UNIVERSIDADE FEDERAL DE SÃO JOÃO DEL REI

CURSO DE CIÊNCIAS ECONÔMICAS

Victor Samuel Assunção Moreira

150700054

O MODELO DE PREÇOS HEDÔNICOS: UMA AVALIAÇÃO DO MERCADO

IMOBILIÁRIO DA MICRORREGIÃO DE SÃO JOÃO DEL REI

São João Del Rei

2019
 VICTOR SAMUEL ASSUNÇÃO MOREIRA

O MODELO DE PREÇOS HEDÔNICOS: UMA AVALIAÇÃO DO MERCADO

IMOBILIÁRIO DA MICRORREGIÃO DE SÃO JOÃO DEL REI

Monografia apresentada para obtenção de

créditos da disciplina de Monografia II do curso
de Ciências Econômicas da Universidade
Federal de São João Del-Rei.
Orientador: Prof. Dr. Renílson Rodrigues da
Silva

São João Del Rei

2019
 VICTOR SAMUEL ASSUNÇÃO MOREIRA

O MODELO DE PREÇOS HEDÔNICOS: UMA AVALIAÇÃO DO MERCADO

IMOBILIÁRIO DA MICRORREGIÃO DE SÃO JOÃO DEL REI

Monografia apresentada para obtenção de

créditos da disciplina de Monografia II do curso
de Ciências Econômicas da Universidade
Federal de São João Del-Rei.

São João Del Rei, 6 de dezembro de 2019

_____________________________________________________________
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 primeiramente a Deus, por me conceder saúde, sabedoria e todos os subsídios

fundamentais para a conclusão deste projeto.

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

Recentes estudos no campo do mercado das habitações apontam a importância da utilização

da econometria espacial devido à natureza locacional dos dados utilizados. Nesse contexto, o
atual estudo buscou analisar o mercado imobiliário da microrregião de São João Del Rei,
empenhando em identificar os fatores determinantes no processo de formação do preço dos
imóveis, bem como apresentar os avanços metodológicos de inserção das questões espaciais
nos modelos de avaliação de preços dos imóveis. Realizou-se a estimação tradicional do
modelo de preços hedônicos, através do método de Mínimos Quadrados Ordinários. Em
seguida, foi aplicado testes para detecção da auto correlação espacial nos dados amostrais.
Depois de diagnosticado a presença deste efeito, foi estimada uma nova regressão que
incorporou uma variável espacialmente defasada. Os resultados apontaram que os modelos
que englobam efeitos espaciais não são apenas uma representação conceitualmente mais
realista do processo de determinação do preço do imóvel, mas, também são
metodologicamente capazes de adequar a natureza dos conjuntos de dados locacionais.

Palavras Chave: Mercado imobiliário; Modelo de Preços Hedônicos, Econometria Espacial.

 LISTA DE TABELAS

Tabela 1 - Estatística descritiva dos atributos físicos e de localização da amostra...................20

Tabela 2 - Resumo dos resultados.............................................................................................26

Tabela 3 - Diagnóstico da regressão para dependência espacial...............................................27

Tabela 4 - Resultados do modelo incluindo uma variável espacialmente defasada.................28
Tabela 5 - Resultados do Modelo Tradicional e do Modelo Espacial para a microrregião
de São João Del Rei.............................................................................................29
 SUMÁRIO

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

O mercado imobiliário corresponde a um notável setor da economia nacional e

mundial. A significância social por trás dos imóveis faz com que esse mercado seja bastante
movimentado, gerando, assim, um nível considerável de renda e emprego. Arraes e Sousa
Filho (2008) apontam que “o consumo de habitação é inerente a todo ser humano, sendo
caracterizado como necessidade básica e intimamente ligado à busca de segurança contra as
adversidades do meio ambiente”.

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.

Em 2018, a pesquisa da CBIC apontou que os lançamentos de imóveis residenciais

somaram 98.562 unidades, uma variação de 3,1% em relação ao ano de 2017, que apresentou
95.566 unidades lançadas. Também neste ano, as vendas foram de 120.142 imóveis,
acréscimo de 19,2% em relação ao ano anterior. Quanto aos preços médios, verificou-se uma
alteração positiva de 9,68% de março de 2017 a dezembro de 2018. No mesmo período, o
Índice Nacional de Custo da Construção (INCC) fornecido pela Fundação Getúlio Vargas
(FGV) apontou aumento de 6,95% no preço da construção habitacional, indicando mais um
sinal de aquecimento do setor imobiliário. Relativo à geração de emprego, o ramo de
construção civil, termômetro de higidez do mercado imobiliário, registrou, segundo dados da
RAIS/MTE (2018), um acréscimo de 0,89% no número de empregados formais em 2018. No
estado de Minas Gerais o aumento foi de 7,01% e em São João Del Rei de 1,26%.

