Los precios de la vivienda entre mercados: efectos de transmisión y … · 2017-11-11 · y debido...

Los precios de la vivienda entre mercados: efectos de transmisión y ‘Ripple Effect’

Autores: Paloma Taltavull de La Paz* Department of Applied Economics University of Alicante Campus de San Vicente del Raspeig s/n 03080 Alicante, Spain Telf.. +34.965909693 Fax. +34 965909322 Email: [email protected] Enrique López University of Alicante Email: [email protected] Francisco Juárez Departamento de Análisis Económico Aplicado University of Alicante Email: [email protected] *Corresponding author Key words: Housing prices, ripple effect, tourist areas, Spain

1 Introducción

El sector de la construcción y el de la vivienda en particular tiene importantes efectos de arrastre sobre el resto de la economía. Un correcto análisis de este sector puede ser clave a la hora de determinar las características o factores que influyen de forma determinante en su desarrollo.

En el período estudiado ha habido una bajada de demanda que ha afectado profundamente al sector por lo que en este trabajo procedo al estudio mediante análisis de resultados obtenidos a partir de econometría espacial que permite introducir en el modelo la especificación geográfica de las observaciones y tenerlas en cuenta a la hora de extraer los resultados. El efecto de difusión de precios nos expone que hay zonas donde se producen antes las variaciones de precios de las viviendas y es posible que este efecto se produzca en los precios de las viviendas de una pequeña región pero con zonas muy diferenciadas: la costa, el interior y la capital administrativa histórica. No conozco hasta el momento un trabajo similar realizado en ninguna región española por lo que se trata de un trabajo novedoso sobre un importante sector.

Las técnicas y metodologías utilizadas para el análisis y la extracción de conclusiones son la econometría espacial. En concreto mediante los parámetros que extraen del modelo la autocorrelación espacial de las observaciones y los errores de autocorrelación espacial de las características no observables somos capaces de obtener conclusiones e implicaciones más correctas o con menos imprecisiones.

2 Teoría

El mercado inmobiliario tiene características especiales derivadas de la peculiaridad de los bienes con los que negocia: son bienes inmóviles, de muy larga duración, afecto a unos municipios que normalmente regulan y ordenan su construcción y cuya edificación requiere un largo periodo de tiempo (Smith, Rosen, & Fallis 1988).

Así pues, como en todos los mercados, el precio dependerá de la demanda y de la oferta que encontremos. En cuanto a la demanda, típicamente se habla de dos tipos: de necesidad de uso (vivienda, oficinas, …) y de inversión (Taltavull 2013). Esta última se debe a que las viviendas son bienes que en el largo plazo mantiene el valor debido a su duración además de que se pueden alquilar obteniendo así rentas intermedias. La demanda además se encuentra muy estratificada pues los gustos y necesidades de los consumidores son muy distintos en función de su renta y otros factores que consideran. Por el lado de la oferta tenemos que debido a su carácter inmóvil la competencia es localizada

y debido a los retrasos derivados de la construcción y la escasez de suelo la oferta se puede considerar fija en el corto plazo. Además tenemos que considerar otros factores que afectan al mercado: las transferencias son confidenciales, la información de que disponen los consumidores no es perfecta y existen elevados costes de transacción (Taltavull 2013).

Por todas estas particularidades los mercados de vivienda sufren procesos de ajuste que hacen que no sean eficientes.

Distinguimos determinantes de largo y corto plazo. Las fuerzas de largo plazo tienen efectos permanentes en el tiempo, mientras que los segundos son los mecanismos que el mercado tiene de alcanzar el equilibrio en cada momento del tiempo: en momentos expansivos estas fuerzas de corto plazo hace que aumente el precio de las viviendas por las rigideces de la oferta explicadas anteriormente (largo periodo de construcción).

Si el ciclo expansivo se alarga y los precios siguen subiendo el mercado de viviendas atrae demanda de inversión que hace que los precios suban más, lo que crea señales en el mercado para que se construya más aún. Lo que debería ocurrir en este punto es que los precios altos de las viviendas hicieran que su demanda se redujera hasta volver al equilibrio. Sin embargo esto no siempre ocurre, pues existen otras expectativas y una burbuja de precios puede producir una sobreproducción de bienes mantenida en el tiempo. Esto es lo que ha podido ocurrir en las crisis inmobiliarias actuales. Es común también que se produzcan shocks externos al mercado de la vivienda (como por ejemplo restricciones de crédito) que reduzcan vertiginosamente la demanda de viviendas generando excedentes y contracciones de la construcción de nuevas viviendas (Glaeser, Gyourko & Saiz 2008).

Los determinantes principales de la demanda de vivienda en el largo plazo son (Abraham & Hendershott 1992):

● Los habitantes de una sociedad, sus necesidades y características determinan la demanda potencial.

● El determinante fundamental que hace que esta demanda potencial se convierta en demanda efectiva es la riqueza y la renta de la población.

● Por último el otro factor fundamental es la disponibilidad de la financiación, que hace posible la demanda en propiedad, pues en caso contrario hablaríamos únicamente de alquileres.

Los determinantes de la demanda en el corto plazo son muchos, destacando los siguientes (Smith, Rosen, & Fallis 1988):

● Las expectativas de crecimiento

● Tipos de interés ● Impuestos y subvenciones ● La legalidad vigente ● Costes de transacción ● Rentabilidad de los activos alternativos y las ganancias de capital-

vivienda En conjunto estos determinantes en el corto plazo se conocen como costes de uso y su variación incentivan o desincentivan la compra de viviendas en un momento determinado del tiempo.

Si asumimos la rigidez de la oferta de vivienda en el corto plazo tendremos que el equilibrio en el mercado residencial se comportará de la siguiente manera de acuerdo con la teoría económica de oferta y demanda (Samuelson & Nordhaus 2002):

Equilibrio a corto plazo del mercado de viviendas

Un cambio en la demanda de vivienda (del tipo que sea) incentiva la edificación nueva:

Gráfico 1: Modelo de equilibrio a corto plazo del mercado de la vivienda. Un incremento de la demanda hace que crezcan los precios en el corto plazo.

Fuente: Elaboración propia.

La tensión al alza de los precios solo se reduce cuando se finaliza la nueva edificación que se comenzó a construir cuando el mercado recibió la señal de subidas de precios. En este caso esto ocurre en el medio o largo plazo:

Gráfico 2: Restitución del equilibrio del mercado de la vivienda en el medio o largo plazo. El incremento de la construcción de las viviendas hace que el precio vuelva al equilibrio.


En este proceso de ajuste, cuanto mayor sea la demanda, mayor será el aumento de los precios de la vivienda. Sostenido en el tiempo puede dar lugar a convertirse en una burbuja especulativa.

En qué consiste el ‘rent gradient’ en el mercado de la vivienda

La teoría del ‘rent gradient’ es un fenómeno relacionado con los precios de la vivienda dentro de un casco urbano. Las casas y terrenos en las mejores localizaciones son más caros que en otros lugares menos ventajosos.

Cuando una persona o empresa se dispone a buscar una vivienda o local, primero busca en la zona deseada, con mejores condiciones para cubrir sus necesidades. Esta zona es el centro de negocios. Así pues, en un municipio existen barrios que cubren mejor estas necesidades. Estos lugares son los que tienen un precio mayor para las edificaciones y conforme nos alejamos de estos, tenemos que los precios caen con la distancia (DiPasquale & Wheaton 1996).

Podemos considerar un modelo sencillo que ponga de relevancia este fenómeno con las siguientes premisas (DiPasquale & Wheaton 1996):

1. Localizamos la zona de empleo en una ciudad en un solo centro de negocios, al cual los empleados se desplazan en línea recta desde su lugar de residencia con un coste de k euros por kilómetro.

2. Las viviendas son idénticas y el número de trabajadores por vivienda también lo consideramos fijo. La renta de los hogares y puede gastarse en desplazamiento, otros bienes (x) y en la vivienda.

3. Las características de las viviendas son uniformes y la renta anual de la vivienda es R(d), que depende de su localización.

4. Las casas están ocupadas por las familias que ofrecen un alquiler mayor.

Así pues, tenemos que en este modelo de ciudad la renta inmobiliaria decrece con la distancia al centro de negocios. Esto ocurre una vez tenemos en cuenta que las características intrínsecas de las viviendas son las mismas a excepción de la localización. Si tenemos en cuenta que las familias son idénticas, resultará que el consumo de otros bienes será fijo en un nivel x0. Tendremos pues la siguiente expresión de renta de la vivienda:

Por lo tanto tenemos que en el centro de negocios ( 0) no existirá gasto en transporte y la renta de las viviendas será la mayor 0 , mientras que conforme nos vamos alejando podemos ver como esta renta disminuye conforme aumentan los gastos en transporte . Un ejemplo del decremento de esta renta con la distancia lo podemos ver en el siguiente Gráfico 3:

Gráfico 3: La teoría del ‘rent gradient’. La renta de las viviendas decrece cuando aumenta la distancia al centro de negocios.


