Documentos de Académico
Documentos de Profesional
Documentos de Cultura
18 al 22 de Noviembre 2002
RESUMEN
El problema del equilibrio estático en localización residencial, que incluya las externalidades en las
elecciones derivadas de la valoración del ambiente construido y que asuma un mercado del suelo tipo
remate, es altamente complejo debido a su no-linealidad y la falta de continuidad inducida por el
carácter discreto de las elecciones. La introducción de comportamiento estocástico de los consumidores
ha permitido dar continuidad al espacio de soluciones, lo que sumado a la aplicación de algoritmos
eficientes de punto fijo, son la base del modelo de uso de suelo de Santiago MUSSA. En este trabajo,
en complemento al enfoque MUSSA anterior, se extiende el supuesto de comportamiento estocástico a
los productores de bienes inmuebles, generando un sistema de ecuaciones de punto fijo bajo una
plataforma común basada en la distribución Gumbel. La formulación del sistema y el análisis del
algoritmo de punto fijo son materia de estudio detallado en este trabajo. Las simulaciones que se
presentan muestran la estabilidad de las soluciones, las que salvo excepciones identificadas, convergen a
soluciones únicas, independientes de los puntos de partida, en forma muy eficiente.
PALABRAS CLAVES
Modelo, localización, equilibrio
1. INTRODUCCIÓN
La investigación acumulada en el estudio del mercado de suelo urbano muestra el alto nivel de
complejidad del sistema cuando todas las interacciones entre consumidores y oferentes son incluidas,
dando paso a un complejo problema matemático no lineal. La complejidad es causada, por una parte,
por la diversidad de agentes con comportamientos diferentes pero interdependientes, por ejemplo los
hogares pueden ser diferenciados por atributos socioeconómicos y las firmas por actividad económica y
tamaño. Por otro lado, el bien en cuestión es el terreno construido, el cual puede diferenciarse por los
atributos tanto de la construcción como de la localización. Finalmente, está el rol de Estado a través de
una gran variedad de regulaciones que afectan el mercado.
En investigaciones previas (Martínez, 2000) este problema ha sido teóricamente especificado tomando
el siguiente conjunto de supuestos:
Este conjunto de supuestos describe un mercado competitivo imperfecto, donde los precios son
definidos endógenamente por el mecanismo del remate, simultáneamente con la localización de los
consumidores, por la regla del mejor postor. La modelación explícita de las externalidades de
localización, que son por ejemplo calidad de los vecinos y aglomeración de actividades económicas,
genera condiciones de equilibrio descritas por problemas matemáticos no-lineales. El trabajo
previamente descrito recibe el nombre de Modelo de Postura Aleatoria (Random Bidding Model RBM)
y ha sido desarrollado como un software operacional con un algoritmo específico de solución, llamado
MUSSA, actualmente aplicado a la ciudad de Santiago (Martínez y Donoso 2001).
En este trabajo se desarrolla un nuevo modelo de equilibrio que constituye en una extensión del modelo
RBM. La principal modificación consiste en adoptar nuevos supuestos de comportamiento de los
agentes que participan en la oferta inmobiliaria, asumiendo en este caso variabilidad idiosincrática de
estos agentes. Esta variabilidad se modela introduciendo aleatoriedad en la producción dentro de un
escenario estático, lo que conduce a estimar la probabilidad de que una opción de oferta dada sea
producida en un corte temporal. Como este modelo reemplaza el sub-modelo de oferta determinística
con series de tiempo de MUSSA, algunos aspectos importantes deben ser investigados. El primer tema
es la indeterminación de los precios o rentas predichas en el nuevo modelo, lo que contrasta con el caso
determinístico de series de tiempo donde la oferta está asociada a valores absolutos de los precios. El
modelo probabilístico que estudiamos resulta ser sólo dependiente de valores relativos de los precios,
por lo tanto los valores absolutos no pueden ser identificados generándose una indeterminación. El
segundo aspecto es el cambio en la forma matemática del modelo de equilibrio el cual requiere
desarrollar y estudiar un algoritmo específico de solución. Además de estos temas, en este trabajo
hemos agregado una mejora al comportamiento de los consumidores, que consiste en incluir
explícitamente la restricción de ingreso en el comportamiento de los agentes. El nuevo modelo
propuesto lo denominamos Modelo de Postura y Oferta Aleatoria (Random Bidding and Supply Model
RB&SM).
