TFM - Análisis del estado del mercado de alquiler de viviendas en Barcelona
El blockchain como alternativa a la burbuja.
JONATHAN AYALA GONZALEZ - UOC - Master en Business Intelligence And Big Data
Junio del 2019
Copyright
© Jonathan Ayala González. Reservados todos los derechos. Está prohibido la reproducción total o parcial de esta obra por cualquier medio o procedimiento, comprendidos la impresión, la reprografía, el microfilme, el tratamiento informático o cualquier otro sistema, así como la distribución de ejemplares mediante alquiler y préstamo, sin la autorización escrita del autor o de los límites que autorice la Ley de Propiedad Intelectual.
1 INTRODUCCIÓN.
Contexto y justificación del Trabajo.
La última década ha supuesto, sin lugar a duda, uno de los periodos de cambio más drásticos y acelerados para la ciudad de Barcelona y su área metropolitana en lo que al mercado inmobiliario se refiere. El estallido de la burbuja inmobiliaria supuso una deflación en los precios de la vivienda que en algunas zonas supuso una reducción de hasta el 40% con respecto al año 2006. Tal reducción en los precios de compraventa vino acompañada de un nuevo aumento acelerado de los precios medios de venta por metro cuadrado, un crecimiento acelerado que se inició en el año 2013 y que junto a las nuevas dinámicas demográficas y socioeconómicas que experimenta la ciudad y su área metropolitana, ha hecho que la inflación de los precios medios de alquiler de viviendas por metro cuadrado se haya disparado a tasas que en algunos casos superan el 50%. Estas nuevas dinámicas han supuesto un reto sin precedentes para la administración pública y para la sociedad en su conjunto.
El presente trabajo puede dividirse en dos partes. En la primera parte se pretende utilizar las bases de datos existentes en diferentes organismos públicos y privados para realizar un estudio objetivo que, integrando todas las dinámicas antes descritas, arroje luz sobre las causas de tan abultadas tasas de inflación en los precios del alquiler de viviendas en Barcelona y su área metropolitana. Hecho lo anterior y habiendo identificado las causas principales del problema en cuestión, la finalidad de la segunda parte de la presente tesis gira en torno a la proposición de soluciones de negocio que ayuden a paliar las consecuencias de la que ya se conoce como burbuja del alquiler. Dichas soluciones se integran en el marco de una idea de negocio que utiliza tecnologías basadas en el paradigma conocido como blockchain o cadena de bloques.
Así pues, la primera parte del presente trabajo pretende desarrollar un diagnóstico más o menos completo de las causas que han llevado a que los precios del alquiler de vivienda en la ciudad de Barcelona hayan adquirido el carácter de prohibitivo para muchos vecinos de la ciudad. Para ello, se elaborarán análisis estadísticos similares a los aprendidos a lo largo del Máster, aplicando en ellos las distintas técnicas de data cleaning y exploratory analysis aprendidas a lo largo del curso académico, además, dependiendo de la tipología de los datasets de los que se disponga, se llevarán a cabo análisis basados en representaciones gráficas del dato.
Una vez se hayan identificado las causas que subyacen a la problemática en cuestión, la segunda parte de este trabajo no pretende, ni mucho menos, desarrollar una solución absoluta a una problemática de la que a priori se conoce que deriva de fenómenos causales de distinta naturaleza, sino que lo que se pretende es aportar una propuesta de negocio que podría facilitar a que los diferentes actores implicados en la problemática puedan trabajar, individualizada e independientemente, en soluciones que hagan uso del blockchain como elemento facilitador de la trasmisión de la propiedad entre agentes.
Objetivos del Trabajo.
Utilizar las herramientas de análisis de big data para comprender el mercado de alquiler de viviendas en Barcelona y su área metropolitana.
Interpretar gráficamente los resultados del análisis del mercado de alquiler de viviendas en Barcelona mediante herramientas de análisis de datos.
Utilizar las herramientas de análisis de big data para encontrar las causas del elevado aumento de los precios de alquiler de viviendas en Barcelona y su área metropolitana.
Utilizar las herramientas estadísticas propias del análisis de datos para establecer los posibles vínculos entre los diversos fenómenos que giran en torno al mercado del alquiler de viviendas.
Proponer una idea de negocio susceptible de ser desarrollada por el sector privado que allane el camino hacía un desinflamiento de los precios del alquiler de viviendas en Barcelona y su área metropolitana.
Enfoque y método seguido.
Dada la naturaleza el tipo de técnicas de análisis de datos que se pretenden emplear a lo largo del desarrollo del presente trabajo y debido a la cantidad de hipótesis que giran en torno a las causas del problema que se pretende abordar, el enfoque que se va a seguir durante la elaboración de la presente investigación utilizará métodos y procedimientos de carácter exploratorio y explicativo similares a los utilizados en la investigación científica.
Las investigaciones exploratorias tienen como objetivo dar una visión general y aproximada respecto a una determinada realidad, y resulta útil en casos en los que surgen fenómenos complejos sobre los que es difícil formular hipótesis precisas. En el caso concreto de la primera parte del presente trabajo, lo que se intenta es aportar una visión aproximada que permita comprender, en última instancia, el comportamiento de una realidad tan compleja como el mercado de alquiler de viviendas en la ciudad de Barcelona, el cual, como se verá, responde a realidades complejas de distinta naturaleza (sociales, demográficas, económicas, etc.). Por su parte, las investigaciones explicativas tienen como objetivo determinar el(los) origen(es) de un determinado conjunto de fenómenos, como bien podría ser, el aumento acelerado de los precios del alquiler de viviendas en la ciudad de Barcelona. Siendo este un trabajo que se centra en la obtención de conclusiones a partir del análisis de datos, la capacidad de obtener dichos resultados vendrá determinada por la cantidad y calidad de datos de los que se disponga. Esta primera parte del trabajo constituye la parte principal del mismo.
Dicho lo anterior, la segunda parte del presente trabajo usará los resultados obtenidos en la primera parte del mismo para, partiendo de que se conocen ya las distintas relaciones causales del problema, proponer el uso de la tecnología blockchain como elemento innovador que permita a empresas y particulares incidir conjuntamente en un nuevo período para el mercado inmobiliario en la ciudad y su área metropolitana, contribuyendo así al inicio de un período en el que se use las nuevas tecnología como mecanismo para permitir que nuevos participantes entren en un mercado en el que hasta ahora, solo pueden participar aquellos entes con más información a su alcance o bien, con una capacidad de inversión alta o muy alta. Esta segunda parte del trabajo pretende servir como complemento a la primera parte del mismo, que como ya se dijo, constituirá el módulo central del presente trabajo.
2 Fuentes de datos y Arquitectura de aplicaciones.
Como ya se ha mencionado, las causas que subyacen a la problemática en cuestión deriva de multiplicidad de variables de distinta naturaleza, por ello, para dar respuesta a una pregunta como la que se intenta analizar durante el desarrollo del presente trabajo, deben hacerse uso de fuentes de datos que, además de fiables, aporten valor al complejo estudio del mercado inmobiliario de la ciudad de Barcelona.
Se detallan a continuación algunas de las fuentes de datos que se planean utilizar durante el análisis a desarrollar, no obstante, se debe aclarar que el siguiente compendio de fuentes y data sets no es numerus clausus, y por tanto, la siguiente lista es susceptible de ser complementada con las fuentes adicionales que se crean necesarias para el correcto desarrollo de este trabajo:
- Pagína web https://datos.gob.es/es:
Web de datos abiertos en la que se pueden encontrar datos de diversa naturaleza provenientes de las distintas administraciones públicas de España. Se planea obtener de esta web:
Datos económicos de relevancia: tasas de empleo, crecimiento salarial, evolución y desempeño económico de la ciudad, evolución del turismo, entre otros.
Datos demográficos: movimientos de población que permitan obtener saldos netos de habitantes, evolución de la renta neta de la población, entre otros.
- Pagína web https://opendata-ajuntament.barcelona.cat/:
Web de datos abiertos del Ayuntamiento de Barcelona en la que se pueden encontrar datos de diversa naturaleza específicamente de la ciudad de Barcelona.
Datos económicos de relevancia: tasas de pobreza en la ciudad, crecimiento salarial por distritos y/o barrios, evolución y desempeño de los distintos clústeres empresariales de la ciudad, datos sobre las pernoctaciones hoteleras en la ciudad, entre otros.
Datos demográficos: movilidad entre los distintos barrios o distritos de la ciudad, datos de inmigración neta hacia la ciudad, evolución de las tasas de pobreza en la ciudad, entre otros.
Datos Urbanísticos: datos relativos a la evolución de los precios medios por metro cuadrado en la ciudad, evolución del número de visados de obra concedidos en la ciudad, evolución del número de transacciones de compraventa de inmuebles y el precio de transacción, entre otros.
- Pagína web http://insideairbnb.com/get-the-data.html:
Página web donde se puede acceder a un histórico de data sets sobre la actividad de la plataforma Airbnb en las distintas ciudades del mundo. En el caso de Barcelona, se han encontrado cerca de 35 data sets de relevancia con una media de 18.000 registros por cada data set. Dichos archivos hacen referencia, entre otras cuestiones, a datos como el barrio de cada vivienda publicada, su latitud, su longitud, el tipo de vivienda que se oferta, su precio, entre otros.
Dado que el trabajo que se intenta desarrollar pretende combinar una multiplicidad de data sets provenientes de distintas fuentes, la investigación a realizar se llevará a cabo mediante la respuesta a diferentes cuestiones que se irán planteando a lo largo del mismo de manera concatenada, es decir, partiendo del supuesto de que los precios de los alquileres en la ciudad de Barcelona han experimentado un enorme incremento en los últimos años se utilizarán los datas set disponibles para ir respondiendo a una serie de hipótesis orientadas a conocer el porqué de dichos incrementos.
Por otra parte, para la explotación de la enorme cantidad de información que se pretende analizar, durante el desarrollo del presente trabajo se utilizarán algunas de las herramientas aprendidas durante el curso, las cuales permiten, entre otras cosas, procesar la información, llevar a cabo los procesos de data cleansing que sean necesarios, realizar los análisis estadísticos que se crean convenientes y representar de forma gráfica los resultados obtenidos en el análisis. Dichas aplicaciones se muestran mejor en el siguiente diagrama:
PRIMERA PARTE
3 Situación actual del mercado de alquiler de viviendas.
Como ya se advirtió en la introducción, la primera parte de la presente investigación pretende utilizar todo el conocimiento que se pueda extraer del dato para dar una respuesta a una problemática concreta: ¿cuáles son las razones principales del acelerado aumento en los precios del alquiler de la vivienda en Barcelona y su área metropolitana? Para ello, se aspira a utilizar la mayor cantidad de datos disponibles para, además de responder a dicha cuestión, dibujar una radiografía lo más exacta posible sobre la realidad actual del mercado del alquiler de vivienda como primer paso para afrontar un problema ampliamente extendido en la sociedad actual.
Durante los últimos tres años la problemática en los precios del alquiler de viviendas se ha acrecentado de tal manera que ha forzado a las autoridades públicas a la promulgación de cuerpos normativos que de una u otra forma, intentan paliar un problema que parece desbordar la capacidad reguladora de la administración. Así pues, el recientemente promulgado Real Decreto-ley 7/2019, de 1 de marzo, de medidas urgentes en materia de vivienda y alquiler propugna en su preámbulo que la administración pública, en el ejercicio de defensa del derecho constitucional a una vivienda digna y adecuada, debe adoptar las medidas necesarias que ayuden a atenuar la incidencia de cinco problemáticas especificas en el mercado de alquiler de viviendas:
El gran número de familias que se encuentran en una situación de grave vulnerabilidad económica son las más afectadas por un aumento muy acelerado en los precios de la vivienda.
En los entornos territoriales caracterizados por una fuerte actividad turística, la dinámica inmobiliaria definida por la presencia de plataformas p2p ha ocasionado que los precios del alquiler en dichos territorios hayan tenido aumentos muy superiores al de la media europea.
La escasez del parque de vivienda social en régimen de alquiler conlleva a que la administración se vea imposibilitada para incidir con mayor contundencia en la evolución de los precios de alquiler.
La divergencia entre el número de desahucios por impago del alquiler (en aumento) y las mejoras en el mercado laboral y en la economía en su conjunto (en decremento) ocasionan que cada vez más, se amplíe la brecha entre los ingresos medios de las familias y los precios de las viviendas en régimen de alquiler.
El constante envejecimiento de la población junto con la escalada en los precios del alquiler acrecienta aún más los problemas de acceso a viviendas que cuenten con las medidas de accesibilidad mínimas para estos colectivos.
Así pues, ante una realidad que se antoja bastante diversa y que puede ser analizada desde distintos puntos de vista, la presente investigación procederá a abordar la problemática en cuestión desde aquellas perspectivas en que, dejando de lado juicios de valor, se posibilite el uso del dato como único mecanismo para responder a las interrogantes que se derivan de la intensa escalada en los precios del alquiler de viviendas en Barcelona.
3.1 Situación actual de los precios del alquiler de viviendas en Barcelona por barrios.
Antes de formular cualquier hipótesis que ayude a entender el por qué del acelerado aumento en los precios del alquiler en Barcelona, conviene tener una primera aproximación a la situación actual del mercado. Para ello, se pueden utilizar los datos que el Departament d’Estadística del Ajuntament de Barcelona ha puesto al alcance del público en la página web: https://opendata-ajuntament.barcelona.cat/. Estos datos fueron recopilados por la Secretaria d’Habitatge i Millora Urbana a partir de las fianzas de alquiler depositadas en INCASÒL (Institut Català del Sòl).
El Departament d’Estadística del Ajuntament de Barcelona recopiló los datos trimestrales del precio del alquiler de viviendas en Barcelona dividido por barrios para el período comprendido entre 2014 - 2018. Para cada año se ha publicado un data set en formato CSV que debe ser manipulado para que pueda integrarse en un único conjunto de datos que permita la realización de comparaciones entre los distintos años para todos los barrios de la ciudad.
3.1.1 Data Cleaning.
De acuerdo a los criterios seguidos por el Departament d’Estadística del Ajuntament de Barcelona, se asigna el valor de (n.d.) o Dato no Disponible, a todos aquellos trimestres en que el INCASÒL no haya registrado un mínimo de 5 contratos de alquiler. En relación a este criterio, algunos de los data sets encontrados carecían de suficientes contratos de alquiler registrados para algunos barrios, los cuales, debido a su naturaleza estrictamente industrial, cuentan con pocas viviendas que han sido alquiladas durante un determinado trimestre, tal es el caso del barrio La Marina del Prat Vermell - AEI Zona Franca. Por otra parte, probablemente por razones de tamaño, por motivos culturales o estrictamente sociales, barrios como La Clota, Vallbona o Baró de Viver repiten el mismo patrón encontrado en relación al bajo número de contratos de alquiler registrados a lo largo de las series temporales. Por lo anterior, se procedió a descartar a estos tres barrios del presente estudio, eliminando de la serie temporal los siguientes campos (ejemplo para el data set de 2014):
3,“12. la Marina del Prat Vermell - AEI Zona Franca”,“n.d.”,“n.d.”,“n.d.”,“n.d.”, “n.d.”,“n.d.”,“n.d.”,“450,00”
7,“42. la Clota”,“n.d.”,“n.d.”,“n.d.”,“n.d.”,“n.d.”,“n.d.”,“506,67”,“480,00”
8,“56. Vallbona”,“n.d.”,“n.d.”,“n.d.”,“n.d.”,“n.d.”,“n.d.”,“282,50”,“281,71”
9,“58. Baró de Viver”,“n.d.”,“231,40”,“n.d.”,“n.d.”,“n.d.”,“212,70”,“223,28”,“241,15”
Por otra parte, algunos barrios como Can Peguera, Torre Baró, Baró de Viver y Canyelles presentan similares carestías de datos con respecto a las distintas series temporales, aunque en menor medida, por lo que se opta como solución al problema, por mantener el valor del último trimestre conocido en caso de encontrarse un trimestre sin que conste ningún valor medio en relación al precio del alquiler de la vivienda. A modo de ejemplo, para el data set del 2014 estos son los datos no disponibles para los barrios antes mencionados:
8,“47. Can Peguera”,“241,99”,“295,39”,“145,45”,“n.d.”,“241,99”,“258,98”,“221,13”, “221,13”
8,“54. Torre Baró”,“n.d.”,“320,21”,“n.d.”,“n.d.”,“n.d.”,“315,67”,“320,57”,“334,46”
3.1.2 Integración de Datos y Resultados.
Después de realizar los respectivos procesos de limpieza para todos los datasets y para todas las series temporales estudiadas (año 2014 al año 2018) y después de haber llevado a cabo la respectiva integración de datos en único dataset, se pueden empezar a realizar los primeros estudios que permitan entender cuál ha sido la evolución en los precios del alquiler de viviendas en la ciudad. La primera impresión que puede obtenerse de un mero análisis superficial del dataset obtenido, es la heterogénea evolución de los precios para los distintos barrios de la ciudad, por lo que antes que nada conviene detenerse un momento para averiguar si existen barrios con decrecimiento en los precios del alquiler o, si por el contrario, independientemente de los bajos o altos precios del alquiler en los distintos barrios, todos en general denotan una tasa de crecimiento positiva con respecto al precio.