Un modelo un poco más real podría ser el siguiente donde en función de distintas características o servicios en el casco urbano obtenemos que los precios

de las viviendas varían respecto de la curva ideal que nos indica la teoría del ‘rent gradient’.

Gráfico 4: La teoría del ‘rent gradient’. Distintos servicios o situaciones distorsionan la curva teórica original.


En qué consiste el ‘Ripple effect’ en el mercado de la vivienda

Ligado estrechamente con la teoría del ‘rent gradient’ tenemos el ‘ripple effect’. Mientras que el primero propone una teoría en función de la cual la distancia es clave a la hora de la fijación de precios de una vivienda, el segundo nos describe cómo se trasladan las variaciones de precios de las viviendas en el tiempo y en el espacio en determinadas regiones o entre regiones.

En el mercado de la vivienda unas regiones son más dinámicas que otras y mientras en un lugar puede que los precios de las residencias aumenten, en la región contigua puede que sigan estancados. Existen zonas que lideran estos cambios de precios en las viviendas, mientras que otras suelen seguir las subidas o bajadas de precios que suceden en las primeras (Meen, G 1999).

A la propensión de los precios a subir en una zona determinada del espacio respecto a otra se le conoce como ‘ripple effect’ o efecto de difusión de precios. Gráficamente podemos visualizar esta difusión de precios como las ondas que se producen cuando tiramos una piedra en una superficie de agua estancada. Si tenemos en cuenta este efecto en cada precio de las viviendas ofertadas de los

datos que tenemos podemos estudiar el efecto difusión de precios en el tiempo y en el espacio.

Estas diferencias de precios se dan en el corto plazo, puesto que en el largo plazo se restablece el equilibrio, es decir, los ratios de precios entre las distintas regiones son constantes y consistentes (Holmes & Grimes 2008).

La continuidad del efecto de difusión de precios en el espacio no tiene por qué ser perfecta, es decir, la subida de precios de la región líder no tiene que conllevar que se observe un incremento de precios a continuación en la región justamente contigua. Las diferentes características de la geografía y entorno socioeconómico pueden hacer que el ‘ripple effect’ se haga notar en zonas vinculadas por otros motivos más allá de la vecindad geográfica. Por ejemplo, el incremento de precios en una zona costera española de vivienda predominante por ingleses puede venir provocado por un incremento de precios de la vivienda en Inglaterra o viceversa, estando estas zonas separadas por un continente de distancia.

¿Cómo se transmiten los precios de las viviendas entre dos regiones con dos niveles de rentas distintos?

Los cambios en las diferencias de los niveles de precios de las viviendas entre distintas regiones se pueden descomponer en tres componentes: movimientos comunes en todas las regiones, diferencias de crecimiento económico entre las regiones y las diferencias estructurales de los mercados de viviendas captadas por el coeficiente de heterogeneidad de las regiones (más el término de error) (Meen, G 1999). Así pues, el diferencial de precios de las viviendas que genera el ‘ripple effect’ es causado por los ajustes que se producen en el mercado de la vivienda dentro de las regiones y no entre las regiones (Meen, G 1999).

Por lo tanto si entre dos regiones existen diferencias estructurales en los mercados de la vivienda, la inmigración entre ellas no va a suponer la eliminación de estas diferencias producidas por el ‘ripple effect’ en tanto en cuanto no se eliminen las diferencias estructurales de los mercados. Por ejemplo, si el acceso al crédito para la compra de viviendas es distinto entre las regiones la inmigración no eliminará los diferenciales producidos en los precios entre las distintas regiones.

Por lo tanto podemos concluir que los incrementos o disminuciones de precios interregionales son producidos por los cambios en la estructura del mercado de la vivienda en las distintas regiones (Meen, G 1999).

3 Metodología

Método

La econometría espacial es un método de estudio que tiene en cuenta la situación de los fenómenos económicos a la hora de efectuar un análisis. Su omisión podría llevar a importantes errores de especificación de los modelos, que podría llevar a interpretaciones erróneas de los resultados. La importancia del espacio en los modelos se observa habitualmente en la heterogeneidad espacial y la autocorrelación espacial (Anselin 1988).

La heterogeneidad espacial es la variación de un fenómeno económico en función del lugar dónde se analiza. Esto se produce porque los parámetros o datos de análisis adquieren distintos valores según la zona de estudio.

Por otro lado la autocorrelación espacial tiene que ver con que el valor de una variable puede estar influenciado por el valor que esa misma variable tiene en otra región vecina (Serrano & Valcarce 2000). Además tenemos que tener en cuenta que la contigüidad no es necesaria en las regiones para observar esta correlación, sino que pueden existir relaciones entre regiones alejadas en el espacio. Queremos estudiar este fenómeno para los precios en las viviendas, es decir, queremos ver la relación que existe entre los precios de viviendas en zonas bien diferenciadas dentro de una misma región.

La autocorrelación espacial puede ser negativa (a), no existir (b), o positiva (c).

(a) (b) (c) Gráfico 5: Autocorrelación espacial negativa (a), no existe (b) y positiva (c).


Tenemos correlación espacial positiva, Gráfico 5 (c), cuando un fenómeno se extiende a regiones colindantes, esto significa que cuando un precio es alto en una vivienda sus valores cercanos también lo son. O por el contrario, cuando un precio es bajo, sus valores cercanos también lo son. Se puede decir que un valor es similar al de los vecinos. Esto también significa que existen clusters espaciales o zonas donde se concentran especialmente valores similares.

Por el contrario existe correlación espacial negativa, Gráfico 5 (a), cuando encontramos un patrón de dispersión espacial. Es decir, las variables relacionadas siguen un patrón de dispersión espacial similar. Se podría decir que siguen una ‘dispersión ordenada o uniforme’.

Por último no existe correlación espacial, Gráfico 5 (b), cuando no hay relación entre los valores de un fenómeno y su situación en el espacio, siendo esta totalmente aleatoria. En este caso no hay ningún tipo de dispersión ordenada.

Análisis de la autocorrelación espacial

Existen distintos métodos de estudio de la autocorrelación espacial siendo la I de Moran el estadístico más usado. Este presenta la siguiente expresión analítica (Moran 1948):

∑ ̅ ̅

∑ ̅;

Donde es el valor de la variable cuantitativa en la región i, ̅ es la media muestral, son los componentes de la matriz de pesos, N es el tamaño muestral y ∑ ∑ . Con una distribución asintótica normal ~N(0,1).

La I de Moran presenta valores entre -1 y 1. El -1 corresponde a autocorrelación espacial negativa perfecta, Gráfico 5 (a); el 0 corresponde a la no existencia de autocorrelación espacial, Gráfico 5 (b); y el 1 corresponde a autocorrelación espacial positiva perfecta, Gráfico 5 (c).

La matriz de pesos espaciales

Para poder llevar a cabo el estudio de autocorrelación espacial es necesario calcular una matriz de pesos espaciales. Esta matriz desempeña un papel fundamental a la hora de incorporar las relaciones espaciales de las variables en el modelo a estudiar. Existen múltiples metodologías de calcularla: por vecindad, por distancia (Clif & Ord 1981), por facilidad comunicativa entre regiones (Bodson & Peeters 1975), por distancias económicas (Case, Rosen & Hines 1993).

Además hay que tener en cuenta que dentro de cada uno de estos métodos se puede calcular también de múltiples formas. Por ejemplo, por vecindad entre otras se puede calcular la matriz de pesos de cada punto por el método ‘rook’ si este está contenido en una región contigua (superior, inferior, derecha o izquierda, como el movimiento de una torre en el ajedrez) a la observación referencia, Gráfico 6 (a). Por el contrario el método ‘queen’ también incluye las diagonales (como el movimiento de una reina en el ajedrez), Gráfico 6 (b).

Además puede ser de varios órdenes: de orden 1, Gráfico 6 (a) y (b); de orden 2, Gráfico 6 (c); …

(a) (b) (c) Gráfico 6: Matrices de pesos espaciales por vecindad. (a) Matriz ‘rook’ de primer orden;

(b) Matriz ‘queen’ de primer orden; (c) Matriz ‘queen’ de segundo orden Fuente: Elaboración propia.

Un matriz que se puede generar a partir de la distancia entre los puntos es la del modelo ‘k-Nearest neigbour’. En este caso lo relevante son las observaciones más cercanas a cada una de las otras observaciones.

Para este documento he utilizado la matriz de pesos espaciales ‘queen’ y la ‘k-Nearest neigbour’.

El modelo

Un modelo hedónico convencional que no estudia la dependencia espacial de los fenómenos puede ser el siguiente

donde es es un vector nx1 de las observaciones de la variable dependiente, es el vector de los parámetros a estimar, es la matriz con las observaciones de las variables explicativas y es el término error.

A partir de aquí podemos estudiar la dependencia espacial de los fenómenos económicos teniendo en cuenta diferentes modelos que ponen el foco en la autocorrelación espacial o en la recogida de los fenómenos no observables en el término error.

La especificación de un modelo de autocorrelación espacial básico puede ser la siguiente (Anselin 1988):

donde es el parámetro autorregresivo que recoge la intensidad de la interdependencia de las n observaciones muestrales y es la matriz de pesos espaciales de la observación , es decir, el retardo espacial de la variable .

