This article analyzes the factors associated with the asking prices of apartments in the city of Seville. For this purpose, we use a database of 1,710 listings collected online, including structural characteristics of the dwellings, socioeconomic indicators at the census-tract level, and variables of proximity to local services. Two models are estimated: a hedonic regression using ordinary least squares (OLS) and a random forest model. The results show that random forest achieves a higher predictive performance, reducing both the mean absolute error and the root mean squared error compared to OLS. In addition, the use of interpretability techniques (SHAP values, ICE curves, and PDP plots) makes it possible to examine the contribution of each attribute to predicted prices. Socioeconomic variables (such as average income and educational attainment) play a central role in explaining spatial variation in asking prices, together with structural characteristics of the dwellings. The study highlights the usefulness of combining hedonic modelling with machine learning tools to better understand the determinants of housing values in urban markets.Este artículo analiza los factores asociados al precio de oferta de los apartamentos en la ciudad de Sevilla. Para ello se utiliza una base de datos de 1.710 anuncios recopilados en línea, incorporando características estructurales de las viviendas, indicadores socioeconómicos a nivel de sección censal y variables de proximidad a servicios locales. Se estiman dos modelos: una regresión hedónica mediante mínimos cuadrados ordinarios (MCO) y un modelo de random forest. Los resultados muestran que random forest alcanza un desempeño predictivo superior, reduciendo tanto el error absoluto medio como el error cuadrático medio respecto del modelo lineal. Además, el uso de técnicas de interpretabilidad (valores SHAP, curvas ICE y gráficos PDP) permite examinar la contribución de cada atributo en la predicción del precio. Las variables socioeconómicas (como la renta media y la proporción de población con estudios superiores) desempeñan un papel central en la variación espacial del precio de oferta, junto con las características estructurales de la vivienda. El estudio destaca la utilidad de combinar enfoques hedónicos con herramientas de aprendizaje automático para comprender mejor los determinantes del valor residencial en mercados urbanos.Este artigo analisa os fatores associados ao preço de oferta de apartamentos na cidade de Sevilha. Para isso, utiliza-se uma base de dados com 1.710 anúncios coletados online, incorporando características estruturais das habitações, indicadores socioeconômicos no âmbito do setor censitário e variáveis de proximidade a serviços locais. Estimam-se dois modelos: uma regressão hedônica por mínimos quadrados ordinários (MQO) e um modelo de random forest. Os resultados indicam que o random forest alcança um desempenho preditivo superior, reduzindo tanto o erro médio absoluto quanto o erro quadrático médio em relação ao modelo linear. Além disso, o uso de técnicas de interpretabilidade (valores SHAP, curvas ICE e gráficos PDP) permite examinar a contribuição de cada atributo na previsão do preço. As variáveis socioeconômicas (como a renda média e a proporção da população com ensino superior) desempenham um papel central na variação espacial do preço de oferta, juntamente com as características estruturais da habitação. O estudo destaca a utilidade de combinar abordagens hedônicas com ferramentas de aprendizado de máquina para compreender melhor os determinantes do valor residencial em mercados urbanos.