El precio de los bienes inmuebles: un estudio agregado y

cinve
Documentos de Trabajo
El precio de los bienes inmuebles: un estudio agregado
y comparado para algunos barrios de Montevideo
DT. 05/07
Guillermo Carlomagno
cinve
Adrián Fernández
cinve
Setiembre 2007
cinve
Av. Uruguay 1242, C.P. 11.100
Montevideo, Uruguay
ISSN: 1688-6186
El precio de los bienes inmuebles: un estudio agregado y
comparado para algunos barrios de Montevideo
Guillermo Carlomagno y Adrián Fernández 1
cinve
El objetivo del presente trabajo es estudiar los factores explicativos del proceso de
formación de precios de los inmuebles destinados a vivienda. El estudio se basa por un lado
en datos agregados para el promedio del departamento de Montevideo y por otro en datos
desagregados a nivel de algunos de sus barrios. La doble aproximación se explica por el
objetivo de captar factores o determinantes sistémicos así como factores específicos o
idiosincrásicos propios de los barrios.
Los resultados encontrados permiten concluir que los factores generalmente planteados en
la literatura como explicativos también lo son para el precio de las viviendas de
Montevideo. En base a datos trimestrales para el período 1976.I – 2007.I, el ingreso de los
hogares (medido a través del índice de salarios) tiene una relación positiva, mientras que la
tasa de interés, como costo de oportunidad, presenta un signo negativo. Aplicando la teoría
de CAPM, es posible concluir que la vivienda, como activo de capital, registra una
correlación inferior a uno con los rendimientos de mercado, por lo que su menor
rendimiento entre 1994 y 2006 puede explicarse por estos factores.
Finalmente, aplicando el método hedónico, fue posible validar algunas de las variables
disponibles a nivel de barrios de Montevideo. La profundidad del mercado de cada barrio,
el ingreso de los hogares, el tamaño de las viviendas, fueron significativas en un modelo de
panel de 11 barrios de Montevideo para datos anuales de 1999 a 2005.
1
Contacto con los autores: [email protected] ,[email protected]
1
1.
INTRODUCCION
La vivienda cumple la doble condición de activo de las familias y de vehículo para la
prestación de distintos servicios al hogar u hogares que la habitan: abrigo, privacidad, etc.,
en el caso de hogares propietarios.
Casi un 70% de los hogares son propietarios de la vivienda que habitan. En el año 2006
61,5% de los hogares del país eran propietarios de su vivienda y 7,2% de los hogares son
propietarios en terrenos ocupados2. En muchos casos, la vivienda propia constituye el
principal activo de la familia. El valor locativo (el alquiler imputado por la casa propia)
representa el 13,3% del ingreso familiar en promedio para los hogares de localidades
mayores en 2006, con porcentajes similares a lo largo de la distribución: 15,2% del ingreso
de los hogares del primer decil y 12,8% para el decil más rico3.
De esta forma, los cambios en el valor de los inmuebles (en particular los destinados a
vivienda) representan una alteración sustantiva de la riqueza de la mayor parte de las
familias uruguayas, con eventuales consecuencias en el acceso al crédito, valor del alquiler,
etc. También son relevantes desde el punto de vista macroeconómico. Las variaciones en el
valor de los inmuebles representan un factor significativo en los mercados financieros, aún
en Uruguay, en el que éstos presentan un menor desarrollo relativo. Los préstamos
hipotecarios con destino a la vivienda alcanzaban a más de US$ 2.000 millones en 1998
(casi 10% del PIB). Por distintas razones, especialmente por las modificaciones en el valor
de la Unidad Reajustable en dólares, este monto disminuye a US$ 900 millones en 20024.
El mercado inmobiliario es uno de los más importantes y de mayor operativa de activos en
el Uruguay. Sólo el mercado de inmuebles en Montevideo registra anualmente
transacciones en el orden de US$ 470 millones5. Compárese con el total circulante de
valores privados de oferta pública que alcanza a US$ 445 millones, a diciembre de 2006.
Resulta entonces relevante el análisis de los determinantes, tanto a nivel agregado como de
áreas menores, de la evolución de los precios de los inmuebles. Un mejor conocimiento de
estos factores puede contribuir a mejores prácticas de los agentes financieros en el
momento de diseñar sus estrategias de crédito o de garantía de préstamos, así como de los
policy makers y de los organismos supervisores.
El presente artículo está organizado como sigue. En la próxima sección se explicita las
fuentes y la metodología de la principal serie utilizada en el estudio, el precio de las
viviendas. Su evolución, incluyendo el análisis de la moneda de referencia más apropiada,
se considera en la siguiente sección del capítulo introductorio. En el capítulo 2 se presenta
2
De acuerdo a la Encuesta Nacional de Hogares Ampliada, del Instituto Nacional de Estadística (INE),
Casacuberta (2006).
3
Amarante y Vigorito (2007).
4
Gandelman y Gandelman (2004)
5
En el año 1999, cuando ya había comenzado la fase recesiva, el monto transado alcanzó a casi US$ 600
millones
2
la revisión de la literatura y los antecedentes nacionales más relevantes sobre los
determinantes del precio de la vivienda. También se desarrollan las técnicas que serán
aplicadas a los modelos explicativos de los precios de los inmuebles. En el capítulo 3,
diferentes metodologías son utilizadas para abordar el comportamiento de esta variable: un
modelo VECM para investigar relaciones de equilibrio a largo plazo entre el precio
promedio y otras variables determinantes, la aplicación del CAPM para analizar el
comportamiento de la vivienda como activo de capital, y, finalmente, un modelo aplicando
el método hedónico para los precios de los inmuebles a nivel de barrios de Montevideo. En
el capítulo 4 se plantean las conclusiones del estudio.
1.1. Los precios de los inmuebles
Sólo a partir de 1999 se dispone de una estimación con propiedades estadísticas conocidas
del precio de compraventa de inmuebles, realizada por el INE. Los “Indicadores de
Actividad y Precios del Sector Inmobiliario”6 utilizan los datos de las compraventas
inscriptas en los registros de propiedad, relevando la información de precio (valor de la
compraventa) y superficie (metros cuadrados). Se excluyen operaciones de dimensiones
extremas y se calcula el promedio del precio por metro cuadrado. Buscando controlar por
distintos determinantes de los precios de los inmuebles, el INE informa por separado los
precios de los inmuebles en propiedad horizontal de las propiedades comunes. Mas allá de
que en algunas oportunidades se han relevado los datos de compraventas en departamentos
del Interior, la información sistemática se dispone para el departamento de Montevideo en
su conjunto, y para algunos barrios.
Este indicador, aún cuando representa un avance en relación a la ausencia previa de datos
sistematizados, registra algunas debilidades. La más importante es que el índice (el valor
promedio) no corrige por las características de las viviendas consideradas, más allá de la
exclusión de valores extremos. El dato divulgado se corresponde, estrictamente, a un valor
unitario de las transacciones realizadas, más que a un “precio”. Como se fundamenta más
adelante, el valor del metro cuadrado de un inmueble depende de diversas características:
su antigüedad, el barrio al que pertenece, la ubicación en el edificio (frente, contrafrente,
etc.), estado de conservación, etc. El cambio en la composición de los inmuebles vendidos
de acuerdo a las características anteriores puede determinar una modificación en el valor
unitario, aunque los determinantes finales de los precios no necesariamente experimenten
cambios.
