Escolar Documentos
Profissional Documentos
Cultura Documentos
_____________________________________________________________
Professor Doutor Renílson Rodrigues da Silva (UFSJ)
_____________________________________________________________
Professor Doutor Marlon Bruno Salazar (UFSJ)
A você que, com humildade e fé, luta, incessantemente, para alcançar seus sonhos.
AGRADECIMENTOS
Agradeço a minha família, por terem dado o apoio fundamental para esta conquista.
Sobretudo, minha querida avó, Rosarinha, exemplo de determinação e coragem em minha
vida, minha mãe, Mauricéia, que sempre esteve ao meu lado em todas as circunstâncias, e
meu pai, Márcio, por todo incentivo.
Agradeço especialmente à minha namorada Letícia, pelo carinho, pela compreensão e pela
força nos momentos que mais precisei.
Uma menção honrosa ao meu orientador, Professor Renílson Silva, pelo seu profissionalismo
e pela sua sensibilidade ao longo desta parceria.
Agradeço ao professor Marlon Salazar por aceitar o convite de compor a banca para defesa de
minha monografia. Agradeço também todos os profissionais da UFSJ que, juntos,
possibilitam a conclusão deste grande objetivo na vida de muitas pessoas.
Por último, e não menos importante, agradeço a todos os meus amigos, inclusive àqueles que
tive o prazer de conhecer na instituição, por terem compartilhado tantos momentos
inesquecíveis nesta trajetória.
RESUMO
1 INTRODUÇÃO .................................................................................................................. 8
2 REVISÃO DE LITERATURA ......................................................................................... 11
3 ARCABOUÇO TEÓRICO ............................................................................................... 13
4 METODOLOGIA ............................................................................................................. 18
4.1 Base de dados ............................................................................................................. 18
4.2 Descrição das variáveis .............................................................................................. 19
4.3 Modelagem empírico teórica ..................................................................................... 20
5 ANÁLISE E DISCUSSÃO DOS RESULTADOS ........................................................... 24
5.1 Modelo tradicional de preços hedônicos.................................................................... 24
5.2 Aplicação da econometria espacial ............................................................................ 26
6 CONSIDERAÇÕES FINAIS / CONCLUSÃO ................................................................ 29
REFERÊNCIAS ....................................................................................................................... 31
8
1 INTRODUÇÃO
No Brasil, o mercado de imóveis enfrentou dificuldades nos últimos cinco anos. Além
da grave crise econômica que o país, inclusive, ainda se recupera, o envolvimento em massa
de grandes incorporadoras em complexos esquemas de corrupção colaborou para a trajetória
de retração do setor imobiliário, aponta Lobo (2019). Nesse período, segundo a autora, a
economia desaquecida fez com que as empresas do ramo freassem boa parte dos
investimentos previstos e muitas passaram a trabalhar apenas com unidades em estoque e com
projetos que já estavam em andamento. Só se verificou sinais de crescimento e recuperação
do setor no início de 2018. Como mostram os relatórios elaborados pela Companhia Brasileira
da Indústria da Construção (CBIC), só a partir deste ano o número de vendas e de
lançamentos começou a aumentar comparativamente ao ano anterior.
pessimista, nada disso acontece. Nos últimos meses o nível de confiança dos agentes
econômicos tem se mostrado bastante positivo e acontecimentos recentes podem ser
destacados nesse processo, tais como: a diminuição da taxa de juros, chegando ao seu menor
patamar histórico; a retomada do crescimento do Produto Interno Bruto (PIB); a criação da lei
nº 13.786/2018 conhecida como a “lei do distrato” e da lei nº 13.777/2018 que regulamenta o
regime de multipropriedade, trazendo uma importante segurança jurídica para o mercado
imobiliário; e ainda, porém não menos importante, às definições no cenário político.
Compreender o mercado imobiliário, no entanto, não é uma tarefa fácil. Uma análise
superficial do cenário macroeconômico não é o suficiente para conhecer o funcionamento
desse setor. Formoso e González (2000) reforçam que este mercado tem um comportamento
distinto de outros, que a falta de informação dos agentes e o conhecimento deficiente dos
mecanismos de funcionamento dele colaboram para dificultar sua análise.
