Escolar Documentos
Profissional Documentos
Cultura Documentos
Artigo Avaliações em Desapropriação
Artigo Avaliações em Desapropriação
CENTRO DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA CIVIL
NATAL-RN
2018
Carlos Felipe Luís de França Almeida Dantas
Natal-RN
2018
OBS.: Centralizar a ficha catalográfica na parte inferior desta página, assim como as duas linhas acima da ficha e
que indicam a seção responsável da BCZM
___________________________________________________
Professor Enilson Medeiros do Santos – Orientador
___________________________________________________
Professora Diana Carla Secundo da Luz – Coorientadora
_________________________________________________________
Professor Olavo Francisco dos Santos Júnior – Examinador interno
___________________________________________________
Professora Sarah Araújo Costa - Examinadora externa
Natal-RN
2018
RESUMO
ABSTRACT
REAL ESTATE EVALUATIONS IN EXPROPRIATIONS WITH SCIENTIFIC
TREATMENT BY LINEAR REGRESSION
The implementation of land transport infrastructures generally requires the use of not publicly
owned land. The incorporation of these lands supposes processes of expropriation that, in
order to have effective legal protection, require a determination of value to be paid by the
promoter of the infrastructure to the expropriated owner. In Brazil, the technical basis for the
determination of these values rests in the real estate appraisal procedure based on technical
norm NBR ABNT 14653/2011. One of the most used methods for expropriation valuations is
the direct comparison of market data, as in the case of the Pró-Transport project in Natal/RN,
considered by experts as eventually divergent with reality. Here, we applied a satisfactory
model of real estate valuation based on a multiple linear regression by ordinary least squares
to cases of Pró-Transport. The total area of the land (in m²) and the shortest distance to the
relevant road axis (m) were adopted as independent variables in the regression, aided by
Microsoft Excel and sisDEA software, verifying that the resulting linear model attended the
various statistical assumptions established in theory and in regulations. Results were robust,
with coefficients of determination and correlation above the limits of acceptability proposed
in the specialized literature. Therefore, the model is useful for land valuation in Pajuçara
neighborhoods, in the Northern Zone of Natal.
INTRODUÇÃO1
Carlos Felipe Luís de França Almeida Dantas, graduando em Engenharia Civil, UFRN
Diana Carla Secundo da Luz, Prof(a). Dr(a)., Departamento de Engenharia Civil da UFRN
Enilson Medeiros do Santos, Prof(a). Dr(a)., Departamento de Engenharia Civil da UFRN
6
REVISÃO DE LITERATURA
que permitiria avaliar a diferença entre os dados, e que variáveis dicotômicas, dummies ou
binárias podem representar a existência ou não de um determinado atributo.
O valor dos imóveis, segundo Sirmans, Macrpherson e Zietz (2005), é uma função de
características físicas e de localização. Salgado (2011) sugere o tratamento utilizando
regressão linear, que permite obter a homogeneização dos dados. De acordo com Radegaz
(2011), o objetivo deste tipo de técnica é encontrar uma função linear, permitindo estimar
uma variável (dependente) a partir de outras variáveis (independentes).
A regressão linear múltipla é a técnica mais utilizada quando se deseja estudar o
comportamento de uma variável dependente em relação a outras que são responsáveis pela
variabilidade observada nos preços (ABNT, 2011). Dantas (1998) corrobora com este
conceito, assegurando que na engenharia de avaliações, normalmente, se trabalha com este
modelo devido à multiplicidade de fatores que influenciam o valor de um bem.
As etapas para construção de um modelo de regressão linear múltipla são definidas por
Gazola (2002) como: identificação das variáveis independentes; levantamento de dados;
transformações de variáveis; análise exploratória; construção do modelo; análise crítica das
variáveis; análise dos resíduos e verificação da aplicabilidade do modelo.
O modelo de regressão linear múltipla descreve uma variável dependente como função
de variáveis independentes. Este modelo, para Montgomery e Runger (2008), busca entender
o comportamento da variável dependente devido às variações de valor de uma ou mais
variáveis independentes, possibilitando assim análises e estimativas. A equação geral do
modelo é dada por:
[01]
em que:
;
Micronumerosidade
Homocedasticidade
De acordo com Hair (2005), a análise dos resíduos, seja através de testes estatísticos
ou análise gráfica, fornece um conjunto simples, mas poderoso, de ferramentas analíticas para
exame da adequação do modelo de regressão. O gráfico de resíduos serve para verificação de
pressupostos para a regressão linear, pois permite examinar as suposições de linearidade do
fenômeno; variância constante, independência e distribuição normal dos termos de erro.
