Incorporación de variables regionales a los modelos econométricos

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