Un elemento también importante en la evaluación del indicador tiene relación con el
momento en que es relevado el precio. La estadística del INE recoge el precio del inmueble
de acuerdo a la escritura de compraventa. En la práctica usual es posible que la escritura se
registre varios meses después del cierre de la transacción. El precio del inmueble
corresponde referenciarlo al momento del cierre de la transacción (cuando se firma el
“compromiso”) y no al de su escritura. Este desfasaje es particularmente significativo en
fases de crecimientos o decrecimientos pronunciados.
6
Ver las distintas ediciones, que incluyen la metodología de relevamiento y procesamiento de los datos.
3
Un tercer aspecto a mencionar tiene relación con la modalidad de la compraventa. Más allá
de la consideración de los intereses por financiamiento, normalmente el precio de un
inmueble es distinto si la transacción se realiza al contado, o con financiamiento del
vendedor. Generalmente se considera que un precio de contado por la modalidad de remate
se ubica en un 85% del precio de mercado. Es decir, la adquisición de un inmueble por
remate público tiene un “premio” de 15% respecto a una operación común, donde
eventualmente hay un saldo a financiar. Las estimaciones de Valora –Consultora (ver más
adelante) para el 2do. semestre de 2006 indicarían que los precios de remates judiciales
para inmuebles en propiedad horizontal, en Montevideo, se ubicaron en promedio en 56%
de los datos efectivos de compraventa relevados por el INE7.
La consultora Valora elabora un índice (el Índice de Precios de Remates de Inmuebles –
IPRI) que intenta subsanar estas debilidades (Valora, 2002). Sin embargo, el largo de la
serie es aún menor que la del INE (comienza en 2002). Dado el reducido número de
remates judiciales en tiempos de expansión, este índice podría presentar varianzas elevadas.
La consultora también elabora el Índice Valora de tasaciones de mercado, con datos anuales
desde 1995. Más allá de que los valores no corresponden a transacciones efectivas de
mercado, es posible que la muestra sobre la que se registran tasaciones presente un sesgo de
selección.
No se dispone de datos para los años previos relevados con un procedimiento sistemático
de muestreo estadístico de transacciones. El antecedente a mencionar es el trabajo de Grau,
Noya y Rama (1987), que en lo esencial recoge los precios de los anuncios de venta de
inmuebles. Tomando esta serie, continuando la metodología para los años intermedios y
empalmando con los índices oficiales a partir de 1999, se construyó un indicador trimestral
de la evolución del precio promedio por metro cuadrado de las viviendas de Montevideo
(IPV) para el período 1976.I - 2007.I. La moneda de referencia para este Índice es el dólar
americano. En el gráfico de la página siguiente se presentan estos valores, junto con el
Índice de Precios del Consumo elaborado por el INE, también expresado en dólares.
La elección del dólar como moneda de referencia para elaborar el índice en base al que se
realizarán las estimaciones responde a diversas razones. En primer lugar, es la moneda en
que se fijan los precios de las transacciones en el mercado de vivienda. Adicionalmente, es
la moneda en que generalmente se nominan y los ahorros que utilizan las familias para la
compra de la vivienda.
Podría discutirse, desde la óptica del financiamiento, que una moneda de referencia
alternativa podría ser la Unidad Reajustable (UR), que ha sido la base para los créditos del
Banco Hipotecario del Uruguay. O, como se impulsa actualmente, la Unidad Indexada (UI),
explicada por la evolución del IPC.
7
La estimación de Valora es un precio promedio de US$ 385 y US$ 317 el m2 para
remates judiciales de inmuebles en régimen de propiedad horizontal de Montevideo en el
tercer trimestre y cuarto trimestre de 2006, respectivamente.
4
Gráfico 1.1. Índice de Precio de Viviendas (IPV) e Índice de Precios del Consumo (IPC) en
dólares. IPV = Precio del m2 en dólares propiedad horizontal, departamento de
Montevideo. Año 1992 = 100.
180
160
140
IPV
120
IPC
100
80
60
40
20
2007
2006
2005
2004
2003
2002
2001
2000
1999
1998
1997
1996
1995
1994
1993
1992
1991
1990
1989
1988
1987
1986
1985
1984
1983
1982
1981
1980
1979
1978
1977
1976
0
Fuente: cinve e INE.
Este argumento resulta de recibo en la medida que la mayor variabilidad en el precio está
dada por los valores expresados en dólares. A partir de datos trimestrales del IPV desde
1976 hasta 2006, expresados en las tres monedas (ver Gráfico 1.2.), el desvío estándar
alcanza a 38,2 para el índice expresado en dólares y 16,6 y 17,2 para las series expresadas
en IPC y en UR, respectivamente. Es decir, el precio en términos de UI y de UR presenta
menor variabilidad en el período.
Sin embargo, como se aprecia en el gráfico siguiente, la variabilidad en parte es explicada
por la tendencia que registra el precio en dólares. Si se calculan los rendimientos
trimestrales (la variación del precio en relación al trimestre anterior) en cada una de las
monedas, el desvío estándar se ubica en 0,120, 0,124 y 0,131 en IPC, UR y dólares,
respectivamente.
En resumen, es posible que en análisis futuros sea aconsejable que la moneda de referencia
para analizar este mercado sea la UI. En el período analizado en el presente artículo, el
dólar resulta, en nuestra opinión, una unidad de valor más adecuada.
5
Gráfico 1.2. Índice de Precio de Viviendas (IPV) en términos de IPC, Dólar y UR. IPV =
Precio del m2 en dólares propiedad horizontal, departamento de Montevideo.
Año 1992 = 100.
180
160
140
120
100
80
60
IPC
40
USD
En UR
20
ene-07
ene-06
ene-05
ene-04
ene-03
ene-02
ene-01
ene-00
ene-99
ene-98
ene-97
ene-96
ene-95
ene-94
ene-93
ene-92
ene-91
ene-90
ene-89
ene-88
ene-87
ene-86
ene-85
ene-84
ene-83
ene-82
ene-81
ene-80
ene-79
ene-78
ene-77
ene-76
0
Fuente: cinve e INE.
6
2. DETERMINANTES DEL PRECIO DE LA VIVIENDA
2.1. MARCO TEÓRICO
Los precios de los inmuebles, junto con un conjunto heterogéneo de bienes y servicios
(desde automóviles, computadoras hasta capital humano), han sido objeto de modelización
basados en la “hipótesis hedónica” popularizada por Zvi Griliches a comienzos de los años
sesenta (véase Triplett, 2004, para una reseña histórica): El valor de todos estos bienes o
servicios dependen de características (en el caso de las computadoras, la velocidad y la
memoria, por ejemplo) que tienen “precios implícitos”. El valor de un bien concreto
dependerá de las características que posea, de los precios de estas características
(generalmente no observados) y, eventualmente, de cómo se relacionan (usualmente se
plantea una hipótesis lineal).Actualmente el método hedónico es recomendado por la
literatura y utilizado por los expertos de las oficinas públicas de estadística en los países de
la OCDE.
Supóngase que el precio del metro cuadrado de un inmueble “i” en el momento “t”, Pit,
depende de características medidas específicamente para el inmueble “i”, recogidas en el
vector Xit, de una constante (invariante) α, de un factor fijo asociado al período “t”: Pt,
además de otras variables relacionadas con el mercado en su conjunto tales como el costo
del crédito, el ingreso de las familias, etc., que se recogen en el vector Yt.
