Estudio de la autocorrelación espacial en el mercado inmobiliario comercial de la ciudad de Madrid
DOI:
https://doi.org/10.17561/ree.n2.2023.7854Palabras clave:
Rentabilidad bruta, locales comerciales, autocorrelación espacial, Índice de Moran, LISAResumen
La disponibilidad de atributos espaciales hace posible la cuantificación del grado de agrupación o aleatoriedad de una variable en el espacio, ofreciendo así útiles aportes en el análisis exploratorio. En particular, el uso de los índices de autocorrelación espacial permite ahondar en la distribución de una variable tanto a escala global (índice de Moran) como local (LISA), así como la identificación de patrones entre unidades espaciales con nexos de vecindad.
Sin embargo, pese a la vasta utilización de dichos índices en campos como ecología y epidemiología, el empleo de estas técnicas en el análisis de variables en contextos inmobiliarios ha sido limitada, aunque cabe señalar que ayuda a definir la importancia del componente espacial en el valor de un inmueble y si existe una relación clara con los inmuebles del entorno.
En el contexto del mercado inmobiliario nacional, y dada la importancia del comercio minorista en la ciudad de Madrid, uno de los principales núcleos productivos, es de importancia el uso de dichos índices. Por ello, en este trabajo, se ofrece un análisis exploratorio espacial correspondiente a datos de locales comerciales en venta y alquiler en 2020, período caracterizado por el cierre obligatorio del comercio no esencial y limitaciones posteriores en términos aforo, horario de apertura y cierre.
Los resultados muestran patrones entre los 21 distritos que conforman la ciudad, base para el estudio de las rentabilidades brutas de los locales comerciales, que a su vez han sido de los productos inmobiliarios con evolución más favorable en el último año.
Descargas
Referencias
REFERENCIAS
Acs, Z. J., Anselin, L., & Varga, A. (2002). Patents and innovation counts as measures of regional production of new knowledge. Research policy, 31(7), 1069–1085. https://doi.org/10.1016/S0048-7333(01)00184-6
Anselin, L. (1995). Local Indicators of Spatial Association—LISA. Geographical analysis 27 (2), 93–115. https://doi.org/10.1111/j.1538-4632.1995.tb00338.x
Arbia, G., Espa, G., & Giuliani, D. (2015). Analysis of spatial concentration and dispersion. In Handbook of research methods and applications in economic geography. Edward Elgar Publishing. https://doi.org/10.4337/9780857932679.00012
Barreca, A., Fregonara, E., & Rolando, D. (2021). EPC Labels and Building Features: Spatial Implications over Housing Prices. Sustainability, 13(5), 2838. https://doi.org/10.3390/su13052838
Dale, M. R., & Fortin, M. J. (2002). Spatial autocorrelation and statistical tests in ecology. Ecoscience, 9(2), 162–167. https://doi.org/10.1080/11956860.2002.11682702
Datar, R. y Harish G. (2019). Hands-on exploratory data analysis with R: become an expert in exploratory data analysis using R packages. 1st edition. Packt Publishing.
Dubin, R. (2003). Robustness of spatial autocorrelation specifications: some Monte Carlo evidence. Journal of Regional Science, 43(2), 221–248. https://doi.org/10.1111/1467-9787.00297
Gandrud, C. (2020). Reproducible Research with R and RStudio. Chapman & Hall/CRC The R Series. CRC Press. ISBN: 9780429629594. Retrieved from https://books.google.es/books?id=ezX3DwAAQBAJ
Goodchild, M. F. (1986). Spatial Autocorrelation. 1st edition. Geo Books, Norwich.
Goodchild, M. F. (2009). What Problem? Spatial autocorrelation and geographic information science. Geographical Analysis, 41(4), 411–417. https://doi.org/10.1111/j.1538-4632.2009.00769.x
Legendre, P. (1993). Spatial Autocorrelation: Trouble or New Paradigm? Ecology, 74(6), 1659–1673. https://doi.org/10.2307/1939924
McIlhatton D., McGreal W., Taltavul, P., Adair A., (2016), Impact of crime on spatial analysis of house prices: evidence from a UK city, International Journal of Housing Markets and Analysis, Vol. 9 Iss 4 pp. https://dx.doi.org/10.1108/IJHMA-10-2015-0065
Moran, P. A. P. (1948). The interpretation of statistical maps. J. R. Stat. Soc. Ser. B-statistical Methodol. 10 (2), 243–251. https://doi.org/10.1111/j.2517-6161.1948.tb00012.x
Páez, A., Farber, S., & Wheeler, D. (2011). A Simulation-Based Study of Geographically Weighted Regression as a Method for Investigating Spatially Varying Relationships. Environment and Planning A: Economy and Space, 43(12), 2992–3010. https://doi.org/10.1068/a44111
Pebesma, E. (2018). Simple Features for R: Standardized Support for Spatial Vector Data. The R Journal, 10(1), 439–446. https://doi.org/10.32614/RJ-2018-009
Sanchez Navarro, D. (2012). Una Propuesta Metodológica Para La Definición De Mercados Geográficos Relevantes (A Proposed Methodology for Defining Relevant Geographic Markets). Available at SSRN 2221339.
Siabato, W., & Guzmán-Manrique, J. (2019). La autocorrelación espacial y el desarrollo de la geografía cuantitativa. Cuadernos De Geografía: Revista Colombiana De Geografía, 28(1), 1–22. https://doi.org/10.15446/rcdg.v28n1.76919
Silge, J., Robinson, D. (2017). Text Mining with R: A Tidy Approach. Estados Unidos: O'Reilly Media. https://doi.org/10.5555/3165010
Souris, M. (2019). “Epidemiology and geography: principles, methods and tools of spatial analysis”. ISTE. https://doi.org/10.1002/9781119528203
Team, R. 2022. R: What is R? Vienna, Austria: R Foundation for Statistical Computing. https://www.r-project.org/about.html/
Team, RStudio. 2021. RStudio: Integrated Development Environment for R. Boston, MA: RStudio, Inc. http://www.rstudio.com/
Tobler, W. R. (1970). A Computer Movie Simulating Urban Growth in the Detroit Region. Economic Geography, 46, 234–240. https://doi.org/10.2307/143141
Waller, L.A., & Gotway, C.A. (2004). Applied Spatial Statistics for Public Health Data. https://doi.org/10.1002/0471662682
Wu, G., Guo, W., & Niu, X. (2023). Spillover effect analysis of home-purchase limit policy on housing prices in large and medium-sized cities: Evidence from China. PloS one, 18(1), e0280235. https://doi.org/10.1371/journal.pone.0280235
Wulder, M., & Boots, B. (1998) Local spatial autocorrelation characteristics of remotely sensed imagery assessed with the Getis statistic, International Journal of Remote Sensing, 19:11, 2223–2231, https://doi.org/10.1080/014311698214983
Yin, Z., Sun, R., & Bi, Y. (2022). Spatial-Temporal Change Trend Analysis of Second-Hand House Price in Hefei Based on Spatial Network. Computational intelligence and neuroscience, 2022, 6848038. https://doi.org/10.1155/2022/6848038
Publicado
Número
Sección
Licencia
Derechos de autor 2023 Romina Andrea Silvera Vies, Ana Debón, Javier Ribal
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
La Revista de Estudios Empresariales. Segunda Época, utiliza PKP Preservation Network (PN).
