Escolar Documentos
Profissional Documentos
Cultura Documentos
SÃO PAULO
2013
1
Campo de conhecimento:
Mercado Imobiliário, Econometria, Finanças
Aplicadas
SÃO PAULO
2013
2
CDU 332.7
3
Campo de conhecimento:
Finanças Aplicadas
Data de aprovação:
28 / 05 / 2013
Banca examinadora:
_____________________________
Prof. Dr. Ricardo Rochman
FGV-EAESP
_____________________________
Prof. Dr. Samy Dana
FGV-EAESP
_____________________________
Prof. Dr. Walter Gonçalves Junior
FGV-EAESP
4
AGRADECIMENTO
RESUMO
ABSTRACT
This article aims to identify the main economic determinants of house prices, based
on the Sao Paulo residential market between the years 2001 and 2012. A VAR
model was used to capture the endogenous dynamic among GNP, interest rate,
equity and house prices. Among the variables, GNP was the most preponderant
factor, having an impact almost three times superior than interest rate. No significant
statistical evidence was found relating equity to housing price. Furthermore, house
prices took at least one year to respond to shocks in the GNP and interest rate.
These conclusions were more robust in the period previous to the American
subprime mortgage crises of 2008.
Keywords: housing, house prices, VAR Model, GNP, interest rates, equity
7
LISTA DE FIGURAS
Figura 1 – Preço de imóveis em SP comparado com PIB, juros e Bolsa (sem inflação) ....... 11
Figura 2 – Participação da construção civil na FBCF – Brasil – Preços constantes de 2003 14
Figura 3 – Histograma e estatística descritiva das variáveis analisadas .................................. 33
Figura 4 - Teste de raízes inversas do polinômio característico AR (1) .................................... 47
Figura 5 - Função impulso resposta do Modelo VAR (1) ............................................................. 48
8
LISTA DE TABELAS
SUMÁRIO
1 INTRODUÇÃO .................................................................................................... 10
5 CONCLUSÃO ..................................................................................................... 51
6 REFERÊNCIAS .................................................................................................. 53
10
1 INTRODUÇÃO
Desta forma, o objetivo deste estudo foi verificar quais desses fatores
macroeconômicos são determinantes na formação de preços dos imóveis, tomando
como amostra o mercado imobiliário residencial de São Paulo entre os anos de 2001
a 2012 (ver Figura 1).
11
Figura 1 – Preço de imóveis em SP comparado com PIB, juros e Bolsa (sem inflação)
Fonte: Secovi-SP, BM&FBovespa, Banco Central do Brasil e FGV
2 REVISÃO BIBLIOGRÁFICA
Além disso, elas destacaram que o rendimento médio na construção civil foi
de R$ 4.076, valor relativamente alto mesmo quando comparado com outros setores
representativos. Já na agropecuária, por exemplo, que ocupa a segunda posição no
ranking, o rendimento médio foi de R$ 951.
subprime americano sobre a economia brasileira, uma vez que este permaneceu
estável durante todo o período da crise. Como consequência desse bom
desempenho, a construção civil aumentou a sua participação no PIB nacional em
17% entre os anos de 2008 e 2011.
= ( , … , )
Equação 1
() = ( , … , )
Equação 2
(, , … , , )
Equação 3
= + ()
Equação 4
( , … , , , , )
Equação 5
C(, , )
Equação 6
Π = () − (, , … , , )
Equação 7
( , … , , Π, )
Equação 8
17
Π = − (, , … , , )
Equação 9
apresentar sinal negativo como por se mostrar sem significância estatística, não
obstante seja apontada como determinante pela maioria dos textos da literatura.
Conforme apontam Santos e Cruz (2000), embora muito útil para análises dos
diferenciais de preços dentro de um mercado, o enfoque microeconômico dos
modelos hedônicos não é o mais adequado para o estudo das grandes tendências
do setor.
Com efeito, vários fatores que afetam o preço das habitações não dependem
dos seus atributos individuais e, portanto, modelos agregados com um enfoque
macroeconômico seriam os mais indicados para discutir a evolução e tendências do
mercado imobiliário.
Por outro lado, a oferta de imóveis era representada por uma equação
diferencial, na qual o estoque lentamente se deprecia a uma taxa e se expande
gradualmente com novas construções , conforme ilustra a Equação 11. Já as
20
D( , , , ) =
Equação 10
Δ = ( , ) −
Equação 11
Equação 12
Δ = *[ ∗ − ]
Equação 13
(1989) e Mankiw e Weil (1989)) que mostraram evidências de que esse tipo de
extrapolação é um comportamento comum do consumidor de imóveis.