Por ser o imóvel um bem heterogêneo composto por um pacote de características que
o difere de outros, sua avaliação é geralmente feita com Modelos de Preços Hedônicos (MPH)
(DANTAS; MAGALHÃES; VERGOLINO, 2007). A metodologia é um instrumento
importante nesse e em outros campos. Com ela, é possível desagregar a contribuição
individual das características no preço final do bem.
Como sugere Anselin (1988), citado por Dantas et al (2007), dados associados à
localização geográfica, como é o caso dos imóveis, são caracterizados pela presença de efeitos
espaciais, isto é, dependência espacial e heterogeneidade espacial. Em suma, isso revela que
habitações próximas umas das outras tendem a ter preços semelhantes, considerando que elas
geralmente possuem características estruturais parecidas (materiais de construção, tamanho do
terreno, idade do imóvel, etc.). Além disso, compartilham serviços locais comuns (escolas,
delegacias, centros de saúde, etc.) e tem acesso a polos comerciais e administrativos
semelhantes (supermercados, farmácias, escritórios de diversas funções, entre outros).
preço do imóvel. Marques et al (2009) indicam que além da especificação tradicional, sejam
incorporadas características espaciais na explicação do preço das habitações, utilizando os
métodos de análise da econometria espacial. Nesse sentido, chega-se às seguintes indagações:
No mercado imobiliário de São João Del Rei, quais os atributos mais determinantes na
definição do preço de oferta dos imóveis e em que medida os efeitos espaciais influenciam
esse processo? É esperado que as características mais importantes sejam relacionadas aos
aspectos físicos e à localização, como evidenciou Marques et al (2009). E que a dependência e
a heterogeneidade espacial estejam presentes na formação do preço.
O trabalho será composto por seis seções, além desta Introdução. A seção 2 aborda
estudos feitos na área através de uma revisão da literatura. A seção 3 explicita a composição
teórica da estimação empírica que será realizada no decorrer da pesquisa. A seção 4 discute a
metodologia utilizada para obter os resultados que serão apresentados. A seção 5 evidencia os
resultados práticos e, por fim, a 6 apresenta as considerações finais.
11
2 REVISÃO DE LITERATURA
Nervole (1995) citado por FERREIRA NETO (2002), mostra que a análise de preços
hedônicos se origina na economia agrícola com Fedreick V. Waugh (1929) fazendo uma
regressão dos preços por lote de aspargos em Boston sob três diferentes dimensões de
qualidade: avaliação da cor, tamanho da haste e uniformidade dos brotos. Outros exemplos
podem ser encontrados em Griliches (1971, 1976, 1980), P. P. Saviotti (1985) e Fonseca
(1999) no mercado automobilístico; Cheshire e Shepard (1995, 1998) no mercado
habitacional; e, Chow (1967) no mercado de computadores.
estruturais os preços das casas próximas tem um impacto absoluto substancial sobre o preço
de uma determinada casa. Por fim, ele concluiu que os modelos que incorporam ambos os
tipos de externalidades (neighborhood effects e spill-over effects) são mais eficientes que as
especificações da literatura convencional, nas quais apenas os efeitos de vizinhança são
considerados.
3 ARCABOUÇO TEÓRICO
(1)
Esta estimação tem sido feita geralmente pelo método dos Mínimos Quadrados
Ordinários (MQO). O vetor de coeficientes do modelo, também chamado de vetor de preços
implícitos ou hedônicos das características da habitação, é gerado através da equação:
̂ =( ) ( ) (2)
= ̂ (3)
16
Todavia, por estar sujeito a uma série de hipóteses restritivas, muitos autores
consideram esse modelo um tanto quanto defasado. Além da incerteza no processo de seleção
das variáveis independentes e/ou explicativas e na escolha da especificação do modelo1,
alguns pressupostos como a normalidade, a independência e a homogeneidade são
fundamentais (MARQUES; DE CASTRO, 2007).
A conexão pode ser resultado de uma divisão arbitrária dos dados para as variáveis de
interesse. Por exemplo, em Estados, em municípios, em cidades ou em bairros, os quais
geralmente não expressam a verdadeira dimensão espacial do evento destacado. Assim sendo,
é possível que ocorram spillover effects e os erros em unidades diferentes serão,
provavelmente, relacionados uns com os outros (DANTAS; MAGALHÃES; VERGOLINO,
2007). A auto correlação espacial pode, também, ser derivada de uma real interação espacial
1
Existe uma gama de especificações para explicar a variável dependente: Linear; Forma multiplicativa Log-Log
ou Semi-Log; Forma aditiva Log-Log; Funções Trans-log; Transformação Box-Cox. (LOURENÇO MARQUES
ET AL, 2009). Contudo, as formas mais frequentemente empregadas são a linear, a dupla logarítmica e a semi
logarítmica (FERREIRA NETO, 2002).
