REUNIÓN ESTUDIOS REGIONALES El Estado Autonómico a debate: eficiencia, eficacia y solidaridad Alcalá de Henares, 17-18 de noviembre de 2.005 INCORPORACIÓN DE VARIABLES REGIONALES A LOS MODELOS ECONOMÉTRICOS DE VALORACIÓN DE LA TIERRA DE USO AGRÍCOLA VICENTE CABALLER MELLADO NATIVIDAD GUADALAJARA OLMEDA UNIVERSIDAD POLITÉCNICA DE VALENCIA [email protected] FAX: 96 3877032 RESUMEN Los estudios que emplean los modelos econométricos para explicar el valor de la tierra de uso agrícola fuera de España son relativamente frecuentes, fundamentalmente en los EE.UU., y, en un principio, consideraban únicamente variables explicativas de naturaleza agronómica. En los últimos años, dichos trabajos adquieren un enfoque más consistente al añadir en los modelos otras variables de ámbito regional, como son: la existencia o no de costa marítima, la densidad de población, el precio de las viviendas, la renta, la actividad industrial, etc. El presente trabajo tiene como objetivo explicar el valor de mercado de la tierra de uso agrícola en España por comunidades autónomas, mediante el empleo de dos grupos de variables explicativas: uno de ámbito regional y otro relativo a la actividad agraria. Para ello se van a utilizar los valores de precios medios de la tierra por comunidades autónomas publicados por el Ministerio de Agricultura, Pesca y Alimentación, a lo largo de dos décadas, desde el año 1983 hasta el 2003. En primer lugar, se obtienen los modelos de regresión con variables explicativas de carácter agrario únicamente, tales como: el tipo de cultivo, el regadío, la precipitación, la temperatura, etc. A continuación, se consigue aumentar el grado de explicación del valor de la tierra de uso agrícola combinando las variables de naturaleza agraria con otras de ámbito regional. La principal conclusión de este trabajo es que las variables de naturaleza regional influyen en el valor de mercado de la tierra de uso agrícola junto a las variables de rentabilidad agraria, al igual que ocurre en otros países desarrollados. PALABRAS CLAVE (DE TRES A CINCO): VALORACIÓN, TIERRA, REGIONAL CÓDIGOS JEL: Q14 y Q24 1 INCORPORACIÓN DE VARIABLES REGIONALES A LOS MODELOS ECONOMÉTRICOS DE VALORACIÓN DE LA TIERRA DE USO AGRÍCOLA 1. INTRODUCCIÓN Los primeros estudios realizados sobre valoración de la tierra utilizando los métodos econométricos corresponden a Haas (1922) y Wallace (1926), que estudiaron la influencia de las construcciones, la clase de tierra y su productividad en el valor de las compraventas de la tierra de uso agrario en Minnesota y Iowa, respectivamente. En dichos métodos se pretende estimar una función general del tipo: Vm = f (x1, x2, x3,… ,xj , ….,xn, xt1, xt2, xt3,……, xti ,……,xtm, €) [1] que relacione el valor de mercado Vm de la tierra con una serie de características, o variables explicativas, que previsiblemente influyen sobre el mismo, mediante una función general f. Las variables xj serán de naturaleza espacial o de características no vinculadas al tiempo, mientras que las variables xti serán de carácter temporal. A su vez, dentro de las variables xj de naturaleza espacial se distinguen un grupo de variables agronómicas xaj y otro grupo de variables de carácter regional xrj, de manera que el modelo anterior se puede formular del siguiente modo: Vm = f (xa1, xa2, xa3,… ,xaj , ….,xam, xr1, xr2,…….,xrj,….,xrn, xt1, xt2, xt3,……, xti ,……,xtm, €) [2] La posibilidad de incluir más de una variable para explicar el valor de la tierra, define la superioridad de los métodos econométricos frente a los sintéticos clásicos y frente al método analítico de capitalización de la renta en los que únicamente se permite el empleo de una variable explicativa, como señalan Clark, Fulton y Scout (1993). Por ello, en los Estados Unidos se han realizado durante la segunda década del siglo pasado y principios del actual numerosos estudios sobre valoración de la tierra, favorecidos por la existencia de amplias bases de datos con información de compraventas de fincas. En un principio, la renta aparece como el principal determinante de los precios de la tierra, y por tanto, el valor corriente de una parcela de tierra viene dado por la suma de los futuros flujos de caja descontados de acuerdo con el riesgo de los 2 