-mientodetodalavariabilidadterritorial.

Frentealosmétodosclásicosdeajustepormínimoscuadrados,lasRNAhanpues-todemanifiestodosventajasprincipales:

– Permitenmodelizarfácilmentecom-portamientosnolineales.

– Elresultadoestápocoinfluidoporlapre-senciademuestraserróneasoinexactas.

Las redes neuronales han probado serunmediomuyrobustodemodelizacióndelmercado,queyahasidoutilizadoconnota-bleéxitoparavalorarlasviviendasdelaCo-

munidaddeMadrid.Sinembargo,mediantenuestromodeloydemodomasivoyautomá-tico,tambiénsehapodidoreconocerelmis-momercadoentodalaprovinciadeValencia,objetivodeunadenuestrasexperiencias.

Seutilizaunaredsencilla,conunacapadeneuronasde“entrada”,unacapadeneu-ronas“intermediasuocultas”yuna“neu-ronadesalida”,enlaqueseobtieneelvalorneuronaldelamuestra.

Serealizaelaprendizajeparticularizado,poraplicacióndelaRNAporprovincias,sien ellas es suficiente el número de mues-tras.Delocontrario,poragrupacioneste-rritoriales con elementos administrativosy/ovariabilidadcomunes.

Figura 2 Ratios de dispersión. Entre Medianas, COD, PRD en Castilla-La Mancha,

con 4.051 muestras, después del último corte

12

Enesteaprendizajeelnúmerodeciclossehalimitadoa1.000,paraevitarelsobre-entrenamiento.

Del conjunto de datos obtenidos delOCMI,sehaescogidounperíododealme-nosdosaños.Paracorregirelefectotempo-ral,seajustaunarectadetendenciayconelcoeficienteobtenido,seactualizanlosvalo-resaeurosactuales.

Elconjuntodemuestrassehadesbasta-do,eliminandoaquellasconvaloreseviden-tementeerróneosmedianteunfiltradopre-vio,quedandoentornoal80%delamuestrainicial.

Elpasosiguienteera laeleccióndelasvariablesqueexplicaran losvaloresdecla-radospor loscontribuyentes,queconstanyaenlasBasesdeDatoscatastralesgráficas,gestionadas mediante el Sistema de Infor-maciónGeográficadelCatastro(SIGCA)yalfanuméricasmedianteelSistemadeGes-tión Catastral (SIGECA) y la forma másapropiadaaesteentornocomoelOCMI.

Todaslasvariables,encadacasosuva-lor,sedanlocalizadassobrelaparcela(cua-dro1).

Lacompraventadeunafincasejustificaportodaslasoportunidadesqueencierra,nosoloporlaaptitudactualparalaproducción.Nosabemoscualessonlasvirtudesqueva-loraráelmercadoyaquesesintetizanporlaconcentraciónde sucesos,por loqueopta-mosporincluirtambién,todasaquellasva-riables que pueden tener influencia directaenelvalordeventadeunaparcelarústica.

Cadavariabledebíaaportaralavaloraciónsurelevanciaenelconocimientodelmerca-do,asícomosucontinuavariación.Debíadehacerlo sin escalones y atribuir al mercadotodaslasoportunidadesque,residentesenelbien,seofertanysedemandanenelterritorio.Ydebehacerlosinequívocosoviciosmétri-cos,desplazamientosoconfusiónprocedentesdedartratamientodigitalaunaantiguapro-yeccióncónica.Estoes,comosisetrataradeortogonalloquenoes,tomarporvariableloincierto.Losviciosmétricos,quedeproyec-cióncónicasepuedentomarparaelsistema,sondehastaaproximadamente±300metrosytienensumayorincidenciaenlasfranjasdemayor concentración de mercado: lindes denúcleosdeintensaactividad,terrazasderíoy

Cuadro 1Red Neuronal, 13 variables de entrada, 10 ocultas

1�

sus límitescontrael iniciomontañoso, frac-cionamientoabundante,agriculturaintensivaodeprimor,etc.

Elsistemadebíarecogerfactores,opor-tunidades, tales como presencia de agua,edificabilidad,hallazgosenelsubsuelo,fu-turosacortoymedioplazo.Todosycadaunodeloscuálesexplicanlavariacióncon-tinuadelmercado.Seproduceasí,porsín-tesis,comoexplicaremos.

Comoloquesepretendeesmodelizarelmercadodesuelorústico,habíaquete-nerencuentatodaslasvariablesquedeter-minan tanto la oferta, como aquellas queresultanserfactoresdelademanda.

Laoferta,local:elbien,sepuedemodeli-zarutilizandounaseriedeparámetrosobjeti-vosquedefinenlascaracterísticasintrínsecasdelbieninmueblecomo,porejemplo,susu-perficieosuaptitudparalaproducción.

Lademandaopreciopagadosehacon-sultadotradicionalmente,definiendozonaso áreas de diferente valor, preconcebidasantesdeintentarreconocerelmercado,yaque se daría un bucle en la estructura deconsulta,demodoqueunmismoproduc-

to inmobiliario tendríaatribuido,enprin-cipio, un precio diferente en cada una deestasáreasozonas.Elmodelonopretendeobservar el mercado de aquel modo, sinoenvirtuddelequilibrioentrelaofertaylademanda.Pretendeobservartambién,elsu-ceso tal como ocurre y afecta al territo-rio.Ahorasetratadeobservarlomediantenuestrosmedios,únicosydonderesidelacompetencia,ynoderecibirasistenciatéc-nicaconmodelossimplificados.

La definición de zonas de valor resultaextremadamentedifícil en suelo rústico, yaqueelmercadoesdemasiadoheterogéneoylasmuestrasdemasiadodispersas.Porelloseoptó por modelizar el equilibrio oferta-de-mandaylafrecuenciadelsucesoutilizandounaseriedevariablesobjetivas,calculadasapartirdelosdatosobrantesenelcatastroin-mobiliarioque, indirectamente, son índicesdelamayoromenordemandapotencial.Deestemodoelmétododevaloraciónesobje-tivo y no está sujeto a interpretaciones delvalorador,nibuscareferentesfijos.

Loscontadores(verfigura3),sonvaria-bles que evidencian el/los equilibrio/s en-

Figura 3. Fundamento. Herramientas básicas SIGCA2: en “Edición” y “Búsqueda especial”“Selección cartográfica”-“Condición espacial”


1�

treofertaydemandasucedidosyalosdis-tintospreciosde intercambio.Laofertaescada bien con sus valores intrínsecos, losnoevidentes,losquesemuestranalavistaylosdeubicaciónrelativaa loinmediato,mediaygrandistancia.Explica,loyasuce-dido,elpreciodeintercambioysuevolu-ción futura, salvo limitaciones.Así sepu-sieronenevidencia:

Seensayaronalgunosotrosparámetrosindicativos de la concentración económi-ca, competitividad de la demanda, comoporejemplolapoblacióndeltérminomu-nicipal. El problema de tales parámetroses que estaban influidos por la definicióndel término municipal, lo que provocabadiferenciasdevalormuygrandesenparce-lasigualessituadasaunoyotroladodelalíneadetérmino.Elconteodelnúmerodeconstruccionesa30.000metros,paracadaparcela, supone un trabajo extraordinariocomputacionalmente, pero tiene la granventajadeserunavariablecontinuasinin-terrupcionesarbitrarias.

Hemos comprobado que los mejores re-sultadossehanobtenidorealizandounaRNAporprovincia.Redesmayores,porejemplodeunaComunidadAutónoma,hanfuncionadotambiénsatisfactoriamente,peroredesmeno-reshantenidoelproblemadecontarconmuypocasmuestrasylosresultadossonmenossa-tisfactorios.Serequierendiversidad,variabili-dadyvolumendecombinaciones,talcomoseformaelrecorridodeluniversoaobservar.

Labondaddeunmodelodevaloraciónse puede medir calculando una serie deratios, con muestras de contraste que nohayan sido utilizadas para la calibracióndelmodeloo, simplemente,utilizando lasmuestras propias del modelo (ver figura14,pág.34,“Resultados”).Losparámetrosutilizadossonlamediana,elcoeficientededispersiónyeldiferencialdeprecios.

Sehanobtenido resultados sobresalien-tes ratios equivalentes, casi idénticos, si secomparan con los estándares utilizados envaloración de inmuebles urbanos, de perfilcasiúnico,quecuentanconunaíntimare-

laciónentrevalorcatastral,mercadorecono-cidoporlaponenciaanteriorymercadoenestudio.Estemodeloofreceunosratiosex-celentes,conlavirtudañadidadereconocerunterritoriocontinuoydiverso.Variabilidadaltísimaenelobjetodemercado,comodi-mensión,opcioneseintereses,etc.Asísehadetomar,afindereconocerelgranrecorridoquesedaenelpreciodemercadoysudistri-bución,de0,12amásde210,00euros/m2,osea,de20amásde35.000pesetas.