Para ello, puede aplicarse la fórmula de la Tasa de Crecimiento Anual Compuesto para los periodos analizados, definida como:
En las que el término V(to) hace referencia al precio medio del alquiler en el primer trimestre de 2014 y el término V(tn) al precio medio del alquiler en el cuatro trimestre de 2018, siendo n el número de trimestres analizados (20 trimestres para este caso). La aplicación de esta fórmula permite comprender mejor unas tasas de crecimiento que, a lo largo de la serie temporal analizadas fluctúan entre el terreno negativo y tasas porcentuales de hasta dos cifras para algunos barrios. Esta discontinuidad en el crecimiento de los precios puede observarse en la siguiente tabla para el caso de Barcelona:
Si bien es cierto que la Tasa de Crecimiento Trimestral Promedio es de 1,87%, la Tasa de Crecimiento Trimestral Compuesta resulta ser de 1,75%. Es esta última tasa la que permite comprender mejor el comportamiento de los precios medios trimestrales a los largo de la serie temporal estudiada, pues la aplicación de esta fórmula matemática indica que si los precios del alquiler en Barcelona hubieran crecido de forma constante los 20 trimestres siguientes desde el primer trimestre del año 2014, dicho crecimiento hubiera sido del 1,75% trimestral, acumulando un crecimiento al final de la serie temporal de 279,42 € para el cuarto trimestre del año 2018.
Resulta evidente el significativo aumento en los precios medios de alquiler en la ciudad de Barcelona entre el periodo comprendido entre el primer trimestre de 2014 y el cuarto trimestre de 2018, sin embargo, tal como se ilustra en el Gráfico 1, la Tasa de Crecimiento Trimestral Promedio para cada barrio no se relaciona, a priori, con el promedio del precio del alquiler experimentado por cada barrio, pues como se observa, existen tasas de crecimiento bajas y altas para barrios donde los precios medios del alquiler durante el período temporal estudiado han sido superiores e inferiores a la media. Se acometerá con mayor profundidad en este aspecto en apartados posteriores de este trabajo.
Así pues, sabiendo que la Tasa de Crecimiento Trimestral del Precio Medio del Alquiler varía significativamente para los diferentes barrios de la ciudad, se procede a ilustrar en el Gráfico 2 estas diferencias, que entre otras cuestiones, deberán tenerse en cuenta de cara a los estudios en profundidad en que se entrarán en los siguientes parágrafos de la presente investigación, pues junto con las significativas diferencias sociales, económicas y culturales existentes entre los diferentes barrios de la ciudad, constituyen la piedra angular que podrían dar luz sobre el origen de las dinámicas que experimentan los vecinos de la ciudad de Barcelona en relación al precio medio del alquiler.
3.2 Situación demográfica actual del número de habitantes por barrios.
Como se ha podido comprobar, existen ciertas diferencias entre las distintas tasas de crecimiento del precio medio del alquiler observadas en los distintos barrios de la ciudad durante los últimos años por lo que, atendiendo a la ley de la oferta y la demanda propiamente dicha, cabría esperar que el aumento en los precios del alquiler se haya producido por un incremento significativo de nuevos residentes en la mayoría de los barrios de la ciudad de Barcelona, sin embargo, tal como se extrae del análisis del conjunto de datos que contiene las lecturas del Padrón municipal de habitantes de la ciudad, existe un aumento tan desigual entre los flujos de población hacia determinadas zonas de la ciudad que incluso, causa que existan tasas de crecimiento negativas de los flujos hacia determinados barrios de la ciudad.
Para ilustrar el incremento de la población en los distintos barrios de la ciudad, y poder realizar un análisis que permita comparar los resultados obtenidos con la evolución de los precios medios de alquiler, debe primero extraerse del data set mencionado los datos de todos aquellos barrios que no cumplan con los criterios de calidad del dato que ya se exigió en los anteriores gráficos. Así pues, se procede a eliminar los datos de los siguientes barrios:
3,“12. la Marina del Prat Vermell - AEI Zona Franca”
7,“42. la Clota”
8,“56. Vallbona”
9,“58. Baró de Viver”
Hecho esto se tiene como resultado un gráfico que, entre otras cosas, deja en evidencia las enormes diferencias entre las tasas de crecimiento de población empadronada experimentada a lo largo de la serie temporal en los diferentes barrios. De esta forma, mientras barrios como Torre Baró, El Barrio Gótico y Vall de Hebrón han presentado unos flujos de crecimiento de población superiores al 1% anual, lo que supone aumentos de población de entre el 7% y el 8% para el año 2018 con respecto al año 2014, otros barrios como Can Peguera o El Poble Sec - Parc Montjuic han visto reducido sus habitantes en tasas cercanas al 0,50% anual, lo que supone decrementos de población de entre el 2% y el 3% para el año 2018 con respecto al año 2014.
En el gráfico 3 se ilustra de manera pormenorizada la evolución de las tasas de crecimiento de población empadrona en cada uno de los barrios estudiados. En posteriores análisis del presente trabajo se estudiará en profundidad si existe relación entre las dinámicas de crecimiento/decrecimiento de la población por barrios y el intenso crecimiento en los precios de alquiler experimentado en los últimos años.
3.3 Introducción del Índice de Renta Familiar Disponible..
Ya que lo que se intenta descifrar mediante la presente investigación son las dinámicas que han llevado a un aumento exacerbado en los precios del alquiler de viviendas en los últimos años en la ciudad, no se pueden ignorar las diferencias socio-económicas existentes entre los distintos barrios de la ciudad a la hora de establecer las causas del aumento en los precios del alquiler, por ello, consciente de la necesidad de ilustrar estas diferencias, se hará uso del Índice de Renta Familiar Disponible que calcula y analiza el Gabinete Técnico de Programación del Área de Economía del ayuntamiento de Barcelona.
Este Índice de Renta Familiar Disponible es un indicador teórico que resulta de aplicar un modelo basado en la combinación de distintas variables relativas al nivel de estudios de la población residente, su situación laboral, las características del parqué de turismos, los precios del mercado residencial y la renta familiar bruta disponible. La utilidad de este índice radica en que posibilita conocer la posición relativa de cada uno de los barrios de la ciudad con respecto a la media de la ciudad, la cual esta fijada en un valor que parte del 100 por ciento, de tal forma que valores por debajo de 100 por ciento hace referencia a barrios de los que cabría esperarse ciudadanos cuya situación económica es peor que la media de la ciudad y, del mismo modo, valores por encima de 100 por ciento hace referencia a barrios de los que cabría esperarse ciudadanos cuya situación económica es mejor que la media del resto de sus conciudadanos.
Dicho lo anterior, el gráfico 4 pone de manifiesto las acentuadas diferencias en el Índice de Renta Familiar Disponible para los distintos barrios de la ciudad, pues tal y como se puede extraer de un breve análisis de este gráfico, en la ciudad de Barcelona existen barrios cuyos ciudadanos presentan, en términos generales, niveles de vida que en pocos casos duplican a los valores medios de la ciudad, en otros casos, los más comunes, los valores extraídos del Índice de Renta Media representan valores entorno a la mitad de los valores medios de la ciudad, lo que significa barrios cuyos ciudadanos tienen niveles de vida muy inferiores a la media de sus conciudadanos.
4 Alquiler de viviendas para usos turístico: El Factor Airbnb.
Durante los últimos años, desde los distintos estamentos del poder público se han tomado medidas que, de u otra forma, han intentado restringir el uso que particulares y empresas hacen de sus viviendas con el objetivo de impedir que estos empleen los inmuebles de los que son propietarios al alquiler de corta duración orientado a turistas: limitar la concesión de nuevas licencias para viviendas de uso turístico, crear un númerus clausus de viviendas por barrio que pueden ser destinadas al alquiler turístico, limitar el número de días al año en que una vivienda puede ser alquilada a usos turísticos e, incluso, a prohibir el alquiler vacacional de habitaciones dentro de un inmueble considerado como residencial.
Pero, ¿tiene realmente el alquiler de inmuebles para uso vacacional tanta influencia en los precios de viviendas para uso residencial en los barrios de Barcelona? Para responder a esta cuestión y otras similares, se hará uso de la enorme base de datos que el portal http://insideairbnb.com/ pone a disposición de particulares y empresas. Para el caso de Barcelona se han encontrado datos suficientes para realizar un estudio detallado del comportamiento el mercado de alquiler turístico por barrios. Así, mediante un análisis de los 35 data sets de relevancia encontrados, cada uno de ellos con una media de 18.000 registros, se procede a analizar algunos aspectos fundamentales de la configuración de cada barrio partiendo de los datos relativos al tipo de vivienda de uso turístico publicada, su latitud, su longitud, su precio, entre otros.
Dado que se cuenta con 35 data sets, se debe seguir un procedimiento de carga de datos que permita, de forma automática, extraer mediante R toda la información de esos ficheros sin tener que llevar a cabo un proceso de carga manual de cada uno de estos elementos. Antes que nada, se empieza con la instalación de los paquetes de R que se necesitarán a lo largo del proceso, así como la definición de algunas funciones que serán de utilidad a lo largo del trabajo.
Habiendo efectuado el proceso de carga de todos los data sets, se puede proceder ahora a analizar las diferentes variables de cada conjunto de datos.
# Se empieza por un análisis general del mercado que permita crearse una imagen de la situación actual del mismo.####
# Para conseguir la media de precio de cada anuncio publicado se procede a calcular la media de precio por anuncio para un mes dado. Se empieza por el inicio de la serie temporal de la que se han conseguido datos, esto es, el segundo trimestre del año 2015.
listings01_mean_per_room_type <- `listings01-30-abril-2015.csv` %>% filter(room_type=="Private room" | room_type=="Entire home/apt") %>% group_by(room_type) %>% summarise(mean=mean(price))
listings01_mean_per_room_type## # A tibble: 2 x 2
## room_type mean
## <chr> <dbl>
## 1 Entire home/apt 108.
## 2 Private room 40.2Los siguientes son los precios medios del alquiler de viviendas turísticas para todos los barrios de Barcelona durante el segundo trimestre del año 2015 según las 12.033 observaciones del data set analizado.
listings01_mean_per_room_type## # A tibble: 2 x 2
## room_type mean
## <chr> <dbl>
## 1 Entire home/apt 108.
## 2 Private room 40.2De esta misma forma, puede conseguirse la desviación estándar de los precios del alquiler por tipo de anuncio.
listings01_sd_per_room_type <- `listings01-30-abril-2015.csv` %>% filter(room_type=="Private room" | room_type=="Entire home/apt") %>% group_by(room_type) %>% summarise(sd=sd(price))
listings01_sd_per_room_type## # A tibble: 2 x 2
## room_type sd
## <chr> <dbl>
## 1 Entire home/apt 174.
## 2 Private room 22.0listings01_sd_per_room_type## # A tibble: 2 x 2
## room_type sd
## <chr> <dbl>
## 1 Entire home/apt 174.
## 2 Private room 22.0Como bien puede observarse, la desviación estándar es mucho mayor que la media obtenida en el caso anterior para el alquiler turístico de casas o apartamentos enteros. Esto es un claro indicio de que existen sesgos en el data set analizado con respecto al precio de dichas viviendas, es decir, existen precios cuyo valor es tan extremo con respecto al resto que hace que dicha desviación estándar sea tan elevada. Por lo anterior cabría preguntarse si el barrio es un factor relevante para las enormes diferencias de precios entre los precios del alquiler turístico.
Por ello, siguiendo esta misma lógica, se procede a identificar la media de cada tipo de anuncio por barrio, de tal forma que se pueda empezar a hacer algunas comparaciones entre los distintos barrios de la ciudad.
# Para hallar la media por barrios para el tipo de alquiler basado en habitaciones privadas dentro de un inmueble residencial:
listings01_privateroom_mean_per_barrios <- `listings01-30-abril-2015.csv` %>% filter(room_type=="Private room") %>% group_by(neighbourhood) %>% summarise(mean=mean(price))
# Para hallar la media por barrios para el tipo de alquiler basado en apartamentos ó casas enteras:
listings01_entirehome_mean_per_barrios <- `listings01-30-abril-2015.csv` %>% filter(room_type=="Entire home/apt") %>% group_by(neighbourhood) %>% summarise(mean=mean(price))
# Para comprender mejor la distribución de precios por barrios y por tipo de vivienda, se procede a realizar el siguiente gráfico que ilustra la dinámica de cada barrio con respecto a los precios del alquiler turístico.
# Se crea una nueva tabla que fusiona los datos de las dos anteriores.
listings01_private_and_entire_per_barrios <- merge(listings01_privateroom_mean_per_barrios,listings01_entirehome_mean_per_barrios,by="neighbourhood",all.y=TRUE)
# El siguiente Boxplot permite comprender de manera gráfica la distribución de precios del alquiler turístico en la ciudad con respecto a las modalidades de Habitación Privada - Apartamentos enteros.
# Se procede a preparar el set de datos para el gráfico.
Chart_01_labels_private <- c(listings01_private_and_entire_per_barrios$neighbourhood)
Chart_01_values_private <- c(listings01_private_and_entire_per_barrios$mean.x)
Chart_01_values_entire <- c(listings01_private_and_entire_per_barrios$mean.y)Se Procede a elaborar una serie de gráficos que permitan llevar a cabo las primeras comparaciones entre el comportamiento de cada barrio con respecto a los precios del mercado de alquiler de viviendas de uso turístico:
# Alquiler Turístico de Habitaciones Privadas durante el mes de abril del año 2015 - Distribución de precios.
boxplot(Chart_01_values_private, main = "Precios Alquiler Túristico Habitaciones Privadas", ylab = "Precio", col = "steelblue", border = "black", horizontal = FALSE)
# Alquiler Turístico de Habitaciones Privadas durante el mes de abril del año 2015.
ggplot(data=listings01_private_and_entire_per_barrios, aes(x=neighbourhood, y=mean.x)) + geom_bar(stat="identity", color="black", fill="steelblue") + ggtitle("Precios Alquiler Túristico Habitaciones Privadas", subtitle= "Barrios de Barcelona- Abril 2015") + xlab("Barrio") + ylab("Precio Por Noche") + coord_flip()
# Alquiler Turístico de Casa/Apartamento Entero durante el mes de abril del año 2015 - Distribución de precios.
boxplot(Chart_01_values_entire, main = "Precios Alquiler Casa/Apartamento Entero - Alquiler Túristico", ylab = "Precio", col = "forestgreen", border = "black", horizontal = FALSE)
# Alquiler Turístico de Casa/Apartamento Entero durante el mes de abril del año 2015.
ggplot(data=listings01_private_and_entire_per_barrios, aes(x=neighbourhood, y=mean.y)) + geom_bar(stat="identity", color="black", fill="forestgreen") + ggtitle("Precio Alquiler Túristico Casas/Apartamentos Enteros", subtitle= "Barrios de Barcelona- Abril 2015") + xlab("Barrio") + ylab("Precio Por Noche") + coord_flip()
5 Comparación de los resultados obtenidos con los datos del Alquiler Ordinario de viviendas: El mercado al inicio de la serie temporal.
Habiendo descrito someramente cuál era el estado del mercado de alquiler de viviendas turísticas al inicio de la serie temporal que se analiza (2015-2018), se procede ahora a realizar una comparación entre los precios mensuales del alquiler ordinario de viviendas en Barcelona y los precios medíos por día del alquiler de viviendas turísticas obtenidos en el apartado anterior. De esta manera, se podrá hacer una primera comparación del estado de estos dos mercados (alquiler turístico y alquiler ordinario de viviendas) en el año 2015.
# Se procede a cargar los datos del Data Set que contiene el histórico de precios del alquiler de viviendas por barrios en la ciudad.
lloguer_mitja_mensual <- read_excel("./OTROS DATA SETS/lloguer_mitja_mensual.xlsx", sheet = "ll2014")
# Se procede a fusionar los datos de los dos data sets que se pretenden comparar. En este caso, se procede a comparar los datos del precio medio del alquiler turístico en Barcelona para el mes de abril de 2015 con los datos del precio del alquiler mensual de inmuebles durante el Segundo Trimestre de 2015.
listings01_lloguer_Trimestre_2_2015 <- merge(listings01_private_and_entire_per_barrios,lloguer_mitja_mensual,by="neighbourhood",all.y=TRUE)Para poder realizar un análisis comparativo entre ambos mercados, se requiere que ambos data sets contengan datos expresados en términos similares (anuales, mensuales, diarios). Dado que el data set que contiene los precios del alquiler de habitaciones y viviendas turísticas expresa los precios del alquiler en términos diarios, debe ponderarse dicho precio de tal forma que permita realizar una comparación con el data set que contiene los precios del alquiler mensual por barrio en la ciudad de Barcelona.
