MERCADO DE LA VIVIENDA EN ESPAÑA

J. Cristian González Cerezo

53370820X

ÍNDICE

• Resumen Pág. 1

• Introducción Pág. 2

• Datos Pág. 5

• Resultados Pág. 12

• Conclusiones Pág. 34

• Bibliografía Pág. 34

Mercado de la vivienda en España

• Resumen La vivienda es un bien de consumo duradero y un activo. Como bien de consumo produce servicios de alojamiento y como activo puede aportar al propietario una rentabilidad, en caso de alquiler, o una ganancia en caso de reventa.

La oferta de vivienda está integrada por el parque de viviendas existente; y la demanda guarda una estrecha correlación con la evolución del número de hogares y con las expectativas de revalorización.

En los últimos años, se considera que el proceso de auge en España se inició en 1998, siendo el 2002 el año que más se elevaron los precios (18,1%), perdiendo fuerza en 2007.

El principal síntoma de la burbuja inmobiliaria fue el incremento anormal de los precios muy por encima del IPC y de las rentas, incrementos que se explican principalmente recurriendo a factores externos, como la falta de suelo edificable, los beneficios fiscales concedidos a la adquisición de vivienda, la inmigración, la especulación y la recalificación de suelos, así como el exceso de crédito.

La burbuja inmobiliaria tuvo su inicio en 1997 y se ha prolongado hasta 2007, manifestándose principalmente en una elevación sostenida de los precios superior al 10% anual y llegando en algunos años hasta cerca del 30% anual.

El resultado de la explosión de la burbuja ha sido una brusca caída de la demanda y de los precios provocado por la incapacidad del mercado para absorber la enorme oferta de vivienda construida y vacía disponible.

Los principales objetivos a tratar son el comportamiento del mercado de la vivienda, en particular el comportamiento de la inversión en vivienda y los precios. Igualmente introduciremos en el modelo el factor de la burbuja inmobiliaria, que ha supuesto un cambio en el valor y en la tendencia de las variables de estudio.

El ámbito de aplicación del modelo será el conjunto de España.

• Introducción

El objetivo de este trabajo el mercado de la vivienda en España. España los últimos años, representando un porcPIB, siendo uno de los grandes motores de la economía españolaes un bien básico de primera necesidad, pero se convirtió en un bien especulativo con el que generar riqueza a ha dado durante el boom inmobiliario.

Todo esto me ha motivado a realizar este modelo econométrico, con el fin de conocer más en profundidad el comportamiento de este mercado tan importante.

En cuanto a la bibliografíasector adoptan normalmente la forma de modelos globales para describir el mercado de la vivienda o de una ecuación explicativa de la inversión residencial, y en algunos casos de los precios. Aunque todos ellos tienen como finalidad el análisis de cuestiones bastante similares, se diferencian unos de otros en aspectos tales como nivel de desagregación, variables explicativas, formulacinúmero de ecuaciones estimadas.

Diferentes cuadros y gráficos descriptivos:

de este trabajo es encontrar una respuesta sobre cómo funciona el mercado de la vivienda en España. Este mercado ha sido muy importante en

a los últimos años, representando un porcentaje muy elevado sobre el uno de los grandes motores de la economía española

es un bien básico de primera necesidad, pero se convirtió en un bien especulativo con el que generar riqueza a costa de las grandes plusvalías que ha dado durante el boom inmobiliario.

Todo esto me ha motivado a realizar este modelo econométrico, con el fin de conocer más en profundidad el comportamiento de este mercado tan

En cuanto a la bibliografía he observado que los estudios empíricos para el sector adoptan normalmente la forma de modelos globales para describir el mercado de la vivienda o de una ecuación explicativa de la inversión residencial, y en algunos casos se centran en una ecuación de determinación

Aunque todos ellos tienen como finalidad el análisis de cuestiones bastante similares, se diferencian unos de otros en aspectos tales como nivel de desagregación, variables explicativas, formulacinúmero de ecuaciones estimadas.

Diferentes cuadros y gráficos descriptivos:

es encontrar una respuesta sobre cómo funciona Este mercado ha sido muy importante en

entaje muy elevado sobre el uno de los grandes motores de la economía española. La vivienda

es un bien básico de primera necesidad, pero se convirtió en un bien costa de las grandes plusvalías que

Todo esto me ha motivado a realizar este modelo econométrico, con el fin de conocer más en profundidad el comportamiento de este mercado tan

he observado que los estudios empíricos para el sector adoptan normalmente la forma de modelos globales para describir el mercado de la vivienda o de una ecuación explicativa de la inversión

se centran en una ecuación de determinación Aunque todos ellos tienen como finalidad el análisis de

cuestiones bastante similares, se diferencian unos de otros en aspectos tales como nivel de desagregación, variables explicativas, formulación dinámica y

• Datos

Los datos utilizados serán temporales mensuales y comprenderán el período septiembre de 2005 – junio de 2011. Las variables y características de sus datos son:

- IR (Inversión residencial): Producto Interior Bruto a precios de mercado. Unidades en millones de euros y tasas. Datos corregidos de efectos estacionales y de calendario. Fuente: INE.