El modelo RB&SM tiene la ventaja de ofrecer una mayor consistencia en el comportamiento de todos
los agentes en el sistema por una parte, y por otra explota mejor la estructura matemática generada
cuando la distribución Gumbel, o los modelos logit, son usados para modelar tales comportamientos.
Después de proponer el modelo en la sección 2, el trabajo presenta el algoritmo de solución y analiza su
desempeño.
2.1 Supuestos
El mercado del suelo urbano se supone de competencia imperfecta, en que el bien es definido por el
inmueble y su localización, lo que le otorga un carácter de bien cuasi-único o diferenciable. Este carácter
proviene del hecho que una localización urbana es apreciada por el ambiente construido que la rodea
(barrio, parques, infraestructura, etc.), el que no puede reproducirse mediante un sistema productivo.
Por esta razón el mercado se comporta como un remate de propiedades, lo que se reconoce en la
teoría de la renta o de la economía urbana desarrollada desde Alonso (1964). Bajo esta condición, los
bienes se adjudican al mejor postor, donde las posturas representan la disposición a pagar (DP) de los
consumidores. Así, el comportamiento de los consumidores se modela por la función DP en vez de la
utilidad.
A pesar de que el modelo se puede plantear desagregado al nivel de cada agente y localización, en la
práctica se utilizan versiones agregadas como la que se presenta en este trabajo. Los consumidores se
clasifican en categorías socioeconómicamente homogéneas (índice h) y la oferta se describe por una
localización o zona (índice i) y un tipo de bien inmueble (índice v).
En el caso de las firmas, la función de disposición a pagar se deriva de la función de ganancia de cada
empresa, o de la industria si se asumen empresas homogéneas. Para ellas suponemos que la función de
postura es también de la forma que se muestra en (1).
Para incluir la variación por idiosincrasia de los consumidores de un cluster, la postura se asume como
~
una variable aleatoria Bhvi = Bhvi + εhvi , con términos aleatorios εhvi distribuidos Gumbel, idénticos e
independientes (IID) entre sí. Este supuesto es exigente pero tiene importantes consecuencias en el
algoritmo de solución del problema de equilibrio en localización; para reducir el impacto de este
supuesto en la solución las funciones de las posturas deben permitir la mayor flexibilidad. De estos
supuestos se obtiene la probabilidad multinomial de que uno de los H h agentes tipo h sea el mejor
postor en (v,i), condicional en que esta oferta esté disponible:
H h exp( µBhvi )
Ph / vi = (2)
∑ H g exp( µB gvi )
g
3
donde b se cancela, o escrito de forma sintética, queda:
Ph / vi = Ph / vi ( b•1 , P• / •i , S • i ) ∀h, v, i (4)
Esta ecuación representa el punto fijo de localización, que describe matemáticamente la
interdependencia en las decisiones de los consumidores, en que la localización de un agente depende de
aquella de los demás agentes (hogares y firmas) en la misma zona.
1
Notación: denotamos por x• k al vector cuyas componentes son todos los elementos del vector x cuya segunda
componente es k.
La renta de una vivienda tipo v en una zona i, queda determinada por el valor esperado de la máxima
postura, lo cual se expresa de la siguiente manera:
1 γ
rvi = * ln ∑ H g exp( µBgvi ) + (5)
µ g µ
que se puede descomponer en dos términos:
1
µ g ∈H
((
rvi = ln ∑ H g exp µ b1g + bgvi
2
)) + b 3
+
γ
µ
= rvi + b 3 (6)
Luego la renta depende de las posturas Bhvi y estas a su vez del resto de las variables.
