Instalar/Cargar librerías necesarias para el análisis

1. Contexto del Sector y la Empresa

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.

Relevancia del sector

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.

Variables seleccionadas y su importancia

  • Licencias de construcción en Cali (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.
  • Licencias de construcción en Colombia (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.
  • Índice de Precios al Consumidor (IPC): Es la variable macroeconómica clave que mide la inflación en Colombia. Para una constructora, el IPC es determinante por tres razones directas:
    1. Tasas de interés: Cuando el IPC sube, el Banco de la República aumenta las tasas de interés para frenar la inflación, encareciendo los créditos hipotecarios para los compradores y los créditos constructores para la empresa.
    2. Precios de la vivienda VIS: En Colombia, el tope máximo del precio de la Vivienda de Interés Social (VIS) está indexado al salario mínimo, el cual se ajusta cada año tomando como base el IPC.
    3. Costos de construcción: Presiona al alza los precios de los materiales, el transporte y la mano de obra, afectando directamente los márgenes de rentabilidad de los proyectos.

2. Metodología

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).

Fuentes de información y estructura de los datos

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)

3. Extracción de Señales

3.1. Serie Original Variable 1 (IPC)

3.2. Descomposición STL Variable 1 (IPC)

  • ¿Se observan cambios bruscos, choques o comportamientos atípicos? En el índice acumulado casi no se perciben saltos visuales, pero al analizar las variaciones mensuales aparecen choques atípicos puntuales en dos momentos clave:
    • Febrero de 2016 (+1.28% mensual) y marzo de 2016 (+0.94%): Variaciones muy superiores al promedio normal de esos meses (+0.88% y +0.73%).
    • Enero a marzo de 2022 (+1.67%, +1.63% y +1.00%) y enero a marzo de 2023 (+1.78%, +1.66% y +1.05%): Saltos mensuales extraordinarios que duplican el comportamiento estacional habitual.
    • Caídas atípicas en mayo y junio de 2020 (-0.32% y -0.38%): Variaciones negativas inusuales en un índice que históricamente siempre sube.
  • ¿Qué posible explicación económica podrían tener?
    • Choques de 2016: El fuerte fenómeno de El Niño (que disparó los precios de los alimentos) sumado a la devaluación del peso por la caída del petróleo y el paro camionero.
    • Deflación temporal de 2020: El choque de demanda por los confinamientos de la pandemia del COVID-19 y los alivios temporales en tarifas de servicios públicos e IVA.
    • Choque inflacionario de 2022–2023: La crisis global de cadenas de suministro post-pandemia, el encarecimiento de insumos agrícolas por el conflicto en Europa del Este, los altos ajustes del salario mínimo y la indexación de tarifas y combustibles en Colombia.

3.3. Descomposición STL Variable 2 (Licencias Colombia)

  • ¿Se observan cambios bruscos, choques o comportamientos atípicos? Sí, se observan choques severos y abruptos tanto hacia abajo como hacia arriba:
    • Desplome histórico en abril de 2020 (372,737 m²): Una caída brusca de casi el -80% frente al promedio normal de abril (~1.9 millones m²), seguida de un mayo de 2020 aún muy deprimido (1,031,729 m²).
    • Picos extraordinarios en diciembre de 2015 (4,893,234 m²), diciembre de 2019 (4,604,522 m²) y diciembre de 2023 (4,296,855 m²): Valores que superan ampliamente incluso el patrón estacional alto de diciembre (~2.8 millones m²).
  • ¿Qué posible explicación económica podrían tener?
    • Caída de abril–mayo de 2020: El cierre total de actividades, curadurías urbanas y obras civiles decretado durante el aislamiento preventivo obligatorio por el COVID-19.
    • Picos extremos en diciembres específicos (2015, 2019, 2023): Cambios regulatorios locales (actualizaciones de Planes de Ordenamiento Territorial —POT— en ciudades principales como Bogotá y Medellín) y anuncios de modificaciones en los programas de subsidios de vivienda (como Mi Casa Ya), lo que llevó a las constructoras a radicar masivamente proyectos antes de que entraran en vigor nuevas reglas o costos.

3.4. Descomposición STL Variable 3 (Licencias Cali)

  • ¿Se observan cambios bruscos, choques o comportamientos atípicos? Sí, es la serie con mayor componente irregular, presentando tanto caídas a niveles mínimos como picos aislados muy pronunciados:
    • Choques negativos severos: Mayo de 2021 (11,485 m²) y abril de 2020 (21,511 m²), además de caídas muy bajas en abril de 2018 (44,916 m²), agosto de 2012 (44,998 m²) y octubre de 2025 (14,257 m²).
    • Picos atípicos positivos: Diciembre de 2024 (326,535 m²), julio de 2022 (292,808 m²), diciembre de 2012 (286,286 m²) y abril de 2015 (234,899 m²), que triplican o cuadruplican el promedio mensual normal de Cali (~84,000 m²).
  • ¿Qué posible explicación económica podrían tener?
    • Caída de abril de 2020: Paralización administrativa y de obra por los confinamientos de la pandemia.
    • Desplome de mayo de 2021: El Paro Nacional y los bloqueos viales, de los cuales Cali fue el principal epicentro en Colombia, paralizando el transporte de materiales, los trámites en curadurías y la actividad constructora local.
    • Picos aislados (como julio de 2022 y diciembre de 2024): Por tratarse de un mercado local más pequeño, la aprobación en un solo mes de megaproyectos urbanísticos, centros comerciales o planes parciales de vivienda VIS genera saltos estadísticos puntuales que no se repiten al mes siguiente.
    • Contracción reciente (2025): El agotamiento de los cupos de subsidios de vivienda VIS y las altas tasas hipotecarias acumuladas desde 2023–2024 frenaron la iniciación de nuevos proyectos en la ciudad.