17
entre as variáveis. Neste contexto, os coeficientes estimados por meio do método de mínimos
quadrados ordinários seriam tendenciosos. Outro fato que pode ocasionar a dependência é a
omissão de variáveis ambientais, o qual o efeito seria captado no coeficiente da variável
dependente espacialmente defasada (HERMANN; HADDAD; PAULO, 2003).
4 METODOLOGIA
Neste estudo, uma fração das informações corresponde a uma amostra de dados cross-
section, de 1266 imóveis, distribuídos entre casas e apartamentos, novos e usados,
pertencentes à microrregião de São João Del Rei. No caso, abrangendo as cidades de:
Conceição da Barra de Minas, Dores de Campos, Lagoa Dourada, Madre de Deus de Minas,
Nazareno, Piedade do Rio Grande, Prados, Resende Costa, Ritápolis, Santa Cruz de Minas,
Santa do Garambéu, São Tiago e Tiradentes.
A outra parte dos dados foi gerada via utilização de um Sistema de Informação
Geográfica (SIG), desenvolvido no programa ArcMap 10.5, similar ao feito por Hermann,
Haddad e Paulo (2003) e por Lourenço Marques et al (2009). Este apresenta três formas
distintas de representatividade espacial: pontos, proximidade entre pontos e polígonos. As
informações sobre os imóveis estão representadas na forma de pontos no espaço, de forma
que cada um indica uma moradia ao qual está atrelado um valor de venda e um grupo de
atributos estruturais. As informações sobre os locais que geram externalidades estão expressas
2
São elas: Carazza Imóveis, Davin,Imobiliária, Flávio Vitor Corretor de Imóveis, Franco e Rangel Imóveis,
Imóveis e Cia, Imobiliária Krasis, Longatti Imóveis e Minas Rio Imóveis
19
Para explicar a variação no preço das casas e apartamentos da região, foram escolhidas
variáveis independentes representativas de aspectos estruturais e locacionais. Quanto às
características estruturais, utilizou-se: a área construída; o número de suítes; o número de
vagas de garagem; se tem, ou não, piscina; se é casa ou apartamento. Para medir os efeitos
locacionais, foi extraída a localização (bairro e logradouro) dos imóveis e foi escolhido um
ponto geográfico da infraestrutura municipal que, consensualmente, impacta no preço do
imóvel. Neste caso, o Central Business District (CBD), que nada mais é do que o centro de
negócios das cidades, o qual se encontram instituições financeiras, centros administrativos,
etc.
3
Isso é feito observando a presença, ou não, de pontos de referência no polígono em que está inserida uma
observação. Por exemplo, no bairro “x” da cidade “y”, onde se encontram três amostras de imóveis, verifica-se a
presença de supermercado, delegacia e escola.
20
econometria espacial.
( ) (4)
Ainda segundo Anselin (1988), existe um modelo global para definição dos preços dos
imóveis incluindo os spatial effects, como mostra a equação a seguir:
(8)
( ) (9)
Nessa vertente, a matriz de pesos assume um caráter crucial, pois é um método que
simplifica a interpretação dos pesos e garante a correspondências entre os modelos
(ANSELIN; BERA, 1998). Comumente, como explica Dantas et al (2010) ela é fundamentada
na contiguidade espacial (rook e queen) ou em distâncias métricas (distance decay). No caso
mais simples essa matriz é simétrica, em que cada elemento , é igual a 1, se i e j são
vizinhos, e iguais a zero, caso contrário. Por consenso, os elementos diagonais dessa matriz
são iguais a zero ( ). Além disso, ela é padronizada por linha, supondo a nomenclatura
, em que cada elemento, representado por é obtido dividindo-se pela soma dos
elementos da linha i a que pertence. Assim, ∑ . No mais, na matriz adotada
pelo presente estudo, os componentes horizontais somam o valor 1.
Após a confecção da matriz, faz-se necessário iniciar os testes para detecção da
dependência espacial. Dentre os principais, segundo Dantas et al (2010), estão: Moran I,
Robusto (erro) e LM Robusto (defasagem).
