Anales Cientícos, 79 (1): 29 - 36 (2018)
ISSN 2519-7398 (Versión electrónica)
DOI: http://dx.doi.org/10.21704/ac.v79i1.1136
Website: http://revistas.lamolina.edu.pe/index.php/acu/index
© Universidad Nacional Agraria La Molina, Lima - Perú
Presentado: 21/09/2017
Aceptado: 01/02/2018
Modelo para determinar la existencia del fenómeno denominado Burbuja Inmobiliaria
en el Perú
Model to determine the existence of the phenomenon denominated Burbuja Inmobiliaria in Peru
Carlos Alberto Guerrero López
1
Resumen
El objetivo de la presente investigación fue evaluar si en el Perú se forma una burbuja hipotecaria, o si solo el valor de
los precios de las viviendas se encuentra a un dinamismo de BOOM Inmobiliario, este análisis se hace para la década
constituida por el período 2004 al 2015. Se analizaron los factores de demanda del sector inmobiliario, identicando
si son variables económicas explicativas del dinamismo de los precios del metro cuadrado de los inmuebles en el Perú
durante el período indicado; y se examinó si el comportamiento de los precios fue explicado por factores especulativos de
los agentes nancieros y/u hogares, durante dicho período. Para ello, se elaboró un modelo con variables que expliquen
los componentes de la variable precio de viviendas; tales como IPC, tasa de crédito hipotecario del sistema bancario en
moneda nacional, en moneda extranjera, tipo de cambio crédito hipotecario en moneda nacional, extranjera y salario real.
Es así que a través de diferentes test estadístico se llega a la conclusión que para dicho período el sector inmobiliario en
el Perú está en un escenario de Burbuja Inmobiliario; debido a que el precio de las viviendas no está siendo explicado
por sus fundamentos económicos.
Palabras claves: expectativas inmobiliarias; boom inmobiliario; demanda inmobiliaria; tasa de referencia; salario; tipo
de cambio; crédito hipotecario; tasa de interés de crédito hipotecario; análisis de expectativas.
Abstract
The objective of the present investigation was to evaluate if a mortgage bubble is formed in Peru, or if only the value of
housing prices is at a BOOM Real Estate dynamism, this analysis is made for the decade constituted by the 2004 period to
2015. The demand factors of the real estate sector were analyzed, identifying if they are economic variables that explain
the dynamism of the prices of square meters of real estate in Peru during the period indicated; and it was examined if the
behavior of the prices was explained by speculative factors of the nancial agents and / or households, during said period.
To do this, a model was developed with variables that explain the components of the housing price variable; such as IPC,
mortgage loan rate of the banking system in national currency, in foreign currency, mortgage exchange rate in national,
foreign currency and real salary. Thus, through different statistical tests we reach the conclusion that for this period the
real estate sector in Peru is in a scenario of Real Estate Bubble; because the price of housing is not being explained by
its economic fundamentals.
Key words: real estate expectations; real estate boom; real estate demand; reference rate; salary; exchange rate; mortgage
credit; mortgage interest rate; expectations analysis.
1
Departamento Académico de Gestión Empresarial, Facultad de Economía y Planicación, Universidad Nacional Agraria La Molina, Apartado postal
12-056, La Molina, Lima, Perú. Email: cguerrero@lamolina.edu.pe
1. Introducción
La vivienda es considerada un bien básico en la economía,
por permitir a los hogares tener un techo donde vivir; en
las últimas décadas, su uso ha variado hacia un negocio
que genera rentabilidad, que permite a estos hogares tener
liquidez y obtener ganancias, vale decir como un activo de
refugio o un bien de inversión (Gutierrez y Delclóx, 2017).
Según Nenova (2010), los bancos vienen cambiando
su papel de nanciamiento de crédito de corto plazo hacia
los de largo plazo, otorgando en economías estables a sus
clientes un menor riesgo por tipo de interés y comisiones
accesibles. Diversos especialistas que no pertenecen al
sector nanciero expresan distintas opiniones respecto a
la situación en la que se encuentra el sector inmobiliario;
unos arman que se encuentra en una Burbuja Inmobiliaria,
mientras que otros consideran que no se encuentra dentro
de una Burbuja Inmobiliaria; ello es debido a que los
precios han subido y se debe a la caída del crecimiento
económico sufrido en los últimos años en el sector de
construcción, perdió su dinamismo que repercutió en el
sector inmobiliario.
El presente estudio trató de buscar una explicación
basándose en un estudio del sector entre los años 2004 al
2015, analizó si el precio de los inmuebles fue explicado
por sus fundamentos económicos de demanda o por
expectativas de crecimiento irracional por parte de los
Modelo para determinar la existencia del fenómeno denominado Burbuja Inmobiliaria en el Perú
Enero - Junio 2018
30
agentes económicos. Se sabe que en todos los países, el
sistema nanciero se constituye en un factor clave en el
crecimiento de la economía, a través de su función de
intermediación nanciera que le permite convertir sus
depósitos en créditos. Schumpeterm (2003), King y Levine
(1993) y Nenova (2010) señalan que este sistema, al proveer
de créditos a los hogares para nanciar la adquisición de un
inmueble, es considerado procíclico dado que guarda una
relación directa con el ciclo económico de la economía de
un país. Es decir, al aumentar la economía se incrementa el
acceso al crédito y al disminuir la economía se obtiene un
menor acceso a dichos créditos.