Aun así, la ponderación que pretende realizarse no puede hacerse sobre meses o años naturales normales, pues gracias al conjunto de data sets que contienen la información sobre las viviendas de alquiler turístico en la ciudad, se sabe que este tipo de viviendas no están publicadas para ser alquiladas los 365 días del año. Por lo anterior, se procede a hallar la disponibilidad media de dichas viviendas en base a cada tipo de alquiler al que se haga referencia.
listings01_availability_365_per_room_type <- `listings01-30-abril-2015.csv` %>% filter(room_type=="Private room" | room_type=="Entire home/apt") %>% group_by(room_type) %>% summarise(mean=mean(availability_365, na.rm=TRUE))
# La siguiente es la disponibilidad media (en días) de los anuncios publicados en Barcelona por tipo de habitación.
listings01_availability_365_per_room_type## # A tibble: 2 x 2
## room_type mean
## <chr> <dbl>
## 1 Entire home/apt 267.
## 2 Private room 289.Sabiendo en término medio los días en que cada vivienda es alquilada en términos anuales, se proceden a generar dos columnas adicionales en el data set fusionado que refleje el precio medio mensual que percibiría un arrendador de viviendas turísticas por alquilar sus habitaciones o su vivienda entera. Es importante destacar que, con el objetivo de aplicar el mayor grado de objetividad posible, la columna resultado se ajustará por el grado de ocupación hotelera en la ciudad de Barcelona para el mes estudiado. Los datos oficiales sobre el grado de ocupación hotelera en la ciudad pueden ser consultados en la siguiente página web:
Datos grado de ocupación hotelera en la ciudad de Barcelona
listings01_lloguer_Trimestre_2_2015$private_mensual <- listings01_lloguer_Trimestre_2_2015[,2]*30*(289/365)*0.733
listings01_lloguer_Trimestre_2_2015$private_entero <- listings01_lloguer_Trimestre_2_2015[,3]*30*(289/365)*0.733
# Habiendo calculado las columnas necesarias para realizar el análisis, se proceden a extraer las columnas relevantes del data set creado mediante una operación que permita, a su vez, eliminar todos los valores NA que hayan podido resultar de todos los anteriores cálculos hechos en el data set.
listings01_lloguer_Trimestre_2_2015_chart <- listings01_lloguer_Trimestre_2_2015[complete.cases(listings01_lloguer_Trimestre_2_2015), ][c(1:69),c(1,10,25:26)]
listings01_lloguer_Trimestre_2_2015_chart <- listings01_lloguer_Trimestre_2_2015_chart[-c(65, 66, 67, 68, 69), ]
# Se prepara el anterior data set para poder realizar un análisis gráfico que permita visualizar las diferencias entre barrios.
listings01_lloguer_Trimestre_2_2015_chart_melt <- melt(listings01_lloguer_Trimestre_2_2015_chart)## Using neighbourhood as id variablesEl siguiente gráfico ilustra la diferencia entre potenciales ingresos que podría percibir un arrendador que se debata entre alquilar su vivienda mediante los cauces tradicionales o alquilarla para fines turísticos. Los datos obtenidos se expresan en términos mensuales.
ggplot(data=listings01_lloguer_Trimestre_2_2015_chart_melt, aes(x=neighbourhood, y=value, fill=variable)) + geom_bar(stat="identity", color="black", position = "dodge") + labs(title="Comparación Alquiler Ordinario - Alquiler Túristico", subtitle= "Barrios de Barcelona- Abril 2015") + xlab("Barrio") + ylab("Alquiler en Terminos Mensuales") + scale_fill_discrete(labels=c("Alquiler Ordinario","Alquiler Habitiación Airbnb","Alquiler Piso/Casa Entera Airbnb" ))+ coord_flip()
Como bien se puede comprobar mediante un breve análisis del último gráfico, desde el punto de vista de un arrendador, durante el segundo trimestre de 2015 resultaba muchísimo más rentable ofrecer una vivienda en alquiler por una plataforma de alquiler turístico como Airbnb que alquilarla por los cauces habituales. Sin embargo, llegar a tal conclusión sin analizar las distintas variables alrededor de las viviendas de alquiler turístico resultaría un tanto precipitado, pues las viviendas de alquiler turístico se mueven en un mercado muy competitivo que, entre otras cosas, requiere que se deban tener en cuenta una serie de variables a la hora de poder comparar fidedignamente dichas rentabilidades. Dichas variables son:
Los trabajos de limpieza que se deben hacer entre pernoctaciones en Airbnb.
Los trabajos de atención al huésped que se deben hacer entre pernoctaciones en Airbnb (Check-in/Check-out).
El trabajo de marketing y comunicación que se debe tener con el huésped que se hospeda por Airbnb.
Los gastos en electricidad, agua e internet que ya están incluidos en la tarifa de Airbnb.
La diferencia de rentabilidades obtenidas era de esperarse, pues es sabido que la rentabilidad que se puede obtener de alquilar una vivienda por noches a turistas tiende siempre a superar aquella que se obtendría de alquilar una vivienda por los cauces habituales. Este es un patrón común a lo largo de las ciudades en que Airbnb tiene presencia, aun así, sorprende la enorme diferencia entre los distintos barrios de la ciudad con respecto a dichas rentabilidades, lo que invita a un análisis que permita investigar cómo han evolucionado ambos mercados, barrio a barrio, a lo largo de la serie temporal estudiada.
6 El mercado al final de la serie temporal.
Dado que lo que se pretende mediante este análisis es comprobar la evolución del mercado durante toda la serie temporal, se procede a realizar un análisis similar al anterior pero aplicado al final de la serie temporal estudiada.
# Se procede a crear un proceso de carga que permita extraer todos los data sets de que se dispone de forma automatizada, de tal manera que pueda accederse fácilmente a cualquiera de los elementos de la serie temporal y disponer de ellos de una forma ágil que permita realizar comparaciones entre los datos.
datasets_listing_all <- list(`listings01-30-abril-2015.csv`,`listings02-17-julio-2015.csv`,`listings03-02-octubre-2015.csv`,`listings03-04-septiembre-2015.csv`,`listings04-03-enero-2016.csv`,`listings07-07-noviembre-2016.csv`, `listings08-07-diciembre-2016.csv`,`listings09-04-enero-2017.csv`,`listings10-09-febrero-2017.csv`,`listings11-06-marzo-2017.csv`,`listings12-08-abril-2017.csv`,`listings13-07-mayo-2017.csv`,`listings14-05-junio-2017.csv`,`listings15-06-julio-2017.csv`,`listings16-06-agosto-2017.csv`,`listings17-12-septiembre-2017.csv`,`listings18-07-octubre-2017.csv`,`listings19-13-noviembre-2017.csv`,`listings20-09-diciembre-2017.csv`,`listings21-17-enero-2018.csv`,`listings22-07-febrero-2018.csv`,`listings23-12-abril-2018.csv`,`listings24-14-mayo-2018.csv`,`listings25-09-junio-2018.csv`,`listings26-10-julio-2018.csv`,`listings27-14-agosto-2018.csv`,`listings28-11-septiembre-2018.csv`,`listings29-10-octubre-2018.csv`,`listings30-07-noviembre-2018.csv`,`listings31-10-diciembre-2018.csv`,`listings32-14-enero-2019.csv`,`listings33-06-febrero-2019.csv`,`listings34-08-marzo-2019.csv`,`listings35-10-abril-2019.csv`)
# Se crea un proceso que automatice la extracción de las medias del precio del alquiler túristico agrupado por barrios y filtrado por tipo de alquiler (Habitación Privada / Casa / Apartamento Entero)
private_rooms<- lapply(datasets_listing_all, function(x) x %>% filter(room_type == "Private room") %>% group_by(neighbourhood) %>% summarise(mean=mean(price)))
private_rooms_365ava<- lapply(datasets_listing_all, function(x) x %>% filter(room_type == "Private room") %>% group_by(neighbourhood) %>% summarise(mean=mean(availability_365, na.rm=TRUE)))
entire_homes<- lapply(datasets_listing_all, function(x) x %>% filter(room_type == "Entire home/apt") %>% group_by(neighbourhood) %>% summarise(mean=mean(price)))
entire_homes_365ava<- lapply(datasets_listing_all, function(x) x %>% filter(room_type == "Entire home/apt") %>% group_by(neighbourhood) %>% summarise(mean=mean(availability_365, na.rm=TRUE)))
private_entire_34 <- merge(private_rooms[[34]],entire_homes[[34]],by="neighbourhood",all.y=TRUE)
names(private_entire_34)[names(private_entire_34) == "mean.x"] <- "Private_Rooms"
names(private_entire_34)[names(private_entire_34) == "mean.y"] <- "Entire_home/apt"
# Se fusionan los datos anteriores con los corresponidentes a los datos del alquiler ordinario del último mes del que se tiene información. En este caso, estos datos corresponden a los datos del 4to Trimestre del 2018.
lloguerT42018 <- lloguer_mitja_mensual[,c(2,22)]
private_entire_34_lloguerT42018 <- merge(private_entire_34,lloguerT42018,by="neighbourhood",all.y=TRUE)
# Se excluyen los valores NA.
private_entire_34_lloguerT42018_clean <- private_entire_34_lloguerT42018[complete.cases(private_entire_34_lloguerT42018), ]
# Se excluye el Barrio Font d'en Fargues por presentar valores atípicos dentro del estudio.
private_entire_34_lloguerT42018_clean <- private_entire_34_lloguerT42018_clean[private_entire_34_lloguerT42018_clean$neighbourhood != "la Font d'en Fargues",]
# Se calcula la disponibilidad medía de cada tipo de alquiler túristico y se ajustan los valores del data set por dicha medía y por el índice de ocupacion para ese mes.
# Media de disponibilidad para el mes de Abril del 2019 de los anuncions de habitaciones túristicas privadas.
mean(private_rooms_365ava[[34]]$mean)## [1] 143.6766# Media de disponibilidad para el mes de Abril del 2019 de los anuncions de Casas/Apartamentos enteros en habitaciones túristicas privadas.
mean(entire_homes_365ava[[34]]$mean)## [1] 206.523# Se proceden a realizar los ajustes en el data set objetivo.
private_entire_34_lloguerT42018_clean$Private_Rooms <- private_entire_34_lloguerT42018_clean[,2]*30*(144/365)*0.761
private_entire_34_lloguerT42018_clean$`Entire_home/apt` <- private_entire_34_lloguerT42018_clean[,3]*30*(207/365)*0.761
# Se realiza un gráfico que permita entender mejor la diferencia de precios en términos mensuales y ajustados entre el precio del alquiler túristico y del alquiler ordinario de viviendas en Barcelona.
private_entire_34_lloguerT42018_clean_ordered <- private_entire_34_lloguerT42018_clean[,c(1,4,2,3)]
private_entire_34_lloguerT42018_clean_ordered_melt <- melt(private_entire_34_lloguerT42018_clean_ordered)## Using neighbourhood as id variablesEl siguiente gráfico ilustra la diferencia entre potenciales ingresos que podría percibir un arrendador que se debata entre alquilar su vivienda mediante los cauces tradicionales o alquilarla para fines turísticos. Los datos obtenidos se expresan en términos mensuales. Para la elaboración de este gráfico se han usado los precios del alquiler turístico correspondientes a Abril del 2019 y los datos del alquiler ordinario disponible en el último tirmestre del año 2018.
# Se crea el gráfico.
ggplot(data=private_entire_34_lloguerT42018_clean_ordered_melt, aes(x=neighbourhood, y=value, fill=variable)) + geom_bar(stat="identity", color="black", position = "dodge") + labs(title="Comparación Alquiler Ordinario - Alquiler Túristico", subtitle= "Barrios de Barcelona- Abril 2019") + xlab("Barrio") + ylab("Alquiler en Terminos Mensuales") + scale_fill_discrete(labels=c("Alquiler Ordinario","Alquiler Habitiación Airbnb","Alquiler Piso/Casa Entera Airbnb" ))+ coord_flip()
7 Análisis comparativo año a año: Un análisis geográfico del mercado.
Habiendo representado un análisis comparativo entre el estado del mercado del alquiler para cada barrio al inicio y al final de la serie temporal, se procede ahora a elaborar una representación gráfica que permita hacer un análisis comparativo del estado del mercado del alquiler ordinario de viviendas y del mercado del alquiler turístico de viviendas año a año.
7.1 Precios medios del alquiler por barrios para el periodo 2015-2018.
Mediante este gráfico no solamente podrán visualizarse qué barrios de la ciudad poseen los precios medios de alquiler más caros o más baratos, sino que además, se podrá visualizar dichos barrios de manera geográfica, lo que ayudará en la identificación de aquella zonas de Barcelona que presentan los precios de alquiler más caros y aquellas que presentan unos precios medios del alquiler más asequibles para el conjunto de la población.
NOTA TÉCNICA: Haciendo Click en cada uno de los años índicados en la parte superior derecha del gráfico se pueden visualizar los datos para cada año en concreto. Los barrios representados con color rojo son los barrios con el precio medio del alquiler más caro para el año seleccionado.
Haciendo click en el siguiente enlace se puede acceder al GRÁFICO INTERACTIVO Nº 1:
7.2 Renta mensual potencial del alquiler turístico de viviendas 2015-2019.
La naturaleza de este trabajo ha hecho que se viera necesario la creación de un gráfico que permitiera comparar, para cada barrio de la ciudad, la rentabilidad potencial que obtiene un propietario de vivienda que decide optar por la vía del alquiler turístico de su viviend en vez del alquiler tradicional de la misma. Así pues, la siguiente variable del gráfico anterior muestra, para cada barrio de la ciudad, cual sería la renta mensual que potencialmente percibiría un arrendador que, dado el caso, decidiera alquilar su casa o apartamento como una vivienda turística en vez de alquilarla mediante un contrato de alquiler ordinario con un residente permanente de la ciudad.
Haciendo click en el siguiente enlace se puede acceder al GRÁFICO INTERACTIVO Nº 2:
Se calcula la disponibilidad medía de cada tipo de alquiler túristico y se ajustan los valores del data set por dicha medía y por el índice de ocupacion para ese mes.
# Media de disponibilidad para los meses de Abril y Noviembre del 2016 de los anuncions de habitaciones túristicas privadas.
mean(private_rooms_365ava[[5]]$mean)## [1] 304.6974mean(private_rooms_365ava[[6]]$mean)## [1] 242.467# Media de disponibilidad para el mes de Abril y Noviembre del 2016 de los anuncions de Casas/Apartamentos enteros en habitaciones túristicas privadas.
mean(entire_homes_365ava[[5]]$mean)## [1] 273.5159mean(entire_homes_365ava[[6]]$mean)## [1] 225.8552# Se proceden a realizar los ajustes en el data set objetivo.
names(tableau_2016)[2]<-"Price_Private_Rooms_2016"
names(tableau_2016)[3]<-"Price_Entire_home_apt_2016"
tableau_2016$Price_Private_Rooms_2016 <- ((tableau_2016[,2]*30*(273/365)*0.6695))
tableau_2016$Price_Entire_home_apt_2016 <- ((tableau_2016[,3]*30*(244/365)*0.6695))
tableau_2016 <- tableau_2016[,c(1,4,2,3)]
tableau_2016_melt <- melt(tableau_2016)## Using neighbourhood as id variables# Preparación de los data sets para el año 2017.####
tableau_2017 <- correlacion_airbnb_2017[,c(1,2,3,6)]Se calcula la disponibilidad medía de cada tipo de alquiler túristico y se ajustan los valores del data set por dicha medía y por el índice de ocupacion para ese mes.
# Media de disponibilidad para los meses de Abril y Noviembre del 2017 de los anuncions de habitaciones túristicas privadas.
mean(private_rooms_365ava[[11]]$mean)## [1] 216.7949mean(private_rooms_365ava[[17]]$mean)## [1] 191.0594# Media de disponibilidad para el mes de Abril y Noviembre del 2019 de los anuncions de Casas/Apartamentos enteros en habitaciones túristicas privadas.
mean(entire_homes_365ava[[11]]$mean)## [1] 190.5786mean(entire_homes_365ava[[17]]$mean)## [1] 196.5672# Se proceden a realizar los ajustes en el data set objetivo.
tableau_2017$Price_Private_Rooms_2017 <- ((tableau_2017[,2]*30*(203/365)*0.736))
tableau_2017$Price_Entire_home_apt_2017 <- ((tableau_2017[,3]*30*(193/365)*0.736))
tableau_2017 <- tableau_2017[,c(1,4,2,3)]
tableau_2017_melt <- melt(tableau_2017)## Using neighbourhood as id variables8 Análisis de Correlación de Variables.
El siguiente es un estudio de correlación que pretende analizar qué relaciones existen entre todas las variables tratadas hasta el momento en el presente trabajo. Mediante este análisis se pretende identificar si existen patrones entre las diferentes variables que ayuden a comprender el comportamiento de los precios del alquiler en la ciudad.
Se tiene especial interés en conocer si existe algún tipo de correlación entre el número de anuncios de alquiler turístico publicado en Airbnb y el precio del alquiler, por ello, durante este análisis, se pondrá especial atención en extraer los datos que permitan realizar dicho estudio de correlación, hecho lo cual, se ilustrarán los resultados obtenidos de forma gráfica.
8.1 Análisis previo, selección y carga de Data Sets.
Como bien se sabe, el presente estudio trabaja con 34 sets de datos que recopilan los precios del alquiler turístico de viviendas en la ciudad de Barcelona en base a los anuncios publicados en la web Airbnb. Dichos sets de datos corresponden a ciertos meses entre el período comprendido entre Abril del 2015 y Mayo del 2019. Sin embargo, dado que lo que se pretende es realizar un estudio de correlación entre estos datos y algunos de los indicadores estadísticos proporcionados por los organismos oficiales del ayuntamiento de Barcelona, los cuales están en términos trimestrales o anuales, es necesario realizar un muestreo lo más objetivo posible para extraer los data sets que serán utilizados para dichos análisis de correlación.
Así pues, durante este análisis se utilizarán los siguientes datos:
En cuanto a los precios del alquiler ordinario, se utilizarán los precios del último trimestre del año anterior como precio de referencia para el estudio del año en curso. A modo de ejemplo, para el análisis de correlación del año 2015 se utilizarán los precios medios de alquiler del 4to Trimestre del año 2014.