Colinearidade ou Multicolinearidade
São pontos atípicos em relação aos outros dados em análise, o que acarreta uma
irregularidade no modelo. Mendonça (1998) aponta como outliers os pontos em que a
diferença absoluta entre estimação e observação supere o dobro do desvio padrão dos resíduos
dos dados. Para Hair (2005), controlar os outliers é uma necessidade: dado que os parâmetros
são estimados por mínimos quadrados, erros significativos afetam fortemente as estimações
dos coeficientes. A existência de outiliers deve ser sempre interpretada como um sinal de
problema na amostra, e pode ser verificada pelo gráfico resíduo versus variável independente,
ou usando técnicas estatísticas mais avançadas, como a estatística de Cook.
[02]
Testes de significância
Poder de explicação
De acordo com o Anexo A.4 da NBR 14653-2, o poder de explicação do modelo pode
ser testado pelo seu coeficiente de determinação. Mas também deve-se considerar o
coeficiente de determinação ajustado, pois o coeficiente de determinação sempre cresce com o
aumento da quantidade de variáveis independentes (NUNES, 2016).
De acordo com Dantas (2005), os parâmetros para analisar a dependência de uma
variável em relação à outra são os coeficiente de correção linear múltiplo (R) e o coeficiente
de determinação (R²). Segundo Nadal (2003), o coeficiente de correlação (R) traduz
numericamente o quanto as variáveis estão relacionadas entre si, e encontra-se no intervalo
entre [-1 e 1]. Também afirma que o coeficiente de determinação (R²) indica numericamente o
percentual de variação que está sendo explicado pelo modelo. Em ambos os caos, quanto mais
próximos de 1 em módulo, maior será a dependência linear entre as variáveis (ver Quadro 01).
Para a verificação do ajuste do modelo, calcula-se um coeficiente R², chamado
coeficiente de determinação múltipla, que indica o poder de explicação do modelo em função
das variáveis independentes consideradas (DANTAS, 1998). Segundo, Gonzalez (1997), as
análises do mercado imobiliário, geralmente, resultam em coeficientes de determinação entre
0,65 e 0,95.
[03]
onde:
R² = coeficiente de determinação;
Yi = valor observado;
= valor estimado pela equação de regressão;
= média dos valores observados;
n = números de elementos da amostra.
[04]
11
onde:
R2 = coeficiente de determinação;
n = número de elementos amostrais;
k = número de variáveis independentes do modelo.
METODOLOGIA
Neste trabalho, a avaliação por meio de regressão linear múltipla com ajuste feito por
mínimos quadrados seguirá o recomendado no Manual de Desapropriações (DNIT, 2011),
NBR 14652 partes 1 e 2 (ABNT 2011), além da literaturas consagrada. O primeiro passo é a
coleta de dados para se criar um banco suficiente para se trabalhar, e que os imóveis
selecionados para compor tal conjunto possuam características similares ao imóvel avaliando.
Segundo Zancan (1996), as informações disponíveis nas empresas de saneamento, energia
elétrica, telecomunicações, além das informações do cadastro imobiliário devem ser
facilmente acessadas. Neste trabalho utilizaram-se ofertas in loco conferidas pelo autor,
anúncios de grandes jornais, valores de desapropriações que houveram nas proximidades,
além de consultas nos Cartório Único de Igapó e 1º Ofício de Notas de São Gonçalo do
Amarante-RN, onde foram colhidas informações sobre negociações passadas em áreas
adjacentes.
Adotando-se o método comparativo direto de dados de mercado, procurou-se obter um
modelo para avaliação de terrenos no bairro Pajuçara, na zona norte de Natal/RN, em virtude
da amostra coletada, buscando-se as variáveis formadoras do valor, experimentando-as em
diferentes combinações, para, então, seguir o melhor modelo. As informações particulares dos
imóveis, como os nomes do proprietários/posseiros, endereço, e telefones para contato foram
omitidas, por este trabalho ter um fim exclusivamente acadêmcio. Foram colhidos 39 dados
ao todo. Porém ao se trabalhar os dados estatisticamente, conseguiu-se uma regressão linear
com os parâmetros preconizados em norma com 20 elementos. Após seleção dos dados,
construiu-se uma planilha com uso do software Microsoft Excel. O modelo em estudo
trabalhará com duas variáveis quantitativas que são a área do terreno (m²) e a variável
distância ao eixo rodoviário relevante (m). Esta última se deu pelo fato de o bairro ser
habitado, em sua maioria, por famílias proletárias, onde as avenidas principais exercem uma
função econômica e de convergência de serviços, comércios e transportes públicos, o que faz
um paralelo com a NBR 14653-2, que trata a distância a um polo valorizante como variável
quantitativa. Os dados amostrais utilizados são mostrados no quadro a seguir:
12
Os bairros onde os imóveis estão situados são Pajuçara e Redinha, ambos na Zona
Norte de Natal. Por isso, as avenidas que serão consideradas como principais para obtenção
do dado distância à avenida foram: a Avenida João Medeiros Filho (RN 302) e Avenida
Moema Tinôco da Cunha Lima (RN 304), como pode ser visto na Figura 05, que apresenta a
distribuição espacial dos terrenos. Será considerada a menor distância dentre aquelas entre o
lote e as duas avenidas. A variável dependente será o valor unitário (R$/m²).