Um fator que afeta bruscamente o mercado imobiliário é a expectativa dos

empresários, dos consumidores e dos demais agentes quanto à estabilidade da economia no
futuro. Num cenário otimista as pessoas consomem e os empresários investem. Num cenário
 9

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.

Contudo, apesar da grande utilização em diversos campos de pesquisa, o MPH, como

evidencia Arraes e Filho (2008), é amplamente adotado na sua forma tradicional. Se aplicado
desta maneira no estudo do mercado imobiliário, apresenta problemas estatísticos que
prejudicam a qualidade das estimativas, explicam Formozo e González (2000). Segundo eles,
aspectos singulares desse mercado devem ser ponderados para que o seu comportamento
possa ser explicado de forma precisa.

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).

Tudo isso torna, portanto, o espaço territorial um ponto determinante na formação do

 10

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 valor de mercado do bem habitação é uma medida importante para tomada de

decisão no setor público ou privado, por isso, é essencial que se tenha avaliações confiáveis.
No entanto, a habitação é um bem formado por vários serviços, denominados serviços de
habitação, no qual os preços individuais não são transacionados no mercado. Saber o preço
marginal que o consumidor está inclinado a pagar por um determinado serviço de habitação,
pode ser um grande benefício para o empreendedor, na medida em que pode auxiliar na
análise de custo-benefício. Esse conhecimento pode ser útil também para elaboração e
implantação de políticas habitacionais e urbanas, já que, no longo prazo, as preferências do
consumidor determinam a configuração das cidades (DANTAS; MAGALHÃES;
VERGOLINO, 2007).

O presente estudo se dirige ao objetivo principal de analisar o mercado imobiliário da

microrregião de São João Del Rei, buscando identificar os fatores determinantes no processo
de formação do preço dos imóveis nesta região, bem como apresentar os avanços
metodológicos de inserção das questões espaciais nos modelos de avaliação de preços dos
imóveis. Nesse sentido, são aplicadas metodologias da econometria espacial de modo a
compreender quais, e em que dimensão, as características da habitação e da sua vizinhança
contribuem para a explicação do preço de uma habitação.

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.

No Brasil, o MPH começou a ser empregue no estudo do mercado imobiliário antes do

fim do século vinte. Dos primeiros autores a versar sobre o tema, Dantas e Cordeiro (1988),
fizeram um estudo do mercado imobiliário em Recife. Mais tarde, Gonzalez e Formoso
(1994) examinaram uma base de dados em Porto Alegre, assim como Aguirre e Faria (1996)
em São Paulo e Aguirre e Macedo (1996) em Belo Horizonte. Dantas e Cordeiro (2001)
investigaram o mercado de apartamentos na Região Metropolitana do Recife e Hermann
(2003) estimou o preço implícito de amenidades urbanas em São Paulo.
Alguns estudos concentraram-se em questões ambientais, como Hermann & Haddad
(2005) para São Paulo, Albuquerque et al. (2007), para Recife, e Batalhone et al. (2002), para
Brasília. Outras pesquisas focaram em tópicos mais singulares: Teixeira & Serra (2006)
avaliaram o efeito da criminalidade urbana para a cidade de Curitiba; Amrein (2010) estudou
a qualidade das escolas no município de São Paulo; Aguirre & Faria (1997) e Faria (2008)
recorreram ao modelo para analisar políticas públicas.
Uma pesquisa feita em 1992 na Syracuse University, USA, por Ayse Can, chamada
“Especificação e Estimação do Modelo de Preços Hedônicos” buscou apresentar uma
aplicação crítica à análise de regressão hedônica por meio da utilização de estratégias de
modelagem alternativas. Na obra, o autor define dois tipos distintos de externalidades. A
primeira, chamada de “neighborhood effects”, capitaria o impacto de características de
vizinhança compartilhadas. A segunda, “spill-over effects”, capitaria o impacto dos preços
das habitações próximas. Nesse sentido, quatro especificações funcionais alternativas do
modelo de preços hedônicos foram apresentadas. A primeira inclui os efeitos de vizinhança
como determinantes diretos do preço da habitação, a segunda incorpora a heterogeneidade
espacial e as duas últimas especificações incluem os “neighborhood effects” e os “spill-over
effects” para capturar variações. Após as estimações, o autor verificou que além dos atributos
 12

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.