Para los datos relativos al precio medio del alquiler de habitaciones privadas y apartamentos/casas túristicas se utilizarán la medía de precio entre un determinado mes del primer cuatrimestre del año en curso y un mes del último trimestre de ese mismo año. La elección del mes concreto puede variar debido a que no se disponen de datos de todos y cada uno de los meses del año. A modo de ejemplo, para el análisis de correlación del año 2015 se utilizará una media de precios entre Abril del 2015 y Octubre de ese mismo año. La única excepción a este respecto se da para los datos del año 2014, para los que se usarán los primeros datos conocidos del primer Cuatrimestre del año 2015.
Para los datos relativos a la cantidad de anuncios relativos al alquiler de habitaciones privadas y apartamentos/casas turísticas se utilizarán idénticas técnicas a las descritas en el páragrafo anterior.
Para los datos relativos al número de habitantes por barrios, número de viviendas y el índice de renta familiar disponible, se utilizarán los datos propios del año que se está analizando.
Hechas las aclaraciones anteriores, se procede a realizar las manipulaciones de datos correspondientes.
# Se fusionan los datos de la lista que contiene los Data Sets con el precio promedio de habitaciones privadas con los datos que contiene el promedio de precio por apartamento/casas enteras. Esta lista de data sets será especialmente útil en la elaboración de herramientas gráficas que ayuden a entender mejor los datos.
private_entire <- Map(merge, private_rooms, entire_homes, by="neighbourhood")
# Se crea un proceso que automatice la extracción de la cantidad de anuncios de viviendas de alquiler turístico, agrupando los resultados por barrios y filtrado por tipo de alquiler (Habitación Privada / Casa / Apartamento Entero)
private_rooms_count<- lapply(datasets_listing_all, function(x) x %>% filter(room_type == "Private room") %>% count(neighbourhood))
entire_homes_count<- lapply(datasets_listing_all, function(x) x %>% filter(room_type == "Entire home/apt") %>% count(neighbourhood))
# Se procede ahora a crear otro proceso que permita, además, añadir el recuento de anuncios por tipo de alquiler turístico. La lista de datos generada será especialmente útil para llevar a cabo los estudios de correlación.
private_entire_count <- Map(merge, private_rooms_count, entire_homes_count, by="neighbourhood")
# Se procede a la carga de data sets que contienen los datos que serán de utilidad para el análisis de correlación.
correlacion2014 <- read_excel("./DATOS_COMPLETOS_CORRELACION/correlacion_2014.xlsx")
correlacion2015 <- read_excel("./DATOS_COMPLETOS_CORRELACION/correlacion_2015.xlsx")
correlacion2016 <- read_excel("./DATOS_COMPLETOS_CORRELACION/correlacion_2016.xlsx")
correlacion2017 <- read_excel("./DATOS_COMPLETOS_CORRELACION/correlacion_2017.xlsx")
correlacion2018 <- read_excel("./DATOS_COMPLETOS_CORRELACION/correlacion_2018.xlsx")
Airbnb_2014 <- read_excel("./DATOS_COMPLETOS_CORRELACION/2014_Airbnb.xlsx")
Airbnb_2015 <- read_excel("./DATOS_COMPLETOS_CORRELACION/2015_Airbnb.xlsx")
Airbnb_2016 <- read_excel("./DATOS_COMPLETOS_CORRELACION/2016_Airbnb.xlsx")
Airbnb_2017 <- read_excel("./DATOS_COMPLETOS_CORRELACION/2017_Airbnb.xlsx")
Airbnb_2018 <- read_excel("./DATOS_COMPLETOS_CORRELACION/2018_Airbnb.xlsx")
# Se fusionan los distintos data sets por año, excluyendo aquellos barrios para los que no hay información sobre todos los campos solicitados.
correlacion_airbnb_2014 <- merge(Airbnb_2014, correlacion2014, by="neighbourhood")
correlacion_airbnb_2015 <- merge(Airbnb_2015, correlacion2015, by="neighbourhood")
correlacion_airbnb_2016 <- merge(Airbnb_2016, correlacion2016, by="neighbourhood")
correlacion_airbnb_2017 <- merge(Airbnb_2017, correlacion2017, by="neighbourhood")
correlacion_airbnb_2018 <- merge(Airbnb_2018, correlacion2018, by="neighbourhood")8.2 Matriz de Correlación.
# Se crea una función que permita la normalización de los datos.
nor <-function(x) { (x -min(x))/(max(x)-min(x)) }
# Matriz de Correlación para el año 2014. ####
# Se aplica la formula de nomalización creada a todas las columnas del data set de las que se pretende conocer su correlación con la variable estudiada: Precio Ordinario del Alquiler.
corr_air_2014 <- correlacion_airbnb_2014[, -1]
corr_air_2014_norm <- as.data.frame(lapply(corr_air_2014[,c(1:8)], nor))
# Se procede a elaborar una matriz de correlación que permita visualizar mejor los datos de correlación entre las variables obtenidas.
names(corr_air_2014_norm) <- c("Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD")
matriz_corr_2014 <- cor(corr_air_2014_norm)
# Matriz de Correlación para el año 2015. ####
corr_air_2015 <- correlacion_airbnb_2015[, -1]
corr_air_2015_norm <- as.data.frame(lapply(corr_air_2015[,c(1:8)], nor))
# Se procede a elaborar una matriz de correlación que permita visualizar mejor los datos de correlación entre las variables obtenidas.
names(corr_air_2015_norm) <- c("Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD")
matriz_corr_2015 <- cor(corr_air_2015_norm)
# Matriz de Correlación para el año 2016. ####
corr_air_2016 <- correlacion_airbnb_2016[, -1]
corr_air_2016_norm <- as.data.frame(lapply(corr_air_2016[,c(1:8)], nor))
# Se procede a elaborar una matriz de correlación que permita visualizar mejor los datos de correlación entre las variables obtenidas.
names(corr_air_2016_norm) <- c("Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD")
matriz_corr_2016 <- cor(corr_air_2016_norm)
# Matriz de Correlación para el año 2017. ####
corr_air_2017 <- correlacion_airbnb_2017[, -1]
corr_air_2017_norm <- as.data.frame(lapply(corr_air_2017[,c(1:8)], nor))
# Se procede a elaborar una matriz de correlación que permita visualizar mejor los datos de correlación entre variables obtenidos.
names(corr_air_2017_norm) <- c("Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD")
matriz_corr_2017 <- cor(corr_air_2017_norm)
# Matriz de Correlación para el año 2018. ####
# Para el análisis de este año se trabaja con el Indice de Renta Media Disponible del año 2017 por falta de datos sobre este índice para el año 2018.
corr_air_2018 <- correlacion_airbnb_2018[, -1,]
corr_air_2018_norm <- as.data.frame(lapply(corr_air_2018[,c(1:8)], nor))
# Se procede a elaborar una matriz de correlación que permita visualizar mejor los datos de correlación entre variables obtenidos.
names(corr_air_2018_norm) <- c("Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD")
matriz_corr_2018 <- cor(corr_air_2018_norm)A continuación, se representan gáficamente los resultados de las matrices de correlación generadas por año:
col2 <- colorRampPalette(c("#67001F", "#B2182B", "#D6604D", "#F4A582",
"#FDDBC7", "#FFFFFF", "#D1E5F0", "#92C5DE",
"#4393C3", "#2166AC", "#053061"))
# Se genera la matriz de correlación se forma gráfica para el año 2014.
matriz_corr_2014_grafica <- corrplot(matriz_corr_2014, method="color", col=col2(200), diag=FALSE,type="upper", order="hclust",
title= "Matriz de Correlación - Datos 2014", tl.cex = 0.7,
sig.level = 0.05, addCoef.col = "black", insig = "blank", mar=c(0,0,1,0))
# Se genera la matriz de correlación se forma gráfica para el año 2015.
matriz_corr_2015_grafica <- corrplot(matriz_corr_2015, method="color", col=col2(200), diag=FALSE,type="upper", order="hclust", title= "Matriz de Correlación - Datos 2015", tl.cex = 0.7,
sig.level = 0.05, addCoef.col = "black", insig = "blank", mar=c(0,0,1,0))
# Se genera la matriz de correlación se forma gráfica para el año 2016.
matriz_corr_2016_grafica <- corrplot(matriz_corr_2016, method="color", col=col2(200),
diag=FALSE,type="upper", order="hclust",
title= "Matriz de Correlación - Datos 2016", tl.cex = 0.7,
sig.level = 0.05, addCoef.col = "black", insig = "blank", mar=c(0,0,1,0))
# Se genera la matriz de correlación se forma gráfica para el año 2017.
matriz_corr_2017_grafica <- corrplot(matriz_corr_2017, method="color", col=col2(200),
diag=FALSE,type="upper", order="hclust",
title= "Matriz de Correlación - Datos 2017", tl.cex = 0.7,
sig.level = 0.05, addCoef.col = "black", insig = "blank", mar=c(0,0,1,0))
# Se genera la matriz de correlación se forma gráfica para el año 2018.
matriz_corr_2018_grafica <- corrplot(matriz_corr_2018, method="color", col=col2(200),
diag=FALSE,type="upper", order="hclust",
title= "Matriz de Correlación - Datos 2018", tl.cex = 0.7,
sig.level = 0.05, addCoef.col = "black", insig = "blank", mar=c(0,0,1,0))
Esta primera aproximación a la correlación entre variables se puede observar que, tal como indican las matrices graficadas, no parece existir una fuerte correlación entre las variables estudiadas y el precio del alquiler ordinario de viviendas en la ciudad, sino que, como era de esperarse, el precio del Alquiler de Viviendas en Barcelona viene influenciado especialmente por el nivel de Renta Media Disponible de los residentes de cada barrio.
8.3 Cantidad de Anuncios de Airbnb: ¿Existe alguna correlación con los precios del alquiler?
Es ampliamente conocido que la proliferación de viviendas destinadas al alquiler turístico ha sido una de las variables a las que se ha atribuido el aumento del precio del alquiler en la ciudad de Barcelona. Por lo anterior, dado que en este estudio se cuentan con los datos de miles de anuncios dedicados al alquiler turístico de viviendas, conviene analizar gráficamente como es la relación entre el número de viviendas destinadas al alquiler turístico por barrio y el precio medio del alquiler para dicho barrio.
Se procede pues a realizar una serie de ajustes previos a los data sets obtenidos hasta el momento, con esto se pretende conseguir un data set final que permita elaborar un análisis visual que, en un solo gráfico interactivo, permita visualizar la dinámica entre los precios del alquiler en la ciudad y el número de anuncios de alquiler turístico en la ciudad.
# Con el objetivo de uniformizar todos los data sets, se procede a modificar los nombre de las columnas de los data sets obtenidos en el paso anterior.
# Uniformización para los data sets del año 2014. ####
correlacion_airbnb_2014_names <- correlacion_airbnb_2014
names(correlacion_airbnb_2014_names) <- c("neighbourhood ","Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD")
correlacion_airbnb_2014_names$year <- '2014'
# Uniformización para los data sets del año 2015. ####
correlacion_airbnb_2015_names <- correlacion_airbnb_2015
names(correlacion_airbnb_2015_names) <- c("neighbourhood ","Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD")
correlacion_airbnb_2015_names$year <- '2015'
# Uniformización para los data sets del año 2016. ####
correlacion_airbnb_2016_names <- correlacion_airbnb_2016
names(correlacion_airbnb_2016_names) <- c("neighbourhood ","Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD")
correlacion_airbnb_2016_names$year <- '2016'
# Uniformización para los data sets del año 2017. ####
correlacion_airbnb_2017_names <- correlacion_airbnb_2017
names(correlacion_airbnb_2017_names) <- c("neighbourhood ","Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD")
correlacion_airbnb_2017_names$year <- '2017'
# Uniformización para los data sets del año 2018. ####
correlacion_airbnb_2018_names <- correlacion_airbnb_2018
names(correlacion_airbnb_2018_names) <- c("neighbourhood ","Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD")
correlacion_airbnb_2018_names$year <- '2018'
# Se aplica ahora la función rbind sobre todos los data sets obtenidos. ####
correlacion_airbnb_names_all <- rbind(correlacion_airbnb_2014_names, correlacion_airbnb_2015_names, correlacion_airbnb_2016_names, correlacion_airbnb_2017_names, correlacion_airbnb_2018_names)
names(correlacion_airbnb_names_all) <- c("neighbourhood","Price_Airbnb_Rooms", "Price_Airbnb_Apts", "Cantidad_Anuncios_Airbnb_Rooms", "Cantidad_Anuncios_Airbnb_Apts", "Precio_Alquiler", "Poblacion_Barrios", "Cantidad_Viviendas_Ordinarias", "Indice_RMD","year")
correlacion_airbnb_names_all[, c(10)] <- sapply(correlacion_airbnb_names_all[, c(10)], as.factor)
correlacion_airbnb_names_all[,2:9] <-round(correlacion_airbnb_names_all[,2:9],0)8.3.1 Relación entre la cantidad de anuncios de Airbnb y los precios del alquiler: Análisis por año.
plotly_y_label <- list(title = "Precio Alquiler Ordinario")
plotly_x_label <- list(title = "Cantidad de Anuncions Airbnbn Apt/Casa Entera")
corr_air_plotly<-plot_ly(data = correlacion_airbnb_names_all, x = ~Cantidad_Anuncios_Airbnb_Apts, y = ~Precio_Alquiler, text = ~paste("Barrio: ", neighbourhood) , type= "scatter", mode="markers", color=~year, size = ~Precio_Alquiler) %>% layout(xaxis = plotly_x_label, yaxis = plotly_y_label)En el siguiente gráfico interactivo puede visualizarse la dinámica entre los precios del alquiler ordinario de viviendas y la cantidad de anuncios de alquiler turístico en la ciudad.
NOTA TÉCNICA: Para visualizar únicamente los datos de un determinado año debe hacerse Click en el círculo de color ubicado al lado de cada año del estudio en la parte derecha del gráfico. La escala de cada año es ajustada automáticamente. Para hacer zoom sobre una determinada área del gráfico basta con seleccionar dicha área. Para volver a la vista general del gráfico debe hacerse doble Click en cualquier área del gráfico. Dentro del gráfico, círculos más grandes indican un mayor Precio de Alquiler.
corr_air_plotlyAnalizando minuciosamente este gráfico no parece que exista una relación directa entre los barrios que presentan precios medios del alquiler elevados y el número de anuncios que se publican en Airbnb. A pesar de que en la plataforma de alquiler entre particulares se pueden encontrar varios miles de anuncios en la ciudad, no parece que esto se suficiente para ocasionar una distorsión tan fuerte en la estructura de un mercado afectado por cientos de factores.
8.3.2 Relación entre la cantidad de anuncios de Airbnb y los precios del alquiler: Análisis por barrios.
Un análisis barrio a barrio permite visualizar mejor si existe alguna relación directa entre el Número de Anuncios Publicados en Airbnb y el Precio del Alquiler de cada barrio. A continuación, se ajustan los parámetros necesarios para llevar a cabo dicho análisis.
plotly_y_label <- list(title = "Precio Alquiler Ordinario")
plotly_x_label <- list(title = "Cantidad de Anuncions Airbnbn Apt/Casa Entera")
corr_air_plotly_por_barrios<-plot_ly(data = correlacion_airbnb_names_all, x = ~Cantidad_Anuncios_Airbnb_Apts, y = ~Precio_Alquiler, text = ~paste("Year: ", year) , type= "scatter", mode="markers", color=~neighbourhood, size = ~Precio_Alquiler) %>% layout(xaxis = plotly_x_label, yaxis = plotly_y_label)En el siguiente gráfico interactivo puede visualizarse la dinámica entre los precios del alquiler ordinario de viviendas y la cantidad de anuncios de alquiler turístico en la ciudad a nivel de barrio.
NOTA TÉCNICA: Para visualizar únicamente los datos de un determinado barrio debe hacerse Click en el círculo de color ubicado al lado de cada barrio en la parte derecha del gráfico, desactivando todos los barrios que no se quieran visualizar. Para hacer zoom sobre una determinada área del gráfico basta con seleccionar dicha área. Para volver a la vista general del gráfico debe hacerse doble Click en cualquier área del gráfico. Dentro del gráfico, círculos más grandes indican un mayor Precio de Alquiler.
corr_air_plotly_por_barriosLos resultados extraídos de un análisis de este gráfico revelan hechos inesperados para este estudio en relación a ciertos barrios de la ciudad, a saber. Al contrario de lo que se puede pensar, muchos de los que son considerados como barrios de enorme presión turística parecen mostrar dinámicas que van en contra de lo que, comúnmente se cree, causa dicha presión turística: un aumento desmesurado en los precios del alquiler para la población residente. Los ejemplos más claros se pueden extraer de barrios tan populares entre aquellos que visitan la ciudad: La Barceloneta y La Vila de Gracia.
En el caso del barrio de La Barceloneta, se puede observar cómo los precios del alquiler aumentan significativamente año tras año en un entorno en el que el número de anuncios de viviendas de alquiler turístico desciende constantemente. Algo similar pasa con La Vila de Gracia, barrio en el que, a modo de ejemplo, puede observarse como entre el año 2014 y el 2015 el número de anuncios en la ciudad se reduce prácticamente en un 50% mientras que, en el mismo periodo de tiempo, el precio medio del alquiler para los nuevos residentes del barrio se dispara un 10%.
8.4 Introducción de la Tasa de Crecimiento Anual de los Precios del Alquiler.
A pesar de no haber encontrado correlaciones significativas entre los Precios medios del alquiler en la ciudad de Barcelona y los factores hasta ahora tenidos en cuenta, se procede a introducir una nueva variable que ya fue descrita al inicio de este estudio: La Tasa de Crecimiento Anual de los Precios del Alquiler. Introduciendo esta variable se puede conseguir un mayor grado de minuciosidad en los resultados de correlación que se puedan obtener, pues en la medida en que esta variable refleja directamente el fenómeno que se pretende estudiar (el aumento o decremento de los precios del alquiler por barrios), podría conseguirse un set de datos que permita la realización de un data plot que resultaría de gran utilidad para entender este fenómeno inflacionario en la ciudad.