La corrección del modelo es mayor enproductosinmobiliariosmás“estándar”,pa-ralosquehaymuchasmuestras,comotie-rrasdelabordesecanooregadíooterrenoscercanosapoblaciones.Porelcontrario,enterrenos forestales el sesgo es el máximo,aunquemuyleve,enelestadoactual.Gra-ciasalaexcelenteconsideracióndelaClaseagrológicaalaquesehallegadoenalgunosámbitos como Zaragoza, Murcia, etc., a laPendienteyalaAltitud(verfigura4),elmo-delo distingue perfectamente entre el par-celario de gran superficie, las propiedadescultivadasdelasforestales,etc.Noobstante,mejorará de acuerdo a la eficiencia de losdatosaportadosporNotariasyRegistrosdelapropiedad.También,segúnlaobservacióndelmercado, evitando lapublicidadde ta-blasobaremosporcultivos,sinlocalizaciónni consideración de la superficie como unfactoresencialdelademanda.

En situación perfecta las noticias detransacciónserían,porobligaciónfiscal,detodaslastransacciones,esdecir,eluniversodemercado.

Sin embargo, la entrada de muestras,partedeeseuniversoafaltadeentregadeunademarcaciónnotarialodedocumentosprivados de compra-venta, debe ser pro-porcional al número de parcelas y el tipodeellas,quetengancabidaenunterritoriofinito y, a la vez, en el universo de mer-cado.Enelcasodeparcelariomuygrande,montes, forestal, y formas de explotacióndiversas,avecesignoradas,comolacazaoyacimientos,esaúnmenorlaproporcióndeparcelasydeentregasymayorladispersión


15

enlaclasificacióncatastral.Siesgrandelaparcela, existirán pocas en el territorio yaún menos en el mercado. Las evidenciasomuestrasquepuedanllegaralaDGCyaserconocidasdeunsucesotaninfrecuente,son definitivas para el aprendizaje neuro-nal.Esconocido,deotrolado,queelpar-celario extremadamente grande capitalizófigurassocietariasy,enlaactualidadcreceestemododegestión.Portanto,loquesecomprayvendeenestecasosonparticipa-ciones,acciones,etc.Nohabríaasísucesodemercadosobreestetipodebieninmue-bleysurelaciónsocietaria.

Por los resultados obtenidos, podemosconcluir que con nuestra metodología seobtienenresultadosútiles, sinnecesidaddeun conocimiento previo del terreno ni dedividirlopreviamenteenzonashomogéneasdeningúntipo.Asimismo,eninnecesarialaintervencióndelcriteriopersonaldeningúntécnicoysepuedeaplicarcongarantíade:

– Objetividad,yaqueevitalaintroduc-cióndevariables subjetivas,noestásujeto a las interpretaciones del va-lorador,ynoesposibleconseguirunresultadopredeterminado.

– Actualización,yaquesepuederepe-tirelprocesoencualquiermomento.

– Automatismo,yaqueesunprocesoeje-cutadoíntegramenteporelordenador.

– Elcultivooaprovechamientode lasparcelasrústicasnoesunfactorde-terminante en el valor de mercadoresultante.

– Sinembargola localizacióndeestosbienes inmueblesy todas sus carac-terísticas,asícomoelequilibrioofer-ta-demanda, se han mostrado clara-mente determinantes en el valor demercadoreconocido.

– Se ha detectado cierta falta de cali-daddelosdatosobtenidos,tantoenlosvaloresdeclaradoscomoalgunas

Figura 4 Mapas de “Pendiente” y de “Altitud”. Provincia de Murcia


16

variablesextraídasenbasealosda-toscatastrales.LaRNAdetectaerro-resenlacalificacióncatastral,super-ficie,etc.(Verfig.5).

Sedebecontinuarconeste tipode in-vestigacionesparaunamejorpuestaapun-to de la metodología propuesta. Para elloseránecesario:

– La actualización de las rentas agra-rias. Clasificación, de acuerdo a loscriterioshomólogos,yestudiode laclaseagrológica:haycultivosquenose pueden dar en una determinadaagrología (por ejemplo: pastizal enpendientesdel30%y sin suelo,de-siertos,roquedos,etc.)

– Mejorarlaestimacióndeclasesagro-lógicas y mediante cartografía orto-gonaldesdesuorigen.

– Mejorarlacalidaddelasmuestras.EsnecesariointeresaraNotarios,Regis-

tradoresdelapropiedadylacolabo-racióndelpersonaldelasGerencias.Homologaciónen laclasificacióndecultivos.

Objetivos

Dar forma al OCMI de tal modo quepermita verificar automática, dinámica yhomólogamente la situación del mercado,conlagarantíadequecadavariable,objeti-vayprocedentedenuestrasbasesdedatos,aportealavaloraciónsurelevancia,llegan-doaexplicarununiversocontinuoycom-plejo,capazdeatendersiemprealosenci-llo,queennuestrocasopuedeestarsujetoatantadiversidad,variabilidad,comolaquesedaenmercadoyterritoriodesdeGeronaaHuelvaoCoruñahastaAlmería.

Deestamaneraesposiblellevaracabolaobservaciónmasivadelvalor,sindepen-

Figura 5 Mapa de valor neuronal observado del suelo rústico de la provincia de Murcia


1�

dencia de equipos, intención o actitud, yportantocon:

– Objetividad sobre datos territorialesSIGCA.

– Refrescodiario.– Respuestainmediata.– Automatismo.– Nointervención.– Coordinaciónfundacional.– Capacidad de añadir perfiles en el

ámbito de cada Gerencia del Catas-tro,cuyacoordinaciónrecaeautomá-ticamenteenelSistema.

Evitando la descoordinación previa, esdecir,dosórdenesnocoincidentesque seprovocaríanconsintiendolautilizacióndepocos factores o variables, las quemás secorrelacionenconelprecioymenosentresí,peroelegidasporprovinciaoGerencia.Elegidasasí,seríandistintasencadaunodeaquellosórdenes.Sondistintaslasrelevan-tesencomarcasyprovincia,territorio,agri-cultura, prestaciones climáticas, hábitosadministrativose interesesy,sinembargo,sonnecesariastodas,elconjuntodevaria-bles-factores, para reconocer la variacióncontinua–deellasydelprecio–alolargoyanchodetodoeluniversoterritorialydemercado.

Nosofreceelsistemaconocimientodelmercado, así como de su continua varia-ción,sinescalones.Atribuciónalmercadodetodaslasoportunidadesque,residentesenel“bien”,seofertanysedemandanenelterritorio.Sereconoce,conello,ladiversi-daddelosbienesydelademandaoprecio.

Factores u oportunidades, como pre-senciadeagua,edificabilidad,hallazgosenelsubsuelo,futurosacortoymedioplazo,todosycadaunodeloscuales,explicanlavariación continua del Mercado. Explicanel equilibrio entre laofertay lademanda,equilibrioquehamodificado,desdesiglos,laestructuraterritorial.

Entre ellos, los factores de “produc-ciónderentasagrarias”,suintervenciónen

el capital, enobligaciones anuales y en el“mercado”,característicosdelterritorio.

Elprincipalobjetivoescorresponderalapeticióninternaydelasdistintasinstitu-ciones,públicasyprivadas.SereconocealaDGC,atravésdesusbasesdedatos,SIGCAfundamentalmenteySIGECA,yde ladis-ciplinade recepcióndevariaciones, comosuperiorautoridadcompetenteenelcono-cimiento,datosyestructuradel territorio,asícomodesuscambiosyvalor.

Porello,desdeunprincipiolapropues-tafue:

– Nodividirel territoriopreviamente,enzonashomogéneasdeningúntipo,porlaparticularidaddelmercadodebienesrústicos,porlacargasubjeti-va que lleva, ya que dependería delpersonal técnico de cada Gerenciay porque impediría el automatismode obtención de valores. Asimismoporque se ignora incluso la fechaelmercadoyportantocómozonificar.Además,haríanignoraralsistema,suevolución.

– Queno fueseposiblemanipular losparámetrosyvariablesautilizar,paraconseguir un resultado predetermi-nado, pues restaría credibilidad almétodo.

– Considerar que el cultivo o aprove-chamientodelasparcelasrústicasesundato a tener en cuenta, desde elpuntodevistaagrario,comobasedeinformacióndeotrosquesepuedendeducir, como renta agraria, capaci-dad agrológica del terreno, etc., perono como determinante del valor demercado.