Por fim, a terceira e última inovação proposta foi assumir que o preço dos
terrenos, um dos mais importantes fatores na função de oferta de novas
construções, depende do estoque de imóveis e não do nível da atividade de
construção civil, como estabelecido pela maioria dos modelos convencionais de
stock-flow.
Δ = − = *[ ∗ ( , ) − ] −
Equação 14
1
RICARDO, D. On the Principles of Political Economy and Taxation. Londres. 1817.
2
ALONSO, W. Location and Land Use. Harvard Univ. Press, Cambridge, MA. 1964.
3
MILLS, E.S. Studies in the Structure of the Urban Economy. Johns Hopkins Univ. Press. Baltimore. 1972.
4
MUTH, R.F. Cities and Housing. University of Chicago Press, Chicago. 1969
5
WHEATON, W.C. A Comparative Static Analysis of Urban Spatial Structure. Journal of Economic Theory, v. 9, n.
2, p. 223-237. 1974
23
na cidade de Boston nos EUA em relação a outras localidades do país entre os anos
de 1978 e 1985.
O autor analisou até que ponto a variação do preço dos imóveis poderia ser
determinada por mudança nos fatores macroeconômicos como crescimento da
população, da taxa de emprego e da renda, taxas de financiamento imobiliário e
custos de construção.
Sendo assim, como alternativa para explicar esse substancial aumento, Case
utilizou uma teoria econômica aplicada anteriormente para identificar bolhas nos
preços em mercados financeiros e de câmbio e mostrou que o mercado imobiliário
estava preso a uma espiral de expectativa. Ademais, o autor explicou que as
expectativas de ganhos futuros de capital estavam influenciando o comprador de
imóveis a aceitar um preço maior, resultando em uma antecipação de ganhos do
mercado imobiliário.
Γ(/)0 = Γ + 10
Equação 15
Γ(/) = 2 − Γ ϕ − Γ / −. . . Γ5 / 5
Equação 16
O modelo VAR acima assume que inovações sobre 10 são não antecipáveis e
se tornam parte do conjunto de informações somente no período seguinte. Portanto,
os impactos antecipáveis ou esperados sobre as variáveis são capturados nos
coeficientes do polinômio enquanto os resíduos capturam os eventos não esperados
ocorridos no mesmo período.
X0 = Ω + (/)1
Equação 17
M(/) = 2 + M ϕ − M ϕ + ⋯
Equação 18
Dentro dessa mesma linha metodológica, Sutton (2002) examina até que
ponto a variação do preço em seis países desenvolvidos (EUA, Reino Unido,
Canadá, Irlanda, Holanda e Austrália) pode ser atribuída à variação no PIB, na taxa
de juros ou na Bolsa.
Equação 19
Equação 20
Δs0 = ;K + K0
Equação 21
Equação 22
resíduos. Em vez disso, em linha com Sims (1980), ela foi computada usando uma
representação triangular dos termos na forma reduzida de erro, conforme abaixo:
u0 = Q0
Equação 23
u0 = R, Q0 + Q0
Equação 24
Equação 25
uH0 = RH, Q0 + RK, Q0 + RH,K QK0 + QH0
Equação 26
No exemplo dos EUA, o impacto das flutuações nas ações nos preços dos
imóveis foi menor do que em outros países. Esse caso pode ser explicado por duas
prováveis causas: i) ganhos no mercado de ação podem não ter sido permanentes
para os proprietários de casas; e ii) ações podem ser um substituto dos ativos em
imóveis. A conclusão do estudo é que essas três variáveis tiveram um importante
papel na alta recente dos preços dos imóveis nos países analisados.
principais direcionadores dos preços dos imóveis e que a resposta dos preços dos
imóveis a um choque no crédito é mais forte nos países que adotaram padrões de
contabilidade de financiamento ajustados a preços de mercado.
3. METODOLOGIA
Por outro lado, os modelos não estruturais como, por exemplo, o VAR do
Sims (1980, 1982), também possuem uma visão agregada como os modelos
32
O PIB foi obtido através do site do Banco Central do Brasil (BACEN) que
publica uma série mensal da estimativa do PIB em reais com dados desde janeiro de
1990.