mismos. En estos flujos de caja se consideran las rentas derivadas de la productividad y las procedentes de subvenciones del gobierno. Según Falk (1991) esto es cierto, pero los movimientos de los precios son mucho más volátiles que la renta, tal y como se desprende de su estudio realizado a lo largo del periodo 1921-86. Peterson (1986) incluso distingue dentro de las variables agrarias, las variables que reflejan la capacidad productiva del suelo para producir productos más competitivos, de aquellas otras derivadas de los precios futuros esperados de los productos agrícolas. Dentro de las primeras se encuentran: la superficie de riego, la precipitación, el nitrógeno, la tierra de pastos y la producción en secano, mientras que las segundas vendrían recogidas por el índice de precios agrícolas. No obstante, estudios más recientes incluyen en los modelos otras variables no agrarias explicativas del valor, entre las cuales está la densidad de la población (mide la presión urbana y no agrícola sobre la demanda de la tierra), las precipitaciones, los planes de conservación, los precios de las viviendas, la proximidad de núcleos urbanos, etc., debido a la posible extensión del uso de la tierra agrícola a otros sectores: residencial, comercial, lúdico, etc. Por otro lado, las variables que definen la ubicación difieren según el nivel de agregación de los precios de la tierra. Ello ha dado lugar, según Shi, Phipps y Colyer (1997), a que se pueden considerar dos grandes categorías de trabajos: los que utilizan los ingresos u otras variables relacionadas con los mismos (ganancias, tasa de inflación, características del vendedor, etc.) y los modelos que emplean características relacionadas con la urbanización (dimensión, distancia, características de la tierra, población urbana, etc.). Así, ellos mismos crean un índice de potencial de influencia urbana; Barnard, Whittaker, Westenbarger y Ahearn (1997) incluyen el salario industrial; y Boisvert, Schmit y Regmi (1997) consideran la contaminación ambiental. Por su parte, Xu, Mittelhammer y Barkley (1993) identificaron 17 variables como explicativas del valor de la tierra en 6 regiones del Estado de Washington a partir de 1.806 compraventas, entre las cuales se tienen: el año, el tamaño, la superficie de pastos, el área regada, la distancia a la población más cercana, la edad de las construcciones, la clase de tierra, etc., y 6 variables dummy relativas a la región. Muy recientemente, Goodwin, Mishra y Ortal-Magné (2003) han corroborado que los modelos de capitalización de la renta no son correctos, dado que la localización de la tierra influye en el valor debido a la posibilidad de utilizarla en usos alternativos, como inmuebles residenciales o comerciales, en un futuro. De este modo, obtuvieron modelos a nivel estatal y como variables indicativas de la 3 localización utilizaron la población, el crecimiento de la población y el valor de las viviendas. Por otro lado, aunque la mayoría de los trabajos han sido realizados en los EE.UU., podemos citar a otros como: Baker, Ketchabaw y Turvey (1991); Hallam, Machado y Rapsomanikis (1992); Lloyd y Rayner (1993); Doll y Klare (1995) y Maddison (2000), relativos a Canadá, Gran Bretaña y Alemania. En España, el método se aplica por primera vez en el trabajo de Caballer (1974), que aplica el modelo econométrico a la valoración de fincas rústicas. Posteriormente se han desarrollado otros trabajos, pero más escasos que en los EE.UU., principalmente por la falta de transparencia en el mercado de fincas, lo que dificulta la posibilidad de emplear valores de compraventas de fincas. Se puede citar los trabajos de Segura, Caballer y Juliá (1984) que comparan la evolución de los precios de la tierra entre varios países europeos y Norteamérica mediante el empleo de modelos temporales; y de Cañas, Domingo y Martínez (1995), los cuales con el objetivo de determinar el tipo de capitalización en las tierras de la campiña cordobesa, aplican el método econométrico como un modelo de regresión lineal simple en el que la variable exógena es la renta de la tierra, tal y como se ha comentado anteriormente. Mas recientemente, Calatrava y Cañero (2000) estudian el valor de las fincas olivareras de secano en las