El impacto de Airbnb en el mercado de vivienda de Barcelona

admin 4 comentarios

Por Mariona Segú y Rodrigo Martínez-Mazza

La irrupción de Airbnb en la escena turística ha despertado una gran polémica en la opinión pública y a nivel político. Los defensores del “home-sharing” argumentan que este tipo de plataformas permiten a los residentes disfrutar de una renta adicional y que además facilita la descentralización del turismo a nuevas zonas de la ciudad. Por otro lado, sus detractores argumentan que plataformas como Airbnb disminuyen la oferta de vivienda de largo plazo, encareciendo tanto el precio de compra como el de alquiler. A esta razón se le suma, argumentan, el hecho de que su presencia provoca externalidades negativas debido a las diferentes actividades y horarios que mantienen vecinos y turistas. Ha sido esta preocupación y revuelo causado por la actividad de estas plataformas lo que ha llevado a varios gobiernos locales en ciudades como Ámsterdam, Paris, Nueva York, San Francisco, y Barcelona, a implementar medidas para tratar de contener o mitigar la actividad de estas plataformas. Un reflejo de ésta atención es que en este blog se ha hablado del tema aquí y aquí. Con respecto a esta última entrada, que se trata sobre Airbnb en Madrid, cabe destacar que, mientras dicho trabajo es un análisis cross-section utilizando datos en un único punto en el tiempo, la investigación que presentamos en este post es para el período que va desde 2007 a 2017 en Barcelona. De cualquier manera, volveremos sobre este punto más adelante.

Es interesante analizar esta cuestión desde un punto de vista del bienestar total para poder identificar quienes ganan y quienes pierden con la llegada del home-sharing. Los beneficios se concentran en los propietarios de pisos de alquiler, ya que, por un lado, ven los alquileres subir y por el otro, ahora cuentan con otra posible fuente de ingresos, que consiste en ofertar el piso a través de una de estas plataformas. Sin embargo, los costes recaen en aquellos que viven de alquiler, los cuales tienen que enfrentarse a alquileres más elevados y además tienen que soportar las externalidades negativas asociadas a este tipo de turismo.

Conocer hasta qué punto Airbnb puede afectar al mercado de la vivienda es esencial para esclarecer el debate y para contribuir al buen diseño de las políticas locales. Existen varios estudios científicos que han estudiado esta cuestión en Estados Unidos. Barron et al. (2019) analizan el impacto en las 100 áreas metropolitanas más grandes de los Estados Unidos. Mediante una estrategia de variables instrumentales, encuentran que un aumento del 1% de la actividad de Airbnb, aumenta los precios de alquiler en un 0,018% i los de compra en un 0.026%. En Koster et al. (2018), se evalúa el impacto de prohibir Airbnb en algunos contados de Los Ángeles. Este contexto les permite utilizar una técnica econométrica que consiste en comparar zonas muy próximas separadas solamente por una frontera administrativa para evaluar el efecto de la prohibición. Los autores encuentran que la prohibición redujo la actividad Airbnb en un 50% (lo que demuestra la efectividad de las políticas locales) y que, en consecuencia, los precios de alquiler cayeron un 3%.

En nuestro estudio "Do short-term rental platforms affect housing markets? Evidence from airbnb in Barcelona”, realizado juntamente con Jordi Jofre-Monseny, y Miquel-Àngel Garcia-López, estudiamos el caso de Barcelona para identificar de manera causal, el impacto que Airbnb ha tenido en los precios de venta y en los alquileres. En este estudio combinamos datos sobre Airbnb, obtenidos a través de una página web de libre acceso llamada InsideAirbnb, junto con datos de Idealista sobre el mercado inmobiliario y datos de la Administración Tributaria Catalana derivados del ITP, que contienen información precisa sobre las características de los viviendas ofertadas y vendidas. El periodo de análisis es a grandes rasgos, desde 2009 a 2017. El uso de una dimensión temporal extensa que incluya un periodo sin actividad Airbnb es esencial para poder determinar un efecto causal.

Nuestra estrategia empírica se basa en un modelo de efectos fijos, en donde nuestra variable dependiente será el precio de compra, precio ofertado o de alquiler [1] a nivel de Área Estadística Básica (AEB) en un determinado año [2]. Nuestra principal variable explicativa será la actividad de Airbnb medida como la cantidad de anuncios de activos en un determinado AEB en dicho año. En nuestras especificaciones incluimos efectos fijos a nivel año y efectos fijos geográficos, que capturan que capturan las características de cada zona que no cambian con el tiempo.