– Considerar la localización de losbienes inmueblesyel estudiode suentorno,comoposiblefuentedeco-nocimientodelademanda.

– Considerarquedondeseproduceelmercadoenelmundoagrario,quedaobservado y reconocido a través deSIGCA, que recoge todas las altera-


1�

ciones producidas. Y todo ello gra-ciasalainformática“relacional”delterritorio,entreSIGCAySIGECA.

– Considerar que el mercado no seoculta, es recurrente, produce frac-cionamiento,sedenotayevolucionapor parcela y su variación es conti-nuaatodoloanchodelterritorio.

– Considerar que tanto la ubicacióndelbieninmueblecomoelrecono-cimiento de los sucesos de interés,o la frecuencia de adquisición detodasycadaunadelasoportunida-deslocalizadasyqueseencierranencadabien,sepuedenconoceratra-vésdeSIGCA.

– ConsiderarquepormediodeSIGCA,se pueden localizar las fuentes devalor agronómico, así como la con-centraciónderecursosuoportunida-des,elequilibriooferta-demanda,elreconocimientodecualquiersuceso,elfraccionamiento,lasiniciativasnoagrícolas y la concentración econó-mica, correlacionada con la capaci-daddedemanda.

– Utilizarparámetrosestadísticosparalasdelimitaciones,máximosymíni-mos,de losvaloresde lasvariablesadoptadas, por el uso de percenti-les,reduciendoalmínimolasubjeti-vidad.

Metodología

Nosetratanuestromodelodeunmo-delozonal,noesunmodelodeinmersiónenmercadospreconocidos, preconcebidosonetamenteintervenidos.

Loasípropuesto,enocasionesyporal-gunosautores,ofreceuntratamientofacto-rial,de entrada,que reconoceunnúmeromuylimitadodeposibilidadesdeneuronasinput. Se asimila al modelo de regresiónampliamenteutilizadoenlaDGC,quease-mejaasimismolosresultados.

Enrústicanohasidoutilizado,noexis-tió tal conocimiento administrativo de losmercados, ni por zonas, polígonos u otrotipodedeslindesconvencionales.Sinem-bargo y en la actualidad, disponemos deplenoconocimiento,graciasaéstemodelo.

No se pretenden variables elaboradas,zonal o por cultivos, de origen técnico oadministrativo que, cuando se reconocenoconsiguen,resultantardías,obsoletasy/oinseguras.

No pretende encontrar “distancias a”,sinoatributosdecadapunto,centroidedeparcela, en su fidedigna variabilidad, a lavistaotomadadeSIGCAysucomplemen-toSIGECA.

¿Qué es necesario hacer? Según nues-tra idea original, de eficacia comprobadadesdeoctubrede2005yaceptadaportodoelequipo,algotansencillocomo“contar”.Cuántosyqué tipode factoresexistenal-rededor,esdecir,cuantos factoresuopor-tunidades se adquieren o se encuentranalrededor.

InicialmentesehizomediantedescargasenSQLylasherramientasbásicasdelsiste-ma(Búsquedaespecial-CondiciónEspacial,etc.),yposteriormente,administradasme-dianteHerramientasSDE,desarrolladas alefecto,endosmódulosabiertos,“Rústica”y “Valor de Referencia”. Desde la versión2.8.1. de SIGCA2, de marzo de 2008, es-tasherramientasestánincardinadasenlosmódulos “Rústica” y “OCMI”.Al ejecutarelcálculodecontadoresydesdelaversión2.1.1deSIGCA2,demayode2007,seob-tienenmultituddeelloscomoporcentajesdesuperficie,ydeunidadestambién,segúncategorías,usos,etc.,propiosdecadaen-torno.

El universo, en realidad, es el de losfactores.

Comoyaadelantábamosenlaintroduc-ción(figura1):

− Eluniversoterritorialesfinito.− El suceso de mercado es recurrente

eneltiempo.


19

− Y acumula la evidencia de interésjuntoalpreciodeintercambio.

− Se producirían, al cabo de un sigloy enEspaña, en3generacionesporejemplo,yarazóndel50%debienescorrespondientesacadaunadeellas,almenosuntotalde75millonesdeintercambios. Ello en las proporcio-nes sobre tipos, dimensiones y cua-lidadeso factoresdondeelmercadoconcentresusinteresesyseformuleelequilibrioentrelaoferta,local,bienúnicoylademanda,pseudolocal-pseu-doglobal.Existevolumen.

− Yresultatransparenteconmediosin-formáticos e instrumentosdecontrolterritorialquenosehaganprescribir.

Lasvariablesofactoresquesesignificanenlosintercambiosypuedenexplicar,concaráctermultivariante,elpreciodeequili-briosedan,conubicación,eneluniversodemercadoyeneluniversoterritorial.

Estána lavistasobreel territorioyennuestrasbasesdedatos,SIGCA-SIGECA,ypermitenportanto,laverificacióndelpro-piomercadoporcoincidenciaenlasdistri-bucionesdelamasademercadoylamasaoparcelarioterritorial.

Sefacilita,portanto,elcometidodelaDGC.ÉstapusoenmarchaelOCMI,yen-cargóadosequiposinterdisciplinares,unoparabienesdenaturalezarústicayotrodenaturalezaurbana,eldiseñodeunameto-dología que permitiera observar y obtenervalores de mercado de los bienes inmue-bles, su conducta, yde ellosdeducirunosvalores de referencia, una observación deeseMercadotranscritaalosmediosadmi-nistrativosyadministrativo-tributarios,tal,cómo y cuándo se produce y también enlos momentos y modos necesarios. Sinduda, y como es natural, al cometido ycompetencia por autoridad y concentra-ción de datos, por eficacia y tratamientohomólogo,conmediospropiosycapacidadderefresco–respuestainmediata–antetalycadapetición.

La observación del mercado ha de serpura,sinadministrarseconmodelosdeta-sación,etc,yuniversal.

Noesdeseablepretenderdarvaloraunasolaparcela,ensituaciónpuntualylocali-zadaeneltiempo,porpericia;reconocien-domediantemétodossintéticosoanalíticosparciales un supuesto valor, limitando elconocimiento de las fuentes de mercado.Estoes,restringiendolaentradademues-tras y/o prescindiendo de la anotación demuchasdelasoportunidadesresidentesenelbien.

Han sido frecuentadas hasta la fecha,estimasporevaluaciónzonal,administra-tivapreviay/ocomparativa,conunescasonúmerodemuestras seleccionadasy sola-menteenalgunasubicacionesdelinmedia-toentorno,sindesearapreciarlaevolucióny variación continua del mercado por losfactores,residentesenelbien,quelocon-forman.

La variación y evolución del mercadodebienesterritoriales,nohadesertratadacomounarealidadoscura,ocultauopaca.Como se ha señalado, está a la vista: conparalelismo,osemejanza,a todaecuacióndemercadoyevaluableatravésdeunSiste-madeInformaciónGeográfica(SIG).

EntrelosSIG,elmejordotadoenEspa-ña,encuantobasededatossoporte,atribu-tos,mantenimiento,talcomoseproducenlossucesosdesegregación,decompra-ventayasignacióndecadaunadeestassituacio-nesalareferenciacatastral,esSIGCA.Enéste se advierte laparcela entre lasdemásparcelasylosfactoresdemercado,entrelosdemás.Sereconocenlosmodosrelativos.

Asímismo,elconocimientodelprecioprocede,demodomasivo,de lascomuni-cacionesobligadasdeNotariasyRegistrosdelaPropiedad.

Estas muestras obtenidas a través denotariosyregistradoresenrústicaalcanzanel siguiente volumen y régimen: 35.000registrosa20deoctubrede2005,65.533hasta el 28 de febrero de 2006, 134.010hastael26deoctubrede2006,llegamosa


20

350.000,aproximadamente,enseptiembrede2008.Laprevisiónes10.000nuevosre-gistrosalmes.

Es el sistema el que descubre los pre-ciosinciertosyelque,alrefrescarseporlasentradas de actualización de la estructuraterritorial-parcelaria, que sucede cuandoelpreciodeofertayeldedemandaquedacercano al de equilibrio, mantiene viva laevidenciadeinteresesalavistaoinheren-tes. Nos descubre cuándo se frecuenta elmercadoporhallazgosdeexplotaciónmi-nera,porejemplocanteras,ynosdescubreelmercadodeloevidente.

LaexplotacióndelSIGCAestaasociadaaladelosdatosque,engranvolumen,sefichanenlabasededatosdeSIGECA,don-delosíndicesmantienenlarelaciónaunquesinsignificadodeproximidad.Ahorabien,elnexodenuestromanejoeslaubicaciónpor las coordenadasUTM,de los centroi-des,obtenidasdeSIGCA.

