Durante los últimos tiempos, la cadena de cafeterías Starbucks ha sido asociada con la gentrificación honesta, es decir, su entrada en un área predice un cambio mesurable en la demografía. Según un reporte de The Washington Post, se refiere que cuando la marca entra a una zona de alguna ciudad, los precios de la vivienda se vuelven más altos, la población tiende a ser más educada, más joven y más blanca.

El medio señaló que una nueva investigación muestra que un nuevo Starbucks predijo un aumento adicional del 0.54 por ciento en los precios locales de las viviendas. Pero el estudio encontró también que es es cierto en todas las cafeterías en general.

El economista de Harvard, Edward Glaeser y su colega de la Escuela de Negocios de Harvard, Hyunjin Kim (candidato a doctorado) y Michael Luca encuentran improbable que una cadena de cafeterías tenga un poder directo sobre el mercado de la vivienda. En su lugar, escriben “las ubicaciones de Starbucks son elegidas por personas con muy buen criterio y saben dónde van a aumentar los precios”.

Un nuevo Starbucks pronosticó un salto en los precios de las viviendas, pero el aumento de los precios de las viviendas no pronosticó el lugar donde una cafetería iba a abrir una nueva ubicación, según un análisis publicado en un nuevo documento de trabajo de la Oficina Nacional de Investigación Económica. Es decir, la firma no sigue los gentrificadores, allana el camino para ellos.

Otro factor que se vuelve importante para el incremento del precio de vivienda en diversas zonas de una ciudad es Yelp, cuyos datos, señalan los economistas, suelen ser más adecuadas para la investigación. “Está más actualizado que muchas estadísticas oficiales del gobierno” señaló Kim. “También incluye nuevos datos, como gastronomía y precios que de otro modo serían difíciles de medir”.

El servidor es un predictor económico más sólido para las poblaciones más ricas, densas y educadas, y es un desafío medir el progreso en tiempo real de los gentrificadores a través de los medios tradicionales. Es el problema perfecto para probar los límites de sus datos y metodología.