Se debe tener en consideración que la crisis subprime
se caracterizó por características completamente ajenas
a las viviendas en desarrollo de mercados: bajas tasas de
interés, altos ratios de préstamos a valor, una explosión
de siniestros dentro del sistema nanciero, la extensión a
clientes con mal crédito y la complejidad del proceso de
titularización y los modelos de valoración subyacentes
(Cevallos et al., 2013).
La inación es una variable a considerar, según como lo
arma Cecchetti (2003), los precios de los activos están
basados en expectativas de inación de la economía,
siendo así debido a que los hogares ante subidas de las tasas
de inación tienen menor disponibilidad de liquidez para
poder adquirir activos de más valor, tales como viviendas.
Otra variable la constituye la tasa de interés de crédito
hipotecario realizadas a través de la política monetaria
de los Bancos Centrales; es así que un aumento de las
tasas de la política monetaria lleva a que los pagos que
realizan las instituciones nancieras sean mayores por sus
créditos interbancarios, ocasionando una disminución de la
liquidez para préstamos a los hogares; generando con ello
que disminuyan los créditos hipotecarios y aumenten las
tasas de interés correspondientes. Las expectativas según
Goodfriend (2005), es otra variable, pues la tasa de política
monetaria afecta los precios de la vivienda por medio
de las expectativas que tienen los agentes económicos
sobre el crecimiento económico y ello repercute en las
expectativas de futuros ujos de los agentes económicos
que les generan expectativas en su rentabilidad. Además,
Hott & Jokippi (2012) mencionan que las tasas de interés,
en el corto plazo, tienen un efecto inverso en el precio de
las viviendas y sobre todo en la sobrevaloración de estos
precios. Esto se da, debido a que, ante una disminución de
las tasas hipotecarias, los hogares tendrán la posibilidad
de acceder a mayores créditos hipotecarios, porque los
intereses serán menores, impulsando así al aumento de la
demanda de viviendas, y a un crecimiento en los precios
de las mismas.
En Estados Unidos entre los años 2002 y 2005 se
originó una disminución continua de las tasas de interés
realizadas por la Federal Reserve System (FED), lo que
generó la caída de las tasas de interés a largo plazo, dado
el efecto directo indicado anteriormente. La disminución
de las tasas de política monetaria, que son de corto plazo,
llevaron a que las de largo plazo disminuyan también
(Glaese et al., 2010).
Otra variable son los ingresos o salarios de las familias
que permite cubrir los pagos de los créditos obtenidos.
Además, estos ingresos ayudan a que las familias tengan,
ante un nivel alto de ingresos, un mayor acceso al crédito
hipotecario en el sistema nanciero. Es por ello que los
salarios de las familias se constituyen en una variable
explicativa del sector inmobiliario. Esta relación entre
precios de la vivienda e ingresos reejan la eciencia
relativa de los mercados inmobiliarios (Banco Mundial,
1994).
Finalmente, el tipo de cambio, que es la relación
de intercambio entre dos divisas; debido a que ante una
apreciación de la moneda extranjera, mayor será el pago
del préstamo y de los intereses hipotecarios, dado que se
paga más, generando con ello un mayor costo y un riesgo
de no pago Hunter et al. (2003).
2. Materiales y métodos
Boom Inmobiliario, los precios de los inmuebles al ser
activos utilizados se ven afectados por cambios en la oferta
y demanda del mercado inmobiliario y ello repercute en
los precios de los mismos. Así, según lo explica Montalvo
(2008), existe un crecimiento sostenible del valor de los
inmuebles, que se produce especícamente a factores de
oferta y demanda del activo inmobiliario. De esta manera
sostiene Nenova (2010) que los factores de crecimiento
desde la perspectiva de la oferta, el limitado acceso a
la tierra y problemas de regulación urbana y desde la
perspectiva de la demanda arma el aumento demográco
de los países, que necesitan cubrir su necesidad básica de
vivienda.
Las economías al pasar por ciclos económicos, se
presenta situaciones de asimetrías de la información
conlleva a niveles altos en los precios de las viviendas,
que no son explicadas por sus fundamentos económicos
de oferta y demanda. Gutierrez & Delclóx (2017)
armaron que las expectativas por el crecimiento de un
país se constituyen en un aspecto fundamental para que se
manieste el boom inmobiliario debido a las expectativas
de las variables macroeconómicas futuras son favorables.
Expectativas Inmobiliarias, muchas veces las expectativas
del crecimiento de los precios de las viviendas en el futuro,
de los agentes económicos son expectativas irreales;
debido a que estos agentes utilizan a las viviendas como
activos de inversión a largo plazo, Gutierrez & Declóx
(2017) al considerar estos activos como una oportunidad
para generar rentabilidades futuras, llevan a que los precios
de las viviendas suban por presión de la demanda; y son
impulsadas no por variables de oferta y demanda sino
por expectativas de crecimiento. Estas expectativas son
generadas en base al análisis y pensamientos económicos
erróneos, Montalvo (2008) dene a falacias populares,
tales como que a) el precio de las viviendas siempre se
mantendrán en niveles altos, porque siempre van a ser
demandados por los hogares b) por escasez de tierras por
urbanizar el precio del área por metro cuadrado va a tender
C. Guerrero / Anales Cientícos 79 (1): 29 - 36 (2018)
31
al alza, c) el precio de las viviendas son bajas en relación
a los de la región, d) el costo de transacción al ser altos no
permitirá la especulación e) el pagar la hipoteca siempre
va a permitir que la vivienda sea propia, f) la inversión
en vivienda siempre generará mayor rentabilidad que otro
activo nanciero, obviando que cada economía es distinta
y tiene diferentes variables macroeconómicas, el no pago
y factores externos de la economía que pueden generar
disminución en el trabajo y aumento de desempleo,
inestabilidad del sistema nanciero y de la economía del
país.