Es decir:
Pit = α + β’.Xit + χ’.Yt + Pt + εit
i = 1, 2, …, n
En la medida que el modelo se estime en base a las transacciones efectivas, la construcción
de un índice de precios de los inmuebles debería realizarse a partir de los componentes Pt.
y χ’.Yt, ya que ambos términos reflejan la evolución del mercado general, más allá de las
características específicas de los inmuebles transados.
Aunque el modelo de precios hedónicos es de amplia utilización, cuando se trabaja con
datos agregados de mercado otras consideraciones son pertinentes.
Como fue mencionado anteriormente, el mercado de la vivienda presenta algunas
características peculiares que es preciso tener en cuenta al momento de analizar los factores
que determinan su precio. El principal hecho que diferencia al mercado de la vivienda de
los demás, es que se trata de un bien que posee la doble característica de ser un bien de
inversión y una fuente de utilidad para quienes lo usan. Asimismo, la vivienda tiene una
extensa vida útil, y un largo proceso de producción, lo cual implica que la oferta sea
relativamente rígida en el corto plazo.
Estos hechos implican que la demanda por vivienda esté influida tanto por las variables que
determinan el consumo, como por aquellas que influyen en las decisiones de inversión.
7
Entre las primeras, la teoría económica destaca al ingreso disponible como el principal
factor determinante del consumo, por lo que variaciones del ingreso deberían determinar
variaciones en el mismo sentido en la demanda por vivienda y, dado el nivel de la oferta,
tenderían a modificar el precio en el sentido de la variación antedicha.
Entre los determinantes de la demanda por activos de inversión, en la literatura económica
suelen incluirse los factores que afectan el rendimiento financiero y los que determinan el
riesgo. La demanda por un activo de inversión será mayor cuanto mayor sea la relación
rendimiento/riesgo. Una medida adecuada del rendimiento financiero de una vivienda
debería comparar el beneficio neto de ser propietario8, con el beneficio que se obtendría por
invertir el capital invertido en la vivienda en un activo libre de riesgo, esto es, el “costo de
oportunidad”. En cuanto al riesgo, las medidas más utilizadas refieren a la variabilidad en el
precio; por lo que el riesgo de una inversión en vivienda podría asociarse a la variabilidad
histórica de su precio.
No obstante, a los efectos prácticos, debido a la falta de disponibilidad de información
adecuada y que la varianza histórica del precio es una constante en todo el período de
estudio, se optó por utilizar como determinante de la demanda de vivienda, por motivo de
inversión, una aproximación simplificada del costo de oportunidad de la inversión en
vivienda: la tasa de interés de lago plazo (a diez años) de la deuda pública norteamericana.
En suma, se postula que la demanda por vivienda estaría determinada por el nivel de
ingreso de los hogares y por el costo de oportunidad de ser propietario, que por razones de
índole práctico se estimará a través del interés pagado por la deuda pública norteamericana
de largo plazo. La aproximación empírica se realiza a través de técnicas de cointegración y
vectores autorregresivos con mecanismo de corrección de error (VECM). Se espera
encontrar que incrementos en el ingreso de los hogares presionen al alza el precio de la
vivienda, en tanto que incrementos en el rendimiento de los bonos norteamericanos, vía el
incremento en el costo de oportunidad, hagan caer la demanda y generen una presión a la
baja en el precio de compraventa de viviendas.
En tercer lugar, retomando la característica de activo de las viviendas, se consideró el
Modelo de Valuación de los Activos de Capital para la explicación del precio general de las
viviendas. Este modelo, denominado CAPM por su sigla en inglés (Capital Asset Pricing
Model) es una pieza central de la teoría financiera. Basado en las ideas de Harry
Markowitz, fue desarrollado en los 60s por William Sharpe y John Litner,
La piedra central del modelo consiste en que las decisiones de integración de portafolios
por los inversores reposan en la relación rentabilidad-riesgo. La inclusión de un activo en
un portafolio pre-existente dependerá de su rendimiento y del riesgo relativo al portafolio
que estamos evaluando. De esta forma, la varianza propia del activo pierde importancia en
el análisis, pasando a considerarse la correlación con el portafolio.
8
El beneficio neto podría calcularse como el valor locativo, o el valor del alquiler de una vivienda de
características semejantes más la variación esperada del precio neto de todos los costos que implica ser
propietario (gastos de mantenimiento, impuestos, etc).
8
La fórmula bien conocida del CAPM indica que:
R – Rf = β (Rm – Rf)
donde R es el retorno del activo que se está considerando.
Rm - Retorno del mercado (o del portafolio general)
Rf - Retorno del activo libre de riesgo (usualmente un bono soberano).
β - Coeficiente que indica la relación entre el riesgo del activo y el riesgo del mercado.
Se demuestra que:
β=
COV ( R, R m )
σ m2
Es decir, valores de β inferiores a 1 indican que el activo en cuestión tiene un riesgo menor
que el de mercado por lo que se acepta un retorno menor al de mercado. Por el contrario,
valores con mayor riesgo que el mercado (valores de
superiores para incorporarse al portafolio.
β superiores a 1) requieren retornos
En el capítulo 3 se presentan aplicaciones para los datos uruguayos de los tres enfoques
teóricos desarrollados.
2.2. Antecedentes
La ausencia de datos específicos relativos al mercado de vivienda de nuestro país que
abarquen períodos de tiempo extensos ha probablemente contribuido a que los estudios del
mismo hayan sido escasos. A continuación se citan los principales, vinculados con los
objetivo del presente trabajo. Asimismo, se incluyen algunas de las referencias
internacionales.
El INE (Instituto Nacional de Estadística) realiza una estimación de los determinantes del
precio final pagado por las viviendas en varias ediciones de los “Indicadores de Actividad y
Precios del Sector Inmobiliario”. La metodología utilizada, basada en el método hedónico,
es de regresiones lineales, incluyendo como variables explicativas la edad de la vivienda y
la superficie edificada en metros cuadrados. La variable explicada es el precio por metro
cuadrado.
El análisis es realizado en base a los microdatos de las transacciones registradas en la
Dirección Nacional de Registro y la Dirección Nacional de Catastro, de los que no se pudo
disponer para el presente estudio. Los resultados de esas estimaciones indican que ambas
variables son significativas y con el signo esperado. Es decir, el precio final por metro
cuadrado disminuye con el aumento de la edad de la construcción, y aumenta con el
número de metros cuadrados construidos.
Grau, Noya y Rama (1987), si bien no analizan los determinantes de los precios de las
viviendas, elaboran una metodología para construir una serie relativamente extensa de los
9
precios de venta, que en ese momento no existía. La metodología consistió en un
relevamiento de información proveniente de avisos de oferta de inmuebles publicados en la
prensa9. La serie, que fue construida con frecuencia trimestral para el período 1976.I –
1986.IV, fue de vital importancia para los objetivos del presente estudio debido a que
permitió contar con una serie larga; necesaria para estimar relaciones de equilibrio de largo
plazo. Por otra parte, los autores encuentran una correlación elevada entre el ratio precio de
venta/costo del sector construcción y su Producto Bruto, con lo que el mencionado ratio
podría interpretarse como un indicador de las expectativas del sector y, por tanto, una
variable relevante para explicar la inversión en construcción.
Pagés y Maza (2003) analizan los determinantes del precio de las viviendas en España,
mediante una metodología de cointegración. Las principales conclusiones indican que los
determinantes fundamentales del precio serían el ingreso de los hogares y la tasa de interés.