# Se procede a la carga de data sets que contienen los set de datos que contienen la información necesaria para el análisis.
correlacion2014_con_tasa <- read_excel("./DATOS_COMPLETOS_CORRELACION/correlacion_2014_con_tasa.xlsx")
correlacion2015_con_tasa <- read_excel("./DATOS_COMPLETOS_CORRELACION/correlacion_2015_con_tasa.xlsx")
correlacion2016_con_tasa <- read_excel("./DATOS_COMPLETOS_CORRELACION/correlacion_2016_con_tasa.xlsx")
correlacion2017_con_tasa <- read_excel("./DATOS_COMPLETOS_CORRELACION/correlacion_2017_con_tasa.xlsx")
correlacion2018_con_tasa <- read_excel("./DATOS_COMPLETOS_CORRELACION/correlacion_2018_con_tasa.xlsx")
# Se fusionan los distintos data sets por año, excluyendo aquellos barrios para los que no hay información sobre todos los campos solicitados.
correlacion_airbnb_2014_con_tasa <- merge(Airbnb_2014, correlacion2014_con_tasa, by="neighbourhood")
correlacion_airbnb_2015_con_tasa <- merge(Airbnb_2015, correlacion2015_con_tasa, by="neighbourhood")
correlacion_airbnb_2016_con_tasa <- merge(Airbnb_2016, correlacion2016_con_tasa, by="neighbourhood")
correlacion_airbnb_2017_con_tasa <- merge(Airbnb_2017, correlacion2017_con_tasa, by="neighbourhood")
correlacion_airbnb_2018_con_tasa <- merge(Airbnb_2018, correlacion2018_con_tasa, by="neighbourhood")8.4.1 Relación entre la cantidad de anuncios de Airbnb y la tasa de crecimiento de los precios del alquiler: Análisis por año.
# Correlación para el año 2014. ####
# Se aplica la formula de nomalización creada a todas las columnas del data set de las que se pretende conocer su correlación con la variable estudiada: Precio Ordinario del Alquiler.
corr_air_2014_tasa <- correlacion_airbnb_2014_con_tasa[, -1]
corr_air_2014_tasa_norm <- as.data.frame(lapply(corr_air_2014_tasa[,c(1:9)], nor))
# Se procede a elaborar una matriz de correlación que permita visualizar mejor los datos de correlación entre las variables obtenidas.
names(corr_air_2014_tasa_norm) <- c("Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD", "Tasa Crecimiento Alquiler")
matriz_corr_2014_tasa <- cor(corr_air_2014_tasa_norm)
# Correlación para el año 2015. ####
# Se aplica la formula de nomalización creada a todas las columnas del data set de las que se pretende conocer su correlación con la variable estudiada: Precio Ordinario del Alquiler.
corr_air_2015_tasa <- correlacion_airbnb_2015_con_tasa[, -1]
corr_air_2015_tasa_norm <- as.data.frame(lapply(corr_air_2015_tasa[,c(1:9)], nor))
# Se procede a elaborar una matriz de correlación que permita visualizar mejor los datos de correlación entre las variables obtenidas.
names(corr_air_2015_tasa_norm) <- c("Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD", "Tasa Crecimiento Alquiler")
matriz_corr_2015_tasa <- cor(corr_air_2015_tasa_norm)
# Correlación para el año 2016. ####
# Se aplica la formula de nomalización creada a todas las columnas del data set de las que se pretende conocer su correlación con la variable estudiada: Precio Ordinario del Alquiler.
corr_air_2016_tasa <- correlacion_airbnb_2016_con_tasa[, -1]
corr_air_2016_tasa_norm <- as.data.frame(lapply(corr_air_2016_tasa[,c(1:9)], nor))
# Se procede a elaborar una matriz de correlación que permita visualizar mejor los datos de correlación entre las variables obtenidas.
names(corr_air_2016_tasa_norm) <- c("Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD", "Tasa Crecimiento Alquiler")
matriz_corr_2016_tasa <- cor(corr_air_2016_tasa_norm)
# Correlación para el año 2017. ####
# Se aplica la formula de nomalización creada a todas las columnas del data set de las que se pretende conocer su correlación con la variable estudiada: Precio Ordinario del Alquiler.
corr_air_2017_tasa <- correlacion_airbnb_2017_con_tasa[, -1]
corr_air_2017_tasa_norm <- as.data.frame(lapply(corr_air_2017_tasa[,c(1:9)], nor))
# Se procede a elaborar una matriz de correlación que permita visualizar mejor los datos de correlación entre las variables obtenidas.
names(corr_air_2017_tasa_norm) <- c("Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD", "Tasa Crecimiento Alquiler")
matriz_corr_2017_tasa <- cor(corr_air_2017_tasa_norm)
# Correlación para el año 2018. ####
# Se aplica la formula de nomalización creada a todas las columnas del data set de las que se pretende conocer su correlación con la variable estudiada: Precio Ordinario del Alquiler.
corr_air_2018_tasa <- correlacion_airbnb_2018_con_tasa[, -1]
corr_air_2018_tasa_norm <- as.data.frame(lapply(corr_air_2018_tasa[,c(1:9)], nor))
# Se procede a elaborar una matriz de correlación que permita visualizar mejor los datos de correlación entre las variables obtenidas.
names(corr_air_2018_tasa_norm) <- c("Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD", "Tasa Crecimiento Alquiler")
matriz_corr_2018_tasa <- cor(corr_air_2018_tasa_norm)A continuación, se representan gáficamente los resultados de las matrices de correlación generadas para cada año:
# Se genera la matriz de correlación se forma gráfica para el año 2014.
matriz_corr_2014_grafica_tasa <- corrplot(matriz_corr_2014_tasa, method="color", col=col2(200),
diag=TRUE,type="full", order="hclust",
title= "Matriz de Correlación - Datos 2014", tl.cex = 0.6,
sig.level = 0.05, addCoef.col = "black", insig = "blank", mar=c(0,0,1,0))
# Se genera la matriz de correlación se forma gráfica para el año 2015.
matriz_corr_2015_grafica_tasa <- corrplot(matriz_corr_2015_tasa, method="color", col=col2(200),
diag=TRUE,type="full", order="hclust",
title= "Matriz de Correlación - Datos 2015", tl.cex = 0.6,
sig.level = 0.05, addCoef.col = "black", insig = "blank", mar=c(0,0,1,0))
# Se genera la matriz de correlación se forma gráfica para el año 2016.
matriz_corr_2016_grafica_tasa <- corrplot(matriz_corr_2016_tasa, method="color", col=col2(200),
diag=TRUE,type="full", order="hclust",
title= "Matriz de Correlación - Datos 2016", tl.cex = 0.6,
sig.level = 0.05, addCoef.col = "black", insig = "blank", mar=c(0,0,1,0))
# Se genera la matriz de correlación se forma gráfica para el año 2017.
matriz_corr_2017_grafica_tasa <- corrplot(matriz_corr_2017_tasa, method="color", col=col2(200),
diag=TRUE,type="full", order="hclust",
title= "Matriz de Correlación - Datos 2017", tl.cex = 0.6,
sig.level = 0.05, addCoef.col = "black", insig = "blank", mar=c(0,0,1,0))
# Se genera la matriz de correlación se forma gráfica para el año 2018.
matriz_corr_2018_grafica_tasa <- corrplot(matriz_corr_2018_tasa, method="color", col=col2(200),
diag=TRUE,type="full", order="hclust",
title= "Matriz de Correlación - Datos 2018", tl.cex = 0.6,
sig.level = 0.05, addCoef.col = "black", insig = "blank", mar=c(0,0,1,0))
El análisis conjunto de todas las variables permite identificar si existe alguna tendencia que se puede extrapolar a todos los barrios de la ciudad, de esta forma, de conseguirse índices de correlación significativos entre variables podrían realizarse estudios adicionales que implicarían únicamente a las variables identificadas como relevantes. Sin embargo, tal como ha podido comprobarse, la relación entre la tasa de crecimiento del alquiler y el número de anuncios de alquiler turístico publicados no es uniforme para cada año. Esta falta de uniformidad impide que se pueda hablar de una tendencia clara entre una y otra variable, lo que se traduce en que, en términos generales, no existe suficiente evidencia para afirmar que un aumento significativo en el número de anuncios de alquiler de uso turístico en la ciudad se traduce en un aumento significativo en los precios del alquiler.
Dicho lo anterior, se procede a elaborar una herramienta gráfica que ilustre mejor la relación entre la Tasa de Crecimiento de los Precio del Alquiler y el Número de anuncios de alquiler Turístico al mínimo nivel de detalle posible, es decir, a nivel de cada barrio de la ciudad.
# Con el objetivo de uniformizar todos los data sets, se procede a modificar los nombre de las columnas de los data sets obtenidos en el paso anterior.
# Uniformización para los data sets del año 2014. ####
correlacion_airbnb_2014_names_con_tasa <- correlacion_airbnb_2014_con_tasa
names(correlacion_airbnb_2014_names_con_tasa) <- c("neighbourhood ","Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD", "Tasa Crecimiento Alquiler")
correlacion_airbnb_2014_names_con_tasa$year <- '2014'
# Uniformización para los data sets del año 2015. ####
correlacion_airbnb_2015_names_con_tasa <- correlacion_airbnb_2015_con_tasa
names(correlacion_airbnb_2015_names_con_tasa) <- c("neighbourhood ","Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD", "Tasa Crecimiento Alquiler")
correlacion_airbnb_2015_names_con_tasa$year <- '2015'
# Uniformización para los data sets del año 2016. ####
correlacion_airbnb_2016_names_con_tasa <- correlacion_airbnb_2016_con_tasa
names(correlacion_airbnb_2016_names_con_tasa) <- c("neighbourhood ","Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD", "Tasa Crecimiento Alquiler")
correlacion_airbnb_2016_names_con_tasa$year <- '2016'
# Uniformización para los data sets del año 2017. ####
correlacion_airbnb_2017_names_con_tasa <- correlacion_airbnb_2017_con_tasa
names(correlacion_airbnb_2017_names_con_tasa) <- c("neighbourhood ","Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD", "Tasa Crecimiento Alquiler")
correlacion_airbnb_2017_names_con_tasa$year <- '2017'
# Uniformización para los data sets del año 2018. ####
correlacion_airbnb_2018_names_con_tasa <- correlacion_airbnb_2018_con_tasa
names(correlacion_airbnb_2018_names_con_tasa) <- c("neighbourhood ","Price Airbnb Rooms", "Price Airbnb Apts", "Nº Airbnb Rooms", "Nº Airbnb Apts", "Precio Alquiler", "Población Barrios", "Nº Viviendas", "Indice RMD", "Tasa Crecimiento Alquiler")
correlacion_airbnb_2018_names_con_tasa$year <- '2018'
# Se aplica ahora la función rbind sobre todos los data sets obtenidos. ####
correlacion_airbnb_names_all_con_tasa <- rbind(correlacion_airbnb_2014_names_con_tasa, correlacion_airbnb_2015_names_con_tasa, correlacion_airbnb_2016_names_con_tasa, correlacion_airbnb_2017_names_con_tasa, correlacion_airbnb_2018_names_con_tasa)
names(correlacion_airbnb_names_all_con_tasa) <- c("neighbourhood","Price_Airbnb_Rooms", "Price_Airbnb_Apts", "Cantidad_Anuncios_Airbnb_Rooms", "Cantidad_Anuncios_Airbnb_Apts", "Precio_Alquiler", "Poblacion_Barrios", "Cantidad_Viviendas_Ordinarias", "Indice_RMD", "Tasa_Crecimiento_Alquiler", "year")
# Se establece la columna correspondiente al año cono una variable de tipo factor.
correlacion_airbnb_names_all_con_tasa[, c(11)] <- sapply(correlacion_airbnb_names_all_con_tasa[, c(11)], as.factor)
correlacion_airbnb_names_all_con_tasa[,2:9] <-round(correlacion_airbnb_names_all_con_tasa[,2:9],0)
correlacion_airbnb_names_all_con_tasa[,10] <- round(correlacion_airbnb_names_all_con_tasa[,10],3)plotly_y_label_tasa <- list(title = "Tasa de Crecimiento Anual del Precio del Alquiler")
plotly_x_label <- list(title = "Cantidad de Anuncions Airbnbn Apt/Casa Entera")
corr_air_plotly_tasa<-plot_ly(data = correlacion_airbnb_names_all_con_tasa, x = ~Cantidad_Anuncios_Airbnb_Apts, y = ~Tasa_Crecimiento_Alquiler, text = ~paste("Barrio: ", neighbourhood) , type= "scatter", mode="markers", color=~year, size = ~Tasa_Crecimiento_Alquiler) %>% layout(xaxis = plotly_x_label, yaxis = plotly_y_label_tasa)En el siguiente gráfico interactivo puede visualizarse la dinámica entre los precios del alquiler ordinario de viviendas y la cantidad de anuncios de alquiler turístico en la ciudad.
NOTA TÉCNICA: Para visualizar únicamente los datos de un determinado año debe hacerse Click en el círculo de color ubicado al lado de cada año del estudio en la parte derecha del gráfico. La escala de cada año es ajustada automáticamente. Para hacer zoom sobre una determinada área del gráfico basta con seleccionar dicha área. Para volver a la vista general del gráfico debe hacerse doble Click en cualquier área del gráfico. Dentro del gráfico, círculos más grandes indican una mayor Tasa de Crecimiento del Alquiler.
corr_air_plotly_tasaComo se puede observar, no existe una relación clara e inequívoca entre la Tasa de Crecimiento del Precio del Alquiler y la Cantidad de Anuncios de Airbnb en que se publicitan Apartamentos o Casas Enteras para el uso turístico.
Hasta ahora no se han podido encontrar patrones de correlación claros que permitan afirmar que la presencia de plataformas de alquiler turístico como Airbnb, estén teniendo una influencia significativa en el aumento de los precios del alquiler en la ciudad de Barcelona. Los distintos análisis llevados a cabo hasta el momento parecen demostrar que, al contrario de lo que suele pensarse, un mayor número de anuncios de viviendas destinadas al alquiler turístico no implica directamente un aumento significativo en los precios del alquiler en la ciudad.
8.4.2 Relación entre la cantidad de anuncios de Airbnb y la tasa de crecimiento de los precios del alquiler: Análisis por barrios.
Como ya se dijo anteriormente, no fueron encontrados resultados significativos entre las variables estudiadas a nivel general, es decir, computando los datos de todos los barrios de la ciudad y analizándolos en su conjunto. Sin embargo, hay que resalar que las conclusiones extraídas hasta el momento derivan de un análisis de correlación sobre todos los barrios de la ciudad en su conjunto, lo que se traduce en que las conclusiones expuestas podrían no ser extrapolables a ciertos barrios de la ciudad.
Como sucede en todas las grandes urbes de interés turístico, la afluencia de turistas no es uniforme para todos los barrios de la ciudad, por lo que cabría esperarse que las pernoctaciones de estos tampoco lo fueran. Sabiendo esto, se procede ahora a analizar el comportamiento de cada uno de los barrios con respecto a la variable Cantidad de Anuncios publicados en Airbnb, pues de esta forma se podrá visualizar mejor las dinámicas para cada uno de los barrios de la ciudad.
Como ya se hizo en apartados anteriores, se procede a elaborar una herramienta gráfica que permita visualizar las relaciones entre variables. Se opta por una herramienta similar a las ya usadas con anterioridad.
plotly_y_label_tasa <- list(title = "Tasa de Crecimiento Anual del Precio del Alquiler")
plotly_x_label <- list(title = "Cantidad de Anuncions Airbnbn Apt/Casa Entera")
corr_air_plotly_tasa_barrios<-plot_ly(data = correlacion_airbnb_names_all_con_tasa, x = ~Cantidad_Anuncios_Airbnb_Apts, y = ~Tasa_Crecimiento_Alquiler, text = ~paste("Year: ", year) , type= "scatter", mode="markers", color=~neighbourhood, size = ~Tasa_Crecimiento_Alquiler) %>% layout(xaxis = plotly_x_label, yaxis = plotly_y_label_tasa)En el siguiente gráfico interactivo puede visualizarse la dinámica entre los precios del alquiler ordinario de viviendas y la cantidad de anuncios de alquiler turístico en la ciudad.
NOTA TÉCNICA: Para visualizar únicamente los datos de un determinado barrio debe hacerse Click en el círculo de color ubicado al lado de cada barrio en la parte derecha del gráfico, desactivando todos los barrios que no se quieran visualizar. Para hacer zoom sobre una determinada área del gráfico basta con seleccionar dicha área. Para volver a la vista general del gráfico debe hacerse doble Click en cualquier área del gráfico. Dentro del gráfico, círculos más grandes indican una mayor Tasa de Crecimiento del Alquiler.
corr_air_plotly_tasa_barrios8.5 Inspeccionando a los residentes permantenes: El factor población.
Dado que el objetivo del presente trabajo es encontrar patrones de correlación claros que permitan averiguar a qué se debe el incremento de los precios del alquiler en Barcelona, en los apartados siguientes se proceden a utilizar otras variables distintas a las usadas hasta el momento en los estudios de correlación por barrio. Así pues, dejando de lado el factor Airbnb, se opta por una nueva persepectiva de análisis que parte de un presupuesto inicial: El incremento acelerado de los precios del alquiler puede estar siendo causado por un fuerte incremento en el número de residentes en la ciudad.