provincias de Córdoba, Granada y Jaén utilizando modelos logarítmicos y tres variables: superficie, calidad de la tierra y ubicación. Por otro lado, esta problemática relativa a la escasez de información se puede abordar mediante el empleo de otros valores análogos al valor de compraventa, ya que presentan un comportamiento similar en relación con las variables explicativas del valor. Esta metodología se la conoce con el nombre de valoración analógica1 y ha sido empleada por García (2000) y García y Grande (2003) para valorar la tierra en la Comunidad de Navarra empleando el valor declarado en el impuesto sobre Transmisiones Patrimoniales; por Martínez (1996) para valorar la tierra en La Rioja partiendo de valores de expropiación, entre otros, y por Segura, García y Vidal (1998) para valorar la tierra en la Comunidad Valenciana utilizando valores catastrales2. Más recientemente, Caballer y Guadalajara (2005) utilizan los datos procedentes de la Encuesta de los Precios de la Tierra que publica anualmente el Ministerio de Agricultura, Pesca y Alimentación (MAPA), para obtener un modelo global para el conjunto del territorio español y de todos los cultivos. En dicho modelo se explica el valor medio de la tierra en cada comunidad autónoma a partir de dos grupos de 1 Caballer y Moya (1997). No se han considerado otros trabajos de escasa utilidad para la valoración, pensados para un mercado de competencia perfecta u otras hipótesis difícilmente de contrastar. 2 4 variables que explican por un lado la productividad de la tierra y por otro el efecto residencial de cada comunidad. Análogamente, Decimavilla et al (2005), utilizando también los datos del MAPA explican el precio medio de la tierra en cada comunidad autónoma a partir de las rentas agrícolas esperadas, la presión urbanizadora, el crecimiento de la población, la variación de la superficie agraria útil y la proporción de tierras en regadío. Finalmente, en los últimos años se están utilizando los métodos econométricos para el estudio de los valores hedónicos de determinados activos sin mercado, en los que la variable dependiente es el valor de la tierra, entre los que se podrían citar los trabajos de Reynolds (1997), Roka y Palmquist (1997), Arias (2001) y Gracia et al (2004). 2. OBJETIVOS Y FUENTES DE INFORMACIÓN El presente trabajo tiene como objetivo explicar el valor de mercado de la tierra de uso agrícola en España por comunidades autónomas, mediante el empleo de dos grupos de variables explicativas a nivel espacial: uno de ámbito regional y otro relativo a la actividad agraria. Se parte, de los datos procedentes de la Encuesta de los Precios de la Tierra, que publica anualmente el Ministerio de Agricultura, Pesca y Alimentación para cada cultivo y Comunidad Autónoma, para la determinación de la variable endógena o a explicar, valor de mercado de la tierra, y de las variables explicativas relativas al cultivo. Como es sabido, esta información está elaborada mediante el empleo de medias ponderadas de precios de mercado, por lo tanto, se puede considerar como valores medios de mercado por cada Comunidad Autónoma y cultivo3. Se trata de una base de datos referida al periodo 1983-2003, con un total de 1.610 observaciones, en euros corrientes por hectárea, y referidas exclusivamente al valor de mercado de la tierra de uso agrícola, quedando excluido, explícitamente, el valor de mercado de la tierra con expectativas urbanísticas, cuyo valor sería sensiblemente superior. Los cultivos considerados son los recogidos en la Encuesta con desglose por Comunidades Autónomas: cítricos, frutales de fruto seco, olivar secano, pastizales, prados, tierra de labor de regadío, tierra de labor de secano y viñedo secano. Para la obtención de las variables regionales exógenas o explicativas del valor se utilizó la información suministrada por el Instituto Nacional de Estadística y la Fundación de Cajas de Ahorros. 3 Como es conocido, en Valoración sólo se puede hablar de precio cuando se trata de un dato concreto de una transacción dada. Cualquier manipulación del cálculo de los precios medios se convierte en un valor de mercado, sobre cuyo cálculo se han realizado algunas hipótesis. 