Forças de Atração e Expulsão na Grande São...

Forças de Atração e Expulsão na Grande São Paulo

Banca ExaminadoraProf. Orientador: Robert, N.J. Nicol

Prof. Afonso Arinos de Melo Franco NetoProf. Carlos Roberto Azzoni

Prof. Maria Carolina LemeProf. Ricardo Paes de Barros

FUNDAÇÃO GETÚLIO VARGASESCOLA DE ADMINISTRAÇÃO DE EMPRESAS DE SÃO PAULO

Ciro Biderman

Forças de Atração e Expulsão na Grande São Paulo

Tese apresentada ao Curso dePós-Graduação em Economia deEmpresas como requisito paraobtenção do título de Doutor emEconomia de Empresas.

São Paulo2001

Biderman, C. Forças de Atração e Expulsão na Grande São Paulo. São Paulo:EASP/FGV. 2001. Tese de Doutorado Apresentada ao Curso de Pós Graduação daEASP/FGV. Área de Concentração: Economia de Empresas

Resumo: Esta tese avalia a participação dos serviços produtivos nas grandes cidades eos motivos que levam a uma concentração mais do que proporcional destas atividadesnas grandes cidades. Em seguida analisa-se o comportamento do mercado de imóveisna Grande São Paulo a partir dos avanços da Nova Economia Urbana. No primeirocapítulo analisam-se as forças de atração das grandes cidades, especialmente asregiões metropolitanas nas quais a Grande São Paulo se inclui. Em seguida apresenta-se o modelo teórico que serve de base para a análise do mercado imobiliário em SãoPaulo. O terceiro capítulo apresenta o banco de dados desenvolvido pelo autor a partirde dados da Embraesp. Este banco de dados será utilizado no quarto e último capítulopara realizar uma análise da demanda e oferta no mercado de novos imóveis em SãoPaulo.

Palavras-Chaves: serviços produtivos, mercado de trabalho, mercado imobiliário,economia regional, economia urbana, demanda, oferta, produtos heterogêneos.

Ao meus Pais

SumárioIntrodução ................................................................................................................. 1Capítulo 1 .................................................................................................................. 8As Grandes Cidades e a Atração de Empresas............................................................ 8

1.1 O Setor de Serviços e a Distribuição das Atividades e Ocupações da Populaçãonas Micro-regiões Brasileiras .................................................................................... 101.2 Análise Empírica................................................................................................. 191.3 Variação ao Longo do Tempo............................................................................. 291.A. Apêndice: Compatibilizações Geográficas e Setoriais........................................ 35

1.A.1. Compatibilidade MIP-Censo.................................................................. 351.A.2. O cálculo dos Coeficientes Técnicos Intersetoriais Agregados ............... 371.A.3. O Setor de Serviços Produtivos.............................................................. 391.A.4. Agregação das Ocupações..................................................................... 391.A.5. Agregações Geográficas ........................................................................ 40

Capítulo 2 A Economia do Mercado de Imóveis com Ilustrações para a Grande SãoPaulo ....................................................................................................................... 41

2.1 A Versão da Nova Economia Urbana do Modelo de von Thünen......................... 432.2 Fatos Estilizados para a Grande São Paulo.......................................................... 60

2.A Apêndice: Mapas Selecionados ......................................................................... 84Capítulo 3 A Construção da Base de Dados para a Análise do Mercado de Imóveis naGrande São Paulo .................................................................................................... 91

3.1 Os Dados da Embraesp e sua Revisão ................................................................. 923.2 O Total de Domicílios e o Mercado Potencial.................................................... 1023.3 Os Agentes do Mercado .................................................................................... 1103.4 Preços e Índices de Custo .................................................................................. 1182A. Apêndice.......................................................................................................... 127

3.A.1 Estrutura do banco de dados de lançamentos de imóveis ....................... 1273.A.2 Estimativa do Total de Domicílios por Município da RMSP ................. 1363.A.3 Uma “Tipologia” para as Empresas....................................................... 1383.A.4 Índice de Preços e de Custos................................................................. 155

Capítulo 4 Demanda e Oferta de Imóveis Novos na Grande São Paulo................... 1594.1 Renda e Preço: O Imóvel como Ativo Financeiro .............................................. 1594.2 Imóveis como um Bem Heterogêneo: a Abordagem de Preços Hedônicos......... 1624.3 Demanda e Oferta por Imóveis: Uma Especificação Simplificada...................... 1654.4 Resultados......................................................................................................... 1694.5 Refinando o Modelo: Variáveis Instrumentais ................................................... 177

4.6 A Independência da Alternativas Irrelevantes ........................................... 1834.A Apêndice: Resultados das Regressões............................................................... 185

4.A.1: Resultados das Regressões de Demanda – Variáveis Principais............ 1854.A.2: Resultados das Regressões de Demanda – Controles Sazonais ............. 1914.A.3: Resultados das Regressões de Oferta – Variáveis Principais ................ 1974.A.4: Resultados das Regressões de Oferta – Controles Sazonais.................. 2034.A.5 Resultado das regressões com variáveis instrumentais .......................... 209

Notas Conclusivas ................................................................................................. 211Referências ............................................................................................................ 214

Índice de FigurasFigura 2.1: Vias Radiais de Transporte ......................................................................... 45Diagrama 2.1: Gradiente de Preços da Terra em Função da Distância do Centro em

uma Cidade Monocêntrica Estilizada..................................................................... 51Diagrama 2.2: Variações no Gradiente de Preços da Terra em Função de Mudanças na

Renda Urbana para Regiões Abertas e Fechadas.................................................... 59Diagrama 2.3: Gradiente de Renda dos Imóveis para uma Região com Dois Agentes.... 63Gráfico 2.1: Densidade Estrutural em Função da Distância à Praça da Sé (Jan 85 à Jul

99) ........................................................................................................................ 66Gráfico 2.2: Densidade Estrutural em Função da Distância à Av. dos Bandeirantes

(Jan 85 à Jul 99) .................................................................................................... 68Figura 2.2: Quadrantes e Pontos de Referência da RMSP.............................................. 69Gráfico 2.3: Densidade Estrutural em Função da Distância à Praça da Sé para Quatro

Quadrantes da RMSP (Jan 85 à Jul 99).................................................................. 70Gráfico 2.3a: Noroeste.................................................................................................. 70Gráfico 2.3b: Nordeste.................................................................................................. 70Gráfico 2.3c: Sudoeste.................................................................................................. 70Gráfico 2.3d: Sudeste.................................................................................................... 70Diagrama 2.4: Gradiente de Preço dos Imóveis em uma Cidade com um Centro e um

Sub-centro............................................................................................................. 73Gráfico 2.4a: Preço/m2 do imóvel em função da Distância a Sé (1985-1999) ................ 76Gráfico 2.4b: Preço/m2 do imóvel em função da Distância a Bandeirantes (1985-1999) 76Gráfico 2.5: Evolução da Média Mensal de Preços por m2 dos Imóveis Lançados na

RMSP (1985-1999)............................................................................................... 77Gráfico 2.6: Média Móvel (12 meses) de Preço Médio por m2 e Total de Unidades

para os Imóveis Lançados na RMSP (1985-1999) ................................................. 77Gráfico 2.7a: Preço/m2 do imóvel em função da Distância a Sé (jan.85-dez 90) ............ 79Gráfico 2.7b: Preço/m2 do imóvel em função da Distância a Bandeirantes (jan.85-

dez.90) .................................................................................................................. 79Gráfico 2.8a: Preço/m2 do imóvel em função da Distância a Sé (jan.91-jun.94)............. 79Gráfico 2.8b: Preço/m2 do imóvel em função da Distância a Bandeirantes (jan.91-

jun.94) .................................................................................................................. 79Gráfico 2.9a: Preço/m2 do imóvel em função da Distância a Sé (jul.94-jul.99) .............. 80Gráfico 2.9b: Preço/m2 do imóvel em função da Distância a Bandeirantes (jul.94-

jul.99) ................................................................................................................... 80Gráfico 2.10: Preço por Metro Quadrado em Função da Distância à Praça da Sé para

Quatro Quadrantes da RMSP (Jan 85 à Jul 99) ...................................................... 81Gráfico 2.10a: Noroeste ................................................................................................ 81Gráfico 2.10b: Nordeste................................................................................................ 81Gráfico 2.10c: Sudoeste ................................................................................................ 81Gráfico 2.10d: Sudeste.................................................................................................. 81Gráfico 2.11: Preço por Metro Quadrado em Função da Distância ao Início da Av. dos

Bandeirantes para o Quadrante Sudoeste da RMSP (Jan 85 à Jul 99) ..................... 82Gráfico 3.1: Domicílios em Apartamentos em Relação ao Total de Domicílios (1985 a

1998) .................................................................................................................... 95Gráfico 3.2: Média Mensal do Número de Dormitórios por Unidade (1985-1999*)...... 97Gráfico 3.3: Média Mensal do Número de Banheiros por Unidade (1985-1999*)......... 97Gráfico 3.4: Área Útil Média por Unidade (1985-1999*) .............................................. 97Gráfico 3.5: Área Total Média por Unidade (1985-1999*) ............................................ 97Gráfico 3.6: Área Total Construída por Condomínio (1985-1999*)............................... 98

Gráfico 3.7 Área Média do Terreno por Condomínio (1985-1999*) .............................. 98Gráfico 3.8: Número Médio de Blocos por Condomínio (1985-1999*) ......................... 98Gráfico 3.9: Número Médio de Unidades por Condomínio (1985-1999*)...................... 98Gráfico 3.10: Média de Unidades por Bloco (1985-1999*) ........................................... 98Gráfico 3.11: Média de Unidades por Andar (1985-1999*) ........................................... 98Gráfico 3.12: Unidades Lançadas no Município de São Paulo (MSP) e nos Demais

Municípios da RMSP (Médias Móveis de 12 meses) (1986-1999)....................... 100Gráfico 3.13: Preço Médio por m2 de Área Útil para Unidades Lançadas no MSP e

nos Demais Municípios da RMSP (Médias Móveis de 12 meses) (1986-1999).... 100Gráfico 3.14: Total de Domicílios Particulares Permanentes na RMSP (1985 a 1998). 104Gráfico 3.15: População Residente na RMSP (1980 a 1998)....................................... 105Gráfico 3.16: Domicílios e População dos Municípios da RMSP excluindo o MSP

(1985 a 1998)...................................................................................................... 106Gráfico 3.17: Total de Domicílios Estimado e de Acordo com a PNAD (1985 a 1998) 107Gráfico 3.18: Porcentagem de Domicílios Ocupados por Seus Proprietários na RMSP

(1985 a 1998)...................................................................................................... 107Gráfico 3.19: % de Domicílios ocupados por seus Proprietários por Decil de Renda

(1991) ................................................................................................................. 108Gráfico 3.20: % de Domicílios em Apartamentos por Decil de Renda e Localização

(1991) ................................................................................................................. 108Gráfico 3.21: % de Domicílios ocupados por seus Proprietários em Apartamentos por

Decil de Renda (1991)......................................................................................... 108Gráfico 3.22: % de Domicílios em Áreas Subnormais por Decil de Renda e Condição

de Ocupação (1991)............................................................................................ 108Gráfico 3.23: % de Domicílios ocupados por seus Proprietários por Decil de Renda

(1991) ................................................................................................................. 110Gráfico 3.24: Unidades Lançadas em Função do Número de Incorporadoras (1985-

1999) .................................................................................................................. 113Gráfico 3.25: Unidades Lançadas em Função do Número de Construtoras (1985-

1999) .................................................................................................................. 113Gráfico 3.26: Unidades Lançadas em Função do Número de Vendedoras (1985-1999) 113Gráfico 3.27: Porcentagem de Empresas Responsáveis por 2/3 dos Lançamentos

(1985-1999) ........................................................................................................ 113Gráfico 3.28: Empresas em Atividade no Ano e Total de Unidades Lançadas (1985-

1999*)................................................................................................................. 114Gráfico 3.29: Porcentagem de Unidades em Cooperativas em Relação ao Total de

Unidades Lançadas no Mercado (Médias Móveis de 12 meses) (1985-1999*)..... 115Gráfico 3.30: Preços Médios por m2 de Área Total Corrigidos pelo IGP-di para

Dezembro de 2000 e Convertido pelo Dólar Médio Comercial e PreçosCorrigidos pelo Valor do Dólar na Data de Lançamento (1985-1999).................. 120

Gráfico 3.31: Médias Móveis dos Preços por m2 de Área Total Ponderado pelo Totalde Unidades Lançadas em US$ Corrigido pelo IGP-di para Dezembro de 2000 epelo Valor do Dólar Comercial de Venda na Data de Lançamento (1985-1999) .. 121

Gráfico 3.32: Índice e Média Geométrica (12 meses) do Índice Real de Custo daConstrução Total* – Municípios da Capital: São Paulo (1985**-1999) ............... 122

Gráfico 3.33: Média Geométrica (12 meses) dos Componentes do Índice Real deCusto da Construção* – Municípios da Capital: São Paulo (1985**-1999).......... 123

Gráfico 3.34: Juros Reais e Média Geométrica (12 meses) dos Juros Reais* (1985-2000) .................................................................................................................. 124

Diagrama 3.A.1: Estrutura do Banco de Dados Criado a partir dos Dados daEmbraesp ............................................................................................................ 130

Diagrama 3.A.2: “Tipologia” para os Agentes do Mercado ......................................... 143

Índice de TabelasTabela 1: Distribuição da PEA por Classes de Atividade Selecionadas (1991) .............. 10Tabela 2: Distribuição da PEA em Atividades Urbana por Classes Selecionadas

(1991) ................................................................................................................... 11Tabela 3: Distribuição da PEA por Classes de Atividade Selecionadas (1980) .............. 12Tabela 4: Distribuição da PEA em Atividades Urbana por Classes Selecionadas

(1980) ................................................................................................................... 12Tabela 5: Taxa Geométrica de Crescimento Anual da PEA (1980-1991) para classes

de atividade selecionadas ...................................................................................... 13Tabela 6: Distribuição da Força de Trabalho por Grande Grupos Ocupacionais (1991) . 15Tabela 7: Índice de Similaridade Geográfica e Fração da PEA nas Regiões

Metropolitanas por Setor de Atividade MIP........................................................... 22Tabela 8: Efeito do Custo de Transporte sobre a Concentração de Serviços Produtivos

(1991) ................................................................................................................... 27Tabela 9: Efeito da Presença de Trabalhadores em Ocupações Similares sobre a

Concentração de Serviços Produtivos (1991) ............................................................ 29Tabela 10: Efeitos da Variação no Custo de Transporte sobre a Concentração nos

Serviços Produtivos e na Indústria de Transformação (1980 e 1991)..................... 31Tabela 11: Variação na Localização dos Serviços Produtivos (1980 e 1991)................. 33Tabela 12: Efeitos da Variação no Custo de Transporte sobre a Concentração nos

Serviços Produtivos nas 10 Regiões Metropolitanas (1980 e 1991)........................ 34Tabela A.1: Compatibilização entre setores de atividade MIP e Censitários.................. 36Tabela 2.1: Densidade e Renda Média do Chefe do Domicílio para Distritos com Alta

Densidade a mais de 5 km da Praça da Sé............................................................. 65Tabela 3.A.1: Variáveis Pertencentes à Base Original da Embraesp que não Constam

nos Dados Revistos ............................................................................................. 131Tabela 3.A.2: Variáveis Pertencentes à Base Original da Embraesp que Constam nos

Dados Revistos ................................................................................................... 132Tabela 3.A.3: Variáveis Pertencentes aos Dados Desagregados que não Constam nos

Dados Originais .................................................................................................. 133Tabela 3.A.4: Variáveis Pertencentes aos Dados por Condomínio ............................... 134Tabela 3.A.5: Variáveis Pertencentes aos Dados Georeferenciados ............................. 135Tabela 3.A.6: Variáveis Pertencentes ao Cadastro das Empresas (Construtoras,

Incorporadoras e Vendedoras)............................................................................. 135Tabela 3.A.7: Total de Domicílio (Milhares) por Município da RMSP (1985-1998).... 137Tabela 3.A.8: Variáveis de Produção para as Construtoras Selecionadas..................... 144Tabela 3.A.9: Variáveis de Preço e Prazos para as Construtoras Selecionadas............. 145Tabela 3.A.10: Variáveis de Produção para os Grupos de Construtoras....................... 146Tabela 3.A.11: Variáveis de Preço e Prazos para os Grupos de Construtoras............... 147Tabela 3.A.12: Variáveis de Produção para as Incorporadoras Selecionadas ............... 148Tabela 3.A.13: Variáveis de Preço e Prazos para as Incorporadoras Selecionadas ....... 149Tabela 3.A.14: Variáveis de Produção para os Grupos de Incorporadoras ................... 150Tabela 3.A.15: Variáveis de Preço e Prazos para os Grupos de Incorporadoras ........... 151Tabela 3.A.16: Variáveis de Produção para as Vendedoras Selecionadas .................... 152Tabela 3.A.17: Variáveis de Preço e Prazos para as Vendedoras Selecionadas ............ 153Tabela 3.A.18: Variáveis de Produção para os Grupos de Vendedoras ........................ 154

Tabela 3.A.19: Variáveis de Preço e Prazos para os Grupos de Vendedoras ................ 155Tabela 3.A.20: Índices para Conversão de Bases do IGP-di e ICC-SP......................... 157Tabela 3.A.21: Reformas Monetárias (1985-1999) e Multiplicador de Preços

Nominais............................................................................................................. 157Tabela 4.A.1 ............................................................................................................... 185Tabela 4.A.2 ............................................................................................................... 186Tabela 4.A.3 ............................................................................................................... 187Tabela 4.A.4 ............................................................................................................... 188Tabela 4.A.5 ............................................................................................................... 189Tabela 4.A.6 ............................................................................................................... 190Tabela 3.A.7 ............................................................................................................... 197Tabela 4.A.8 ............................................................................................................... 198Tabela 4.A.9 ............................................................................................................... 199Tabela 4.A.10 ............................................................................................................. 200Tabela 4.A.11 ............................................................................................................. 201Tabela 4.A.12 ............................................................................................................. 202Tabela 4.A.13 ............................................................................................................. 209Tabela 4.A.14 ............................................................................................................. 210

Introdução

A Região Metropolitana de São Paulo (RMSP) mudou sua composição demográfica em

diversos aspectos nas últimas décadas. Três aspectos são particularmente relevantes: o

padrão migratório, a localização da população e a distribuição setorial da força de

trabalho. Durante este período, os governos federal, estadual e municipal realizaram

diversos investimentos em infra-estrutura especialmente no sistema de transportes que

influenciaram as mudanças referidas acima. Diversas perguntas ainda permanecem sem

resposta. Por que a RMSP diminuiu a sua participação no emprego industrial, mas não

diminuiu sua participação populacional? Serão os condomínios fechados, como

Alphaville, uma tendência ou apenas um caso isolado? Por que o preço do metro

quadrado em torna da Avenida Luiz Carlos Berrini aumentou de US$ 4 para US$40?