TodoslosprotocolosaventuradosenSI-GECAhastalafecha,handadocabidaalasubjetividad.Porejemplo,“Cercaníaaten-didoseléctrico(1a5),Cercaníaodistanciaavial(de1a5),Cercaníaacentrosdemerca-dodeproductosagrarios(1a3),pendientes,orientacióndependiente”.Todosestospará-metrosseordenanaespaldasdeproducireldesarrollodelcontrolobjetivo.

Nohacefaltapreguntarseporladistan-ciaaunvialymuchomenosaquévialoa qué tipo de vial, carretera, autopista ocamino;cuandosurgeunaminadeoro,lasdistanciasa losdiversoscentrosdeventaimportanpoco.Loqueimportaanuestrosefectos, siempre, antes y a partir de esemomentoyalparcelariorestante,esdón-deestácadaparcelayquétienealrededor(y cuántos hallazgos como el antedichoseencuentran).Acadalugaracudelade-manda que compite por los factores quesepuedanencontraryenlamedidadesuconcentración.

Peroelsucesosereconoceautomática-menteenSIGCAporlostrámitesyaccionesdesegregación,agrupación,entradasdeva-

riaciónyactosdecompra-ventaobtenidaspor lasmuestrasdenotariosy registrado-res.SinSIGCA,nadasepuedehacer.YsisedisponedeSIGCA,todosepuedeevaluary,ya,deunmodomássimpleycertero.

Cuanto más parcelario haya, existe ohahabidoenmayormedida,unequilibrioentre la oferta y lademanda a lospreciosdelasentradasomuestras,dadoquelatie-rraesfinitayelmercadoodemandaacudeallugary,portanto,fraccionaenlamayorpartedelasocasiones.

Se trata de una reducción directa detodos los factores de interés que permite,o garantiza, el refresco automático. Y, deaquella,sededuceelvalorovariable,su-jetoalosfactoresresidentesencadaunadelasparcelasdelconjuntoprimario,esdecirdeluniverso.

Encuantoalacalidaddelasmuestras,el sistemaevidencia suvariabilidad segúnelámbitoterritorialdelasdistintasGeren-cias del Catastro. El volumen, por ahorainsuficiente en algunas de ellas, obliga asustituir laRNAprovincialpor regionaloconjuntodeprovincias.Al generar las re-des,estadísticos,percentilesdeentrada,seadvierten influencias de baremos, valoresdeclaradosporcultivos,basadosenrentasagrarias,cuentasdegastos-productosova-lorescatastralescertificados.

Tambiénsehandetectadoinconsisten-cias en los datos aportados por Notarias,RegistrosyGerencias,talescomo:referen-ciascatastraleserróneas,pesetasporeuros,hectáreaspormetrocuadrado,heredadporcompra-venta, precio por toda la transac-ción repetidoencadaentradadelmismoprotocolo,superficiesinindicarosuperfi-ciesinapropiadas.

Del conjunto de datos obtenidos delOCMI, se ha escogido un período de almenosdosaños,yaqueconperíodosme-noreselnúmerodemuestrasesdemasiadopequeño.Paracorregirelefectotemporal,seajustaunarectadetendenciayconelco-eficienteobtenidoseactualizanlosvaloresaeurosactuales.


21

Elconjuntodemuestrasseha“desbas-tado”eliminandoaquellasconvaloresevi-dentementeerróneos,medianteunfiltradoprevio,queelimina:

• LasparcelasconValordeclarado≤2veceselValorCatastral.

• Lasparcelasconidénticoprotocoloeidénticovalorcatastral.

• Lasmuestrasconvalordeclaradoab-solutomenorde1.000euros.

•Lasanotadascomodeclaracionesporherencia.

• Lasdesuperficiemenorde100me-troscuadrados.

• Después de calcular percentiles delasvariablesenelconjuntomuestral,aquellasmuestrasqueestén:

PorencimadeunodelosPercentiles97,5-98-99,enlavariable“REN-TA”y “Precio (UNITARIO)declara-do”;y

• PordebajodelPercentil2,5enlasva-riables“SUPERF”y“Precio(UNITA-RIO)declarado”.

Setratadeprocesardatos,enlassuce-sivas ocasiones o de distintas masas pro-vinciales, con distribuciones homólogas.Deigualmodo,querecibanuntratamientoenlaRNAycortesenlostresprocesosdeaprendizajeidénticosoequivalentes:deesaforma las diferencias que se generen en-treunaReduotra,enelmismomomentomuestralo,bien,endistintasobservacionestemporalesdelMercado,seanproductodela evolución de ese mismo mercado y re-conozcanlassituacionesdiferencialescon-secuenciadelaevoluciónyafeccióndelasvariables(entiempooespacio).Nuncadedistintasformasdetratamiento.

Homologación del destrío por percen-tiles. Manejo de acuerdo a umbrales esta-dísticosquepermitendartratamientoequi-valenteacualquierpoblación,preservandosus diferencias. El control sistematizadopermiteelreconocimientodesuevolucióneneltiempo.

Quedandoenelentornodel80%delamuestrainicial.

Elmétodoesigualmenteválido,usan-dootrasfuentesdistintasdeconocimien-todemercado,Notarios yRegistradores,ydecontrastecomoAgentesdelaPropie-dadInmobiliaria,Internet,etc.,nomani-puladas.Eldiferencialseráladerivadelapropia fuente,endistintos territorios,enmismotiempoycircunstanciaso,alcon-trario,laderivadelmercado,deacuerdoasuscircunstancias,cuandoseanalizanen-tradas y segmentos iguales en el tiempo,conidénticodesplazamientoalmomentodecontrol.

Los datos del universo parcelario, yconeldetalledelasmuestras,seobtienenporprocesosdedescargagraciasaherra-mientas, diseñadas a estos efectos, situa-das en el menú “Herramientas SDE” delaaplicaciónSIGCA,móduloOCMIenlaactualidad.Ladescargasehaceprovinciaaprovincia.

Porelmomentolaexplotación,descar-ga,controlycálculodelos“Contadores”sellevaatérminomedianteACCESS(Datos.mdb): extracciones de fincas e inmueblescon coordenadas UTM, precisión de me-troykilómetrodeubicacióndecentroides,conservandoenbasededatosconteosefec-tuadosporencuadresde1y25kilómetroscuadrados(preconteos).

– RNAúnicaenformayvariables.– CapadeEntrada13variables, en el

futuro 14 (se añadirá, por cultivos,relevanciay%deAcoplamiento/Des-acoplamientoconlaPAC).

– Variables(VV),quedebenserlassu-ficientes que expliquen toda la va-riabilidadytodalacontinuidad.Encada territorio deben comprenderlas VV relevantes locales, sin de-jar de lado las de menor efecto enrelación con lasdemás y suubica-ción.Conellosealcanzalaposibili-daddecoordinación,reconocimien-toglobal.


22

Utilizamos cinco “contadores” comovariables(cuadro2:entradas6-7-8-9-13)que evidencian el/los equilibrio/s entreoferta y demanda sucedidos y a los dis-tintos precios de intercambio. La ofertaes cada bien con sus valores intrínsecos,losnoevidentes,losquesemuestranalavista y los de ubicación relativa a lo in-mediato,mediaygrandistancia.Explicantodos estos, lo ya sucedido, el precio deintercambio y su evolución futura, salvolimitaciones.

Laofertaeselbieninmuebleyenrús-tica,laofertaeslocal,únicayanclada“insitu”,eincorporatodosloshallazgos.Peroel equilibrio oferta-demanda, suceso deintercambio, está participado fundamen-

talmente,porundemandantepseudo-lo-cal o pseudo-global. Es la concentraciónde sucesos la que nos descubrirá valoresque no se encuentran a la vista, comocanteras,zahorras,yesos,minería,etc.,yoportunidadespresentes y futuras,desdeelmerocultivohasta laedificabilidad.Elequilibriopuesdeoferta-demanda,eljus-tificantedelprecioodemandaquesenosentrega por notarios y registradores, hayque buscarlo fuera también. En la com-petencia, en lo sucedido o concentrado adistanciasdelcarácterlocal.Perolacapa-cidaddedemandaespseudo-globalypo-demos distinguir informáticamente, quédistinta capacidad o concentración eco-nómica se da alrededor de un bien que,

Cuadro 2 Hoja ForValor de la “Calculadora” de 13x10

Características de la RED NEURONAL para la formación del VALOR

Nº

13

1 ClAg Clase Agrológica 10 2 Rndto Rendimientos en Riego/ Secano 3 Renta Valor catastral de la parcela 4 Sup Superficie parcela m2 * 5 GrCul Grupo de Cultivo de 1 a 18 6 P100 Parcelas a 100 m 7 P300 Parcelas entre 100 y 300 m 8 C300 Construcciones a 300 m 9 C3000 Construcciones a entre 300 y 3000 m 10 C30000 Construcciones a 30000 11 Pndte Pendiente de la parcela 12 Altd Altitud de la parcela 13 P1000 Parcelas entre 300 y 1000 m 14 14

Abreviado Completo Necesitatransformar

CalculaV. unitario

Ratios Parciales

Neuronas intermedia

Nº


2�

puesto en mercado, genera todo tipo decompetencia.Laconcentracióneconómi-ca(cuadro2:entrada10),elúltimoconta-dor,cantidadycompetitividaddeecono-míaydecisiones.