Denominado “Avaliação de Imóveis: A Importância dos Vizinhos no Caso de Recife”,

o estudo de Dantas, Magalhães e Vergolino feito em 2007 mostrou como se pode diagnosticar
e incorporar os efeitos espaciais na especificação de modelos hedônicos. Pelos resultados
obtidos, os autores verificaram que a consideração da questão espacial, com base em
distâncias a polos de influência, ou dividindo o espaço em regiões ou zonas, não é capaz de
explicar completamente as variações dos preços em relação à localização da habitação. A
solução, segundo eles, para estimação segura da equação de preços hedônicos na presença de
efeitos espaciais deve ser a inclusão de uma variável de defasagem espacial, que leva em
consideração todas as interações espaciais possíveis entre os dados.
 13

3 ARCABOUÇO TEÓRICO

A teoria clássica do comportamento do consumidor – dadas as premissas de

integralidade, transitividade e mais é melhor que menos, diz que o consumidor poderá sempre
manifestar sua preferência por determinado produto ou por determinada cesta de produtos em
detrimento de outros (PINDYCK; RUBINFELD, 2005). A função de utilidade é empregada
para mensurar o nível de satisfação gerado ao consumidor, de forma que às cestas mais
preferidas são atribuídos números maiores em relação às cestas menos preferidas (VARIAN,
2003).

Na figura 1, os desejos dos compradores são representados por “funções de propostas”

, e , que são côncavas. Essas funções refletem particularidades dos indivíduos como
restrição orçamentária, hábitos e gostos. As curvas abaixo indicam que quanto maior a
quantidade de metros quadrados, maior é a quantia que os compradores estão dispostos a
pagar. Mostram também que o valor que estão inclinados a pagar por uma unidade adicional
diminui, ao passo que o número de metros quadrados aumenta. As intenções dos vendedores,
em contrapartida, são representadas por uma curva de oferta convexa do atributo metros
quadrados de superfície coberta. Um aumento do preço por metro quadrado faz com que os
vendedores ofertem um número maior de metros quadrados (AGUIRRE; FARIA, 1997).

“A „função de preços hedônicos‟ é o lugar geométrico dos pontos de equilíbrio dessas

duas forças, ou seja, a envoltória onde as diferentes curvas de oferta e de proposta são
tangentes” (AGUIRRE; FARIA, 1997). Ela mostra o maior preço que um indivíduo está
disposto a pagar por certa quantidade de um determinado atributo e o menor preço que um
vendedor aceitará pela mesma quantidade. Assim, negociações envolvendo preços e
quantidades que se fixem abaixo da função de preços hedônicos não acontecerão, pois
provavelmente aparecerá um comprador que fará uma proposta maior, ajustando o preço até a
curva.
 14

Figura 1 - Mercado para uma característica em especial: números de metros quadrados

por superfície coberta

Fonte: Aguirre e Faria (1977)

A avaliação dos imóveis, devido às suas particularidades, é geralmente feita com

modelos de preços hedônicos (DANTAS; MAGALHÃES; VERGOLINO, 2007). Eles são
bens heterogêneos que possuem quantidades distintas de atributos responsáveis por fazerem
os indivíduos selecionarem entre um e outro. Atributos esses que são, conforme Arraes e
Sousa Filho (2008), vinculados a três aspectos primordialmente elementares: atributos físicos
do bem, vizinhança ou localização ótima e características ambientais inerentes ao imóvel.

Os atributos físicos do bem se referem a características que compõem o imóvel, como

o número de quartos, o número de banheiros, a quantidade de vagas na garagem, o tamanho
do lote, dentre outros fatores. A vizinhança ou localização ótima relaciona-se à proximidade
do imóvel a lugares que podem agregar valor a ele, seja por simplificar a locomobilidade, seja
por promover segurança, ou por gerar diversos benefícios. E.g. supermercados, delegacias,
pontos de ônibus, escolas, farmácias, etc. Por último, as características ambientais inerentes
ao imóvel dizem respeito à externalidades naturais que nele incidem e prejudicam, também, a
condição de moradia do indivíduo. Isso inclui a qualidade do ar, o nível de intensidade
 15

sonora, a resistência do solo e outros aspectos.

O preço de equilíbrio do imóvel é resultado da qualidade do conjunto de atributos que

ele possui. Quanto melhor este agregado, maior será o preço atribuído (AGUIRRE; FARIA,
1997). O arcabouço teórico que embasa o modelo de preços hedônicos deriva de uma
contribuição oferecida a princípio por Lancaster (1966). Ele afirma que os bens são avaliados
pelas características que se mostram importantes para a escolha das pessoas, e o consumidor,
maximizando sua utilidade, exerce sua preferência. Para o autor, o interesse dos consumidores
está focado nas propriedades do produto, de modo que a preferência por ele, em seu todo, é
feita de forma indireta, ou secundária. Assim, a função de utilidade do comprador não é
função direta dos bens que ele adquire, mas sim das características que eles possuem.

Dando seguimento a ideia de Lancaster, Rosen (1974) se destaca ao propor a

estimação do modelo de preços hedônicos em dois estágios. Ele cita que os bens são
efetivamente medidos por um conjunto de características que determinam os preços de
mercado. Além disso, mostra que os preços hedônicos são definidos como preços implícitos
dos atributos.

(1)

em que y é a incógnita representante do valor patrimonial dos imóveis, X são as características

que agregam valor à habitação, β são os coeficientes que determinam a importância de cada
atributo na valorização do imóvel e ε é o vetor de erros aleatórios do modelo de regressão.