Himmbelberg, Mayer y Sinai (2005) estudian los determinantes del precio de la vivienda en
un conjunto de estados norteamericanos, con el objetivo de diferenciar los períodos de
incrementos de precios en que los mismos están “justificados” por sus fundamentos, de
aquellos que responden a burbujas especulativas. Sus principales conclusiones indican que
la dinámica de los precios es un fenómeno local, debido a que algunos de sus fundamentos
operan de forma diferente según la zona de que se trate. Asimismo, encuentran que los
factores que afectan la rentabilidad de la inversión en vivienda son también fundamentales
a la hora de explicar la dinámica de precios. En efecto, afirman que las variaciones en las
tasas de interés de largo plazo, la inflación esperada, y las expectativas de cambio del
precio de las viviendas son variables significativas en la determinación del precio.
Bruyne et al (2006), aplicando regresiones lineales, estudia las causas de las diferencias en
el precio de las viviendas de diferentes localidades de Bélgica, en base a factores
socioeconómicos, y un conjunto de características propias de cada zona geográfica que
denomina real estate characteristics que incluyen indicadores de calidad de vida y
condiciones económicas particulares de cada mercado. Sus principales conclusiones indican
que los factores geográficos, tales como la distancia a la capital, juegan un rol muy
relevante para explicar las diferencias en los precios por localidad.
9
Solo se consideraron las ofertas de venta publicadas en el diario “El Día” para la zona de Pocitos en el
último domingo de cada trimestre.
10
3. RESULTADOS
3.1. MODELOS ESPECÍFICOS-VECM
Para el desarrollo del modelo de VECM que persigue la estimación de equilibrios a largo
plazo, se comenzó por el análisis de las series a incluir y de su trayectoria en el tiempo.
Como variable objetivo se utilizó la serie de precio en dólares por metro cuadrado antes
mencionada. Dado que la serie de Ingreso de los Hogares (YHOG) solo está disponible
para el período 1983 – 2007, se optó por utilizar una variable sustituta, la cual se dispuso
para todo el período: el Índice Medio de Salario que publica el INE. En el gráfico siguiente
se observa que las series (ingreso de los hogares e IMS, expresadas en dólares) presentan
una correlación elevada, lo cual justifica su sustitución.
Gráfico 3.1. Índice Medio de Salarios (IS) e Ingreso de los hogares de Montevideo
(YHOG), expresados en dólares. Año 1992=100.
200
180
160
140
IS
YHOG
120
100
80
60
40
20
19
76
,
19 1
77
,
19 1
78
,1
19
79
,
19 1
80
,
19 1
81
,
19 1
82
,
19 1
83
,
19 1
84
,
19 1
85
,
19 1
86
,
19 1
87
,
19 1
88
,
19 1
89
,
19 1
90
,
19 1
91
,
19 1
92
,1
19
93
,
19 1
94
,1
19
95
,
19 1
96
,
19 1
97
,
19 1
98
,1
19
99
,
20 1
00
,1
20
01
,
20 1
02
,
20 1
03
,1
20
04
,
20 1
05
,1
20
06
,
20 1
07
,1
0
Fuente: cinve e INE
De esta forma, se estudió la existencia de relaciones de equilibrio de largo plazo entre el
Índice del Precio de la Vivienda (IPV_dol), por metro cuadrado de la compraventa de
viviendas de Montevideo, medido en dólares, el Índice de Salario en dólares (IS_dol) y la
tasa de interés a diez años de la deuda pública norteamericana (tasa_usa), como proxy del
costo de oportunidad).
En primera instancia se corrió la prueba ADF (Dickey-Fuller Aumentado), observándose
que las tres series consideradas son integradas de primer orden, es decir, presentan una raíz
unitaria (véase Cuadro 3.1.).
11
Cuadro 3.1. Pruebas de Raíces Unitarias. Dickey-Fuller Aumentado (ADF).
Datos trimestrales desde 1976Q1 hasta 2006Q4.
H0 = Existencia de raíz unitaria
Valor del estadístico
en niveles
-2,22
Precio por metro cuadrado
en USD log IPV_dol
(1 lag c/ cte s/ tend)
Rech H0
al 95%
no
Valor del estadítico
primera deiferencia
-12,38
(1 lag s/cte s/ tend)
Rech H0
al 95%
si
Salario en USD (log IS_dol)
-2,15
(2 lags c/cte s/tend)
no
-6,24
(1 lag s/ cte s/ tend)
si
Tasa bono 10 años (log
1+tasa_usa)
-0,77
( 2 lags s/cte s/ tend)
no
-8,66
(1 lags s/cte s/ tend)
no
El número de lags se determinó según el criterio Schwartz (BIC)
Se aplicó la metodología de Johansen para el análisis de las relaciones de cointegracón. El
vector de variables utilizado fue, entonces, el siguiente10:
yt = [log IPV_dol, log IS_dol, log tasa_usa(-1)]
Como se observa en el cuadro 3.2., según el estadístico de la traza, al 95% de confianza no
es posible rechazar la hipótesis de existencia de una relación de equilibrio de largo plazo
entre las series consideradas, en tanto que según el criterio del máximo autovalor, no se
rechaza la existencia de dos relaciones de cointegración.
De este análisis se concluye que existiría al menos una relación de equilibrio entre las tres
series consideradas y, por lo tanto, tiene sentido indagar acerca de sus características. Es
decir, la trayectoria de las series está determinada, en el largo plazo, por una relación de
equilibrio de la que no se pueden apartar en forma sistemática.
10
Nótese que la tasa de interés se incluyó con un período de rezago debido a que esa especificación permitió
mejorar las pruebas de normalidad de residuos en las estimaciones del VECM. Mediante pedido a los autores
se dispone de las pruebas con la tasa de interés contemporánea y rezagada un período.
12
Cuadro 3.2. Prueba de cointegración IPV, IS (ambos en dólares) y Tasa USA.
Datos trimestrales desde 1976Q1 hasta 2006Q4.
Unrestricted Cointegration Rank Test (Trace)
Hypothesized
No. of CE(s)
Trace
Statistic
0.05
Critical Value
Prob.**
None *
At most 1
At most 2
43.77757
19.8619
1.427502
35.19275
20.26184
9.164546
0.0047
0.0567
0.8862
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized
No. of CE(s)
Max-Eigen
Statistic
0.05
Critical Value
Prob.**
None *
At most 1 *
At most 2
23.91567
18.43439
1.427502
22.29962
15.8921
9.164546
0.0295
0.0195
0.8862
En el cuadro 3.3. se observan los coeficientes de largo plazo en la relación de equilibrio
para cada una de las variables. Los mismos presentan los signos que a priori se esperaban;
incrementos (disminuciones) en el salario se asocian con incrementos (disminuciones) en el
precio de venta de las viviendas, en tanto que variaciones en la tasa de interés se relacionan
con variaciones de signo contrario en el precio de compraventa por metro cuadrado.
Asimismo, se realizaron las pruebas de exclusión constatándose que las tres variables están
presentes en la relación de equilibrio.