La especificación de un modelo de error espacial puede ser el siguiente (Anselin 1988):

donde es el término error que recoge la autocorrelación espacial en este caso a través del parámetro .

Por último un modelo mixto que recoja tanto la autocorrelación espacial como el error espacial puede ser el siguiente (Anselin 1988):

donde y son matrices de pesos espaciales que no deberían coincidir.

En este documento tomaremos como variable dependiente los precios ofertados de las viviendas y serán sus características observadas según nuestra base de datos.

Los datos

La base de datos original utilizada contenía más de tres millones de observaciones del periodo de tiempo entre 1995 - 2012 de diferentes provincias del este de España. Para cada una de estas observaciones tenemos distintas variables referentes a las características de las viviendas, características de la urbanización y entorno socioeconómico. La base de datos contiene más de 100 variables de cada observación y parte de ella estaba sin categorizar. Esto es debido a que durante los primeros años la empresa que recopiló las observaciones informatizó a mano todas las observaciones. Por lo tanto la primera tarea realizada fue la categorización de estas observaciones.

Por ejemplo, en la variable Parada de tren que indica si No existe, Existe en las cercanías o Existe en el municipio, en la base de datos original nos encontramos con múltiples respuestas (ejemplo de respuestas originales: bueno, en Denia, Renfe, Sí, Sí a 2 km, etc) que había que decidir en cuál de estas categorías incluíamos, si decidíamos crear una nueva o bien si decidíamos que se perdieran los datos. Esto fue un trabajo laborioso debido a la magnitud de la base de datos.

La forma de hacer este trabajo fue iniciándome por primera vez en la utilización del programa IBM SPSS Statistics. En concreto los procesos más utilizados en esta parte del trabajo fueron análisis de frecuencias para observar el estado de cada variable y recodificación de variables.

A continuación, extrajimos de la base de datos la región que decidí estudiar. La región escogida para el análisis es la comarca de la Vega Baja del Segura en

Alicante, por lo que las observaciones utilizadas finalmente se corresponden con las de este territorio.

La Vega Baja es un conjunto de 27 municipios situados en zonas de costa e interior. Las grandes zonas habitadas de la comarca se encuentran delimitadas por las siguientes fronteras: al suroeste delimita con la Región de Murcia, donde se puede observar una frontera artificial como la Autovía Santomera-San Javier; al noroeste delimita con la Autovía del Mediterráneo; al noreste delimita con los Parques Naturales del Hondo y de las Salinas de Santa Pola; y al este con el propio Mar Mediterráneo. La zona al norte de la Autovía del Mediterráneo está escasamente poblada dentro de esta comarca.

Mapa 1: Comarca de la Vega Baja situada en el sur de la provincia de Alicante Fuente: Google Maps

A esta delimitación geográfica tenemos que añadir la heterogeneidad de las zonas a estudiar. Podemos clasificar a grandes rasgos una zona costera y una zona de interior. Las actividades económicas asociadas a estas zonas, son principalmente el turismo residencial para la costa y actividades del sector primario y secundario relacionadas con la fértil huerta en el interior. Históricamente el desarrollo económico de la comarca se produjo con la agricultura de las aguas del río Segura y el regadío de origen musulmán a parte de las actividades pesqueras. En la actualidad, en costa destacan los núcleos urbanos de Guardamar del Segura, Torrevieja, Orihuela Costa y Pilar de la Horadada. En el interior existe gran dispersión de población en otros 24 núcleos

urbanos de menor importancia, donde los más habitados son Orihuela (capital administrativa histórica), Rojales, Almoradí y Callosa de Segura.

Se trata por lo tanto de dos zonas muy diferenciadas donde se producen fenómenos económicos muy diferentes por lo que considero que es una región idónea para estudiar si se produce el fenómeno del efecto de difusión de precios de las viviendas.

Para la extracción de la base de datos original de las variables utilizamos los códigos postales de la zona a estudiar, obtenidos de una base de datos de internet y contrastados con la página web de Correos. De los 27 municipios de la Vega Baja obtuvimos 47 códigos postales relacionados con diferentes zonas de la comarca.

CP Municipio Zona CP Municipio Zona

03340 Albatera Casco urbano 03315 Orihuela Pedanías

03169 Algorfa Casco urbano 03317 Orihuela Pedanías

03176 Algorfa Urbanización 03318 Orihuela Pedanías

03160 Almoradí Casco urbano 03319 Orihuela Urbanizaciones

03390 Benejúzar Casco urbano 03321 Orihuela Pedanías

03316 Benferri Casco urbano 03322 Orihuela Pedanías

03178 Benijofar Casco urbano 03189 Orihuela (Costa) Costa

03380 Bigastro Casco urbano 03190 Pilar de la Horadada Casco urbano

03360 Callosa de Segura Casco urbano 03191 Pilar de la Horadada Urbanizaciones

03158 Catral Casco urbano 03369 Rafal Casco urbano

03350 Cox Casco urbano 03370 Redován Casco urbano

03159 Daya Nueva Casco urbano 03170 Rojales Casco urbano

03150 Dolores Casco urbano 03177 San Fulgencio y Daya Vieja

Casco urbano y pedanías

03179 Formentera del Segura Casco urbano 03349 San Isidro Casco urbano

03348 Granja de Rocamora Casco urbano 03193 San Miguel de Salinas Casco urbano

03140 Guardamar del Segura Casco urbano 03180 Torrevieja Centro

03149 Guardamar del Segura Urbanizaciones 03181 Torrevieja Centro

03310 Jacarilla Casco urbano 03182 Torrevieja Centro

03187 Los Montesinos Casco urbano 03183 Torrevieja Barrios

03300 Orihuela Casco urbano 03184 Torrevieja Barrios

03311 Orihuela Pedanías 03185 Torrevieja Barrios

03312 Orihuela Pedanías 03186 Torrevieja Barrios

03313 Orihuela Pedanías 03188 Torrevieja (La Mata) Barrios

03314 Orihuela Pedanías

Tabla 1: Códigos postales de las diferentes zonas de la Vega Baja Fuente: Elaboración propia a partir de la página web de Correos

Además eliminamos los datos que aun teniendo estos códigos postales estaban incluidos en otras provincias o municipios fuera de la comarca. Así pues, una vez depurada de un inicial de 3.362.000 observaciones de las provincias del levante español, nos quedamos con alrededor de 22.800 observaciones de esta comarca que además tenían longitud y latitud del bien.

Aun así, existían multitud de puntos con latitudes y longitudes sospechosas. Por otro lado, a partir de mapas de municipios georreferenciados que se pueden conseguir de la página web del ministerio, superpuse las referencias de las observaciones que todavía conservamos para seguir depurando los datos erróneos de la base de datos con el siguiente resultado:

Mapa 2: Mapa formado por los términos municipales de las ciudades españolas con los puntos que representan las observaciones disponibles en este punto del trabajo.

Fuente: Elaboración propia a partir de los planos facilitados por la tutora, la página web del ministerio y la base de datos utilizada.

Para hacer este trabajo y seguir depurando utilicé el programa ArcGIS también por primera vez. Como se puede observar todavía existían puntos con referencias erróneas, por lo que los depuré obteniendo como resultado el siguiente mapa exclusivamente con observaciones de la Vega Baja. En el podemos observar gran concentración de observaciones en la costa y en los cascos urbanos de las distintas localidades, además de algunas pedanías.

Mapa 3: Mapa formado por los términos municipales de los municipios de la Vega Baja (en verde) con las observaciones que realmente pertenecen a esta comarca (puntos azules).

Fuente: Elaboración propia a partir de los planos facilitados por la tutora, la página web del ministerio y la base de datos utilizada.

Por otra parte el paquete estadístico de econometría espacial GeoDa solo permite el trabajo con 49 variables por lo que seleccionamos las más importantes y que mejor explicaban las características de las viviendas, urbanización y entorno socioeconómico.

Al final nos ceñimos a datos del periodo 2008 – 2012 dado que son las observaciones que tenemos georreferenciados. A las variables continuas y numéricas, es decir, no categóricas les calculamos el logaritmo para obtener una distribución normal de las observaciones que no distorsionen los análisis posteriores. Al calcular los logaritmos, para aquellas observaciones que no eran positivas se perdían los valores. Por esto, para no perder más observaciones, a estas observaciones les cambié el valor. Por ejemplo, en la variable Número de piezas exteriores, a aquellos cuyo valor es 0 les cambié el valor a 0,0001 de forma que no se perdieran estos valores. Para el manejo de la base de datos siempre utilicé el software SPSS Statistics. Finalmente contamos con 22.387 observaciones para hacer es estudio con 38 variables que en un principio manejamos.

Las variables finalmente escogidas, sus categorías y breve descripción son las de la Tabla 2 del anexo.

4 Análisis empírico

Con la base de datos completamente depurada procedemos a utilizar el paquete de econometría espacial GeoDa en su versión más reciente disponible. Para ello introduje la base de datos trabajada en SSPS Statistics y se genera el mapa de los puntos a estudiar a partir de las observaciones georreferenciadas.

