Donostia / San Sebastián · datos abiertos

Working paper — Método de un retrato reproducible de la transformación urbana: Donostia / San Sebastián a escala de barrio (DOC-6)

Qué es este documento. El working paper metodológico del proyecto Donostia Dataviz (DOC-6): una exposición autocontenida de cómo se construyó el retrato de la ciudad — datos, supuestos, métricas derivadas, estrategia inferencial con N pequeño y límites — pensada para que un lector externo pueda replicar, criticar o reutilizar el método. No sustituye a los documentos operativos (NOTA-METODOLOGICA.md, TESIS-CIUDAD.md, intermedia/ANALISIS-INFERENCIAL.md): los sintetiza y los referencia. Todos los números citados son reproducibles desde data-pipeline/ y analysis/*.py.

Estado: cerrado con la regla de parada de jul-2026 (PLAN-CIERRE.md). La puerta a datos nuevos está congelada; este paper documenta el método con el que se llegó al cierre.

Resumen

Con ~20 fuentes de datos abiertos (padrón, alquiler EMA, renta Eustat, Inside Airbnb, censo VUT, AEMET, Landsat, INE, EPA, registros forales) unificadas sobre una única geometría de 19 barrios, el proyecto construye 41 métricas por barrio con provenance y nivel de confianza explícitos, y las articula en una tesis con cuatro hipótesis contrastables. El problema metodológico central es inferir con N = 13–19 unidades espaciales: se resuelve no con un modelo grande, sino con una batería de comprobaciones baratas y transparentes (leave-one-out, bootstrap, permutación, efectos fijos, autocorrelación espacial, análisis de sensibilidad de pesos) y con una disciplina de enunciación — cada afirmación declara si habla de estado, cambio o trayectoria; cada correlación es de barrios, no de personas; cada fuente declara si es registro completo, ventana parcial o proxy. El resultado sustantivo cabe en una frase: la presión turística vive en el centro acomodado y la presión residencial en el este de renta baja — dos geografías distintas que un único «índice de gentrificación» habría fundido — mientras la brecha de renta entre barrios permanece estable. El resultado metodológico es el método mismo: un patrón replicable para retratos municipales con datos abiertos, incluida la parte que casi nunca se publica — los análisis que tumbaron hallazgos propios (el indicio lead/lag turismo→alquiler no sobrevivió al control por shocks comunes de año) y las preguntas que los datos públicos no pueden responder.

1. Motivación y pregunta

El punto de partida no es «un dashboard con todos los datos de Donostia», sino una pregunta: ¿cómo se está transformando la ciudad, y sobre quién recaen las presiones? La distinción importa porque fija una regla de parada (§9): un dato entra solo si prueba, matiza o refuta una hipótesis — no porque exista. El proyecto tiene tres productos: un pipeline reproducible (data-pipeline/), un panel interactivo (web/) y — el entregable principal — un relato con datos (output/historias.html, siete capítulos en formato scrollytelling con los supuestos manipulables por el lector).

2. La tesis y las hipótesis

La lectura integrada (DOC-4, TESIS-CIUDAD.md) se condensa así:

La touristificación se concentra en el centro acomodado y se asocia a alquileres altos, pero la presión de vivienda más dura recae en el este obrero, donde las rentas no acompañan; la brecha de renta entre barrios no se ensancha, así que lo que cambia no es tanto cuánto gana cada zona como quién puede permitirse vivir dónde — con el clima calentándose de fondo.

De ella salen cuatro hipótesis explícitas, cada una con sus tests:

El proyecto se encuadra deliberadamente como generador de hipótesis: donde los datos abiertos no alcanzan, el entregable es la pregunta bien formulada, no una respuesta forzada.

