Il rialzo dei tassi aumenta lo sforzo per acquistare casa.
Con i tassi in rialzo crescono i costi dei mutui e aumenta lo sforzo finanziario delle famiglie per l'acquisto di una casa, dovendo dedicare il 23,3% del reddito familiare, rispetto al 19,4% di cui avevano bisogno un anno fa. Questo fenomeno si ripete in tutte le province e capoluoghi italiani, secondo uno studio pubblicato da idealista, portale immobiliare leader per sviluppo tecnologico in Italia, effettuato incrociando i prezzi di vendita di settembre 2022, i costi finanziari e la stima* del reddito familiare alla stessa data.
Il tasso di sforzo nelle province
Milano è la provincia in cui lo sforzo richiesto per l'acquisto di una casa è cresciuto di più, passando da un tasso del 21,5% del reddito familiare nel terzo trimestre del 2021 al 34% di quest'anno. Seguono gli incrementi di Savona (dal 29,2% al 39,5%), Venezia (dal 20,8% al 30,5%), Aosta (dal 19,7% al 28,9%), Firenze (dal 20,6% al 29,6%).
Sul versante opposto, gli incrementi del tasso di sforzo più bassi si riscontrano nelle province di Enna, passata dall’11% del reddito familiare al 12,3% nel terzo trimestre 2022, Taranto (dal 12,9% al 14,9%) e Oristano (dall'14,1% al 16,2%).
Ma è la provincia di Bolzano quella che richiede il maggiore sforzo da parte dei suoi cittadini per diventare proprietari, poiché è necessario destinare il 50,1% del reddito familiare al pagamento dello stesso. Seguono Imperia, con il 34,2% e Milano (34%) tutte sopra la soglia di sostenibilità del 33% del proprio reddito da destinare alla rata raccomandato dagli esperti (banche).
Oltre il 25% ci sono 10 province da Napoli (29,7%), Firenze (29,6%), Massa Carrara (29,4%) e Lucca (29%). Seguono Grosseto, Aosta (entrambe 28,9%), Livorno (28,7%), La Spezia (28,5%), Monza-Brianza (26,8%), Cagliari (25,4%), Latina (25,3%).
Lo sforzo minore, invece, si registra nella provincia di Viterbo, con il 15,4%. La provincia laziale precede Vicenza e Vibo Valentia, rispettivamente con il 16,1% e il 17,8%.
Il tasso di sforzo nelle città
Nel caso dei capoluoghi, l'aumento maggiore c’è stato a Massa, dove si è passati dal 24,6% al 37,5% del reddito familiare. Seguono gli incrementi di Bolzano (dal 44,8% al 57,6%) e Milano (dal 31,1% al 45,2%) con incrementi superiori al 10 per cento negli ultimi 12 mesi.
La città di Enna è quella in cui è aumentato di meno lo sforzo necessario per acquisire una casa, passando dal 13% al 14,3%, seguita da Sassari (dal 15,1% al 16,6%), Bari (dal 22,5 al 24,2%) e Oristano (dal 17,1% al 18,9%).
Sono 11 i capoluoghi che richiedono uno sforzo superiore a un terzo del reddito per acquistare casa. Bolzano, con il 57,6%, è quella che assorbe più risorse familiari, seguita da Milano (45,2%), Venezia (44,8%) e Firenze (40,4%). Seguono Roma con il 37,9%, quindi Massa (37,5%), Trento (36,3%), Napoli (34,7%), Bologna (34,3%) e Monza (33,8%).
Le città con il tasso di sforzo minore per comprare casa sono: Biella (11%), Alessandria (12,4%) e Isernia (13%) Caltanissetta (13,3%) e Vercelli (13,8%).
*Metodologia
Il tasso di sforzo misura il peso della casa sul potere d'acquisto del nucleo familiare, per questo motivo i nostri calcoli vengono effettuati in base al valore della casa, sia essa in vendita o in affitto, insieme alle nostre stime del reddito familiare netto. In particolare, nel caso dell'affitto, misuriamo il tasso di sforzo come la quota annua del reddito netto della famiglia che viene utilizzata per pagare l'affitto. Allo stesso modo, nel caso di compravendita, lo sforzo per il pagamento delle rate è calcolato come la quota annua del reddito netto del nucleo familiare che viene utilizzata per pagare un mutuo “tipico”, nel senso che è stipulato con caratteristiche medie in termini di durata e tasso di interesse. A causa dei recenti rialzi dei tassi di interesse, il calcolo è stato aggiornato tenendo conto degli ultimi dati pubblicati dalla BCE.
I valori di vendita e affitto provengono direttamente dalla fonte di dati idealista, con i prezzi medi per ogni città.
Per quanto riguarda il reddito familiare netto, non essendoci dati pubblici aggiornati, utilizziamo i nostri modelli di machine learning generati basati dui dati ISTAT che combinano informazioni di diverse metriche socioeconomiche provenienti da diverse fonti (pubbliche e di idealista). I nostri modelli di apprendimento automatico sono principalmente di tipo random forest e con gradient boosting (CatBoost), i quali si formano con dati di acceso pubblico (ISTAT, link).
Dato che le metriche presentano differenze in termine di campione o definizione, manteniamo la coerenza tra misure utilizzando modelli satellitari: un modello che stima la dimensione media della famiglia in termini di numero membri, a partire dal numero medio di stanze in una determinata zona. Ciò ci permette di trasformare il valore del reddito per dichiarazione (persona fisica) a valore del reddito per famiglia. Una volta formati i modelli, si applica l’interferenza per poter stimare i livelli di reddito per famiglia estesi su altre segmentazioni o zone. I nostri modelli ci permettono di ottenere una stima affidabile del livello di reddito con relativa velocità (frequenza trimestrale e senza alcun ritardo) e con un alto livello di disaggregazione territoriale, ottenendo stime per ogni quartiere, in qualsiasi città d’Italia.