El comportamiento del oferente de viviendas consiste en decidir qué oferta le genera la máxima
ganancia. La función de ganancia asociada a ofrecer una cierta vivienda se calcula como la diferencia
entre la renta que percibirá por ella (máxima postura) y el costo de construcción y mantensión en que se
incurre, esto es:
πvi = S vi (rvi − cvi )
Hay algunos aspectos teóricos que definir para diseñar el modelo de oferta. Un primer aspecto teórico
es el supuesto sobre la homogeneidad de ganancias. Se puede suponer igualdad en todo el espacio en el
nivel máximo de ganancia alcanzable, sin embargo hay que recordar que los mercados urbanos están
muy regulados por planes o planos reguladores, y que las regulaciones se definen por zonas y tipos de
construcción. Esto hace que la ganancia puede ser diferente en sub-mercados definidos por ambas
tipologías (v,i). Otro aspecto es el nivel de agregación de la ganancia que maximiza el productor, es
decir cada productor j podría maximizar independientemente su ganancia en cada sub-mercado
considerando eventuales economías de escala (intra submercado), que se denotan por c vi j = c j ( S vi j ) ,
o bien usar una estrategia más compleja que consiste en buscar una combinación óptima de ofertas en
todos los sub-mercados, donde aparecen las economías de diversidad (inter sub-mercados), estas se
denotan por c vi j = c j ( S• • ) . En cualquier caso, el productor debe resolver al óptimo cuánto producir de
cada opción, o sea debe definir un vector (S..j), bajo la condición de mercado que entre todas las
empresas produzcan S vi = ∑ S vij .
j
Otro aspecto se refiere a la heterogeneidad de los oferentes, es decir si los oferentes tienen diferentes
funciones de ganancia. Dentro de esta función hay varias fuentes de heterogeneidad, por ejemplo el
tamaño de la empresa que induce un acceso diferente a la tecnología y genera costos fijos distintos. En
principio se debería permitir heterogeneidad calibrando funciones de ganancia por tipos de empresas
(clusters) y verificar diferencias significativas entre los parámetros de distintos clusters.
Entonces el problema más general del productor es aquel que enfrenta economías de escala y
diversidad, lo que se escribe así:
Max π j = ∑ S vijπ j ( rvi ( S •• • ) − c j ( S ••• ))
S .. j
vi
en que las restricciones indican que la oferta debe respetar las regulaciones de cada zona (Ri) y la
tecnología disponible en la empresa para construirla (Tvij).
En este trabajo preferimos permitir la existencia de un parámetro de escala diferente y propio del
comportamiento de los oferentes, denominado λ. Además, se mantiene para efectos de las simulaciones
el supuesto IID en la distribución de las ganancias. Así la probabilidad multinomial de que, dado que se
realiza una oferta esta sea del tipo (v,i) queda dada por:
exp( λ( rvi − c vij ))
Pvi = ∑ Pj (7)
j ∑
v 'i '
exp( λ( rv 'i ' − c v 'i ' j ))
en que λ es inversamente proporcional a la varianza de la ganancia y Pj es la proporción de la oferta
global producida por empresas tipo j en la industria. Por lo tanto la oferta queda definida por
S vi = S ⋅ Pvi , donde S es la oferta total en el área urbana que se ajusta al total de consumidores en el
equilibrio.
De la ecuación de la renta (6) se observa que b3 se cancela en la ecuación (7), luego obtenemos que:
S vi = S ⋅ Pvi (b1• , P• / • • , S• • ) (8)
que representa un punto fijo de la función de oferta no-lineal. En las simulaciones que se describen más
adelante se asume una condición simplificada en que la industria tiene costos homogéneos para todas las
empresas y son fijos sin economías de escala.
Es importante notar que este enfoque de modelación de la oferta incluye el objetivo maximizador de
ganancia del oferente pero falta incluir en (7) y (8) las restricciones de regulación y tecnología (R,T). Las
restricciones tecnológicas se pueden incorporar suponiendo que el mercado de la construcción es
competitivo y por lo tanto los costos representan los mínimos gastos necesarios para producir y que la
producción a esos costos es factible; eso incluye lo más relevante de estas restricciones pero
condicional en el conjunto de tecnologías disponibles al construir la función de costos.