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)

O coeficiente , de uma característica , equivale ao preço hedônico de uma unidade

desta característica. Assim, como assinala Dantas et al (2010), o preço médio estimado para
um imóvel de atributos representados por um vetor , -, com base num
modelo com k variáveis independentes e vetor de parâmetros estimados dado por ̂ = ,
... ], é calculado pela expressão (3). Da associação linear dos valores implícitos
individuais das características da habitação e as respectivas quantidades demandadas, se
resulta o valor estimado de mercado do imóvel.

= ̂ (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).

O mercado de habitação possui particularidades que fazem com que o modelo

tradicional de estimação hedônica não seja o mais indicado para a avaliação do preço de
imóveis. A auto correlação espacial é um, entre outros aspectos, que, eventualmente, podem
estar presentes na base de dados. A sua não consideração pode levar a resultados
tendenciosos, inconsistentes e/ou ineficazes (DANTAS; MAGALHÃES; VERGOLINO,
2007). Nesse sentido, a fim de captar as peculiaridades do mercado de imóveis, o presente
trabalho busca incorporar elementos da econometria espacial. Dessa forma, espera-se que seja
possível ponderar os elementos do território que determinam as preferências de escolha dos
consumidores na compra de um imóvel.

As técnicas de econometria espacial são utilizadas, basicamente, para verificar se há

presença de dependência espacial e heterogeneidade espacial (ANSELIN, 1988). O primeiro
aspecto, também chamado de auto correlação espacial, pode ser definido como sendo a
coincidência de valores similares em regiões similares. Em um sentido mais amplo, esse
fenômeno acarreta a carência ou inexistência de independência entre amostras em dados de
corte transversal. A auto correlação espacial, segundo Anselin (1988), pode ser interpretada
como “a existência de uma relação funcional entre o que acontece em certo ponto no espaço e
o que acontece em outro lugar”. Conforme o autor, o problema causado pela presença desse
fenômeno é sua implicação de que a amostra contém menos informação que as partes que são
não correlacionadas.

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).

A heterogeneidade espacial ocorre quando a relação entre as variáveis independentes e

a variável dependente se altera ao longo do território. Quando presente, o fenômeno indica
que o mercado não é uniforme no território trabalhado. Assim, aspectos diferenciais de
vizinhança levarão a preços de atributos variáveis, indicando a presença de independent price
schedules e sugerindo a existência de um mercado segmentado (CAN, 1992). Em outras
palavras, na presença de heterogeneidade espacial, encontrar-se-á valores diferentes para os
mesmos coeficientes que determinam o preço da habitação.
 18

4 METODOLOGIA

4.1 Base de dados

Como um fator a destacar, a falta de pesquisas socioeconômicas direcionadas para a

região aqui delimitada, provocou uma enorme deficiência quanto ao acesso a informações
essenciais para o estudo do mercado imobiliário do local. Uma possível alternativa a esse
entrave, seria a utilização da base de dados do Imposto de Transmissão Imobiliária Inte-Vivos
(ITBI), como feito por Paixão (2015) em seu estudo sobre a cidade de Belo Horizonte.
Todavia, uma breve investigação mostrou que os municípios em questão, dada finalidade e
exigência desta pesquisa, não possuem uma organização considerada satisfatória desta base.
Esse fato, obviamente, gerou certa dificuldade e exigiu um esforço considerável para coleta e
organização dos dados, que foram extraídos diretamente dos sites de algumas das principais
imobiliárias da microrregião2 em julho de 2019. Consequentemente, e importante mencionar,
o acesso à informação dos dados imobiliários está restrito à disponibilidade oferecida por esta
plataforma. Por sua vez, isso implica em uma limitação quanto à escolha das variáveis a
serem ingressadas no modelo.

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

na forma de proximidade entre pontos3. Por último, os polígonos simbolizam as fronteiras

entre os municípios e, também, os limites intramunicipais (bairros e distritos).

Quando um imóvel é georeferenciado, assume automaticamente o valor do polígono

que o abrange. Logo, para grande parte das externalidades, toma-se o bairro como vizinhança
relevante para caracterização do imóvel. Contudo, como já mencionado, essa decisão,
considerada arbitrária, pode embutir um erro de medida, pois os limites geográficos definidos
por este critério nem sempre coincidem com a verdadeira dimensão do efeito espacial
observado no local. (DANTAS; MAGALHÃES; VERGOLINO, 2007)

4.2 Descrição das variáveis

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.

Uma análise descritiva da amostra colhida, representada pela Tabela 1, demonstrou a

existência de uma grande heterogeneidade dos dados em relação ao espectro estrutural e
espacial. Os valores dos imóveis variam de R$ 15.000,00 a R$ 3.500.000,00, isto é, o mais
caro tem valor 233 vezes superior ao mais barato; a área total das unidades variam de 20m² a
700m², isto é, o maior imóvel é 35 vezes superior ao menor; há imóveis desde a condição de
ausência de suítes, vagas na garagem e piscina, até 5 suítes, 6 vagas e 1 piscina. Em relação à
localização, observa-se, com base na média, que a imensa maioria dos imóveis não são
próximos do CBD.

