Mercato Immobiliare a Milano: Un'Indagine sulle Transazioni Residenziali

INTRODUZIONE

Questo elaborato parte da una visione ampia e generale del mercato immobiliare residenziale e delle sue dinamiche per poi entrare nel particolare e andare più in profondità nel mercato milanese. Per questo motivo la ricerca è suddivisa in tre sezioni: nella prima è stato approfondito il contesto del mercato immobiliare, con un focus particolare su quello residenziale nel mercato italiano e in quello milanese. Da questo approfondimento è emerso che il mercato immobiliare è strettamente connesso a delle dinamiche esterne, le quali sono principalmente variabili macroeconomiche, come ad esempio il PIL, il debito pubblico, la politica monetaria, il mercato del credito e l’inflazione.

A questo punto l’interesse era volto a capire se esistessero delle dinamiche interne ai mercati e se avessero effetti diversi nei diversi mercati. La scoperta, grazie alla letteratura di riferimento, è stata che le dinamiche interne del mercato, date dalla combinazione tra domanda e offerta primaria e domanda e offerta secondaria, in risposta alle mutevoli dinamiche esterne, riflettono fasi cicliche negli andamenti dei prezzi e del numero di transazioni immobiliari. Questo da vita ad un particolare modello nel mercato immobiliare residenziale conosciuto come Honeycomb Cycle o modello esagonale, composto da 6 fasi che riflettono diverse combinazioni negli andamenti di prezzi e volumi. Qui si colloca la seconda sezione della ricerca in questo lavoro, la quale è dedicata a sondare il fatto che il mercato di Milano possa rispettare questo determinato andamento ciclico e qualora possa essere effettivamente comparabile a quello eventualmente riscontrato in altri mercati, come quello nazionale. I risultati di questa prima ricerca ci spingono a ritenere che il comportamento del prezzo su Milano unico rispetto agli altri mercati. Per questo la ricerca prosegue con una terza sezione, la quale ha l’intento di identificare le caratteristiche che influenzano la vendita di un immobile e di capire, in particolar modo, cosa determina il prezzo nel mercato milanese.

METODOLOGIA

Nella prima ricerca, con l’obiettivo di realizzare le rappresentazioni grafiche volte ad evidenziare la ciclicità del mercato nell’andamento combinato tra i volumi di compravendita e i prezzi degli immobili, sono stati effettuati i seguenti passaggi:

·        DATA COLLECTION:

La fonte utilizzata per i prezzi degli immobili residenziali è la banca dati dell’Istat. Per quanto concerne i dati relativi alle transazioni immobiliari residenziali, sono stati ottenuti dalla banca dati dell’Osservatorio Immobiliare dell’Agenzia delle Entrate. I prezzi sono stati raccolti come sequenza annuale sottoforma di indice dei prezzi delle abitazioni (Ipab) (con base 100 nel 2015) dal 2011 al 2022. Le transazioni sono state prelevate come sequenza trimestrale del numero delle transazioni normalizzate (NTN) dal 2011 al 2022;

·        DATA INTEGRATION:

Per rendere uniformi e confrontabili le due serie di dati è stato eseguito un processo di indicizzazione del NTN, realizzando un indice annuale delle transazioni (con base 100 nel 2015) assimilabile a quello dei prezzi (Ipab);

·        GRAPHIC DESIGN:

Sono state realizzate due tipologie di grafici per i mercati considerati (Italia, Milano e Torino): un grafico a linee per valutare l’evoluzione delle due curve; un grafico prezzi/transazioni con gli indici sugli assi e i valori espressi con un punto per ogni anno osservato (per evidenziare la forma del modello ciclico esagonale).

Nella seconda ricerca, con lo scopo di individuare le variabili che esercitano un impatto significativo sul valore e sulla tempistica di vendita di un immobile, è stata effettuata un’analisi attraverso l'impiego di due modelli di regressione multipla lineare, utilizzando il software statistico SPSS con metodo ‘Enter’. Le fasi di realizzazione dei modelli sono state le seguenti:

·        DATA COLLECTION:

È stato utilizzato un dataset, fornito dalla società Wikicasa, con più di 260’000 immobili che sono stati transati attraverso gli annunci di vendita sul portale Wikicasa.it tra il 2019 e il 2023. Ogni immobile (righe) è associato ad una serie di caratteristiche (colonne);

·        DATA SELECTION:

Sono stati selezionati solo gli annunci relativi alla vendita (più di 150’000 immobili). Tra questi sono state filtrate e utilizzate le abitazioni appartenenti nelle seguenti categorie: appartamento; attico; casa indipendente; loft; villa; villa a schiera;

·        DATA CLEANING:

Sono state eseguite le seguenti rimozioni dal dateset con il fine di una fruizione migliore per le analisi di regressione: rimozione degli immobili con dati mancanti; rimozione degli immobili senza una data di eliminazione dal portale; rimozione degli outliers;

·        ANALISI PRELIMINARI:

È stata effettuata un’analisi descrittiva univariata sulle variabili, nello specifico sono state indagate la media, la std. deviation, la Skewness e la Kurtosis. Successivamente è stata svolta l’analisi della multicollinearità, attraverso la matrice di correlazione e l’analisi dei VIF.

