Análisis del Mercado Inmobiliario Español (2008–2022)

Descripción General

Proyecto de análisis del mercado inmobiliario español desde 2008 hasta 2022, basado en datos reales de coste de vivienda, salarios, población e hipotecas.
El objetivo es medir y comparar la asequibilidad de la vivienda y la demanda potencial hipotecaria por comunidad autónoma.

El análisis combina SQL para la modelización relacional y Python (pandas + matplotlib) para la exploración visual y narrativa de resultados.

---

Estructura del Proyecto

1. Modelado SQL

Se construyó un esquema relacional en MySQL llamado vivienda, compuesto por las tablas:

Tabla	Campos principales	Descripción
coste_vivienda	comunidad, anio, coste_medio	Precio medio €/m²
salarios	comunidad, anio, salario_mediana	Salario anual mediano
hipotecas	comunidad, anio, n_hipotecas	Nº de hipotecas concedidas
censo	comunidad, anio, poblacion	Población por comunidad
ipc	comunidad, anio, ipc	Índice de precios al consumo
comunidad_anio	comunidad, anio	Tabla puente de referencia

---

Principales Consultas SQL

🔹 Índice de Asequibilidad

Relación entre el salario mediano anual y el precio medio €/m².

SELECT 
    cv.comunidad,
    cv.anio,
    ROUND(s.salario_mediana / NULLIF(cv.coste_medio, 0), 2) AS indice_asequibilidad
FROM coste_vivienda AS cv
JOIN salarios AS s USING (comunidad, anio)
ORDER BY cv.comunidad, cv.anio;

🔹 Índice de Demanda Potencial

Relación entre la población y el número de hipotecas.

SELECT 
    h.comunidad,
    h.anio,
    ROUND(c.poblacion / NULLIF(h.n_hipotecas, 0), 2) AS indice_demanda_potencial
FROM hipotecas AS h
JOIN censo AS c USING (comunidad, anio)
ORDER BY h.comunidad, h.anio;

Ambos índices se calcularon anualmente y se compararon entre 2008 y 2022 para observar su evolución.

---

Visualizaciones en Python

Librerías utilizadas:

import pandas as pd
import matplotlib.pyplot as plt

1. Evolución nacional del índice de asequibilidad

df_ase = pd.read_csv("...asequibilidad.csv")
esp_ase = df_ase.groupby("anio", as_index=False)["indice_asequibilidad"].mean()
plt.plot(esp_ase["anio"], esp_ase["indice_asequibilidad"], marker="o")

2. Evolución nacional del índice de demanda potencial

df_dem = pd.read_csv("...demanda.csv")
esp_dem = df_dem.groupby("anio", as_index=False)["indice_demanda_potencial"].mean()
plt.plot(esp_dem["anio"], esp_dem["indice_demanda_potencial"], color="firebrick")

3. Comparativas por comunidades

Líneas múltiples con especial foco en: Madrid, Islas Baleares, Catalunya, Andalucía y Comunitat Valenciana, las más representativas del mercado.

---

Interpretación de Indicadores

Indicador	Fórmula	Significado
Asequibilidad	salario / coste vivienda	M² que puede comprar un salario anual (↑ mejor)
Demanda potencial	población / hipotecas	Habitantes por hipoteca (↓ mejor, indica mayor demanda)

---

Insights Clave (2008–2022)

1️⃣ Vivienda más cara, salarios planos → asequibilidad se desploma; se compran menos m² por salario.
2️⃣ Menos hipotecas por habitante → demanda hipotecaria aún muy por debajo de 2008.
3️⃣ Brecha territorial → Madrid, Baleares y Cataluña disparadas; interior estancado.
4️⃣ Cambio de perfil → menos compra residencial, más inversión y alquiler.

---

Conclusión General

El mercado inmobiliario español muestra un desequilibrio estructural:
los precios crecen más rápido que los salarios, la demanda hipotecaria sigue contenida y el acceso a la vivienda se ha polarizado territorialmente.
Mientras unas regiones viven tensiones de precios e inversión, otras se estancan o pierden población activa.

---

Archivos del Proyecto

Archivo	Descripción
coste_vivienda.xls	Precio medio €/m² por comunidad y año
salarios.xls	Salario mediano anual
hipotecas.xls	Hipotecas concedidas
censo.xls	Población anual
% variacion anual ind. asequibilidad por comunidades.csv	Evolución anual del índice de asequibilidad
% variacion anual ind. demanda por comunidades.csv	Evolución anual del índice de demanda potencial

---

Autor

Elías Chafih
https://github.com/eliasgitch

Ignacio Sabatell
https://github.com/ignaciosabatell

Proyecto desarrollado en Python y SQL (MySQL Workbench + VS Code).