Burbuja Inmobiliaria, Montalvo (2003), Case & Shiller
(2004) y Hyramna (1980) denen como un crecimiento
rápido y no sostenible de los precios durante un periodo
de tiempo. Es rápido porque aumenta a un nivel que no
puede ser explicada por fundamentos económicos de oferta
y demanda, esto debido a que los agentes proyectan que el
valor del activo aumentara y por tal motivo, en búsqueda
de obtener rentabilidades futuras, preeren invertir en ello
para poder revenderlos a mayor precio en el futuro, ante la
irreal idea de que los precios siempre subirán (Evanoff et
al., 2012).
Kindleberger y Aliber (2005) indican la existencia
de fases de una burbuja nanciera: choque positivo de
la economía, que impulsa que las expectativas de los
inversionistas suban al ver que pueden obtener futuras
rentabilidades, seguido de un boom en sistema nanciero,
lo anterior genera un aumento de préstamos otorgados por
el sistema nanciero, ello por la necesidad de los agentes
de obtener liquidez para la inversión; proceso de nueva
visión, los gobiernos impulsan el crecimiento del sector
inmobiliario generando una etapa de euforia, los agentes
obtienen rentabilidades y las realizan, observando que sus
ujos futuros aumentaran; luego aparece la noción real,
algunos inversionistas con mayor información del mercado
se dan cuenta que el precio del activo está sobrevaluado, y
empiezan a vender este, creando así una sobreoferta que
impulsa a la caída abrupta del precio del activo. Finalmente
aparece, la etapa de colapso, que es la repercusión en la
economía, la burbuja afecta al sector y también al país,
generando una búsqueda de soluciones para disminuir sus
efectos de la crisis (Evanoff et al., 2012). La crisis subprime
tiene características completamente ajenas al desarrollo
del mercado de vivienda: bajas tasas de interés, altos ratios
de préstamos a valor, una explosión de siniestros dentro del
sistema nanciero, la extensión a clientes con mal crédito
y la complejidad del proceso de titulización y los modelos
de valoración y valoración subyacentes (Nenova, 2010).
Metodología
El estudio pretende demostrar el comportamiento del
sector inmobiliario peruano, y el dinamismo de los precios
de las viviendas, que han ido en aumento en los últimos
años. Hecho que ha motivado a que investigadores revisen
el comportamiento del sector, con el n de evitar caer en
burbujas nancieras del sector, tal y como las acontecidas
en Estados Unidos y España, cuyas crisis fueron las que
más impactaron a nivel mundial.
Se utilizó el modelo de cointegración, de FMOLS
Mínimos Cuadrado Ordinarios Completamente
Modicados (Philllips & Hansen, 1989), buscando
proporcionar a los modelos de cointegración regresiones
óptimas. El método permite tener un estimador insesgado,
robusto y eciente en los resultados estadísticos de las
regresiones. Este modelo corrige los efectos de correlación
serial en los errores, así como la endogeneidad de los
regresores, derivados de una relación de cointegración.
Además, se utilizó el estadístico tau de Phillps Ouliaris,
con la nalidad de contrastar si existe o no cointegración
en el largo plazo entre las variables de demanda y el valor
de los precios de la vivienda.
Este modelo fue utilizado en estudios como el de Orrego
(2014) que explicó que el dinamismo de los precios de las
viviendas de los distritos de Lima entre el período 1998 y
2013, están siendo explicados por el comportamiento de
la oferta y demanda del sector inmobiliario y que estos
cointegran con el dinamismo de los precios.
Vilchez (2015), dentro de su análisis del sector
inmobiliario utiliza el método de cointegración para
identicar si el valor de los precios de las viviendas en el
Perú está siendo explicado por sus fundamentos de oferta
y demanda, llegando a través del método de cointegración
de Johanse a la conclusión que las variables de demanda
y oferta cointegran con el valor de los precios de los
inmuebles en el Perú.
A nivel internacional tenemos los estudios sobre
la burbuja inmobiliaria realizados por Hoong (2016)
sobre Malasia; y de Cubeddu et al. (2012) sobre Chile,
Colombia, México y Perú. Para la aplicación del modelo
de cointegración, por medio del modelo de estimación
FOMLS, se utilizaron las siguientes variables indicadas en
la Tabla 1:
Para estimar el modelo de cointegración, por el
método de FMOLS, se utilizaron, datos con periodicidad
trimestral, desde el período del primer trimestre del año
2004 hasta el cuarto trimestre del 2015. Se evalúó como
variable el precio por metro cuadrado de los inmuebles
de los distritos de La Molina, Miraores, San Borja, San
isidro y Surco, distritos de la Provincia de Lima; y como
variables explicativas se toma variables macroeconómicas
y nancieras relacionadas a la demanda del sector
inmobiliario, como la inación, la tasa de referencia, las
tasas de crédito hipotecario del sistema bancario en soles
y en dólares, el tipo de cambio interbancario promedio de
compra y venta, el crédito hipotecario en soles y en dólares,
y el salario promedio, todas variables de tipo nominal. Al
respecto los estudios de Orrego (2014), Cubeddu et al.,
(2012) y Vilchez (2015), utilizaron variables semejantes
llegando a la conclusión que las variables mencionadas
eran variables explicativas del precio por metro cuadrado
de los inmuebles y que cointegran en el largo plazo.