5 Con todo ello se creó una base de datos formada por 1.610 filas u observaciones de valores y 46 columnas o variables a utilizar. 3. PLANTEAMIENTO GENERAL En primer lugar se va a determinar un modelo para el conjunto de todos los cultivos existentes en el territorio nacional. Para ello, a partir de dicha matriz de datos se definieron dos grupos de variables: - de productividad, dentro de las cuales se distinguen entre: * variables de cultivo o agronómicas: regadío, tipo de aprovechamiento, etc. * variables regionales climáticas: temperatura, precipitaciones, etc. - de regionalidad, que pueden ser: * variables regionales sociales: natalidad, matrimonios, densidad de población, etc. * variables regionales económicas: tasa de actividad, tasa de paro, precio viviendas, hoteles, etc. * variables regionales geográficas: insularidad, existencia de litoral marítimo, etc. De cada grupo de variables explicativas, se eligieron aquellas que estaban más correlacionadas con el logaritmo neperiano del valor de la tierra4, las cuales se señalan a continuación: APROV = toma el valor 0 si su aprovechamiento es exclusivamente ganadero y 1 en caso contrario. HERBOLEÑ= toma el valor 1 si se trata de un cultivo leñoso, y 0 en caso contrario. AGUA = toma el valor 1 si el cultivo es de regadío, y 0 si el cultivo es siempre de secano. TMAXMIN = intervalo de temperatura entre la máxima y la mínima de cada año. TMIN = temperatura mínima de cada año. PRECIP = Precipitación anual en la comunidad en cada año, en mm. PRECTMED5 = Precipitación anual en cada año, en mm, multiplicado por la temperatura media anual en cada año, en ºC. LNDENS = logaritmo neperiano de la densidad de población. SA = Superficie agraria útil en aparcería en 1999, en ha. TACT = tasa de actividad, medida en porcentaje sobre activos, para el año 2003. EXPORT = variación de las exportaciones en el año 2003, respecto del año anterior medido en porcentajes. 4 Se utiliza el logaritmo neperiano con el fin de evitar el problema de la heterocedasticidad y de la posible asimetría de la función de distribución del valor de mercado de la tierra. 5 Hossell et al (1996) demuestran cómo la acción conjunta de la precipitación y la temperatura afectan al uso de la tierra agrícola en Inglaterra y Wales. 6 NPEA = Número de personal empleado en los apartamentos, en los años 2000-02. CREDITOS = variación de créditos en el año 2003, respecto del año anterior medido en porcentaje. LNPMV = Logaritmo neperiano del Precio medio de la vivienda, en euros/m2, en los años 1996-2003. ISLA = insularidad, toma el valor 1 si la comunidad es una isla, y 0 en caso contrario. MAR = Presencia de litoral marítimo, toma el valor 0, si la comunidad no tiene límites marítimos y 1, si tiene límites marítimo. A las que se añadió la variable TIEMPO que toma el valor desde 1 para el año 1983 hasta 21 para el año 2003. Dichas variables fueron sometidas al análisis factorial con rotación varimax mediante el empleo del programa estadístico SPSS, con el fin de reducir el número de variables consideradas, obteniéndose el resultado recogido en la tabla 1. Como se desprende de dicha tabla 1, se obtuvieron 6 factores: Factor 1: Recoge variables regionales de tipo climático y geográfico. Factor 2: Representa la climatología y el endeudamiento de la Comunidad. Factor 3: Recoge la presión demográfica medida a través de la densidad de población, el precio de la vivienda y la tasa de actividad. Factor 4: Se refiere al tipo de cultivo. Factor 5: Equivale a la presencia de regadío. Factor 6: Recoge la variable temporal. A continuación se realizó el análisis de regresión con los factores, cuyos parámetros estadísticos se recogen en la tabla 2, proponiéndose la siguiente ecuación [3] como representativa del valor de mercado de la tierra de uso agrícola en función de 6 factores, cada uno de ellos compuesto de varias variables correlacionadas entre sí, y de una constante. Ln V = 8,370 + 0,297 Factor 1 + 0,307 Factor 2 + 0,202 Factor 3 + 0,362 Factor 4 + 0,518 Factor 5 + 0,333 Factor 6 [3] R2 =0,603 A efectos prácticos, se puede decir que cada una de las características representada por los factores, aumenta el valor inicial de la tierra, y explican el 60% de la varianza de dicho valor. 