Mientras, la media nacional es destinar el 29,4% de los ingresos al alquiler del hogar. El porcentaje de los ingresos del hogar necesario para afrontar el alquiler de una vivienda se incrementó en todas las provincias al pasar del 26,4% del año pasado al 29,4%. Según un estudio publicado por idealista realizado cruzando los precios del alquiler en septiembre de 2022 y la estimación* de ingresos familiares en esa misma fecha.
Barcelona es la provincia donde el esfuerzo más se ha incrementado, al pasar de una tasa del 43% de los ingresos familiares en el tercer trimestre de 2021 al 52,2% de este año. Le siguen las subidas de Girona (del 33,3% al 40,8%), Cantabria (del 29% al 36%), Madrid (del 35% al 41,1%), Guipúzcoa (del 43,2% al 48,8%), Segovia y Baleares (ambas pasando del 26% al 31,6%).
En el lado opuesto, las menores subidas del esfuerzo para alquilar una vivienda se dieron en Ourense (del 21,5% al 22,4%), Jaén (del 19,8% al 21,2%) y Cáceres (del 21,3% al 22,9%).
La provincia de Barcelona es la que mayor esfuerzo exige a sus ciudadanos, ya que es necesario destinar el 52,2% de los ingresos familiares al pago de la renta. Le sigue Guipúzcoa, con el 48,8%, Las Palmas (42%), Vizcaya (41,2%), Madrid (41,1%), Girona (40,8%), Cantabria (36%), Valencia (35,3%), Sevilla (34,7%), Lleida (33,7%), Álava (33,5%) y Santa Cruz de Tenerife (33,4%). Las 12 provincias superan el umbral del tercio de los ingresos que es el límite que recomiendan los expertos.
El menor esfuerzo, en cambio, se da en la provincia de Jaén, con el 21,2%. A continuación, se sitúan Lugo (21,9%), Ourense (22,4%), Teruel (22,4%) y Cáceres (22,9%).
En la ciudad de Barcelona, la tasa de esfuerzo se dispara al 58,4%
Barcelona es, con bastante diferencia, la capital en la que más ha crecido el esfuerzo necesario, ya que ha pasado del 36,1% en septiembre de 2021 a un 58,4% en septiembre de 2022. Le sigue el incremento de Madrid (pasa del 33,7% al 42,1%) y después se sitúan las ciudades de Valencia (del 27,2% al 34,8%), Málaga (del 26,5% al 33,2%), San Sebastián (del 33,9% al 40,4%), Alicante (del 24% al 30,1%) y Palma (del 24,4% al 29,8%).
Han sido tres las capitales en las que el esfuerzo se ha reducido: en Melilla (pasando del 34,3% al 32,1%), Badajoz (del 23,9% al 23,5%) y Córdoba (del 28,2% al 28,1%).
Un total de ocho capitales exigen un esfuerzo superior al tercio de los ingresos para pagar el alquiler. Barcelona, con el 58,4%, es la que más recursos familiares absorbe, seguida por Madrid (42,1%), Ceuta (41,9%), San Sebastián (40,4%), Bilbao (39%), Las Palmas de Gran Canaria (36%), Valencia (34,8%) y Vitoria (33,8%). La tasa de esfuerzo más baja, por el contrario, se encuentra en Cáceres (22,1%), Pontevedra (22,3%), Ourense (22,3%), Lugo (22,6%), Ciudad Real (23%) y Albacete (23,4%).
* 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. Debido a los recientes incrementos de los tipos de interés, se ha actualizado el cálculo teniendo en cuenta el último dato publicado por el BCE.
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.