Por otra parte, la modelación de las restricciones de las políticas de regulación es fundamental como
herramienta para el diseño de planes reguladores. En el modelo RB&SM es posible incorporar
regulaciones lineales del tipo ∑v avik S vi = Rik , donde los coeficientes ak –asociados una restricción
identificada por k- y las restricciones Ri son todos exógenos al modelo. Si bien estas formas lineales de
restricción son limitantes, lo cierto es que son suficientes para una gran mayoría de la regulaciones
urbanas comunes. En este caso se define una “ganancia restringida” como πvij = rvi − cvij − ∑ γ ik , en
k
que los parámetros γ son factores de balance que ajustan las restricciones zonales y se calculan con la
fórmula siguiente:
1 S
γ ik = ln
λ Rik ∑P a exp( λ( rvi − cvij − ∑ γ ik ' − π~ j ))
j
k
vi
vj k '≠ k (9)
1
con π~ j = ln ∑ exp( λ(rvi − cvij − ∑ γ ik ' ))
λ vi k'
~
donde π j se interpreta como la ganancia restringida esperada de la empresa j. Conviene notar que la
ecuación (9) es un nuevo punto fijo pues π~ (γ k ) .j i
En las simulaciones presentadas más adelante se analiza el caso en que las empresas son homogéneas en
la industria inmobiliaria, o sea Pj=P, y que los costos son fijos, es decir no hay economías de escala ni
de diversidad. Además no se incluyen restricciones de tecnología ni regulaciones ( γ ik = 0, ∀i , k ).
2.4 Equilibrio
Existen muchas especificaciones posibles para el equilibrio en el uso del suelo urbano, incluyendo el
definido por “todo agente se localiza en algún lugar”, es decir se satisface la demanda, hasta una versión
más exigente en que la demanda y la oferta se igualan (en todas sus componentes de tipos de
población). Esto puede escribirse como:
∑ S vi * Ph / vi ≤ H h ∀h (10)
vi
en que el equilibrio se verifica para cada categoría de consumidor h y en forma simultanea para todos
ellos.
En este trabajo analizamos el caso con la condición de igualdad oferta-demanda, la que se cumple si b1
verifica que:
1
b1h = − ln ∑ Svi * exp( µ( bhvi
2
− r vi )) (11)
µ vi
ecuación que se obtiene despejando b1h de (10) asumiendo igualdad. Como rvi depende de las posturas
en (6), esta ecuación se puede escribir como:
b1h = bh (b1• , P• / •• , S •• ) (12)
que constituye un punto fijo en el vector de variables b1 cuya solución verifica las condiciones de
equilibrio.
Los valores de las rentas antes definidas tienen un carácter relativo dentro del modelo hasta identificar el
término b3. Para poder identificarlas se exige que las rentas deben guardar correspondencia con
variables externas macroeconómicas (x m). Un método es suponer que existe una función que relaciona
tales variables con un valor de referencia del suelo, por ejemplo el de una zona m, rm; o bien la
referencia puede ser el valor mínimo o el valor medio de la ciudad. Esto es:
( )
rm = f e x m = r m + b 3 (13)
3
de donde se puede obtener un valor de b .
Por otra parte el modelo también debe cumplir con las restricciones de ingreso de los agentes, es decir,
debe cumplir que:
( Px ) hvi + rvi ≤ I h , ∀h asignado a ( v, i ) (15)
donde x es el vector de bienes de consumo, que asumimos continuos y P su correspondiente vector de
precios. Si además asumimos que el remate es capaz de extraer el máximo valor posible de la
disposición a pagar de los consumidores, se concluye que en la ecuación (15) se debe exigir la igualdad.
Luego, se tiene que
( Px ) hvi = I h − rvi + b 3 (16)
Esto muestra que los resultados del modelo permiten calcular niveles de consumo de bienes
diferenciados por localización, lo que constituye una interesante información que vincula localización y
consumo en forma directa y explícita.