3.5. Series Originales vs. Ajustadas por Estacionalidad

Variable 1: Original vs. Ajustada por Estacionalidad

  • Patrones mensuales: El índice acumulado es muy estable, pero sus variaciones mensuales muestran un patrón cíclico claro: los mayores incrementos se repiten todos los años en el primer trimestre (febrero +0.88%, marzo +0.73%, enero +0.72%) por indexación de arriendos, educación, tarifas reguladas y salario mínimo, mientras que los menores ocurren en octubre (+0.19%), noviembre (+0.25%) y agosto (+0.28%).
  • Utilidad empresarial: Permite anticipar el reajuste en costos de materiales, mano de obra y tasas de indexación contractual desde el arranque del año.

Variable 2: Original vs. Ajustada por Estacionalidad

  • Patrones mensuales: Diciembre destaca como el mes pico del año (promedio de 2,809,839 m², un +36% sobre el promedio mensual general), seguido de mayo y julio. Enero es consistentemente el mes más bajo (1,775,541 m², un -14%), seguido de abril y marzo.
  • Utilidad empresarial: Permite reforzar equipos de trámites en noviembre–diciembre y no confundir la caída operativa normal de enero con una contracción estructural del mercado.

Variable 3: Original vs. Ajustada por Estacionalidad

  • Patrones mensuales: Diciembre es el mes con mayor actividad promedio en Cali (130,382 m², un +55% sobre el promedio local), mientras que octubre (59,367 m²), enero (66,304 m²) y junio (67,203 m²) registran los menores volúmenes. Presenta alta irregularidad por el peso puntual de megaproyectos urbanos.

3.6. Series Originales vs. Tendencia y Tasas de Crecimiento Interanual (YoY %)

Cálculo de Tasas de Crecimiento Interanual (YoY %)

  • Interpretación IPC: Tras alcanzar un pico de ~12.48% en 2023, la tasa interanual de tendencia se desacelera hasta estabilizarse alrededor del 5.0% en 2025. El nivel de precios continúa creciendo, pero a una velocidad moderada y predecible.
  • Interpretación Licencias Colombia: Tras estabilizarse cerca del 0% entre abril y julio de 2025, a partir de agosto retomó terreno negativo (-2.3%) hasta cerrar diciembre de 2025 en -18%.
  • Interpretación Licencias Cali: Después de rebotar en 2024 (+35%), la tendencia local sufrió una contracción abrupta al cierre de 2025 cercana al -80% / -85%, evidenciando alta vulnerabilidad regional.

4. Análisis Integrado de las Variables

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.

5. Modelado ARIMA / SARIMA y Diagnóstico

División en conjunto de entrenamiento y prueba (Variable 1: IPC)

  • Conjunto de entrenamiento (train_ts): Enero de 2012 a septiembre de 2025.
  • Conjunto de prueba (test_ts): Octubre de 2025 a diciembre de 2025.

5.1. Modelo ARIMA Automático (Sin Estacionalidad)

## 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

5.2. Modelo SARIMA Automático (Con Componente Estacional)

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

6. Validación del Modelo

##                                   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

7. Pronóstico Primer Trimestre 2026 (Enero – Marzo 2026)

## 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

8. Conclusiones

  1. Transición sectorial: La estabilización de la inflación interanual alrededor del 5.0% representa un alivio macroeconómico que modera los costos de construcción y favorece la reducción gradual de tasas hipotecarias; sin embargo, las licencias de construcción en Colombia (-18% YoY) y especialmente en Cali (-80% / -85% YoY) evidencian que la actividad edificadora local aún atraviesa una fase de contracción.
  2. Valor de la señal estadística: Aislar el componente estacional y el ruido irregular mediante descomposición STL evita confundir caídas operativas normales del calendario (como enero) con crisis estructurales, y permite anticipar ventanas de alta presión de costos en el primer trimestre.
  3. Desempeño y validación del modelo SARIMA: Mediante validación cruzada temporal (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).
  4. Proyección Q1 2026 e incertidumbre: El pronóstico puntual para enero (153.28), febrero (154.46) y marzo (155.11) de 2026 confirma una trayectoria ascendente moderada propia de la indexación de inicio de año, con bandas de confianza al 80% y 95% acotadas que permiten planificar presupuestos sin rebrote inflacionario.

9. Recomendaciones Estratégicas para Constructora Bolívar

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.