Uma série de outras perguntas poderiam ser feitas apenas a partir das mudanças

demográficas observadas. Obviamente esta tese não pretende responder todas essas

questões. O que se pretende é analisar aspectos das duas forças básicas que garantem o

equilíbrio de um sistema de cidades: as forças centrífugas e centrípetas ou as força de

atração e expulsão. Na verdade para entender por que se verificam os padrões de

localização especial deve-se primeiro entender por que existem cidades, ou melhor, por

que as pessoas se aglomeram em uma região ao invés de se distribuírem uniformemente

no espaço. Ainda que seja evidente que as pessoas não se distribuem de maneira

uniforme, os economistas (pelo menos os do “maistream”) simplesmente ignoraram este

fato. Isto porque com rendimentos constantes de escala, agentes racionais deveriam

estabelecer novas firmas sempre a uma distância fixa uma das outras.

Introdução 2

As aglomerações populacionais só ocorrem devido a alguma forma de economias de

escala. Os motivos “econômicos” das economias de aglomeração foram elencados em

1896 por Alfred Marshal. Em um centro industrial as firmas economizam em transporte

pois estão mais próximas dos fornecedores de insumos intermediários (especialmente os

“não-comerciáveis”) e dos seus clientes. Por outro lado, trabalhadores especializados

diminuem o risco de desemprego num grande centro se os choques de oferta entre as

firmas não forem correlacionados. Finalmente, como supostamente a informação flui

mais facilmente localmente do que através de grandes distâncias, um centro industrial

gera o que se chama “technological spillover” ou seja, a “circulação” da tecnologia.

Uma vez que uma nova empresa se estabeleceu num centro, ela gera um incentivo ainda

maior para que outras empresas também se estabeleçam neste centro. Esta “causação

circular” é exatamente o argumento de Myrdal (1943). Portanto, uma vez criada uma

cidade ela deve crescer indefinidamente? A resposta é obviamente não. Os motivos

econômicos essenciais aprecem em von Thünen (1829) e estão ligados ao aumento de

congestionamento (e, portanto, do custo de transportes) e à elevação do preço da terra

(dois lados de uma mesma moeda).

Se os argumentos básicos já tinham sido dados há muitos anos, por que o espaço teve

sempre um lugar secundário na análise econômica? Sem entrar no mérito da discussão,

uma coisa é clara: faltavam aos economistas ferramentas que permitissem lidar com

mercados imperfeitos. Neste sentido, os avanços nos estudos de organização industrial

foram fundamentais para que fosse possível modelar o comportamento da economia

regional ou urbana (e mesmo a internacional) dentro do espaço. Assim, na década de

Introdução 3

1990 assiste-se a um renascimento da economia regional e urbana dentro do

“mainstream”.

Estas questões simplesmente abandonadas pelos economistas foram os principais temas

dos urbanistas desde a criação desta área de estudos. A recente migração da mão-de-obra

da indústria para o setor de serviços pode ser compreendida pelos mesmos fatores que

explicam a concentração industrial do começo do século ou trata-se de um fenômeno

novo? O primeiro capítulo procura justamente analisar a parte nobre do setor de serviços,

o setor de serviços produtivos. Neste capítulo argumenta-se que a explicação econômica

é essencialmente a mesmo. A urbanização dos serviços é devida, entre outros aspectos, a

economias no custo de transportes. No entanto, como os serviços, por definição, não

produzem um produto físico, os custos de transporte para este setor podem cair

drasticamente com as mudanças na tecnologia da informação. No primeiro capítulo fica

claro que a proximidade dos clientes como motivo de localização dos serviços nas

grandes cidades vem perdendo a sua importância. No entanto, outros elementos de

atração como a maior densidade de trabalhadores especializados permanece relevante

para a atração de firmas para as grandes aglomerações urbanas. Se as regiões

metropolitanas vêm perdendo um pouco de emprego, este não está fluindo para as

cidades médias, mas sim para as grandes cidades não metropolitanas.

No segundo capítulo são discutidas as forças de expulsão. Se o custo de transporte é um

dos grandes elementos de atração das grandes cidades, este mesmo aspecto acaba por

expulsar as pessoas. É claro que existem outros fatores de expansão como o

deterioramento ambiental entre outros. No entanto, o aumento no congestionamento e o

conseqüente aumento no preço da terra urbana é um dos fatores fundamentais para se

Introdução 4

compreender o movimento de pessoas do centro para a periferia da área urbana. Este

movimento, numa escala menor do que a discutida anteriormente, pode diminuir a

competitividade de uma cidade. No capítulo 2 apresenta-se a teoria econômica que

formaliza a relação entre o custo do transporte, o preço da terra e a área urbana.

Para se estudar empiricamente esta relação entre o custo da terra e o custo de

deslocamento, foi necessária a utilização de uma base de dados “proprietária”, o

informativo imobiliário da Embraesp. Como esta base não tem fins acadêmicos, não se

trata de uma amostra no sentido estatístico do termo. Além do mais, como os objetivos

são mais imediatistas, a série histórica precisa ser revista. Além do que, uma série de

dados necessária para a análise não faz parte desta base. Parte deles (especialmente os

dados dos compradores) simplesmente não são recuperáveis de maneira direta. Outros

dados foram possíveis de se adicionar. Em especial, a localização espacial dos

lançamentos permitiu que diversos dados de distância fossem calculados, fundamental

para se compreender a relação com os custos de transporte. Assim, pode-se dizer que, em

certa medida, trata-se praticamente de uma base de dados nova para a academia. Por este

motivo, o capítulo 3 descreve esta base de dados e com isto o próprio mercado de

imóveis.

Finalmente, no capítulo 4, uma função de demanda e oferta de imóveis é estimada para a

Região Metropolitana de São Paulo. A estimação destes parâmetros é extremamente

complexa dados os problemas convencionais de endogeneidade somados ao fato dos

imóveis serem bens altamente heterogêneos. Por isso, a primeira parte do capítulo

descreve a metodologia utilizada para realizar tais estimativas. Conclui-se que o mais

sério candidato a subúrbio de alto padrão seguindo o modelo americano, Barueri,

Introdução 5

aparentemente não é significativo para a região como um todo. Os centros tradicionais, o

ABC e Guarulhos, continuam representando o grande ponto de atração depois de São

Paulo. Além do que, a demanda por imóveis próximos ao centro de São Paulo continua

sendo mais elevada do que em qualquer outra localização. Se deslocarmos o centro para o

Sudoeste o efeito é ligeiramente maior mas esta mudança, em escala metropolitana, não

chega a ser significativa.

Um trabalho como este que se desenvolveu durante anos de pesquisa contou com a ajuda

direta ou indireta de um grande número de pessoas. Correndo o inevitável risco de

esquecer algumas gostaria de agradecer algumas importantes contribuições seja do ponto

de vista acadêmico seja do ponto de vista pessoal. É claro que, como diria Gilberto Gil,

os erros são todos meus.

O meu interesse por economia urbana começou no final de 1995 quando passei a integrar

o quadro de pesquisadores do Cebrap. As duas pesquisas em que me envolvi eram

justamente sobre a economia da Grande São Paulo e do Estado de São Paulo. Maria

Carolina Leme que coordenava a área de economia do Cebrap foi então a primeira pessoa

com a qual comecei a discutir o assunto que se tornaria o meu tema de estudo até o

presente momento. Assim a Carola foi a minha porta de entrada para o assunto. Com os

urbanistas que faziam parte do grupo comecei a compreender uma série de aspectos não

puramente econômicos do problema. Notadamente Regina Meyer e Marta Grostein foram

contribuições intelectuais fundamentais na minha formação nesta área de estudos. Na

realidade todos os pesquisadores do Cebrap influenciaram a minha formação nesta área.

Acho que os dois mais importantes foram José Artur Giannotti e Luis Felipe de

Alencastro. A técnica didática de Giannotti de nocautear o expositor para forçar o

Introdução 6

raciocínio rápido pode parecer truculenta para alguns mas para mim foi sempre

extremamente instigante. As conversas com Luis Felipe, por outro lado, além de muito

agradáveis também instigaram muitos raciocínios importantes para a minha formação.

Foi também devido a esta pesquisa que travei contato com Afonso Arinos. Em primeiro

lugar lendo a sua brilhante tese de doutorado e em seguida procurando montar uma

pesquisa conjunta.

Nos Estados Unidos o número de pessoas que contribuíram de maneira mais direta para

esta tese foi muito grande visto que neste período eu já estava em fase monográfica de

fato. Os comentários do meu co-orientador, Bill Wheaton foram extremamente valiosos.

As contribuições de Whitney Newey e Ariel Pakes para o último capítulo foram

fundamentais para aumentar o rigor das estimativas. Ed Glaeser foi decisivo no primeiro

capítulo da tese. Com o seu orientando Jed Kolko tive uma série de conversas

fundamentais para a realização do primeiro capítulo da tese. Foi conversando numa casa

de chá em Harvard Square que decidimos realizar estudos semelhantes sobre os serviços

produtivos nos EUA e no Brasil. A idéia seria comparar os resultados. Ainda que ele

tenha olhado as minhas tabelas, eu me aproveitei bem mais desta “joint-venture” pois Jed

terminou a tese antes de mim.

De volta ao Brasil as conversas e auxílios do grupo do Lume foram importantes na

realização final do trabalho. Em especial gostaria de citar a Paula e a Tais sempre prontas

a trabalhar e sempre mantendo uma posição crítica com relação às proposições. Também

meu orientador, Robert Nicol, manteve um grande apoio ao meu trabalho. Ele soube

entender perfeitamente as minhas necessidades de tempo e sempre se mostrou pronto a

ajudar, independente da minha desorganização. Da FGV gostaria ainda de citar José

Introdução 7

Marcio Rego com quem discuti a relação entre São Paulo e Buenos Aires, Samuel Pessoa

e Artur Barrionuevo que fizeram parte da minha banca de qualificação tecendo

comentários muito interessantes para o desenvolvimento do trabalho.

Do ponto de vista pessoal, todos os amigos que souberam entender a minha ausência em

diversos momentos e não tomaram isto como pessoal eu agradeço. Em especial Jussara

que além de ter tido grande paciência, fez a capa desta tese e me mostrou o ABC de

verdade. Luis, além de um grande amigo e de realizar esta versão em pdf é sempre um

dos maiores entusiastas do meu trabalho. Aos meus pais, para os quais eu dedico mais

esta monografia, não tenho nem palavras para agradecer o apoio incondicional recebido

durante o período.

Capítulo 1

As Grandes Cidades e a Atração de Empresas

Será que os avanços da tecnologia da informação tendem a tornar as cidades obsoletas?

Esta questão que pode parecer um pouco extremista é defendida por alguns autores,

notadamente Peter Drucker. A argumentação é que com os avanços da tecnologia da

informação, os contactos pessoais, “cara-a-cara”, não serão mais necessários. Sendo

assim, as pessoas não terão mais motivos para se aglomerar em grandes centros urbanos.

De fato, a teoria econômica prevê que, num mundo em que o custo de transporte é zero,

não haveria motivo para as pessoas se concentrarem num mesmo lugar.

Hoje em dia, sabe-se que a ocupação na indústria vem diminuindo a largos passos. Ainda

que este processo seja um pouco mais lento no Brasil, a Indústria de Transformação que

era responsável por 23% da população empregada em atividades urbanas em 1980 passou

a empregar somente 19% em 1991. Ao mesmo tempo, devido à redução nos custos de

transporte físico, as empresas têm deixado o caos das grandes cidades se dirigindo para

lugares menores com custo da terra menor. Enquanto a força de trabalho na Indústria de

Transformação cresceu 1,6% para o Brasil como um todo, este aumento foi de apenas

0,4% nas regiões metropolitanas. Assim, a sobrevivência das regiões metropolitanas está

intimamente ligado com a capacidade destas regiões atraírem as empresas de serviço,

sobretudo o ramo nobre desta atividade, os “serviços produtivos”1.

Para entender por que as cidades conseguem (ou não) atrair as empresas de serviços é

importante antes de mais nada compreender por que este setor está sobre-representado

nas grandes cidades. Neste capítulo examina-se duas hipóteses explicativas coerentes

As Grandes Cidades e a Atração de Empresas 9

com as teorias de economia urbana. A primeira é que os serviços se localizam nas

grandes cidades devido ao custo de transporte. Como a maioria dos serviços requer uma

interação “cara-a-cara” com seus clientes, o custo de entrega efetiva dos serviços é

altamente influenciado pelo custo de deslocamento. Como os serviços produtivos

apresentam um grau de interação extremamente elevado, a tendência a co-aglomeração é

elevada. Uma segunda explicação seria que as grandes cidades concentram a mão-de-

obra especializada que os serviços produtivos necessitam. Se os trabalhadores são aversos

ao risco, eles preferem se concentrar nas grandes cidades para diminuir a probabilidade

de desemprego.

Eu encontrei evidência de que a concentração de trabalhadores em atividades típicas dos

serviços produtivos explicam uma boa parte da concentração deste setor nas regiões

metropolitanas. A proximidade dos clientes, por outro lado, não parece ser relevante em

1991, ao contrário do que se verificava em 1980. Esta evidência já pode ser um indicador

de uma tendência a diminuição da importância da proximidade decorrente dos avanços na

tecnologia de informação. Por outro lado, o custo de transporte com relação aos

fornecedores ainda explica uma parte desta concentração (ainda que a influência da

presença de trabalhadores em funções similares seja maior).

Este capítulo está dividido em 3 seções além desta. Na próxima seção apresenta-se uma

descrição da distribuição das atividades em função do tamanho da região. A seção

seguinte inicia a análise empírica utilizando os dados do censo e da matriz insumo-

produto de 1991. Na última seção a variação das forças de aglomeração entre 1980 e

1991 é analisada. Um apêndice detalha os procedimentos de compatibilização entre as

diferentes bases e as divisões administrativas no tempo.

1 Para uma listagem das atividades incluídas nesta classe vide apêndice.


1.1 O Setor de Serviços e a Distribuição das Atividades eOcupações da População nas Micro-regiões BrasileirasA força de trabalho não se divide uniformemente nas micro-regiões. Por exemplo, as

regiões metropolitanas e as micro-regiões com mais de 200 mil habitantes concentram

muito mais população na indústria de transformação do que as micro-regiões menores.

Os serviços produtivos apresentam uma distribuição ainda mais concentrada

(relativamente): 9% da PEA não agrícola2 se concentra neste tipo de serviço nas regiões

metropolitanas contra 6% concentrados na micro-regiões com mais de 500 mil habitantes.

Como se pode notar na Tabela 2, a participação de serviços produtivos é diretamente

proporcional à população da micro-região. Se não considerarmos as micro-regiões com

menos de 50 mil habitantes, a participação dos serviços pessoais (entre 17% e 19%) e de

outros serviços (entre 40% e 42%) é bem parecida em todas as micro-regiões.

Tabela 1: Distribuição da PEA por Classes de Atividade Selecionadas (1991)

Região $JULFXOWXUDH ([WUDWLYD9HJHWDO

,QG~VWULDGH

7UDQVIRUPDomR

ServiçosProdutivos

ServiçosPessoais

ServiçosDistributivos

Sociais eGoverno

Outros*

Regiões Metropolitanas 3% 19% 8% 17% 38% 14%mais de 500 mil habitantes 12% 17% 5% 15% 37% 14%200 a 500 mil habitantes 35% 12% 3% 12% 26% 11%100 a 200 mil habitantes 42% 9% 3% 11% 24% 11%50 a 100 mil habitantes 49% 8% 2% 10% 21% 10%menos de 50 mil habitantes 48% 6% 2% 8% 23% 12%0pGLD %UDVLO 23% 15% 5% 14% 31% 12%

* Extrativa Mineral, Construção, Utilidades PúblicaFonte: Tabulação própria a partir dos dados do Censo Demográfico de 1991 (Ibge).