El equilibrio del sistema de uso del suelo urbano queda representado por el conjunto de ecuaciones
anteriores, las que se pueden escribir como un gran problema de punto fijo dado por:
Ph / vi = Ph / vi ( b•1 , P• / •i , S •i ) ∀h, v, i
b1h = bh ( b•1 , P• / •• , S •• ) ∀h (17)
S vi = S ⋅ Pvi (b•1 , P•/ •• , S• • ) ∀v, i
que no interviene en la solución del sistema (17). El vector solución del punto fijo es (b 1 *, P*, S*, b 3 *)
que permite calcular las posturas, rentas y ganancias absolutas.
El resto del trabajo consiste en resolver este sistema de ecuaciones y realizar un análisis de sensibilidad
de la solución respecto de los parámetros del modelo. Cabe notar que, a pesar de los supuestos, se
trata de un sistema de ecuaciones complejo no-lineal y por lo tanto no existen herramientas generales de
solución. Se sabe que la forma que se le dé a las funciones involucradas es muy importante en el
comportamiento de los algoritmos de solución, en este caso las funciones a especificar son las posturas
y los costos de producción. También se sabe, por experiencia, que en problemas complejos y de gran
tamaño los algoritmos más eficientes y robustos son aquellos que explotan la estructura de las
ecuaciones. En este caso, ocurre algo singular: todas las ecuaciones se derivan de la distribución
Gumbel, lo que define una plataforma unificada que define la estructura del problema matemático.
El algoritmo es simple pues consiste en resolver secuencialmente los puntos fijos de las tres variables
(b,P,S). Cada punto fijo se resuelve simplemente evaluando repetidamente (iteraciones t) la variable en
cuestión en la función de punto fijo correspondiente, considerando los valores de las demás variables
fijos en el estado de la última iteración. Es lo que se denomina algoritmo de “picar”, que en este caso es
aplicado a un conjunto de puntos fijos.
La debilidad de este algoritmo es la dificultad de modelar problemas de localización con restricciones
no-lineales. En ese caso es necesario utilizar métodos más generales de optimización cuyas propiedades
de convergencia dependerán del problema específico y el método utilizado.
3.2 Especificación de la Función de Postura
El hecho de que las probabilidades de localización sean dependientes entre ellas, lo mismo que las
probabilidades de oferta, se debe a la especificación del término b2. En este trabajo se utiliza la forma
lineal para esta componente de la postura, con la siguiente especificación:
2
bhvi = αh ∑ Z h ' Ph '/ vi Pvi + βh ∑ X v´'i Pv'i (19)
h 'v ' v'
Para cada punto fijo se estudió por medio de simulación, la forma de la curva que lo describe y la
convergencia de estos. Además se observó cómo cambian tanto la curva como la convergencia al
alterar los parámetros más relevantes que describen a cada punto fijo. Las dimensiones ocupadas en la
simulación son las siguientes: 4 clusters de agentes demandantes (h); 5 zonas (i) y 2 tipos de viviendas
(v). Además se consideró una población de 100 habitantes distribuidos de la siguiente manera:
Los datos y parámetros utilizados en el ejercicio de simulación son ficticios, aunque guardan similitud
con los de la ciudad de Santiago.
a) Punto de partida. Lo primero que se exploró fue la dependencia de la solución de este punto fijo
con el vector de partida, para los distintos clusters y para una localización dada, considerando un
amplio rango de vectores de partida. Los resultados demostraron que no existe dependencia de este
tipo y por lo tanto el vector solución sólo depende del valor de los parámetros que caracterizan
tanto a las localizaciones como a los individuos.
b) Dependencia del factor de escala µ. Se analizó la solución de cada cluster para una localización
dada, al modificar este factor de escala. La simulación muestra claramente que aumentar el factor
de escala, y por lo tanto el modelo se hace más determinístico, la probabilidad “más alta” comienza
a tender a 1 mientras que el resto se comienza a acercar a cero, es decir, se comienza a convertir en
un modelo “todo o nada”.
c) Parámetros importantes. De todos los parámetros que afectan a la probabilidad de localización Ph/vi ,
los que más efecto tienen sobre la solución son µ y Zh, correspondiendo este último al ingreso
promedio del cluster. Si bien ambos producen desplazamientos en las curvas que describen a los
puntos fijos para cada cluster, lo que implica que las soluciones dependen fuertemente de estos
parámetros, no se produce esencialmente ninguna modificación a la forma de la curva y por lo tanto
las condiciones de convergencia no se alteran.
d) Convergencia. La solución se obtiene en un número muy bajo de iteraciones, normalmente menor
que dos, es decir también se trata de una función altamente contractante.