3. Diseño de datos

3.1 Una sola geometría, un solo join

Toda fuente se proyecta una vez, en ingestión, sobre la geometría oficial de 19 barrios (mapa_auzoak). Los datos puntuales (VUT, Airbnb, escuelas, salud, promociones de vivienda protegida) entran por join espacial punto→barrio; los tabulares, por clave de barrio normalizada. Esto elimina la fuente de error más común en proyectos multi-fuente: joins ad hoc repetidos con criterios distintos. Existe además una vista sub-barrio (censo VUT × callejero municipal, 301 calles) que se usa exactamente para lo que la media de barrio no puede mostrar: los ejes saturados (las 10 calles más cargadas reúnen el 19 % del censo VUT).

3.2 Registro completo, ventana parcial o proxy

Cada fuente se clasifica por su relación con el universo que dice medir. La auditoría de parcialidad (jul-2026) revisó las ~20 fuentes con una sola pregunta — ¿registro completo o ventana parcial? — y obligó a declarar cuatro parcialidades que faltaban:

Fuente Naturaleza Consecuencia en el texto
Padrón municipal registro completo lectura directa
Alquiler EMA ventana parcial (contratos nuevos con fianza; 6/19 barrios sin dato) «no se puede afirmar nada» de los barrios sin mercado registrado
Inside Airbnb una plataforma (suelo, no total) «suelo del alquiler turístico online»
INE EOH solo hoteles pensiones/apartamentos fuera, dicho en la fuente
EPA por nacionalidad encuesta, submuestras pequeñas «el orden es robusto; el decimal, no»
Promociones Etxebide ≤~⅓ del solo alquiler protegido «sus ceros no son ceros de VPO»
Reseñas Airbnb proxy con sesgo de adopción cuantificado ×1,22 (§5.4)
Precios de venta idealista precios de oferta, no transacción «un techo de lo que se paga»

La regla operativa: un registro parcial no es el universo, y cuando el riesgo de sobreinterpretación es alto, el aviso va en el texto del relato, no solo en la ficha técnica.

3.3 Provenance y fichas de confianza

Cada una de las 41 métricas publicadas lleva, definido en un único módulo (data-pipeline/.../provenance.py) y aplicado centralmente en el build, un nivel de confianza — 17 observadas, 19 derivadas, 5 proxy — más la lista de supuestos (el 30 m²/persona de la presión, el k-means con N=13, el join punto→barrio…). La UI y el relato muestran la ficha; el lector nunca tiene que adivinar qué clase de número está mirando.

3.4 Reproducibilidad

4. Decisiones metodológicas (MET-1…MET-8)

Las ocho reglas que gobiernan el proyecto, con su porqué (detalle en NOTA-METODOLOGICA.md; MET-6…8 proceden de la ronda de revisión externa de jul-2026):

  1. MET-1 · La presión de vivienda es un índice relativo, no un % de gasto familiar. alquiler €/m² × 12 × m²/persona ÷ renta pc descansa en un supuesto (m²/persona) que se expone como control manipulable (20–50) en vez de esconderse, y se acompaña de una familia de medidas (cuota; z(alquiler)−z(renta); percentil−percentil). El hallazgo honesto: la familia no converge del todo — la cuota señala el este de renta baja, los desajustes estandarizados iluminan también el centro caro — y esa divergencia es información (miden cosas distintas), no un fallo. Egia es el único barrio arriba en las tres.
  2. MET-2 · «Transformación», nunca «gentrificación». Sin rotación de residentes no se puede demostrar sustitución; el índice se llama de Transformación Urbana, con definiciones múltiples y componentes a la vista.
  3. MET-3 · Correlaciones robustas como invariante. Con N=13–19 toda r publicada lleva Pearson + Spearman + leave-one-out del centro turístico (Erdialdea, Gros); si el coeficiente se desploma al quitarlos, se dice.
  4. MET-4 · Fichas de confianza (observado / derivado / proxy + supuestos) en cada métrica (§3.3).
  5. MET-5 · Invariantes: normalizar per cápita antes de mapear; % extranjeros no es proxy de gentrificación (fuera del centro se asocia a menor renta: r=−0,58, −0,72 sin el centro); el ruido nocturno no es proxy de turismo (sus correlaciones con VUT/Airbnb se desmoronan sin el centro: mide tráfico).
  6. MET-6 · Falacia ecológica. Toda correlación es entre barrios; ninguna autoriza lecturas individuales. El caso delicado (tensión ↔ % extranjeros, r=0,74) lleva el aviso en el propio texto.
  7. MET-7 · El proxy de reseñas arrastra sesgo de adopción. Parte del «Airbnb ×6 vs hotel ×1,7» es migración de canal, no turistas nuevos. Se cuantificó (§5.4): el proxy exagera el crecimiento de oferta ×1,22.
  8. MET-8 · Estado ≠ cambio ≠ trayectoria. Erdialdea encabeza el estado turístico; Loiola/Egia encabezan el cambio social; la trayectoria 2000–2025 añade una tercera lectura. Cada frase del proyecto declara cuál de las tres cosas afirma.