- P (Precio nominal por metro cuadrado): Datos nominales. Fuente: Facilísimo.

- IPC (Índice de precios de consumo): Índice general con base 2006. Fuente: INE.

- N (Población total): Estimación de la población calculada a partir del censo de 2001. Unidades por persona. Fuente: INE.

- CMO (Costes de mano de obra): Índice de precios con base 01/1964. Fuente: INE.

- CMC (Costes de materiales de construcción): Índice de precios con base 01/1964. Fuente: INE.

- TIN (Tipo de interés de los préstamos hipotecarios): Tipo de interés legal del mercado hipotecario, media ponderada de los préstamos a más de 3 años del conjunto de entidades. Fuente: INE.

- YD (Renta disponible de los hogares): Renta disponible bruta. Unidades en millones de euros y tasas. Fuente: INE.

- T (Población de 20 a 34 años): Unidades en personas. Fuente: INE.

IR Inversión residencial P Precio nominal por metro cuadrado

IPC Índice de precios de consumo N Población total

CMO Costes de mano de obra CMC Costes de materiales de construcción TIN Tipo de interés de los préstamos hipotecarios YD Renta disponible de los hogares T Población de 20 a 34 años

Estadísticos principales, usando las observaciones 2005:09 - 2011:06

Variable Media Mediana Mínimo Máximo IR 18764.6 21105.0 11200.0 24583.0 P 2288.14 2318.50 1988.00 2521.00

IPC 105.159 106.387 97.3530 112.514 N 4.51793e+007 4.55934e+007 4.33982e+007 4.61529e+007

CMO 359.990 363.875 336.880 381.360 CMC 14398.5 14321.7 11425.4 17973.3 TIN 4.14146 3.83650 2.67400 6.26500 YD 253497. 253948. 214345. 277799. T 1.02262e+007 1.04080e+007 9.25352e+006 1.04738e+007

Variable Desv. Típica. C.V. Asimetría Exc. de curtosis

IR 4997.53 0.266327 -0.304924 -1.60196 P 166.972 0.0729728 -0.230108 -1.34172

IPC 4.03057 0.0383282 -0.247915 -0.937161 N 920318. 0.0203703 -0.584080 -1.11507

CMO 12.0273 0.0334100 -0.267529 -0.978947 CMC 1686.80 0.117151 0.319005 -0.705487 TIN 1.17867 0.284603 0.318815 -1.35688 YD 14314.2 0.0564669 -0.238218 -0.467358 T 297946. 0.0291357 -1.23777 0.509584

Coeficientes de correlación, usando las observaciones 2005:09 - 2011:06 valor crítico al 5% (a dos colas) = 0.2352 para n = 70

IR P IPC N CMO

1.0000 0.9802 -0.7514 -0.7836 -0.7546 IR 1.0000 -0.7044 -0.7024 -0.7072 P 1.0000 0.9395 0.9994 IPC 1.0000 0.9427 N 1.0000 CMO CMC TIN YD T -0.4778 0.7610 -0.3310 0.8978 IR -0.4833 0.7779 -0.2735 0.9029 P 0.7431 -0.2128 0.7105 -0.7201 IPC 0.5761 -0.2759 0.5733 -0.6552 N 0.7368 -0.2166 0.7038 -0.7178 CMO 1.0000 -0.1454 0.4498 -0.6603 CMC 1.0000 0.0839 0.7076 TIN 1.0000 -0.3505 YD 1.0000 T

GRÁFICOS:

IR

P

IPC

N

CMO

CMC

TIN

YD

T

• Resultados

Las dos variables a explicar serán IR, P. Y las candidatas a variables explicativas son: IPC, N, CMO, CMC, TIN, YD, T.

Especificación del modelo:

IRt = α1 + α2 Pt + α3 IPCt + α4 Nt + α5 CMOt + α6 CMCt + u1t

Pt = β1 + β2 IPCt + β3 TINt + β4 YDt + β5 Nt + β6 Tt + u2t

Identificación:

A =

�������−10α2 − 1α3β2α4β5α50α600β30β40β6�

������

1ª Ecuación:

Método del orden.

e’ > g – 1 ¿Sobreidentificada?

3 > 1

Método del rango.