Por otra parte, se indagó acerca de los mecanismos de corrección ante desvíos
momentáneos en la relación de equilibrio, concluyéndose que, en el corto plazo, los
desequilibrios se resuelven exclusivamente vía ajustes en el precio de las viviendas. Esto
es, tanto el salario en dólares como la tasa de interés resultaron “débilmente exógenas”, lo
cual implica que, en el corto plazo, no se ajustan ante desvíos en la relación de equilibrio;
estos se resuelven vía ajustes en el precio de las viviendas. Por tanto, como era de esperar,
se concluye que los shocks en esas variables repercuten sobre el precio de las viviendas,
pero el caso inverso no se cumple.
13
Cuadro 3.3. Relación de cointegración estimada.
Datos trimestrales desde 1976Q1 hasta 2006Q4.
Cointegrating Eq:
CointEq1
LOG(IPV_dol(-1))
1
LOG(IS_dol(-1))
-0.747585
-0.12831
[-5.82655]
LOG(1+tasa_usa(-2))
5.20969
-2.31834
[ 2.24716]
C
-5.912852
-0.96107
[-6.15236]
Para establecer si las variaciones en el precio de las viviendas determinan modificaciones
en las otras variables en períodos de tiempo más prolongados, se realizaron las pruebas de
causalidad propuestas por Granger.
Las pruebas de causalidad realizadas11 arrojaron que tanto el ingreso de los hogares
(aproximado en este caso por el salario medio) como el costo de oportunidad (la tasa de
bonos de USA) son “fuertemente exógenas” al precio por metro cuadrado, por lo que
estrictamente se las puede calificar como determinantes del precio por metro cuadrado. El
modelo presentado (que fue especificado con tres lags) posee residuos normalmente
distribuidos.
En síntesis, dado que el Ingreso de los Hogares (aproximado por el salario promedio) y el
“costo de oportunidad” (aproximado por el interés pagado por la deuda pública
norteamericana de largo plazo) son variables que afectan a la economía en su conjunto, y a
la luz de los resultados presentados, podría calificarse a esas variables como determinantes
sistémicos o generales del precio por metro cuadrado de las viviendas. Esto es, son
variables que afectan el precio, independientemente de cualquier característica particular
que puedan presentar las diferentes viviendas.
3.2. Modelo de Valuación de Activos de Capital
Para analizar el comportamiento de la vivienda como activo de capital, se construyó una
serie que podría aproximarse al rendimiento de mercado para activos uruguayos. Luego se
investigó el comportamiento de los precios de la vivienda en relación a los rendimientos de
otros activos.
11
Ver en Anexo la estimación de relación de cointegración y las ecuaciones de dinámica de corto plazo
estimadas, así como la prueba de nulidad de los coeficientes de ajuste de las variables IS y tasa_usa.
14
Para la elaboración del portafolio de mercado se consideraron cuatro activos: Vivienda,
Depósitos en moneda extranjera de residentes, ídem en moneda nacional a plazo, y Títulos
públicos. Se disponía de una serie de precios y de transacciones para tierra de uso
agropecuario, aunque para un período menor, por lo que finalmente no se consideró.
En todos los casos se calcularon rendimientos anuales en dólares corrientes de los activos,
definidos como el cambio en el precio correspondiente. En el caso de los depósitos se tomó
directamente la tasa de interés (ajustada por la devaluación del período, para depósitos en
moneda nacional). En el caso de los títulos públicos, se calculó la variación anual en el
precio de un cupón cero a 10 años “emitido” en cada período con el rendimiento de los
bonos de EE.UU. a igual plazo más el UBI (el riesgo país calculado por República AFAP).
Para la determinación del rendimiento del mercado, se ponderaron los rendimientos de los
cuatro activos por la estimación de sus valores de mercado, que se presentan en el Cuadro
3.5. Como puede apreciarse en dicho cuadro, en el año 2006 las transacciones en inmuebles
destinados a vivienda representaron un 2,8% del total de mercado.
Cuadro 3.4. Rendimientos anuales en dólares de distintos activos, y estimación de
rendimientos de mercado (TOTAL). Datos anuales.
DEPOS
DEPOS
TITULOS
M/N
M/E
PÙB
PLAZO
RESID
TOTAL 1/
1994
-1,5%
-10,6%
7,0%
2,9%
1995
3,3%
1,5%
10,0%
3,8%
1996
4,3%
7,1%
2,0%
4,0%
1997
1,9%
-0,8%
1,0%
4,0%
1998
2,0%
1,4%
3,8%
2,9%
1999
1,7%
-2,1%
9,3%
4,0%
2000
1,0%
-6,0%
8,2%
4,6%
2001
5,0%
7,7%
9,7%
3,4%
2002
-26,9%
-61,9%
4,7%
3,0%
2003
10,6%
20,9%
-5,4%
1,8%
2004
37,1%
72,2%
4,2%
0,8%
2005
11,3%
19,2%
20,5%
0,9%
2006
5,5%
8,2%
3,9%
1,2%
Rdto 94/06 a/
3,4%
-0,1%
5,9%
2,9%
Desv Std b/
0,136
0,288
0,061
0,013
Corr c/Rdto Viv c/
0,545
0,507
0,362
-0,404
1/ De acuerdo a ponderaciones que surgen del Cuadro 3.5.
a/ Rendimiento promedio en el período
b/ Desvío estándar de los rendimientos
c/ Coeficiente de correlación con el Rendimiento de la vivienda.
VIV
-2,9%
0,3%
-7,3%
-3,0%
-6,2%
-8,9%
0,7%
-8,3%
-8,6%
-21,0%
18,8%
2,8%
5,6%
-3,3%
0,094
1,000
TIERRA
-10,9%
-9,5%
-13,8%
19,2%
56,8%
17,6%
7,3%
0,273
0,577
15
Cuadro 3.5. Valores de mercado de activos seleccionados. Millones de USD.
TOTAL
1999
11.709
2000
12.356
2001
13.293
2002
11.788
2003
11.543
2004
13.225
2005
14.350
2006
17.139
Fuente: Estimaciones propias.
TITULOS
PÙB
3.769
4.259
4.863
5.391
5.750
6.619
7.730
10.084
DEPOS
M/N
PLAZO
766
779
793
406
268
272
334
320
DEPOS
M/E
RESID
6.580
6.839
7.232
5.674
5.214
5.929
5.851
6.260
VIV
594
479
405
317
310
405
435
475
Como se aprecia en el Cuadro 3.4., el precio de la vivienda presenta una correlación menor
que uno con el rendimiento de mercado. Más aún presenta correlación negativa con los
depósitos en moneda extranjera, que es una opción de inversión tradicional para pequeños
inversores.
De esta forma, la inclusión de inmuebles destinados a vivienda en el portafolio de los
inversores presentaría ventajas en términos de diversificación.
Como es de esperar, la estimación de la ecuación del modelo arroja un coeficiente beta
inferior a 1.
Cuadro 3.6. Estimación del beta para el rendimiento en inmuebles (vvienda).
Dependent Variable: VIV-BONOSEEUU
Method: Least Squares
Sample: 1994 2006
Included observations: 13
Variable
Coefficient
Std. Error
t-Statistic
Prob.
TOTAL-BONOSEEUU
0.455023
0.235934
1.928606
0.0778
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
-0.382471
-0.382471
0.114446
0.157175
10.25356
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat
-0.084216
0.097336
-1.423624
-1.380167
1.420277
16
3.3. PANEL POR BARRIOS
Como fue planteado antes, sería razonable pensar que además de los factores sistémicos
existan otros específicos o idiosincrásicos que influyan en el precio por metro cuadrado de
las viviendas. Siguiendo el modelo de precios hedónicos, se intentará caracterizar el precio
de las viviendas por barrios por las características de los inmuebles vendidos.
