Las ciudades de Barcelona, Madrid y Bilbao son las que exigen un mayor esfuerzo

El porcentaje de los ingresos del hogar necesario para afrontar el alquiler de una vivienda se incrementó en todas las provincias durante los últimos 12 meses, con la única excepción de Málaga, donde se redujo en 0,1 puntos porcentuales. Según un estudio publicado por idealista realizado cruzando los precios del alquiler en marzo de 2022 y la estimación* de ingresos familiares en esa misma fecha, la ciudad de Barcelona exigiría el 47,6% de los ingresos para el pago de la renta, y en Madrid se sitúa en el 37,8%,

Esfuerzo por provincias

Girona es la provincia donde el esfuerzo más se ha incrementado, al pasar de una tasa del 31,3% de los ingresos familiares en el primer trimestre de 2021 al 38,1% de este año. Le siguen las subidas de Barcelona (del 43% al 48,7%), Cantabria (del 27,3% al 32,4%), Lleida (del 28,6% al 33,7%) y Pontevedra (del 25,2% al 29,7%). En la Comunidad de Madrid la tasa de esfuerzo pasó del 34,7% al 38,1% actual.

En el lado opuesto, y como única bajada, se encuentra la provincia de Málaga, que pasó de exigir un 26,4% de los ingresos familiares a un 26,3% en el primer trimestre de 2022. Las menores subidas se dieron en Santa Cruz de Tenerife (del 30,1% al 30,8%), Jaén (del 19,4% al 20,2%) y Cádiz (del 28,5% al 29,4%).

La provincia de Barcelona es la que mayor esfuerzo exige a sus ciudadanos, ya que es necesario destinar el 48,7% de los ingresos familiares al pago de la renta. Le sigue Guipúzcoa, con el 46,8%, Vizcaya (39,8%), Las Palmas (39,7%), Girona (38,1%), Madrid (38,1%), Lleida (33,7%), Sevilla (33,4%) y Huesca (33%), las 9 provincias que superan el umbral del tercio de los ingresos.

El menor esfuerzo, en cambio, se da en la provincia de Jaén, con el 20,2%. A continuación se sitúan Lugo (21,2%), Teruel (21,7%), Zamora (22,1%) y Ourense (22,1%).

Capitales

Barcelona es la capital en la que más ha crecido el esfuerzo necesario, ya que ha pasado del 33,2% en marzo de 2021 a un 47,6% en marzo de 2022. Le sigue el incremento de Segovia (pasa del 27,8% al 33,9%) y después se sitúan las ciudades de Palma (del 22% al 27%), Huelva (del 27,4% al 32,2%), Valencia (del 26,2% al 30,8%) y Madrid (del 33,2% al 37,8%).

Han sido tres las capitales en las que el esfuerzo se ha reducido: en Ourense (pasando del 21,6% al 20,5%), Guadalajara (del 25% al 24,5%) y Valladolid (del 23,5% al 23,4%).

Un total de 7 capitales exige un esfuerzo superior al tercio de los ingresos para pagar el alquiler. Barcelona, con el 47,6%, es la que más recursos familiares absorbe, seguida por Bilbao (38,4%), Madrid (37,8%), San Sebastián (35,5%), Vitoria (34,4%), Segovia (33,9%) y Las Palmas de Gran Canaria (33,9%).

La tasa de esfuerzo más baja, por el contrario, se encuentra Ourense (20,5%), Lugo (21,2%), Ciudad Real (22,3%), Pontevedra (22,6%), Cáceres (22,6%), Toledo (22,7%) y Albacete (22,7%).

Tabla con datos y metodología de cálculo en las siguientes páginas

* Metodología Estimación Renta Neta por Hogar y Tasas de Esfuerzo

La tasa de esfuerzo mide el peso de la vivienda sobre el poder adquisitivo del hogar, por este motivo nuestros cálculos se realizan a partir del valor de la vivienda, sea en compraventa o alquiler, junto con nuestras estimaciones de renta neta familiar. En particular, en el caso del alquiler, medimos la tasa de esfuerzo como la cuota anual de ingresos netos del hogar que se destina al pago del alquiler. De la misma manera, en el caso de la compraventa, la tasa de esfuerzo se calcula como la cuota anual de ingresos netos del hogar que se destina al pago de una hipoteca "típica", en el sentido que viene estipulada con características medias en términos de duración y tipo de interés.

Los valores en compraventa y alquiler vienen directamente de la fuente de datos idealista, que dispone de precios promedios para cada ciudad. Al contrario, en el caso de la renta neta familiar, a falta de un dato oficial actualizado para cada ciudad, utilizamos nuestra batería de modelos de aprendizaje automático que combinan la información de varias métricas socioeconómicas provenientes de diferentes fuentes (públicas y de idealista). Nuestros modelos de aprendizaje automático son esencialmente de tipo random forest y con gradient boosting (CatBoost), y se entrenan con datos accesibles al público: renta media por hogar a nivel municipal y sección censal desde el Atlas de Distribución de Renta de los Hogares (INE, frecuencia anual 2015-2019, link), y renta media por hogar a nivel nacional y por comunidad autónoma de la Encuesta de Condiciones de Vida (INE, frecuencia anual, 2020 último año disponible, link). Una vez entrenados los modelos, se genera la inferencia para poder imputar niveles de renta por hogar sobre otras segmentaciones o ubicaciones.

Nuestros modelos nos permiten obtener una estimación fiable del nivel de renta con relativa rapidez (frecuencia trimestral y sin retraso de publicación) y con un alto nivel de desagregación territorial, obteniendo estimaciones para cada barrio de cada ciudad en España, Italia, y Portugal. Importante, comprobamos y revisamos con periodicidad nuestros modelos para que mantengan siempre un alto nivel de precisión y fiabilidad.