Na realidade a concentração de serviços produtivos nas grandes cidades, em especial nas

regiões metropolitanas não é um fenômeno novo. Note-se nas Tabelas 3 e 4 que a

2 As tabulações são apresentadas considerando-se a PEA em atividades agrícolas ou extrativas vegetais(Tabelas 1 e 3) e retirando-se esta população (Tabelas 2 e 4). Como a população agrícola no Brasil é elvadapara padrões internacionais, a inclusão ou não desta população afeta consideravelmente. Principalmente seconsiderarmos que as micro-regiões com menos de 100 mil habitantes têm cerca de 50% da sua PEA totalem atividades agrícolas contra 12% das micro-regiões com mais de 500 mil habitantes e 3% das regiõesmetropolitanas. Para definição das classes de atividade vide apêndice.


concentração desta classe de atividades praticamente não se alterou entre 1980 e 1991. As

mudanças significativas na década de 80 ocorreram nos setores agrícolas, indústria de

transformação e em serviços sociais, distributivos e administração pública. Enquanto os

dois primeiros perderam participação, respectivamente, de 30% para 23% e de 16% para

15% o último aumentou sua participação na força de trabalho de 26% para 31%.

Tabela 2: Distribuição da PEA em Atividades Urbana por Classes Selecionadas(1991)

Região ,QG~VWULD GH7UDQVIRUPDomR

ServiçosProdutivos

ServiçosPessoais

ServiçosDistributivos,

Sociais eGoverno

Outros*

Regiões Metropolitanas 20% 9% 18% 40% 14%mais de 500 mil habitantes 19% 6% 17% 42% 16%200 a 500 mil habitantes 19% 5% 18% 41% 17%100 a 200 mil habitantes 15% 5% 19% 42% 19%50 a 100 mil habitantes 15% 4% 19% 42% 20%menos de 50 mil habitantes 13% 4% 16% 45% 23%0pGLD %UDVLO 19% 7% 18% 41% 16%

* Extrativa Mineral, Construção, Utilidades PúblicaFonte: Tabulação própria a partir dos dados do Censo Demográfico de 1991 (Ibge).

Ainda que a diminuição da força de trabalho na indústria de transformação seja

aparentemente desprezível, quando se considera apenas a PEA não agropecuária pode-se

verificar uma diminuição na participação de 23% para 19%. Como a PEA agrícola se

reduziu consideravelmente, o setor industrial não só deixou de absorver esta mão-de-obra

que migrou de atividades rurais para atividades urbanas como também perdeu parte dos

seus trabalhadores para os setores de serviço.

Na realidade, a força de trabalho nas regiões metropolitanas tem crescido a uma taxa

parecida com a média nacional assim como as micro-regiões médias (de 100 mil a 500

mil habitantes) têm crescido a uma taxa parecida com a média nacional. O mesmo não se

pode dizer das micro-regiões mais populosas não localizadas em regiões metropolitanas.

As micro-regiões com mais de 500 mil habitantes têm crescido a uma taxa muito superior


à média nacional (3,6% contra 2,4%). O oposto ocorre com as micro-regiões pequenas

que vem perdendo população em termos relativos.

Tabela 3: Distribuição da PEA por Classes de Atividade Selecionadas (1980)

Região* $JULFXOWXUDH ([WUDWLYD9HJHWDO

,QG~VWULD GH7UDQVIRUPD

omR

ServiçosProdutivos

ServiçosPessoais


Sociais eGoverno

Outros**

Regiões Metropolitanas 4% 24% 8% 16% 34% 15%mais de 500 mil habitantes 18% 18% 5% 13% 31% 15%200 a 500 mil habitantes 46% 12% 3% 9% 20% 10%100 a 200 mil habitantes 54% 8% 2% 8% 18% 10%50 a 100 mil habitantes 62% 7% 2% 7% 15% 8%menos de 50 mil habitantes 67% 5% 1% 5% 14% 7%0pGLD %UDVLO 30% 16% 5% 12% 26% 12%

*Não inclui Mato Grosso; **Extrativa Mineral, Construção, Utilidades PúblicaFonte: Tabulação própria a partir dos dados do Censo Demográfico de 1980 (Ibge).

Este movimento das populações em regiões pouco populosas para regiões mais densas é

um processo bem antigo e corresponde ao movimento migratório que sempre se verificou

na história. A novidade é que no movimento de urbanização da primeira metade do

século, a população rural migrava basicamente da agro-pecuária para a indústria. Hoje em

dia, o que ocorre é uma migração da agricultura, além de uma migração de trabalhadores

da própria indústria, para o setor de serviços. A questão é saber se existe alguma

diferença destes dois processos.

Tabela 4: Distribuição da PEA em Atividades Urbana por Classes Selecionadas(1980)

Região* ,QG~VWULD GH7UDQVIRUPDomR

ServiçosProdutivos

ServiçosPessoais


Sociais eGoverno

Outros**

Regiões Metropolitanas 25% 9% 16% 35% 15%mais de 500 mil habitantes 22% 6% 16% 38% 18%200 a 500 mil habitantes 22% 5% 16% 37% 19%100 a 200 mil habitantes 17% 5% 18% 39% 21%50 a 100 mil habitantes 19% 5% 18% 38% 21%menos de 50 mil habitantes 16% 3% 16% 42% 22%0pGLD %UDVLO 23% 7% 17% 36% 17%

*Não inclui Mato Grosso; **Extrativa Mineral, Construção, Utilidades PúblicaFonte: Tabulação própria a partir dos dados do Censo Demográfico de 1980 (Ibge).


Um outro fato notável na Tabela 5 é que os setores de serviços produtivos cresceram a

uma taxa abaixo da média nas regiões metropolitanas, ainda que tenha crescido a uma

taxa acima da média nas “grandes” regiões3. Além do que, cresceram a uma taxa inferior

a dos serviços pessoais tanto para o país como um todo como para os grupos de região. A

exceção ocorre nas micro-regiões com mais de 500 mil habitantes onde se verificou o

maior crescimento do emprego nos serviços produtivos, a uma taxa virtualmente igual a

dos serviços pessoais.

Tabela 5: Taxa Geométrica de Crescimento Anual da PEA (1980-1991) para classesde atividade selecionadas

Região* ,QG~VWULDGH

7UDQVIRUPDomR

ServiçosProdutivos

ServiçosPessoais


Sociais eGoverno

Outros** Total daPEA

Regiões Metropolitanas 0.4% 2.5% 3.0% 3.4% 1.5% 2.3%mais de 500 mil habitantes 2.9% 4.9% 4.9% 5.3% 3.1% 3.6%200 a 500 mil habitantes 2.6% 4.0% 4.9% 5.0% 3.1% 2.3%100 a 200 mil habitantes 3.5% 3.6% 4.9% 5.0% 3.4% 2.2%50 a 100 mil habitantes 2.2% 3.3% 5.0% 5.5% 4.0% 1.9%menos de 50 mil habitantes 2.6% 4.7% 5.1% 6.6% 4.2% 1.5%0pGLD %UDVLO 1.6% 3.2% 4.0% 4.4% 2.5% 2.4%

*Não inclui Mato Grosso; **Extrativa Mineral, Construção, Utilidades PúblicaFonte: Tabulação própria a partir dos dados do Censo Demográfico de 1980 e 1991 (Ibge).

Estes dados são razoavelmente coerentes com os observados para a economia norte-

americana com uma diferença crucial: o aumento da força de trabalho nos serviços

produtivos foi maior do que a verificada para os serviços pessoais4. No entanto, os

demais dados são bem parecidos, ainda que aparentemente a mudança seja mais radical

nos Estados Unidos. Por exemplo, a força de trabalho na indústria americana vem caindo

3 Não se considerou Mato Grosso nas tabelas de 1980 ou nas tabelas em que se compara 1991 com 1980devido à grande dificuldades em compatibilizar a divisão geográfica de 1980 com a de 1991 neste estado.Esta tarefa não foi trivial para os outros estados (longe disso), mas foi extremamente complexa para oestado do Mato Grosso.4 A indústria de transformação (manufacturing) diminuiu sua força de trabalho em 0,4% entre 1977 e 1995.Os serviços produtivos (business services) aumentaram a sua força de trabalho em 4,9% contra 4,4% paraos serviços pessoais (consumer services). Com isto, a participação dos serviços produtivos na força detrabalho americana aumentou de 13,6% para 21,5%. Vide Kolko (2000).


e não crescendo a taxas inferiores do que a média. Por outro lado, o crescimento dos

setores de serviços produtivos foi mais intenso nas regiões metropolitanas com menos de

2,5 milhões de habitantes5.

O fato que a indústria vem diminuindo a sua participação no emprego e migrando para

regiões menores é verificado praticamente em todos os países. Como a participação da

indústria na produção não tem se alterado, provavelmente se está verificando aumentos

de produtividade na indústria contra uma produtividade relativamente constante dos

serviços. A questão que se coloca é para onde está migrando esta força de trabalho que

não tem mais postos na indústria. Enquanto nos EUA ela tem migrado para os serviços

produtivos, no Brasil outros serviços é que têm absorvido esta população (enquanto na

Europa notou-se um aumento do desemprego). Esta diferença não é irrelevante na medida

em que os serviços produtivos, via de regra, apresentam maior qualificação e, portanto,

maiores salários.

Independente do problema discutido no parágrafo anterior, o fato é que os serviços

produtivos estão sobre-representados nas regiões metropolitanas e nas maiores micro-

regiões do país. Ainda que a alteração verificada na década de 80 para as regiões

metropolitanas esteja abaixo da média, o maior crescimento deste grupo se deu

justamente nas maiores micro-regiões. Assim, não há evidência que esta sobre-

representação esteja diminuindo. É importante destacar que não se trata de um problema

de medida devido a maior divisão do trabalho nas grandes cidades (o que poderia induzir

a uma substituição na provisão de serviços domesticamente por firmas independentes).

5 É um pouco difícil comparar as divisões regionais com os dados brasileiros pois nos EUA existe umnúmero muito grande de regiões metropolitanas (MSA). Em princípio as maiores MSAs (com mais de 2,5milhões de habitantes) equivalem às nossa regiões metropolitanas (RM). Para este grupo a força de trabalho


Na Tabela 6 apresenta-se a distribuição da força de trabalho ao longo das ocupações.

Quanto menor a região maior a porcentagem de trabalhadores em ocupações genéricas

em detrimento a trabalhadores em ocupações específicas.

Um detalhe importante da concentração setorial é a diferença entre o que se denomina

“ganhos de aglomeração” e “ganhos de urbanização”. Enquanto o primeiro refere-se a

ganhos de escala devido à presença de outras firmas iguais, o segundo refere-se ao ganho

de escala decorrente da presença de firmas do setor em geral. Ellison e Glaeser (1997)

mostram que os ganhos de urbanização para os serviços são maiores do que para a

indústria de transformação. No entanto, os ganhos de aglomeração são maiores para as

manufaturas. Se isto vale para o Brasil é uma questão que foge ao escopo desta tese6.

Tabela 6: Distribuição da Força de Trabalho por Grande Grupos Ocupacionais(1991)

Região Empregadores Mando Subalternos Manuais Outros*Regiões Metropolitanas 3.5% 9.6% 27.0% 47.9% 12.1%mais de 500 mil habitantes 3.2% 7.3% 23.4% 46.1% 20.1%200 a 500 mil habitantes 2.5% 3.9% 15.0% 36.0% 42.6%100 a 200 mil habitantes 2.2% 3.1% 13.1% 32.3% 49.3%50 a 100 mil habitantes 1.9% 2.4% 11.0% 29.0% 55.8%menos de 50 mil habitantes 1.7% 2.5% 11.4% 26.9% 57.5%0pGLD %UDVLO 2.9% 6.2% 19.8% 40.5% 30.6%

* Inclui trabalhadores ruraisFonte: Tabulação própria a partir dos dados do Censo Demográfico de 1991 (Ibge).

A teoria urbana convencional prevê que setores com alto custo de transporte devem se

localizar próximo dos seus consumidores. O problema é que, em geral, se define serviços

justamente como os setores que não têm produtos físicos. Acontece que a maioria dos

serviços exige um contacto “pessoal” e, portanto, o custo de transporte é o do próprio

em serviços produtivos aumentou 4,5% contra 5,3% nas MSAs com população entre 1 e 2,5 milhões dehabitantes.6 A grande dificuldade é o cálculo do índice de distribuição de plantas de Herfindahl.


ofertante (ou do cliente para o local de prestação do serviço) e não do produto7. Assim, o

relevante para os serviços em geral é estar próximo aos seus consumidores mais do que

estar próximos a empresas idênticas8.

Na verdade, as razões teóricas para explicar porque os serviços produtivos estão sobre-

representados nas regiões metropolitanas é semelhante às razões geralmente citadas para

a indústria no início do processo de urbanização. A razão mais fundamental é que as

empresas do setor de serviços, além de servir outros setores, também servem o próprio

setor. Este raciocínio circular formalizado por Krugman (1991 e 1995) para explicar a

concentração industrial no nordeste dos Estados Unidos após a revolução industrial,

generalizado em Fujita, Krugman e Mori (1999), também se aplica para o setor de

serviços produtivos. Em termos empíricos, este argumento sugere que a tendência do

setor de serviços se localizar em grandes cidades deveria estar correlacionada com a

parcela dos seus produtos indo para outros serviços (os “backward linkages” de

Hirshman) assim como a parcela de seus insumos proveniente de outros serviços

(“forward linkages”).

Existem, no entanto, outros motivos mais específicos que poderiam justificar a

concentração de serviços produtivos nas grandes cidades. Um deles é que uma grande

parte da demanda por serviços produtivos provém das sedes das empresas e as sedes das

empresas se concentram nas grandes cidades. Um outro motivo específico do setor

refere-se ao fato dos serviços serem muito mais “trabalho-intensivo” do que as indústrias.

Além do que, a mão-de-obra trabalhando em serviços produtivos apresenta em média

7 O custo do transporte inclui o custo pecuniário e o tempo de viagem. Isto porque em geral o serviçoimplica no transporte físico do próprio ofertante. Se o produto do serviço pode ser entregue via correio,telefone ou internet, faz parte do custo a perda de qualidade decorrente.


mais anos de estudo do que a mão-de-obra da indústria. Portanto, existem duas fontes

relevantes de economia para os serviços produtivos se localizarem em grandes cidades.

Em primeiro lugar, se os choques de demanda sobre as empresas não são perfeitamente

correlacionados, um trabalhador averso ao risco aceitaria um salário menor em uma

grande cidade já que a probabilidade de ficar desempregado seria menor. Além do que,

devido a maior concentração nas grandes cidades de universidades e empresas de alta

tecnologia, as empresas de serviços produtivos, se localizando em grandes cidades,

estariam próximas da mão-de-obra que elas demandam. Finalmente, um motivo para a

maior presença de trabalhadores especializados em grandes cidades estaria relacionada às

“amenidades” ofertadas por estas cidades como cinemas, museus, etc9.

Assim, a concentração de serviços produtivos nas grandes cidades se justifica em

diversos termos. No entanto, resta saber se esta tendência deve se manter ou não. Os

arautos da “era da informação” como Peter Drucker10 sustentam que os avanços na

tecnologia da informação podem afetar a decisão de localização das empresas tanto via

diminuição no custo de transporte como através da influência sobre algumas das

vantagens de custo das cidades discutidas acima.

Que os avanços tecnológicos recentes diminuíram o custo de transmissão de informação é

indiscutível. No entanto, até que ponto estes avanços de fato são relevantes é uma questão

bem diferente. Particularmente não creio que seja uma mudança nem ao menos

8 É este o argumento de Kim (1995) para justificar grandes economias de urbanização para os serviços emdetrimento de economias de aglomeração.9 Na verdade estas “amenidades” podem ser anuladas pelos custos de aglomeração (congestionamentos,poluição etc.) discutidos mais adiante nesta tese. Kahn (1995) mostra que os salários tendem a ser maioresnas cidades consideradas de baixa qualidade de vida.10 Ainda que este seja o tema de praticamente todos os textos do autor, um bom apanhado das suas idéiascom aplicação para as cidades pode ser encontrada no seu artigo do Wall Street Journal de 4 de abril de1989 intitulado “Information and the Future of City” onde o autor argumenta que as cidades tendem adesaparecer.


comparável com o advento do telex no início do século passado. De qualquer maneira, é

fato que alguns serviços não requerem mais o contato pessoal. Os serviços bancários, por

exemplo, em geral não necessitam de uma pessoa do outro lado do balcão. Quase todos

os serviços são atualmente ofertados nos bancos 24 horas ou na internet; conselhos

médicos podem ser obtidos diretamente em sites especializados; uma campanha

publicitária pode ser enviada em segundos para locais a milhares de quilometro de

distância. Na teoria, esta redução de custos deveria diminuir a tendência dos serviços em

se conglomerar nas grandes cidades.