Con estos ya podemos calcular las matrices de pesos espaciales. En este caso generé las matrices para el caso de contigüidad de ‘queen’ de orden 1 (metodología de vecindad) y por el método de la distancia, específicamente de los vecinos más cercanos k-Nearest neighbors (k-NN) de orden 4.

A partir de aquí procedí a analizar en la muestra estadística comprobando en primer lugar la existencia de autocorrelación espacial utilizando para ello el estadístico I de Moran local en su versión univariante para los precios ofertados de las vivienda (la variable dependiente de nuestros modelos). También consideré el I de Moran local bivariante para un par de casos de estudio.

Una vez comprobada la existencia de autocorrelación espacial mediante el análisis de la I de Moran procedí a calcular las regresiones planteadas anteriormente. Para ello utilicé el programa GeoDa Space en su versión más reciente de junio de 2014. Este programa permite realizar regresiones por mínimos cuadrados ordinarios o con distintos modelos espaciales. Para realizar estas últimas tenemos que tener en cuenta que se necesitan, según los modelos planteados utilizar matrices de pesos espaciales. Las matrices utilizadas en las regresiones son k-NN de orden 4.

Finalmente incluyo 4 regresiones. Todas ellas tienen como variable dependiente el valor ofertado de la vivienda por metro cuadrado. Además para poder obtener finalmente resultados tuve que omitir algunas de las variables seleccionadas que provocaban problemas matemáticos para el programa o cuyas observaciones tenían varianza muy baja. Este es el caso de las variables de equipamiento comercial, religioso, del estado de las vías o del alumbrado.

Las 4 regresiones que incluyo son los modelos explicados en el apartado de teoría: modelo de mínimos cuadrados ordinarios (MCO), modelo de autorregresión espacial ‘spatial lag’ (SL), modelo de autorregresión espacial ‘spatial error’ (SE) y una combinación de estos dos últimos (SL+SE).

Por último incluyo una regresión (SL+SE) con los precios de las viviendas de Orihuela en función de los precios de las viviendas de la costa y otras variables explicativas de las características utilizadas anteriormente para analizar la dependencia entre los precios de la costa y la capital administrativa comarcal.

Resultados

i. Análisis univariante I de Moran

Columna A Matriz de pesos ‘queen’ de orden 1

Gráfico 7: Scatterplot de Moran. Valor ofertado m2

Tablas 3 y 4: Significatividad y tipos de autocorrelación

Mapa 4: Clusters LISA

Columna B Matriz de pesos ‘k-NN’ de orden 4

Gráfico 8: Scatterplot de Moran. Valor ofertado m2

Tablas 5 y 6: Significatividad y tipos de autocorrelación

Mapa 5: Clusters LISA

Diagramas, tablas y mapas: Resultados gráficos de un análisis univariante local de la I de Moran utilizando diferentes matrices de pesos espaciales.

Fuente: Elaboración propia a partir de la base de datos con el software GeoDa

ii. Análisis bivariante I de Moran

Gráfico 9: Scatterplot de Moran. Resultados de un análisis bivariante local de la I de Moran entre el valor ofertado por m2 y la edad de la edificación.


Gráfico 10: Scatterplot de Moran. Resultados de un análisis bivariante local de la I de Moran entre el valor ofertado y la superficie.


iii. Regresiones

Tablas 7 y 8 en el anexo.

Discusión

i. Análisis univariante I de Moran

Columna A (matriz ‘queen’ de orden 1)

I de Moran = 0.566146

Tenemos por tanto una autocorrelación positiva en cuanto al valor ofertado por metro cuadrado de intensidad media. Esto quiere decir que efectivamente existe relación espacial entre el valor ofertado de las viviendas y el de sus viviendas cercanas.

Esto quiere decir por lo tanto que sí que existe efecto de difusión de precios por la zona geográfica dónde se encuentre el bien.

En la tabla de significatividad encontramos significatividad en 17.081 de las observaciones, es decir, en un 75% de las observaciones.

En cuanto a los cluster que encuentra este análisis espacial, encontramos clusters tanto de autocorrelación positiva (high-high y low-low) como de autocorrelación negativa (high-low y low-high) depende del cuadrante que observemos en el Scatterplot de Moran.

Los autocorrelación positiva supone un efecto arrastre o de difusión de precios entre las viviendas lo que conllevaría que la subida de los precios de unas viviendas arrastra la subida de los precios de las viviendas cercanas. Por el contrario la autocorrelación negativa supone una suerte de efecto sustitución entre los valores de las viviendas, donde el hecho de que una vivienda mejore su valor hace que las cercanas no sean tan buenas como ella y disminuyan la valoración.

Particularmente interesante es la concentración de clusters en la zona de autocorrelación positiva como se puede observar en el Mapa 6.

Las relaciones high-high de autocorrelación espacial positiva se concentran especialmente en las observaciones de toda la costa (a la derecha del mapa) y del casco histórico administrativo del interior (Orihuela).

El hecho de que los clusters de alto valor de la vivienda estén localizados en la costa y la capital administrativa puede indicar que estas zonas son las que más demanda de vivienda tienen puesto que podemos suponer que son las más atractivas para los ciudadanos.

Gráfico 11 y Mapa 6: Scatterplot de Moran y mapa de las observaciones significativas con las localizaciones de autocorrelación espacial positivas high-high resaltadas en rojo.


Gráfico 12 y Mapa 7: Scatterplot de Moran y mapa de las observaciones significativas con las

localizaciones de autocorrelación espacial positivas low-low resaltadas en rojo. Fuente: Elaboración propia a partir de la base de datos con el software GeoDa

Por otro lado tenemos que las relaciones low-low de autocorrelación espacial positiva se concentran especialmente en el interior de la comarca y en el casco urbano de Torrevieja en la costa, no en toda ella (Mapa 7).

También tiene sentido los clusters de bajo valor de vivienda que están situados en el interior de la comarca en todos los cascos urbanos. Esto puede ser debido a que estos pueblos y ciudades del interior tienen menos demanda de vivienda, por no poder ofrecer servicios como la playa, el dinamismo comercial que ella genera o los servicios asociados que concentra la capital de la comarca.

Mapas 8 y 9: Casco urbano de Torrevieja de las observaciones significativas con las localizaciones de autocorrelación espacial positivas high-high (a la izquierda) y low-low (a la

derecha) resaltadas en rojo. Fuente: Elaboración propia a partir de la base de datos con el software GeoDa

Sin embargo también existen clusters de bajo valor de la vivienda en el casco urbano de una de las ciudades de la costa que es Torrevieja como se puede observar en el Mapa 9. Esto puede ser más difícil de explicar, pero podría ser debido a distintos factores. Si comparamos los Mapas 8 y 9 podemos observar que las relaciones de alto valor de las viviendas resaltadas en rojo están situados más hacia la costa (abajo) que los valores relacionados con bajo valor de la vivienda. Esto refleja el hecho de la gente desea en mayor medida la primera línea de playa mientras que existen clusters de bajo precio en el interior de la ciudad que pueden estar asociados a las viviendas de los trabajadores del sector turístico de la ciudad. En cierta manera podemos estar observando el fenómeno del ‘rent gradient’.

Este fenómeno también lo podemos observar haciendo un mapa de cuartiles con GeoDa:

Mapa 10: Mapas del casco urbano de Torrevieja de cuartiles. Los colores más oscuros representan mayores valores de viviendas, que están situados en la costa.


Por otro lado los clusters de autocorrelación espacial negativos low-high se concentran alrededor de los clusters high-high (Mapa 11), mientras que los high-low se concentran alrededor de los del tipo low-low (Mapa 12).

Mapas 11 y 12: Casco urbano de Torrevieja de las observaciones significativas con las localizaciones de autocorrelación espacial positivas low-high (a la izquierda) y high-low (a la

derecha) resaltadas en rojo. Fuente: Elaboración propia a partir de la base de datos con el software GeoDa

Columna B (matriz ‘k-NN’ de orden 4)

I de Moran = 0.84974

Tenemos en este análisis una autocorrelación positiva en cuanto al valor ofertado por metro cuadrado. Además con esta matriz de pesos espaciales esta correlación se observa mucho más intensa que en el valor anterior. Esto quiere decir que existe relación espacial entre el valor ofertado de las viviendas y el de sus viviendas cercanas.

En la tabla de significatividad encontramos significatividad en 8.026 de las observaciones, es decir, en un 36% de las observaciones. Mucho menos en este caso que en el caso anterior.

En cuanto a los cluster que encuentra este análisis espacial, encontramos clusters de autocorrelación positiva (high-high y low-low) y muy pocos de autocorrelación negativa (high-low y low-high).

Estas diferencias son debidas a las distintas matrices de pesos espaciales utilizadas. Calculando esta autocorrelación espacial con k-NN obtenemos muchas menos observaciones significativas. Además encontramos que tenemos apenas encontramos relaciones de autocorrelación espacial negativa, al

contrario que en el caso anterior, siendo la mayoría de ellas positivas (high-high y low-low), tal y como podemos ver en las tablas. Esta concentración de autocorrelaciones espaciales positivas y la escasez de negativas hace que una vez se calcula la I de Moran, obtengamos un resultado del estadístico mucho más cercano a 1 que en el caso anterior.