Como ya se pudo comprobar en las matrices de correlación elaboradas, el coeficiente de correlación entre las variables Población y Precio Medio del Alquiler no son lo suficientemente altas y uniformes para todos los años estudiados. Por ello, tal como se hizo con las variables relacionadas con los alquileres turísticos en Airbnb, se opta por elaborar un análisis que permita verificar, barrio a barrio, si existe alguna relación entre el Precio Medio del Alquiler y el número de residentes permanentes en la ciudad.
Se procede pues, a diseñar una herramienta gráfica que permita visualizar si existe tal relación entre variables.
plotly_x_label_poblacion <- list(title = "Poblacion Residente")
corr_air_plotly_poblacion<-plot_ly(data = correlacion_airbnb_names_all_con_tasa, x = ~Poblacion_Barrios, y = ~Precio_Alquiler, text = ~paste("Year: ", year) , type= "scatter", mode="markers", color=~neighbourhood, size = ~Precio_Alquiler) %>% layout(xaxis = plotly_x_label_poblacion, yaxis = plotly_y_label)Se genera a continuación un gráfico que permite visualizar cuál ha sido la evolución de precios del alquiler en relación con el número de residentes para cada barrio en concreto.
NOTA TÉCNICA: Para visualizar únicamente los datos de un determinado barrio debe hacerse click en el círculo de color ubicado al lado de cada barrio en la parte derecha del gráfico, desactivando todos los barrios que no se quieran visualizar. Para hacer zoom sobre una determinada área del gráfico basta con seleccionar dicha área. Para volver a la vista general del gráfico debe hacerse doble click en cualquier área del gráfico. Dentro del gráfico, círculos más grandes indican una mayor Tasa de Crecimiento del Alquiler.
corr_air_plotly_poblacionLos resultados que pueden obtenerse de una exploración detallada de este gráfico resultan muy interesantes para el cometido del presente trabajo, pues tal como se puede observar, existe un patrón que se repite continuamente para gran cantidad de barrios en la ciudad: a excepción del período comprendido entre los años 2014-2015, a mayor número de residentes, mayor es el precio del alquiler.
Para ejemplificar la afirmación anterior, se describe a continuación la situación de algunos barrios de la ciudad que se caracterizan por ser barrios con una afluencia considerable de visitantes:
correlacion_grafico_por_barrios <- as.data.frame(correlacion_airbnb_names_all_con_tasa)
correlacion_grafico_por_barrios <- correlacion_grafico_por_barrios[,c(1,6,7,8,11)]# El Barri Gòtic:
alquiler_poblacion_gotic <- correlacion_grafico_por_barrios[correlacion_grafico_por_barrios$neighbourhood == "el Barri Gòtic",]
ggplot(data=alquiler_poblacion_gotic, aes(x=Poblacion_Barrios, y=Precio_Alquiler, group=1)) +
geom_path(arrow = arrow(), size = 1)+ geom_point(aes(color=year), size=3) + labs(title="Evolución del Precio del Alquiler y la Población", subtitle= "Barrio: El Barri Gòtic") + xlab("Población") + ylab("Precio del Alquiler")
# La Sagrada Familia:
alquiler_poblacion_sagrada <- correlacion_grafico_por_barrios[correlacion_grafico_por_barrios$neighbourhood == "la Sagrada Família",]
ggplot(data=alquiler_poblacion_sagrada, aes(x=Poblacion_Barrios, y=Precio_Alquiler, group=1)) +
geom_path(arrow = arrow(), size = 1)+ geom_point(aes(color=year), size=3) + labs(title="Evolución del Precio del Alquiler y la Población", subtitle= "Barrio: La Sagrada Familia") + xlab("Población") + ylab("Precio del Alquiler")
# L'Antiga Esquerra de l'Eixample:
alquiler_poblacion_antiga <- correlacion_grafico_por_barrios[correlacion_grafico_por_barrios$neighbourhood == "l'Antiga Esquerra de l'Eixample",]
ggplot(data=alquiler_poblacion_antiga, aes(x=Poblacion_Barrios, y=Precio_Alquiler, group=1)) +
geom_path(arrow = arrow(), size = 1)+ geom_point(aes(color=year), size=3) + labs(title="Evolución del Precio del Alquiler y la Población", subtitle= "Barrio: L'Antiga Esquerra de l'Eixample") + xlab("Población") + ylab("Precio del Alquiler")
Como puede observarse, en los que podrían considerarse como tres de los barrios que gozan de más popularidad entre los visitantes a la ciudad, entre los años 2014-2015 se produce un fenomeno interesante: a pesar de haber sufrido una pérdida de vecinos, se produce un aumento en el precio del alquiler, un aumento de precios que se acelera a partir del año 2015 y que mantiene su tendencia al alza hasta la fecha de hoy.
Si se analizan los datos macroeconómicos, se puede observar que, coincidencialmente, es a partir del año 2015 cuando la Comunidad Autonoma de Cataluña empieza a experimentar un crecimiento acelerado en su PIB después de haber experimentado años consecutivos de recesión económica. No es objeto de este estudio el analizar todas y cada una de las variables que podrían explicar un aumento del precio del alquiler en cada barrio de la ciudad, sin embargo, el crecimiento económico es sin duda una de las variables que deben tenerse en cuenta a la hora de dar una explicación sobre el por qué del acelerado incremento en los precios del alquiler en la ciudad, pues en la medida en que gran parte de la actividad económica de Catalunya se concentra en Barcelona, esto supone que, hipotéticamente, a partir del año 2015 ha habido una llegada masiva de nuevos trabajadores a la capital catalana.
No obstante lo anterior, el patrón que constantemente se repite para muchos de los barrios de la capital parece estar cambiando en el último año para ciertos barrios de la ciudad que, por sus propias características, resultan muy atractivos entre los nuevos residentes. Tal como puede observarse en los siguientes gráficos sobre dos de los barrios más atractivos de la ciudad, entre el año 2017 y el 2018 se produjo una reducción considerable en el número de residentes de dichos barrios a la vez que el precio medio del alquiler experimentó una subida considerable.
# La Barceloneta:
alquiler_poblacion_barceloneta <- correlacion_grafico_por_barrios[correlacion_grafico_por_barrios$neighbourhood == "la Barceloneta",]
ggplot(data=alquiler_poblacion_barceloneta, aes(x=Poblacion_Barrios, y=Precio_Alquiler, group=1)) +
geom_path(arrow = arrow(), size = 1)+ geom_point(aes(color=year), size=3) + labs(title="Evolución del Precio del Alquiler y la Población", subtitle= "Barrio: La Barceloneta") + xlab("Población") + ylab("Precio del Alquiler")
# Se generan los datos y el gráfico para el barrio La Vila De Grácia:
alquiler_poblacion_gracia <- correlacion_grafico_por_barrios[correlacion_grafico_por_barrios$neighbourhood == "la Vila de Gràcia",]
ggplot(data=alquiler_poblacion_gracia, aes(x=Poblacion_Barrios, y=Precio_Alquiler, group=1)) +
geom_path(arrow = arrow(), size = 1)+ geom_point(aes(color=year), size=3) + labs(title="Evolución del Precio del Alquiler y la Población", subtitle= "Barrio: La Vila de Gràcia") + xlab("Población") + ylab("Precio del Alquiler")
Dado que no se tienen datos del año en curso, no puede hablarse de un cambio de tendencia con respecto al patrón que claramente se presentó durante los años 2015 al 2017, años en los que se produce en estos barrios el patrón que más se ha detectado en la mayoría de los barrios de la ciudad: a mayor número de nuevos residentes en un barrio, mayores precios medios del alquiler.
para comprobar si el incremento en el número de residentes en los barrios de la ciudad viene acompañado de una subida en los precios del alquiler, se procede a analizar dicho fenómeno en algunos barrios de la ciudad que tradicionalmente no han sido barrios de especial interés turístico. Se analizan a continuación dos de estos barrios:
# Se generan los datos y el gráfico para el barrio Can Baró.
alquiler_poblacion_canbaro <- correlacion_grafico_por_barrios[correlacion_grafico_por_barrios$neighbourhood == "Can Baró",]
ggplot(data=alquiler_poblacion_canbaro, aes(x=Poblacion_Barrios, y=Precio_Alquiler, group=1)) +
geom_path(arrow = arrow(), size = 1)+ geom_point(aes(color=year), size=3) + labs(title="Evolución del Precio del Alquiler y la Población", subtitle= "Barrio: Can Baró") + xlab("Población") + ylab("Precio del Alquiler")
# Se generan los datos y el gráfico para el barrio Montbau.
alquiler_poblacion_montbau <- correlacion_grafico_por_barrios[correlacion_grafico_por_barrios$neighbourhood == "Montbau",]
ggplot(data=alquiler_poblacion_montbau, aes(x=Poblacion_Barrios, y=Precio_Alquiler, group=1)) +
geom_path(arrow = arrow(), size = 1)+ geom_point(aes(color=year), size=3) + labs(title="Evolución del Precio del Alquiler y la Población", subtitle= "Barrio: Montbau") + xlab("Población") + ylab("Precio del Alquiler")
# Se generan los datos y el gráfico para el barrio La Maternitat i Sant Ramon.
alquiler_poblacion_maternitat <- correlacion_grafico_por_barrios[correlacion_grafico_por_barrios$neighbourhood == "la Maternitat i Sant Ramon",]
ggplot(data=alquiler_poblacion_maternitat, aes(x=Poblacion_Barrios, y=Precio_Alquiler, group=1)) +
geom_path(arrow = arrow(), size = 1)+ geom_point(aes(color=year), size=3) + labs(title="Evolución del Precio del Alquiler y la Población", subtitle= "Barrio: La Maternitat i Sant Ramon") + xlab("Población") + ylab("Precio del Alquiler")
# Se generan los datos y el gráfico para el barrio La Prosperitat.
alquiler_poblacion_prosperitat <- correlacion_grafico_por_barrios[correlacion_grafico_por_barrios$neighbourhood == "la Prosperitat",]
ggplot(data=alquiler_poblacion_prosperitat, aes(x=Poblacion_Barrios, y=Precio_Alquiler, group=1)) +
geom_path(arrow = arrow(), size = 1)+ geom_point(aes(color=year), size=3) + labs(title="Evolución del Precio del Alquiler y la Población", subtitle= "Barrio: La Prosperitat") + xlab("Población") + ylab("Precio del Alquiler")
A pesar de que este patrón se repite para muchos de los barrios de la ciudad, este no es un patrón que pueda generalizarse exhaustivamente a todos y cada uno de los barrios de Barcelona, pues ya sea por las peculiaridades de cada barrio o bien porque no se cuentan con suficientes datos para dibujar un patrón de comportamiento de precios para dicho barrio, existen algunos lugares en la ciudad en que la evolución de precios del alquiler no sigue un patrón claro, como ya pudo comprobarse con los barrios de La Barceloneta y La Vila de Gracia. No obstante, habiéndose llegado a este punto del proceso de análisis y después de haber analizado en profundidad muchas de las dinámicas que se presentan en el mercado del alquiler en la ciudad, se cuenta con suficiente evidencia para hablar de que existe una correlación generalizada entre el aumento de residentes en Barcelona y el aumento de los precios medio del alquiler para casi todos los barrios de la ciudad.
9 ¿Burbuja del alquiler o burbuja de inquilinos?
A lo largo del presente trabajo se han descrito algunas de las características más relevantes del mercado del alquiler en la ciudad de Barcelona, analizando las distintas variables que pudieron haber tenido mayor influencia en el crecimiento acelerado de los precios medios del alquiler experimentado en los últimos años. Todos los resultados obtenidos hasta el momento parecen indicar que no han sido las viviendas de alquiler turístico las que han tenido un papel relevante en ese proceso inflacionario de los precios medios del alquiler sino, como se ha podido demostrar en el apartado anterior, el aumento de la población en algunos barrios de la ciudad.
A pesar de que no es objeto del presente estudio el investigar cuáles son las causas que han guiado el incremento/decremento del número de residentes en los distintos barrios de la ciudad, se ha visto la necesidad de explicar cuál ha sido la dinámica de movimientos de la población a lo largo de la serie temporal estudiada. Dicho lo anterior, conviene preguntarse en este punto si el problema del acelerado incremento en los precios medios del alquiler en la ciudad de Barcelona ha sido guiado por una sobredemanda de viviendas por parte de nuevos inquilinos que, dispuestos a pagar un sobreprecio por vivir en ciertos barrios de la ciudad, han causado que la ratio entre número de habitantes y viviendas disponibles haya incrementado considerablemente.
Para indagar más sobre esta cuestión, se procede ahora a elaborar un análisis que permita visualizar cuáles son los barrios que más han sido influidos por dicha afluencia de nuevos residentes a la ciudad con la consecuente distorsión en el ratio residentes-viviendas disponibles, pues en la medida en que coincida que son dichos barrios los que han experimentado un mayor incremento en su Tasa de Crecimiento Compuesto del alquiler, podría empezar a relacionarse el problema del aumento acelerado en los precios medios del alquiler en Barcelona con una burbuja de nuevos residentes.
Para analizar las cuestiones antes descritas, se ha elaborado un análisis gráfico partiendo de una serie de premisas que se enumeran a continuación:
Se toma el año 2014 como punto de partida en el análisis de ratios, pues es en este año cuando empieza la acelerada subida en los precios del alquiler.
Se haya la Tasa Anual de Crecimiento Compuesto del número de residentes y del número de viviendas disponibles.
En cómputo global para la ciudad de Barcelona, la Tasa Anual de Crecimiento Compuesto del número de habitantes es cerca de un 62 % superior a la Tasa Anual de Crecimiento Compuesto del número de viviendas.
Para considerarse una situación de equilibrio entre oferta y demanda, es decir, una situación como la del año 2014, la Tasa Anual de Crecimiento Compuesto del número de residentes no debe ser mucho mayor a la del número de viviendas disponibles. Dicho esto, la diferencia en tasas antes mencionada para la ciudad de Barcelona denota ya una situación de sobredemanda en el mercado de alquiler de viviendas.
Una ratio muy alta entre ambas tasas de crecimiento indica que la velocidad en que crece el número de personas que trasladan su domicilio a Barcelona no puede ser superada por las instituciones de mercado encargadas de ofrecer suficientes nuevas viviendas a estos nuevos residentes, lo que irremediablemente implica una subida en los precios del alquiler en dicho barrio.
De la aplicación de algunos conceptos fundamentales de teoría económica al fenómeno estudiado se puede extraer que, dada la situación de sobredemanda, debería de producirse una subida en los precios del bien sobre demandado (viviendas en régimen de alquiler) a nivel generalizado en el mercado y, en aquellos barrios en los que la oferta si es capaz de satisfacer a la creciente demanda, los nuevos precios de equilibrio de mercado deberían ser muy superiores a los precios experimentados antes de dicha subida generalizada.
La situación anterior puede visualizarse mejor en el siguiente mapa interactivo, que muestra cuáles son los barrios en que mayor distorsión ha habido en la ratio residentes-viviendas disponibles y cuáles son los barrios en los que el mercado ha podido suplir a la oferta a unos precios muy superiores a los anteriores a los del inicio de la subida acelerada de precios. Un barrio con una ratio de, por ejemplo 0.25, significa que, en dicho barrio, la tasa de crecimiento de Viviendas Disponibles debió haber crecido un 25% más para estar en equilibrio con la Tasa de Crecimiento experimentada por la Población Residente.
Haciendo click sobre la siguiente imagen se puede acceder al gráfico interactivo Nº 3:
9.1 Anáisis mediante un Modelo de Correlación Linear.
A continuación, con el objetivo de ilustrar numéricamente cuál es la relación entre el número de residentes en la ciudad y el aumento de los precios del alquiler durante la serie temporal estudiada (2014-2018), se lleva a cabo un análisis de correlación que permita representar de forma gráfica cuál ha sido el coeficiente de correlación entre variables y determinar cuál es el valor de R-squared (Multiple R-squared y Adjusted R-squared) para una muestra de barrios en la ciudad. Para ello, se excluye de este análisis los datos del año 2014, pues como se ha podido comprobar, la tendencia de fuerte crecimiento en los precios del alquiler se empieza a percibir a partir del año 2015.
