Científicos del Reino Unido han empleado una técnica de aprendizaje automático (ML, por sus iniciales en inglés) para evaluar si las propiedades con paneles solares están asociadas a precios de venta más altos en el mercado inmobiliario británico y han descubierto que las casas equipadas con energía fotovoltaica tienen un sobreprecio.
«Hay consenso en que la eficiencia energética y ser etiquetado como ‘verde’ se valoran favorablemente en el mercado de la vivienda», afirman los investigadores. «Sin embargo, las pruebas centradas exclusivamente en el efecto de los paneles solares siguen siendo relativamente escasas y se concentran en el mercado inmobiliario estadounidense y australiano. Nosotros nos centramos en el efecto de los sistemas solares fotovoltaicos sobre los precios de venta en el mercado inmobiliario del Reino Unido, para el que no existen pruebas previas».
Los investigadores ejecutaron algoritmos de metaaprendizaje en unos 5 millones de observaciones y datos de propiedades de Zoopla, uno de los principales proveedores de listados de propiedades del Reino Unido, y los datos de precios pagados (PPD) del Registro de la Propiedad del gobierno entre 2012 y 2018. Equipando los algoritmos con palabras clave como «panel fotovoltaico» y «solar», categorizaron los listados de casas que tenían o no producción solar. Después, pudieron emparejar el 80% de esos listados con PPD reales.
«En el procedimiento de selección de la muestra, excluimos los inmuebles con más de tres cuartos de baño o más de cinco dormitorios», destacó el grupo. «Además, como los pisos de los edificios comparten el mismo tejado, descartamos los pisos de nuestra muestra, ya que los propietarios de pisos no pueden instalar paneles solares. Por último, excluimos los inmuebles cuyos precios de venta se sitúan en el 1% superior e inferior de la distribución de precios para eliminar valores atípicos en los datos».
Los académicos también emplearon cinco algoritmos meta-learner, a saber, S-learner, T-learner, X-learner, R-learner y DR-learner. El metaaprendizaje es una técnica de ML que combina varios modelos -o aprendices base- para mejorar el rendimiento predictivo.
Según los investigadores, el S-Learner y el T-Learner sólo utilizan aprendices base y, por tanto, se consideran más simplistas. Los otros tres utilizan información adicional, por lo que se consideran más sofisticados.
«El efecto medio del tratamiento calculado con el algoritmo S-learner es de 0,055, lo que indica que las casas con paneles solares tienen un 5,5% más de precio de venta», afirma el equipo. «Cuando utilizamos metaaprendices más sofisticados, las primas asociadas a los paneles solares aumentan a más del 6%, oscilando entre el 6,1% con el X-learner y el 7,1% con el DR-learner».
Mediante un análisis más detallado, los investigadores también pudieron explorar las diferencias entre años, regiones y quintiles de precios e identificaron una tendencia a la baja en los rendimientos de los paneles solares a lo largo de los años. Además, los mayores rendimientos se observan en Gales y Yorkshire and the Humber, seguidos de las regiones del Noroeste y Suroeste.
«El efecto de los paneles solares sobre el precio de la vivienda es más pronunciado en los quintiles de precios más bajos y más altos, observándose las mayores primas en estos últimos», señalaron. «Las primas observadas en el quintil de precio más bajo corroboran nuestro argumento sobre el ahorro potencial de energía y la importancia de unos costes de funcionamiento más baratos para los compradores con rentas más bajas. En cambio, las primas observadas en la gama alta del mercado pueden reflejar el «cálido resplandor» asociado a la inversión en propiedades respetuosas con el medio ambiente, así como la señalización «verde» y el llamativo efecto de conservación».
Por último, para comprobar la solidez de los resultados, el modelo propuesto se comparó con otros más tradicionales, a saber, el modelo de precios hedónicos y el de emparejamiento exacto coarsened (CEM). El primero se utiliza habitualmente para estimar en qué medida afecta cada factor al precio de mercado del inmueble y el segundo se emplea en datos observacionales.
Los científicos descubrieron que el modelo de precios hedónicos arrojaba una prima del 5,6% y el CEM del 3,5%. «Los resultados son en cierto modo sensibles a los métodos que utilizamos», destacaron. «En comparación con los modelos hedónicos, los algoritmos metalearner son más capaces de dar cuenta de cuestiones relacionadas con la complejidad del tratamiento, la alta dimensionalidad, la relación no lineal entre las características de la propiedad y los precios de la vivienda y la presencia de factores de confusión».
Sus conclusiones se presentaron en «Returns to solar panels in the housing market: A meta learner approach» (El retorno de los paneles solares en el mercado inmobiliario: un enfoque de metaaprendizaje), publicado en Energy Economics. El equipo estaba formado por científicos de la Universidad de Swansea y de la Universidad de Birmingham.
Este contenido está protegido por derechos de autor y no se puede reutilizar. Si desea cooperar con nosotros y desea reutilizar parte de nuestro contenido, contacte: editors@pv-magazine.com.
Al enviar este formulario, usted acepta que pv magazine utilice sus datos con el fin de publicar su comentario.
Sus datos personales solo se divulgarán o transmitirán a terceros para evitar el filtrado de spam o si es necesario para el mantenimiento técnico del sitio web. Cualquier otra transferencia a terceros no tendrá lugar a menos que esté justificada sobre la base de las regulaciones de protección de datos aplicables o si pv magazine está legalmente obligado a hacerlo.
Puede revocar este consentimiento en cualquier momento con efecto para el futuro, en cuyo caso sus datos personales se eliminarán inmediatamente. De lo contrario, sus datos serán eliminados cuando pv magazine haya procesado su solicitud o si se ha cumplido el propósito del almacenamiento de datos.
Puede encontrar más información sobre privacidad de datos en nuestra Política de protección de datos.