ElmétodoconsideralassiguientesVA-RIABLES(cuadro2):

Losfactorescaracterísticosdecadapar-celasonabsolutosyrelativos.

Entrelosabsolutosseconsideran:

– Clase Agrológica del Suelo (1 a 8).Codificaciónuniversalquemultipli-camospor100.La“0”paralosim-productivos“voluntarios”.

– Rendimiento tipo: Productividad co-marcal. Balance Hídrico. (Coef. I_Barbecho * Rto. S*Ss/Sp + Rto. R*Sr/Sp)

– RentaporHectárea.SegúnlacuentadeGastosyProductos.

– Superficietransmitidaenm2.– GrupodeCultivo(de1a18).– Pendiente. Ponderación en PARCE-

LA (y Subparcelas) de la obtenidaporcuadrículasde625m2(25x25).GraciasalMDT(ModeloDigitalTe-rrestre).

– Altitud. Misma procedencia y pon-deración.

Son factores absolutos o agrarios queselocalizanenella.

Entrelosrelativoshemostomado:

– Parcelas a 100 metros. Centroidesque se encuentran en un radio de100metros.

– Parcelasentre100y300metros.Cen-troideseneseanillo.

– Parcelas entre 300 y 1.000 metros.Centroideseneseanillo.

– Construccionesa300metros.– Construcciones en el anillo de 300 a

3.000metros.– Construccionesdentrodeunradiode

30.000metros.

Enbaseanuestraideaoriginal(figura8),consideramosquelasvariablesquede-finenelequilibriooferta-demandasehandemedir,graciasaSIGCAysuscoordena-das,desde lapropiaparcelaquesehadevalorar. Mediante la entrada de muestrasalaRNAysusvariables,sepermitereco-noceryobservarvaloreneluniversopar-celario,universoquecontienelasmismasvariables,desdenuestrosistemayMODE-LO-SIGCA-SIGECA,yquesoportaelmis-moprocesodemedición.

No sabemos el número de personasinteresadasencomprarunaparcela,peroenlasbasesdedatosdeCatastrotenemosubicadastodaslasconstruccionesexisten-tes,porloquepodemoscalcularelnúme-ro de construcciones en un determinadoentorno.

Elcálculodelnúmerodeconstruccio-nes,enelentornodecadaparcela,eslaborqueexigeungranesfuerzocomputacional.Sobretodocuandosequieremedirelnú-merodeconstruccionesenunentornodevarioskilómetros,enelqueseencuentranmilesdeinmuebles.Parapoderacometer-losehacreadounaestructurajerárquica,de modo que los inmuebles cercanos secomputan individualmente pero los leja-nosseagrupanencuadradosde1Km.ó5Km.,segúnladistanciaalinmueble,ysecalculasuefectoconjunto.

Paraevitarun“efectofrontera”,elcon-teodeconstruccionesserealizaponderan-doconunfactordepesodecrecienteconla distancia, de modo que una construc-ciónsituadajuntoalaparcelatienepeso1yotrasituadajustoaladistanciadebús-quedatienepesocero.

Sehanrealizado“contadores”delnú-mero de construcciones a diferentes dis-tancias, así como valores medios de pa-rámetros que pueden ser indicativos dedemanda potencial. Así, por ejemplo ensuelo urbano el porcentaje de inmueblesconusocomercial enunentornode100metrosayudaadelimitarlaszonasconin-teréscomercial.


2�

Seensayarondistintos“contadores”(con- centracIón de atrIbutos, “Demografía Catas-tral”-figuras3y6)obteniéndoseresultadosmejoresopeores.

Se tomaron, para el sistema, los si-guientes:

Lasvariablesdemográficas:suprotocolo

Variable (6): P100=NF_100: Número de parcelas a 100 metros de la parcela (cen-troide).

Número de parcelas (se datan tam-bién características de ellas) cuyo centroo centroide se encuentra en una cuadrí-culade100metrosacadaviento,esdecir,200x200=40.000m2(4hectáreas).

De SIGCA, al descargar el universo ymuestras,obtenemoslascoordenadasUTM

(enmetrosykilómetros),pasandoadatar-seenlatablaFINCA.

Estecontador,delfraccionamientosucedi-do–cercanooinmediatoalbien–seresuelvedesde lamisma tabla, alprocesar el cálculo,fichandoenelregistroelnúmerodeparcelas(MAPAS RÚSTICA de la misma provincia,hastamigraciónalgestorORACLE)conabcisayordenadaenel+/-100metros(cuadrado).

Indicaelgradodeparcelacióninmedia-toalbienevaluado.

Variable (7): P300=NF_300-NF_100: Nú- mero de parcelas a partir de 100 metros del centroide y hasta los 300.

Enlaanteriorsemide loquehasuce-didoenlas4primerashectáreasdondeseintegralaparcela.

Enestavariable,independiente,mideocuentalosucedidoenlacuadrículade600x600=360.000m2 (36hectáreas)detra-

Figura 6 Esquema del modelo y control de fraccionamiento en 300 metros de radio.

“Demografía Catastral”


25

yendoelcontadordecercaníadelasinme-diatasyprimeras4hectáreas.Conello seevita no solo la proporcionalidad, sino laposiblecorrelación.Cuandoseda.

Indica el grado de parcelación, en unentornodeinfluenciacercanaentiempoyespacio.Sereconocendeestemodolaspo-sibilidades que ofrece el inmediato entor-no.Esotroindicadordelmismoequilibriooferta-demandaqueexplica,sobreelante-rior, la consolidación de una situación decalidadyhomogeneidaddesuelo,oportu-nidadescomoaguapararegar,etc.(tenden-ciacoherenteconlaprimera,encuyocasosecorrelacionanyproporcionanalasuper-ficieencerradaporelcontador).Obienelfuturo de mercado de un bien, cuando latendenciaenestecasoyestavariableresul-ta contraria a laNF_100, cuandoevalúanun bien cercano, a más de aquellos 100metros por cada viento, a huertas, aldeaopoblaciónperodeagriculturademayordimensióndepropiedadentodocaso,ex-tensiva,endesierto,monte,etc.Nocuentamásalláde300metrosalNorte,Sur,EsteyOeste,portanto,lavariablenocambiaenparcelasdemásde36hectáreas,entérmi-nosgeneralescuadradodeesadimensión,encuyocasotomaríaelvalor1-1=0.

Variable (13): P1000=NF_1000-NF 300: Número de parcelas a partir de 300 metros del centroide y hasta los 1000 metros.

Indicaría el grado de parcelación, otravez,enunmayorradio.Esotrorelativoalmismoequilibriooferta-demandaqueexpli-ca,sobrelosanteriores,loqueocurredesdelacuadriculade600x600m2=360.000m2(36Ha)hastalade2.000x2.000=4.000.000m2(400hectáreas),mismaoparcialconsoli-dacióndeunasituacióndecalidadyhomo-geneidaddesuelo,oportunidadescomoaguapararegar,etc.,tendenciacoherenteconlasprimeras,encuyocasosemantienenlasva-riablesafavorentreellasobien,elfuturodemercadodeunbien (cuando la tendencia,enestecasoyestavariable,resultecontraria

alosNF_100y/oNF_300,cuandoevalúanun bien a media distancia de situacionescontrarias.Nocuentamásalláde1.000me-trosacadaviento,portanto,lavariablenocambiaenparcelasdemásde400Ha,ensucasotomaríaelvalor1-1=0siempre.

Variable completamente independientedelasanteriores.

Variable (8): C300= NC_300: Número de construcciones a 300 metros del centroide. En una cuadricula de 300 metros a cada viento, es decir 600 x 600 = 360.000 m2 (36 Ha).