# Correlación Lineal. ####
# Barrio: El Camp d'en Grassot i Gràcia Nova.
alquiler_poblacion_grassot <- correlacion_grafico_por_barrios[correlacion_grafico_por_barrios$neighbourhood == "el Camp d'en Grassot i Gràcia Nova",]
alquiler_poblacion_grassot_corr <- alquiler_poblacion_grassot[-which((alquiler_poblacion_grassot$year == 2014)),]
linear_model_grassot <- lm(Precio_Alquiler ~ Poblacion_Barrios, data=alquiler_poblacion_grassot_corr)
summary(linear_model_grassot)##
## Call:
## lm(formula = Precio_Alquiler ~ Poblacion_Barrios, data = alquiler_poblacion_grassot_corr)
##
## Residuals:
## 72 137 202 266
## -7.899 10.957 2.649 -5.707
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -9.581e+03 8.056e+02 -11.89 0.00700 **
## Poblacion_Barrios 3.033e-01 2.345e-02 12.93 0.00593 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.54 on 2 degrees of freedom
## Multiple R-squared: 0.9882, Adjusted R-squared: 0.9823
## F-statistic: 167.2 on 1 and 2 DF, p-value: 0.005926ggplot(alquiler_poblacion_grassot_corr, aes(x=Poblacion_Barrios, y= Precio_Alquiler)) + geom_point(position = "jitter") + geom_smooth(method='lm') + labs(title="Modelo Correlación Precio del Alquiler - Población", subtitle= "Barrio: El Camp d'en Grassot i Gràcia Nova") + xlab("Población Residente") + ylab("Precio Alquiler")
# Barrio: El Camp de l'Arpa del Clot.
alquiler_poblacion_grassot <- correlacion_grafico_por_barrios[correlacion_grafico_por_barrios$neighbourhood == "el Camp de l'Arpa del Clot",]
alquiler_poblacion_grassot_corr <- alquiler_poblacion_grassot[-which((alquiler_poblacion_grassot$year == 2014)),]
linear_model_grassot <- lm(Precio_Alquiler ~ Poblacion_Barrios, data=alquiler_poblacion_grassot_corr)
summary(linear_model_grassot)##
## Call:
## lm(formula = Precio_Alquiler ~ Poblacion_Barrios, data = alquiler_poblacion_grassot_corr)
##
## Residuals:
## 73 138 203 267
## -11.842 13.610 3.765 -5.532
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.496e+04 2.767e+03 -9.020 0.0121 *
## Poblacion_Barrios 6.710e-01 7.222e-02 9.291 0.0114 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 13.61 on 2 degrees of freedom
## Multiple R-squared: 0.9774, Adjusted R-squared: 0.966
## F-statistic: 86.32 on 1 and 2 DF, p-value: 0.01139ggplot(alquiler_poblacion_grassot_corr, aes(x=Poblacion_Barrios, y= Precio_Alquiler)) + geom_point(position = "jitter") + geom_smooth(method='lm') + labs(title="Modelo Correlación Precio del Alquiler - Población", subtitle= "Barrio: El Camp de l'Arpa del Clot") + xlab("Población Residente") + ylab("Precio Alquiler")
# Barrio: El Fort Pienc.
alquiler_poblacion_fort <- correlacion_grafico_por_barrios[correlacion_grafico_por_barrios$neighbourhood == "el Fort Pienc",]
alquiler_poblacion_fort_corr <- alquiler_poblacion_fort[-which((alquiler_poblacion_fort$year == 2014)),]
linear_model_fort <- lm(Precio_Alquiler ~ Poblacion_Barrios, data=alquiler_poblacion_fort_corr)
summary(linear_model_fort)##
## Call:
## lm(formula = Precio_Alquiler ~ Poblacion_Barrios, data = alquiler_poblacion_fort_corr)
##
## Residuals:
## 78 143 208 272
## -2.484 4.827 -24.608 22.265
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.021e+04 1.908e+03 -5.349 0.0332 *
## Poblacion_Barrios 3.477e-01 5.988e-02 5.807 0.0284 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 23.78 on 2 degrees of freedom
## Multiple R-squared: 0.944, Adjusted R-squared: 0.916
## F-statistic: 33.72 on 1 and 2 DF, p-value: 0.0284ggplot(alquiler_poblacion_fort_corr, aes(x=Poblacion_Barrios, y= Precio_Alquiler)) + geom_point(position = "jitter") + geom_smooth(method='lm') + labs(title="Modelo Correlación Precio del Alquiler - Población", subtitle= "Barrio: El Fort Pienc") + xlab("Población Residente") + ylab("Precio Alquiler")
# Barrio: La Bordeta.
alquiler_poblacion_bordeta <- correlacion_grafico_por_barrios[correlacion_grafico_por_barrios$neighbourhood == "la Bordeta",]
alquiler_poblacion_bordeta_corr <- alquiler_poblacion_bordeta[-which((alquiler_poblacion_bordeta$year == 2014)),]
linear_model_bordeta <- lm(Precio_Alquiler ~ Poblacion_Barrios, data=alquiler_poblacion_bordeta_corr)
summary(linear_model_bordeta)##
## Call:
## lm(formula = Precio_Alquiler ~ Poblacion_Barrios, data = alquiler_poblacion_bordeta_corr)
##
## Residuals:
## 89 153 219 283
## -33.947 4.493 45.094 -15.639
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -6336.7119 2564.9139 -2.471 0.132
## Poblacion_Barrios 0.3814 0.1380 2.764 0.110
##
## Residual standard error: 41.54 on 2 degrees of freedom
## Multiple R-squared: 0.7925, Adjusted R-squared: 0.6887
## F-statistic: 7.637 on 1 and 2 DF, p-value: 0.1098ggplot(alquiler_poblacion_bordeta_corr, aes(x=Poblacion_Barrios, y= Precio_Alquiler)) + geom_point(position = "jitter") + geom_smooth(method='lm') + labs(title="Modelo Correlación Precio del Alquiler - Población", subtitle= "Barrio: La Bordeta") + xlab("Población Residente") + ylab("Precio Alquiler")
Como se puede observar para este grupo de barrios, los valores de Multiple R-squared y Adjusted R-squared son consistentemente altos en los modelos creados. R-squared es un indicador estadístico que sirve como aproximación para saber qué tan cerca están los datos del modelo con respecto a la línea de regresión creada por el modelo lineal elaborado. El término R-Squared se conoce también como coeficiente de determinación o Multiple R-squared.
R-squared adquiere valores entre 0 y 1. Valores cercanos a cero indican que el modelo explica muy poca de la variabilidad de la variable objetivo, mientras que valores cercanos a 1 indican que el modelo creado explica gran parte del comportamiento de los datos con respecto a su media. Así pues, se puede definir R-squared mediante la siguiente formula:
R-squared = Variación Explicada / Variación Total del Modelo.
En el caso del Adjusted R-squared, su utilidad radica en que permite explicar la efectividad del modelo de regresión con respecto al número de predictores que se usan en dicho modelo, de esta manera, se obtiene un valor de R-squared que se ajusta al número de variables independientes usadas en la creación de ese modelo de regresión linear. En el caso de los barrios analizados en el apartado anterior se obtiene que, dependiendo del barrio, se obtienen valores de R-squared que indican que gran parte de la evolución del precio medio del alquiler que experimentan puede explicarse por el aumento de su número de residentes.
Dicho lo anterior, a continuación, se representa gráficamente los resultados de uno de los modelos lineales creados, en concreto, se representan los resultados del modelo creado para el barrio de La Bordeta.
plot(linear_model_bordeta)
Como se puede observar, el modelo genera cuatro gráficos de los que se puede extraer algunas ideas relevantes:
Dado que el gráfico que ilustra la relación Residuals VS Fitted es útil para determinar si existe o no una relación linear entre las variables analizadas, un análisis de este gráfico lleva a interpretar que no se puede no hablar de una relación no lineal entre las variables estudiadas y, por tanto, debe hablarse de una relación linear entre Población-Precio del Alquiler en cuanto al barrio en concreto que se analiza (Barrio de La Bordeta), sin embargo, es importante tener en cuenta que, el análisis de este gráfico también indica que el modelo lineal que explica el comportamiento del precio del alquiler para este barrio en concreto exhibe cierto grado de Heterocedasticidad.
Por su parte, el análisis del gráfico Normal Q-Q Plot indica que se cumple una de las principales suposiciones del modelo lineal, que es la distribución normal de los residuales del modelo. Esto es así porque los puntos en el gráfico están muy cerca de la línea de puntos, lo que denota unos resultados que se aproximan a una distribución de normalidad.
El gráfico llamado Sale-Location indica que los residuales del modelo no están repartidos uniformemente a lo largo del rango del valor predictivo del modelo. Es este caso, se puede observar cómo existe una distorsión en la línea roja del gráfico en la parte baja del rango de la variable predictiva, lo que denota que en los valores bajos de las variables predictivas el modelo de regresión podría tender a cometer más errores que en el rango alto de dichas variables predictivas (siempre en el caso que se usa el modelo linear creado para predecir el comportamiento en el precio del alquiler de otros barrios).
10 La burbuja, una situación inevitable pero remediable.
Al contrario de lo que comúnmente suele pensarse, la subida acelerada en los precios del alquiler de viviendas en Barcelona no tiene especial relación con la aparición y crecimiento del fenómeno del alquiler turístico en la ciudad. A lo largo del presente estudio mediante el análisis del dato como herramienta básica de trabajo se ha podido comprobar que, la enorme rentabilidad que se podría obtener mediante el uso de Airbnb como mecanismo para rentabilizar la titularidad de una vivienda, no es suficiente para que se decida anunciar dicha vivienda en el mercado del alquiler turístico en detrimento del mercado de alquiler tradicional. Dicho esto, como se ha podido evidenciar a lo largo de los diferentes apartados de este trabajo, los datos demuestran que el constante y continuo aumento de los residentes en muchos barrios de la ciudad es la principal causa de un problema que, como índica la rúbrica de este apartado, era inevitable.
Cuando un mercado en relativo equilibrio experimenta fuertes distorsiones como las vividas en Barcelona durante el período de recesión económica (2008-2014) y, posteriormente durante el período de recuperación económica (2014-2018), se producen dinámicas de movimientos de población que siguen patrones de corte estocástico, en el sentido en que dichos movimientos no vienen determinados son difícilmente determinables y predecibles en la medida en que las acciones de los actores de la acción dependen de elementos difícilmente predecibles. En el caso del mercado inmobiliario de Barcelona, la oferta de nuevas viviendas no ha sido suficiente para satisfacer la creciente demanda de los nuevos residentes en la ciudad.
Dicho lo anterior es fundamental destacar que, tanto los nuevos residentes como los antiguos residentes en la ciudad responden a dinámicas de comportamiento que desembocan en patrones de movimientos de población cuyas consecuencias merecen ser mencionadas en este estudio. Tal como se puede analizar en el siguiente gráfico interactivo, el número de habitantes en Barcelona entre los años 2014 a 2018 no ha sido uniforme para todos los barrios:
Haciendo click sobre la siguiente imagen se puede acceder al gráfico interactivo Nº 4:
Como puede observarse al analizar este gráfico, durante el periodo comprendido entre los años 2014 y 2018 se ha producido movimientos de población hacía muchas de las zonas interiores de la ciudad en detrimento de algunos barrios cercanos a la costa y de muchos barrios ubicados en algunos Distritos periféricos como los Distritos de Sant Andreu y Nou Barris. En el interior, barrios que comúnmente han gozado de especial popularidad en la ciudad como la Vila de Gràcia o el barrio de Les Corts, apenas han experimentado crecimiento en su número de vecinos. En términos generales, la tasa de Crecimiento de la población de Barcelona es un 40% mayor a la tasa de crecimiento de las viviendas disponibles o, dicho de otra forma, el parqué de viviendas en la ciudad debió haber aumentado a una tasa de crecimiento un 40% mayor para mantener el equilibrio con la demanda de viviendas por parte de los nuevos residentes.
Así pues, la solución al creciente y acelerado aumento del precio del alquiler en Barcelona debe pasar por un aumento de la oferta de viviendas disponibles en la ciudad, lo que se traduce en la construcción de nuevas viviendas que al ser puestas en el mercado, se transformen en un elemento que sirva de freno al movimiento acelerado del precio del alquiler en la ciudad y, una vez logrado el equilibrio de mercado, permita que el precio de la vivienda empiece una tendencia levemente bajista.
Pero para que lo anterior suceda, es imprescindible que todos los sectores que giran en torno a la construcción de viviendas gocen de un dinamismo tal, que se permita la promoción de nuevas viviendas a precios razonables que luego sean susceptibles de ser puestas en el mercado del alquiler de viviendas. El sector de la construcción de viviendas se caracteriza por ser uno de los sectores más estáticos de la economía y en la que mayor cantidad de intermediarios suelen participar, lo que no juega a favor de la promoción de viviendas a precios razonables. Afortunadamente, la evolución tecnológica puede ser uno de los mecanismos que ayuden a que se produzca una disrupción en el sector.
SEGUNDA PARTE
11 El blockchain como alternativa a la burbuja: una propuesta de negocio.
La expansión de internet en casi todos los ámbitos de la sociedad es una realidad evidente en casi todos los sectores de la sociedad. El acelerado proceso de digitalización experimentado en los últimos años ha hecho que cada vez más personas puedan acceder a productos y servicios de manera más eficiente, beneficiándose de costes de transacción cada vez más bajos y reduciendo las barreras de entradas en muchos sectores de la economía. Infortunadamente, esta revolución digital aún no se ha producido en el mercado inmobiliario, impidiendo el acceso a un bien caro y escaso, pero fundamental. Todo esto puede cambiar mediante la implantación y expansión del Blockchain como mecanismo de transmisión de la propiedad.
La tecnología de Blockchain es una tecnología que utiliza un sistema descentralizado para transmitir diferentes elementos susceptibles de ser intercambiados, como divisas, derechos, acciones o participaciones, por citar solo algunos ejemplos. Tradicionalmente las transacciones entre usuarios se han llevado a cabo mediante el uso de intermediarios que ponen en contacto las distintas partes en una transacción, de esta forma los bancos, los brókeres, los dealers, entre otros, son imprescindibles para llevar a cabo la transmisión de commodities, divisas, acciones, etc.
La ventaja del Blockchain es que esta tecnología permite realizar transacciones entre usuarios sin el uso de estos intermediarios de forma rápida y segura, siendo los mismos usuarios los encargados de hacer el papel de nodos de verificación de cada transacción, de forma tal que cada bloque de la cadena pasa a representar una transacción validada por los miles de usuarios que hacen parte de la red, asignándosele a cada transacción un código de registro único, indeleble y transparente susceptible de ser verificado por cualquier usuario.
11.1 La propuesta de valor.
Como ha quedado en evidencia a lo largo de este estudio, para poder reducir los altos precios que se vienen experimentando en el mercado del alquiler de viviendas en Barcelona, es imprescindible que aumente el parqué de viviendas en la ciudad.
Es altamente cuestionable los hipotéticos efectos que en el medio y largo plazo pueda tener la reciente oleada sobre reguladora del mercado del alquiler ordinario de viviendas y del mercado de viviendas de uso turístico, pues como ya se dijo, hasta que la oferta y la demanda no encuentren de nuevo su equilibrio, los precios no empezarán a experimentar una bajada significativa. Dicho esto, para que el sector privado sea capaz de ofrecer viviendas a precios competitivos y, que en consecuencia, los particulares o empresas que deciden invertir su capital puedan ofrecer estas viviendas en régimen de alquiler a precios de mercado más bajo que los actuales, es imprescindible que en el proceso de promocionar, vender y poner las nuevas viviendas en el mercado de alquiler, se emplee la mayor cantidad de los recursos invertidos por el sector privado, impidiéndose así que se pierdan dichos recursos invertidos en intermediarios que, como es natural, gestionan un negocio basado en la puesta en contacto de ofertantes y demandantes de recursos. En este punto, la tecnología del Blockchain juega un papel fundamental.
El mercado inmobiliario ha tenido muy pocos cambios sustanciales durante el último siglo, pues al igual que en antaño, sigue existiendo la necesidad imperante de bancos, abogados y gestores inmobiliarios para el simple hecho de transmitir la titularidad de un bien inmueble, generándose así una enorme espiral de ineficiencia que, en última instancia, acaba repercutiendo en el precio final del bien inmueble.
La aparición del paradigma de las Fintech ha supuesto un reto enorme para la banca, que está presenciando como los particulares están usando las nuevas tecnologías como mecanismo para establecer relaciones financieras entre ellos, surgiendo plataformas que ponen en contacto prestamistas y prestatarios que esquivan el uso de bancos para financiar sus proyectos, inversiones o su consumo. De la misma forma, la aparición de diversas plataformas de Crowdfunding ha venido a reemplazar el papel monopolístico que hasta hace muy pocos años ostentaban los bancos como únicos prestadores capaces de financiar un proyecto empresarial grande. La tecnología de Blockchain ha permitido el nacimiento de empresas que requerían rondas de financiación multimillonarias, y que muchas veces han sido completadas en cuestión de minutos.
Se propone pues una idea de negocio basada en el uso de contratos inteligentes como mecanismo para poner el acceso a inversiones inmobiliarias al alcance de particulares usuarios de la tecnología de Blockchain, de tal forma que todo aquel que esté dispuesto a invertir en un mercado con una enorme demanda, como el mercado del alquiler en Barcelona, pueda hacerlo sin necesidad de contar con una enorme capacidad inversora, como se requiere actualmente. La presencia del Blockchain no es ninguna novedad en el mercado inmobiliario, pues en Estados Unidos ya existen muchas empresas que mediante un proceso llamado Tokenización, crean participaciones en inversiones inmobiliarias que luego ponen a la venta en un mercado muy líquido, seguro y sin barreras transnacionales. El proceso de Tokenización consiste en la división de la inversión inmobiliaria en participaciones muy pequeñas, de forma tal que cualquier inversor puede acceder a ser titular de un porcentaje del bien inmueble en el que ha invertido, haciendo posible que, de manera rápida, segura y sin apenas costes de transacción, se pueda ser inversor en el sector inmobiliario. Cuando un poseedor de Tokens de dicha inversión decide liquidar sus participaciones en el mercado, el comprador puede optar entre mantener el bloque de la cadena que acaba de adquirir o bien, volver a venderlo mediante la disolución de dicho token de la cadena de bloques, aumentando la liquidez del mercado. Así pues, lo que se consigue con la Tokenización es transformar las participaciones de un mercado privado en un producto digital seguro, fácilmente transmitible y rastreable. En el siguiente link puede observarse un ejemplo de una empresa de Estados Unidos que ya emplea la tecnología Blockchain en el mercado inmobiliario de la ciudad de Nueva York.