Um outro argumento para redução da vantagem locacional decorrente dos avanços na

tecnologia da informação é que a necessidade de interação pessoal dentro de uma

empresa poderia diminuir. Assim, o trabalhador não precisaria viver na mesma cidade

que a empresa. O serviço poderia ser prestado de qualquer parte do globo. O risco de

desemprego seria o mesmo em qualquer cidade já que o mercado de trabalho seria global.

Não seria mais necessário ter, por exemplo, uma boa gama de cinemas já que qualquer

filme poderia ser visto a qualquer hora na tela do seu computador. Ou seja, nesta

sociedade utópica em que não há mais necessidade de interações pessoais, as vantagens

econômicas das cidades desapareceriam por completo.

Existe, no entanto, uma linha de argumentação oposta. Digamos que a comunicação por

“via remota” (fax, telefone, internet, etc.) seja complementar e não substituto da interação

cara-a-cara. Neste caso, uma diminuição no custo de transmissão da informação por via

remota poderia aumentar e não diminuir a necessidade de interação pessoal. É

exatamente este o argumento de Gaspar e Glaeser (1998). Por exemplo, pessoas

procurando parceiros na internet criam uma necessidade de encontro pessoal que não


existiria se não houvesse este serviço. Ainda que o exemplo seja bizarro ele ilustra uma

complementaridade entre comunicação virtual e real que de fato pode ocorrer. No

entanto, é difícil encontrar evidências deste efeito. Uma possível evidência seria o fato de

que as viagens internacionais e interestaduais têm aumentado a taxas crescentes. Wheaton

(1996) apresenta evidências da importância das interações pessoais na venda de imóveis

enquanto Saxenian (1994) mostra a importância da proximidade para empresas de alta

tecnologia. No entanto, evidências mais gerais são extremamente difíceis de se obter. De

qualquer maneira, em termos teóricos, o resultado do avanço tecnológico sobre as

vantagens das (grandes) cidades é ambíguo.

Um último ponto controverso é com relação à independência do setor de serviços. Alguns

autores defendem que os serviços são meras atividades auxiliares das atividades

industriais. Esta concepção tem serias conseqüências sobre decisões de política industrial.

Se o setor de serviço é apenas auxiliar do setor de manufaturas, não faz muito sentido

para o governo investir em setores de serviço para incentivar o crescimento de uma

região. Ao contrário da questão discutida anteriormente de cunho altamente teórico esta

questão é essencialmente empírica.

1.2 Análise EmpíricaNesta seção procura-se testar o poder de atração dos serviços produtivos em relação à

indústria de transformação. Em outras palavras, o objetivo é estimar o peso do custo dos

transportes e das vantagens de custo/produtividade que contribuem para a urbanização

dos serviços. Além disto estima-se a variação deste peso. Se as teses que acreditam que

os ganhos de urbanização tendem a se esvair estiverem corretas, este peso deve estar

diminuindo com o tempo. Apesar do foco da tese ser a Grande São Paulo, para se


verificar a decisão de localização das empresas, a escala de análise deve ser nacional. Isto

porque uma empresa decidindo onde se localizar não está entre São Caetano ou Barueri

mas sim entre São Paulo, Rio de Janeiro, Curitiba, etc. Quer dizer, enquanto o mercado

de imóveis pode ser analisado apenas em termos intra-metropolitanos o mercado

produtivo exige uma outra escala de análise.

Idealmente gostaríamos de ter estimativas do custo de transporte para cada setor. Na

prática estes dados não existem para o Brasil para nenhum setor e, que seja do meu

conhecimento, nenhum país possui esta estimativa para o setor de serviços11. Assim, a

importância do custo de transporte para um determinado setor de atividade foi estimada

examinando-se a localização de uma determinada indústria vis a vis seus clientes e

fornecedores. Um índice que reflete a similaridade entre a distribuição geográfica de um

setor e a distribuição geográfica dos seus clientes é:

2

2 ,,∑ −−≡ x

ixix dempP (1.1)

Onde emp é um indicador de emprego e d um indicador de demanda da indústria i na

região x definidos como:

0,,0

,,

xi

ixix

e

e

e

eemp ≡ (1.2)

∑≠

≡ij j

jx

i

jjiix

e

e

p

pmd

,0

,,,

*(1.3)

Onde as variáveis (e suas fontes) são12:

ex,i: população economicamente ativa na micro-região x na atividade i estimada apartir dos micro-dados da amostra do censo;

11 Nos EUA o Censo dos Transporte reporta o custo de transporte para as manufaturas relativo ao valor doproduto. Além de não incluir dados sobre o custo de transporte nos serviços, esta informação é endógena àdecisão de localização da firma.12 Detalhes da obtenção das variáveis são dados no apêndice. As atividade foram agregadas para que segarantisse a compatibilidade entre os dados do censo e da MIP.


e0,i: população economicamente ativa no setor i em todas as regiões;

ex,0: população economicamente ativa na região x em todos os setores;

e: população economicamente ativa no Brasil;

mij: unidades de insumos produzidos pelo setor i usados para produzir uma unidade doproduto j (coeficiente técnico intersetorial) ponderado pela estrutura dasatividades que o produzem estimados a partir da matriz de insumo-produto (MIP);

pi: produção do setor i estimado a partir da MIP.

Note-se que a definição das variáveis é relativa. A variável emprego, por exemplo, indica

a proporção do emprego numa dada atividade na região em questão em relação à

proporção nacional. Assim, se o emprego no setor financeiro em São Paulo for 10% da

PEA da região, mas este setor representa 4% da PEA nacionalmente, o índice para São

Paulo será 2,5. O índice P é análogo aos índices utilizados na literatura de segregação

residencial. Intuitivamente ele reflete a fração da produção de uma indústria consumida

localmente. Seu valor varia entre 0 (total dissimilaridade) a 1 (similaridade total).

A Tabela 7 apresenta o índice de similaridade descrito acima para os setores de atividade

da MIP. Os 42 setores originais tiveram de ser agregados em 32 setores para permitir a

compatibilidade com as 168 atividades do Censo de 91. Esta compatibilização está

detalhada no apêndice mas é bom notar que as atividades listadas na tabela 7 não são

estritamente compatíveis com as Tabelas anteriores. O que se denomina “Setores

Produtivos” usando somente dados censitários equivale aos setores de instituições

financeiras, serviços prestados às empresas e aluguel de imóveis.


Tabela 7: Índice de Similaridade Geográfica e Fração da PEA nas RegiõesMetropolitanas por Setor de Atividade MIP

Setor de Atividade P % RMs

AGROPECUÁRIA 0.535 5%EXTRATIVA MINERAL (EXCETO COMBUSTÍVEIS) 0.495 22%EXTRAÇÃO DE PETRÓLEO/OUTROS COMBUSTÍVEIS 0.001 28%FABRICAÇÃO DE MINERAIS NÃO-METÁLICOS 0.690 28%SIDERURGIA/METALURGIA 0.689 62%FABRICAÇÃO E MAN. DE MÁQUINAS E TRATORES 0.711 51%MATERIAL ELÉTRICO E ELETRÔNICO 0.581 58%FABRICAÇÃO DE VEÍCULOS, PEÇAS E ACESSÓRIOS 0.623 56%ARTIGOS DE MADEIRA E MOBILIÁRIO 0.698 29%INDÚSTRIA DE PAPEL E GRÁFICA 0.730 60%INDÚSTRIA DA BORRACHA 0.565 43%PRODUTOS QUÍMICOS NÃO-PETROQUÍMICOS 0.654 44%REFINO DE PETRÓLEO E INDÚSTRIA PETROQUÍMICA 0.585 74%FARMACÊUTICOS E PERFUMARIA 0.584 71%MATERIAL PLÁSTICO 0.627 68%INDÚSTRIA TÊXTIL 0.637 39%VESTUÁRIO E ACESSÓRIOS 0.525 52%CALÇADOS, COURO E PELES 0.535 48%INDUSTRIA DE ALIMENTOS 0.619 33%OUTRAS INDÚSTRIAS ALIMENTARES E DE BEBIDAS 0.620 46%INDÚSTRIAS DIVERSAS 0.835 54%SERVIÇOS INDUSTRIAIS DE UTILIDADE PÚBLICA 0.745 37%ADMINISTRAÇÃO PÚBLICA 0.522 36%CONSTRUÇÃO CIVIL 0.531 39%COMÉRCIO 0.571 43%TRANSPORTE 0.631 48%COMUNICAÇÕES 0.788 58%INSTITUIÇÕES FINANCEIRAS 0.539 60%SERVIÇOS PRESTADOS ÀS EMPRESAS 0.834 56%ALUGUEL DE IMÓVEIS 0.533 60%SERVIÇOS PRIVADOS NÃO-MERCANTIS 0.500 40%SERVIÇOS PRESTADOS ÀS FAMÍLIAS 0.610 48%PEA TOTAL 0.577 35%

Fonte: Tabulação própria a partir dos dados do Censo Demográfico de 1991 (Ibge).

Como se pode observar, os índices mais baixos ocorrem para os setores extrativos, como

seria de se esperar. Isto porque a localização da atividade extrativa depende trivialmente

da localização da jazida. No caso da extração de combustíveis o coeficiente é muito

próximo de zero, um caso raro de dissimilaridade perfeita. Um resultado importante é que

o maior índice se verifica justamente para o setor de serviços prestados às empresas. Por


outro lado, outros dois serviços produtivos (financeiro e de imóveis) apresentam índices

relativamente baixos. O resultado exatamente igual a 0,5 para os serviços não mercantis é

tautológico: por definição nenhuma empresa ou família compra serviços do setor.

Ainda que diversos setores da indústria de transformação apresentem índices

relativamente baixos, definitivamente não se trata de uma regra. A média ponderada pela

participação na força de trabalho dos 17 setores da indústria de transformação é cerca de

0,65, ligeiramente inferior à média dos setores de serviços produtivos (0,68). É verdade

que a média é reduzida pelos serviços financeiros que aparentemente não apresentam

grandes ganhos de urbanização, ainda que estejam altamente concentrados nas regiões

metropolitanas (60% da PEA).

Os fatos estilizados descritos até o momento dão uma idéia de como se distribuem as

atividades na Brasil. No entanto para se testar efetivamente o papel do custo de transporte

na decisão de localização das firmas, necessita-se de uma especificação econométrica que

permita inferir tais custos. Assim, especifica-se o emprego relativo da indústria na região

em função de (1) presença local de fornecedores desta indústria; (2) presença local de

clientes desta indústria; (3) presença local de trabalhadores de uma dada ocupação e (4) a

densidade populacional da micro-região13. A especificação, portanto, é dada por:

ixxixixxix ocfzemp ,3,2,1, εβββδα +++++= (1.4)

Onde o emprego foi definido em (1.2), zx é o logaritmo natural da densidade da micro-

região x, fx,i e cx,i são, respectivamente, índices de presença de fornecedores e

consumidores para a indústria i na região x e ox é um índice de presença de trabalhadores

13 Esta especificação é semelhante a adotada por Dumais, Ellison e Glaeser (1997) para analisar alocalização da indústria.


em ocupações similares na região. Mais formalmente, as variáveis podem ser definidas

como:

0,

,,,

xij j

jxijix

e

e

e

emf

≡ ∑

≠(1.5)

∑≠

≡

ij xj

jx

i

jjiix

e

e

e

e

p

pmc

0,,0

,,,

*(1.6)

0,,0

,,

xz

zxzx

e

o

o

oo ≡ (1.7)

Onde a única variável nova é ox,z que representa a população total na ocupação z na

região x (as outras variáveis são definidas de maneira análoga a e). Esta variável é uma

proxy para a presença de trabalhadores similares na região. Assim como a variável de

emprego, todas as variáveis definidas acima são normalizadas em função da média do

país. Esta normalização implica que a média destas variáveis, ponderada pelo emprego na

região, para cada indústria é 1, o que é equivalente a incluir efeitos fixos para a indústria

quando os setores são “empilhados”. No entanto, quando se empilha os setores desta

maneira, a variável de densidade e a variável de ocupação devem ser repetidas para cada

indústria, logo os erros devem ser correlacionados entre as micro-regiões. Para corrigir

este efeito, a estimação dos desvios inclui a análise de cluster por micro-região.

A especificação (1.4) descreve como as empresas decidem sua localização em equilíbrio

geral. As variáveis para os fornecedores, consumidores e trabalhadores definidas em (1.5)

a (1.7) são endógenas no sentido que os fornecedores, consumidores e trabalhadores da

indústria i podem escolher a sua localização em função da localização da indústria i.

Portanto o modelo descreve um equilíbrio geral ao invés de um equilíbrio parcial que

responderia a questão de como mudaria o emprego na indústria i dada uma mudança

exógena na presença de fornecedores, consumidores ou trabalhadores.


Uma outra característica importante da especificação adotada é que, implicitamente, os

custos de transporte aparecem duas vezes. A presença de consumidores afeta a decisão de

localização da empresa pois influi trivialmente no custo de transporte: se o produto

fabricado pela empresa i apresentas custo de transporte maior que zero, um aumento de

distancia do mercado consumidor aumenta o custo final do produto. Ou seja, o

coeficiente sobre o índice de presença de consumidores reflete o custo de transporte dos

produtos da própria empresa. A influência da presença de fornecedores no custo de

transporte é menos óbvia. Isto porque o coeficiente reflete uma média (ponderada) do

custo de transporte de todas as empresas. Assim, se o custo de transporte de uma dada

firma cair para zero, a presença de consumidores não deve mais influenciar a decisão de

localização da firma. No entanto, apenas se o custo de transporte de todas as firmas cair

para zero, a presença de fornecedores deixa de ter importância.

As Tabelas 8 e 9 apresentam os resultados para os 3 serviços produtivos empilhados. Na

primeira coluna apresenta-se uma regressão simples da emprego nas 3 indústrias em

função do logaritmo da densidade. A interpretação intuitiva do coeficiente sobre a

densidade populacional é que, dobrando a densidade populacional, a participação média

dos serviços produtivos deveria aumentar em 0.695 vezes a média de participação destes

setores na economia nacional. Como os serviços produtivos como grupo representa cerca

de 5% do emprego do país, dobrando a densidade de uma micro-região levaria a um

aumento de cerca de 3,5% na participação dos serviços produtivos na economia local.

Uma parcela desta relação pode ser explicada pelo custo de transporte. Quando se

adiciona a presença de fornecedores e consumidores o coeficiente cai cerca de 10%. O

coeficiente estimado para a presença de consumidores é inexplicavelmente negativo. Isto


pode significar que o custo de transporte para o cliente não é significativo para o setor de

serviços produtivos.

Como discutido na primeira seção, existem algumas razões para que o custo de transporte

se relacione com a urbanização dos serviços produtivos. Um dos argumentos importantes

é o de “co-aglomeração”: como os setores de serviços produtivos servem uns aos outros,

eles se localizam próximos uns aos outros. Para testar esta hipótese, a variável de

consumidores e de fornecedores é decomposta em duas novas variáveis: fornecedores e

clientes de outras indústrias e fornecedores e clientes do setor de serviços produtivos.

Como contrafactual para o setor de serviços foram selecionadas as atividades extrativas, a

indústria de transformação e a administração pública. Em princípio estes setores podem

ter sua localização definida exogenamente devido a recursos naturais, razões históricas,

etc. Quando se inclui os setores não serviço (coluna 3 da Tabela 8) o efeito sobre o

coeficiente da densidade é muito pequeno. Os coeficientes das variáveis também não são

muito significativos.


Tabela 8: Efeito do Custo de Transporte sobre a Concentração de ServiçosProdutivos (1991)

Variável dependente:participaçãorelativa do emprego em ServiçosProdutivos

(1) (2) (3) (4) (5)

0.695 0.617 0.676 0.582 0.545log(densidade populacional) ( .056) ( .066) ( .057) ( .071) ( .068)

-0.412Presença de consumidores ( .123)

3.881Presença de fornecedores ( .891)

-0.396 -1.222Presença de consumidores emsetores não-serviço ( .247) ( .307)

1.849 -2.375Presença de fornecedores emsetores não-serviço ( .742) ( .846)

3.369 8.661( .956) ( 1.358)

Presença de consumidores emsetores de serviços produtivos

11.595 12.800( 2.720) ( 2.372)

Presença de fornecedores emsetores de serviços produtivos

0.787 0.657 0.806 0.651 0.827Constante ( .103) ( .076) ( .096) ( .071) ( .083) R2 0.638 0.658 0.641 0.675 0.690N 1674 1674 1674 1674 1674

Regressão para os 3 serviços especializados empilhados. Dados ponderados por emprego na micro-região; desvio padrão em parênteses corrigido para presença de clusters (micro-regiões).

Fonte: Calculado a partir dos micro-dados do Censo Demográfico de 1991 e Matriz Insumo Produto de1991 (Ibge).