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

Tabela 1 - Estatística descritiva dos atributos físicos e de localização da amostra

Variável Unidade Mínimo Máximo Média Desv. Padrão

Preço (reais) 15.000,00 3.500.000,00 400.206,91 333.824,75

Área Bruta (m²) 20,00 700,00 161,30 101,52

Suíte (número) 0,00 5,00 0,82 0,82

Garagem (número) 0,00 6,00 1,69 1,37

Piscina (1: sim; 0: não) 0,00 1,00 0,05 0,22

Casa_Ap (1: sim; 0: não) 0,00 1,00 0,17 0,38

CBD (1: sim; 0: não) 0,00 1,00 0,13 0,33

Elaborada pelo autor.

Assim como feito em Hermann, Haddad e Paulo (2003), a atual investigação não
inclui duas variáveis bastante usuais nos estudos do mercado imobiliário: a idade do imóvel e
a qualidade do acabamento. Estas geralmente apresentam elevada significância e sinal
esperado, o que diminui a capacidade de explicação do modelo e provoca certo viés sobre os
parâmetros estimados. No entanto, é válido recordar que a presente pesquisa encontrou uma
séria restrição na questão da disponibilidade de uma fonte de dados adequada. A mesma
justificativa é válida para explicar a não inclusão da variável renda. Muito embora, autores
como Haddad e Hermann (2003) e Arras e Filho (2008) optaram por excluí-la do modelo. Os
primeiros por considerarem uma variável endógena, ou seja, o preço do imóvel também
explicaria a renda. Os segundos a retiraram pela variável não ter mostrado sinal condizente
com o esperado e por não ter sido significativa.

4.3 Modelagem empírico teórica

A base metodológica da atual pesquisa se inspira no trabalho feito por Marques e de

Castro (2007) para a cidade de Aveiro, em Portugal. Eles propõem que após o recolhimento
da amostra, seguido pelo mapeamento dos dados geográficos, é preciso aplicar o modelo
convencional de preços hedônicos. A ideia é identificar os atributos mais importantes na
valorização de uma habitação numa determinada região. Em seguida, baseado nos resíduos do
modelo estimado, é feita a verificação da presença de efeitos espaciais. Caso sejam
detectados, será, então, preciso estimar um novo modelo utilizando a metodologia da
 21

econometria espacial.

No modelo comum de preços hedônicos, o preço do imóvel (P) é função de seus

aspectos físicos (E) e locacionais (L), como definido na equação:

( ) (4)

nesta, é um operador representante da forma funcional, é um vetor de coeficientes e os

resíduos.

Na estimação tradicional via MQO, utilizando a forma funcional semi-log, conforme

indica Dantas et al (2010), é feita uma regressão do logaritmo neperiano do preço do imóvel
(P) em função das variáveis explicativas. Estas são: a área construída em m², o número de
vagas de garagem, o número de suítes e as dummys para existência de piscina, para
proximidade ao Central Business District (CDB) e para o tipo de imóvel (casa ou
apartamento).

Para identificação da presença de efeitos espaciais, Anselin (1988) propõe duas

alternativas. A primeira consiste numa regressão que adiciona ao modelo convencional, como
regressor, a variável dependente espacialmente defasada (spatial lag dependence). Esta opção
é geralmente utilizada quando o preço comercial de uma habitação é influenciado pelo preço
de habitações vizinhas, e vice-versa (CAN, 1992). Neste caso, o modelo de auto correlação
espacial no termo de erro é especificado da seguinte forma:
(5)
no qual, W é uma matriz espacial de pesos; é a variável dependente espacialmente
defasada; é o parâmetro auto regressivo espacial que extrai a interferência média do imóvel
vizinho; e é o resíduo.
A segunda forma indicada por Anselin (1988) para verificar os efeitos da dependência
espacial deriva de um modelo de auto correlação nos termos de erro (spatial error). Quando
os resíduos de um local estão relacionados com os resíduos de outro ponto próximo, a
sugestão é incorporar um termo de erro auto regressivo na equação (5) de preços hedônicos:
(6)
(7)
em que, é o coeficiente de defasagem espacial do erro (spatial lagged error term)
aleatoriamente selecionado; são os coeficientes auto regressivos estimados; e é um vetor
de erro.
 22

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)
∑( )

no qual é o número de observações; e são os preços habitacionais na localização i e j

(com média µ); S é uma constante dada pela soma de todos os preços espaciais:

∑ ∑ (11)

A normalização da matriz de pesos, conforme explicam Macedo e Simões (1998), é

uma ferramenta trivial no caso de matrizes de contiguidade binária. Esse processo é feito
igualando-se a 1 a soma dos pesos das unidades vizinhas a i-ésima unidade. Assim,
∑ ,e ∑ ∑

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.