Sereconoceelcambiodeuso,sihasu-cedido,enelaprovechamientodelbieny/oensuentorno inmediato.Elcarácterconti-nuodeésta,estasvariables,ofreciendoenlasmuestrasoeneltotaldeentradasdemercado–yeficienciaenlarelaciónconNyR–resul-tadosque asemejan el recorridodel propiouniverso parcelario, potencial mercado amedioolargoplazonosrefiere–enésta(8)NC_300–laevoluciónsucedidaya,ono,aespacio–conlosfactoressuficientesparaha-bitar–queexplicaríaelprecioencarecido.


Variable (9): C3000=NC_3000-NC 300: Número de construcciones entre 3.000 y 300 metros. 6.000 x 6.000 = 36.000.000 m2 (3.600 Ha), detrayendo las de la cuadrícula 600 x 600, es decir, de las 36 hectáreas in-mediatas al centroide del bien.

Este NC_3000 dicho, con corrección depeso.Loinmediatovale1,hasta3.000metrosdecrecea0.


Variable (10): C30000= NC30000: Nú-mero de construcciones a 30.000 m.

Con corrección de peso, las viviendasqueseencuentranencadacuadrículade60x60Km.

Figura 7 Cuadro. Criterio Universal de “Clase Agrológica”


26

Es la “Concentración Económica” lla-madaacompetirenlosmercadosdelterri-torio,esdecirdelsuelo.

EsteNC30000,concorreccióndepeso.Loin-mediatovale1,hasta30.000metrosdecrecea0.

Alhacerloscontadores,elsistemadis-tingueeltipodeParcelayusos,detalmodoquepermiteobtenerporcentajesdecuentay/o superficie para cada destino. Esto hapermitido observar, mejor dicho, evaluarorientativamente el mercado de viviendacolectivaentodalaprovinciadeValenciademodomuysatisfactorio.Ladescargacom-pletaquedóresueltaenHerramientas_SDEdeversionesSIGCA2,2.1.1yposteriores,acomienzode2007aproximadamente.

Lasvariablesagrarias:suprotocolo

Variable (1):Clase Agrológica

Refierelacalidaddelsuelo,suprofun-didade inclinación(figuras7y8).Tipifi-cación de aplicación universal. Debe ser,técnicamente, correcta. Digitalización conmétricaORTOGONAL,quepermitahacerheredar,comoatributodeparcela,laverda-dera categoría agrológica del suelo. Apor-taciónalvalordemercadodesucapacidadproductiva. Disponiendo, además y comoya ocurre, de la “Pendiente” y de la “Al-titud” refiere el residuo EDAFOLÓGICO(Profundidaddesueloyhándicaps).

Factordemercadoensí.Conformealosesquemas(figura6y7).

Lacodificacióndeberespetarelcono-cido Sistema Universal: 8 categorías. Ennuestromodeloseañadeuna, lacero“0”,conlaqueseseñalanlosimproductivosdeejecución,suelosconcambiodeuso,edifi-cados, etc. que, con carácter “voluntario”y/odehecho,hanperdidolaposibilidaddeusoagrario.Eloriginalcódigode0a8que-daenlainferencia(ClaseAgrológicainferi-da)decero‘0’a800,conobjetodeutilizar

númerosenterosalponderar,enparcela,lacalidaddelasdistintassubparcelas.Porco-herenciadelavariable–yentreprovincias–también se convierte de 0 a 800 la ClaseAgrológica elaborada (CLAGERx100) enlasÁreasterritoriales,deRústica.

Se justifican por la calidad del suelo,profundidad,ysupendientecomofactordeproducciónagraria.Portanto,sereconoceenellalaPENDIENTE.Sehanelaboradomapasdigitales,deextraordinariacalidadenvariasGerencias.Enotras tantas sehan llevadoacabotodoslostrabajos,enalgunoscasosmásdelosindicadoscomoobjetivoen2007.

Se desarrolló un programa para la in-ferenciade laClaseAgrológicaen lades-cargadenuestrasvariablesenmuestrasyuniverso.

En la administración existen mapas,elaborados parcialmente (en los años 60-70)porelMinisteriodeAgriculturaPescay Alimentación, actualmente Ministeriode Medio Ambiente, Marino y Rural, queabarcanel50%delterritorioespañolyquehansidopuestosadisposicióndelaDGC.Deacuerdoalascompetenciasadministra-das,enlaactualidad,porlasComunidadesAutónomassehanverificado,desuproce-dencia, cartografías de “Clase Agrológica”queenlamayorpartedeloscasos,sonre-sultadodeladigitalizacióndedocumentosanteriores, escaneados y vectorizados, sinmétrica y con fuga cónica. A este respec-to, es necesario señalar algunos matices,comoqueelmarcométricoeselpropiodelashojas topográficas1:50.000,aunqueeldetalle, elaboración y delineación de lasclasesagrológicasseefectuógraciasaevi-denciasfotográficasdel“VueloAmericano”(1951-56). Por tanto, sin métrica y condesviaciones en cualquier dirección desdepocos metros, hasta 250 y 300. Tambiénexiste “efecto Hoja”, es decir, criterios nohomólogosque informaron la elaboracióndecadahoja.Existendesvíosdeclaseagro-lógicaconcortes,sinrazóntécnica,alrede-dordellímitedelahojayadistanciasde±300metros.Faltórigorenlacodificación,


2�

Figura 7 Cuadro. Criterio Universal de “Clase Agrológica”

Figura 8 Hándicaps sobre una Clase Agrológica dada

2�

resultandoevidentequeentre lascasi600hojasnopublicadasporelM.A.P.A.,lades-coordinación entre los autores del trabajodecamporespectoalosconceptosdeclaseagrológicay/oentresí,fuemásalládeloslímites que permitieran la publicación decadaunadeaquellashojas1:50.000.

Coincide que algunas ComunidadesAutónomas(figuras10y11)handigitali-zadolashojasqueelMinisteriodeAgricul-tura,PescayAlimentaciónnollegóaeditar,digitalizaropublicar.

Esnecesarialacalidadmétrica.Y,den-trodeestacalidadmétricayortogonal,per-cepciones técnicascodificadasconarregloa la realidad agrológica de hoy día. Aña-diéndose,además,o informandoalmode-losegúnlasvariacionespuntualessobrelaestructuradelterritoriodeaquellossuelosquepasandesituaciónagrológicamediblea, por ejecución,nula, por verse transfor-madacomosoportededesarrollosurbanosoindustriales(claseagrológica–‘0’–cero).

Enlainferencianoexistedesvíométrico.Yesabsolutamenteútil,incluso,cuandosehatrabajadograciasaella,elmapaprovin-cial,ydigital,declasesagrológicasycoexis-

teconlasvariables“Pendiente”y“Altitud”.NosofrecelaposibilidaddeobservarenSI-GCAloscriteriosaplicadosalclasificarylaoportunidaddemejoraramedioplazo.Ynoesvanoelesfuerzo,pueslavariable“ClaseAgrológica”reconoceráelresiduoEDAFO-LÓGICO;comosehapodidocomprobarenlasprovinciasdeMurcia,ZaragozayValen-cia. Si así no se ha llegado a hacer, la ca-rencia, por el momento, se compensa conlasdichasvariables “PENDIENTE”y “AL-TITUD” como se ha puesto de manifiestoenlasRedesobtenidasdeMadrid,CastillalaMancha,Rioja,etc.,hastacompletartodalacompetenciadelasGerenciasdeCatastro.

Ala“Inferencia”concalidadymétricaortogonal se llega mediante nuestro desa-rrollo informático. Consiste en origen, deuna reflexión,utilidadprácticacontrata-mientoinformático,quetraeconsecuenciadelabúsquedadeóptimosdecultivoydepuestaenmercadosdelaproducciónagra-riadecadaagricultor.Rotacionesyajusteamercados,dondeesposible.(figura9).