Infine, è stata eseguita la rimozione o l’aggregazione di alcune variabili per risolvere i problemi di correlazione;

·        ANALISI DI REGRESSIONE:

Sono stati costruiti due modelli, attraverso la regressione lineare multipla, per le variabili indipendenti Prezzo e Tempo di Vendita.

ANALISI DEI RISULTATI

Per quanto riguarda i risultati della prima ricerca:

Il grafico sull’hexagonal model rappresenta l’idea dell’Honeycomb cycle con i prezzi sulle ascisse e le transazioni sulle ordinate. Per via della forma assunta è noto anche come modello esagonale. Il ciclo secondo la teoria è destinato a ripetersi con il susseguirsi cronologico delle 6 fasi, che prevendono diverse combinazioni negli andamenti delle transazioni e dei prezzi residenziali.

Figura 1: Modello esagonale

Un’altra ricerca, effettuata dall’Ufficio Statistiche e studi sul mercato immobiliare dell’Agenzia del Territorio, individua, dal 2001 al 2010, le prime tre fasi del ciclo nel mercato italiano. Il grafico sull’Italia mostra come dal 2011 al 2022 si manifesti effettivamente un proseguimento del ciclo con la quarta fase fino al 2013, la quinta dal 2013 al 2015 e si assiste alla sesta fase, con una stazionarietà nei prezzi, dal 2015 al 2019. Il valore del 2020 è ovviamente viziato dalle conseguenze dovute alla pandemia del covid, la quale probabilmente ha agito da freno per la ripetizione del ciclo. Tuttavia, i valori del 2021 e del 2022 ci possono fare pensare ad una ripresa del modello ciclico, il quale, pertanto, ricomincia dalla fase 1.

Figura 2: grafico Honecomb cycle per Italia

Nell’analisi su Milano, il grafico restituisce degli andamenti molto simili ai risultati sull’Italia in termini di transazioni, ma completamente differenti in termini di prezzi. Per questo motivo, su Milano non sono state identificabili la fase 3 e la fase 6 del modello, ovvero quelle fasi che prevedono un periodo di stabilità dei prezzi. Su Milano si assiste ad una crescita esponenziale dei prezzi dal 2015 in poi. Al contrario, il caso di Torino dimostra che il modello possa essere effettivamente applicabile anche ad un contesto metropolitano oltre che nazionale. Tuttavia, rispetto al mercato italiano, sono presenti delle lievi differenze in termini di sfasamento temporale nel verificarsi delle fasi.

Figura 3: grafico Honeycomb cycle per Milano

Figura 4: grafico Honeycomb cycle per Torino

L’attenzione sarà ora indirizzata ai risultati della seconda ricerca, riguardanti il modello di regressione sul prezzo per metro quadro di un immobile.

Il coefficiente di determinazione è abbastanza alto e superiore allo 0.6, il che indica che tale variabile dipendente può essere spiegata in buona parte dalle variabili indipendenti che vediamo sulla destra. Dall’esame dei coefficienti beta standardizzati, che esprimono una misura relativizzata dell’impatto delle x sulla variabile dipendente, emerge chiaramente che la Zona è la variabile con il coefficiente più elevato, pari a 0,644. A seguire, in ordine di grandezza, abbiamo la Classe Energetica, con un beta di 0,124, l’Ascensore, con 0,100, la Data di Pubblicazione e le Condizioni dell’Immobile, entrambe con coefficienti leggermente inferiori allo 0,1. Le restanti variabili, seppur significative nel modello, influenzano in maniera molto residuale, in termini relativi, il valore del Prezzo/Metri Quadri.

CONCLUSIONI

Tirando le somme con questo lavoro è stato possibile comprendere che il mercato immobiliare residenziale in Italia attraversa delle fasi cicliche e, in particolare, segue il modello esagonale o Honeycomb Cycle con l’andamento combinato di prezzi e transazioni osservato in precedenza. Questo ciclo sembra avere una durata circa ventennale e presenta delle lievi differenze tra mercato nazionale e livello metropolitano, date soprattutto da uno sfasamento temporale nel verificarsi delle fasi cicliche. Questa evidenza di ripetizione di certi andamenti nel mercato comporta, come sostenuto dalla letteratura di riferimento, importanti implicazioni strategiche per gli investitori, i quali possono beneficiare di una sorta di effetto di attesa e aspettativa sugli andamenti e possono valutare le opportunità o rischi degli investimenti.

Un altro insight rilevante per il mercato è l’importanza del volume delle transazioni di compravendita, il quale gioca un ruolo fondamentale nel mercato essendo particolarmente reattivo, molto più del prezzo, sia ai fattori esogeni che a quelli endogeni. Nei periodi di stazionarietà dei prezzi, riscontrati nella terza e nella sesta fase del modello esagonale, si crea una dinamica interna al mercato, nella quale rivestono un’importanza fondamentale la domanda e l'offerta secondaria: i richiedenti (e i fornitori) secondari, infatti, possono reagire ai cambiamenti esterni modificando il volume senza influenzare i prezzi.