El inconveniente principal para poder identificar un efecto causal es que podría ser que los barrios donde Airbnb se desarrolló con más intensidad estuviesen experimentando cambios sociodemográficos (gentrificación) ajenos a Airbnb que también impactan al mercado de la vivienda. Por ejemplo, los barrios del centro de Barcelona vivieron procesos de regeneración urbana a la vez que la llegada de Airbnb. Para resolver este problema, usamos distintas estrategias: en primer lugar, incluimos como variables de control variables demográficas con variación temporal que capturan parte de estos cambios (edad, densidad, ocupación media de los hogares, tasa de paro, renda relativa y porcentaje de extranjeros). En segundo lugar, incluimos como variables de control tendencias especificas en función de las variables demográficas en 2012 permitiendo a barrios con distintas características tener una evolución de precios y alquileres distinta. En tercer lugar, controlamos por tendencias específicas para cada AEB, lo que permite a cada AEB seguir su evolución específica y capturar solo desviaciones de su propia tendencia. Finalmente, estimamos la misma ecuación con una variable dependiente a la cual le hemos quitado la tendencia.

El uso de todas estas técnicas econométricas nos permite identificar un impacto casual de la actividad Airbnb que implica, en media, un aumento en los alquileres de un 1,9% y de los precios de compra venta y anunciados de 5,2% y 3,7%, respectivamente. Este impacto es equivalente al 4%, 20% y 28% del incremento en alquileres, precios de venta y precios anunciados, respectivamente, que experimentó la ciudad de Barcelona durante el periodo 2012-2016.

Como mencionamos anteriormente, en la semana pasada se publicó en este blog una investigación que exploraba el caso de Madrid usando datos de abril de 2018 provenientes de varios portales inmobiliarios. Una diferencia importante entre el estudio sobre Madrid y el nuestro es que, al igual que en el caso de EEUU, nuestra investigación se basa en un modelo de econometría lineal (y no de econometría espacial) ya que nuestro objetivo principal es hacer un análisis causal robusto. En efecto, las hipótesis necesarias para aplicar técnicas de econometría espacial son tan restrictivas respecto a la forma funcional que solo consiguen, en el mejor de los casos, una débil identificación causal (ver Gibbons and Overman, 2012). En nuestro estudio, la correlación espacial puede suponer un problema para la estimación de los errores estándar, sin embargo, nuestros resultados son muy parecidos cuando usamos un nivel de clúster mayor (a nivel barrio), lo que permite que las AEBs (el nivel geográfico con el que trabajamos) estén correlacionadas con otras AEBs cercanas.

Aunque Airbnb se encuentra, actualmente, presente a lo largo de toda la ciudad, su actividad se concentra fuertemente en determinadas zonas. La mayoría de los anuncios se encuentran en el centro de la ciudad, en particular en los alrededores de Ciutat Vella, en aquellas zonas más afectadas, la media de anuncios activos en 2016 era de 200, mientras que el promedio general era de 54 anuncios. Nuestras estimaciones implican que, en las zonas con mayor actividad de Airbnb, el aumento medio causado por Airbnb en precios de alquiler, compra (ITP) y precios de compra anunciados fue de 7%, 20% y 14% respectivamente.

Otro aspecto importante que destacar es que la distribución de anuncios se asemeja fuertemente a la distribución de los alojamientos turísticos tradicionales, por lo que no parece que Airbnb, en este caso, esté descentralizando la actividad turística. Finalmente, es interesante analizar hasta qué punto Airbnb es una plataforma de home-sharing genuino o si se trata de una actividad comercial. Si definimos un anuncio comercial como aquellos que pertenecen a un propietario con más de un anuncio en la plataforma (tanto en pisos enteros como habitaciones) sumados a los anuncios de pisos enteros con al menos 5 reseñas por trimestre, observamos que más de un 75% de los anuncios de Airbnb en Barcelona caen dentro de esta categoría. Lo que nos permite concluir que más de ¾ de la actividad Airbnb es comercial.

En definitiva, el estudio nos ha permitido extraer varias conclusiones. En primer lugar, que la actividad de Airbnb en Barcelona es principalmente comercial, y que se encuentra concentrada especialmente en ciertas zonas de la ciudad. En segundo lugar, los resultados apuntan a que Airbnb ha causado un aumento de los precios de compraventa y de alquileres en la ciudad de Barcelona, pero Airbnb no parece ser el principal actor detrás del aumento de precios de alquiler que la ciudad ha experimentado en los últimos años. A pesar de esto, el impacto de Airbnb en los precios y alquileres en determinadas zonas de la ciudad ha sido considerable.

Referencias

Barron, K., E. Kung, and D. Proserpio (2018): “The Effect of Home-Sharing on House Prices and Rents: Evidence from Airbnb,” SSRN Electronic Journal.

