Los cántabros, los que más ingresos tienen que dedicar al alquiler de una vivienda, un 36%
Los habitantes de Cantabria son los que tienen que dedicar más ingresos para alquilar una vivienda en el tercer trimestre de 2022, un 36%, frente al 29% que necesitaban en el mismo periodo del año anterior, lo que la convierte en la comunidad autónoma donde el esfuerzo es mayor, 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.
A nivel nacional, 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% de este.
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%).
CAPITALES
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 8 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%).
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).
