Comparative Evaluation of Machine Learning Models in Property Tax Payment Behavior in the Municipality of Soacha: An Econometric and Predictive Approach

Read full text Summarise with VIRAT
Authors: Sergio tovar, Santiago Maldonado Florinaschi
Cited by: 0
References: 10

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Contexto: Los municipios dependen del impuesto predial, pero carecen de herramientas técnicas para anticipar el impacto de cambios en avalúos y tarifas sobre el comportamiento de pago. Aunque existen estudios sobre variables socioeconómicas y fiscales relacionadas con el cumplimiento tributario, pocos comparan modelos de aprendizaje automático considerando simultáneamente desempeño predictivo e interpretabilidad. Este trabajo identifica el modelo más adecuado para analizar el comportamiento de pago en Soacha. Método: Se aplicó la metodología CRISP-DM sobre más de 150.000 registros anonimizados (2019–2021). Se realizaron procesos de limpieza, integración, análisis de multicolinealidad y construcción de variables. Se entrenaron siete algoritmos de aprendizaje automático, quedando entre los mejores la regresión logística, árbol de decisión y perceptrón multicapa. La evaluación combinó métricas predictivas y criterios de interpretabilidad. Resultados: El árbol de decisión presentó el mejor equilibrio entre precisión e interpretabilidad. El perceptrón mostró buen rendimiento predictivo, pero menor transparencia. La regresión logística fue altamente interpretable con desempeño ligeramente inferior. Los análisis segmentados evidenciaron patrones diferenciados de pago. Conclusiones: Los modelos interpretables pueden fortalecer la toma de decisiones tributarias municipales. El modelo seleccionado constituye una herramienta técnica comprensible para mejorar el diseño de políticas fiscales.

Fields of Study & Subjects

Taxation and Compliance Studies Data Mining and Machine Learning Applications Local Government Finance and Decentralization

Publication details

Journal / source
Repositorio Universidad Distrital
Publication date
25 February 2026
Language
ES
Document type
Thesis