O ensaio de Moran I, desenvolvido por Luc Anselin (1988), é aplicado sobre os
resíduos de MQO do modelo tradicional. A estatística pode ser representada pela seguinte
equação:
∑ ∑ ( )( ) (10)
∑( )
∑ ∑ (11)
Cliff e Ord (1973) relatam que à medida que o número N de unidades estudadas
aumenta pode-se provar que I (9) é assintoticamente normalmente distribuído. De forma que a
23
média de I (E[I]) e a variância de I (VAR[I]) podem ser estimadas supondo duas hipóteses
alternativas: a aleatorização por permutação ou a hipótese da normalidade. A primeira, no
cálculo de E[I] e VAR[I], pressupõe que as observações ( ) da variável
analisada sejam sistematicamente permutadas de forma arbitrária dentro do conjunto de
unidades espaciais examinado. A segunda hipótese presume que os valores de (
) se constituam em N extrações autônomas de uma população distribuída
normalmente.
A inferência estatística com o I de Moran pode ser auferida por meio de seu
equivalente valor normalizado , de acordo com a expressão:
* , -+ , - (12)
em que I é o valor calculado de acordo com a equação (12), e E[I] e SD[I] correspondem à
média e o desvio-padrão calculados dentro da hipótese de aleatorização.
0,5
0,4
0,3
Probability
0,2
0,1
0,0
10 8 6 4 2 0 2 4
Std. Residuals
Fonte: Elaborado pelo autor no software Stata.
Os resultados da regressão via MQO (tabela 2) demonstraram que, num cenário de
aumento de um ponto percentual na área bruta do imóvel, é esperado, em média, um
acréscimo de 0,73% no seu preço, mantendo as demais variáveis constantes. Além disso,
verificou-se que o acréscimo de uma unidade adicional de piscina num imóvel, aumenta o
preço deste em, aproximadamente 16,12%. Em relação à localização, o modelo demonstrou
que estar próximo ao centro de negócios da cidade, beneficia o imóvel com uma valorização
média de 21,94%. Por outro lado, se o imóvel for um apartamento, em detrimento de casa, o
modelo apontou que há uma desvalorização média de 15,71%.
26
dependência espacial no preço dos imóveis, uma vez que ambos são significantes a 5%. O
teste I de Moran reforça essa hipótese, já que também se mostrou significativo. A mesma
condição é válida para os outros testes apresentados na tabela abaixo.
Tabela 3 – Diagnóstico da regressão para dependência espacial
Teste MI/DF Valor Probabilidade
I de Moran (erro) 0.272493 16.96994 0.00**
Multiplicador de Lagrange (erro) 1 279.5597 0.00**
LM Robusto (erro) 1 71.31514 0.00**
Multiplicador de Lagrange (defasagem) 1 266.0197 0.00**
LM Robusto (defasagem) 1 57.77519 0.00**
Multiplicador de Lagrange (SARMA) 2 337.3349 0.00**
Resultados gerados com o software Stata; *Significante a 5%.
Dada, então, a validação dos efeitos da dependência espacial no modelo tradicional,
foi feita uma nova regressão com a inclusão de uma variável lag. Os resultados indicam que o
efeito espacial, Rho, é positivo e estatisticamente significante a 5%, acarretando a presença de
um forte impacto de defasagem espacial positiva nos dados da amostra. Logo, pode-se inferir
que a formação dos preços de mercado não é explicada somente pelas suas características
estruturais e locacionais tradicionalmente conhecidas, mas também pelos preços dos imóveis
vizinhos. É válido mencionar que houve alterações nos resultados em comparação com os
apresentados na Tabela 2, fato não intempestivo, uma vez que o efeito espacial é significante.
Em primeiro lugar, nota-se que o novo modelo obteve uma capacidade explicativa
maior (70%). Segundo, observa-se que, no geral, os coeficientes das variáveis tiveram seus
desvios padrões reduzidos, com destaque nas variáveis CBD e Piscina, que sofreram
alterações de 21,94% para 16,10% e 16,12% para 12,13%, respectivamente. As únicas
variáveis que variaram positivamente foram Suítes, de 9,4% para 10,07%, e Casa_ap, de -
15,71% para -13,33%. Verifica-se também, que os coeficientes que oscilaram em maior
amplitude foram o intercepto e a variável relacionada à localização. Destaca-se que o valor
obtido de AIC é bem menor em relação ao encontrado no modelo tradicional, o que aponta
uma melhoria no ajustamento do modelo. Por fim, o teste para presença de multicolinearidade
demonstrou a ausência deste efeito.
deve ser utilizado como uma ferramenta da iniciativa privada e do poder público para agregar
nas questões de administração municipal e regional, além de ser subsídio a diversos projetos
de ordem social.