Habíadosalternativaspara,produciryentregar,losMapasdeCategoríaAgrológi-casolicitados:

Figura 9 En función de la clase agrológica, el terreno es adecuado para unos u otros usos


29

Figura 10. Desajuste por digitalización de una proyección cónica de finales de los 60

Figura 11. Efecto autor sin tratar. Distintos autores codificaron el mismo suelo, atribuyéndole unos valores de clase agrológica 2, 3 y 4. Un tercero lo puntuaba como 7 u 8. También

desviación cónica de hasta +/-200 metros. Digitalizado en esta última década


�0

Cuadro 3 Rendimientos en Cereales

R.D. Comarcas. Ayudas a superficie herbáceos. 2ª ParteDistribución del Rendimiento de los cereales

LOS VÉLEZ 2,0 4,7 5,5 4,3 60ALTO ALMANZORA 1,5 4,7 5,5 4,3 100BAJO ALMANZORA 1,5 4,7 5,5 4,3 400RIO NACIMIENTO 1,5 4,7 5,5 4,3 400CAMPO TABERNAS 1,5 4,7 5,5 4,3 400ALTO ANDARAX 1,5 4,7 5,5 4,3 400CAMPO DALIAS 1,5 4,7 5,5 4,3 400CAMPO NIJAR Y BAJO ANDARAX 1,5 4,7 5,5 4,3 400ALMERÍA 1,6 4,7 5,5 4,3

Comarcas, Provincias y Comunidad Autónoma

Rdto. Medio t/ha

Rdto. Medio t/ha

Rdto. Máx. t/ha

Rdto. otros cereales

Índice Barbecho

REGADÍOSECANO

– Unadeellas, lamáslaboriosaein-segura, sería la de reparar produc-tosdelosaños60(figuras10y11):llevar los shapefiles del M.A.P.A. ode CCAA (1:50.000) nodo a nodo,editándolos, a su encuentro con elverdadero lugarde/lnodo/s,sinde-jar especular el criterioa cadaunodelosautores.

– La más adecuada, segura y rápidaesaprovecharelprogramaelabora-do de inferencia y, mediante el co-nocimiento técnico del territorio,editando el “shape” inferido, unirrecintos recodificando, en su caso,elcambionecesario.

Por ejemplo Los Llanos de Albace-te, tierra de CR, muy buen riego yresultados,paraelmaízbienabona-do,peromuymalaensí conplacasde precipitado de carbonato cálcicoen superficie y a 20-30 cm. Infiereun1y esun4-5.La fuenteo reco-nocimientode interés,procederádelacuentadeGastosyProductos,del

Rendimiento PAC y del Grupo deCultivo, nunca de una inadecuadaCategoríaAgrológica.

Así, los invernaderos de Almería (1debeser4,eranparralalmeriense),lapartealtadelasBárdenasReales(rie-gos –de colonización– en abandono,conalfalfayarrozenel20%,etc.,(sa-linidad,suelosyesíferos)):siNavarraestuvieraenDGC,el1a3.LosCRdelaSierradeMadrid(1a5-6).Etc.

Variable (2):Rendimientos

Refierwe la consideración productivadelasComarcas“PAC”comoyasehain-dicado.Segúnelrendimientoporhectáreaen secano y su coeficiente reductor porbarbechonecesarioy administrativamen-te obligatorio, el rendimiento en riego yelporcentajeaplicadoenparcelasderota-ciónsecano-riego.

Los rendimientos e índice de barbecho,soncomarcales,casielbalancehídricocomoconsecuencia.(cuadros3y4).


�1

Otrofactor,demercado,ensí.Medidoylocalizadoencadaparcela.

Por Parcela

r.a.=(%sec.xcoef.reducxrto.secano)+(%reg.xrto.regadIo)

Variable (3):Renta’ o Productos-Gastos /Ha.

Comosignificacióndeunambiguopo-tencialagrariodelsuelohasidoútil,aun-queesabsolutamenteimpreciso:

Ingresos-Gastos=Rentadelatierra+Beneficios

Pero:I-G=“X”=i-g

Lamismadiferencia“X”lapodríaofre-cer un Ingreso alto menos un Gasto co-rrientealtoo,ambos,muybajos.

Resulta eficaz al señalar produccionesagrarias,cuyofactorprincipalnoeslatie-rra,sinoGastoCorrienteeInversión.

Es,así,expresióndelconjuntodelSuelomás el Árbol o más “Plástico”, cuando lohayolaubicaciónofreceesaoportunidad.Dependedirectamente,lavariable,denues-tracalificaciónCC-IP.

La variable RENTA adquiere significa-cióncuandolavariación,enCategoríaAgro-

lógicay/oGrupodeCultivo,estábienre-suelta.

Variable (4):Superficiedel bien o finca.

Ladeclaradaymuestras(NyR)para laelaboración de la RNA. Control de erro-res. Aunque el sistema de variables paralasRRNNnoshaceveryevaluar,entodomomento,lasuperficieSIGCA(‘AREA’),setoma, para la observación masiva, la queprocededeSIGECA.

En ocasiones distorsiona la estima uobservación del universo por incorreccio-nesenesaSuperficieSIGECA.AsícomolabuenaelaboracióndelaRed.

Porejemplo,14.854m2enSIGCAcomo1m2enSIGECA,etc.

Lavariableesdegranimportancia:

– Por su propio peso, al posicionar-se en determinado mercado (fincasgrandes,fincaspequeñas),influirenelvalordelbiennotablementeypre-determinarlaRed.

– Alofrecereldatounitariodelmer-cadoobservado,dividiéndoseelto-talporunacifracierta,oinciertasiasífuera.

LaRedNeuronalentiendeelvalordemerca-dodelaparcela“talcomoestá”,sentidoestricto.

Variable (5):Grupo de Cultivo

Refiere elementos comunes (figura12),suconsideraciónenmercadodetie-rras,capacidadesproductivasofactoresenmercado, necesidades y valor intrínsecorelativosa:

– Periododecrecimiento.Inversión.– Periododeproducción.

Distinguiría, por tanto, el factor Olivo(árbol), Viña (cepa), FR (manzano, peral,naranjos), etc., cultivos fijos y sus conse-cuencias,delfactorsuelo.

Cuadro 4 Rendimientos de Barbecho

�2

Figura 13 Mapas de “Pendiente” y “Altitud”. Provincia de Madrid

Figura 12 Grupos de Cultivo y su correcta aplicación


��

Variable (6):Pendiente

Nospermitirádistinguir,enmercadoyensusaspectosproductivos,tierrastandi-ferentescomolaplanadePuzol-ElPuigolasladerascercanas,entreotras.Lastierrasde pendiente escasa de las inclinada, ote-ros,sierraocordilleratambién,aunqueenalgunoscasossedéprofundidaddesuelo.Conestavariable se requiere la compañíadelaAltitud.

SehanobtenidograciasalModeloDi-gitalTerrestre,PNOA-SIGPAC-SIGCA.Porrelación entre altitudes de las cuadrículasNorte-Sur,Este-Oeste,respectoalacentral.Ponderadaporparcela,aunqueestátratadaporcuadriculasde25x25=625m2.Here-dandoenel“shapefile”deparcelalasumadealtitudesporcuadriculadivididaporelnúmerodecuadriculasintersectas.

Variable (7):Altitud

Acompañaalapendienteponderada(fi-gura13),necesariamentedebeserasí.Nospermitirádistinguir,entreotras,lastierrasllanasdevega(opendienteescasa)de lasqueasíseanenlascimasdeotero,monta-ña,sierraocordillera(dondehiela,nievaoson lugaresdeacceso limitadoodeprimi-dospor su escaso interés económico).Enmercadoyensusaspectosproductivos,queseantandiferentescomolaplanadeAran-juezo,enlamáximaaltitud,ladeNavace-rradaoManzanareselReal,porejemplo.

SehanobtenidograciasModeloDigitalTerrestre,PNOA-SIGPAC-SIGCA.

Ponderada por parcela, aunque estátratadaporcuadriculasde25x25=625m2.Heredandoenel“shapefile”deparcelala sumadealtitudespor cuadriculadivi-didapor elnúmerode cuadriculas inter-sectas.

Disponiendo como ya quedó citado ycomoyaocurre,de la“Pendiente”ydela“Altitud”lavariable“ClaseAgrológica”re-fiereelresiduoEDAFOLÓGICO(Profundi-daddesueloyhándicaps).

ResultadosRedesNeuronalesde todo el territorio

españolsujetoalconocimientodelaDGC,MinisteriodeEconomíayHacienda.

Se refieren, a continuación, imágenesde diversas observaciones de mercadoelaboradas gracias al modelo desarrolla-do. Imagende“shapefiles”delparcelarioprovincial donde la observación de mer-cadoresideencadaparcela“talcualestá”,es decir, “sensu stricto”: tal como es suunidad, tal como está la base de datos,talcomosecomportaelmercadopara lasuperficieconlaqueaparececadaparcelaenconcreto.Tambiénsegúnelcultivo,talcomo figura en SIGECA. Las superficiesy los cultivos equívocos desvían la RedNeuronal, aunque esos factores desvia-dos son corregidos por los restantes. Noobstante, en el momento de generar laevaluaciónuniversal,producenpuntuales–perosignificados–desvíoscuandosedanequivocaciones de superficie SIGECA (1m2por15.000deSIGCAolamitadporeldoble) o, también, cuando determinadoscultivos(cc)estántanutilizadosentierrasy conforme a criterio homogéneo, comoen lugaresdondenopuedendarse comoaprovechamientoesencialytécnicamentecertificable.

