Análisis Económico de las Variables del Sector.

A partir de la estimación anterior, el modelo propuesto será:

ˆ _{10.68592 0.027850 0.0000230}

t t t

LnLic   IPVN  IAE

La interpretación, para cada uno de los coeficientes estimados, será como se presenta a continuación:

● IPVN: Con otros factores constantes, por cada 100 puntos de aumento en el índice de precios de la vivienda Nueva, en promedio, se esperaría que la licencia de construcción para las viviendas nuevas disminuyera en 2.79%, aproximadamente.

● IAE: Con otros factores constantes, por cada 100 puntos de aumento en el índice de Actividad Económica, en promedio, se esperaría que las licencias de construcción para las viviendas nuevas Aumentara en 0.0023%, aproximadamente.

2

Se emplea en la estimación de este modelo la matriz HAC de Newey-West, que es robusta ante la posible presencia de Heteroscedasticidad y autocorrelación en las estimaciones.

Finalmente, si, a partir de la estimación anterior, se calculan coeficientes Estandarizados, se podrá medir el impacto relativo de cada índice, dentro la demanda de Licencias para construcción de vivienda no Vis.

A partir de los resultados del Anexo5 anterior se evidencia que, es mayor el impacto (positivo), generado por el aumento en una desviación estándar en el Índice de Actividad Económica, que el Impacto Negativo generado por el aumento de 1 desviación estándar en el Índice del precio de la vivienda Nueva. Este resultado reviste una importancia fundamental para la formulación de políticas económicas a Nivel departamental y de precios a nivel de las empresas constructoras tanto para Dinamizar el sector de la construcción de viviendas No Vis como para aumentar las ventas y la rentabilidad de las empresas constructoras

8. Conclusiones

Este documento de investigación se ha propuesto clarificar los principales determinantes de la demanda de vivienda nueva en Cali y su área de influencia durante el periodo comprendido entre 2000 y 2019, a partir de la distinción de su factor No VIS. Los determinantes de la vivienda No vis y su relevancia pueden cambiar de un componente a otro, lo que realza la importancia que puede tener esta investigación.

Los resultados arrojados por el primer modelo de Vivienda de No Interés Social (No VIS) se distancian mucho de los resultados posiblemente esperados, debido a que se esperaba encontrar una relación directa entre las variables explicativas de dicho modelo y las viviendas de no interés social (No vis) que permitiera estimar el alto grado de correlación entre ellas, pero infortunadamente ninguno de los coeficientes estimados resulta ser estadísticamente significativo en nuestro modelo, posiblemente ocasionado por la elevada correlación entre las regresoras del modelo .

El inesperado resultado del primer modelo, llevó a buscar posibles remedios, y se optó por utilizar la alta correlación casi perfecta entre las variables que presentan una relación directa con la demanda de Vivienda No Vis, para realizar un índice sintético de actividad económica, que permitiera reducir la dimensionalidad de cada una de dichas variables, a una sola, en donde se esperaba, desapareciera la elevada multicolinealidad entre ellas.

A partir de los resultados obtenidos se evidencia que, es mayor el impacto (positivo), generado por el aumento en una desviación estándar en el Índice de Actividad Económica, que el Impacto Negativo generado por el aumento de 1 desviación estándar en el Índice del precio de la vivienda Nueva. Este resultado reviste una importancia fundamental para la formulación de políticas económicas a Nivel departamental y de precios a nivel de las empresas constructoras tanto para Dinamizar el sector de la construcción de viviendas No Vis como para aumentar las ventas y la rentabilidad de las empresas constructoras

Aunque a pesar del bajo valor del coeficiente de determinación, se considera que los resultados son confiables, lo que ocurre es que las variables no explican completamente el fenómeno y la baja explicación de las variables seleccionadas es de por si un hallazgo. Pero al tratarse de su uso para la construcción de pronósticos, un coeficiente de determinación muy bajo

solo permite un rango de predicción más amplio y de allí la basa usabilidad de los pronósticos realizados

Referencias Bibliográficas

Alcaldía de Santiago de Cali (2019). Informes IMAE Recuperado de: http://www.cali.gov.co/desarrolloeconomico/pub licaciones/145984/informes-imae/ Arenas, MM (1994). Programacion clasica y Teoria del consumidor.

Banco de la Republica (2019) Índice de precios de la vivienda nueva (IPVNBR), Indicador mensual de actividad económica (IMAE) para el Valle del Cauca. Recuperado de: http://www.banrep.gov.co/es/estadisticas/indice-precios-vivienda-nueva-ipvnbr

http://www.banrep.gov.co/es/borrador-900

Camacol Valle (2019). Estudio de Oferta y Demanda de Vivienda. Recuperado de: https://camacol.co/informacion-economica/coyuntura-economica

Cámara de Comercio de Cali. (2019) Balance económico de Cali y el Valle del Cauca en 2016, 2017, 2018 Recuperado de: https://www.ccc.org.co/file/2017/01/Balance-economico-de- Cali-y-el-Valle-del-Cauca-en-2016.pdf

Casimiro, G. (2009). Analisis de Series Temporales modelo ARTMA. SARRIKO-ON.

DANE (2019). Gran encuesta integrada de hogares (GEIH) Mercado laboral 2019. Recuperado de: https://www.dane.gov.co/index.php/estadisticas-por-tema/mercado-laboral/empleo-y- desempleo

Garcia, GG. (2011). Metodologia para calcular el pronostico de ventas y una medicion de su precision en una empresa farmaceutica: caso de estudios. Mexico.

Garcia, JJ. (2016). Determinante del precio de la vivienda nueva no VIS en Medellin. Portafolio. Gracia, IE. (2002). Desarrollo metodologico y tecnico de un pronostico de ventas para un

producto con patrones ciclicos.

Makridakis, S., & Wheelwrigth, S. (2000). Metodos de pronosticos. Limusa, Mexico. Martinez, TG. (2013). Tres metodos practicos para pronosticar sus ventas. Celogis, 33. Nahamias, S. (2007). Analisis de la produccion y las operaciones. mexivo: McGraw Hill.

Nieto, M. S. (2010). Diseño de aplicacion de tecnologia que implemente una tecnologia de pronostico de ventas, apoyandose en los sistemas de informacion actuales de Arturo Calle, SIS 20-04 y POS.

Republica, B. D. (2019). Analisis de la Cartera y del Mercado de Vivienda en Colombia. Informes Especiales de Estabilidad Financiera, 10.

Rodriguez, JB. (2009). ¿Se debe estimar la demanda de vivienda con una muestra de mudados recientes? España.

Salazar, SB. (2016). Que tan desaliniados estan los precios de las viviendas en colombia. Colombia: Fedesarrollo.

Sanchez, MV. (2015). La importancia de implementar el uso de pronosticos en las empresas. Conexionesan.

Upegui, D. (2015). Determinantes del precio de la vivienda nueva No Vis en Medellin durante el perio comprendido entre 2009 y 2015. universidad EAFIT.

Villarreal, F. (2016). Teoria de los pronosticos. Bahia Blanca.

Wichern, H. (2010). Pronosticos en los negocios. mexico: Prentice Hall Iberia.