31
REFERÊNCIAS
AMREIN, C. Capital humano e capital urbano: o impacto das escolas nos preços dos
imóveis no município de São Paulo. Universidade de São Paulo, São Paulo, 2010.
ANSELIN, Luc. Spatial econometrics: methods and models. Dordrecht: Kluwer Academic,
1988.
ANSELIN, Luc; BERA, A. Spatial dependence in linear regression models with an
introduction to spatial econometrics. In: Ullah, A.; Giles, D. (Ed.) handbook of applied
economic statistics. Giles: Marcel Dekker, 1998.
ARRAES, Ronaldo; FILHO, Edmar. Externalidades e Formação de Preços no Mercado
Imobiliário Urbano Brasileiro: um Estudo de Caso. São Paulo, 2018.
BANCO CENTRAL DO BRASIL. Taxa de Juros Básica – Histórioco. Disponível em: <
https://www.bcb.gov.br/controleinflacao/historicotaxasjuros> . Acesso em março de 2019.
BATALHONE, S.; NOGUEIRA, J.; MUELLER, B. Economics of air pollution: hedonic
price model and smell consequences of sewage treatment plants in urban areas. Brasília,
Universidade de Brasília, 2002.
CHESHIRE, Paul. & SHEPPARD Stephen. (1998). “Estimating the demand for housing
land and neighborhood characteristics”. Oxford Bulletin of Economics and Statistics,
60(3), pp. 357-82.
CHOW, Gregory C. (1967). “Technological Change and the Demand for Computers.”
American Economic Review, Vol. 57, pp. 1117-30.
CAN, Ayse. Specification and estimation of hedonic housing price models. Syracuse
University, Syracuse NY, USA. Received July 1991, final version received February 1992
COURT, A. T. Hedonic price indexes with automotive examples. New York, General
Motors Corporation, 1939.
DANTAS, Rubens Alves; CORDEIRO, G.M. Uma nova metodologia para avaliação de
imóveis utilizando modelos lineares generalizados. Revista Brasileira de Estatística, n. 191,
p. 27-46, 1988
FONSECA, Renato. (1999). “The Brazilian Automobile Industry in the 1980s: The Lost
Decade?,” Revista Brasileira de Economia, Vol. 53(1), pp.41-67.
GONZALEZ; Marco Aurélio Stumpf; FORMOSO, Carlos Torres. Análise conceitual das
dificuldades na determinação de modelos de formação de preços através de análise de
regressão. Número 8, 2000.
MACEDO, Paulo. Hedonic Price Model with Spacial Effects: An Application to the
Housing Market of Belo Horizonte, Brasil, Tese Doutorado – Universidade Federal de
Minas Gerais – CDEDEPLAR/FACE/UFMG-BR, 1996
MATTAR, FN. Pesquisa de marketing: metodologia, planejamento. V1. 4ª ed. São Paulo,
1997.
MARQUES, João Lourenço; DE CASTRO, Eduardo Anselmo. Avaliação Hedónica da
ocupação urbana residencial: uma análise empírica aplicada a um centro urbano,
APDR, Açores, 2007.
MARQUES, João Lourenço; DE CASTRO, Eduardo Anselmo; BHATTACHARJEE, Arnab.
A localização urbana na valorização residencial: Modelos de autocorrelação especial.
University of Aveiro, July 2009.
NERVOLE, Marc. “Hedonic price functions and the measuremente of preferences: The
case of Swedish wine consumers.” European Economic Review, Vol. 39, pp. 1697- 1716,
1995
PAIXÃO, Luiz. Índice de preços hedônicos para imóveis: uma análise para o município
de belo horizonte. Economia Aplicada, v. 19, n. 1, pp. 5-29, 2015
34
ROSEN, Sherwin. “Hedonic Price and Implicit Markets: Product Differentiation in Pure
Competition.” Journal of Political Economy, Vol. 82, pp. 34-55, 1974