Haciendo click en el siguiente link se puede acceder al video de referencia:
11.2 Los beneficios que Blockchain puede traer al mercado inmobiliario.
La inversión en el mercado inmobiliario ha sido siempre caracterizada por su inaccesibilidad para todos aquellos que carecen de suficiente poder adquisitivo como para embarcarse en inversiones que, por lo general superan las 6 cifras. Incluso cuando se cuenta suficiente poder adquisitivo, el mercado inmobiliario se enfrenta a una serie de barreras regulatorias que dificultan el acceso sin intermediarios de inversores extranjeros, requiriendo que todos aquellos no residente sen el país deban cumplir una serie de requisitos previos antes de poder cerrar una compraventa exitosamente. Estas barreras y muchos otros obstáculos son superados gracias a la tecnología de Blockchain:
Altos costes de transacción: Mediante el uso de Blockchain se pueden evitar lo costes de transacción derivados del proceso de compraventa de una vivienda, de tal manera que costes derivados de las trasferencias bancarias entre países, los costes bancarios propios de la compraventa del inmueble, las comisiones de brókeres, entre otros, podrían pasar a ser cosa del pasado gracias a la introducción del Blockchain en el mercado inmobiliario.
La falta de liquidez: En mercados en los que la iliquidez es una constante suele haber un enorme grado de ineficiencia que se manifiesta en enormes gaps o brechas entre precios ofertados y precios demandados, lo que inevitablemente lleva a que ninguna de las partes ejecute la transacción al precio óptimo al que le hubiera gustado. Gracias al uso de Blockchain y al enorme mercado de usuarios que, potencialmente, podrían tener acceso a esta tecnología, dichas brechas podrían reducirse a la mínima expresión gracias a la enorme liquidez que la implantación de la tecnología podría traer.
La dificultad de liquidar una posición: Ligado al apartado anterior, un mercado inmobiliario que haga uso del Blockchain permitiría que los usuarios pudieran liquidar fácilmente sus posiciones, pues en la medida en que el Blockchain permite dividir una propiedad en Tokens, se reduciría enormemente el mínimo requerido para llevar a cabo una transacción de compraventa en este mercado, lo que permitiría que los titulares de participaciones en un proyecto inmobiliario pudieran desinvertir en los proyectos de inversión en la proporción que mejor les convenga, aportando un enorme grado de flexibilidad a un mercado que hasta ahora se ha caracterizado por su enorme rigidez.
Descentralización y transparencia: El mercado de Blockchain se caracteriza por ser un mercado en el que participan masivamente usuarios que, a su vez, hacen las veces de garantes del mercado, en el sentido en que los Tokens generados se almacenan en una cadena de bloques sin un único propietario, siendo los mismos usuarios los que garantizan un gobierno descentralizado del sistema. Además, dado que todos los miembros que son parte de la cadena de bloques tienen acceso al proceso de verificación de los Tokens generados, se produce una dinámica en la que se retroalimenta la transparencia del sistema, idea que se refuerza aún más si se tiene en cuenta que todos los datos que se encuentran dentro de la cadena no pueden ser manipulados por estar protegidos por reglas criptográficas de seguridad.
Smart Contracts: La tecnología Blockchain permite que, asignadas unas reglas a un determinado contrato y aceptadas estas por la otra parte, se puedan producir transacciones en las que lo acordado permanezca invariable en el tiempo de forma sólida y segura. Debe destacarse que, en el sector inmobiliario, la existencia de Smart Contracts no vendrían a reemplazar a las obligaciones legales propias de un procedimiento de compraventa de un inmueble en España (pago de tasas e impuestos, actuación de notarios y registradores de la propiedad, entre otras), sino que lo que se lograría con el uso de esta tipología de contratos es una reducción sustancial de los enormes costes de transacción a los que se debe hacer frente en los procesos de compraventa de una propiedad, pues en la medida en que los Smart Contracts pueden ser anexados a la cadena de bloques, la tecnología Blockchain aplicada al mercado inmobiliario otorga un grado de seguridad muy alto a todos los participantes del mercado.
11.3 El despliegue de la idea de negocio.
La propuesta de valor que se plantea aquí va mucho más allá de estructurar un modelo de negocio que actúe como medio de intermediación entre inversores y promotores. Por el contrario, lo que se propone aquí es un modelo de negocio que va mucho más allá de dicho proceso de intermediación, pues mediante el uso de la tecnología Blockchain se puede estructurar un modelo de negocio que sea capaz de crear valor en las múltiples fases que abarca un proceso de construcción, promoción o reforma de una vivienda o grupo de viviendas orientadas al mercado del alquiler en Barcelona o su área metropolitana.
A lo largo de la presente investigación sobre el mercado del alquiler de viviendas en Barcelona se ha recopilado gran cantidad de datos, una parte de estos datos han sido mostrados a lo largo del presente trabajo, otros, sin embargo, han sido usados como base para extraer información sobre algunas oportunidades de inversión que, entre otras cosas, ayudaría a aliviar la inflación en los precios del mercado inmobiliario en Barcelona y su área metropolitana. A partir de esta información, se propone una idea de negocio consistente en la creación de una empresa que, haciendo uso del conocimiento adquirido sobre el mercado inmobiliario local, aproveche las oportunidades de inversión detectadas mediante el uso del Blockchain como mecanismo para optimizar todas las fases del proceso de construcción, reforma o adquisición de los bienes inmuebles, sacando al mercado inmobiliario de dinámicas propias del siglo pasado y adaptándolo a las necesidades del presente. Según los datos consultados, en Barcelona los jóvenes dedican de medía entre un 30% y un 50% de sus ingresos al pago del alquiler, siendo datos como estos una prueba fidedigna de que el mercado inmobiliario debe adquirir otro enfoque, uno muy diferente al actual.
Aclarado lo anterior, lo que se pretende aquí es adaptar el enorme grado de flexibilidad que proporciona la tecnología Blockchain a las necesidades específicas del mercado inmobiliario local, estructurando un modelo de negocio de forma tal que, una vez hecho el proceso de Tokenización de la propiedad, los titulares de participaciones del bien inmueble obtengan una rentabilidad potencial sobre su inversión derivada de tres factores:
- La apreciación de sus participaciones una vez terminado el proyecto de construcción de una vivienda o promoción de viviendas:
Gracias al uso de la tecnología Blockchain, se evita la participación de la mayor parte de los intermediarios que hasta ahora eran imprescindibles en los procesos de construcción, reformas y promoción de viviendas. La necesidad de aportar garantías bancarias, los altos costes que se deben asumir para acceder a las líneas de crédito bancario y los costes derivados del registro de las garantías hipotecarías son solo un ejemplo de algunos de los intermediarios que se evitarían mediante el uso del Blockchain. Además de ganar un enorme grado de flexibilidad, gracias a dicho ahorro en costes y gracias al minucioso uso de la información basada en datos como mecanismo para detectar oportunidades, en el momento en que las viviendas pasan a ser parte del parqué inmobiliario y su precio potencial de venta pasa a ser el precio de venta de mercado, todos los participantes en la creación de la cadena de bloques se benefician de la potencial venta de sus tokens a unos precios superiores al de los pagados en el momento inicial en que se crearon dichos tokens en la cadena de bloques.
- La obtención de rentas del alquiler de dicha vivienda.
Gracias a que los titulares y financiadores del proyecto inmobiliario promovido pasan a ser los arrendadores del bien inmueble puesto a disposición en el mercado y, gracias al impulso y al enorme grado de flexibilidad derivados del uso de la tecnología de Blockchain, en el momento en que las viviendas construidas, adquiridas o reformadas son puestas en el mercado de alquiler, los particulares que hayan hecho parte del proyecto de financiación parten con un mayor potencial de posible rentabilidad anual esperada con respecto a las formas tradicionales de invertir en este tipo de proyectos. Esto es así debido a que la rentabilidad de un proyecto de inversión de esta tipología viene dada por la proporción entre ingresos percibidos anualmente en concepto del alquiler y la cantidad invertida por los participantes en la creación de la cadena de bloques, por lo que, en la medida en que se reduzca el número de intermediarios, la rentabilidad marginal hipotética del proyecto aumenta de manera significativa mediante el uso de Blockchain.
- La hipotética venta de la totalidad o de una parte del bien inmueble.
Durante las últimas dos décadas, el mercado inmobiliario en España se ha comportado guiado por ciclos de fuerte crecimiento y decrecimiento en los precios de compraventa. Con esto en mente, el lanzamiento de cada proyecto de construcción, compra o reforma de bienes inmuebles debería de incorporar clausulas en las que, una vez el bien inmueble alcance un determinado aumento porcentual con respecto a la inversión inicialmente hecha, debería optarse por la venta del bien inmueble y la consecuente recompra de los tokens anteriormente generados, retornándose a los inversores del proyecto la cantidad inicialmente aportada junto con los importes generados por la revalorización del proyecto.
11.4 El potencial primer proyecto ya está en marcha.
Durante el año 2018, el autor del presente trabajo junto con dos socias más adquirió una vivienda deshabitada y en malas condiciones a un muy buen precio de mercado en una localidad cercana al área metropolitana de Barcelona. Esta vivienda pretende ser rehabilitada y convertida en múltiples unidades de viviendas que se pondrán en el mercado de alquiler tradicional una vez estén terminadas. En un principio, se pensó que la única opción viable para financiar un proyecto de estas magnitudes era la vía tradicional usada para este tipo de inversiones: mediante préstamos hipotecarios otorgados por la banca, pero la reciente aparición de empresas que se dedican de todo el proceso de Tokenización de la propiedad y el boom de la tecnología Blockchain lo cambió todo, pues ahora la banca no es el único ente capaz de financiar grandes proyectos inmobiliarios, abriendo un abanico de posibilidades para financiar el proyecto que ya está en marcha.
Los siguientes son los planos elaborados por un despacho de arquitectos que se encargaran de esta obra.
De momento, el proyecto se encuentra en fase de elaboración, pues el despacho de arquitectos está trabajando en la documentación necesaria para solicitar el permiso de obras pertinente al ayuntamiento del municipio donde se encuentra ubicada la vivienda. Mientras este permiso de obras es concedido, se evaluará la posibilidad de financiar este proyecto, consistente en la rehabilitación de esta vivienda y la construcción de las plantas superiores, mediante el uso de una de las plataformas que actualmente permiten la Tokenización de las hipotéticas miles de unidades en que se dividiría esta propiedad mediante el uso de tecnologías Blockchain. Dicho esto, conviene tener en cuenta que la inexistencia de un marco regulatorio sobre esta tipología de proyectos de financiación es uno de los principales obstáculos y amenazas para este proyecto y para el futuro nacimiento de ideas de negocio similares.
11.5 Perspectivas, amenzas y oportunidades de futuro.
Actualmente, la tecnología de Blockchain es la enorme desconocida entre la población en general. La reciente popularidad de las llamadas Criptodivisas, que usan la tecnología Blockchain como mecanismo garante y creador de estas divisas, ha puesto el foco de atención en una tecnología que tiene un enorme potencial de desarrollo y expansión, así como un gran espectro de sectores en los que es susceptible de ser aplicada. Aun así, el temor y la falta de conocimiento es una de las principales debilidades a las que se puede enfrentar el modelo de negocio propuesto y la tecnología de Blockchain en sí misma.
Dicho lo anterior, recientemente Facebook ha anunciado el lanzamiento de una criptodivisa que pretende revolucionar el mercado: La Libra Blockchain. Junto con partners de la talla de Visa, Uber, Master Card, Ebay, Vodafone, entre otros, la red social pretende poner en el mercado una criptodivisa que usará la tecnología del Blockchain para crear una estructura financiera que pretende poner al alcance de todos los usuarios de la red social, un mecanismo de pago y de envíos de dinero ágil, seguro y con escasas barreras de acceso. La introducción de esta criptodivisa puede suponer un cambio radical a la amenaza que supone la falta de conocimiento sobre la tecnología Blockchain, permitiendo además que muchos de los nuevos proyectos inmobiliarios basados en el uso de esta tecnología pueda usar dicha criptodivisa como mecanismo de financiación, pues a diferencia del resto de criptodivisas, la Libra Blockchain nace con vocación de ser una divisa que mantenga un valor estable y al estar respaldada por una cartera de divisas internacionales, es muy probable que dicho objetivo de estabilidad en precios de cotización sea conseguido .
Como ya se comentó en el apartado anterior, la falta de un marco regulatorio que estructure el uso del Blockchain como mecanismo de financiación de proyectos de inversión inmobiliaria es una de las principales amenazas para el uso de esta tecnología. Así mismo, el nacimiento de un marco regulatorio que exceda sus límites e imponga sobre esta tecnología excesivas cargas que limiten la flexibilidad del Blockchain, desvirtuando así su esencia, podría causar que el mercado del alquiler de viviendas en Barcelona perdiera una oportunidad única para aliviar los enormes desajustes causados en los últimos años por el aumento de la población y la falta de viviendas disponibles.
A pesar de que el futuro del Blockchain es aun incierto, de lo único que puede tenerse un cierto grado de certeza es que el mercado inmobiliario debe cambiar y, ya sea mediante el uso de la tecnología Blockchain como mecanismo que permita la financiación de nuevos proyectos, o bien por algún otra tecnología, el sector inmobiliario debe adaptarse a las necesidades actuales del mercado, lo que se logra mediante la adopción de nuevas formas de trabajo, nuevas formas de financiación y nuevos modelos de negocio que permitan que en el largo plazo, el número de viviendas disponibles en la ciudad aumente a un ritmo acorde con el aumento del número de nuevos residentes, impidiéndose así que se vuelvan a generar periodos de muy alta inflación en los precios del alquiler como el experimentado en los últimos 5 años en Barcelona.
12 Conclusiones.
A lo largo del desarrollo del presente trabajo se han analizado diversas hipótesis sobre las posibles causas que condujeron al acelerado aumento en los precios medios del alquiler en Barcelona entre los años 2014 y el año 2018. Para ello, se han elaborado diversos estudios que han permitido, entre otras cosas, la elaboración de una radiografía sobre la evolución de los precios del alquiler en cada uno de los barrios de la ciudad en el período estudiado, lo que fue de enorme utilidad para comprender que el mercado del alquiler en Barcelona no responde a un único patrón uniforme para todas las zonas de la ciudad. Unido a lo anterior, se vio la necesidad de llevar a cabo un análisis sobre bases de datos que contienen un repositorio masivo de datos del mercado del alquiler turístico en la ciudad, lo que fue de enorme utilidad para descartar algunas de las hipótesis que ligaba la expansión del mercado del alquiler turístico con la enorme inflación en los precios ordinarios del alquiler en la ciudad.
Siguiendo una metodología basada en contrastar las hipótesis enunciadas con los datos disponibles en distintos repositorios de datos (oficiales y no oficiales) y, mediante el uso de herramientas gráficas que contribuyeron a una mejor comprensión de los análisis hechos, se consiguió extraer algunas conclusiones que se enumeran a continuación.
Los precios del alquiler turístico y los precios del alquiler ordinario evolucionan de forma muy similar para cada uno de los barrios de la ciudad, de esta forma, en los barrios en que el precio medio del alquiler es elevado, el precio medio del alquiler turístico tiende también a ser elevado, sin haber una relación causal entre estos dos precios.
La enorme rentabilidad que proporciona el alquiler turístico en gran parte de los barrios de la ciudad no es un factor suficiente para que se genere un aumento en el número de viviendas de esta tipología en dicho barrio en concreto.
No han sido encontrados suficientes patrones de correlación entre el número de anuncios orientados al alquiler turístico y el precio medio del alquiler para cada barrio de la ciudad.
En términos generales, ha habido un aumento del número de habitantes en la ciudad durante el período estudiado, siendo este un aumento que se ha producido de manera desigual para todos los barrios.
Se ha descubierto una fuerte correlación entre el aumento del número de habitantes en cada barrio de la ciudad y el precio medio del alquiler para dicho barrio, considerándose este el factor fundamental que ha causado el aumento acelerado del precio medio del alquiler en Barcelona durante el período estudiado.
El aumento acelerado de los precios medios del alquiler en Barcelona responde a una escasez de viviendas en la ciudad, escasez que deriva de la falta de agilidad de un mercado inmobiliario que no es capaz de evolucionar al ritmo que demanda un mercado con una fuerte presión por el lado de la demanda.
El Blockchain puede suponer un antes y un después en la forma en que actualmente se diseñan, financian y se ponen en el mercado las promociones inmobiliarias que sirven para aliviar la presión alcista en los precios medios del alquiler en la ciudad, lo que supone una oportunidad única para que, por un lado, evolucionen las empresas que se dedican al sector inmobiliario y sectores afines al mismo, y por otro lado, nazcan nuevas ideas de negocio que aprovechen el alto grado de flexibilidad y seguridad que proporciona esta tecnología para crear nuevos productos y servicios que permitan la creación de viviendas, lo que en última instancia, garantiza un mejor y más elevado nivel de vida para todos los vecinos de la ciudad condal.
Copyright
© Jonathan Ayala González. Reservados todos los derechos. Está prohibido la reproducción total o parcial de esta obra por cualquier medio o procedimiento, comprendidos la impresión, la reprografía, el microfilme, el tratamiento informático o cualquier otro sistema, así como la distribución de ejemplares mediante alquiler y préstamo, sin la autorización escrita del autor o de los límites que autorice la Ley de Propiedad Intelectual.