4. Conclusiones
El modelo de equilibrio del mercado de suelo presentado en este trabajo incorpora el comportamiento
idiosincrático de los oferentes, que se suma al modelo de similar comportamiento para los consumidores
previamente desarrollado, generando así el nuevo Modelo de Postura y Oferta Aleatoria (Random
Bidding and Supply Model, RB&SM). Este modelo está totalmente definido dentro de la plataforma
estadística que proveen las distribuciones Gumbel, lo que hace que el conjunto de ecuaciones que define
el problema de equilibrio tenga una estructura única y que exista consistencia estadística entre todas las
variables y las ecuaciones del modelo.
Esta estructura del modelo matemático es utilizada para encontrar la solución del equilibrio oferta-
demanda, generando algoritmos de punto fijo altamente eficientes. Las simulaciones realizadas permiten
concluir que el modelo encuentra soluciones únicas para un rango amplio de parámetros, pero también
que las soluciones divergen dependiendo del punto de partida cuando el modelo tiende a un modelo
determinístico, o sea cuando la varianza de las distribuciones aleatorias aumentan. Este resultado es de
esperarlo en modelo no-lineales de elecciones discretas pues, al ser determínisticos pequeñas
alteraciones de las elecciones de unos agentes generan cambios en las del resto debido a las
externalidades, que no son de naturaleza continua sino que se producen saltos. En cambio la mayor
varianza en las elecciones amortigua estos saltos introduciendo continuidad en el modelo de equilibrio y
soluciones únicas y estables.
El modelo puede extenderse en varios aspectos para relajar los supuestos de las simulaciones aquí
estudiadas. Uno consiste en introducir un proceso de generación de postores al remate, de manera de
cambiar el supuesto de que todos los agentes son potenciales postores por otro que modela este
fenómeno. Un segundo aspecto consiste en introducir restricciones no-lineales al equilibrio, por ejemplo
para representar regulaciones urbanísticas complejas. Las regulaciones no-lineales producen la
necesidad de utilizar otros algoritmos cuyas soluciones son en general, menos estables. Otras
extensiones consisten en incorporar economías de escala y diversidad en la oferta.
Agradecimientos
Los autores agradecen el apoyo de los proyectos Fondecyt y Milenio, y muy especialmente los aportes
de F. Águila y P. Jara.
Referencias
• Alonso, W. (1964). Location and Land Use, Cambridge, Harvard University Press.
• Anas, A. (1982). Residential Location Markets and Urban Transportation, Academic Press,
London.
• McFadden, D.L. (1978). Modelling the choice of residential location. In Karlqvist et. al. (eds),
Spatial Interaction Theory and Planning Models, North-Holland, Amsterdam, 75-96.
• Martínez, F.J. (1992). The Bid-Choice Land Use Model: an Integrated Economic Framework.
Environment and Planning A. Vol. 24, 871-885.
• Martínez, F.J. (2000). Towards a Land Use and Transport Interaction Framework. En Handbooks
in Transport – Handbook I: Transport Modelling, D. Hensher and K. Button (eds), Elsevier
Science Ltd., 145-164.
• Martínez, F.J. y Donoso, P (2001) MUSSA: a land use equilibrium model with location
externalities, planning regulations and pricing policies. 7th Int. Conference on Computers in Urban
Planning and Urban Management (CUPUM 2001), Hawaii, July 18-21, 2001.
• Rosen, S. (1974). Hedonic Prices and Implicit Markets: Product Differentiation in Pure
Competition, Journal of Political Economy 62, 34-55.
• Solow, Robert M. (1973). On equilibrium models of urban location, in M. Parkin (ed.), Essays in
Modern Economics, Barnes and Nobles, 2-16.