Modelo para determinar la existencia del fenómeno denominado Burbuja Inmobiliaria en el Perú
Enero - Junio 2018
32
Modelo Económico Propuesto
Para la determinación del modelo se parte de una ecuación
básica en la cual el crédito hipotecario, es una de las fuentes
principales que utilizaron los hogares para conseguir o
adquirir una vivienda; así como también los ahorros y las
remesas enviadas del exterior por familiares residentes
y no residentes. Un mayor crédito hipotecario permitirá
que las familias tengan mayor disponibilidad en adquirir
una vivienda, impulsando este crecimiento a una mayor
demanda y así se generará un aumento de los precios de
las viviendas. Por ello, se analizará el ujo de los créditos
hipotecarios en soles y dólares emitidos por las entidades
nancieras para identicar si el crecimiento de la misma
tiene el mismo efecto en el precio de las viviendas en el
Perú, y se toma por separado los créditos hipotecarios por
tipo de moneda, para establecer la implicancia del tipo
de cambio en el comportamiento de los precios de las
viviendas.
Precio
t
= β
1
+ β
2
Credhipsol
t
+ β
3
Credhipdol
t
+ ε
t
Donde: Precio
t
= Precio por metro cuadrado de los
inmuebles; Credhipsol
t
= Crédito Hipotecario en Soles;
Credhipdol
t
= Crédito Hipotecario en Dólares;ε
t
= Término
de error.
Este modelo se elabora basanándonos en los trabajos
realizados por Orrego (2014), Arshanapallli y Nelson
(2008) y Hoong (2016), que tienen como objetivo
identicar si el comportamiento del crédito hipotecario
total cointegra con el valor de los precios por metro
cuadrado de los inmuebles.
Para reducir la variación de los valores extremos y no
extremos de las variables, con el n de mejorar la abilidad
de los resultados de los test estadístico, se establecerá el
logaritmo de las variables.
logPrecio
t
= β
1
+ β
2
logCredhipsol
t
+ β
3
logCredhipdol
t
+ ε
t
Donde: logPrecio
t
= Logaritmo del Precio por metro
cuadrado de los inmuebles; logCredhipsol
t
= Logaritmo del
Crédito Hipotecario en Soles; logCredhipdol
t
= Logaritmo
del Crédito Hipotecario en Dólares; ε
t
= Término de error.
A este modelo se le agregará otra variable, las tasas de
crédito hipotecario del sistema nanciero, tanto en soles
como en dólares, ello debido a que forman parte de la
demanda del sector inmobiliario, por el efecto que generen
a los hogares, las variaciones de las mismas. Al aumentar
ellas, los hogares se verán obligados a pagar más por
sus préstamos hipotecarios, contrayendo de este modo la
demanda de las viviendas, generando posteriormente una
disminución en los precios de las viviendas. Por lo que se
hace necesario analizar si el comportamiento de las tasas
hipotecarias son variables explicativas en el largo plazo
del precio de las viviendas. Acá se diferencia las tasas
hipotecarias por cada moneda para aislar las implicancias
que ocasiona el tipo de cambio en el comportamiento de
los precios de las viviendas.
Precio
t
= β
1
+ β
2
Credhipsol
t
+ β
3
Credhipdol
t
+ β
4
Tasahipsol
t
+ β
5
Tasahipdol
t
+ ε
t
Donde: Precio
t
= Precio por metro cuadrado de los
inmuebles; Credhipsol
t
= Crédito Hipotecario en Soles;
Credhipdol
t
= Crédito Hipotecario en Dólares; Tasahipsol
t
= Tasa de Interés Hipotecario en Soles; Tasahipdol
t
= Tasa
de Interés Hipotecario en Dólares
ε
t
= Término de error.
Este modelo se basa en los estudios realizados por
Vilchez (2015); Cubeddu et al (2012); Hoong (2016),
quienes estudiaron el comportamiento de las tasas de
interés de créditos hipotecarios con el valor de los precios
por metro cuadrado de los inmuebles. Tambien, tomamos
el logaritmo a los diferentes términos de la ecuación salvo a
las tasas de interés hipotecario, debido a que en ellos no es
necesario reducir las variaciones de los valores extremos.