ρ (A0) = ρ �β3β4β6� = 1 = g – 1 -> Identificada -> Sobreidentificada

2ª Ecuación:

Método del orden.

e’ > g – 1 ¿Sobreidentificada?

3 > 1

Método del rango.

ρ (A0) = ρ �−1α5α6� = 1 = g – 1 -> Identificada -> Sobreidentificada

Las dos ecuaciones del modelo están sobreidentificadas por lo que el modelo está sobreidentificado. Los métodos de estimación posibles son MCO, MC2E y MC3E.

MCO:

PRIMERA ECUACIÓN:

SEGUNDA ECUACIÓN:

MCO :

En la estimación por MCO los coeficientes de IPC, CMO, CMC y de la constante de la primera ecuación no son significativos. Y en la segunda ecuación no lo son los de N y T. A pesar de esto tenemos un R2 en ambas ecuaciones muy elevado, que indica que la variable dependiente (IR y P) están explicadas por las variables independientes en un alto porcentaje.

MC2E:

MC3E:

Tanto en la estimación por MC2E como en MC3E siguen apareciendo algunos coeficientes como no significativos en el modelo. En MC3E el modelo mejora un poco en cuanto a la significación pero siguen sin ser todos sus coeficientes significativos.

Eliminamos algunas variables del modelo para intentar mejorarlo.

IRt = α1 + α2 Pt + α3 CMOt + α4 CMCt + u1t

Pt = β1 + β2 IPCt + β3 TINt + β4 YDt + β5 Tt + u2t

Identificación:

A =

������−10α2 − 1α30α400β20β30β40β5 �

�����

1ª Ecuación:

Método del orden.

e’ > g – 1 ¿Sobreidentificada?

4 > 1

Método del rango.

ρ (A0) = ρ �β2β3β4β5� = 1 = g – 1 -> Identificada -> Sobreidentificada

2ª Ecuación:

Método del orden.

e’ > g – 1 ¿Sobreidentificada?

3 > 1

Método del rango.

ρ (A0) = ρ �−1α3α4� = 1 = g – 1 -> Identificada -> Sobreidentificada

MCO:

PRIMERA ECUACIÓN:

Contraste ANOVA

El contraste ANOVA nos indica que el modelo es significativo a partir del 1% de significación. Ya que el p-valor queda por debajo del valor de F (3, 66). Siendo 3 = m = número de parámetros de las variables explicativas y 66 = n – k = tamaño de la muestra menos número de parámetros de la ecuación.

Contraste de normalidad de las perturbaciones

En este gráfico se representa el histograma de los residuos y la distribución normal. Se observa que el histograma es asimétrico a la derecha y leptocúrtico.

El gráfico Q-Q Normal nos permite estudiar la normalidad de los residuos. La nube de puntos debería ajustarse a la bisectriz para aceptar que las perturbaciones son normales. En nuestro caso se ajusta bastante bien. Realizamos un contraste de normalidad:

El contraste de Jarque-Bera tiene un valor p superior a 0,05 luego aceptamos la hipótesis de normalidad al 95% de confianza.

Contraste de cambio estructural mediante el test de Chow

Dividimos la muestra en 2007:09, fecha en la cual la inversión en vivienda cambia de tendencia.

Se rechaza la hipótesis nula de que los coeficientes son iguales, por lo que existe cambio estructural en el modelo con el cambio de tendencia en el mercado debido a la crisis.

Multicolinealidad

Observamos que no existe problema de multicolinealidad entre las variables de nuestro modelo.

Heterocedasticidad

Se acepta la hipótesis nula de homocedasticidad al 95% de confianza.

Autocorrelación

Los residuos no siguen el mismo patrón durante toda la serie. La tendencia se ve modificada en 2007, luego en 2008 y finalmente en 2010.

Se rechaza la hipótesis nula de no autocorrelación.

Ahora el contraste es el siguiente:

Se rechaza la hipótesis nula de no autocorrelación. Sin embargo, mejora bastante el valor p, casi llegamos a aceptarla.

SEGUNDA ECUACIÓN:

Contraste ANOVA

El contraste ANOVA nos indica que el modelo es significativo a partir del 1% de significación. Ya que el p-valor queda por debajo del valor de F (4, 65). Siendo 4 = m = número de parámetros de las variables explicativas y 65 = n – k = tamaño de la muestra menos número de parámetros de la ecuación.

Contraste de normalidad de las perturbaciones

En este gráfico se representa el histograma de los residuos y la distribución normal. Se observa que el histograma es asimétrico a la izquierda.

El gráfico Q-Q Normal nos permite estudiar la normalidad de los residuos. La nube de puntos debería ajustarse a la bisectriz para aceptar que las perturbaciones son normales. En nuestro caso no ocurre así.