Na coluna 4 da Tabela 8 se inclui a presença de consumidores e fornecedores apenas do

setor de serviços produtivos. Nesta especificação os coeficientes de custo de transporte

são positivos e significativos. Além do que, o coeficiente da densidade cai mais ainda do

que quando se utiliza a presença de todos os consumidores e fornecedores. Quando se

inclui tanto os consumidores e fornecedores dos setores não-serviço como os

consumidores e fornecedores do setor serviços produtivos, o coeficiente do segundo

grupo de variáveis permanece significativamente positivo enquanto o coeficiente dos


setores não serviço torna-se significativamente negativo. Portanto o resultado é coerente

com o argumento de co-aglomeração: os setores de serviço se localizam

preferencialmente próximos uns aos outros.

Na Tabela 9 apresenta-se o resultado da influência da presença de trabalhadores similares

sobre a concentração do setor de serviços. Nas colunas (1) a (4) adiciona-se uma

ocupação por vez14. Analisadas individualmente todas os coeficientes são positivos e

significativos. Além do mais, a adição de qualquer um dos termos diminui

consideravelmente o coeficiente da densidade populacional. O maior efeito se verifica

justamente na ocupação que tem a maior participação relativa nos serviços produtivos: as

funções de mando. Quando se adiciona esta variável, o coeficiente da densidade

populacional cai para um décimo do valor original tornando-se insignificante a 95%.

Quando se adicionam todas as variáveis de ocupação ao mesmo tempo, a variável de

presença de trabalhadores em funções manuais (que têm baixa participação relativa nos

serviços produtivos) torna-se negativa. Quando se retira esta variável, a presença de

empregados em ocupações subalternas torna-se insignificante. Portanto, os resultados são

coerentes com a teoria da presença de trabalhadores como motivo de aglomeração. Além

do que, este motivo parece ter mais poder explicativo do que o motivo custo de

transporte.

14 As ocupações foram classificadas utilizando-se inicialmente a classificação de Vale (1992). A seguir, as18 classes de Nelson do Vale foram agregadas em 5 classes. O apêndice detalha um pouco mais aclassificação.


Tabela 9: Efeito da Presença de Trabalhadores em Ocupações Similares sobre aConcentração de Serviços Produtivos (1991)

Variável dependente: participaçãorelativa do emprego em ServiçosProdutivos

(1) (2) (3) (4) (5) (6)

0.479 0.069 0.219 0.520 0.170 0.118log(densidade populacional) ( .055) ( .045) ( .094) ( .099) ( .041) ( .041)

-0.187 -0.205 -0.322 -0.358 -0.178 Presença de consumidores ( .101) ( .116) ( .135) ( .137) ( .100)

1.621 0.652 1.481 2.997 0.614 Presença de fornecedores ( .535) ( .518) ( .703) ( .730) ( .445)

0.137 ( .383)

Presença de consumidores emsetores de serviços produtivos

1.907 ( 1.266)

Presença de fornecedores emsetores de serviços produtivos

0.705 0.458 0.293Presença relativa de

empregadores ( .057) ( .062) ( .056)

0.994 0.491 0.834 ( .053) ( .155) ( .165)

Presença relativa de empregadosem função de mando

1.150 0.548 -0.077 ( .095) ( .217) ( .227)

Presença relativa de empregadosem funções subalternas

0.553 -0.588 ( .149) ( .114)

Presença relativa de empregadosem funções manuais

-0.641 -0.180 -1.059 -0.461 -0.231 -0.499Constante

( .104) ( .076) ( .093) ( .237) ( .147) ( .162) R2 0.773 0.836 0.795 0.683 0.859 0.849N 1674 1674 1674 1674 1674 1674

Regressão para os 3 serviços especializados empilhados. Dados ponderados por emprego na micro-região; desvio padrão em parênteses corrigido para presença de clusters (micro-regiões).

Fonte: Censo Demográfico de 1991 e Matriz Insumo Produto de 1991 (Ibge).

1.3 Variação ao Longo do TempoNesta seção final a variação da urbanização dos serviços é analisada. Também se

comparam os resultados para os setores de serviços produtivos com os resultados para os

setores da indústria de transformação. A Tabela 10 apresenta os resultados da regressão

(1.4) para os serviços produtivos e para a indústria de transformação em 1980 e 1991. Os


resultados da coluna (1) e (2) diferem dos resultados das colunas (1) e (2) da Tabela 8

pois o estado do Mato Grosso foi eliminado e algumas micro-regiões tiveram de ser

agregadas15 para manter a compatibilidade entre 80 e 91.

Se compararmos as colunas (2) e (4) na Tabela 10, podemos notar que a importância da

presença de consumidores para a urbanização dos serviços caiu consideravelmente entre

1980 e 1991. Em 1980 a presença de consumidores potenciais na região explicava boa

parte da localização de serviços produtivos no local enquanto a presença de fornecedores

não tinha nenhum poder explicativo16. Em 1991 esta situação se inverte. Isto significa

que a presença de consumidores, que era um dos grandes motivos para as empresas dos

serviços produtivos se instalarem numa região em 1980, já não explica esta decisão de

localização.

Este resultado é coerente com as teorias de que os avanços na tecnologia de informação

vêm diminuindo os custos de transporte para os serviços. Lembre-se que a diminuição da

importância da presença de consumidores implica numa diminuição no custo de

transporte da empresa sendo analisada enquanto para que a presença de fornecedores

deixe de ter importância seria necessário uma diminuição no custo de transporte de todas

as empresas.

As colunas (5) a (8) repetem o exercício para os 18 setores de atividade da indústria de

transformação. Para este setor, ambos os coeficientes (consumidores e fornecedores) são

significativamente positivos e aumentaram razoavelmente com o tempo. Isto significa

15 Procurou-se, sempre que possível, manter a divisão de micro-regiões de 1991 para 1980. Devido aogrande número de divisões municipais ao longo da década, infelizmente não foi possível manter esteexpediente. Assim, as 558 micro-regiões de 1991 foram reduzidas para 528 quando se comparou com osdados de 1980.16 O coeficiente negativo observado para esta variável deve-se ao efeito muito elevado da outra variável.Numa regressão (para os dados de 1980) em que apenas se inclui a presença de consumidores o coeficienteé positivo porém não significativo com 95% de confiança.


que nem o custo de transporte das empresas do setor nem o custo das empresas em geral

diminuíram na década. Por outro lado, o R2 é extremamente baixo, indicando que o

modelo não tem muito poder explicativo. Baseando-se apenas no R2, seríamos tentados a

afirmar que o custo de transporte influencia mais na decisão da localização da empresas

de serviços produtivos do que nas empresas da indústria de transformação. Esta

afirmação, no entanto, é um pouco prematura baseada apenas nos dados apresentados.

Uma outra evidência parcial desta assertiva é que a magnitude do coeficiente relevante

para o custo de transporte (consumidores em 1980 e fornecedores em 1991) é sempre

bem maior do que o coeficiente observado para a indústria.

Tabela 10: Efeitos da Variação no Custo de Transporte sobre a Concentração nosServiços Produtivos e na Indústria de Transformação (1980 e 1991)

Serviços Produtivos Indústria de Transformação1991 1980 1991 1980

Variável dependente: participaçãorelativa do emprego

(1) (2) (3) (4) (5) (6) (7) (8)log(densidade populacional) 0.296 0.263 0.312 0.266 0.220 0.150 0.258 0.186 (0.030)(0.034)(0.023)(0.032)(0.035)(0.029)(0.046)(0.043) presença de consumidores -0.197 1.644 0.446 0.327 (0.055) (0.429) (0.093) (0.099) presença de fornecedores 1.674 -0.099 0.517 0.379 (0.389) (0.040) (0.112) (0.113) Constante -0.428 -0.400 -0.505 -0.454 -0.084 -0.162 -0.257 -0.230 (0.117)(0.108)(0.081)(0.083)(0.132)(0.124)(0.169)(0.160) R2 0.627 0.647 0.713 0.742 0.066 0.089 0.055 0.065N 1584 1584 1584 1584 9504 9504 9504 9504Regressão para os 3 setores de atividade em serviços especializados ou para os 18 setores de atividade da

Indústria de Transformação empilhados. Dados ponderados por emprego na micro-região; desviopadrão em parênteses corrigido para presença de clusters (micro-regiões).

Fonte: Calculado a partir dos dados do Censo Demográfico de 1980 e 1991 e Matriz Insumo Produto de1991 (Ibge).

Para investigar melhor a variação da importância do custo de transportes na decisão de

localização das empresas de serviços produtivos, define-se uma nova especificação para o


modelo. Tomando-se a definição inicial em (1.4) para 1991 e subtraindo-se a mesma

equação para 1980 temos que:

80,

91,

80,

802

91,

912

80,

801

91,

911

80809191809180,

91, ixixixixixixxxixix ccffzzempemp εεββββδδαα −+−+−+−+−=−

Onde os subscritos indicam o ano ao qual a variável se refere. Adicionando-se e

subtraindo-se 80,

9180,

91,

80,

911 ,, ixixixix zcf δββ temos que:

ixixixixixxixix ccffzzemp ,80,2,

912

80,1,

911

80,

91, )( εββββδδα ∆+∆+∆+∆+∆+∆+∆+∆=∆ (1.8)

Ou seja, se regredirmos a variação do índice de emprego relativa como função da

variação em cada uma das variáveis e o nível inicial, teremos uma estimativa da variação

do coeficiente no tempo. Quer dizer, o coeficiente no nível inicial (1980) indica a

variação do coeficiente no tempo. Como se pode observar, o coeficiente em nível da

presença de consumidores é negativo enquanto o coeficiente da presença de fornecedores

é positivo o que é coerente com os resultados anteriores. No entanto, nenhum destes

coeficientes é significativo indicando que a variação no custo de transportes não teve

impacto considerável na decisão de localização dos setores de serviços produtivos.

Estamos particularmente interessados em verificar o efeito sobre as regiões

metropolitanas. A Tabela 12 apresenta os resultados da regressão (1.4) para as 42 micro-

regiões localizadas nas 9 regiões metropolitanas brasileiras17 mais a micro-região do

Distrito Federal em 1980 e 1991. Como se pode observar, o resultado é semelhante ao

observado para o país como um todo, ainda que os coeficientes em 1980 não sejam

significativos18. A diminuição no coeficiente da densidade é também menor do que o

observado para o país como um todo.

17 Belém, Fortaleza, Recife Salvador, Belo Horizonte, Rio de Janeiro, São Paulo, Curitiba e Porto Alegre.18 Um problema é que a amostra é muito pequena. Sendo assim, o desvio padrão elevado pode ser apenasum efeito da amostra e não um resultado efetivo.


Tabela 11: Variação na Localização dos Serviços Produtivos (1980 e 1991)

Variáveldependente:variação daparticipação relativa doemprego

Coeficiente daVariação na

variávelindependente

Coeficiente donível da variável

independenteem 1980

log(densidade populacional) 0.093 -0.001 (0.080) (0.015) presença de consumidores 0.392 -0.393 (0.156) (0.669) presença de fornecedores 1.042 0.609 (0.730) (0.752) Constante 0.014 (0.063) R2 0.040N 1584

Regressão para os 3 setores de atividade em serviços produtivos empilhados. Dados ponderados poremprego na micro-região; desvio padrão em parênteses corrigido para presença de clusters (micro-

regiões).Fonte: Calculado a partir dos dados do Censo Demográfico de 1980 e 1991 e Matriz Insumo Produto de

1991 (Ibge).

Estes resultados, em certa medida, contrastam com os resultados obtidos por Kolko

(2000) para os Estados Unidos. O que se nota na América do Norte é uma diminuição

generalizada no custo de transporte para o setor de serviços produtivos. Os nossos

resultados não são conclusivos neste sentido já que se nota uma diminuição no custo de

transporte para a entrega dos serviços para o cliente, porém um aumento na importância

do custo de transporte no que se refere aos fornecedores. Além do que, nos Estados

Unidos, a relevância do custo de transporte para os produtos industriais é

inequivocamente inferior a importância para os serviços o que não se pode afirmar para o

Brasil com segurança.


Tabela 12: Efeitos da Variação no Custo de Transporte sobre a Concentração nosServiços Produtivos nas 10 Regiões Metropolitanas (1980 e 1991)

1991 1980Variável dependente:variação daparticipação relativa do emprego emserviços produtivos (1) (2) (3) (4)log(densidade populacional) 0.332 0.316 0.328 0.324 (0.066) (0.069) (0.038) (0.040) presença de consumidores -0.261 0.209 (0.130) (0.440) presença de fornecedores 1.007 -0.081 (0.645) (0.079) Constante -0.597 -0.549 -0.446 -0.426 (0.471) (0.457) (0.305) (0.312) R2 0.469 0.487 0.571 0.574N 129 129 129 129

Regressão para os 3 setores de atividade em serviços produtivos empilhados. Dados ponderados poremprego na micro-região; desvio padrão em parênteses corrigido para presença de clusters (micro-

regiões).Fonte: Calculado a partir dos dados do Censo Demográfico de 1980 e 1991 e Matriz Insumo Produto de

1991 (Ibge).

As diferenças nos resultados podem ter diversas origens. Em primeiro lugar, o horizonte

temporal das duas análises é distinto. A análise de Kolko se dá no período de 1977 a

1995. Sendo assim, já se captam efeitos da primeira metade da década de 90. Como os

avanços na tecnologia da informação são bastante recentes, esta diferença de 4 anos pode

ser relevante. Além do que o número de observações para os EUA é muito maior do que

para o Brasil. Deixando de lado os problemas técnicos, as diferenças observadas entre os

dois países podem refletir diferenças culturais efetivas. Como o avanço da tecnologia de

informação ocorreu bem antes em terras americanas do que no Brasil, pode ser que os

efeitos demorem mais para aparecer nos nossos dados.

De qualquer maneira, pode-se tirar algumas lições da análise apresentada. Em primeiro

lugar, ainda que a concentração de consumidores potenciais esteja perdendo importância

para o setor de serviços e, portanto, diminuindo a vantagem locacional para este setor nas


regiões metropolitanas, o mesmo não se pode dizer com relação à presença de

fornecedores. Por outro lado, a presença de trabalhadores especializados, notadamente

trabalhadores em funções de mando, explica boa parte da concentração de serviços nas

grandes cidades. Poderia se conjecturar que os avanços na tecnologia de informação

aumentam a necessidade de trabalhadores especializados e, portanto, as grandes cidades

não obrigatoriamente devem perder seu potencial de atração de serviços produtivos

devido a redução no custo de transporte.

1.A. Apêndice: Compatibilizações Geográficas e SetoriaisPara calcular os coeficientes utilizados neste capítulo foi necessário um trabalho

extremamente árduo de compatibilização de duas bases diferentes (a Matriz Insumo-

Produto e os Censos Demográficos) e da distribuição geográfica em dois períodos (1980

e 1991). Neste apêndice resume-se os principais achados deste trabalho. Este apêndice

procura satisfazer dois objetivos. Em primeiro lugar ajudar na compreensão do texto,

sabendo os limites das bases utilizadas. O segundo é fornecer subsídios para

pesquisadores que necessitem deste tipo de dado.

1.A.1. Compatibilidade MIP-CensoA Matriz Insumo Produto de 1991 apresenta 42 setores de atividade e 80 produtos. Já o

censo de 1991 apresenta 169 setores de atividades19. O problema é que os setores não são

diretamente comparáveis. Os setores da MIP seguem a classificação das contas nacionais

que é relativamente compatível com os sistemas internacionais (por exemplo, o SIC). Já

ss setores de atividade do Censo não seguem este padrão. Assim, apesar da divisão de

19 Para detalhamento de todos os setores, vide documentação das duas pesquisas (Ibge).


atividades censitária ser muito mais detalhada, foi também necessário agregar alguns

setores MIP, resultando em 32 setores descritos abaixo.

Tabela A.1: Compatibilização entre setores de atividade MIP e Censitários

6HWRU $JUHJDGR 6HWRUHV 0,3 Setores Censitários$*523(&8È5,$ � ��

��

�� (;75$7,9$ 0,1(5$/ �(;&(72 &20%867Ë9(,6� � �� (;75$d2 '( 3(75Ï/(2 ( *È6 1$785$/� &$592 (287526 &20%867Ë9(,6

� ��

)$%5,&$d2 '( 0,1(5$,6 12�0(7È/,&26 � �� 6,'(585*,$�0(7$/85*,$ �� )$%5,&$d2 ( 0$187(1d2 '( 0È48,1$6 (75$725(6

� ��

)$%5,&$d2 '( $3$5(/+26 ( (48,3$0(1726 '(0$7(5,$/ (/e75,&2 ( (/(75Ð1,&2

��

)$%5,&$d2 '( 9(Ë&8/26� 3(d$6 ( $&(66Ï5,26 �� 6(55$5,$6 ( )$%5,&$d2 '( $57,*26 '( 0$'(,5$( 02%,/,È5,2

��

,1'Ò675,$ '( 3$3(/ ( *5È),&$ �� ,1'Ò675,$ '$ %255$&+$ �� )$%5,&$d2 '( (/(0(1726 ( 352'8726 48Ë0,&2612�3(75248Ë0,&26

��

5(),12 '( 3(75Ï/(2 ( ,1'Ò675,$ 3(75248Ë0,&$ �� )$%5,&$d2 '( 352'8726 )$50$&Ç87,&26 ( '(3(5)80$5,$

��

,1'Ò675,$ '( 75$16)250$d2 '( 0$7(5,$/3/È67,&2

��

,1'Ò675,$ 7Ç;7,/ �� )$%5,&$d2 '( $57,*26 '2 9(678È5,2 ($&(66Ï5,26

��

)$%5,&$d2 '( &$/d$'26 ( '( $57,*26 '( &2852( 3(/(6

��

,1'8675,$ '( $/,0(1726 �� 2875$6 ,1'Ò675,$6 $/,0(17$5(6 ( '( %(%,'$6 �� ,1'Ò675,$6 ',9(56$6 ��

��6(59,d26 ,1'8675,$,6 '( 87,/,'$'( 3Ò%/,&$ �� &216758d2 &,9,/ �� &20e5&,2 ��

��

�� 75$163257( ��


6HWRU $JUHJDGR 6HWRUHV 0,3 Setores Censitários��

�� &2081,&$d®(6 �� ,167,78,d®(6 ),1$1&(,5$6 ��

�� 6(59,d26 35(67$'26 ¬6 )$0Ë/,$6 ��

��

�� 6(59,d26 35(67$'26 ¬6 (035(6$6 ��

��

$/8*8(/ '( ,0Ï9(,6 �� $'0,1,675$d2 3Ò%/,&$ ��

��

��6(59,d26 35,9$'26 12�0(5&$17,6 ��

��

Fonte: Elaborado pelo autor a partir da documentação do Censo Demográfico e da Matriz de InsumoProduto (Ibge).