Para determinar si dichos efectos efectivamente son significativos, sería necesario contar
con información detallada de los precios y características específicas de las transacciones
puntuales realizadas en el mercado de vivienda. Dado que no se pudo disponer de los
microdatos de la información publicada por el INE, se realizaron estimaciones con datos
del precio promedio por metro cuadrado de viviendas según barrios de Montevideo;
información que está disponible con frecuencia anual para el período 1999 – 2006.
Se consideraron 11 barrios para los que se dispone de la información del precio promedio
para todo el período (se incluye la abreviatura con que figuran en los cuadros entre
paréntesis): Buceo (BUC), Centro (CEN), Ciudad Vieja (CV), Cordón (COR), Malvín
(MLV), Parque Batlle (PQB), Parque Rodó (PQR), Pocitos (POC), Punta Carretas (PTCA),
Tres Cruces (TC) y Unión (UN).
La estimación se realizó utilizando la técnica de datos de panel, con las siguientes
variables:
•
•
•
•
•
Precio promedio en dólares por metro cuadrado de la compraventa de propiedad
horizontal según barrios, como variable a explicar (fuente INE).
Ingreso en dólares per cápita promedio de los hogares según barrios (Y, fuente
ECH).
Tasa de interés de la deuda pública norteamericana (tasa_usa)
Tamaño promedio (en metros cuadrados) de las propiedades transadas según barrio
(m2, fuente INE)
Porcentaje de propiedades vendidas en relación al total de viviendas del barrio
según el censo de 2004 (vivvend, fuente INE)
Cabe destacar que la limitada información disponible impidió incluir otras características
específicas de las viviendas. Por otro lado, las estimaciones fueron realizadas para el
período 1999 – 2005, debido a que no se dispone de la ECH 2006.
Las dos primeras variables fueron incluidas para captar los efectos de los determinantes
sistémicos sobre el precio de la vivienda. En el caso del ingreso de los hogares se
discriminó según el barrio a que pertenece la vivienda atendiendo a que existen diferencias
significativas entre barrios, lo que contribuiría a mejorar el poder explicativo del modelo.
Por su parte, la inclusión del tamaño promedio de las propiedades como determinante del
precio por metro cuadrado se debe a que, como se observa en el gráfico 3.2, cuando se
17
analizan los datos agregados (para todo Montevideo) se constata una correlación muy
elevada entre ambas variables12.
precio por m2
Gráfico 3.2. Precio del metro cuadro en dólares según intervalo de tamaño
del inmueble. Años 2003 a 2006
700
650
600
550
500
450
400
350
300
250
200
2006
2003
2004
30
80
130
180
230
280
330
380
m2
Fuente: INE
En el gráfico se observa que, a partir de 130 m2, el precio por metro cuadrado disminuye
con el tamaño de las propiedades. El hecho de observar un comportamiento inverso para las
propiedades que presentan un tamaño entre 75 y 125 metros cuadrados podría deberse a que
las propiedades que pertenecen a ese intervalo se encontrarían sobre-representadas en las
zonas más caras, o presentarían características diferenciales respecto de las de menor
tamaño. En los otros tramos estos factores podrían ser menos significativos. Para explicar
correctamente este comportamiento sería necesario analizar los datos desagregados a nivel
de cada propiedad, lo cual quedará pendiente para futuras ampliaciones de este trabajo.
Por último, se incluyó el porcentaje de viviendas vendidas sobre el total de viviendas de
cada barrio como una medida aproximada del dinamismo o “profundidad” del mercado de
cada barrio13. Este indicador pretende captar el efecto que el nivel de “liquidez o
“profundidad” del mercado tiene sobre el precio final de la transacción. Normalmente los
inversores exigen un “premio” para realizar transacciones en mercados menos líquidos. Por
tanto, es esperable que este indicador de profundidad se relacione positivamente con el
precio por metro cuadro.
En el cuadro 3.7. se presentan los principales resultados de las estimaciones
realizadas..Como esperábamos, el ingreso promedio de los hogares por barrio está asociado
positivamente con los precios promedio por metro cuadro del barrio. Este resultado implica
que el ingreso de los hogares es, además de un determinante sistémico del mercado de
vivienda en su conjunto, una variable que explica el precio por metro cuadrado a nivel de
barrios.
12
El gráfico se elaboró en base a datos de precio por metro cuadrado según el intervalo de tamaño a que
pertenece la vivienda.
13
Como total de viviendas de cada barrio, por falta de información, se utilizó el que surge de los datos del
censo 2004 para todo el período.
18
Cuadro 3.7. Estimación de panel. Precio por m2 por barrios.
Dependent Variable: LOG(PM2?*IPC/TC)
Method: Pooled Least Squares
Sample: 1999 2005
Included observations: 7
Cross-sections included: 11
Total pool (unbalanced) observations: 73
Variable
C
LOG(Y?_dol)
M2?
M2?^2
VIVVEND?
LOG(1+tasa_usa(-1))
Fixed Effects (Cross)
_BUC--C
_CEN--C
_CV--C
_COR--C
_MLV--C
_PQB--C
_PQR--C
_POC--C
_PTCA--C
_TC--C
_UN--C
Coefficient Std. Error t-Statistic Prob.
5.497
0.466
-0.050
0.000
0.028
2.442
0.596
0.047
0.016
0.000
0.014
2.731
9.223
9.891
-3.157
2.561
2.039
0.894
0.000
0.000
0.003
0.013
0.046
0.375
0.216
-0.233
-0.129
-0.191
0.244
-0.068
0.027
0.114
0.150
-0.061
-0.121
Por su parte, el coeficiente de la otra variable identificada como determinante estructural
del precio por metro cuadrado, la tasa de interés de largo plazo de la deuda pública
norteamericana, no resultó significativamente distinto de cero. Este resultado podría
deberse, entre otras cosas, al reducido período de tiempo para el cual fue estimado este
modelo. Ello podría haber afectado los resultados al menos de dos formas:
a) La existencia de indivisibilidades y costos en el cambio de vivienda introducen una
diferencia importante cuando se analiza la vivienda como activo de inversión,
respecto de otros activos de capital. Como se demostró en el apartado anterior, en el
largo plazo incrementos en el costo de oportunidad (la tasa de interés) reducen la
demanda por vivienda. Sin embargo, en períodos de tiempo más acotados las
posibilidades de reducir la inversión de las familias en vivienda se encuentran
limitadas por la imposibilidad de dividir la vivienda y por los costos de cambiar la
misma. Este efecto será más relevante cuanto mayor sea el peso de las viviendas
principales en el total del mercado (debido a que en el caso de viviendas secundarias
las rigideces serían menos significativas) y cuanto menor sea el período de estudio.
19
b) El corto período de tiempo considerado implicó que la varianza de la tasa de interés
fuese significativamente inferior a la observada en el período considerado para el
modelo de largo plazo (1976.I – 2007.I). En efecto, en este último período el desvío
estándar de la tasa de interés resultó 3,7 veces superior que en el período más corto.
Seguramente este hecho ha influido en forma importante para que los efectos de las
variaciones en la tasa de interés no fueran captados correctamente por el modelo
estimado.