Las zonas dónde específicas donde se producen el fenómeno de difusión de precios de autocorrelación espacial coindice con las obtenidas en el apartado anterior, por lo que no merece la pena repetir la discusión.

ii. Análisis bivariante I de Moran

En el Gráfico 9 podemos ver el estudio de autocorrelación espacial entre el valor ofertado de la vivienda por metro cuadrado y la edad corriente de las viviendas cercanas. En este caso tenemos que el valor de la I de Moran es -0,227113. Dado que es un valor próximo a cero tenemos que la autocorrelación espacial es pobre en cualquier caso entre estas 2 variables. Esto quiere decir que el hecho de que las viviendas cercanas tengan una edad corriente alta no afecta apenas al valor de la vivienda en cada caso. En cualquier caso, también podemos comentar el signo negativo de este estadístico. Se puede justificar este signo si tenemos en cuenta que las viviendas de similares características se sitúan en los mismos barrios. Por ejemplo, existen barrios con edificaciones altas y otras con casas bajas. Si estos barrios se han desarrollado urbanísticamente al mismo tiempo tendremos viviendas similares, por lo que la edad de las viviendas cercanas a la nuestra tendería a estar correlacionada positivamente con la propia vivienda. Además cuanto más vieja es una vivienda, menos valor intrínseco tiene, por lo que si unimos estos dos últimos razonamientos, tenemos que la edad de las viviendas contiguas, similar a las nuestras, estaría correlacionada negativamente con el valor de nuestra vivienda.

En el Gráfico 10 podemos ver el estudio de autocorrelación espacial entre el valor ofertado de la vivienda y la superficie de esta. En este caso tenemos que el valor de la I de Moran es 0,386736, algo mayor que en caso anterior y positiva. Esto significa que una superficie mayor de las viviendas cercanas afecta positivamente al valor de nuestra vivienda. El razonamiento que nos puede llegar a esta conclusión es el mismo que en el caso anterior. Viviendas similares en los mismos barrios pueden producir este tipo de autocorrelación entre 2 variables.

En este mismo caso si observamos detenidamente la autocorrelación positiva high-high podemos ver que este fenómeno se concentra sobre todo en los cascos urbanos y no tanto en las urbanizaciones, pedanías o casas de campo (Mapa 13). Esta autocorrelación positiva significa que superficies altas de viviendas

cercanas están relacionadas positivamente con un valor alto de la vivienda mientras que este fenómeno no ocurre en las afueras de las ciudades.

Mapa 13: Observaciones significativas y localizaciones de autocorrelación espacial positivas

high-high (en rojo) Fuente: Elaboración propia a partir de la base de datos con el software GeoDa

Una posible razón a esta observación es que el valor y la superficie de las viviendas no estén tan ligados en el exterior de las ciudades que en el interior y estas viviendas tiendas a valorarse en función de otras características o servicios.

Mapas 14 y 15: Observaciones significativas con las localizaciones de autocorrelación espacial positivas low-high (a la izquierda) y high-low (a la derecha) resaltadas en rojo. Fuente: Elaboración propia a partir de la base de datos con el software GeoDa

También podemos comentar en este caso que las principales relaciones de autocorrelación negativa se dan en el interior de la comarca para el caso de

grandes superficies de las viviendas vecinas afecta negativamente al valor de la vivienda (Mapa 14). Esto significa que en las zonas del interior tenemos que altas superficies de viviendas vecinas están relacionadas con bajos valores ofertados de las viviendas. Es muy razonable que precisamente en el interior las viviendas tengas una mayor superficie a un menor precio. También ocurre esto en la costa entre las viviendas que están en primera línea de playa y las del interior dentro del mismo casco urbano.

El fenómeno contrario ocurre en determinados clusters de la costa (Mapa 15). Aquí aparecen viviendas de alto valoración con menores superficies, lo cual también es razonable si tenemos en cuanta las viviendas de verano que se concentran en estos lugares.

iii. Regresiones

MCO

La primera de las regresiones es la realizada por mínimos cuadrados ordinarios por lo que incurre en los errores característicos de la no inclusión de la autocorrelación o heterocedasticidad espacial. Asumiendo esto podemos comentar los resultados de la regresión significativa globalmente. Obtenemos en este caso un R2 de 78,79% lo que quiere decir que la proporción de la variación de los precios ofertados de las viviendas explicada por las variables observadas es muy alta. Por otro lado, podemos comentar que no resultan significativas para el valor de las viviendas las variables del autobús, del número de plantas en la vivienda o de la calidad de la urbanización, esto es, los servicios de piscina, zona verde, etc. asociados a una determinada vivienda.

De entre los parámetros significativos podemos comentar algunos de ellos. El año t es significativo, en tanto en cuanto tenemos que de 2008 a 2012 por cada año adicional encontramos que el valor ofertado de las viviendas disminuye en un 7,5% ‘ceteris paribus’. Dado el periodo de estudio es muy probable que estemos observando en este parámetro la acentuada disminución de la demanda que se produjo tras la falta de crédito después de la crisis financiera internacional. Además la magnitud es muy intensa. Esto también se puede observan en el Gráfico 13 que relaciona los valores ofertados de las viviendas con el paso de los años.

Gráfico 13: Precio ofertado de las viviendas con el paso de los años Fuente: Elaboración propia a partir de la base de datos con el software GeoDa

El resto de variables que disminuyen el valor de la vivienda de forma significativa aunque de forma menos intensa son el crecimiento de la población CrecimPob (entorno de crecimiento de la población se relaciona con disminución del precio), la edad corriente de la edificación Ledad_t (mayor edad menor valor), el número de piezas totales de la vivienda LPTotal_t (más habitaciones menor valor) y el número de viviendas totales en la edificación Lvivedi_t (más viviendas en el edificio menos valor).

También destaca el carácter del entorno CarEntorno (1ª residencia, 2ª residencia o mixta). Este modelo predice que el valor de las viviendas en entornos de 2ª residencia es un 20,74% mayor (10,37*2) que las viviendas de entornos de 1ª residencia. Este valor también se ve reflejado en el tipo de residencia TipoResi_t de la vivienda según el testigo con un coeficiente de 46,22%. Es muy importante por lo tanto la demanda en la Vega Baja de viviendas de 2ª residencia, pues hace que en la costa, que es presumiblemente dónde se sitúan aquí, hace que los precios se disparen en buena medida.

El nivel de renta del entorno Renta_t también tiene una magnitud muy intensa. Entre una zona con renta media VPO a una zona con renta alta tenemos unos precios mayores un 31,70% en las zonas de renta alta que las zonas con renta media. Estas zonas de rentas altas están concentradas otra vez en primerísima línea de playa y el centro histórico de Orihuela sobretodo. Si unimos este hecho al entorno del párrafo anterior, tenemos que las viviendas de la costa bien situadas pueden llegar a ser un 70% más caras.

Mapa 16: En rojo los valores superiores de entornos de renta alta según la base de datos. Fuente: Elaboración propia a partir de la base de datos con el software GeoDa

En cuanto a las elasticidades, destaca por encima de todas ellas la de la superficie de la vivienda respecto de su valor Lsupvvda_t. Un incremento de un 1% en la superficie de la vivienda incrementa un 0,76% el valor del metro cuadrado de vivienda.

Por último podemos comentar que el programa también nos permite visualizar los distintos contrastes de diagnóstico de dependencia espacial. En este caso, y como cabe esperar del análisis realizado anteriormente tenemos que sí que existe esta dependencia espacial según todos los estadísticos calculados.

En cualquier caso con este modelo lo que pretendo visualizar es que a pesar del buen ajuste resultante, los contrastes de dependencia espacial nos hacen desecharlo pues todos ellos nos indican la presencia de autocorrelación espacial en los errores del modelo.

SL

En este modelo además de las variables estudiadas con MCO incorporamos el parámetro que recoge la intensidad de las autocorrelaciones espaciales de las observaciones (modelo ‘spatial lag’). Este interactúa con la matriz de pesos espaciales de forma que incorpora la correlación entre las observaciones por lo que estaríamos eliminando la influencia que ejercen unas observaciones sobre otras.

La primera observación que podemos hacer sobre el parámetro cuyo valor ese 0,2065 es que es altamente significativo. Esto evidencia que efectivamente existen relaciones de autocorrelación espacial tal y como preveíamos por los

valores de los estadísticos y contrastes realizados anteriormente tanto de la I de Moran como los realizados con el modelo MCO.

Otra observación interesante que podemos hacer es que en todos los casos de variables significativas, efectos de las variables explicativas sobre la dependiente son menores (en valor absoluto) que con el modelo estimado por MCO. Esto evidencia que los parámetros calculados por MCO estaban sesgados positivamente, es decir, sobreestimados debido a la autocorrelación espacial que no incluía en el modelo.