A taxa de juros foi obtida através do mesmo site do BACEN que publica uma
série mensal com a taxa a.d. pós-fixada de financiamento imobiliário para pessoa
física com dados desde maio de 2000 (tipicamente mais de 99,5% dos
financiamentos imobiliários no Brasil utilizam uma taxa pós-fixada).
33
Fator Macroeconômico
Probabilidade (2) Estacionária? (3)
(Variável)
Nesse sentido, foi utilizada uma diferenciação anual das variáveis da seguinte
forma (t medido em meses):
T:GU;V#W0
ST:GU;V#W120 =
T:GU;V#W0D
Equação 27
35
T:#Z#W0
ST:#ZW120 =
T:#Z#W0D
Equação 28
Equação 29
T:#ZV]#W0
ST:#ZV]#W120 =
T:#ZV]#W0D
Equação 30
Fator Macroeconômico
Probabilidade (2) Estacionária? (3)
(Variável)
ST:#Z#W120 =
; + ∑5 5
8C 8 ST:#Z#W120D8 + ∑8C (5^8)S$[#:#\#W120D8 +
∑5 5
8C (5^8) ST:#ZV]#W120D8 + ∑8C (K5^8) ST:GU;V#W120D8 + 0
Equação 31
S$[#:#\#W120 =
; +∑5
8C
5
8 ST:#Z#W120D8 + ∑8C (5^8) S$[#:#\#W120D8 +
5
∑8C (5^8) ST:#ZV]#W120D8 + ∑`aC α(K`^a) ST:GU;V#W12bDa + ub
Equação 32
ST:#ZV]#W120 =
;K + 5
∑ 5
8C K8 ST:#Z#W120D8 + ∑8C K(5^8) S$[#:#\#W120D8 +
∑5 5
8C K(5^8) ST:#ZV]#W120D8 + ∑8C K(K5^8) ST:GU;V#W120D8 + K0
Equação 33
ST:GU;V#W120 =
;H + ∑5 5
8C H8 ST:#Z#W120D8 + ∑8C H(5^8) S$[#:#\#W120D8 +
∑5 5
8C H(5^8) ST:#ZV]#W120D8 + ∑8C H(K5^8) ST:GU;V#W120D8 + H0
Equação 34
Foi realizada uma pesquisa na literatura para verificar qual seria o resultado
esperado do preço dos imóveis a um choque positivo nos fatores macroeconômicas
de PIB, taxa de juros e Bolsa, conforme ilustra a Tabela 3.
37
Conforme Sutton (2002), a demanda por imóveis assim como qualquer outro
bem está positivamente relacionada à riqueza e à renda real dos consumidores.
Sendo assim, um eventual crescimento do PIB implicará em um aumento da riqueza
e da renda (assumindo que haverá uma distribuição entre os consumidores),
resultando dessa forma em um aumento na demanda por imóveis e,
consequentemente, no preço dos mesmos.
taxas de juros. Taxas de juros mais altas inibem a atividade de consumo de imóveis,
reduzindo a demanda e, consequentemente, o nível de preços.
4 RESULTADOS
Uma ferramenta útil para auxiliar nessa tarefa é um critério criado por Akaike
(1987) que busca otimizar a significância do modelo em relação às defasagens,
chamado Akaike Information Criterion (AIC).
Por outro lado, Melo (2011) encontra uma resposta de curto prazo ao
constatar que choques nas variáveis macroeconômicas como crédito habitacional ou
taxa de juros são refletidos entre um a três meses sobre as quantidades imobiliárias
vendidas no mercado do Estado do Ceará.
como carros, eletrodomésticos, eletrônicos, etc. Somente após adquirir esses bens
de menor valor, o consumidor estaria disposto a investir em um imóvel.
PIB
0,0000 - 0,0000 0,0000
(dlnpibigp12M)
Taxa de Juros
0,0560 0,0407 - 0,0562
(dtxfinimigp12M)
Bolsa
0,0000 0,0000 0,0011 -
(dlnibovigp12M)
Uma vez confirmado pelo teste de Granger que existe uma probabilidade alta
de correlação entre o preço dos imóveis e as variáveis macroeconômicas, o próximo
passo foi realizar as estimações, usando o modelo VAR dado pelas Equações 31 a
34, cujos resultados estão apresentados na Tabela 6. Foi utilizada a defasagem
ótima de doze meses para todas as variáveis com exceção da Bolsa, cuja melhor
defasagem encontrada empiricamente foi de onze meses.
