Instalar/Cargar librerías necesarias para el análisis
Constructora Bolívar es una de las constructoras más grandes de Colombia y tiene una participación histórica y dominante en el mercado inmobiliario de Cali y el Valle del Cauca (a través de su regional Cali), además de operar en Bogotá, la Costa Caribe y otras regiones del país.
El sector de la construcción e infraestructura es uno de los principales motores de la economía colombiana. Tiene un alto efecto multiplicador porque genera empleo directo e indirecto y dinamiza industrias clave como el acero, el cemento, el transporte y el sector financiero.
Constructora Bolívar tiene una doble exposición ideal para este análisis. Por un lado, posee un peso muy fuerte en el desarrollo urbano de Cali y su área metropolitana (como Jamundí y Palmira). Por otro lado, al ser un actor líder a nivel nacional, su desempeño refleja el comportamiento general del mercado inmobiliario en todo el país y responde directamente a los ciclos de la economía colombiana.
LICC_CALI): Representan la intención real de
edificación y la dinámica de inversión a nivel local. Para Constructora
Bolívar (que tiene una operación muy fuerte en Cali y su área
metropolitana), este dato permite medir la demanda futura de proyectos,
el ritmo de expansión urbana de la ciudad y la competencia local.LICC): Funcionan como el indicador líder del
sector a escala nacional. Sirven como punto de referencia
(benchmark) para saber si el comportamiento en Cali responde a
fenómenos propios de la ciudad o a una tendencia generalizada en todo el
país impulsada por políticas nacionales de vivienda.IPC):
Es la variable macroeconómica clave que mide la inflación en Colombia.
Para una constructora, el IPC es determinante por tres razones directas:
Para el desarrollo de este informe analítico se empleó un enfoque cuantitativo basado en el análisis de series de tiempo univariadas y multivariadas, siguiendo la metodología clásica de Box-Jenkins para la modelación autorregresiva integrada de media móvil (ARIMA/SARIMA). Todo el procesamiento, modelado y visualización se ejecutó en el entorno de programación estadística R (mediante RMarkdown).
Se recopilaron series históricas con periodicidad mensual provenientes de fuentes oficiales en Colombia (2012–2025), garantizando la confiabilidad y trazabilidad de la información:
| Variable | Unidad de medida | Fuente oficial | Rol en el análisis |
|---|---|---|---|
Índice de Precios al Consumidor
(IPC) |
Índice base / Variación mensual | DANE | Variable macroeconómica explicativa y serie pronosticada |
Licencias de construcción Colombia
(LICC) |
Metros cuadrados (m²) aprobados | DANE (ELIC) | Indicador líder nacional (benchmark) |
Licencias de construcción Cali
(LICC_CALI) |
Metros cuadrados (m²) aprobados | DANE (ELIC) | Indicador de dinámica inmobiliaria regional |
Cargar base de datos
Declaración de series temporales mensuales (2012–2025)
Variable 1: Original vs. Ajustada por Estacionalidad
Variable 2: Original vs. Ajustada por Estacionalidad
Variable 3: Original vs. Ajustada por Estacionalidad
Cálculo de Tasas de Crecimiento Interanual (YoY %)
Síntesis general para Constructora Bolívar: En
conjunto, las señales son mixtas con un sesgo de cautela en el corto
plazo. Por el lado macroeconómico, la estabilización del crecimiento
interanual del IPC alrededor del 5% representa una señal positiva que
modera los costos de construcción y favorece la reducción gradual de
tasas hipotecarias. Sin embargo, las licencias de construcción en
Colombia (LICC) y especialmente en Cali
(LICC_CALI) muestran señales negativas al cerrar 2025 con
contracciones pronunciadas en su tendencia. La evidencia histórica
(2012–2025) indica que el sector responde con rezago a los ciclos de
inflación y tasas de interés, y que la plaza de Cali presenta una alta
sensibilidad frente a choques locales y cambios en subsidios de
vivienda.
División en conjunto de entrenamiento y prueba (Variable 1: IPC)
train_ts):
Enero de 2012 a septiembre de 2025.test_ts): Octubre
de 2025 a diciembre de 2025.## Series: train_ts
## ARIMA(4,2,3)
##
## Coefficients:
## ar1 ar2 ar3 ar4 ma1 ma2 ma3
## 0.7702 0.3848 -0.5121 -0.1425 -1.0226 -0.4426 0.6785
## s.e. 0.3316 0.5356 0.3073 0.0856 0.3302 0.5932 0.3033
##
## sigma^2 = 0.07941: log likelihood = -22.35
## AIC=60.7 AICc=61.63 BIC=85.45
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.00472052 0.2740033 0.1990741 0.004766392 0.1881828 0.03594117
## ACF1
## Training set -0.005008075
##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 0.770212 0.331574 2.3229 0.020185 *