Respecto del primer modelo, tenemos que todos los parámetros conservan su signo. Por otra parte, la variable de número de plantas en la edificación Lplantas_t pasa a ser significativa mientras que la variable número de piezas totales en la vivienda LPTotal_t pasa a no serlo.

En cuanto al análisis pormenorizado de los parámetros, este es similar en magnitudes el calculado por MCO por lo que no merece la pena reiterar los mismos argumentos. Los signos se conservan y el valor de los, si bien tiene valores inferiores, son similares y se pueden hacer las mismas valoraciones únicamente cambiando los números.

SE

En la regresión del modelo que tiene en cuenta los errores espaciales (spatial error) tenemos el parámetro como novedad. Este incorpora la autocorrelación de los errores especificación del modelo, esto es fenómenos no observados con los datos disponibles y su relación en el espacio. En este caso tenemos que la intensidad del parámetro 0,65 es mucho mayor en este caso que en el modelo SL. Además también es altamente significativo. Esto significa que en este parámetro están recogidas muchos más distorsiones espaciales que la autocorrelación de las observaciones.

En este caso tenemos que la calidad de la urbanización CalUrb_t es significativa al contrario que con las otras estimaciones y que el acceso a los servicios ferroviarios Tren deja de serlo.

SL+SE

Por último la regresión que incorpora tanto retardos como errores espaciales incorpora sus parámetros característicos. Respecto del parámetro autorregresivo que recoge la intensidad de las interdependencias de las observaciones resulta 0,21 altamente significativo. El parámetro de autocorrelación de los errores espaciales resulta en este caso 0,49 también altamente significativo. En comparación entre ellos tenemos que el parámetro

de los errores en casi 2,5 veces el primero por lo que los errores por factores no observables son más intensos que los errores por autocorrelación espacial.

En este caso obtenemos como variables no significativas el autobús Bus y el número de piezas totales de las viviendas LPTotal_t. También tenemos que el Tren y la calidad de la urbanización CalUrb_t que resultaron no significativas en otros modelos en este caso son significativos al 5%.

Las variables expresadas en categorías que explican mejor las diferencias de precios de las viviendas son el carácter del entorno CarEntorno (mejor categoría de entorno implica precio más alto), renta observada por el testigo Renta_ t (zona de mejor renta conlleva precio más alto) y el tipo de residencia TipoResi_t (2ª residencia implica precio más alto). La inclusión de la econometría espacial en estos parámetros baje varios puntos porcentuales respecto del análisis MCO. La diferencia de estos parámetros respecto del primer análisis es la mayor, aunque también es cierto que su magnitud a la hora de afectar al modelo también es de los mayores, por lo que cambios tan grandes están justificados en parte por esto.

Por otra parte el año t de toma de datos también afecta al valor ofertado de las viviendas negativamente con el tiempo de forma importante. En los cuatro años estudiados encontramos que los precios de viviendas ofertadas han bajado un 29.2% (7,3% * 4) en la Vega Baja. El descenso de los precios ofertados de las viviendas refleja el cambio en los determinantes de la demanda en el mercado inmobiliario. Este parámetro puede recoger por tanto los cambios en las condiciones de financiación, la bajada de la renta de las familias además de otros factores coyunturales como las bajas expectativas de crecimiento y la baja rentabilidad esperada por los inversores que antes invertían en este sector.

Por último entre las variables expresadas en logaritmos tenemos que la elasticidad más importante en este caso es la de la superficie da la vivienda Lsupvvda_t, aumentado el valor del metro cuadrado de vivienda en un 0’7% por cada 1% de aumento en la superficie.

Después de estos resultados queda clara la dependencia espacial del valor de las viviendas y que la especificación de un modelo sin tener esto en cuenta puede llevar a importantes errores a la hora de interpretar los resultados. La inclusión de la econometría espacial en el análisis extrae distorsiones de los modelos y los ayudan a ser más realistas. En todos los casos hay varios puntos porcentuales de diferencia aunque el orden de magnitud es similar. Además en este caso queda bastante patente que en la comarca de la Vega Baja tenemos, como cabía esperar, unos precios ofertados de la vivienda mayores en las zonas con mejor entorno y de segunda residencia.

Análisis de transmisibilidad de precios entre la costa y el interior (SL + SE)

El parámetro que recoge la intensidad de las interdependencias de las observaciones resulta 0,61 y muy significativo. Este valor y el tipo de núcleo TipoNucleo (en este caso capital comarcal para Orihuela) pueden recoger el efecto de que únicos valores de observaciones distintos de cero para la varible dependiente son los de la capital Orihuela. Esto es por pura definición de la variable y el modelo encuentra alta correlación en la situación espacial de los valores de Orihuela y por otra parte del resto de observaciones, cuyo valor en este caso es cero.

El parámetro de autocorrelación de los errores espaciales resulta en este caso 0,43 también altamente significativo. Este parámetro recoge la correlación de los errores cometidos por variables no observables en las observaciones.

El resultado más significativo en este caso es que según este modelo sí que existe relación entre los precios de las viviendas de la costa y los precios de la vivienda de la capital. Según este modelo por cada 1% que suben los precios en la costa bajan un 0,23% en la capital. Otra forma más acorde con las circunstancias de bajada de precios del mercado inmobiliario en este periodo es que por cada 1% de bajadas de precios producidas en la costa, las viviendas en la capital se han apreciado un 0,23%. Esto significa que se ha producido un efecto sustitución.

Una buena pregunta sería por qué se ha producido un efecto sustitución entre las viviendas de estas dos regiones y no un efecto arrastre. Podría ser por el siguiente motivo: los inversores en el ciclo alcista del mercado de la vivienda prefieren invertir en mercados que les proporcionarán más rentabilidad, como pueden ser los de la costa respecto de los del interior. La revalorización de estas casas más rápido que las de una zona del interior las hace más atractivas como inversión. Sin embargo, en el periodo estudiado el precio de las viviendas ha bajado según lo estudiado anteriormente casi un 30% y sabemos que esta bajada se produce de forma más intensa en la costa por ser más dinámica. Es por esto que en periodos de bajadas de precios de las viviendas los inversores pueden dirigir sus compras hacia regiones con mercados más estables como puede ser el de la capital administrativa de la comarca. De esta forma se puede estar produciendo un efecto sustitución entre las inversiones en la costa y en el interior que puede estar haciendo que la inversión en viviendas se concentre principalmente en la capital comarcal. Es decir, podemos estar observando que la demanda de viviendas cambia en función de la fase del ciclo del valor de las viviendas se esté produciendo.

Por otra parte puede estar sucediendo que cambien las condiciones de financiación de las viviendas y los bancos, ante la falta de expectativas de rentabilidad en las viviendas de la costa, dejen de conceder hipotecas en estas zonas de segunda residencia, mientras que en la capital se mantenga estable la concesión de hipotecas para primeras viviendas. Habría que estudiar espacialmente los créditos concedidos, las migraciones, …, es decir habría que hacer un estudio detallado de que cambios en los factores de determinación de la demanda de vivienda han cambiado para ver las razones concretas de la relación inversa en la variación de precios de la vivienda entre el interior y la costa.

Por esto podemos decir que sí se da una relación entre los precios de las viviendas entre el interior y la corta. Podemos observar dónde se encuentran los clusters de mayores precios en el Mapa 17. Este mapa se ha obtenido multiplicando la matriz de pesos espaciales por los precios de las viviendas, obteniendo como resultado una variable que mide la interrelación espacial de los precios de las viviendas. Como se puede observar las interrelaciones de viviendas con mayores precios se encuentran en la costa en primera línea de playa y en el centro del casco urbano de Orihuela.

Tabla 9 y Mapa 16: En la gama de colores cálidos se reflejan los valores de mayor interrelación del precio de la vivienda mientras que en la gama de colores fríos la menor.


5 Conclusiones

En este trabajo fin de grado he realizado múltiples tareas todas ellas para conseguir entender y llevar a cabo un proceso de investigación de economía aplicada más o menos sencillo. El objetivo principal ha sido acercarme a las tareas de la investigación, en este caso a través de un campo que me interesa, como el sector de la vivienda, en la Vega Baja, la comarca donde vivo. Para hacer esto me he acercado por primera vez a campos específicos de la economía como la econometría espacial y también a herramientas que no había utilizado anteriormente como SPSS Statistics, ArcGIS, GeoDa y GeoDa Space.

El proceso comenzó arreglando la base de datos, comprendiendo sus categorías y como se obtuvieron las observaciones. Una vez categorizada, aprendí a extraer los datos de la región que quería estudiar y a desechar aquellos que por equivocaciones en la toma de datos eran incongruentes con las variables a estudiar. Después seleccionamos las variables específicas que podían ser de interés para el modelo de precios de vivienda que quería estudiar. Al acabar con esta tarea pude realizar el estudio mediante el estadístico I de Moran de la autocorrelación espacial de las observaciones. Por último, realicé las regresiones y las analicé.

Como objetivo principal concreto del documento es un análisis espacial de los para los precios en las viviendas, es decir, queremos ver la relación que existe entre los precios de viviendas en zonas bien diferenciadas dentro de una región con costa, interior y capital histórica administrativa también en el interior.