Con relación al tamaño promedio de las propiedades vendidas, fue incluido también su
valor al cuadrado a efectos de captar el comportamiento no lineal observado en el gráfico
3.2. Ambas variables resultaron significativas y de signo opuesto. El efecto total
(considerando los dos coeficientes) del tamaño promedio de la propiedad sobre el precio
por metro cuadrado parecería corresponder al observado en el primer tramo del gráfico 3.2.,
como se observa en el gráfico siguiente.
El hecho que la parte descendente no fuera captada por el modelo, podría deberse a que el
máximo tamaño promedio por barrio no supera el nivel a partir del cual la relación tamaño
– precio por metro cuadrado se vuelve negativa (nuevamente, realizar el análisis en base a
los microdatos hubiese permitido obtener resultados más concluyentes).
Grafico 3.3. Efecto de los coeficientes de tamaño de la vivienda sobre el precio.
-1,9
-2,0
-2,0
-2,1
-2,1
-2,2
-2,2
-2,3
-2,3
76
80
,5
85
89
,5
94
98
,5
10
10 3
7,
5
11
2
11
6,
5
12
12 1
5,
5
13
13 0
4,
5
58
62
,5
67
71
,5
-2,4
En cuanto a la variable que mide el porcentaje de viviendas vendidas en relación a total de
viviendas, su coeficiente resultó significativo y con el signo esperado. Ello implicaría que
las consideraciones realizadas son también válidas para el mercado de viviendas de
Montevideo: la mayor liquidez del mercado tiene un efecto positivo sobre el precio.
20
Efectos individuales de cada barrio
Dado que en el caso del presente estudio los “individuos” que conforman la muestra son
barrios de Montevideo, es dable esperar que los efectos individuales sean de tipo fijo. Con
este modelo se considera que los efectos individuales no son independientes de las
variables explicativas y se supone que las diferencias entre barrios pueden ser captadas
mediante las diferencias en el término independiente, lo que desde el punto de vista
intuitivo parecería razonable.
Para confirmar esa presunción se realizó el contraste de Hausman, que prueba la hipótesis
de que los efectos individuales sean aleatorios (que los efectos individuales sean
ortogonales a los regresores). Si no se rechaza la hipótesis nula de esta prueba, la inclusión
de efectos individuales aleatorios en lugar de fijos sería la opción más adecuada. Rechazar
la hipótesis nula sería evidencia en favor de considerar los efectos individuales como fijos,
dado que se estaría rechazando la independencia de los efectos individuales y las variables
explicativas.
El contraste fue realizado excluyendo del sistema a la tasa de interés (que había resultado
no significativa), y al 90% de confianza se rechazó la hipótesis de que los efectos
individuales fueran aleatorios.
A la luz de estos resultados y dado el conocimiento previo de los datos utilizados, se reestimó el modelo. En el cuadro 3.8. se reproduce el vector de efectos fijos presentado en el
cuadro anterior.
Cuadro 3.8. Coeficientes estimados de
efectos fjos.
Fixed Effects (Cross)
_BUC--C
_CEN--C
_CV--C
_COR--C
_MLV--C
_PQBAT--C
_PQROD--C
_POC--C
_PTACARR--C
_TCRU--C
_UNI--C
0.216
-0.233
-0.129
-0.191
0.244
-0.068
0.027
0.114
0.150
-0.061
-0.121
Como se observa, los únicos barrios con efectos fijos positivos son Buceo, Malvín, Parque
Rodó, Pocitos y Punta Carretas. Dado que, de los incluidos en el modelo, son además los
únicos ubicados en la zona costera, podría deducirse que el hecho de ubicarse en zonas
cercanas a la costa es un factor que explica una parte significativa de los efectos fijos
21
captados por el modelo.14 Corrigiendo por estos efectos fijos (es decir, deputando los datos
de precios del efecto del barrio) se observan valores del gráfico siguiente.
Gráfico 4.4. Precio promedio por barrio (1999-2005) y precio sin “efecto fijo”. Dólares por
metro cuadrado.
900
Actual
800
Sin efecto fijo
700
600
500
400
a
ej
Vi
da
d
ce
o
C
iu
Bu
ón
U
ni
al
ví
n
M
C
ru
ce
Pq
s
ue
R
od
ó
Po
ci
to
s
C
or
dó
Pq
n
ue
Ba
tll
e
C
en
tro
es
Tr
Pt
a
.C
ar
re
ta
s
300
La estimación de los precios eliminando el efecto fijo puede interpretarse como la
corrección por la distancia a la costa (lo que implica suponer que todos los barrios se ubican
a la “distancia promedio”).
Obviamente, las diferencias más significativas entre las dos mediciones corresponden a los
barrios que presentaban efectos fijos más elevados. Es interesante observar que los
diferenciales de precios entre barrios registran una reducción muy significativa cuando se
elimina el efecto de la costa. De hecho, el desvío estándar del precio promedio por barrio se
reduce a menos de la mitad (de 117 a 54) cuando se elimina dicho efecto.
Es interesante observar que los barrios con mayor precio promedio en general también
presentan valores elevados cuando se corrige por efectos fijos. En otras palabras, las
características de las viviendas en dichos barrios generan un mayor valor más allá de su
localización. La correlación entre ambos precios es de 0,46.
En síntesis, el ingreso de los hogares, el tamaño de la propiedad, y la profundidad o
liquidez del mercado son factores relevantes para explicar el proceso de formación de
precios al interior de cada barrio, por lo que son también factores que explican sus
diferencias. Asimismo, la ubicación respecto de la costa parece resultar también un factor
de relevancia significativa a la hora de explicar las diferencias de precio de las viviendas
entre barrios.
14
Debe tenerse presente que en esta estimación pueden existir numerosas variables relevantes que no hayan
sido incluidas en el modelo, lo que dificulta la interpretación de los coeficientes individuales. Por esa razón
las conclusiones presentadas deben ser tomadas con cautela.
22
4. CONCLUSIONES
El precio de las viviendas en Montevideo ha registrado importantes vaivenes en los últimos
años. Modelos que apuntan a los factores sistémicos permiten corroborar los planteos
teóricos más importantes.
Tanto en los modelos agregados, como en el que recoge efectos a nivel de barrio, es posible
concluir que el ingreso de los hogares y el costo de oportunidad (medido por la tasa libre de
riesgo) son factores explicativos del precio de las viviendas. El modelo CAPM también
permite inferir de un coeficiente beta inferior a 1, con lo cual la inclusión de las
propiedades inmuebles en los portafolios de los inversores estaría justificado, aún cuando
tuvieran un menor rendimiento al promedio del mercado.
Si observamos datos a nivel de barrios, ciertos factores particulares se adicionan a la
explicación del precio de las viviendas. La superficie del inmueble, el ingreso de los
hogares del barrio, la profundidad del mercado inmobiliario de cada barrio y un factor que
puede atribuirse a la localización cercana a la costa, son también explicativos de los precios
por metro cuadrado.
Las consideraciones anteriores resaltan la importante complementariedad de las inversiones
en inmuebles en relación a otras más tradicionales, como los depósitos bancarios y, en
general, aquellas cuyo rendimiento esté asociado a las tasas de interés internacionales. Ello
debería ser considerado para la definición de portafolios de inversores institucionales.
La adopción de modelos como los anteriores también permitiría mejorar la toma de
decisiones en materia de riesgos de crédito. El precio de la vivienda está correlacionado
positivamente con el ingreso de los hogares. Ello determina que en fases recesivas se
observe una caída tanto en la capacidad de pago de los deudores, como del valor de la
vivienda que sirve de garantía a los préstamos hipotecarios. Una correcta medición de estos
riesgos y la adopción de medidas preventivas contribuiría a una mayor solidez de las
instituciones crediticias.