logPrecio
t
= β
1
+ β
2
logCredhipsol
t
+ β
3
logCredhipdol
t
+ β
4
Tasahipsol
t
+ β
5
Tasahipdol
t
+ ε
t
Donde: logPrecio
t
= Logaritomo del Precio por metro
cuadrado de los inmuebles; logCredhipsol
t
= Crédito
Hipotecario en Soles; logCredhipdol
t
= Crédito Hipotecario
en Dólares; Tasahipsol
t
= Tasa de Interés Hipotecario
en Soles; Tasahipdol
t
= Tasa de Interés Hipotecario en
Dólares; ε
t
= Término de error
Tabla 1. Descripción de Variables
Denición Periodicidad Tipo Unidades Fuente
Precio Trimestral Nominal
Nuevos soles
corrientes
BCRP
IPC Lima Trimestral Nominal Porcentaje INEI, BCRP
Tasa de referencia Trimestral Nominal Porcentaje BCRP
Tasa de crédito hipotecaria del sistema bancario en M/N Trimestral Nominal Porcentaje SBS
Tasa de crédito hipotecaria del sistema bancario en M/E Trimestral Nominal Porcentaje SBS
TC Nominal Interbancarios Precio Compra/Venta –Promedio Mensual Trimestral Nominal S/. por US$ BCRP, SBS
Crédito del sector Privado de Sociedades de Deposito- Saldo- hipotecario M/N Trimestral Nominal Millones de S/. BCRP
Crédito del sector Privado de Sociedades de Deposito- Saldo- hipotecario M/E Trimestral Nominal Miles de US $ BCRP
Salario real Trimestral Nominal Soles corrientes BCRP
C. Guerrero / Anales Cientícos 79 (1): 29 - 36 (2018)
33
Finalmente, se adicionan al modelo las variables salario
promedio, tipo de cambio promedio de compra y venta,
tasa de referencia de la política monetaria y la inación
como variables que explican las variaciones de los precios
en las viviendas. Esto siguiendo los estudios de Cubeddu et
al. (2012), Borraz et al. (2012), Guerrero (2013) y Hoong
(2016).
Precio
t
= β
1
+ β
2
Credhipsol
t
+ β
3
Credhipdol
t
+ β
4
Tasahipsol
t
+ β
5
Tasahipdol
t
+ β
6
Tasaref
t
+ β
7
Tipocambio
t
+ β
8
Salario
t
+ β
9
Inación
t
+ ε
t
Donde: Precio
t
= Precio por metro cuadrado de los
inmuebles; Credhipsol
t
= Crédito Hipotecario en Soles;
Credhipdol
t
= Crédito Hipotecario en Dólares; Tasahipsol
t
= Tasa de Interés Hipotecario en Soles; Tasahipdol
t
=
Tasa de Interés Hipotecario en Dólares; Tasaref
t
= Tasa de
Referencia de la Política Monetaria; Tipocambio
t
= Tipo de
Cambio Promedio de Compra y Venta; Salario
t
= Salario
Promedio; Inación
t
= Inación; ε
t
= Término de error.
Igualmente se reduce la variación de los valores
extremos y no extremos de las variables con el n de
mejorar la abilidad de los resultados de los test estadístico,
por lo que se establecerá el logaritmo para las variables, a
excepción de la tasa de interés hipotecario en soles, la tasa
de interés hipotecario en dólares, la tasa de referencia de la
Política Monetaria y la inación, por no requerir de ello.
LogPrecio
t
= β
1
+ β
2
LogCredhipsol
t
+ β
3
LogCredhipdol
t
+ β
4
Tasahipsol
t
+ β
5
Tasahipdol
t
+ β
6
Tasaref
t
+ β
7
LogTipocambio
t
+ β
8
LogSalario
t
+ β
9
Inación
t
+ ε
t
Donde: LogPrecio
t
= Precio por metro cuadrado de los
inmuebles; LogCredhipsol
t
= Crédito Hipotecario en
Soles; LogCredhipdol
t
= Crédito Hipotecario en Dólares;
Tasahipsol
t
= Tasa de Interés Hipotecario en Soles;
Tasahipdol
t
= Tasa de Interés Hipotecario en Dólares;
Tasaref
t
= Tasa de Referencia de la Política Monetaria;
LogTipocambio
t
= Tipo de Cambio Promedio de Compra
y Venta; LogSalario
t
= Salario Promedio; Inación
t
=
Inación; ε
t
= Término de error.
3. Resultados y discusión
Por medio del análisis econométrico se contrastó la primera
hipótesis especíca que indica que los factores de demanda
del sector inmobiliario no son variables económicas
explicativas del dinamismo de los precios por metro
cuadrado de los inmuebles en el Perú entre el periodo 2004
y 2015. Para ello, se estimó por el método FMOLS, para
analizar si las variables de demanda cointegran en el largo
plazo el dinamismo de los precios por metro cuadrado de
las viviendas.
Para evitar no tener una regresión espuria que no
permite tener un análisis de alto nivel de signicancia
estadística y económico, se realizan pruebas de raíz
unitaria que permite establecer el nivel de integración de
las variables de demanda del sector hipotecario, así como
del predio por metro cuadrado de las viviendas.
Es así que en el Tabla 3 se observa el nivel de
diferencia de cada variable del modelo económico nal en
logaritmos, por medio del test de raíz unitaria de Dickey
Fuller Aumentado. Para este test se usó el criterio Schwarz.
Además, el nivel de signicancia para rechazar la hipótesis
nula de raíz unitaria que se usó fue de 10%.
Las variables del precio por metro cuadrado de las
viviendas, los créditos en soles, créditos en dólares, la tasa
de interés hipotecario en soles y dolares, la inación, el
salario y el tipo de cambio se han incluido para el test la
tendencia y el intercepto, más no para la tasa de referencia
que se incluyó solo en la interjerción, como se muestra en
la Tabla 2.
En la Tabla 3, la inación, el salario y la tasa de
referencia son intercepto cero, I(0), lo que signica que
son estacionarias a nivel. El crédito hipotecario en soles,
el precio por metro cuadrado de las viviendas, las tasas de
interés hipotecarias en soles y dólares y el tipo de cambio
son I(1) o estacionarias en primera diferencia. La única
variable que es I(2) o estacionaria en segunda diferencia
es del crédito hipotecario en dólares. En el análisis de
cointegración, por el Método FMOLS, es necesario utilizar
las variables que están integradas en primera diferencia,
I(1).