1.A.2. O cálculo dos Coeficientes Técnicos Intersetoriais AgregadosPara o cálculo do coeficientes técnicos intersetoriais, a MIP brasileira adota a hipótese de

tecnologia do setor onde as estruturas de insumos dos produtos são calculadas pela média

ponderada das estruturas das atividades que o produzem20. Como não há Censos

Econômicos desde 1985, as MIP brasileiras a partir de 1990 não consideram a existência

de subprodutos. A hipótese que, associada à hipótese de tecnologia do setor, permite a

conversão de produtos para atividades nos coeficientes técnicos é que as participações de

mercado são constantes. Mais formalmente seja:

V: a matriz de produção cujo elemento típico vi,j apresenta a produção do produto ipela atividade j (Tabela 1 da MIP)

U: a matriz de consumo dos produtos onde seu elemento típico ui,j apresenta oconsumo do produto i pela atividade j (Tabela 2 da MIP).

20 Para sistema de cálculo de matrizes insumo-produto veja-se o padrão estabelecido pela ONU (1973).Para uma versão mais atualizada veja-se a versão da Eurostat (1993). Para o modelo específico brasileiro, oartigo de Ramos (1997) representa um bom resumo apesar dos erros de notação.


q: o vetor de produção dos produtos cujo elemento típico qj apresenta a produçãototal do produto j.

g: o vetor de produção das atividades cujo elemento típico gi apresenta a produçãototal da atividade i.

<•>: a transformação de um vetor (Ix1) em uma matriz (IxI) onde os elementosdiagonais são iguais aos elementos do vetor e os elementos extra-diagonais sãoiguais a zero. Por exemplo, a aplicação desta transformação para o vetor gimplicaria na seguinte matriz:

≠=><=><

=><)(0,

,

, jig

ggg

ji

iii

ji

Dadas esta definições, define-se a matriz de “participação de mercado” (market share)

como:

D ≡ V’. <q>-1

Também a matriz dos coeficientes técnicos pode ser definida como:

B ≡ U.<q>-1

Assim, a matriz de coeficiente técnicos intersetoriais pode ser obtida simplesmente pela

multiplicação das duas matrizes derivadas acima:

M = D.B

Ou seja, a matriz M é simplesmente a soma do número de unidades do produto i

necessário para produzir uma unidade da atividade j, ponderada pelo market share,

apresentada na Tabela 19 da Matriz de Insumo-Produto Brasil (Ibge, 1997). No entanto,

para calcular esta matriz agregada foi necessário inicialmente agregar as matrizes V e U

para em seguida calcular D, B e M.


1.A.3. O Setor de Serviços ProdutivosServiços Técnico-Profissionais6HUYLoRV MXUtGLFRV6HUYLoRV GH FRQWDELOLGDGH H DXGLWRULD6HUYLoRV GH HQJHQKDULD H DUTXLWHWXUD6HUYLoRV GH SLQWXUD� GHVHQKR� HVFXOWXUD H VHUYLoR GH GHFRUDomR6HUYLoRV WpFQLFR�SURILVVLRQDLV QmR LQFOXtGRV QDV FODVVLILFDo}HV DQWHULRUHV RX PDO GHILQLGRV

Serviços de Apoio à Produção e Outros Serviços6HUYLoRV GH UHSDUDomR GH LQVWDODo}HV HOpWULFDV� KLGUiXOLFDV H GH JDV6HUYLoRV GH UHSDUDomR QmR LQFOXtGRV QDV FODVVHV DQWHULRUHV RX PDO GHILQLGRV6HUYLoRV SHVVRDLV QmR LQFOXtGRV QDV FODVVHV DQWHULRUHV RX PDO GHILQLGR6HUYLoRV GRPLFLOLDUHV QmR LQFOXtGRV QDV FODVVHV DQWHULRUHV RX PDO GHILQLGRV6HUYLoRV GH DVVHVVRULD� FRQVXOWRULD� SHVTXLVD� DQiOLVH H SURFHVVDPHQWR GH GDGRV6HUYLoRV GH SXEOLFLGDGH H SURSDJDQGD6HUYLoRV GH WUDGXomR� UHSURGXomR H GRFXPHQWDomR6HUYLoRV DX[LOLDUHV GR FRPpUFLR H GD LQG~VWULD HP JHUDO6HUYLoRV DX[LOLDUHV GRV WUDQVSRUWHV URGRYLiULRV6HUYLoRV DX[LOLDUHV GDV DWLYLGDGHV HFRQ{PLFDV HP JHUDO

Serviços de Crédito, Capitalização e Comércio de Valores%DQFR� ILQDQFHLUDV H FDSLWDOL]DomR&DL[DV HFRQ{PLFDV H FRRSHUDWLYDV GH FUpGLWR6HJXURV&RPpUFLR GH WtWXORV H PRHGDV&RQFHVVLRQiULRV GH ORWHULDV �H[FOXVLYH DJrQFLDV ORWpULFDV�2UJDQL]Do}HV GH FDUW}HV GH FUpGLWR� VRUWHLRV� FRQVyUFLRV� FOXEHV GH PHUFDGRULDV H VLPLODUHV6HUYLoRV DX[LOLDUHV GDV DWLYLGDGHV GH VHJXURV� ILQDQoDV H YDORUHV$GPLQLVWUDomR� FRPpUFLR H LQFRUSRUDomR GH LPyYHLV

1.A.4. Agregação das OcupaçõesPara agregar as quase 400 ocupações apresentadas pelo Censo utilizou-se a classificação

proposta por Vale (1992) em seguida reagrupadas em cinco categorias21:

EmpregadoresProprietário (Empregadores) na Indústria, Comércio e Serviços

21 O leitor interessado na conexão entre as ocupações do Censo e a classificação proposta por Nelson doVale deve ser referir ao texto original do autor que detalha a classificação.


Ocupações de MandoProfissionais LiberaisDirigentes e Administradores de Alto NívelProfissionais

Ocupações SubalternasFunções Administrativas (Execução)Não-Manual de Rotina e Funções de EscritórioTécnicos, Artistas e Supervisores do Trabalho Manual

Ocupações ManuaisTrabalhadores Manuais em Indústrias ModernasTrabalhadores Manuais em Indústrias TradicionaisTrabalhadores Manuais em Serviços em GeralTrabalhadores no Serviço DomésticoArtesãos

Outros/AgrícolasTrabalhadores RuraisEmpresários por Conta Própria (sem Empregados)Vendedores ambulantesProprietários (Empregadores) no Setor PrimárioTécnicos e Administradores no Setor PrimárioProdutores Agrícolas AutônomosNão Definido

1.A.5. Agregações GeográficasPara localizar as micro-regiões de 1991 nos dados de 1980 foi necessário um trabalho

cuidadoso utilizando-se as ferramentas de geo-processamento. Infelizmente não foi

possível uma compatilização razoável para o estado do Mato Grosso que foi então

retirado das análises comparativas entre 1980 e 1991. Além disto, 8 micro-regiões foram

agregadas, a saber:

Estado Micro-regiões agregadasRondônia Alvorada d’Oeste e Ji-ParanáRondônia Colorado do Oeste e VilhenaAmazonas Rio Preto da Eva e ItacotiaraRoraima Nordeste de Roraima e Boa VistaRoraima Sudeste de Roraima e CaracaraiPará Parauapebas, Marabá e RedençãoCeará Chorozinho e Baturité

Capítulo 2A Economia do Mercado de Imóveis com Ilustrações para aGrande São Paulo

Neste capítulo discute-se a lógica econômica do mercado de imóveis. Este é exatamente

um caso onde modelos como os desenvolvidos por Fujita e Krugman (1995) tornam-se

não práticos. Assumindo-se ad hoc um centro de negócios (e eventualmente um sub-

centro) permite que se analise este mercado de maneira mais imediata. A grande

dificuldade refere-se à dinâmica populacional. Como a demanda por imóveis depende

essencialmente do número de trabalhadores na cidade, é fundamental saber como esta

população vai evoluir. A alternativa encontrada foi assumir uma dinâmica ad hoc

também, o que sem dúvida deixa um pouco a desejar.

Em outras palavras, nesta tese, as formulações da Nova Economia Urbana (NEU) são

retomadas basicamente por que podem ser aplicadas com maior facilidade para análise do

mercado imobiliário. Se tomarmos o volume 2 do Handbook of Urban and Regional

Economics, lançado em 1987, ou seja, antes da consolidação da Economia Espacial22,

nota-se que 4 dos seus 16 capítulos discutem essencialmente aspectos do mercado

imobiliário; outros 4 discutem aplicações da teoria para este mercado em pelo menos uma

parte do capítulo. Ou seja, a NEU representou um grande avanço na compreensão do

mercado imobiliário e de sua relação com o sistema de transporte. Por este motivo este

capítulo está baseado essencialmente neste corpo teórico.

22 Pode-se dizer que um dos capítulos do Handbook já avança no que iria se consolidar mais adiante comoEconomia Espacial: o capítulo de Henderson, um dos principais pioneiros desta vertente, “GeneralEquilibrium Modeling of Systems of Cities”. Ainda que o tema do capítulo “City Size and Place as PolicyIssues” de Tolley e Crihfield discuta um tema chave para a Economia Espacial, a abordagem écompletamente diversa.

Mercado de Imóveis na Grande São Paulo 42

Um imóvel é um bem com características particulares, em geral não compartilhadas por

outros bens de consumo. Um imóvel i) satisfaz um necessidade básica do ser humano:

moradia; ii ) para a maioria das famílias é o item de maior peso no orçamento familiar23;

iii ) é fixo no espaço (com raras exceções não se pode transportar uma casa a um custo

razoável); iv) existe uma não convexidade na sua produção: uma reforma ou uma

demolição representam uma mudança descontínua na produção do imóvel v) é um bem

durável (provavelmente o bem mais durável que se conhece); vi) via de regra é um bem

indivisível e vii) trata-se de um bem complexo e heterogêneo. As quatro primeiras

características são específicas dos imóveis. As três últimas são comuns a maioria dos

bens duráveis como automóveis ou eletrodomésticos, ainda que a durabilidade e

complexidade de um imóvel sejam, em geral, maior do que de outros bens duráveis.

Estas características tornam a análise deste mercado extremamente complexa. Como a

nossa base de dados possui apenas novos imóveis a questão da durabilidade será deixada

de lado de certa maneira, ainda que este aspecto seja levado em conta seja numa dinâmica

ad hoc, seja na conversão de renda para preço como veremos adiante. Por outro lado, a

questão espacial será discutida profundamente ao longo do capítulo e incorporadas

explicitamente no modelo econométrico desenvolvido no capítulo 4. Para começar vamos

assumir que um imóvel é um bem homogêneo e, a partir disto, discutir a relação entre

preço e localização espacial dos imóveis.

23 De acordo com a Pesquisa de Orçamentos Familiares (POF) em 1996 cerca de 20% da despesa médiamensal familiar no total das áreas de pesquisa concentrou-se em habitação comparada com 16% emalimentação e 5% em vestuário.


2.1 A Versão da Nova Economia Urbana do Modelo de vonThünenComo vimos no primeiro capítulo, a Nova Economia Urbana nasce a partir da adaptação

de Alonso do modelo de von Thünen onde as diferenças de deslocamento na área urbana

deveriam ser equalizadas pelo custo de moradia. Alonso (1964) fez a sua formulação em

termos do preço da terra enquanto Muth (1969) e Mills (1967) usam o preço dos imóveis,

levando em conta o fato de que a demanda relevante na área urbana é por imóveis e não

por terra. No modelo de Muth e Mills, a terra é um insumo intermediário na produção do

bem final, o imóvel. Nesta seção apresento uma versão do modelo que ficou conhecido

como o modelo Alonso-Muth-Mills (AMM) de equilíbrio urbano conforme sintetizado

por Wheaton (1974).

Imagine uma cidade onde os empregos estão concentrados no “centro de negócios” da

cidade (central business district – CBD). Para simplificar, vamos chamar este “centro de

negócios” simplesmente de “centro”. Note que “centro”, neste sentido, é a região da

cidade em torno da qual se concentram atividades não locais (como padarias ou

cabeleireiros). Assim, por mais que parte da população economicamente ativa esteja

empregada em atividades locais, os empregos em setores chamados exportadores (para

usar a terminologia da teoria do lugar central) devem estar concentrados no centro.

No princípio da urbanização os setores exportadores eram basicamente os setores

industriais e hoje são essencialmente de serviços especializados como vimos no capítulo

anterior. Sem muito formalismo, pode-se definir os setores locais como aqueles ofertados

e consumidos por moradores locais, do bairro, por assim dizer. Os setores exportadores

seriam, neste sentido, exportadores da sua produção. O centro também pode ser definido

em termos da concentração de equipamentos urbanos como cinemas, shoppings, boas


escolas etc. O relevante é que, em princípio, os moradores dos domicílios (ou pelo menos

parte deles24) tenham algum motivo para se deslocarem constantemente do seu local de

moradia para o centro. Isto é suficiente para que o processo de equalização de preços

tenha sentido.

Por ora, vamos considerar uma cidade monocêntrica típica. Na nossa cidade estilizada, os

residentes urbanos se deslocam para o centro usando longas estradas radiais. Neste caso,

tudo o que se deve considerar é uma das radiais já que todas as outras devem seguir o

mesmo comportamento. Na figura abaixo apresentamos uma configuração estilizada da

nossa cidade com oito vias radiais. O primeiro círculo concêntrico da figura encontra-se a

2,5 kilometros do centro. O segundo a 5 kilometros, o terceiro a 10 kilometros e assim

por diante, de 5 em 5 kilometros. Uma pessoa morando na intersecção de uma das vias

radiais com o terceiro círculo deveria se deslocar 10 kilometros para ir ao trabalho,

independente da sua posição geográfica (norte, sul, etc.). Assim, numa cidade

monocêntrica, o preço de um imóvel localizado em qualquer uma destas intersecções

deveria ser o mesmo. Portanto, o comportamento dos preços dos imóveis em uma radial

deve ser idêntico ao de qualquer outra25.

24 Se um dos membros da família trabalha ou estuda a uma certa distância do centro enquanto outromembro trabalha ou estuda no centro, o valor de uma residência no local de trabalho da primeira pessoateria um valor maior do que prevê um modelo monocêntrico que considera apenas um local detrabalho/estudo. Sob certas condições pode-se demonstrar que o gradiente de preços não se altera (videWhite [1977] ou Curran et al. [1982]).25 Note-se que nesta aproximação estamos desconsiderando os deslocamentos perimetrais para asresidências localizadas fora das intersecções. Uma maneira de lidar com este problema é assumir queexistem tantas radiais quanto se deseje de tal sorte que os deslocamentos perimetrais sejam desprezíveis. Épossível, no entanto, realizar hipóteses mais realistas ou mesmo modelar explicitamente o sistema detransporte. No entanto, foge do escopo desta tese realizar este tipo de análise.


Figura 2.1: Vias Radiais de Transporte

Assumindo que as preferências são idênticas, em equilíbrio, todos os consumidores

devem obter a mesma utilidade do consumo do imóvel e dos outros bens. Mais

formalmente suponha que a utilidade dos consumidores seja dada por v(n,q) uma função

de utilidade com as propriedade usuais (estritamente quase-côncava) onde n representa o

consumo de todos os outros bens (o numerário, sem perda de generalidade) e q é o

tamanho do lote26. Como os consumidores são racionais, eles devem maximizar sua

função de utilidade sujeitos à restrição orçamentária:

n + pq = y – T(d)

Onde p é o aluguel por metro quadrado, y a renda da família e T(d) uma função que

transforma em valores monetários o custo de se deslocar d kilometros do local de

residência para o centro. Assume-se que T é uma função contínua, diferenciável e que

T’>0 e T’’≤0. Resolvendo-se o problema de maximização com relação à q, temos que:

( ) pv

v

q

qqnv

q

nqnv =⇒

∂∂=

∂∂

1

221 ,),( (2.1)

Onde vi é a derivada parcial da função de utilidade com relação ao seu iésimo argumento.