5. Métricas derivadas centrales

5.1 Presión de vivienda (familia MET-1)

Descrita en §4.1. Resultado: esfuerzo máximo en Altza (21,9 %), Egia (21,3 %) e Intxaurrondo (20,9 %) con el supuesto base; el ranking es insensible al supuesto de m². La correlación esfuerzo↔renta es la más fuerte del sistema (−0,81; −0,89 sin el centro): la tensión es, ante todo, renta baja.

5.2 Velocidad de cambio

Tasas anualizadas 2016→último año por indicador (%/año o pp/año). Separa la marea general (alquiler: +3–4 %/año en todas partes) de los movimientos con geografía (población: Gros −0,60 %/año; % extranjeros: Intxaurrondo +0,92 pp/año).

5.3 Índice de Transformación Urbana (AN-8)

Multi-definición y transparente: modo socioeconómico (estilo Freeman: partir por debajo de la mediana y subir más que la media en estudios y alquiler) y modo presión turística (nivel de VUT + Airbnb + alquiler en z-scores), con los componentes visibles y pesos iguales. Resultado: los dos modos no coinciden (r≈0,25) — Loiola es el único «en transformación» social (score 1,02) mientras Erdialdea (+2,48) y Gros (+1,39) lideran la presión turística siendo «consolidados» en lo social. La sensibilidad se testeó (AN-9, §6.2).

5.4 Triangulación del proxy turístico (REC-13/REC-12)

Nueve fotos de anuncios activos de Inside Airbnb (dic-2023→jun-2026) muestran la oferta activa plana (+1,3 %) mientras las reseñas-12m crecían +23,6 %: leer reseñas como oferta exagera ×1,22. La huella regulatoria es visible: el % de anuncios con licencia declarada pasó de 58,5 % a 88,5 % mientras los activos caían −10 % (2025) sin rebote posterior; y las altas nuevas de licencias del registro REATE caen de 300/año (2017) a 18 (2025). Lo que crece no es el parque: es la actividad por anuncio.

5.5 Dimensión espacial del clima (REC-14)

A la serie de Igeldo (1981–2025: +0,31 °C/década, R²=0,39; días ≥30 °C +0,81/década; máxima 39,7 °C en 2022) se añade la anomalía de temperatura superficial por barrio (45 escenas de verano Landsat 8/9, banda térmica 30 m, 2015–2025): Gros +4,8 °C, Amara Berri +4,3, Egia +4,1 sobre la media de ciudad; el anillo verde queda 3–5 °C por debajo. Es un rasgo estructural de la morfología urbana (superficie, mediodía), no una tendencia — y su mapa coincide con el este denso donde carga la presión residencial.