Es así que en el modelo no se incluirá el crédito
hipotecario en dólares, la inación, el salario y la tasa de
referencia.
Tabla 2. Análisis de Dickey Fuller Aumentada
Variable Modelo Augemented Dickey Fuller I(d)
Niveles
Prob.
Primera
diferencia
Prob.
Segunda
diferencia
Prob.
logcredhipdol T y C 0.9922 0.4104 0.0000 I(2)
logcredhipsol T y C 0.8883 0.0949 ----- I(1)
Inación T y C 0.0212 ----- ----- I(0)
logPrecio T y C 0.1432 0.0000 ----- I(1)
logsalario T y C 0.0250 ----- ----- I(0)
tasahipsol T y C 0.4453 0.0000 ----- I(1)
tasahipdol T y C 0.5385 0.0001 ----- I(1)
tasaref C 0.0085 ----- ----- I(0)
logtcambio T y C 0.9997 0.0037 ----- I(1)
Tabla 3. Regresión FMOLS de cuatro (4) variables
explicativas
Variable Coefcient Std. Error t- statistic Prob
logcredhipsol 0.270642 0.033558 8.064894 0
logtc 0.093093 0.414449 0.22462 0.8234
tasacredhipdol -12.10184 4.062769 -2.978716 0.0048
tasacredhipsol 6.60343 1.977375 3.339493 0.0018
C 6.075822 0.883768 6.874906 0
En el Tabla 4, se observa la regresión de cointegración
por el Método FMOLS y se muestra que el crédito
hipotecario en soles, las tasas hipotecarias en soles, las tasas
hipotecarias en dólares son signicativas en el modelo de
Modelo para determinar la existencia del fenómeno denominado Burbuja Inmobiliaria en el Perú
Enero - Junio 2018
34
cointegración, a un nivel de signicancia de 5%, más no el
tipo de cambio. Por lo que en el modelo no se incluye a esta
variable como explicativa de precio por metro cuadrado de
las viviendas en el Perú.
Tabla 4. Regresión FMOLS de créditos hipotecarios en
soles y tasa hipotecaria en dólares
Variable Coefcient Std. Error t- statistic Prob
logcredhipsol 0.19366 0.039741 4.8731 0
tasacredhipdol -14.83737 6.185558 -2.398711 0.0208
C 7.763456 0.833636 9.312768 0
R-squared 0.877636 Mean dependent var 8.001212
Ajusted
R-squared
0.872074 S.D. dependent var 0.459714
S.E. of
regression
0.164425 Sum squared resid 1.189566
Tabla 5. Test de Cointegración
Value Prob.*
Engle-Granger tau-statistic -2.341573 0.5773
Engle-Granger z- statistic -9.588153 0.5907
Value Prob.*
Phillis-Ouliairs tau-statistic -2.156273 0.667
Phillis-Ouliairs z-statistic -7.435667 0.745
*MacKinnon(1996) p-values.
La estimación de cointegración, por el método FMOLS,
que se muestra en el Tabla 4, expresa que las variables
explicativas de la demanda del sector inmobiliario, crédito
hipotecario en soles y tasa de crédito hipótecarios en
dólares, son signicativas a un nivel de signicancia del
5% con un R cuadrado ajustado del 87,2074%.
Luego se realizan el test de cointegración de Engle
y Granger y de Philips Ouliaris mostradas en el Tabla 5
observándose que los estadísticos tau, que ayudara a
vericar si los residuos de la regresión son estacionarios
en nivel, son de 0,577 y 0,6670, respectivamente. Estos
estadísticos al 5% de nivel de signicancia aceptan la
hipótesis nula de que las series no están cointegradas en
el largo plazo.
Tabla 6. Test de Cointegración
Value Prob.*
Engle-Granger tau-statistic -2.341573 0.5773
Engle-Granger z- statistic -9.588153 0.5907
Value Prob.*
Phillis-Ouliairs tau-statistic -2.156273 0.667
Phillis-Ouliairs z-statistic -7.435667 0.745
*
MacKinnon(1996) p-values.
Fuente: Elaboración propia
La variable crédito hipotecario en soles es signicativo,
a un 5% de signicancia, así como su efecto positivo en
el dinamismo de los precios de las viviendas, con un R
cuadrado ajustado de 84,7703%. Además al igual que el
modelo anterior que incluía a la tasa hipotecaria en dólares,
se observa en la Tabla 6, que el test de cointegración de Engle
y Granger y de Phillips Ouliaris no rechazan la hipótesis
nula de no cointegración de las variables, obteniéndose
estadísticos tau de 0.7579 y 0.7416, respectivamente, al
5% de signicancia.
Tabla 7. Regresión MCO del crédito hipotecario en soles y
cuatro rezagos de precios de viviendas
Variable Coefcient Std. Error t- statistic Prob
logcredhipsol 0.054175 0.01723 3.144278 0.0032
logprecio(-1) 0.611816 0.160747 3.80607 0.0005
logprecio(-2) -0.030248 0.185158 -0.163362 0.8711
logprecio(-3) 0.180638 0.184198 0.980675 0.333
logprecio(-4) 0.094026 0.14957 0.628643 0.5333
C 0.73795 0.287293 2.568634 0.0143
En la Tabla 7, se observa la regresión por método
de estimación MCO y en ella se observa que el crédito
hipotecario en soles, junto al primer rezago de los precios
de las viviendas muestran una signicancia al 5%, al
rechazar la hipótesis nula de no signicancia, así como
signos positivos en el efecto que tienen en el precio
de las viviendas. También se muestra que el segundo,
tercero y cuarto rezago del precio de las viviendas son no
signicativos, porque no se rechaza la hipótesis nula de no
signicancia al 5%.
