Más de la mitad de los trabajadores residentes en España no podrían comprar una vivienda debido a su salario y condiciones laborales, según el innovador modelo de análisis del investigador Óscar Olcina, que predice las posibilidades de adquirir un piso en propiedad en nuestro país. El objetivo del proyecto de este estudiante del máster de Inteligencia de Negocio y Big Data de la Universitat Oberta de Catalunya (UOC) es cuantificar y predecir las posibilidades reales que tiene un trabajador en España de adquirir una vivienda en propiedad, en función de sus ingresos, edad, estudios, lugar de residencia, tipo de cargo y responsabilidad, y sector donde trabaja.
Al aplicar este modelo analítico se deduce que «solo uno de cada seis trabajadores españoles podría acceder de forma clara a un piso en propiedad». El investigador concreta que «el 54,34 % de los españoles (el 45,29% si la franja se reduce a las edades de entre 30 y 50 años) no puede comprar un piso» y «el 29,76% (un 33,3% en esa franja de 30 a 50 años) lo tiene difícil o muy difícil». Solo un 15,9% de los españoles puede comprar en estos momentos un piso de forma clara, porcentaje que sube a un 21,41% para la franja de entre 30 y 50 años.
«Modelos como este no van a solucionar de golpe un problema dado, pero sí que nos permiten no solo visualizar el problema desde una óptica imposible de ver hasta hace poco, sino también acometerlo desde un enfoque predictivo que permita a una persona, con problemas derivados de situaciones cotidianas, aprovecharse de la potencia de esta tecnología y aportar información muy valiosa para la toma de decisiones en
El Banco de España sugirió en un reciente informe que en estos momentos es más recomendable comprar una vivienda que alquilarla. Sin embargo, según este experto, la compra de una casa sigue siendo una opción «muy restrictiva». «Muchos de quienes quieren comprar una vivienda no pueden o tienen difícil o muy difícil acometer en solitario su compra», refiere. «Las dificultades para comprar una vivienda conllevan un impacto socioeconómico de primer orden», explica Olcina.
Un modelo personalizado
«El modelo es capaz de adaptarse a cada persona como un traje a medida, ya que tiene en cuenta aspectos como la edad exacta, los estudios, el lugar de residencia, el rol laboral, el sector laboral, los años de antigüedad, si se tiene o no un puesto de responsabilidad, el mercado al que vamos dirigidos, si se trabaja en una empresa pública o privada», remarca Olcina. «Y no solo ofrecerá un dato estático como un informe clásico, sino que también podrá simularse el salario neto medio percibido en otra ciudad española, las horas anuales medias que se trabajarían, el precio medio de un piso de 80 m2, los años medios durante los que se tendría que ahorrar para la entrada, la edad media para acometer la compra, la duración media de la hipoteca, el coste mensual medio de la hipoteca, distintos ratios de viabilidad en cuanto a su concesión, entre otros aspectos».
Según el estudio, los pisos más caros en España se encuentran en San Sebastián y Barcelona, ciudades seguidas de Madrid, Cádiz y Bilbao. Las urbes con una mayor oferta inmobiliaria son Ciudad Real, Alicante y Salamanca, y el mercado inmobiliario menos vivo está en Madrid, Sevilla, Pamplona, Islas Canarias y en la región de Aragón en general. Las ciudades españolas donde es más sencillo comprar un piso son Zaragoza, Soria, Albacete, Castellón y Logroño.
Toda esta información, procedente de más de un centenar de variables contenidas en una docena de fuentes de datos convenientemente cruzadas, posibilita un salto adelante al tomar una decisión importante como la compra de un piso. «Si bien el modelo está diseñado para ser usado por el grueso de la población, es perfectamente extrapolable a otros ámbitos como empresas o administración», asegura el investigador.
Con este estudio, Olcina ha resultado ganador en la categoría de proyectos de final de máster o posgrado de la quinta edición de los Big Data Talent Awards patrocinados por Oracle. Estos premios reconocen los proyectos de macrodatos, análisis de datos e inteligencia artificial con un impacto socioeconómico más destacado.