A equação (2.1) é simplesmente o resultado habitual que a taxa marginal de substituição

26 Na formulação original de Alonso, a distância da residência para o centro era um dos termos da funçãoutilidade, representando uma aversão ao deslocamento.


de dois bens é igual à relação entre os preços. Para que o sistema esteja em equilíbrio é

necessário que a utilidade de se morar em qualquer lugar da cidade seja a mesma.

Substituindo-se a restrição orçamentária na condição de equalização da utilidade:

v(y – T(d) – pq,q) = u (2.2)

Note-se que se trata do inverso do procedimento normal de maximização: a partir de uma

utilidade fixa, encontra-se o preço. Diferenciando-se totalmente (2.2) com relação à d:

0'

0' 21 <−=∂∂⇒=

∂∂+

∂∂+

∂∂+−

q

T

d

p

d

qvp

d

qq

d

pTv (2.3)

Onde foi usada a relação encontrada na equação (2.1): v2=pv1. Portanto, o preço por

metro quadrado de um imóvel é uma função decrescente da distância ao centro. A sua

inclinação depende do custo marginal de deslocamento e do tamanho do lote. O tamanho

do lote também deve variar em função da distância ao centro. Diferenciando-se (2.1) com

relação a d, obtém-se:

0)/( 12 >

∂∂=

∂∂⇒

∂∂=

∂∂

∂∂

d

p

d

q

d

p

d

q

q

vv η (2.4)

Onde η<0 é a inclinação da curva de demanda compensada pela renda mantendo-se a

utilidade constante27. A explicação intuitiva para os resultados obtidos em (2.3) e (2.4) é

relativamente trivial. Consumidores vivendo longe do centro devem ser compensados de

alguma maneira pelo seu custo de deslocamento, caso contrário ninguém viveria afastado

do centro. Esta compensação se dá na forma de um menor preço por metro quadrado.

Dado o menor preço do imóvel por metro quadrado, os consumidores aumentam o seu

consumo de metros quadrados, gerando lotes maiores quando se afasta do centro. Para

obter a condição de segunda ordem deve-se derivar (2.3) mais uma vez, gerando:


0'''

22

2

>−∂∂=

∂∂

q

T

p

q

q

T

d

p(2.5)

Ou seja, a condição T’’≤0 é suficiente para que p seja uma função convexa da distância ao

centro. A partir desta função utilidade, usando certos critérios de agregação, pode-se

encontrar a demanda por imóveis. No entanto, a dedução de uma função de demanda a

partir das preferências dos consumidores será realizada na próxima seção onde se

considera explicitamente o fato de que um imóvel é um bem heterogêneo. Por hora

vamos fechar o modelo deduzindo uma função de oferta de imóveis a partir deste modelo

mais simplificado.

Assumindo-se que a função de produção de um prédio – H(K,t) – é uma função côncava

com retornos constantes de escala dependendo de dois insumos básicos: capital (K) e

terra (t). O lucro na produção de um prédio será dado por:

])([])/()1,/([),( rikkphtrtKitKpHtrtiKtKpH −−=−−=−−=π (2.6)

Onde r é a renda da terra por metro quadrado, i o custo do capital, k≡K/t a razão capital-

terra ou densidade estrutural e h(k)≡H(k,1). A função de produção é um pouco restritiva,

mas para se obter resultados analíticos seria muito complicado manter uma função mais

genérica28. A concavidade significa que a segunda derivada de H com relação a K é

negativa. Em termos práticos isto significa que a produtividade marginal do capital é

decrescente refletindo o fato de que conforme o prédio se torna mais alto, consome-se

mais capital em usos “não-produtivos”29 como elevadores, fundações, etc30.

27

1

12 )/(−

=

∂

∂=uv

q

vvη

28 Note-se que a função utilidade dos consumidores é mais genérica.29 “Produtivo”, neste sentido, é aquele investimento que aumenta o número de metros quadradosconstruídos.


Uma limitação deste modelo é que não se considera que um imóvel é um bem durável

explicitamente. A maneira de driblar este fato foi considerar que o capital é totalmente

maleável. Quer dizer, os produtores são capazes de ajustar perfeitamente a quantidade de

capital e terra empregados na produção de período para período sem nenhum custo, uma

hipótese claramente irrealista. A durabilidade de um imóvel será levada em conta de

maneira mais ou menos ad hoc como veremos mais adiante, mas não no ato da produção,

apenas para a sua precificação. Voltaremos a esta questão na seção que trata das

extensões do modelo não utilizadas.

Uma outra simplificação da função de produção é que não se inclui a mão-de-obra como

fator de produção. Este procedimento é usual nos modelos monocêntricos, pois se

considera que todos os postos de trabalho se concentram no centro. Uma hipótese

alternativa seria que os postos gerados pela construção de um imóvel seriam equivalentes

ao dos empregos locais. Para ser mais realista, pode-se supor que os trabalhadores

empregados na construção de um imóvel migraram temporariamente de alguma região.

No entanto, durante o período da construção estes trabalhadores vivem dentro do canteiro

de obras, portanto não há deslocamento extra no sistema urbano.

Ainda que o nível salarial na construção civil com certeza influa no custo de construção

do imóvel (assim como o custo das matérias-prima), pode-se considerar o salário

exógeno. Assim, nenhum dos resultados qualitativos derivados abaixo seria afetado se o

trabalho mantivesse uma relação do tipo Leontiëf (proporções fixas) com o capital31. É

claro que estaríamos com uma função altamente restritiva o que torna o modelo muito

30 Um caso típico é das “operações interligadas” onde se deve pagar para a prefeitura uma recompensa pelo“solo criado”. Ainda que estas operações possam ser completamente justificáveis, não resta dúvida que esteprocedimento não é produtivo no sentido discutido na nota acima.31 Se trabalho (l) é uma proporção fixa do capital, digamos l=αK, H(K,t,l)=tH(k,1,αk)=th2(k).


pouco genérico. No entanto, a base de dados disponível não permitiria uma especificação

que incluísse o total de trabalhadores alocados em cada prédio. Por outro lado, é possível

incluir o custo da construção (incluindo matéria-prima e mão-de-obra) no município de

São Paulo. A inclusão desta variável associada à hipótese de exogeneidade dos salários e

de que os fatores entram de forma aditiva na função custo implica que eles estão sendo

levados em conta na especificação econométrica.

O grande problema das formulações a la Muth-Mills é que é difícil chegar às principais

conclusões do modelo num contexto não-competitivo. Por mais que se tenha avançado

nas aplicações que relaxam a hipótese de competição perfeita, as críticas de Arnott (1987)

continuam válidas. Os avanços no conhecimento de mercados imperfeitos dificilmente

podem ser incorporados para um mercado tão complexo como o mercado de imóveis.

Voltaremos a esta questão mais adiante. Por ora vamos simplesmente considerar um

mercado competitivo do ponto de vista das construtoras32, ou seja:

d

ki

d

kphkh

d

p

d

rikkphr

∂∂−

∂∂+

∂∂=

∂∂⇒−= ')()( (2.7)

Como os construtores devem escolher uma razão capital-terra que maximize o lucro,

temos que:

0''')(' =∂∂+

∂∂⇒=

d

kphh

d

pikph (2.8)

Substituindo-se a condição de maximização (o lado esquerdo de (2.8)) em (2.7), os dois

últimos termos de (2.7) se anulam e, portanto, ∂r/∂d deve ter o mesmo sinal que ∂p/∂d.

Como, por hipótese, h’>0 e h’’<0 concluímos também que ∂k/∂d deve ter o mesmo sinal

que ∂p/∂d. Portanto o preço da terra e a densidade estrutural são funções decrescentes da

32 Note-se que nada impede a existência de lucro na renda da terra.


distância para o centro. Se definirmos a densidade de domicílios (D) como o número de

domicílios por metro quadrado, ou seja, D=h(k)/q, a variação de D com relação à d será:

)(1)('

2kh

d

q

qd

k

q

kh

d

D

∂∂−

∂∂=

∂∂

Logo a densidade domiciliar é também uma função decrescente da distância. Este

resultado é, mais uma vez, intuitivo. Como os prédios são menores e as áreas dos imóveis

maiores, cabem menos domicílios numa mesma porção de terra. O interessante é que este

resultado é decorrente de uma decisão conjunta dos consumidores e dos produtores de

imóveis. Como os produtores optam por uma densidade estrutural menor (primeiro termo

do lado direito da equação acima) e os consumidores querem lotes maiores quando se

afasta do centro (segundo termo) o resultado é uma densidade menor.

Para fechar o modelo, mais duas condições devem ser satisfeitas. Em primeiro lugar, é

importante lembrar que um imóvel necessita de um insumo básico: terra. A terra pode ser

usada tanto para a construção de imóveis como para a agricultura. Portanto, é necessário

que a renda da terra urbana seja maior ou igual a renda nas atividades agropecuárias.

Caso contrário, a terra não seria destinada à moradia, mas sim à agropecuária.

Formalmente, suponha que a fronteira agrícola encontra-se a uma distância d* do centro e

que a renda agrícola (no sentido ricardiano) seja rA. É necessário que a renda da terra em

lugares mais próximos do centro seja maior que a renda terra e exatamente igual na

fronteira, ou seja:

AruTydr =),,*,( (2.9)

A figura abaixo apresenta um gradiente de renda típico para uma das radiais da Figura

2.1. Como derivamos anteriormente, a renda é uma função decrescente da distância do

centro. É importante reforçar que a renda da terra depende também da renda pessoal dos


consumidores, da função custo de transporte e do nível de utilidade na área urbana como

está explicito na equação acima33.

Diagrama 2.1: Gradiente de Preços da Terra em Função da Distância do Centro em umaCidade Monocêntrica Estilizada

p/m2

Distância (km) d*

rA

r

O que se nota no diagrama acima é que os produtores de imóveis residenciais estão

disposto a pagar um valor acima da renda da terra até a distância d* do centro. A partir

desta distância, o preço que os produtores estariam dispostos a pagar é menor do que a

renda da terra, portanto as terras a partir deste ponto serão destinadas à agropecuária e

não à moradia. A segunda condição para o equilíbrio urbano é que todos os domicílios

“caibam” na área urbana. Quer dizer, a área ocupada por todos os domicílios da área

urbana deve ser menor ou igual à área urbana total. A área total ocupada pelos domicílios

33 A curvatura do gradiente de preços da terra pode ser encontrada derivando-se mais uma vez a equação

(1.7): '2

2

2

2

hd

k

d

ph

d

p

d

r

∂∂

∂∂+

∂∂=

∂∂

. Como a primeira derivada do preço com relação à distância é negativa


em um anel de raio d e cumprimento dd será aproximadamente θdD(d,y,T,u)dd onde

0<θ≤2π é o número de radianos de terra disponíveis para construção imobiliária34.

Assim, a condição de que o total de domicílios (L) caiba exatamente na área urbana será:

LduyTddDd

=∫*

0d),,,(θ (2.10)

Para se chegar a uma estática comparativa35 utilizando-se as condições de equilíbrio

urbano, deve-se definir se a região é aberta ou fechada à migração. Se a região é fechada

à migração, o número de domicílios é exógeno e (2.9) e (2.10) formam um sistema de

equações simultâneas. Se a região é aberta, L passa a ser endógeno e o sistema se torna

recursivo. Para compreender melhor esta diferença, é interessante analisar o efeito de

uma mudança no nível de renda da região. Antes de tudo é bom notar, a partir de (2.3),

(2.7) e (2.8) que36:

0,0,0'

1

<−=∂∂>=

∂∂<−=

∂∂

qv

h

u

r

q

h

y

r

q

hT

d

r(2.11)

Como D≡h/q=-(∂r/∂d)/T’, (2.10) pode ser escrito como:

(vide (1.3)), a segunda derivada positiva (1.5) e a derivada da densidade estrutural é negativa, temos que

022 >∂∂ dr .34 A terra remanescente pode ser consumida com transporte, acidentes naturais, etc. Para ficar mais claro,imagine que a cidade seja totalmente circular. Neste caso, a área total da cidade seria π(d*)2. Se os lotesfossem todos do mesmo tamanho (q), a fronteira agrícola seria d*=(Lq/π)(1/2) onde L é o total de domicíliosna área urbana. Se, no entanto, a área não fosse totalmente circular teríamos de descontar uma parte da terrae a fronteira seria dada por d*=(Lq/θπ)(1/2). Por exemplo, no Rio de Janeiro e na maioria das cidades debeira mar, o desenho da área urbana é um “meio círculo”. Neste caso, θ seria igual a meio. Para o caso deSão Paulo, como veremos a seguir, θ é próximo de 1.35 Wheaton (1974) foi o primeiro artigo a realizar esta estática comparativa. O que se apresenta nestecapítulo segue a versão de Bruekner (1987). A principal diferença é que o primeiro supunha que onumerário era um bem normal restrição que não é feita no segundo.36 Note-se que (1.7) e (1.8) poderiam ser calculadas para qualquer parâmetro φ = d,y ou u tal que

φφ ∂∂=

∂∂ p

hr

. Por outro lado, diferenciando-se totalmente (1.2) com relação a y temos que

01 21 =∂∂+

∂∂−

∂∂−

y

qv

y

qpq

y

pv . Substituindo-se (1.1) (v2=pv1) temos que

qy

p 1=∂∂

. Procedendo-se da

mesma maneira para u, pode-se verificar que qvup 11−=∂∂ .


Ldd

rd

d=

∂∂− ∫

*

0d

T'

1θ (2.10’)

Levando-se em conta que q e T’não dependem de d, integrando (2.10’) por partes37 temos

que:

θ/'d*dd*

0

*

0

*

0

*

0LTdrdrdrrdd

d

rd

d

A

ddd=+−=+−=

∂∂− ∫∫∫ (2.12)

Se denominarmos λ = (L, rA ou y), diferenciando-se totalmente (2.12) com relação a

qualquer um dos parâmetros de λ, temos que:

*'

'1

d*

0d

rL

TLTd

u

u

rr Ad

λλλθλλ ∂∂+

∂∂+

∂∂=

∂∂

∂∂+

∂∂

∫ (2.13)

Onde os termos envolvendo ∂d*/∂λ se cancelaram. Note que, se a região é aberta, u é

uma variável exógena, portanto não é preciso levar em conta o efeito indireto sobre o

preço da terra, o segundo termo entre parênteses do lado direito da equação acima e a

análise é quase trivial. Ainda que o modelo de região aberta seja em princípio mais

próximo da realidade, os processos migratórios são, em geral, processos lentos. Assim, é

razoável imaginar que num primeiro momento as diferenças de utilidade se mantenham e

que a região se comporte de acordo com as previsões do modelo fechado. Com o passar

do tempo, os processos migratórios fariam com que a utilidade em cada região se

equalizasse novamente.

Para encontrar o efeito de mudanças nas variáveis exógenas sobre as endógenas, deve-se

encontrar o efeito indireto via a variação em u. O efeito indireto pode ser obtido a partir

de (2.13) notando-se que ∂u/∂λ não depende de d:

37 ∫ ∫−= vduuvudv onde u=d e dv=(∂r/∂d)dd ⇒ du=dd e v=r.


∫

∫

∂∂

∂∂−

∂∂+

∂∂+

∂∂

=∂∂

*

0

*

0

d

d*'

'1

d

dA

du

r

dr

dr

LTL

Tu λλλλθλ

(2.14)

Utilizando-se (2.11) sabe-se que o denominador da expressão acima é negativo. Logo, o

sinal da derivada de u será o inverso do sinal do numerador. Além do mais

∂L/∂λ, ∂T/∂λ e ∂rA/∂λ são iguais a 1 quando λ = L, T ou rA, respectivamente, e zero para

qualquer outro valor de λ. Finalmente, ∂r/∂L=0 e ∂r/∂y>0 (de (2.11)). Logo, os

numeradores de cada uma das derivadas simplificam para:

0,0,0

0d)/(:,0*:,0/':*

0

>∂∂<

∂∂<

∂∂⇒

<−>> ∫

y

u

r

u

L

u

dqhydrTL

A

d

Aθ(2.15)

Diferenciando-se totalmente (2.9) com relação a λ, temos que:

λλλλ ∂∂=

∂∂+

∂∂

∂∂+

∂∂

∂∂ Arru

u

rd

d

r ***

*

*

Onde os asteriscos sobre as variáveis indicam que a derivada é calculada na fronteira

agrícola. Como ∂r* /∂d<0, o sinal de ∂d*/∂λ será o inverso de:

λλλ ∂∂−

∂∂

∂∂−

∂∂ ** ru

u

rrA (2.16)

Quando λ é igual a L, o único termo não trivial em (2.16) é o termo do meio. Como

∂r* /∂u e ∂u/∂λ são menores do que zero, ∂d*/∂L>0. Quando λ=rA, (2.16) pode ser escrito

como:

∫∫

∫ ∂∂

∂∂−

∂∂

=

∂∂∂

∂−=∂∂

∂∂−

*

0

*

0

*

0d

**d

d

**1

*1

d

d

dA d

u

ru

rdd

u

r

du

rd

u

r

r

u

u

r(2.17)


Onde (2.14) e (2.15) foram utilizados para se substituir por =∂u/∂rA. Mais uma vez, o

sinal de (2.17) é o oposto do sinal do numerador. Integrando-se por partes38, pode-se

escrever o numerador de (2.17) como:

dqv

h

dd

u

rdd

u

r

dd

u

rd

ddd

d

d**d

d

d**

1

*

0

*

0

−=∂∂−

∂∂−

∂∂

∫∫Como ∂(h/q)/∂d=∂D/∂d<0 e dv1/dd=v11∂c/∂d+v12∂q/∂d=(v12-v2v11/v1)∂q/∂d>0 se o imóvel

for um bem normal39 temos que d(h/qv1)/dd<0 logo ∂d*/∂rA<0. Quando λ=y, (2.16) pode

ser escrito como:

du

r

dy

r

u

rd

u

r

y

r

y

r

du

r

dy

r

u

r

y

r

y

u

u

rd

dd

d

d

d

d*

d*

*

d

d***

*

0

*

0

*

0

*

0

*

0

∫

∫∫

∫

∫

∂∂

∂∂

∂∂−

∂∂

∂∂

=∂

∂+

∂∂∂∂−

∂∂=

∂∂+

∂∂

∂∂

Como antes, o sinal de ∂d*/∂y será o oposto do sinal do numerador na expressão acima.