7 Desde un punto de vista teórico, el razonamiento es lógico y perfectamente comprensible mediante la interpretación del concepto de las componentes principales. Desde un punto de vista práctico, por el contrario, así como su aplicación para el tasador profesional, resulta más operativo emplear una sola variable de cada factor, principalmente cuando la sustitución supone escasa pérdida del poder explicativo por la autocorrelación entre las variables del mismo factor. A tal efecto, se procede a realizar de nuevo el análisis de regresión eligiendo, de cada factor, la variable más correlacionada con el valor de mercado, cuyo resultado se presenta en la tabla 3. Los dos modelos obtenidos que mejor explican la influencia de las características regionales en el valor mercado de la tierra de uso agrícola son: Ln V = 6,824 + 1,041 APROV + 1,018 AGUA + 0,001 PRECIP – 0,068 TMAXMIN + 0,415 LNPMV + 0,047 TIEMPO R2 = 0,665 [4] Ln V = 8,901 + 1,028 APROV + 1,013 AGUA + 0,001 PRECIP – 0,062 TMAXMIN + 0,064 LNDENS + 0,048 TIEMPO [5] R2 = 0,658 En ambos modelos, las variables que influyen en la productividad y que explican el valor son: el tipo de aprovechamiento, el secano-regadío, la máxima oscilación térmica del año y la precipitación anual. Como era de esperar, el aprovechamiento agrícola de la tierra frente al ganadero hace aumentar su valor así como la presencia del regadío. Asimismo, la mayor precipitación también incrementa el valor de la tierra por la mayor productividad que genera, mientras que la mayor oscilación térmica en una Comunidad Autónoma hace disminuir su valor por el efecto negativo que el excesivo frío o calor tienen sobre el rendimiento físico de los cultivos. Como variable regional, no ligada a la productividad de la tierra, aparece en el primer modelo la variable económica precio medio de la vivienda, mientras que en el segundo lo hace la variable social densidad de población. En ambos casos, el coeficiente que precede a la variable explicativa tiene un signo positivo, lo que indica que la presión de la población y urbanística hace aumentar el valor de la tierra de uso agrícola, tal y como afirman algunos autores en la bibliografía analizada6. Por último, el coeficiente que precede a la variable tiempo tiene signo positivo, lo que se traduce en un aumento del valor de la tierra en términos corrientes a lo 6 Shi, Phipps y Colyer (1997) y Goodwin, Mishra y Ortal-Magné (2003) 8 largo de los años considerados, del orden del 6% para el conjunto de la tierra de uso agrícola en el periodo 1983-2003. En resumen, el conjunto de las variables utilizadas explican el 66% del valor, que corresponden el 33% a las variables agronómicas, tipo de aprovechamiento y secano-regadío; el 18% a las variables regionales climáticas, precipitación y máxima oscilación térmica; el 3% y el 6% a la variable regional económica, precio medio de la vivienda, o regional social, densidad de población, respectivamente; y el 8% restante al tiempo. 4. SEPARACIÓN DEL EFECTO AGRONÓMICO. EL MODELO DE VARIABLES REGIONALES PARA TIERRAS DEDICADAS A UN MISMO CULTIVO Una profundización interesante del modelo anterior consiste en separar las variables vinculadas al tipo de cultivo del resto de variables que de alguna manera subrayan el efecto que las variables de carácter regional tienen sobre el valor de mercado de la tierra de uso agrícola. En este sentido la ecuación [6] es un ejemplo de este procedimiento para la tierra de labor en secano y regadío, que podrán ser estudiadas con más detalle en próximos trabajos. Los parámetros estadísticos relativos al modelo se recogen en la tabla 4. Ln V = 6,54 + 1,148 AGUA – 0,0598 TMAXMIN + 0,00005375 PRECIPTEMD + 0,576 LNPMV + 0,03728 TIEMPO R2 = 0,742 [6] Dejando aparte la variable agua, que distingue entre las tierras de secano y regadío, y la variable tiempo que mide la evolución cronológica, se puede observar cómo las precipitaciones multiplicadas por la temperatura media, y la diferencia entre la temperatura máxima y mínima de una Comunidad Autónoma, variables de naturaleza regional físicas o geográficas, permanecen en el modelo, a las que se añade el precio medio de la vivienda tomada como logaritmo neperiano para evitar el problema de la heterocedasticidad. El conjunto de las variables utilizadas explican el 74% del valor, del cual el 42% corresponde a la variable secano-regadío, y el resto se distribuye análogamente a como ocurría en el modelo general: las variables regionales climáticas, precipitación por temperatura media y oscilación térmica, explican el 20,5% del valor, la variable regional económica, precio medio de la vivienda, el 5%, y el tiempo el 9% restante. 