Gibbons, Stephen, and Henry G. Overman. "Mostly pointless spatial econometrics?" Journal of Regional Science 52.2 (2012): 172-191.

Koster, H., J. van Ommeren, and N. Volkhausen (2018): “Short-term rentals and the housing market: Quasi-experimental evidence from Airbnb in Los Angeles,” CEPR Discussion Paper 13094.

Notas

[1] Nuestra variable de interés es en realidad la media del residuo para cada AEB-año que resulta de regresar el log de los precios/alquileres respecto a las características individuales de las viviendas y efectos fijos año. Esto permite controlar por cambios en los precios/alquileres asociados a cambios en las características de las viviendas vendidas/alquiladas.
[2] En el caso de los precios de compra trabajamos a nivel de AEB/trimestre debido a una mayor disponibilidad de datos.

Hay 4 comentarios
  • Sí "home-sharing" aumenta la demanda por servicios (flujo) del stock de viviendas pero a la larga el stock de viviendas debería haber aumentado. ¿Por qué el análisis no hace referencia a qué ha pasado con el stock? ¿No ha habido construcción? Y si no ha habido ¿por qué?

    El análisis relevante es qué pasa en el largo plazo con el flujo de servicios ofrecidos y entonces deben compararse distintos lugares, según las diferencias en el aumento en la demanda por servicios.

  • Uno no acaba de entender la "obsesión" con Airbnb. ¿Afecta Airbnb a los mercados de alquiler? ... pues seguramente. Igual que permitir el consumo de jamón de jabugo y de aceite de oliva a los no nacionales afecta esos mercados.

    Si los ayuntamientos obligasen a exhibir un pasaporte español para consumir jamón de pata negra y aceite de oliva, cabe esperar que sus precios bajasen y que los economistas se entretuviesen mucho haciendo sofisticados análisis sobre el particular.

    Nada que objetar a estos pasatiempos, siempre que no se usen para dictar políticas cuyo principal objetivo sea intervenir un mercado y favorecer (¿por qué?) a un determinado agente.

    "Ha sido esta preocupación y revuelo causado por la actividad de estas plataformas lo que ha llevado a varios gobiernos locales en ciudades como Ámsterdam, Paris, Nueva York, San Francisco, y Barcelona, a implementar medidas". No, lo que ha llevado a la toma de medidas ha sido que los vecinos votan en las municipales y los que usan Airbnb no.

    Lo de las "externalidades" es una generalidad que no cuela. No es más que una excusa disfrazada de "economía" y orientada a justificar respuestas predeterminadas. Si existe una externalidad (hay muchas menos de las que se argumentan) la respuesta lógica es buscar un mecanismo de mercado para internalizarla, no usarla como excusa para intervenir un mercado creando más "externalidades" que las que se evitan (salvo que "intervenir" fuera ya la intención previa a la justificación).

  • Buenas! El tema es muy interesante, gracias por el post.

    Tengo una duda respecto a cómo controlais por causalidad inversa en vuestro estudio. Es decir, que los dueños de pisos en zonas donde los precios estén subiendo por encima de su tendencia tienen mayor incentivo a publicar su piso en airbnb. Por ejemplo, si en un barrio el crecimiento de precios de alquiler fuera exponencial es mucho más probable que alguien decida publicar un anuncio en la plataforma.

    Saludos

  • Hola J. Montero,

    Usamos diversas estrategias para identificar el efecto causal. Por ejemplo, incluimos tendencias especificas para cada AEB (nuestra unidad de observación). Esto significa que lo que capturamos es si airbnb ha hecho que cada AEB se desviara de su propia tendencia. Esto permite tener en cuenta que algunas AEBs estaban experimentando incrementos de precios distintos.
    La otra estrategia es usar un instrumento para medir airbnb. Nuestro instrumento es la interacción entre las búsquedas en google de la palabra airbnb y un índice de la atractividad de cada AEB.

    La otra estrategia es usar un instrumento para medir Airbnb. Nuestro instrumento es la interacción entre las búsquedas en google de la palabra "Airbnb Barcelona" y un índice de la atractividad de cada AEB. Para verificar la exogeneidad del instrumento, nos fijamos en que las zonas que, según el instrumento, tendrán más actividad de Airbnb al final del período no tengan un comportamiento de precios y alquileres previo a la llegada de Airbnb (que situamos en 2012) diferente a las zonas que tendrán menos actividad. Este punto en particular esta explicado en más detalle también en el working paper que puedes encontrar aquí: http://ieb.ub.edu/wp-content/uploads/2019/07/2019-IEB-WorkingPaper-05-1.pdf

Los comentarios están cerrados.