Si eliminamos el segundo, tercero y cuarto rezago al
modelo estimado por MCO, las variables crédito hipotecario
en soles y el primer rezago de los precios son variables
explicativas de la regresión, a un nivel de signicancia del
5%. Los resultados que se observan en el Tabla 8, muestran
un efecto positivo del crédito hipotecario en soles con el
precio de las viviendas, esto porque ante un mayor nivel del
crédito hipotecario, signica mayor demanda de viviendas,
generando un aumento de los precios de los inmuebles. Por
este efecto es mínimo en relación al efecto mostrado por
el primer rezago del precio, que indica que los precios de
las viviendas están siendo explicadas en mayor nivel por
el precio del trimestre anterior en mayor relación a los
créditos hipotecarios en soles que muestran un coeciente
de 0.04, indicando que un crecimiento del 100% de este
tipo de crédito afectará solo un 4% en el precio de las
viviendas.
Tabla 8. Regresión MCO del crédito hipotecario en soles y
el primer rezago de los precios de viviendas
Variable Coefcient Std. Error t- statistic Prob
logcredhipsol 0.040033 0.01288 3.10821 0.0033
logprecio(-1) 0.882035 0.044689 19.73714 0.0000
C 0.635102 0.262597 2.418539 0.0198
Tabla 9. Test de Robustez del Modelo MCO
Breusch-Godfrey Serial Correlation LM Test
F-static 1.889904 Prob. F(4,40) 0.1311
Obs*R-squared 7.470665 Prob Chi-Square(4) 0.1130
Heteroskedasticity Test Breusch-Pagan-Godfrey
F-static 1.537417 Prob. F(4,40) 0.2263
Obs*R-squared 3.069946 Prob Chi-Square(2) 0.2155
Scaled explained SS 1.978263 Prob Chi-Square(2) 0.3719
C. Guerrero / Anales Cientícos 79 (1): 29 - 36 (2018)
35
En este punto es necesario comprobar la robustez
del modelo, es decir identicar si los regresores y datos
estadísticos de la regresión son válidos para el análisis
de los resultados. Para analizar tal robustez es necesario
realizar el diagnostico de los resultados. Para analizar
esa robustez, es necesario realizar el diagnostico de los
residuos analizando el test de normalidad correlación serial
y heterocedasticidad, que muestra una probabilidad de
0.2269, valor mayor al 5% de signicancia, rechazándose
así la hipótesis nula de que los residuos presentan
varianza constante. Ello demostró que la regresión por
MCO realizado es robusta y que sus valores estadísticos
son factibles para el análisis a realizar si el rezago de los
precios explica el dinamismo del mismo.
En la Tabla 9 se muestra los resultados de las tres
pruebas, en ella se observa que en el test de normalidad no
se rechaza la hipótesis nula que los residuos se distribuyen
normalmente, a un 5% de signicancia. También se observa
el test de correlación serial de Breusch Godfrey donde se
analiza desde el cuarto rezago de los residuos, teniendo
como resultado una probabilidad de 0,1311, valor mayor al
5% de signicancia, no rechazándose así la hipótesis nula
de que los residuos no están correlacionados. Y además se
tiene el test de heterocedasticifad.
4. Conclusiones
El sector inmobiliario en el Perú, entre los períodos 2004 y
2015, se encuentró en un escenario de Burbuja Inmobiliaria
El dinamismo del precio de las viviendas no es explicado
por sus fundamentos económicos, debido a la inexistencia
de una relación en el largo plazo de las variables de
demanda con el precio por metro cuadrado de las viviendas.
Aún, cuando en efecto, en el período analizado, el crédito
hipotecario en soles ha mostrado un crecimiento continuo,
este aumento no explica el crecimiento más elevado de los
precios de las viviendas, en el largo plazo.
La estabilidad de la política económica en el Perú, tanto
en niveles de inación y tasas de interés, está generando
que los agentes económicos y nancieros, además de
los hogares vean en el sector inmobiliario como una
oportunidad de obtener rentabilidades, por medio de ventas
futuras de las viviendas, ante la expectativa generada
de un crecimiento de los precios de estas. Dado que el
primer rezago de los precios de las viviendas, explica e
mayor nivel el crecimiento de los precios, en relación a los
créditos hipotecarios
Se corroboró que las tasas de interés de créditos
hipotecarios, en el largo plazo, no tienen un efecto
signicativo, tanto estadístico como económico, en el precio
de las viviendas en el Perú. Las tasas de interés de créditos
hipotecarios en soles mostró una relevancia positiva con
el crecimiento de los precios, siendo económicamente
inviable este efecto, debido a que un aumento de las tasas
de interés contrae a la demanda y por efecto el también
nivel de precios, y viceversa. Además, la tasa en dólares
mostró una relevancia positiva y signicativa, pero siendo
mínimo su efecto en el precio de las viviendas.