5. CONCLUSIONES De los resultados obtenidos se pueden deducir las siguientes conclusiones: 9 1º En el presente trabajo se ha desarrollado un modelo que incorpora los modelos econométricos a los estudios del valor de mercado de la tierra, utilizando variables de naturaleza regional (climáticas, sociales, económicas y geográficas) junto con otras de naturaleza agronómica. 2º En el modelo general aprovechamiento y intervienen las variables: agronómicas (tipo de secano-regadío), regionales climáticas (precipitaciones y máxima oscilación térmica), regionales económicas o sociales (precio medio de la vivienda o densidad de población), y el tiempo, las cuales explican el 66% del valor. Análogamente, en el modelo que determina el valor de la tierra de labor intervienen las variables: agronómicas (secano-regadío), regionales climáticas (precipitaciones por temperatura media y máxima oscilación térmica), regional económica (precio medio de la vivienda) y el tiempo, aumentando el poder explicativo al 74%. 3º El conjunto de las variables de carácter regional explican el 21-24% del valor de mercado de la tierra de uso agrícola en el modelo general, y en el modelo relativo a la tierra de labor el 25,5%. 6. BIBLIOGRAFÍA Arias, C. (2001): Estimación del valor del regadío a partir del precio de la tierra. Economía Agraria y Recursos Naturales, 1 (1) pp. 115-123. Baker, T.G.; Ketchabaw, E. H. y Turvey, C.G. (1991): An Income Capitalization Model for Land Value with Provisions for Ordinary Income and Long-term Capital Gains Taxation. Canadian Journal of Agricultural Economics, 39 pp. 69-82. Ballestero, E. y Rodríguez, J.A. (1999): El precio de los inmuebles urbanos. Dossat. 2ª edición. Barnard, Ch.H.; Whittaker, G.; Westenbarger, D. y Ahearn, M. (1997): Evidence of capitalization of direct government payments into US cropland values. American Journal of Agricultural Economics, 79 (5) pp.1642-1650. Boisvert, R.N.; Schmit, T.M. y Regmi, A. (1997): Spatial, Productivity, and Environmental Determinants of Farmland Values. American Journal of Agricultural Economics, 79 (5) pp. 1657-1664. Caballer, V. (1974): Una contribución a los métodos estadísticos de valoración y su aplicación al Levante Español. Agrosociales, 88 pp. 105-106. Caballer, V. (1998): Valoración agraria. Teoría y práctica. Mundi-prensa. 4ª edición. Caballer, V. (2002): Land appraisal new trends. Iº Congreso sobre el Catastro en la Unión Europea. Revista de la Dirección General del Catastro. Mº de Hacienda, 45 (3) pp. 256-262. 10 Caballer, V. y Guadalajara, N. (2005). Modelos econométricos de valoración de la tierra de uso agrícola. Una aplicación al Estado Español. Revista Española de Estudios Agrosociales y Pesqueros, 205 pp. 9-10. Calatrava, J. y Cañero, R. (2000): Valoración de fincas olivareras de secano mediante métodos econométricos. Investigación Agraria: Prod. Prote. Veg., 15 (12) pp. 92-102. Cañas, J.A.; Domingo, J. y Martínez. J.A. (1995): Modelos de valoración agraria y tipos de actualización para diferentes aprovechamientos en la Campiña Cordobesa. Revista Española de Economía Agraria, 171 pp.191-224. Clark, J. S.; Fulton, M. y Scott, J.T. (1993): The Inconsistency of Land Values, Land Rents, and Capitalization Formulas. American Journal of Agricultural Economics, 75 (Febrero) pp. 147-155. DecimaVilla, E.; San Juan, C. y Sperlich, S. (2005). Precio de la tierra con presión urbana: un modelo para España. Fundación de las Cajas de Ahorro. Nº 205. Doll, H. y Klare, K. (1995): Empirische Analyse der regionalen landwirtschaftlichen Bodenmärkte in den neuen Bundesländern. Landbauforschung Völkenrode, 45 (4) pp. 205-217. Falk, B. (1991): Formally Testing the Present Value Model of Farmland Prices. García, T. (2000): Un modelo analógico para la valoración catastral. Estudios Agrosociales y Pesqueros, 186 pp. 105-127. García, T. y Grande, I. (2003): A model for the valuation