23
5. BIBLIOGRAFIA
Amarante, V. y Vigorito, A. (2007). “Evolución de la Pobreza en el Uruguay. 2001-2006”.
Instituto Nacional de Estadística, INE.
Casacuberta, C. (2006). “Situación de la Vivienda en Uruguay. Informe de Divulgación.”
Encuesta Nacional de Hogares Ampliada - Módulo de Vivienda, Instituto Nacional de
Estadística, INE, setiembre de 2006.
De Bruyne, K. y Hove, J (2006) “Explaining the Spatial Variation in Housing prices: An
Economic Geography Approach”.
Gandelman, E. y Gandelman, N. (2004). “Los efectos del sector público en el
financiamiento de la vivienda: El mercado hipotecario de Uruguay.” Banco Interamericano
de Desarrollo, Departamento de Investigación, Documento de Trabajo #503, Enero de
2004.
Grau, C. Noya, N. y Rama, M (1987). “El precio de la vivienda”. CINVE, SUMA Nº 3
Himmbelberg, C. Mayer, C y Sinai, T (2005). “Assessing high house prices: bubbles,
fundamentals and misperceptions”. En http://www.nber.org/papers/w11643
Instituto Nacional de Estadística – INE. “Indicadores de actividad y precios del sector
inmobiliario.” Varias ediciones.
Martinez, J. y Maza, L. (2003) “Análisis del precio de la vivienda en España”. En
http://www.bde.es
Triplett, J. (2004). “Zvi Griliches’ Contributions to Economic Measurement: Address given
September 22, 2003”. CRIW Conference in Memory of Zvi Griliches, Bethesda, Maryland.
National Bureau of Economic Research (NBER).
Valora. “Evolución de precios de remates judiciales inmobiliarios”. Valora Consultoría &
Valuaciones. Varias Ediciones.
Valora (2002). “Metodología para la construcción del IPRI.” Valora Consultoría &
Valuaciones. En http://www.valoraconsultora.com/
Valora S/F “Metodología – Indice Valora”. Valora Consultoría & Valuaciones. En
http://www.valoraconsultora.com/documentacion/metodologia_valora.pdf
24
ANEXO
Vector Error Correction Estimates
Sample (adjusted): 1977:1 2007:1
Included observations: 121 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
B(1,1)=1,A(3,1)=0,A(2,1)=0
Convergence achieved after 19 iterations.
Restrictions identify all cointegrating vectors
LR test for binding restrictions (rank = 1):
Chi-square(2)
2.050741
Probability
0.358664
Cointegrating Eq:
CointEq1
LOG(IPV(-1)/TC(-1))
1.000000
LOG(ISR(-1)*IPC(-1)/TC(1))
LOG(1+TASA_USA_1(1))
C
Error Correction:
-0.747585
(0.12831)
[-5.82655]
5.209690
(2.31834)
[ 2.24716]
-5.912852
(0.96107)
[-6.15236]
D(LOG(IPV/T D(LOG(ISR*IP D(LOG(1+TAS
C))
C/TC))
A_USA_1))
CointEq1
-0.160927
(0.03552)
[-4.53007]
0.000000
(0.00000)
[ NA]
0.000000
(0.00000)
[ NA]
D(LOG(IPV(-1)/TC(-1)))
-0.068285
(0.08241)
[-0.82862]
-0.049586
(0.04275)
[-1.15994]
-0.004005
(0.00408)
[-0.98255]
D(LOG(IPV(-2)/TC(-2)))
0.343454
(0.08518)
[ 4.03215]
0.098508
(0.04419)
[ 2.22938]
0.015718
(0.00421)
[ 3.73078]
25
D(LOG(IPV(-3)/TC(-3)))
0.170156
(0.08109)
[ 2.09843]
0.076905
(0.04206)
[ 1.82831]
0.001038
(0.00401)
[ 0.25894]
0.452306
(0.17232)
[ 2.62474]
0.855492
(0.08939)
[ 9.57008]
0.026315
(0.00852)
[ 3.08749]
-0.297102
(0.20911)
[-1.42076]
-0.277590
(0.10848)
[-2.55896]
-0.033146
(0.01034)
[-3.20477]
-0.074561
(0.16263)
[-0.45846]
-0.003870
(0.08437)
[-0.04587]
-0.001017
(0.00804)
[-0.12641]
-3.169040
(1.95298)
[-1.62267]
-0.737303
(1.01310)
[-0.72777]
0.279735
(0.09659)
[ 2.89596]
0.720600
(1.97979)
[ 0.36398]
0.041021
(1.02701)
[ 0.03994]
-0.090882
(0.09792)
[-0.92812]
2.472067
(1.84519)
[ 1.33973]
1.112673
(0.95719)
[ 1.16244]
0.207863
(0.09126)
[ 2.27761]
D(FE>=197704)
-0.276101
(0.10157)
[-2.71822]
-0.026571
(0.05269)
[-0.50428]
-0.000417
(0.00502)
[-0.08299]
D(FE=198001)
-0.261269
(0.07345)
[-3.55724]
0.026656
(0.03810)
[ 0.69961]
-0.002092
(0.00363)
[-0.57577]
D(FE=198204)
0.294886
(0.07646)
[ 3.85684]
-0.145203
(0.03966)
[-3.66099]
0.005716
(0.00378)
[ 1.51139]
D(FE=197903)
0.208823
(0.06881)
[ 3.03481]
0.017797
(0.03569)
[ 0.49860]
0.000961
(0.00340)
[ 0.28246]
D(LOG(ISR(-1)*IPC(1)/TC(-1)))
D(LOG(ISR(-2)*IPC(2)/TC(-2)))
D(LOG(ISR(-3)*IPC(3)/TC(-3)))
D(LOG(1+TASA_USA_1(1)))
D(LOG(1+TASA_USA_1(2)))
D(LOG(1+TASA_USA_1(3)))
26
D(FE>=200202)
-0.032087
(0.09636)
[-0.33298]
-0.131694
(0.04999)
[-2.63448]
0.003739
(0.00477)
[ 0.78457]
D(FE=200203)
-0.032638
(0.07032)
[-0.46417]
-0.288281
(0.03648)
[-7.90329]
0.002013
(0.00348)
[ 0.57873]
D(FE>=200301)
-0.379439
(0.12157)
[-3.12113]
-0.119546
(0.06306)
[-1.89561]
-0.012648
(0.00601)
[-2.10345]
D(FE>=200501)
0.279190
(0.09901)
[ 2.81990]
0.023961
(0.05136)
[ 0.46654]
0.000741
(0.00490)
[ 0.15138]
0.553042
0.479273
0.945453
0.095808
7.496878
121.8473
-1.716484
-1.300581
0.014148
0.132769
0.644947
0.586346
0.254419
0.049700
11.00572
201.2645
-3.029165
-2.613263
0.008164
0.077275
0.309817
0.195903
0.002313
0.004739
2.719752
485.6444
-7.729659
-7.313757
-0.000242
0.005284
Determinant resid covariance (dof adj.)
Determinant resid covariance
Log likelihood
Akaike information criterion
Schwarz criterion
3.36E-10
2.07E-10
833.4730
-12.81774
-11.47760
R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent
27