A hipótese nula a ser verificada no teste acima é a de inexistência de efeitos espaciais.

A sua rejeição pode revelar valores positivos ou negativos de Valores positivos e
estatisticamente significativos de sugerem auto correlação espacial positiva, ou seja, padrão
de distribuição da variável em pesquisa na forma de agregados de unidades de área com peso
análogo. Valores negativos e estatisticamente significativos de sugerem auto correlação
espacial negativa, isto é, padrão de distribuição da variável em pesquisa com ausência de
agregados de pesos análogos mais definidos do que aquela ligável a uma distribuição espacial
aleatória (MACEDO; SIMÕES, 1998).
 24

5 ANÁLISE E DISCUSSÃO DOS RESULTADOS

Nesta etapa são apresentados os resultados do modelo de regressão pelo método

clássico dos mínimos quadrados ordinários, o qual se procura analisar quais os atributos mais
importantes na valorização de uma habitação na microrregião de São João Del Rei. Em
seguida vem os testes para identificação da auto correlação espacial e os resultados do novo
modelo com a inclusão da variável espacialmente defasada.

5.1 Modelo tradicional de preços hedônicos

Consensualmente, os modelos hedônicos utilizam como variável dependente o preço

de transação de um imóvel. A forma funcional semi-log foi escolhida devido à melhor
adequação de ajustamento, além disso, autores importantes do tema também a utilizaram. A
variável independente área bruta (LNAREA) foi normalizada, para melhorar o seu
ajustamento e a capacidade explicativa do modelo. Considera-se que a mesma não tem um
comportamento linear com o preço unitário de um imóvel.
O modelo tradicional, estimado via Mínimos Quadrados Ordinários (MQO), incluindo
1173 observações, obteve uma capacidade explicativa de aproximadamente 66% da variação
total no preço de um imóvel na região delimitada. Com base nestes resultados (tabela 2),
pode-se concluir que os preços estão ligados ao tamanho e características das habitações, bem
como às suas localizações. Observa-se que todas as variáveis incluídas no modelo obtiveram
rigorosa significância estatística (verificadas a um p-valor menor que 1%). Além disso, de
modo geral, todos os coeficientes apresentaram sinais (positivos e negativos) conforme o
esperado. A incógnita que detecta a presença do CBD é positivamente correlacionada com o
preço de oferta de um imóvel. Isso significa que a proximidade do imóvel ao centro de
negócios aumenta o seu valor de mercado. Outras variáveis (área bruta, garagem, suítes e
piscina) também tiveram uma relação positiva com o preço. Com exceção da dummy casa ou
apartamento (CASA_AP), cujo modelo demonstrou uma correlação negativa com o preço de
venda. Isto é, se o imóvel for um apartamento, haverá um efeito de diminuição no preço de
oferta deste.
Sobre a tabela 3, os resultados do teste de Wald e do teste F provaram a significância
geral do modelo. Além destes, a estatística Jarque Bera mostrou que há um ajustamento dos
dados a uma curva normal. Assim reforça o histograma abaixo:
 25

Figura 2 – Histograma dos resíduos padronizados.

Histogram of Standardized Residuals

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

Tabela 2 – Resumo dos resultados

Variável Coeficiente ErroPadrão Estat. T Probabilidade SE Robusto
Intercepto 9,024872 0,107835 83,691762 0,000000* 0,122230

Lnarea 0,727481 0,024787 29,349185 0,000000* 0,029369

Garag 0,057398 0,009816 5,847091 0,000000* 0,011810

Suites 0,094071 0,016463 5,714203 0,000000* 0,017915

Piscina 0,161265 0,051547 3,128510 0,001814* 0,049083

Cbd 0,219459 0,033509 6,549232 0,000000* 0,048556

Casa_ap -0,157194 0,031305 -5,021364 0,000001* 0,027001

R quadrado 0,6611 Estatística 2047,632 Estatística 1334,9538

Múltiplo: Conjunta Jarque-Bera:
Wald :
Estatística 379,245 Estatística 83,1469 Critério de 1043,1389
Conjunta F: Koenker informação
(BP): de Akaike
(AICc):
R quadrado 0,659448
Ajustado:
Resultados gerados com o software ArcGis; *p-valor estatisticamente significante a 1%. (p < 0,01)
Embora os resultados obtidos na estimação acima sejam relativamente bons, deve-se
pontuar que um importante aspecto ainda não foi considerado: a questão espacial. A rigor, não
se pode tirar conclusões no que tange aos parâmetros deste modelo antes de verificar se há
auto correlação espacial. Na hipótese de existir, como já mencionado, os parâmetros
estimados podem exibir problemas de tendenciosidade, inconsistência ou ineficiência.