## ar2 0.384785 0.535580 0.7184 0.472483
## ar3 -0.512123 0.307350 -1.6663 0.095663 .
## ar4 -0.142534 0.085645 -1.6642 0.096063 .
## ma1 -1.022593 0.330172 -3.0972 0.001954 **
## ma2 -0.442634 0.593201 -0.7462 0.455559
## ma3 0.678535 0.303338 2.2369 0.025293 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## Series: train_ts
## ARIMA(4,2,3)
##
## Coefficients:
## ar1 ar2 ar3 ar4 ma1 ma2 ma3
## 0.7702 0.3848 -0.5121 -0.1425 -1.0226 -0.4426 0.6785
## s.e. 0.3316 0.5356 0.3073 0.0856 0.3302 0.5932 0.3033
##
## sigma^2 = 0.07941: log likelihood = -22.35
## AIC=60.7 AICc=61.63 BIC=85.45
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.00472052 0.2740033 0.1990741 0.004766392 0.1881828 0.03594117
## ACF1
## Training set -0.005008075
##
## Ljung-Box test
##
## data: Residuals from ARIMA(4,2,3)
## Q* = 69.551, df = 17, p-value = 2.576e-08
##
## Model df: 7. Total lags used: 24
El modelo ajustado automáticamente es un
SARIMA(1,1,1)(0,1,1)[12]: * Parte regular
(1,1,1): 1 término autorregresivo (AR), 1
diferenciación regular (\(d=1\)) y 1
término de media móvil (MA). * Parte estacional
(0,1,1)[12]: 1 diferenciación estacional (\(D=1\)) y 1 término de media móvil
estacional (SMA) con periodicidad de 12 meses.
## Series: train_ts
## ARIMA(1,1,1)(0,1,1)[12]
##
## Coefficients:
## ar1 ma1 sma1
## 0.8875 -0.2904 -0.7285
## s.e. 0.0516 0.1196 0.0711
##
## sigma^2 = 0.0562: log likelihood = 0.45
## AIC=7.11 AICc=7.38 BIC=19.21
## Series: train_ts
## ARIMA(1,1,1)(0,1,1)[12]
##
## Coefficients:
## ar1 ma1 sma1
## 0.8875 -0.2904 -0.7285
## s.e. 0.0516 0.1196 0.0711
##
## sigma^2 = 0.0562: log likelihood = 0.45
## AIC=7.11 AICc=7.38 BIC=19.21
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.02004121 0.2252775 0.1644847 0.01963377 0.155296 0.02969633
## ACF1
## Training set 0.02590054
##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,1,1)(0,1,1)[12]
## Q* = 25.249, df = 21, p-value = 0.2366
##
## Model df: 3. Total lags used: 24
## RMSE MAE MAPE
## ARIMA(4,2,3) sin estacionalidad 1.0515 0.9403 0.6183
## SARIMA(1,1,1)(0,1,1)[12] 0.2705 0.2384 0.1568
## Modelo RMSE_CV MAE_CV
## 1 ARIMA(4,2,3) 0.4873 0.4004
## 2 SARIMA(1,1,1)(0,1,1)[12] 0.4450 0.2912
## Series: variable1_ts
## ARIMA(1,1,1)(0,1,1)[12]
##
## Coefficients:
## ar1 ma1 sma1
## 0.8901 -0.2896 -0.7577
## s.e. 0.0511 0.1199 0.0697
##
## sigma^2 = 0.05588: log likelihood = 0.38
## AIC=7.23 AICc=7.5 BIC=19.41
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.01853859 0.2248428 0.1652409 0.01862405 0.1546885 0.02961511
## ACF1
## Training set 0.02831994
##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,1,1)(0,1,1)[12]
## Q* = 24.934, df = 21, p-value = 0.25
##
## Model df: 3. Total lags used: 24
## Mes Pronostico_Puntual IC_80_Inf IC_80_Sup IC_95_Inf IC_95_Sup
## 1 Enero 2026 153.30 153.00 153.61 152.84 153.77
## 2 Febrero 2026 154.51 153.94 155.08 153.64 155.39
## 3 Marzo 2026 155.18 154.31 156.04 153.85 156.50
tsCV), el modelo
SARIMA(1,1,1)(0,1,1)[12] superó al ARIMA(4,2,3) sin
estacionalidad (RMSE_CV = 0.445
vs. 0.487; MAE_CV = 0.291
vs. 0.400), con residuos que se comportan como ruido
blanco (Ljung-Box p = 0.25).| Área Directiva | Indicador de Respaldo | Decisión Estratégica |
|---|---|---|
| VP Planeación y Regional Cali | Tendencia LICC_CALI (-80% YoY)
vs. LICC |
Frenar nuevos lanzamientos en Cali y priorizar la rotación del inventario vigente hasta confirmar piso en las licencias locales. |
| Comité de Inversiones y Expansión | Resiliencia relativa de plazas nacionales
(LICC) |
Reasignar capital de expansión hacia mercados con mayor absorción como Bogotá y la Costa Caribe. |
| Gerencia de Compras y Presupuestos | Estacionalidad alcista del IPC en Q1 |
Cerrar contratos de suministro a precio fijo (acero, cemento, acabados) en Q4 antes del reajuste estacional de enero–marzo. |
| Gerencia de Trámites y Curadurías | Pico estacional de radicación en diciembre (+36% / +55%) | Concentrar radicaciones de licencias en noviembre–diciembre y programar el calendario operativo asumiendo la desaceleración normal de enero. |
| Dirección Financiera y Tesorería | Pronóstico IPC SARIMA + IC 95% |
Ajustar modelos de flujo de caja, topes de vivienda VIS y estrategia de cobertura de deuda incorporando escenarios de sensibilidad dentro de las bandas de confianza. |