Dalla prima ricerca, nell’analisi su Milano, è emerso che, seppur in termini di transazioni, l’andamento risulta essere praticamente identico a quello del mercato italiano e a quello del mercato di Torino, la tendenza dei prezzi è unica rispetto agli altri mercati. Questo non solo in termini di crescita notevolmente superiore del valore degli immobili, ma anche come elevata dinamicità dei prezzi, i quali non rispettano le fasi di stazionarietà ciclica osservata, invece, negli altri mercati. È possibile notare quasi un’indipendenza dei prezzi da fattori esterni, ma in particolar modo è da considerare il fatto che vi è probabilmente una sproporzione tra la domanda e l’offerta, come evidenziato nel primo capitolo di questo lavoro. A fronte di ciò, è possibile affermare che Milano riflette effettivamente un indice IMI (indicatore che misura l’intensità di un mercato immobiliare e rappresenta la movimentazione del mercato immobiliare in termini di transazioni di compravendita effettuate sul totale dello stock di immobili presenti nel territorio considerato) più elevato rispetto alle altre città. Questi motivi generano poi una continua aspettativa di crescita e di fiducia da parte degli investitori e dei consumatori, causando di fatti un circolo che si autoalimenta.

Il fattore che maggiormente determina il prezzo di un immobile a Milano è la zona e nelle analisi è emerso quanto sia impattante la distanza dal centro della città, che comporta un crescendo cospicuo dei valori all’avvinarsi alle zone centrali. Questo si collega con il fatto che l’offerta nella città di Milano non riesce a tenere il passo della domanda e, in particolare, nelle zone più centrali, il mercato è in fase di saturazione. Le evidenze fornite dal primo capitolo suggeriscono che la città di Milano, intesa come centro urbano, presenta una più alta percentuale di immobili di piccole dimensioni rispetto alle altre città e di monolocali. In tal senso si è venuta a creare una dinamica di mancanza di spazi, che testimonia la saturazione del mercato nelle zone centrali.

Da qui nasce il collegamento al fenomeno, approfondito nella fase iniziale della ricerca, che riguarda la migrazione della domanda di abitazioni dalla città verso la Periferia e la provincia, la quale è motivata ovviamente da ragioni economiche e dalla maggiore disponibilità di immobili residenziali. A sostegno di ciò, è utile notare che il dataset utilizzato per le analisi di regressione è composto per circa il 75% da annunci di immobili collocati nella categoria ‘periferia’ e da percentuali nettamente inferiori per le zone più centrali. Tale fenomeno comporterà via via un maggiore inglobamento della periferia e della provincia nei confini della città, i quali saranno sempre più difficili da definire. Grazie ad una struttura efficiente dei trasporti, alla diffusione del lavoro ibrido e alle ragioni appena discusse, pertanto, si continuerà ad assistere al processo di ‘gentrification’, che comporta una crescente urbanizzazione delle zone periferiche e delle aeree urbane marginali. Questo processo ha un carattere sociologico oltre che economico, in termini di riqualificazione urbana e di rivalutazione dei valori immobiliari.

Figura 5: sulla sinistra quote NTN 2022 delle principali città per classi dimensionali delle abitazioni; sulla destra quote NTN 2022 delle principali provincie per classi dimensionali delle abitazioni

In conclusione, è possibile sostenere che il mercato stia sviluppando, almeno in parte, una tendenza green. Tale tendenza è caratterizzata dalla ricerca da parte della domanda di immobili con caratteristiche più sostenibili e efficienti dal punto di vista energetico, ma anche, e soprattutto, sul fronte dell’offerta le nuove costruzioni presentano livelli di efficienza energetica molto più elevati rispetto alla media. Questo è particolarmente rilevante alla luce della recente direttiva europea sulle prestazioni energetiche degli edifici, la quale prevede che entro il 2030 tutti gli immobili residenziali debbano rientrare nella classe energetica E e nella classe D entro il 2033. Pertanto, la volontà generale sembrerebbe di indirizzare il mercato in tal senso.

Ulteriori studi e ricerche future potrebbero approfondire le dinamiche interne al mercato immobiliare residenziale e, in particolare, sarebbe necessario disporre di dati che consentano di separare gli acquirenti e i venditori di abitazioni rispettivamente in richiedenti e fornitori primari e secondari. In questo modo, sarebbe possibile distinguere il mercato primario da coloro che acquistano o vendono proprietà esistenti. Questa suddivisione dovrebbe garantire di essere in grado di studiare come i partecipanti primari e secondari reagiscono in diverse condizioni di mercato, permettendo una comprensione più approfondita dei fattori che influenzano la produzione di nuove abitazioni e del funzionamento delle dinamiche interne al mercato.