Com evolucionarà el preu de l’habitatge a les províncies espanyoles el 2021?

En aquest article, analitzem les previsions del preu de l’habitatge per al 2021 a nivell provincial, obtingudes a partir dels models d’aprenentatge automàtic de la nova eina de big data immobiliari de CaixaBank. Aquesta eina combina els milions de dades internes de CaixaBank amb fonts externes de dades contrastades. Això permet aplicar algorismes de machine learning, que milloren les previsions a mesura que es disposa de més informació. Per entrenar els models, s’han utilitzat les sèries històriques del preu de l’habitatge del Ministeri de Transport, Mobilitat i Agenda Urbana, basades en taxacions d’habitatges lliures. La major part d’aquestes dades prové de taxacions d’habitatges amb més de 5 anys d’antiguitat, de manera que les previsions del preu de l’habitatge que presentem en aquest article reflecteixen en gran manera l’evolució del mercat de l’habitatge de segona mà.

El mercat immobiliari espanyol ha experimentat un fort ajust de les expectatives sobre l’evolució del preu de l’habitatge a conseqüència de la COVID-19. Si comparem la distribució dels preus de l’habitatge projectada pels models un any enrere (a l’octubre del 2019) amb les projeccions més recents (a l’octubre del 2020), observem un desplaçament de la distribució dels preus cap a l’esquerra. És a dir, en l’actualitat, els models projecten uns preus de l’habitatge significativament inferiors als projectats un any abans.

En concret, a l’octubre del 2019, els models predeien un augment del preu de l’habitatge a un any vista a gairebé totes les províncies, i un augment mitjà del 3,5%. Les pujades més grans s’esperaven a les províncies de València (el +7,4%), Navarra (el +6,5%), Saragossa (el +6,5%) i Madrid (+6,4%). I només es preveien descensos a quatre províncies: Ciudad Real (el –1,4%), Zamora (el –1,3%), Palència (el –0,8%) i Àvila (el –0,3%).

La previsió dels models, a l’octubre del 2020, és que el preu de l’habitatge a un any vista baixarà a 7 de cada 10 províncies. No obstant això, els models encara projecten increments de preus, tot i que molt més moderats que un any enrere, a gairebé un terç de les províncies, entre les quals destaquen Màlaga (el +2,0%) i Madrid (el +0,8%).

És evident, per tant, que l’ajust de previsions a la baixa en l’últim any ha estat generalitzat i molt significatiu. En particular, la previsió del creixement del preu de l’habitatge a un any vista s’ha revisat a la baixa en uns 4 p. p. entre l’octubre del 2019
i l’octubre del 2020.

El major ajust de previsions entre l’octubre del 2019 i l’octubre del 2020 s’ha produït a les províncies urbanes.¹ Mentre que, fa un any, els models predeien una revaloració de l’habitatge del 5% de mitjana a un any vista a les províncies urbanes, en l’actualitat prediuen un lleuger descens dels preus entre el 3T 2020 i el 3T 2021 (el –0,2% de mitjana). En canvi, les províncies rurals han patit un ajust significativament inferior en les projeccions del preu de l’habitatge (uns 3 p. p. en l’últim any). No obstant això, en tractar-se de mercats immobiliaris que ja eren molt menys dinàmics abans de la pandèmia (fa un any es projectava un increment del preu de l’habitatge de l’1,2% de mitjana a les províncies rurals), el canvi d’expectatives ha portat a projectar descensos notables en els preus de l’habitatge a la major part de les zones rurals (del –2,0% de mitjana entre el 3T 2020 i el 3T 2021). 

S’observa un patró similar si dividim les províncies en dos grups en funció del grau de dependència del turisme estranger. En concret, considerem que una província depèn del turisme estranger si més del 10% de la despesa als TPV (terminals de punt de venda) de CaixaBank a la província el 2019 es va realitzar amb targetes estrangeres.² Un cop feta la divisió, trobem que la previsió del preu de l’habitatge a les províncies dependents del turisme s’ha ajustat notablement en l’últim any: d’un creixement mitjà a un any vista del 4,7% previst per a l’octubre del 2019 al –0,4% previst en l’actualitat. En canvi, les províncies amb menys dependència del turisme han experimentat un reajustament menor de les expectatives sobre l’evolució del preu de l’habitatge a un any vista, tot i que encara són les províncies en què s’espera un major descens dels preus l’any vinent.

La província de Barcelona i la Comunitat de Madrid concentren una gran part de l’activitat immobiliària, i, per aquest motiu, és important analitzar-les amb més detall. Al següent gràfic, observem l’evolució del preu de l’habitatge des del 2005, juntament amb les previsions del model a l’octubre del 2019 i a l’octubre del 2020. La correcció és evident, tal com ho resumim tot seguit:

• A la província de Barcelona: a l’octubre del 2019, s’esperava un increment del preu del 5,5%. En l’actualitat, el model prediu un descens en el preu a 1 any vista de l’1,1%. Per tant, l’ajust d’expectatives ha estat important (6,6 p. p.).
• A la Comunitat de Madrid: a l’octubre del 2019, s’esperava un increment del preu del 6,4%. En l’actualitat, el model prediu un augment molt moderat en el preu a 1 any vista, del 0,8%. Per tant, l’ajust d’expectatives ha estat una mica inferior al de Barcelona, però també significatiu (5,6 p. p.).

Finalment, és interessant observar l’evolució de les previsions mes a mes, per advertir com el model va aprenent i recalibrant la previsió a mesura que arriba nova informació. Al següent gràfic, s’observa un primer salt en les previsions al març del 2020, amb l’arribada de la COVID-19, i un segon salt al juny del 2020, amb la incorporació de la dada del 2T 2020, que va presentar la primera caiguda interanual de preus de l'habitatge (la variable objectiu dels nostres models de previsió).

Aquests resultats són una mostra de l’elevat potencial que ofereix la combinació del big data amb els models d’aprenentatge automàtic per predir l’evolució futura del mercat immobiliari espanyol. Una informació especialment rellevant en un context com l’actual, on l’elevada incertesa sobre l’evolució de la pandèmia i sobre el seu impacte sobre l’economia ens exigeix reavaluar contínuament el nostre escenari de previsions amb la finalitat de poder prendre decisions més informades i encertades.