Ya se producen –Redes Neuronales yobservaciónmasiva–concarácterhomólo-go,graciasalcontroldelamasamuestral,verificando la distribución y depurando,fundamentalmente,porpercentiles.

TodaslasprovinciasMEHestánproce-sadas.ConRedesNeuronalesquearrojan,entre si, coherencia de ratios resultantes(cuadro5).

Las limitacionesdedescargayprocesoqueprocedendelmanejomedianteEXCEL(65.000registros) y ACCESS (2Gb),enprimerlugar,yelescasovolumendemues-tras, en algunas de las demarcaciones, sehan resuelto (figura 14 y siguientes). LagestióndelmodelomedianteORACLE,di-rectamente,relacionandoasílospatronesen


��

Figura 14 Redes y resultados

JAVANNSconeltratamientodelosdatosysucálculo(normalización,etc.)permiti-ríatodoelautomatismo,dandotratamiento

comúnagruposprovincialesencasonece-sario.Facilitaráelrecalculocuandoseane-cesarioysobrelasvariaciones.

Cuadro 5 Ratios de Control. Calculadora de las distintas Redes Neuronales

GALICIA 19.278 4.992 99,35 27,05 1,07ASTURIAS 6.627 1.238 103,00 30,91 1,06CANTABRIA 2.169 699 100,91 33,30 1,04ARAGÓN 15.216 4.218 96,13 40,82 0,99CATALUÑA 14.022 2.731 101,53 30,95 1,05LA RIOJA 7.986 1.921 97,18 24,85 1,03CASTILLA-LEÓN 32.439 6.616 100,00 27,53 1,07MADRID 4.009 1.143 103,93 33,81 1,07CASTILLA-LA MANCHA 13.124 3.832 97,49 25,42 1,02C. VALENCIANA 30.301 5.955 102,39 39,61 1,04EXTREMADURA 8.521 3.190 101,29 23,37 1,05ANDALUCIA 25.793 9.560 102,44 26,06 1,07MURCIA 4.573 927 100,60 21,91 1,04I. BALEARES 2.997 616 102,48 25,16 0,99I. CANARIAS 3.607 1.323 99,28 34,31 1,04CORDOBA, Red Prov. 4.745 1.689 100,00 18,78 1,03

RED Muestras iniciales Muestras finales MEDiANA COD PRD


�5

Figura 16 Estadísticos. Selección cerca de Macastre

Figura 15 Distribución. Valor. Segmentos progresivos


�6

Figura 18 Estadísticos. Selección en Dalías - Almería

Figura 17 Estadísticos. Selección en Porcun a - Jaén


��

ConclusionesPor los resultadosobtenidos,podemos

concluir que con nuestra metodología devaloración del mercado del suelo rústicoseobtienenresultadosútilessinnecesidaddeunconocimientopreviodel terreno,nidedividirlopreviamenteenzonashomogé-neasdeningúntipo.

Noesnecesarialaintervencióndelcri-teriopersonaldeningúnTécnicoyaqueelmétodopuestoapuntopermite lavalora-ciónmasivadelosbienesinmueblesrústi-coscongarantíade:

– Objetividad,yaqueevitalaintroduccióndevariablessubjetivasynoestásujetoalasinterpretacionesdelvalorador,niesposiblemanipularlosparámetrosdelaredneuronalresultante,paraconseguirunresultadopredeterminado.

– Actualización,yaquesepuederepe-tirelprocesoencualquiermomento

ysetendráencuentaloscambios,oalteraciones, producidos en las Ca-racterísticascatastrales,debidamentereflejadas en la Base de Datos, talescomolanuevaestructuraparcelaria,lasnuevasconstrucciones,etc.

– Automatismo,yaqueesunprocesoejecutado íntegramentepor el orde-nador.

El cultivo o aprovechamiento de lasparcelas rústicas no es en factor determi-nante en el valor de mercado resultante.Sinembargolalocalizacióndeestosbienesinmuebles,asícomolacompetenciaporlosbienesycapacidaddedemanda,valoradasatravésdelamayoromenorparcelación,enunentornocercano,odelmayoromenornúmerodeconstrucciones,entrestiposdeentornos,sehanmostradoclaramentede-terminantes,enelvalordemercado.

Desdeestemomento,debeconseguirseunamayorcalidaddelosdatosobtenidos,

Figura 19 Análisis de residuo. Contraste y control de muestras


��

así como la continuación de estas inves-tigacionesparaunamejorpuesta apuntodelametodologíapropuesta.Paraelloseránecesario:

– Verificarlacalificación.Clasificación,deacuerdoaloscriterioshomólogos,y estudiomediante contraste con laclaseagrológica:haycultivosquenose pueden dar en una determinadaagrología (por ejemplo: pastizal enpendientesdel30%y sin suelo,de-siertos,roquedos,etc.).

– Actualizar las rentas agrarias. Lostipos evaluatorios de la contribu-ción de 1989 se corresponden enrealidad con estudios realizados acomienzosdeladécadade1970.Sieldesajuste fuese tansolo la des-actualizacióndevalores,nohabríaproblema ya que la red neuronallo compensaría. Pero la estructu-radecostesagrícolashacambiadoprofundamente desde entonces,encareciéndose la mano de obra ydisminuyendo por tanto la renta-bilidad de algunos cultivos. Ade-máshahabidograndesavancesenla mecanización y finalmente hanentradoenescenalasayudasdelaPolíticaAgrariaComún(PAC).

– Mejora de la estimación de clasesagrológicas, que es importante por-que determina la potencialidad decultivodelsuelodelaparcela.

– Mejoradelasmuestras.EsnecesariointeresaraNotarios,Registradoresdelapropiedad, en cuanto a laperfec-taidentificacióndelosbienesquesetransmiten,atravésdelaReferenciacatastral, y a calidad de los valoresquesedeclaranporlosintervinientesenlacompra-venta.

De igual forma, para la mejora de lasmuestras, esnecesaria la colaboracióndelpersonaldelasGerencias,pararesolverloscasoscomplejosodudosos.

– En proceso masivo se recomiendatratar los datos desde ORACLE aJavaNNS. Trato necesario debido alaslimitacionessobreelvolumendedatospropiadeEXCEL,1millónderegistros,deACCESS,2Gbdedirec-cionamientoyestabilidaddelosmis-mos.

– Elaborar nuevas Redes NeuronalesArtificiales.

Agradecimientos

A las experiencias de Julio GallegoMora-Esparza en Redes Neuronales, asícomo aquellas debidas a Jacobo López dePaz,quienpropiciala“Calculadora”inicial,ysusmacrosenEXCEL,quefacilitanlare-laciónentreMuestras,PatronesJAVAyUni-verso.

Alequipo formadoe ideasde investiga-ciónyexplotación,iniciales,seañadióBea-trizGarcíaSanGabinoquiénhacolaborado.

Al Instituto Geográfico Nacional, queaportó el Modelo Digital del Terreno, y aJosé Miguel Olivares García, que efectuóloscálculosdealtitudypendiente.

Porlasyaefectuadasalosmapasdeca-tegorías agrológicas de elaboración catas-tralysusautoresresponsables:

– GerenciaRegionaldeAragón.RaquelRodríguez Castro (Zaragoza –elabo-radostotalmente–,HuescayTeruel).

– Gerencia Regional de Murcia. JoséAntonioAyénLópez(Murcia-elabo-radostotalmente).

– GerenciaRegionaldeValencia.Emi-lio Benítez Aguado (Valencia, Cas-tellón), Fernando Revert Saus (Ali-cante).

– Gerencia Regional de Cataluña. Jo-sepGarcíaCosta(Gerona),JordiFlixMasip(Barcelona).

– GerenciaRegionaldeMadrid.Matil-dePérezTaño(Madrid).


�9

– GerenciaRegionalExtremadura.Ma-nuelBarqueroPérez(Badajoz).

– Gerencia Regional de Canarias. Vi-centeCastañoLloris.

Bibliografía

(1)benett, H.H.–1939–“SoilConservation”;Mc.GrawHillC.NewYork.

(2) Dirección General de la ProducciónAgraria,MinisteriodeAgricultura(1974)“Ca-racterizacióndecapacidadagrológicadelossuelosdeEspaña.Metodologíaynormas”

(3) JulIo gallego Mora-esPeranza; RevistaCT/Catastronº50(Abrilde2004).“Lainteli-genciaartificialaplicadaalavaloracióndeinmue-bles.UnejemploparavalorarMadrid”

(4) Java NNS: (software libre) www.ra.cs.unituebingen.de/software/JavaNNS/welcomee.html.n

portal de la dirección general del catastro - observatorio del mercado de … · 2009-07-27 ·...

Documents