Los resultados obtenidos más claros e importantes son que efectivamente existe autocorrelación espacial en los precios ofertados de las viviendas. Que esta relación es más intensa en la primera línea de las ciudades costeras y en el centro administrativo histórico de la comarca. Es decir, el efecto difusión de precios entre viviendas resulta positivo y con relación de valor alto-alto mientras que otras zonas de interior y otras viviendas situadas en el interior de las ciudades costera tienen una relación más clara de difusión de precios bajos-bajos. También podemos concluir que existe cierta correlación entre el valor ofertado de las viviendas y su edad o su superficie en función de su situación en el espacio. Por otro lado también hemos observado el fenómeno del ‘rent gradient’ como resultado de los precios de una ciudad en la costa.

Los resultados obtenidos en las regresiones corroboran la existencia de autocorrelación espacial. Las variables explicativas más importantes, o con mayor efecto en el valor de las viviendas son la superficie, el carácter del entorno, la renta y el tipo de residencia. El resto de variables también resultan significativas (casi todas las estudiadas) pero con efectos de menor orden de

magnitud. Además hemos podido captar en el estadístico del tiempo la importante bajada de la valoración de la vivienda en la crisis actual durante el periodo 2008-2012. Por lo tanto existen diferencias en la variación de precios entre distintas zonas y la utilización de técnicas de econometría espacial nos posibilita hacer un estudio más riguroso de las características que producen las diferencias de precios de las viviendas.

Por último, podemos concluir se produce un efecto sustitución entre las viviendas del interior y de la costa que puede venir del hecho de que la inversión se desplace de zonas más dinámicas a zonas más estables en épocas convulsas para evitar los riesgos asociados a la mayor rentabilidad de los mercados de la costa. Habría que hacer un estudio detallado de los cambios en los determinantes de las demandas que han producido este efecto.

Las implicaciones principales de estos resultados es que efectivamente el valor de las viviendas está fuertemente asociado a su situación geográfica y a las características del entorno que van vinculadas a este. Por otra parte parece claro que los cambios en los determinantes de la demanda de viviendas han producido una elevada contracción de los precios. Para que estos se recuperen hará falta que vuelvan a cambiar estos condicionantes. Además otra implicación es que si omitimos el análisis con econometría espacial tenemos que podemos llegar a conclusiones sesgadas y a interpretaciones, en nuestro caso, sobreestimaciones de las que finalmente han resultado ser, puesto que los parámetros específicos de econometría espacial recogen efectos que omitidos en una regresión MCO básica. Por último, las inversiones que se dirijan a mercados más estables podrían acelerar la caída de los precios en los mercados más dinámicos acentuando la caída o subida más acelerada de los precios de las viviendas en estas zonas. De esta forma se incrementan los incentivos a la construcción de vivienda nueva en épocas procíclicas del mercado y se desincentiva en épocas de recesión lo que no ayuda a estabilizar la marcha de la economía.

Anexo: Tablas

Tabla 2: Variables finalmente seleccionadas para el análisis

Nombre de la variable Categorías Descripción 1 t Tiempo en años Año 2 CodPostal Código postal Código postal 3 LvalorO_t Log del precio ofertado Ln valor ofertado testigo 4 LvalOm2_t Log del precio ofertado por metro cuadrado Ln valor ofertado m2 testigo 5 LPobDer Log de la población Ln de la población de derecho 6 TipoNucleo 1 = Dependiente de otra población;

2 = Núcleo autónomo; 3 = Cabecera comarcal; 4 = Capital de provincia

Tipo de núcleo de la población

7 ActDom 1 = Agrícola; 2 = Industrial; 3 = Turística; 4 = Servicios; 5 = Múltiple

Actividad dominante en la zona

8 CarEntorno 1 = 1ª Residencia; 2 = Mixto de 1ª y 2ª Residencia; 3 = 2ª Residencia

Carácter del entorno

9 EstAlumb 1 = Aceptable; 2 = Bueno; 3 = Muy bueno Estado del alumbrado 10 EstVias 1 = Aceptable; 2 = Bueno; 3 = Muy bueno Estado de las vías 11 EqComer 1 = Deficiente; 2 = Básico; 3 = Aceptable; 4 = Bueno;

5 = Muy bueno Calidad del equipamiento comercial

12 EqEscolar 0 = No existe; 1 = Solo existe en casco urbano; 2 = Escaso; 3 = Limitado; 4 = Suficiente; 5 = De todo tipo

Equipamiento escolar

13 EqRelig Ídem EqEscolar Equipamiento religioso 14 EqLudico Ídem EqEscolar Equipamiento lúdico 15 EqDeport Ídem EqEscolar Equipamiento deportivo 16 EqAsist Ídem EqEscolar Equipamiento asistencial 17 Bus 0 = No existe; 1 = Existe en el municipio;

2 = Suficiente; 3 = Red urbana; 4 = Red interurbana Disponibilidad de líneas de autobús

18 Tren 0 = No existe; 1 = Existe en las cercanías; 2 = Existe en el municipio

Disponibilidad de parada de tren

19 CrecimPob 0 = Negativo; 1 = Estable; 2 = Positivo Crecimiento de la población (continúa)

Nombre de la variable Categorías Descripción 20 Lvivedi_t Log del número de viviendas en el edificio Ln viviendas totales en el edificio 21 Ledad_t Log de la edad corriente del edificio desde su construcción Ln edad corriente 22 Lsupvvda_t Log de la superficie de la vivienda en m2 Ln superficie de la vivienda 23 Lplantas_t Log del número de plantas en la vivienda Ln plantas totales 24 tipo_t 1 = Edificio entre medianeras; 2 = Edificación abierta;

3 = Edificación abierta con urbanización Tipología de la edificación

25 LAscEdif_t Log de número de ascensores en la edificación Ln del número de ascensores en la edificación 26 EntComer_t 1 = Deficiente; 2 = Básico; 3 = Aceptable; 4 = Bueno;

5 = Muy bueno Calidad del entorno comercial

27 Renta_t 1 = Muy Baja; 2 = Baja; 3 = Media-Baja; 4 = Media-VPO; 5 = Media-Alta; 6 = Alta; 7 = Muy alta

Nivel de renta

28 Orient_t 1 = Norte; 2 = Oeste; 3 = Noroeste; 4 = Noreste; 5 = Sureste; 6 = Este; 7 = Sur; 8 = Sureste

Orientación

29 Vistas_t 0 = Zona degradada; 1 = Calle muy estrecha; 2 = Avda. o calle; 3 = 2ª Línea de mar; 4 = Plaza-paseo-urbanización; 5 = 1ª Línea de mar; 6 = Excepcional

Calidad de las vistas

30 CalConst_t 1 = Muy mala; …; 6 = Muy buena Calidad constructiva 31 CalUrb_t 0 = No existe; 1 = Zonas verdes; 2 = ZV + Piscina;

3 = ZV + Piscina + 1 Pista deportiva; 4 = ZV + Piscina + Pistas deportivas o club social

Calidad de la urbanización

32 TipoResi_t 1 = 1ª Residencia; 2 = 2ª Residencia o 1ª Excepcional Tipo de residencia 33 LPExter_t Log número de piezas exteriores de la vivienda Ln del número de piezas exteriores de la vivienda 34 LPTotal_t Log número de piezas totales de la vivienda Ln del número de piezas totales de la vivienda 35 LNDorm_t Log número de dormitorios Ln del número de dormitorios 36 LNBanyos_t Log número de baños Ln del número de baños 37 Long_t Longitud georreferenciada de la vivienda Longitud 38 Lat_t Latitud georreferenciada de la vivienda Latitud 39 POrihuela Si la observación está en el casco urbano de Orihuela = LvalorO_t

En caso contrario = 0 Ln de los precios de las viviendas del casco urbano de Orihuela

40 PCosta Si la observación está en la costa = LvalorO_t En caso contrario = 0

Ln de los precios de las viviendas del situadas en la costa

Tabla 2: Variables seleccionadas de la base de datos. Fuente: Elaboración propia a partir de la base de datos.