of farmland in Spain: The case for the use of multivariate analysis. Journal of Property Investment & Finance, 21 (2) pp. 136-153. Goodwin, B.K.; Mishra, A.K. y Ortalo-Magne, F.N. (2003): What´s wrong our models or agricultural land values?. American Journal of Agricultural Economics, 85 (3) pp.744-752. Guadalajara, N. (1996): Valoración Agraria. Casos prácticos. Mundi Prensa. (2ª edición). Gracia, A.; Pérez y Pérez, L; Sanjuán, A.I. y Barreiro, J. (2004). Análisis hedónico de los precios de la tierra en la provincia de Zaragoza. Revista Española de Estudios Agrosociales y Pesqueros, 202 pp. 51-69. Haas, G.C. (1922): Sale Prices as a Basis for Farm Land Appraisal. Technical Bulletin 9, Minnesota Agricultural Experiment Station, St. Paul. Hair, J.; Anderson, R.; Tatham, R. y Black, W. (2001): Análisis multivariante. Prentice Hall. 5ª edición. Hallam, D.; Machado, F. y Rapsomanikis, G. (1992): Co-Integration Analysis and the Determinants of Land Prices. Journal of Agricultural Economics, 43 (1) pp. 2837. 11 Hardie, I.W.; Narayan, T.A. y Gardner, B.L. (2001): The Joint influence of agricultural and nonfarm factors on Real Estate values: an application to the Midatlantic region. American Journal of Agricultural Economics, 83 (1) pp. 120-132. Hossell, J.E.; Jones, P.J.; Marsh, J.S.; Parry, M.L.; Rehman, T. y Tranter,R.B. (1996): The likely effects of climate change on agricultural land use in England and Wales. Geoforum, 27 (2) pp. 149-157. Lloyd, T. A. y Rayner, A. J. (1993): Co-integration Análisis and the Determinants of Land Prices: Comment. Journal of Agricultural Economics, 44 (1) pp. 149-156. Maddison, D. (2000): A hedonic analysis of agricultural land prices in England and Wales. European Review of Agricultural Economics, 27 (4) pp. 519-532. Martínez, I. (1996): Los modelos econométricos aplicados a la valoración de bienes inmuebles rústicos. Catastro, 27 pp.48-55. Peterson, W. (1986): Land Quality and Prices. American Journal of Agricultural Economics, 4 pp. 812-819. Reynolds, J.E. (1997): New opportunities for using farmland values in the analysis of economic issues : Discussion. American Journal of Agricultural Economics, 79 (5) pp. 1665-1668. Roka, F.M. y Palmquist, R.B. (1997): Examining the Use of National Databases in a Hedonic Analysis of Regional Farmland Values. American Journal ogf Agricultural Economics, 79 (5) pp. 1651-1656. Segura, B.; Caballer, V. y Juliá, J.F. (1984): Evolution of the prices of land in Europe and North-America. Acta Horticulturae, 155 pp. 379-384. Segura, B.; García, R. y Vidal, F. (1998): Modelos econométricos de valoración fiscal. Investigaciones Agrarias. Prod. Prot. Veg, 12 (1-2) pp. 227-240. Shi, Y.J.; Phipps, T.T. y Colyer, D. (1997): Agricultural Land Values under urbanizing influences. Land Economics, 73 (1) pp. 90-100. Wallace, H.A. (1926): Comparative Farmland Values in Iowa. Journal of Land and Public Utility Economics. 2 (oct.) pp.385-92. Xu, F.; Mittelhammer, R.C. y Barkley, P.W. (1993): Measuring the Contributions or Site Characteristics to the Value of Agricultural Land. Land Economics, 69 (4) pp. 356-369. 12 TABLA 1. Resultados del análisis factorial KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig. ,543 27540,612 136 ,000 Rotated Component Matrixa TMIN TMAXMIN NPEA MAR ISLA PRECTMED PRECIP CREDITOS SA LNPMV TACT LNDENS EXPORT HERBOLEÑ APROV AGUA TIEMPO 1 2 ,951 -,906 ,818 ,646 ,629 8,329E-02 -9,88E-02 -4,71E-02 -,382 -,167 ,308 ,285 -,308 4,583E-03 -2,78E-02 2,208E-02 5,014E-02 ,102 -,254 -,287 ,354 -,302 ,940 ,916 -,775 -,506 ,160 -4,57E-02 ,304 3,323E-02 -7,30E-02 -,148 -4,69E-02 2,590E-02 Component 3 4 5,043E-02 8,555E-02 -,171 3,698E-02 ,189 -,126 ,245 ,244 ,358 -,141 -6,56E-03 -9,26E-03 4,855E-03 -7,71E-02 -,249 ,130 -,485 1,808E-03 ,852 -,160 ,837 ,109 ,745 4,685E-02 -,674 -5,36E-02 -1,14E-02 ,879 4,821E-02 ,764 3,811E-03 -4,08E-02 6,802E-03 3,121E-02 5 5,875E-02 1,849E-03 -5,14E-02 2,898E-02 -2,80E-04 -5,87E-02 -7,48E-02 -1,82E-02 -,113 -9,55E-02 4,382E-02 2,663E-02 -3,11E-02 -,295 ,454 ,953 3,022E-03 6 -1,32E-02 -1,94E-02 ,108 -,112 7,926E-02 -1,62E-02 3,934E-03 -5,20E-02 8,437E-03 8,840E-02 -1,92E-02 2,665E-02 7,344E-02 1,699E-02 2,729E-02 -5,79E-04 ,980 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 5 iterations. 