Se recomienda aplicar en el Perú un mayor nivel de
regulación nanciera del sector hipotecario, con el n
de frenar el crecimiento de la burbuja inmobiliaria en el
Perú así como el efecto negativo en el sistema nanciero
que repercutirá en la economía peruana. Aun cuando no
existe, en el largo plazo, un efecto signicativo de las tasas
hipotecarias en el precio de las viviendas, estas deben ser
monitoreadas por la SBS. Debido a que a menores tasas
de interés en el sector inmobiliario en el corto plazo,
repercutirá en un alza en los precios de las viviendas. Y
si a esto último se le adiciona que los niveles de ingresos
y salarios de los hogares no crecen al mismo nivel,
pueden generar un mayor nivel de riesgo crediticio en el
sistema nanciero. Finalmente, se recomienda para futuras
investigaciones levantar la limitación del presente estudio
de considerar los precios de sectores altos de Lima que en
promedio poseen un mayor nivel de ingresos al promedio
peruano.
5. Literatura citada
Arshanapalli, B. and Nelson, W. 2008. A cointegration
test to verify the housing Bubble. Indiana University
Northest. 2, 35-42.
Banco Mundial. 1994. Vivienda: Un entorno propicio para
el mercado habitacional, Washington D.C.
Borraz, Licandro y Ponce. 2012. Precios de Viviendas:
una metodología para evaluar desvíos respecto a sus
fundamentos. Banco Central del Uruguay. 16. 8-21.
Case, K. & Shiller, R. 2004. Is there a buble in the housing
market?. Cowles Foundation Paper 1089. Cowles
Foundation for Research in Economics.Yale University
Box 208281. New Haven, Connecticut 06520-8281.
http://cowles.econ.yale.edu/
Cecchetti, S. G. 2003. Asset Prices in a Flexible Infationn
targeting. Framework Ohio State University and
National Bureau of Economic Research Hans Genberg,
Chapter 30.
Cevallos, F.; Didier, T.; Hevia, C. y Schumecler, S. 2013.
Respuestas de política a la crisis nanciera global:
¿Qué hicieron diferentes economías emergentes?
Banco Central de Reserva del Perú, Revista Estudios
Económicos 24: 27-43.
Cubeddu, L.; Tovar, C. and Tsounta, E. 2012. Latin
America: Vulnerabities under Construction?. IMF
Working Paper, 193, 8-13.
Evanoff, D.; Kaufman, G. & Malliaris, A. G. 2012. Asset
Price bubbles: What are causes, consequences and
public policy options?.Chicago FED Letter, Essays
on Issues The Federal Reserve Bank of Chicago
November 2012, Nº 304.
Glaese, E.; Gottlieb, J. & and Gyourko, J. 2010. Can Cheap
Credit Explain the Housing Boom? The National
Bureau of Economic Research-NBER Working Paper
No. 16230. Issued in July 2010, NBER Program(s):
EFG.
Goodfriend, M. 2005. Interest rate Policy Should Not
Modelo para determinar la existencia del fenómeno denominado Burbuja Inmobiliaria en el Perú
Enero - Junio 2018
36
React Directly to Asset Prices. Federal reservw Bank
of Richmond, Chapter 31.
Guerrero, Y. 2013. Burbuja Inmobiliaria en el Perú, periodo
2000-2013 (Tesis se pregrado). Universidad Privada
Antenor Orrego. Trujillo, Perú.
Gutierrez, A. y Delclós, X. 2017. Geograa de la Crisis
Inmobiliaria en Cataluña: Una lectura a partir de los
desahucios por ejecución hipotecaria. Scrpta Nova,
revista Electronica de Geograa y Ciencias sociales.
Universidad de Barcelona. Vol. XXi, Num. 557.
Hyramna, M. 1980. Money, nancial markets, and the
coherence of a market economy. Journal of Post
Keynesian Economics/Fall Vol III (1).
Hott, C. and Jokippi, T. 2012. Housing bubbles and interest
rates. Working Pper of the Swiss National Bank.
Hoong, W. 2016. Detecting Malaysian Housing Bublles.
American Journal of Applied Sciences 281-288.
Hunter, W.; Kaufman, K. & Pomerleano, M. 2003.
Asset Price Bubbles The Implications for Monetary,
Regulatory, and International Policies.,
King, R. y Levine, R. 1993. Finance and growth: Shumpeter
might be right, The Quarterly Journal of Economics,
108 (103): 717-737.
Kindleberger and Aliber. 2005. Manias, Panics, and
Crashes A History of Financial Crises, Seventh Edition,
Palgrave Macmillan UK.
Montalvo, J.G. 2008. De la quimera inmobiliaria al colapso
nanciero. Crónica de un desenlace anunciado. Antoni
Bosch, Barcelona.
Nenova, T. 2010. Expanding housing nance to the
underserved in South Asia: market review and forward
agenda. The World Bank. Agenda Washington D.C.
Orrego, F. 2014. Precios de viviendas en Lima. Banco
Central de Reserva del Perú, 8, 1-13.
Phillips, P. and Hansen, B. 1989. Statical Inference
in Instrumental Variables Regression whith I (1)
Processes. Review of Economic Studies 57,99-125.
Schumpeter, J. 2003. The Theory of economic development,
The European Heritage in Economics and the Social
Sciences, 1:61-116.
Vilchez, D. 2015. Assesing house price dynamics in Lima.
Graduate Institute of Intenational and Development
Studies, 9, 1-22.