5.2 Aplicação da econometria espacial

Neste ponto, procura-se verificar a existência de efeitos espaciais no modelo da tabela

2, bem como aplicar os métodos indicados pela literatura acerca do tema, para a confecção de
uma nova regressão. A matriz de pesos espaciais utilizada foi a do tipo contiguidade e
considerou, além dos vizinhos diretos, os vizinhos indiretos até a quinta ordem.

Os testes LM Robusto (erro) e LM Robusto (defasagem), realizados sobre os resíduos

de mínimos quadrados do modelo estimado na Tabela 2, evidenciaram um forte efeito de
 27

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.

Tabela 4 – Resultados do modelo incluindo uma variável espacialmente defasada

Variável Coeficiente Erro Padrão Valor Z Probabilidade
Rho 0.326933 0.023694 13.7979 0.00**
Intercepto 5.220562 0.293486 17.78811 0.00**
Casa_ap -0.13331 0.028535 -4.67171 0.000003**
CBD 0.161024 0.031129 5.172854 0.00**
Garag 0.055544 0.008965 6.19569 0.00**
Lnarea 0.655446 0.023037 28.45151 0.00**
Piscina 0.121375 0.047072 2.578513 0.009923**
Suítes 0.100788 0.015008 6.715839 0.00**
R-squared 0.700838 AIC 871.9684 SIC 912.507
Square corr 0.716902 LogLikely -427.984 Sig-Sq (ML) 0.117461
Resultados gerados no software Stata; **Significante a 5%
 28

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.

Tabela 5 - Resultados do Modelo Tradicional e do Modelo Espacial para a microrregião

de São João Del Rei
Modelo Tradicional Modelo Espacial
Variável
Coeficiente Probabilidade Coeficiente Probabilidade
Intercepto 9,024872 0,000000* 5,220562 0,000000*
Lnarea 0,727481 0,000000* 0.655446 0,000000*
Garag 0,057398 0,000000* 0.055544 0,000000*
Suítes 0,094071 0,000000* 0.100788 0,000000*
Piscina 0,161265 0,001814* 0.121375 0,009923*
Cbd 0,219459 0,000000* 0.161024 0,000000*
Casa_ap -0,157194 0,000001* -0.13331 0,000003*
Elaborado pelo autor.
Os resultados auferidos mostram que considerar a questão da interação espacial entre
os imóveis baseando-se em distâncias a pontos de influência, ou dividindo-se o território em
regiões ou zonas, não é capaz de elucidar totalmente as modificações dos preços no tocante à
localização do imóvel. O modelo evidencia que não são apenas os pontos que afetam os
preços das habitações, mas existe uma real interação entre os dados, de maneira que cada
imóvel funciona como um micro polo de influência sobre os seus vizinhos. A saída para a
estimação segura do modelo de preços hedônicos, perante efeitos espaciais, deve ser feita
utilizando-se da econometria espacial, em que a variável de lag espacial, no caso atual Rho,
que contempla todas as interações espaciais possíveis entre os dados, enquadra-se como proxy
para variáveis espaciais não inclusas no modelo (DANTAS; MAGALHÃES; VERGOLINO,
2007).
 29

6 CONSIDERAÇÕES FINAIS / CONCLUSÃO

O objetivo deste trabalho foi compreender os fatores determinantes na formação do

preço do imóvel da microrregião de São João Del Rei, através de um modelo de preços
hedônicos, incidindo sobre o tratamento da heterogeneidade e da dependência espacial nos
dados. Os resultados inicialmente encontrados estão consoantes com a literatura em termos de
sinais dos coeficientes. Todavia, os testes de correlação espacial indicaram a presença de
efeitos locacionais na amostra. Assim, o modelo de auto correlação espacial foi estimado e os
resultados apontaram que os modelos que incorporam esses efeitos não são apenas uma
representação conceitualmente mais realista do processo de determinação do preço do imóvel,
mas também são metodologicamente capazes de adequar a natureza dos conjuntos de dados
espaciais.
Pelos resultados obtidos, verifica-se que considerar a questão da interação espacial
entre os imóveis baseando-se em distâncias a pontos de influência, ou dividindo-se o território
em regiões ou zonas, não é capaz de elucidar totalmente as modificações dos preços no
tocante à localização do imóvel. O modelo evidencia que não são apenas os pontos que
afetam os preços das habitações, mas existe uma real interação entre os dados, de maneira que
cada imóvel funciona como um micro polo de influência sobre os seus vizinhos. A saída para
a estimação segura do modelo de preços hedônicos, perante efeitos espaciais, deve ser feita
utilizando-se da econometria espacial, em que a variável de lag espacial, no caso atual Rho,
que contempla todas as interações espaciais possíveis entre os dados, enquadra-se como proxy
para variáveis espaciais não inclusas no modelo.
Dada à existência da auto correlação espacial positiva na amostra, pode-se constatar
também que as negociações de compra dos imóveis não ocorrem de forma autônoma, como
sugere o modelo de preços hedônicos tradicional. Os resultados da atual pesquisa indicam que
existe uma real interação entre os preços de imóveis vizinhos, de forma que uma negociação
de uma unidade por um preço elevado gera um efeito de elevação nos preço das unidades
vizinhas.
A atual pesquisa não incorporou todos os possíveis atributos intrínsecos e extrínsecos
indicados pela literatura acerca do tema. Por isso, é essencial dar continuidade ao assunto,
coletando-se novas variáveis relacionadas à infraestrutura e à localização dos imóveis. Dentre
as que faltaram, pode-se citar a renda do bairro, a idade do imóvel e a proximidade do imóvel
a diversos lugares que podem afetar o seu preço de forma significativa. O assunto é imenso, e
 30