13 TABLA 2. Resultados del análisis de regresión con los factores Model Summary Model 1 R ,777a R Square ,603 Adjusted R Square ,602 Std. Error of the Estimate ,69606 a. Predictors: (Constant), REGR factor score 6 for analysis 1 , REGR factor score 5 for analysis 1 , REGR factor score 4 for analysis 1 , REGR factor score 3 for analysis 1 , REGR factor score 2 for analysis 1 , REGR factor score 1 for analysis 1 ANOVAb Model 1 Regression Residual Total Sum of Squares 1120,141 735,946 1856,087 df 6 1519 1525 Mean Square 186,690 ,484 F 385,330 Sig. ,000a a. Predictors: (Constant), REGR factor score 6 for analysis 1 , REGR factor score 5 for analysis 1 , REGR factor score 4 for analysis 1 , REGR factor score 3 for analysis 1 , REGR factor score 2 for analysis 1 , REGR factor score 1 for analysis 1 b. Dependent Variable: LNP Coefficientsa Model 1 (Constant) REGR factor score 1 for analysis 1 REGR factor score 2 for analysis 1 REGR factor score 3 for analysis 1 REGR factor score 4 for analysis 1 REGR factor score 5 for analysis 1 REGR factor score 6 for analysis 1 Unstandardized Coefficients B Std. Error 8,370 ,018 Standardized Coefficients Beta t 469,762 Sig. ,000 Collinearity Statistics Tolerance VIF ,297 ,018 ,269 16,671 ,000 1,000 1,000 ,307 ,018 ,279 17,249 ,000 1,000 1,000 ,202 ,018 ,184 11,361 ,000 1,000 1,000 ,362 ,018 ,329 20,336 ,000 1,000 1,000 ,518 ,018 ,469 29,057 ,000 1,000 1,000 ,333 ,018 ,302 18,699 ,000 1,000 1,000 a. Dependent Variable: LNP 14 TABLA 3. Parámetros estadísticos del análisis de regresión para el conjunto de todas las tierras de cultivo Resumen del modelo Modelo 1 R ,816a R cuadrado ,666 R cuadrado corregida ,665 Error típ. de la estimación ,63908 a. Variables predictoras: (Constante), LNPMV, TIEMPO, AGUA, TMAXMIN, PRECIP, APROV ANOVAb Modelo 1 Regresión Residual Total Suma de cuadrados 1308,232 654,704 1962,936 gl 6 1603 1609 Media cuadrática 218,039 ,408 F 533,854 Sig. ,000a a. Variables predictoras: (Constante), LNPMV, TIEMPO, AGUA, TMAXMIN, PRECIP, APROV b. Variable dependiente: LNP Coeficientesa Modelo 1 (Constante) AGUA APROV TIEMPO TMAXMIN PRECIP LNPMV Coeficientes no estandarizados B Error típ. 6,824 ,402 1,018 ,042 1,041 ,038 ,047 ,003 -,068 ,003 ,001 ,000 ,415 ,055 Coeficientes estandarizad os Beta ,372 ,426 ,261 -,315 ,322 ,112 t 16,987 24,382 27,543 18,072 -21,589 21,280 7,532 Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 a. Variable dependiente: LNP Resumen del modelo Modelo 1 R ,812a R cuadrado ,659 R cuadrado corregida ,658 Error típ. de la estimación ,64563 a. Variables predictoras: (Constante), LNDENS, APROV, TIEMPO, PRECIP, AGUA, TMAXMIN 15 ANOVAb Modelo 1 Regresión Residual Total Suma de cuadrados 1222,906 633,181 1856,087 gl 6 1519 1525 Media cuadrática 203,818 ,417 F 488,958 Sig. ,000a a. Variables predictoras: (Constante), LNDENS, APROV, TIEMPO, PRECIP, AGUA, TMAXMIN b. Variable dependiente: LNP Coeficientesa Modelo 1 (Constante) AGUA APROV TIEMPO TMAXMIN PRECIP LNDENS Coeficientes no estandarizados B Error típ. 8,901 ,247 1,013 ,043 1,028 ,039 ,048 ,003 -,062 ,004 ,001 ,000 ,064 ,019 Coeficientes estandarizad os Beta ,371 ,421 ,271 -,284 ,343 ,057 t 36,081 23,387 26,215 18,047 -16,452 22,244 3,285 Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,001 a. Variable dependiente: LNP 16 TABLA 4. Parámetros estadísticos del análisis de regresión para las tierras de labor Model Summary Model 1 R ,863a R Square ,744 Adjusted R Square ,742 Std. Error of the Estimate ,44041 a. Predictors: (Constant), TMAXMIN, AGUA, LNPMV, TIEMPO, PRECTMED ANOVAb Model 1 Regression Residual Total Sum of Squares 317,034 108,811 425,844 df 5 561 566 Mean Square 63,407 ,194 F 326,909 Sig. ,000a a. Predictors: (Constant), TMAXMIN, AGUA, LNPMV, TIEMPO, PRECTMED b. Dependent Variable: LNP Coefficientsa Model 1 (Constant) TIEMPO AGUA PRECTMED LNPMV TMAXMIN Unstandardized Coefficients B Std. Error 6,540 ,475 3,728E-02 ,003 1,148 ,037 5,375E-05 ,000 ,576 ,063 -5,98E-02 ,004 Standardized Coefficients Beta ,262 ,662 ,183 ,196 -,338 t 13,762 12,204 30,989 8,381 9,133 -15,340 Sig. ,000 ,000 ,000 ,000 ,000 ,000 Collinearity Statistics Tolerance VIF ,985 ,998 ,952 ,988 ,939 a. Dependent Variable: LNP 17 1,015 1,002 1,051 1,012 1,065