6. Estrategia inferencial con N pequeño

La restricción dura del proyecto: 13–19 unidades. La respuesta no es un modelo multivariante ambicioso (AN-19 lo confirma: con N=13, añadir Airbnb a renta+universitarios no aporta información sobre el alquiler), sino comprobaciones simples, cada una atacando un modo de fallo concreto:

6.1 Robustez de correlaciones (MET-3, AN-10)

Pearson + Spearman + leave-one-out sistemático + IC bootstrap. Ejemplo: VUT↔ alquiler r=0,64 (IC95 % bootstrap 0,42–0,87; 0,62 sin Erdialdea/Gros; Spearman 0,75) — la asociación turismo↔alquiler caro no es un espejismo de dos outliers.

6.2 Sensibilidad de supuestos (AN-9, MET-1)

Los resultados que dependen de pesos o parámetros se someten a barrido: en 1.000 combinaciones aleatorias de pesos del índice AN-8, Loiola nunca baja del 3.er puesto social y Erdialdea es 1.º turístico el 100 % de las veces; el ranking de presión apenas se mueve con m²/persona ∈ [20, 50].

6.3 Estructura espacial (AN-15) y de agrupamiento (AN-11)

Moran's I confirma que las geografías narradas son autocorrelación espacial real (alquiler I=0,58, p=0,003; también renta, % universitarios, VUT, Airbnb). El clustering jerárquico, como control del k-means, sostiene mejor k=3 que k=4 (silhouette 0,455 vs 0,416) con estructura moderada: por eso las tipologías se publican como perfiles descriptivos, nunca como clases naturales — y la línea divisoria más profunda de la ciudad resulta ser renta/estudios, no turismo.

6.4 Contra el propio hallazgo: el caso lead/lag (AN-6 → AN-16)

El resultado metodológicamente más valioso es uno que se retiró. El análisis exploratorio AN-6 encontró que la actividad turística precedía al alquiler un año (r≈0,27, mayor que la contemporánea y que el sentido inverso). El blindaje AN-16 — efectos fijos de año (restar la marea macro común) + test de permutación — la redujo a r≈0,10, p≈0,30: covariación de toda la ciudad, no señal direccional. Una segunda señal independiente del proxy (el flujo de licencias REATE cruzado con el alquiler, con detrend y permutación) tampoco la reabre. H1 queda debilitada y el relato lo cuenta así, con el veredicto en el capítulo turístico y en el epílogo. Publicar la retirada de un hallazgo propio vale más, en credibilidad, que el hallazgo.

6.5 Descomposición demográfica por residuo (AN-12)

Para acercarse a la pregunta del desplazamiento sin microdatos: la pérdida de población del centro se descompone en saldo vegetativo vs migratorio (pirámide del padrón + mortalidad provincial). Erdialdea atrae migración neta (+2.162 en 2000–2025) y mengua por puro déficit vegetativo (−3.435); solo Gros suma las dos sangrías, con éxodo de 25–39 años en las cinco ventanas quinquenales. Si hay desplazamiento, es selectivo — joven y de Gros — no un vaciado del centro. Es una estimación por residuo y se publica como tal.

6.6 Percepción contrastada (HU-1, H6, H8)

La encuesta municipal de 2026 (vivienda, inseguridad, turismo como top-3 de preocupaciones) se contrasta ítem a ítem: la inseguridad «de toda la vida» es falsa a largo plazo (35,4 % de familias con problemas en 1989 → 14,6 % en 2019) pero el repunte reciente es real (21,5 % en 2024, con la criminalidad de Gipuzkoa +34 % 2019–2024); el ruido percibido va con el tráfico y el calor (r≈0,7), no con el turismo (0,47, confundido por el centro); la preocupación turística sube justo cuando el flujo de licencias se desploma — lo que pesa es el stock en máximos y el volumen récord (2,2 M de pernoctaciones).