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

AGUIRRE, Antônio; FARIA, Diomira. A utilização de "preços hedônicos" na avaliação

social de projetos. Rio de janeiro, 1996

AGUIRRE, A.; MACEDO, P. B. R. Estimativa de preços hedônicos para o mercado

imobiliário de Belo Horizonte. Anais do XVIII Encontro Brasileiro de Econometria. Águas
de Lindóia, SP: ABE, 1996

ALBUQUERQUE, E.; MELO, A.; SOUZA, H. Ativo ambiental e preço de imóvel em

recife: um estudo exploratório a partir da utilização do método dos preços hedônico. Em
„VII Encontro da Sociedade Brasileira de Economia Ecológica‟, Fortaleza, 2007.

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.

CÂMARA BRASILEIRA DA INDÚSTRIA DA CONSTRUÇÃO. Indicadores Imobiliários

Nacionais. Disponível em: <http://www.cbicdados.com.br/menu/mercado-imobiliario/>.
 32

Acesso em março de 2019.

CAN, Ayse. Specification and estimation of hedonic housing price models. Syracuse
University, Syracuse NY, USA. Received July 1991, final version received February 1992

CLIFF, Andrew D.; ORD, J. K. Spatial autocorrelation. London: Pion, 1973.

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

DANTAS, Rubens Alves; MAGALHÃES, André Matos; VERGOLINO; José Raimundo de

Oliveira. Avaliação de imóveis: a importância dos vizinhos no caso de recife. Economia
aplicada, São Paulo, v. 11, n. 2, p. 231-251, abril-junho 2007.

FARIA, R. Uma aplicação do método de preços hedônicos no setor de saneamento: o

projeto de São Bento Do Sul-Sc. Planejamento e Políticas Públicas (31), 116–127, 2008.
FERREIRA NETO, Eduardo. Estimação do preço hedônico: uma aplicação para o
mercado imobiliário da cidade do Rio de Janeiro. Rio de Janeiro, 05 de dezembro de 2002

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. Especificação de modelos

de preços hedônicos para locação residencial em Porto Alegre. Cadernos IPPUR/UFRJ, v.
8, 1994.

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.

GRILICHES, Zvi. Hedonic price indexes for automobiles: An econometric analysis of

quality change. In: The price statistics of the Federal Government. National Bureau of
Economic Research, 1961. New York. (General Series, 73). Reprinted in: Griliches, Z. Price
indexes and quality change: studies in new methods of measurement. Cambridge, Harvard
University Press, 1971 – p.55-87.
 33

HERMANN, B. M. Estimando o preço implícito de amenidades urbanas: evidências para

o município de São Paulo. Dissertação (Mestrado) – Departamento de Economia,
Universidade de São Paulo, São Paulo, 2003

HERMANN, B. M.; HADDAD, E. A. Mercado imobiliário e amenidades urbanas: a view

through the window. Estudos Econômicos 35(2), abr/jun, 2005.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Sistemas de Contas

Nacionais. Disponível em: < https://www.ibge.gov.br/estatisticas-
novoportal/economicas/contas-nacionais/9052-sistema-de-contas-nacionais-
brasil.html?=&t=resultados>. Acesso em março de 2019.

LANCASTER, K. Consumer Demand: A New Approach. New York, Columbia University

Press, 1971.

LOBO, Ana Beatriz de Almeida. 2019 e o mercado imobiliário. Disponível em:

www.abrainc.org.br/economia/2019/01/16/2019-e-o-mercado-imobiliario/. Acesso em
novembro de 2019.

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

RAIS, Relação Anual de Informações Sociais do Ministério do Trabalho e Emprego

(MTE). Disponível em: < http://pdet.mte.gov.br/caged/caged-2018/caged-dezembro-2018 >.
Acesso em março de 2019.

ROSEN, Sherwin. “Hedonic Price and Implicit Markets: Product Differentiation in Pure
Competition.” Journal of Political Economy, Vol. 82, pp. 34-55, 1974

TEIXEIRA, E.; SERRA, M. O impacto da criminalidade no valor de locação de imóveis:

o caso de Curitiba. Economia e Sociedade 15(1), 175–207, 2006.