ILUSTRACIÓN 30: VALORES M2 DE TERRENO MODELO FINAL ADOPTADO

��0,��1,��2,��3,��4,��5: Coeficientes de regresión.

Este modelo resulta ser significativo según los estadísticos que se muestran en los anexos. Presentando un coeficiente de correlación espacial de R2 Ajustado=0,885 logrando cumplir la prueba de autocorrelación espacial I de Moran. Según los estadísticos definidos 3.8 y sintetizados en la Tabla 20: , este modelo mejora las estimaciones obtenidas a partir del modelo de zonas homogéneas geoeconómicas del IGAC en un 46.2%, de acuerdo con el índice de adecuación, reduciendo a cerca de la mitad, el error medio cuadrático RMS, La distancia de Manhattan y el error típico.

Ilustración 30: Valores m2 de terreno modelo final adoptado.

Gráficamente el mapa de valores de terreno obtenido muestra una variabilidad espacial adecuada, sin pronosticar valor negativos ni demasiado bajos. La

Ilustración 30: Valores m2 de terreno modelo final adoptado. muestra los valores m2 obtenidos para las zonas rurales, en el presente estudio para el municipio de Tabio.

Ahora bien para mirar en proporción los resultados entre la metodología desarrollada y los valores IGAC se estimó el valor total de los terrenos del municipio a partir del Modelo Final contra el modelo del IGAC. Para el primero, se obtiene un valor de la totalidad de la extensión rural del municipio de 6.46 billones de pesos, mientras que utilizando los valores del IGAC se obtiene un valor de 9.26 billones de pesos.

Según los resultados obtenidos, se encuentra que el modelo de ZHG del IGAC, sobrestimaría los valores de terreno en cerca de un 2.8 billones de pesos. Proporcionablemente los valores de IGAC estarían en un 43% por encima del modelo 14 encontrado y que presenta el mejor ajuste espacial a los datos de mercado de terrenos en Tabio.

En este sentido, sería mucho más justo para los contribuyentes si los valores de sus terrenos fuesen estimados con el modelo 14 en comparativo con el del IGAC.

Tal como se señaló en la revisión de literatura, se confirma el hecho de la semejanza de la metodología de Krigring en un desarrollo de inspección, evidencia una enorme similitud con el modelamiento de Regresión Geográficamente Ponderada, pues ambas metodologías se basan en la correlación espacial, por lo que la formulación resulta ser equivalente. Por esta razón se descartó dentro de los modelos desarrollados o dicho de otra manera, es semejante a lo elaborado en torno a los modelos de Regresión Geográficamente Ponderada.

Finalmente, en cuanto a el desarrollo de Redes Neuronales, se evidencia en su elaboración la necesidad de reunir una gran cantidad de datos de entrenamiento de la red, insumo que no es posible realizar dado los límites de recursos de la investigación (pues el número de avalúos necesarios aumenta exponencialmente) además de que sería un distanciamiento al objetivo de buscar propuestas eficientes para la valoración masiva.