7. Resultados principales (síntesis)

  1. Touristificación concentrada, no urbana-general: Erdialdea ~30 VUT/1000 y ~33 anuncios Airbnb/1000; el este obrero, casi cero. Calle a calle, más: 10 calles = 19 % del censo.
  2. La presión residencial se invierte respecto al precio: máxima donde la renta es baja (este), no donde el alquiler es caro (centro). El alquiler además gana la carrera al salario (2016–2023: +24,8 % vs +21,8 %; IPC +20,4 %) y la vivienda en venta corre aún más (+60 % desde 2016).
  3. Dos transformaciones, dos geografías (H2): el cambio social vive en la periferia interior (Loiola, Egia); la presión turística, en el centro consolidado. Un índice único las habría fundido.
  4. La brecha entre barrios no se ensancha (H3): Gini territorial ponderado estable (~0,10), beta-convergencia nula — con la «ilusión de equidad» como cautela declarada (el Gini no ve a quien se marcha).
  5. La pérdida del centro es vegetativa (H4) y la ciudad importa trabajadores (1,20 empleos/residente ocupado).
  6. El clima se calienta y el calor tiene mapa: +0,31 °C/década en serie, y una isla de calor superficial que se solapa con el este denso — la misma geografía sobre la que convergen alquiler gravoso y migración económica.
  7. El turismo crece como actividad, no como parque (×1,22 de sesgo del proxy; oferta plana; licencias en goteo): el «boom» de 2016–2025 es sobre todo intensificación y regularización.

8. Limitaciones — lo que este método no puede afirmar

9. Regla de parada

PLAN-CIERRE.md fija el criterio que evita el proyecto infinito: un dato entra solo si prueba, matiza o refuta H1–H4, o corrige un error. Con la última tanda dirigida (REC-15 vivienda protegida, REC-18 equipamientos) ejecutada y presupuestada («si una fuente no rinde un indicador útil en ~½ jornada, se aparca y se documenta como laguna»), la puerta de datos quedó congelada. Las preguntas abiertas no son fallos: son las hipótesis formuladas, listas para datos mejores (alquiler trimestral, microdatos de movilidad, registro de VPO georreferenciado).

10. Qué es reutilizable de este método

Para otro municipio con datos abiertos comparables, el patrón exportable es:

  1. Geometría única + join en ingestión + provenance por valor.
  2. Clasificar cada fuente (completa / parcial / proxy) antes de narrar.
  3. Supuestos como controles manipulables, no como notas al pie.
  4. Familia de medidas en vez de índice único; componentes a la vista.
  5. Batería de robustez barata (LOO, bootstrap, permutación, FE, Moran) en lugar de modelos que el N no soporta.
  6. Estado/cambio/trayectoria como disciplina de enunciación.
  7. Publicar las retiradas (AN-16) y las lagunas con el mismo protagonismo que los hallazgos.
  8. Tests sobre el entregable narrativo (estructura + fact-check de cifras citadas), no solo sobre el pipeline.

Referencias del repositorio

Tema Documento
Decisiones MET-1…8 docs/NOTA-METODOLOGICA.md
Lectura integrada y H1–H4 docs/TESIS-CIUDAD.md
Análisis inferencial AN-11…20, REC-13/14 docs/intermedia/ANALISIS-INFERENCIAL.md
Índice de Transformación (AN-8, AN-9) docs/intermedia/INDICE-TRANSFORMACION.md
Lead/lag y su blindaje (AN-6, AN-16) docs/intermedia/ANALISIS-LEADLAG.md
Correlaciones y perfiles (Sprint A) docs/intermedia/ANALISIS-SPRINT-A.md
Regla de parada docs/PLAN-CIERRE.md
Fuentes y estado de acceso docs/SOURCES.md · datos/input/FUENTES.md
Contrato de datos docs/DATA-CONTRACT.md
Hipótesis futuras y semáforo docs/HIPOTESIS-FUTURAS.md
Entregable narrativo output/historias.html (+ metodologia.html, datos.html, resumen.md)
Tests del relato web/tests/historias.test.ts · web/tests/historias-facts.test.ts

Generado automáticamente a partir de docs/WORKING-PAPER.md en cada despliegue del sitio · Proyecto Donostia Dataviz · código y pipeline en GitHub.

Un proyecto de Stefano Masneri · stefanomasneri.com, donde vive el resto de su trabajo.