Como era de esperar por el gráfico Q-Q Normal el contraste de Jarque-Bera tiene un valor p muy inferior a 0,05 luego rechazamos la hipótesis de normalidad al 95% de confianza.

Una solución a este problema consiste en transformar nuestra variable explicada tomando logaritmos y estimar el modelo con la nueva variable logarítmica.

Estos resultados no son comparables al modelo anterior ya que se ha transformado la variable explicada.

A pesar de usar logaritmo no hemos conseguido solucionar el problema de la no normalidad de las perturbaciones.

Contraste de cambio estructural mediante el test de Chow

Dividimos la muestra en 2007:07, fecha en la cual el precio por metro cuadrado cambia de tendencia.

Se rechaza la hipótesis nula de que los coeficientes son iguales, por lo que existe cambio estructural en el modelo con el cambio de tendencia en el mercado debido a la crisis.

Multicolinealidad

Observamos que no existe problema de multicolinealidad entre las variables de nuestro modelo.

Heterocedasticidad

Se acepta la hipótesis nula de homocedasticidad al 95% de confianza.

Autocorrelación

Se rechaza la hipótesis nula de no autocorrelación.

Ahora el contraste es el siguiente:

Se rechaza la hipótesis nula de no autocorrelación. Sin embargo, mejora bastante el valor p, casi llegamos a aceptarla.

• Conclusiones Existe una gran variedad de estudios sobre el mercado de la vivienda. En mi búsqueda de información encontré muchos modelos diferentes e intenté sacar las cosas en común entre ellos y las que pensé que más se ajustaban al modelo que quería desarrollar. Las variables a explicar han sido la inversión en vivienda y el precio por metro cuadrado. Incluí en un primer modelo las principales variables que podían explicarlas pero el modelo resultó demasiado complejo y con diferentes problemas. Estos problemas los estudié pero no los reflejé en el trabajo por resultar demasiado extenso. Con la exclusión de variables muchos de estos problemas se han solventado, sobretodo en la ecuación de inversión en vivienda. En la ecuación de precio por metro cuadrado no se han llegado a solucionar pero sí ha mejorado bastante. La conclusión general es que el modelo estimado ha sido bastante bueno aunque con algunas incoherencias en los resultados, como el signo de algunas variables.

• Bibliografía

Los diferentes modelos que he encontrado y en los que he basado mi propio modelo se detallan a continuación:

- AGUAYO, E., GUISÁN, M.C. y RODRÍGUEZ, X. A. (2001). Impacto de la industria y el turismo en el crecimiento económico de las regioens españoles. Revista Estudios Económicos Regionales y Sectoriales, VOL. 1-1, pp. 67-79, Distribuye Mundi-Prensa, Madrid.

- FAIR, R.C. (1994): Testing macroeconometric models. Cambridge, Massachusetts. Harvard University Press.

- EGEBO, T.; RICHARDSON, P.; LIENERT, I. (1990): “Modèle de l’investissement résidentiel pour les grands pays de l’OCDE”. Revue Economique de l’OCDE, N. 14, pp.165-207.

- GOUX, J.F. (1983): “La dynamique de l’accumulation réelle des ménages”. Revue Economique, Vol. 34, N. 1., pp. 182-235.

- PURI, A. K.; VAN LIEROP, J. (1988): “Forecasting housing starts”. International Journal of Forecasting, Vol. 4, pp. 125-134.

- HICKMAN, B.G.; COEN, R.M. (1976): An anual growth model of the U.S. economy. Amsterdam, Nort-Holland Publisting Company.

- KALCHBRENNER, J.H. (1972): “A model of the housing sector”. En Saving deposits, mortgages and housing, editado por E.M. Gramlich y D.M. Jaffee. Massachussets. Lexington Books, pp. 209-234.

- THOMAS, R.W.; STEKLER, H.O. (1983): “Aregional forecasting model for construction activiry”. Regional Science and Urban Economics. N. 13, pp. 557-577.

- POTERBA, J.M. (1991): “House Price dinamics: the role of tax policy and demography”. Brookings Papers on Economic Activity, Vol. 2, pp. 143-183.

- DORNBUSH, R.; FISHER, S. (1991): Macroeconomía. Madrid. Ed. McGraw Hill.

- RODRÍGUEZ, J. (1978): Una estimación de la función de inversión en viviendas en España. Madrid. Banco de España, Estudios Económicos, N. 13.

- TOPEL, R.; ROSEN, S. (1988): “Housing investment in the United States”. Journal of Political Economy, Vol. 96, N. 4, pp, 718-740.