Tabla 7: Resultados de las regresiones con variable dependiente valor ofertado de la vivienda MCO Spatial lag (SL) Spatial error (SE) Spatial lag + Spatial error (SL+SE)

y=Lvalom2O_t Mínimos Cuadrados Ordinarios Modelo autorregresión espacial Modelo de autorregresión espacial Modelo de autorregresión espacial β t β z β z β z

Constante 154,3436 88,99 *** 147,5298 92,06 *** 150,2723 84,63 *** 149,0581 85,14 ***

ActDom 0,0239 19,09 *** 0,0176 15,15 *** 0,0147 12,03 *** 0,0131 10,96 ***

Bus 0,0022 1,23

0,0018 1,14

-0,0030 -1,61

-0,0013 -0,74

CalConst_t 0,0328 16,24 *** 0,0326 17,64 *** 0,0294 12,81 *** 0,0307 13,76 ***

CalUrb_t 0,0018 0,71

0,0029 1,27

0,0094 3,39 *** 0,0067 2,46 **

CarEntorno 0,1037 37,20 *** 0,0785 29,35 *** 0,0862 25,11 *** 0,0717 21,93 ***

CrecimPob -0,0174 -3,28 *** -0,0153 -3,15 *** -0,0162 -4,00 *** -0,0146 -3,57 ***

EntComer_t 0,0241 12,94 *** 0,0160 9,27 *** 0,0120 5,22 *** 0,0100 4,59 ***

LAscEdif_t 0,0064 15,45 *** 0,0054 14,10 *** 0,0058 12,59 *** 0,0053 12,24 ***

Ledad_t -0,0512 -38,57 *** -0,0442 -35,73 *** -0,0523 -34,32 *** -0,0471 -33,03 ***

LNBanyos_t 0,0462 7,25 *** 0,0324 5,54 *** 0,0279 4,28 *** 0,0246 3,78 ***

LNDorm_t 0,0405 4,25 *** 0,0450 5,15 *** 0,0244 2,55 ** 0,0343 3,57 ***

LPExter_t 0,0330 15,84 *** 0,0295 15,44 *** 0,0314 8,02 *** 0,0301 7,41 ***

Lplantas_t -0,0024 -0,68

-0,0110 -3,42 *** -0,0091 -3,11 *** -0,0153 -5,18 ***

LPobDer 0,0116 7,42 *** 0,0104 7,23 *** 0,0173 9,83 *** 0,0144 8,54 ***

LPTotal_t -0,0556 -3,22 *** -0,0280 -1,76

-0,0263 -1,52

-0,0138 -0,77

Lsupvvda_t 0,7565 82,06 *** 0,6719 75,92 *** 0,7438 64,85 *** 0,6953 61,00 ***

Lvivedi_t -0,0283 -18,08 *** -0,0227 -15,73 *** -0,0200 -11,17 *** -0,0196 -11,72 ***

Orient_t 0,0049 10,04 *** 0,0045 10,13 *** 0,0047 10,03 *** 0,0045 9,82 ***

Renta_t 0,1585 34,13 *** 0,1231 28,01 *** 0,1285 19,25 *** 0,1108 17,25 ***

t -0,0750 -86,78 *** -0,0722 -90,68 *** -0,0728 -82,31 *** -0,0730 -83,73 ***

TipoNucleo 0,0474 15,50 *** 0,0379 13,45 *** 0,0229 8,73 *** 0,0237 9,12 ***

TipoResi_t 0,4622 87,97 *** 0,4133 81,80 *** 0,4375 67,21 *** 0,4093 67,06 ***

tipo_t 0,0445 14,55 *** 0,0368 13,12 *** 0,0450 11,56 *** 0,0376 10,18 ***

Tren 0,0146 7,51 *** 0,0120 6,72 *** 0,0011 0,59

0,0044 2,32 **

Vistas_t 0,0673 41,98 *** 0,0562 37,26 *** 0,0541 27,62 *** 0,0506 26,56 ***

ρ

0,2065 31,74 ***

0,2149 24,75 ***

λ

0,6508 53,56 *** 0,4930 31,88 ***

MCO Spatial lag (SL) Spatial error (SE) Spatial lag + Spatial error (SL+SE)

R2 0,7859

Pseudo R2 0,8204

Pseudo R2 0,7802

Pseudo R2 0,8197

R2 ajustado 0,7857

Pseudo R2 espacial

0,7922

Pseudo R2 espacial

0,7874

Error estándar

0,178

Residuos 712.348

Diagnóstico de dependencia espacial F 3.283,365

TEST Coeficiente P-valor

P-valor (F) 0

Anselin-Kelejian

2.122 0,0000 ***

Diagnóstico de dependencia espacial TEST Coeficiente P-valor Moran's I

(error) 103,650 0,0000 ***

Lagrange Multiplier

5.676,654 0,0000 ***

Robust LM (lag)

724,778 0,0000 ***

Lagrange Multiplier

10.536,153 0,0000 ***

Robust LM (error)

5.584,277 0,0000 ***

Lagrange Multiplier

11.260,932 0,0000 ***

Leyenda *** Significativo al 1% ** Significativo al 5% Parámetros no significativos

Tabla 7: Resultados de las regresiones Fuente: Elaboración propia a partir del software GeoDa Space

Tabla 8: Resultado de la regresión con valor dependiente precio de las viviendas de Orihuela

y = POrihuela Spatial lag + Spatial error (SL+SE)

β z

Constante -10,4418 -25,97 ***

Pcosta -0,2303 -48,62 ***

ActDom 0,0915 8,22 ***

Bus -0,0247 -1,72

CalConst_t 0,0061 0,38

CalUrb_t 0,0744 5,04 ***

CarEntorno 0,5339 20,90 ***

CrecimPob -0,3558 -9,01 ***

EntComer_t 0,1298 7,69 ***

EqComer 0,1110 7,84 ***

Ledad_t -0,0440 -4,18 ***

LNBanyos_t 0,1034 2,09 **

LNDorm_t 0,1138 1,54

LPExter_t 0,0060 0,38

LPobDer 0,4966 32,15 ***

LPTotal_t -0,2374 -1,80

Lsupvvda_t 0,1837 2,47 **

Lvivedi_t -0,0139 -1,38

Orient_t -0,0026 -0,67

Renta_t 0,1153 2,95 ***

TipoNucleo 1,7869 70,13 ***

TipoResi_t 0,5151 11,37 ***

Tren 0,6000 34,65 ***

Vistas_t 0,0925 6,94 ***

ρ 0,6133 84,32 ***

λ 0,4398 30,52 ***

Pseudo R2 0,8980

Pseudo R2 espacial 0,8418

Tabla 8: Estudio de la relación entre los precios de la costa y la capital administrativa

Fuente: Elaboración propia a partir del software GeoDa Space

Bibliografía

Abraham, J. M., & Hendershott, P. H. (1992). Patterns and determinants of metropolitan house prices, 1977-91. NBER working paper, (w4196).

Anselin, L. (1988). Spatial econometrics: methods and models (Vol. 4). Springer.

Anselin, L. (2003). GeoDa™ 0.9 user’s guide. Urbana, 51, 61801.

Anselin, L. (2004). Exploring spatial data with GeoDaTM: a workbook. Urbana, 51, 61801.

Anselin, L., Syabri, I., & Kho, Y. (2006). GeoDa: an introduction to spatial data analysis. Geographical analysis, 38(1), 5-22.

Bodson, P., & Peeters, D. (1975). Estimation of the coefficients of a linear regression in the presence of spatial autocorrelation. An application to a Belgian labour-demand function. Environment and Planning A, 7(4), 455-72.

Case, A. C., Rosen, H. S., & Hines Jr, J. R. (1993). Budget spillovers and fiscal policy interdependence: Evidence from the states. Journal of public economics,52(3), 285-307.

Cliff, A. D., & Ord, J. K. (1981). Spatial processes: models & applications (Vol. 44). London: Pion.

DiPasquale, D., & Wheaton, W. C. (1996). Urban economics and real estate markets (Vol. 23, No. 7). Englewood Cliffs, NJ: Prentice Hall.

Ferranz Ricarte, R. (2006). La financiación del boom de la vivienda. Papeles de economía española, (109), 214-224. Fundación de las Cajas de Ahorro, Madrid.

Glaeser, E. L., Gyourko, J., & Saiz, A. (2008). Housing supply and housing bubbles. Journal of Urban Economics, 64(2), 198-217.

Holmes, M. J., & Grimes, A. (2008). Is there long-run convergence among regional house prices in the UK?. Urban Studies, 45(8), 1531-1544.

Meen, G. (1999). Regional house prices and the ripple effect: a new interpretation. Housing Studies, 14(6), 733-753.

Moran, P. A. (1948). The interpretation of statistical maps. Journal of the Royal Statistical Society. Series B (Methodological), 10(2), 243-251.

Rodríguez López, J. (2006). Los booms inmobiliarios en España. Un análisis de tres períodos. Papeles de Economía Española, (109), 76-90. Fundación de las Cajas de Ahorro, Madrid.

Samuelson, P. A. & Nordhaus, W. D., (2002). Economía. McGraw-Hill.

Serrano, R. M., & Valcarce, E. V. (2000). Técnicas econométricas para el tratamiento de datos espaciales: la econometría espacial (Vol. 44). Edicions Universitat Barcelona.

Smith, L. B., Rosen, K. T., & Fallis, G. (1988). Recent developments in economic models of housing markets. Journal of economic literature, 29-64.

Taltavull de la Paz, P. (2001). Economía de la construcción. Civitas Ediciones, Madrid.

Taltavull de la Paz, P. (2013). Sector de la construcción y mercado de la vivienda. Lecciones de Economía Española (pp. 179-190). Civitas Ediciones, Madrid.

Los precios de la vivienda entre mercados: efectos de transmisión y … · 2017-11-11 · y debido...

Documents

Transcript of Los precios de la vivienda entre mercados: efectos de transmisión y … · 2017-11-11 · y debido...