El efecto Airbnb en el mercado de alquiler de vivienda: ¿Es Madrid diferente?

de Jorge Luis Casanova Ferrando (@YVgeorge)

Muchas ciudades han introducido límites más estrictos al alquiler turista de viviendas para combatir las subidas de los alquileres de viviendas y limitar la gentrificación de las ciudades. ¿Pero que dice la evidencia sobre el impacto de plataformas como AirBnB?

La evidencia disponible hasta ahora suele confirmar la existencia de un “efecto contagio” (ver esta  entrada en NeG). La mayor presencia de alquileres turísticos parece elevar los alquileres de vivienda, complicando de esta manera el acceso a la vivienda a la población local.

Sin embargo, la literatura existente ha ignorado los llamados efectos espaciales. En un estudio demuestro la importancia de estos efectos. Una vez tomado en consideración los efectos espaciales no encuentro evidencia de un impacto de AirBnB en los precios de alquiler en Madrid.

 Modelos tradicionales vs modelos espaciales

En la literatura, los modelos tradicionales suelen construir una regresión simple (en muchos casos mínimos cuadrados en dos etapas o MC2E) donde el precio de las viviendas depende de sus características y de los Airbnbs que le rodeen.

El objetivo consiste en explicar el precio de los alquileres y, corregir el problema de endogeneidad, evitando así que las estimaciones estén sesgadas.

El uso de variables instrumentales es muy frecuente para abordar estos problemas y, en el caso de Airbnb, suelen emplearse instrumentos con mucha correlación sobre Airbnb y poca sobre el precio de los alquileres (el número de búsquedas de la palabra Airbnb, la distancia a un punto de atracción turística, etc).

Estos modelos, a pesar de intentar corregir los posibles sesgos, asumen una idea que no es del todo cierta: que las viviendas o zonas geográficas de estudio son independientes entre sí.

Es ahí cuando la Econometría Espacial aparece y define nuevas aproximaciones que, además de corregir la endogeneidad, consideran el efecto contagio que puede haber entre el precio que tienen unos y otros sobre la muestra.

La principal aportación de este estudio fue incorporar los efectos espaciales y comparar los resultados con los modelos tradicionales. Para lograrlo, incluimos por una parte una matriz de pesos espaciales que define la relación entre las viviendas y, por otro, permitimos que esta pueda variar de forma sistemática en el espacio.

Datos

Este trabajo se basó en dos mercados: el alquiler y el de Airbnb. En ambos casos, los datos eran individuales y provenían de un web scraping a varías páginas durante el mes de abril del 2018 (Fotocasa, Pisos.com e Inside Airbnb).

Para definir la densidad de Airbnb, se crearon zonas de influencia a 200, 300 y 500 metros de cada vivienda. De esta forma, se estimó el número y las características de los Airbnbs en cada radio de influencia.

Principales resultados

Se compararon cuatro modelos: un Mínimos Cuadrados Ordinarios, un Mínimos Cuadrados en 2 etapas (que usa variables instrumentales para corregir la endogeneidad), un Modelo Espacial Autorregresivo (SAR I) y un SAR II (que además de incluir la matriz de pesos espaciales, divide la regresión en dos clústeres: precios altos y precios bajos del alquiler).

Los modelos tradicionales (OLS y 2SLS) mantiene un coeficiente significativo en el caso de Airbnb. Pero, cuando incluimos la matriz de pesos espaciales (W) Airbnb pierde poder de explicación. Esto significa que la variable estaba recogiendo parte de un efecto no correspondido. Sin embargo, el problema de autocorrelación espacial persistía y era necesario separar el efecto entre dos clústeres: el de precios altos rodeados de precios y el resto de las observaciones.

Al introducir los clústeres AA y BB en la regresión (SAR II) la autocorrelación espacial desapareció, pero también lo hizo la significatividad de la variable Airbnb. De esta forma, detectamos que los modelos tradicionales llamaban “efecto airbnb” al impacto que tenían los precios de mis vecinos alrededor. Una vez incluida esa variable y separado el efecto por grupos, Airbnb no era capaz de explicar el precio de los alquileres en Madrid.

Los resultados sugieren que no incluir los efectos espaciales en las estimaciones puede llevar a conclusiones engañosas sobre el efecto real de Airbnb. Ya sea porque Madrid es diferente[1] o porque la aproximación es distinta a la tradicional, el objetivo fue demostrar que existen otros problemas detrás del análisis sobre Airbnb que deben tomarse en cuenta.

 

[1] Recientemente, el Observatorio de Impacto de la Vivienda Turística (OIVT) presentó un estudio donde concluyen que la excesiva concentración de viviendas de uso turístico satura el mercado y deja de tirar al alza los precios de la vivienda (ver reseña). A pesar de que esto debe interpretarse con cautela, la idea justifica por qué nuestro estudio no encuentra efectos significativos.

 

Hay 4 comentarios
  • Trabajo muy relevante, -y contracorriente, lo que siempre es de agradecer-. que pone de manifiesto la necesidad de incorporar el análisis espacial de forma más generalizada en la microeconomía. La utilización de datos espaciales individuales en lugar de agregados territorialmente es también muy adecuada al eliminar el sesgo derivado del MAUP, tan importante y, a la vez, tan olvidado.
    La utilización de buffers y clusters es una solución sencilla y bastante efectiva para determinar la sustituibilidad de las viviendas pero probablemente estudios futuros deberán incorporar matrices de pesos espaciales que consideren las relaciones trabajo-residencia y las variaciones temporales de la accesibilidad mediante el uso de datos GTFS.
    Las conclusiones, aunque importantes, quizás debieran matizar su generalidad en la medida en que el análisis se cirscuncribe a una sola ciudad. La utilización de sistemas colaborativos en el ámbito inmobiliario genera aumentos de la demanda global que ante una oferta rigida tienden a producir (potencialmente) escaladas de precios. Una contrastación de los efectos de estas plataformas en ciudades con y sin restricciones legales a su utilización parece necesaria para una mejor comprensión del fenómeno.

    • Gracias por el interés.
      Cómo bien comentas, el objetivo es llamar la atención sobre otros efectos (como los espaciales) que pueden estar detrás del análisis microeconómico y un muy buen ejemplo es la relación entre el mercado inmobiliario y el de viviendas de uso turístico.
      Las conclusiones están enfocadas a una ciudad y considerando únicamente el efecto que Airbnb puede tener sobre el precio de los alquileres. Esto no quiere decir que en otras ciudades, aún corrigiendo los problemas de endogeneidad y autocorrelación espacial, puedan tener efectos significativos.
      Las siguientes aproximaciones deberían aprovechar el cambio de normativa y la mayor cantidad de datos para analizar sus efectos.

  • Una pregunta, en el caso de los modelos espaciales, ¿la estimación es MCO o MC2E?

    • En realidad, los modelos espaciales fueron estimados por Mínimos Cuadrados en 2 Etapas Espaciales (S2SLS por sus siglas en inglés) con regresores endógenos adicionales.
      El S2SLS corrige el problema de endogeneidad que se genera por definición al incorporar W*Y como variable adicional ( siendo W la matriz de pesos espaciales e Y la variable dependiente).

Los comentarios están cerrados.