A regressão linear em estudo foi feita com auxílio dos softwares Microsoft Excel e
sisDEA. Em um primeiro instante, o uso do Excel permitiu a análise exploratória de
verificação da influência de cada variável independente com a variável dependente. O
software sisDEA linearizou as variáveis independentes através de combinações entre
transformações matemáticas e ajustou os dados através do Método dos Mínimos Quadrados.
RESULTADOS E DISCUSSÃO
Fonte: Autor.
Fonte: Autor.
Fonte: Autor.
Fonte: Autor.
Quadro 06 – Matrizes de correlações
Correlações parciais para área total Isoladas Influência
Distancia ao polo valorizador 0.15 0.55
Valor unitário -0.66 0.77
Correlações parciais para distancia à avenida Isoladas Influência
Valor unitário -0.68 0.79
Fonte: Autor, com o Software sisDEA.
A colinearidade foi verificada através das matrizes das correlações entre as variáveis
que espelham as dependências lineares de primeira ordem; não há ocorrência de resultados
superiores a 0,80, logo a presença de colinearidade foi descartada, o que apoia a precisão dos
valores estimados.
O modelo matemático apresentou coeficientes de correlação e determinação
considerados fortes; respectiva e aproximadamente de R=0,88 e R²= 0,78. Ou seja, pode-se
afirmar que 78% das variações dos valores dos terrenos da amostra em torno de sua média
aritmética foram explicadas pelas variações das suas áreas totais e das suas distâncias ao eixo
viário relevante. O gráfico de aderência abaixo demonstra o poder de predição do modelo, ou
seja, o quanto o modelo se ajustou aos dados coletados. A equação resultante da regressão foi
a que se expõe no Quadro 07, a seguir:
16
Ainda cabe ressaltar que o trabalho atende às exigências da NBR 14653-2/2001 no que
concerne à micronumerosidade. Para duas variáveis independentes, a norma especifica um
mínimo de nove observações efetivamente utilizadas; aqui foram usadas vinte observações.
Mais que isso, o modelo atende às exigência superiores com respeito à micronumerosidade,
qual seja o grau III de fundamentação: para essa observância, a NBR 14653-2/2001 (ver
Quadro 08) prescreve um mínimo de observações igual ao sêxtuplo do número de variáveis
independentes, acrescido de seis unidades. Para duas variáveis como é o caso, seriam
necessárias dezoito observações efetivamente utilizadas, quando foram usadas vinte. já que
também é atendida, pois segundo a tabela 1 da NBR 14653-2/2011, com duas variáveis
independentes, o número mínimo para a classificação junto ao grau III de fundamentação
seria de 18 dados, e o modelo foi trabalhado com 20 dados. A classificação quanto ao grau de
fundamentação do modelo é encontrado no quadro abaixo.
Nível de significância
5 10% 20% 30% 3
(teste bicaudal)
Nível de significância
6 1% 2% 5% 3
(teste F de Snedecor)
Graus III II I Soma
Pontos Mínimos 16 10 6 16
2, 4, 5 e 6 no grau III e 2, 4, 5 e 6 no mínimo no
Todos, no mínimo no
Itens obrigatórios os demais no mínimo no grau II e os demais no
grau I
grau II mínimo no grau I
Fonte: ABNT (2011)
Observe-se que a norma técnica enquadraria a princípio o modelo obtido em grau III,
pois os itens 1 e 3 estariam atendidos em grau de fundamentação II, tendo-se o cuidado
apenas de não incorrer em extrapolação do imóvel avaliando quanto aos intervalos de valores
da amostra para área total e distância ao eixo viário relevante.
Finalmente, com o intuito de ilustrar a qualidade dos resultados obtidos, apresenta-se
na Figura 10 um gráfico em que se mostra o grau de aderência do modelo de regressão linear
presente no Quadro 7 aos dados observados.
17
Fonte: Autor.
CONCLUSÕES
REFERÊNCIAS
PELLI NETO, A.; ZÁRATE, L. E. Avaliação de imóveis urbanos com a utilização de redes
neurais artificiais. In: Anais do IBAPE – XII COBREAP, 2003, Belo Horizonte, 2003.
RADEGAZ, N. J.. Avaliação de bens: princípios básicos e aplicações. São Paulo: Liv. e Ed.
Universitária de Direito, 2011.