Além disso, por conta da alta taxa de juros histórica das últimas décadas, a
maior parte dos investidores comuns se acostumou a investir seus recursos
majoritariamente em aplicações de renda fixa e, com isso, não se criou no Brasil
uma cultura de investimento em Bolsa. Portanto, a tese do efeito de substituição dos
ativos de Bolsa por imóveis dos autores Abelson et al (2005) não se aplicaria no
Brasil.
Fator Macroeconômico
(variável no modelodescasamento)
Coeficiente PIB Juros Preço
(Desvio Padrão)
(dlnpibigp12M-11) (dtxfinimigp12M-11) (dlnprecoigp12M)
[Estatística t]
Em linha com os resultados previstos por este modelo, o preço real dos
imóveis reagiu a esse estímulo e começou a subir por volta de um ano depois do
início desse ciclo de redução dos juros, ou seja, em meados de 2006.
Portanto, o ajuste final sobre o modelo VAR deve considerar não somente a
eliminação da variável de Bolsa (dlnibovigp), por não apresentar evidência
observável de correlação com o preço dos imóveis, mas também uma limitação da
estimação para o período pré-crise com o objetivo de eliminar o efeito de eventos
disruptivos.
Fator Macroeconômico
(variável no modelodescasamento)
Coeficiente PIB Juros Preço
(Desvio Padrão)
(dlnpibigp12M-11) (dtxfinimigp12M-11) (dlnprecoigp12M)
[Estatística t]
A Tabela 9 mostra que os resultados obtidos para PIB e taxa de juros estão
em linha com o esperado e com a literatura encontrada, reforçando as hipóteses de
racionalidade usadas na construção do modelo.
De igual forma, é esperado que uma diminuição na taxa real de juros reduza o
valor do financiamento e amplie a quantidade de famílias com capacidade financeira
para adquirir um imóvel, aumentando a demanda e, portanto, o preço do imóvel.
Por outro lado, o acréscimo de um desvio padrão nos juros tem um efeito
contrário. O preço reage caindo a partir do segundo ano depois do choque, atingindo
o piso de uma redução de 1,5% no quarto ano. A partir desse momento, reage de
forma similar ao choque do PIB, ou seja, estabiliza e desacelera suavemente.
Por outro lado, os juros teriam um peso menor nessas decisões, porque
afetam o financiamento imobiliário que corresponde normalmente a apenas uma
parte do valor total do imóvel.
50
Fator Macroeconômico
(variável no modelodescasamento)
5 CONCLUSÃO
Este artigo buscou examinar quais são os fatores determinantes no preço dos
imóveis, tomando como potenciais candidatos três variáveis macroeconômicas: PIB,
taxa de juros e Bolsa.
Além disso, o modelo não faz uma distinção explícita entre os efeitos de curto
e longo prazo sobre as variáveis, tornando-o mais flexível para capturar a dinâmica
52
6 REFERÊNCIAS
CASE, K.E. The Market for Single-Family Homes in the Boston Area. New England
Economic Review, p. 38-48, mai/jun. 1986.
CASE et al. Comparing wealth effects: the stock market versus the housing market.
Advances in Macroeconomics, v. 5, n. 1, p. 1-32. 2005.
CASE, K.E.; SHILLER, R.J. The Efficiency of the Market for Single Family Homes.
American Economic Review, v.79, n. 1, p. 125-137. 1989.
DAVIDSON, P. Money and the real world. Basingstoke: MacMillan, 2ª edição. 1978.
DOAN, T.; LITTERMAN, R.; SIMS, C. Forecasting and Conditional Projection Using
Realistic Prior Distribution. Econometric Review v. 3, p. 1-100. 1984.
GOODMAN, A.C. Hedonic Prices, Price Indices and Housing Markets. Journal of
Urban Economics, v. 5, p. 471-484. 1978.
KEARL, J.R. Inflation, Mortgages and Housing. Journal of Political Economy, v. 87,
n. 5, p. 1115-1138. 1979.
LASTRAPES, W.D. The Real Price of Housing and Money Supply Shocks: Time
Series Evidence and Theoretical Simulations. Journal of Housing Economics, v. 11,
p. 40-74. 2001.
56
MANKIW, N. G.; WEIL, D.N. The Baby Boom, the Baby Bust and the Housing
Market. Regional Science and Urban Economics, v. 19, n. 2, p. 235-258. 1989.
TSATSARONIS, Kostas; ZHU, Haibin. What drives housing price dynamics: cross-
country evidence. BIS Quaterly Review, p.65-78. Mar. 2004.