Substituindo-se (2.11) no numerador temos que:

dvvq

h

q

hd

q

h

vq

hd

qv

h

q

h dddd

1

*

1

*

*d

**

*d

*

*

11

*

0

*

0

*

011

−=−−−−

∫∫∫ (2.18)

Como estamos assumindo que o imóvel é um bem normal, dv1/dd>0 e (2.18) é negativo.

Portanto ∂d*/∂y>0. Sendo assim temos os resultados básicos da estática comparativa para

uma região fechada. Para uma região aberta as derivações são muito mais simples.

Diferenciando (2.9) com relação às variáveis exógenas (que não incluem mais o número

de domicílios que passa a ser endógeno) e utilizando os resultados em (2.11), temos

imediatamente o impacto sobre as variáveis endógenas:

38 Seguindo a nomenclatura da nota acima: u=∂r/∂u e dv=dd ⇒ du=d/dd(∂r/∂u)dd e v=d.39 Note-se que apesar da hipótese de normalidade para o numerário não ser necessária, não é possíveldeduzir o efeito do preço da terra ou o efeito renda sem assumir normalidade do imóvel. Que seja do meuconhecimento, ninguém conseguiu formular esta estática comparativa sem a hipótese de normalidade nosimóveis.


0'**

**1

*

*

*

0'*

1

'**

*

*

**0

**

*

*

<−=∂∂⇒=

∂∂

∂∂

>=−−=∂

∂⇒=∂

∂+∂

∂∂∂

Th

q

r

d

r

d

d

r

TTh

q

q

h

y

d

y

r

y

d

d

r

AA

(2.19)

Onde se utilizou novamente o asterisco para indicar que a função está sendo calculada na

fronteira agrícola. O impacto sobre o número de domicílios (L) também é imediato

diferenciando-se totalmente (2.12) com relação a y e rA e substituindo-se os resultados de

(2.19):

0'

**'1

0

0d'

'1

d*

0

*

0

<−=∂∂⇒+

∂∂=

>

=

∂∂⇒

∂∂=

∂∂

∫∫

Td

r

Ld

r

LT

dq

h

Ty

L

y

LTd

y

r

AA

dd

θθ

θθ

(2.20)

A partir destes resultados é possível realizar uma estática comparativa para os dois casos,

ou seja, para uma região aberta ou fechada à migração. Vamos começar observando os

efeitos de um aumento na renda sobre o equilíbrio urbano nos dois tipos “ideais40“ de

região/cidade. Dos resultados anteriores sabe-se que um aumento na renda urbano afasta

a fronteira agrícola. Além do mais, no caso de uma região fechada, aumenta a utilidade

dos residentes urbanos. Logo, o impacto sobre os preços numa região fechada será dado

por:

∂∂−=+

∂∂−=

∂∂+

∂∂

∂∂=

y

u

vqqy

u

vqy

p

y

u

u

p

y

p

11

11

111

d

d(2.21)

Onde a barra sobre a variável indica que a função foi calculada num ponto dd = já que o

efeito sobre o preço do imóvel é diferente conforme a distância do centro. Substituindo-se

(2.14) na equação acima (com λ=y) temos que:

40 Em analogia ao “tipo ideal” weberiano. Esta qualificação é apenas para reforçar o caráter estilizado danossa cidade/região.


∂∂

∂∂+

∂∂

=∫

∫∫*d

o

*d

o

*d

o1

d

dd1

1

d

d

du

r

du

rd

y

r

v

qy

p

Logo, o sinal do diferencial total do preço do imóvel será o inverso do sinal do

numerador da expressão entre parênteses acima. Este numerador pode ser reescrito como:

∫∫∫∫∫

−=−+=

∂∂+

∂∂ *d

o11

*d

o1

*d

o1

*d

o

*d

o1

d11

dd1

dd1

dvvq

hd

qv

hd

q

h

vd

u

rd

y

r

v(2.22)

Usando mais uma vez a normalidade do imóvel, quando ** 11 vvdd =⇒= (2.22) é

negativa dado que dv1/dd>0 e, portanto, a variação do preço dos imóveis a esta distância

do centro é positiva. Por outro lado, pelo mesmo argumento, quando

010 vvd =⇒= (2.22) é positiva e a variação de preços dos imóveis é negativa.

Finalmente, como (2.22) é decrescente e contínua41 em d , a mudança de sinal só pode

ocorrer uma vez em algum ponto entre 0 e d*, digamos em d̂ . Assim, a variação de

preços será negativa até este ponto e positiva a partir dele. Além do mais, como:

y

ph

y

ph

y

u

u

ph

y

r

y

u

u

r

p

r

d

d

d

d =∂∂+

∂∂

∂∂=

∂∂+

∂∂

∂∂=

O gradiente de preços da terra deve seguir o mesmo comportamento do gradiente de

preços dos imóveis e o mesmo pode ser dito com relação à densidade estrutural42. É fácil

de estabelecer que o tamanho do lote aumenta em qualquer local onde o preço aumentou.

Ou seja, nas localidades mais centrais, q necessariamente deve aumentar. O resultado

com relação às localidades mais distantes do qued é ambíguo. Se por um lado o lote

deveria diminuir dado que o preço aumentou, por outro ele deveria aumentar visto que a

41 A continuidade decorre diretamente da continuidade de v, h e q.


renda disponível é maior. O diagrama 2.2 abaixo ilustra a alteração que ocorre no

gradiente de renda da terra com um aumento da renda urbana. O curva de preços faz uma

rotação em torno do ponto dd ˆ= mudando de r0 para r1. Intuitivamente o que está

ocorrendo é que, com o aumento da renda, os consumidores desejam consumir mais

imóveis (já que o imóvel é um bem normal). Como os imóveis são mais baratos nos

lugares mais distantes do centro, os consumidores têm um incentivo para se mudar para

lugares mais distantes do centro, diminuindo a demanda por imóveis mais centrais.

O que acontece numa região aberta? Neste caso, note-se que o efeito total sobre p é igual

ao efeito parcial dado que a utilidade é exógena. Assim, um aumento na renda aumenta p,

r e k a qualquer distância do centro. Por outro lado, o tamanho do lote cai a qualquer

distância do centro43. Este aumento de densidade em toda área urbana e o aumento da

própria área urbana implica num aumento no número de domicílios. No diagrama 2.2 a

mudança no gradiente de preços decorrente do aumento na renda urbana numa região

aberta é representado pelo deslocamento da curva de r1 para r2.

Como comentado anteriormente, via de regra o processo migratório é um processo lento

que pode levar até duas gerações para que esteja completo. Por outro lado, o ajuste no

consumo, mesmo de um bem de consumo durável como um imóvel, em princípio deve

ser mais rápido. Ainda que toda a análise realizada nesta seção seja estática, pode-se

apresentar de maneira heurística uma dinâmica para o processo de ajustamento. Num

primeiro momento, após um aumento na renda, o efeito migratório seria praticamente

42 É fácil verificar que y

p

ph

h

y

k

d

d

''

'−=∂∂


desprezível. Logo, a economia urbana se comportaria como no modelo de região fechada.

Ocorreria uma rotação no gradiente de preços, a fronteira agrícola se deslocaria de d0*

para d1* e o preço dos imóveis no centro cairia de p0 para p1. Como a renda naquela

região se tornou mais alta, isto atrairia migrantes para região expandindo ainda mais a

fronteira agrícola de d1* para d2*, aumentando o preço dos imóveis no centro de p0 para

p1.

Diagrama 2.2: Variações no Gradiente de Preços da Terra em Função de Mudanças naRenda Urbana para Regiões Abertas e Fechadas

preço

Distância d0*

rA

r0

d2* d1*

r1

r2

d̂

p2 p0

p1

As conclusões do modelo Alonso-Muth-Mills apenas descrito são, em geral, coerentes

com a realidade. De fato a grande maioria das cidades apresenta este padrão: existe um

gradiente decrescente de preços e de densidade conforme se afasta do centro. Por outro

lado, a evidência empírica no que se refere à comparação entre as cidades parece ser

43 0,01 <

∂∂=

∂∂>=

∂∂

y

p

y

q

qy

p η e as relações entre y

p

∂∂

e y

k

y

r

∂∂

∂∂

ou mencionadas anteriormente


coerente com as conclusões de ambos os modelos. Por exemplo, a conclusão do modelo

de região fechada de que grandes cidades (com um grande número de domicílios) devem

ser mais densas e com lotes menores é confirmada inter alia, por Brueckner e Fansler

(1983). A previsão do modelo de cidade aberta de uma correlação positiva entre o

tamanho da cidade e a renda é confirmada por Hoch (1972).

2.2 Fatos Estilizados para a Grande São PauloAntes de entrar na especificação econométrica da demanda e oferta de imóveis na Grande

São Paulo, vale a pena dar uma olhada nos dados estilizados para esta região. Para

localizar espacialmente os lugares mencionados nas análises que se seguem, o Mapa 2.1

apresenta a divisão municipal da Região Metropolitana de São Paulo (RMSP) e as

zonas44 do Município de São Paulo (MSP) com seus respectivos nomes. O mapa contém

também a mancha urbana em 1992 e os principais rios e represas da região além dos

municípios vizinhos.

O mapa 2.2 apresenta a densidade em milhares de domicílios por hectare para a área

urbana da Grande São Paulo. Os círculos concêntricos apresentam a distância para o

marco zero da cidade central (MSP). O primeiro círculo está a 2,5 km de distância do

centro enquanto os seguintes estão a 5 km de distância cada, ou seja, o segundo círculo

está a 5 km, o terceiro a 10 km e assim por diante. O primeiro aspecto importante de se

destacar é que a área urbana da Grande São Paulo é muito próxima de um círculo de 25

km de raio com o centro na praça da Sé. Como se pode observar, com exceção de alguns

permanecem válidas.44 Conforme classificação da Emplasa (1994).


vazios ao norte, devido a serra da Cantareira, a área urbana está basicamente contida

dentro do último círculo45.

Ainda que a densidade em geral diminua quando se afasta do centro, não se pode dizer

que o mapa está totalmente de acordo com o modelo. Existe uma importante

concentração populacional (mais de 37,5 mil Domicílios/Ha) na parte mais ao norte da

zona leste 1, a cerca de 15 km do centro, e na porção mais ao leste da zona sudeste numa

faixa que começa a 5 km do centro e se expande até 15 km de distância da praça da Sé.

Na realidade, o leste do MSP apresenta densidades díspares com o modelo. Fora os dois

pólos de alta densidade citados toda a porção norte da zona leste apresenta densidades

acima de 25 dom/Ha mesmo a 25 km de distância do centro. Por outro lado, a

concentração próxima ao centro se estende até uns 15 km de distância, ao sul. Finalmente

existe uma última área de concentração, ao norte, que começa a cerca de 5 km do centro e

que se estende até cerca de 13 km de distância da praça da Sé.

Estas diferenças ocorrem em parte devido a diferenças de renda entre grupos dentro da

área urbana. Até o presente momento, considerou-se que existia apenas um agente

representativo. Quando há diversos grupos de agentes, como se sabe, não há garantia de

que os membros de um grupo tenham o mesmo bem estar (em termos de nível de gasto)

do que os membros de outro grupo. É o famoso resultado que o mercado trata grupos

iguais igualmente e grupos diferentes desigualmente. Para ver como este processo ocorre,

45 Na realidade, a mancha urbana se expande mais uns 5 km à leste e à oeste. Uma aproximação maisrealista seria uma elipse com cerca de 60 km no eixo maior e 40 km no eixo menor com o centro deslocadocerca de 5 km ao sul da praça da Sé. De qualquer maneira, esta nova aproximação acabaria por deixar defora parte de Guarulhos, o segundo município do estado.


vamos assumir uma função específica e simplificada46 (porém coerente com a teoria

anterior) para a renda dos imóveis para os dois grupos:

22222

11111

ndfyqp

ndfyqp

−−=−−=

(2.23)

Onde pi, qi, yi, fi e ni representam a renda do imóvel, o tamanho do lote, a renda

disponível, o custo de transporte (considerado linear) e o consumo de outros bens

(numerário) correspondente aos consumidores do i-ésimo. Vamos também supor que (i)

(y1-n1)/ q1 >(y2-n2)/q2 e (ii) f1/q1>f2/q2. Ou seja, o grupo 1 tem renda disponível para o

consumo de imóveis maior que o grupo 2 e maior aversão ao deslocamento relativamente

ao tamanho do lote. Neste caso, a inclinação (negativa) do gradiente de preços do imóvel

seria maior para os indivíduos do grupo 1 do que para os indivíduos do grupo 2 como

ilustrado no Diagrama 2.3. Como se pode observar, existe um ponto m onde as duas

curvas se interceptam. Este ponto pode ser calculado facilmente a partir de (2.23):

)(

)()(

2112

221112

fqfq

nyqnyqm

−−−−=

Note-se que as condições i) e ii) impostas no parágrafo anterior garantem que m seja

positivo. É necessário ainda que m seja menor do d* para que o grupo 2 consiga alugar

algum imóvel na região. Para caracterizar o equilíbrio urbano é ainda necessário que os

domicílios do grupo 1 caibam no círculo cujo raio é m e que todos os domicílios (dos

grupos 1 e 2) caibam no círculo de raio d*. Não vamos apresentar aqui a solução

completa deste equilíbrio. O que se pretende destacar é que, se o lote demandado pelo

grupo 1 for maior do que o lote demandado pelo grupo 2, pode ser que a previsão do

modelo para a relação entre densidade e distância do centro não seja mais válida.

46 Para uma estática comparativa do modelo com múltiplos grupos, vide Hartwick et all (1976) ou Wheaton(1976).


Diagrama 2.3: Gradiente de Renda dos Imóveis para uma Região com Dois Agentes renda

Distância d*

rA

p1

m

p2

(y1-n1)/q1

É importante também destacar que o equilíbrio encontrado em que os “ricos” moram

próximos ao centro e que os “pobres” moram mais distante é decorrência das hipóteses

arbitrárias feitas anteriormente. Seria perfeitamente possível um equilíbrio inverso como

se nota na maioria das cidades americanas. É também interessante notar como um dos

grupos poderia ficar completamente fora do mercado. Se d* for menor do que m, o grupo

2 não conseguiria alugar nenhum imóvel. Se, por outro lado, o preço que o grupo 2

estivesse disposto a pagar no centro fosse maior que a do grupo 1 (ou seja, se a hipótese

(i) não valesse), o grupo 1 que estaria fora do mercado.

O quanto esta modificação do modelo explica as disparidades nas densidades

observadas? Observando o Mapa 2.3, nota-se que parte das altas densidades encontradas

na zona leste podem ser explicadas se ampliarmos o modelo para múltiplos agentes. A

zona leste é, de fato, um dos maiores bolsões de miséria urbana da região. Como se pode

observar, a porção mais ao leste, a zona leste 2, encontra-se na faixa de renda mais baixa


da região. Os chefes de domicílio em todos os distritos desta zona ganham, em média,

menos de R$ 900,00 por mês em valores de dezembro de 2000. Além do mais, esta é uma

das regiões com maior concentração de habitação popular tanto do Estado (CDHU) como

da Prefeitura (COHAB).

As altas densidades ao norte também se dão em distritos com renda relativamente baixa.

Já a concentração de população que se expande ao Sul é um pouco mais difícil de se

explicar por diferenças de renda, ainda que o distrito mais ao Sul com alta concentração

populacional (Cidade Ademar) apresente uma renda relativamente baixa. A Tabela 2.1

apresenta os 11 distritos com densidade domiciliar acima de 37,5 domicílios por hectare

que se encontram a mais de 5 km do centro da cidade47. Como se pode observar, a

correlação entre baixa renda e alta densidade é boa no Leste e no Norte, razoável no

Sudeste e ruim no Sul.

47 Outros 10 distritos localizados a menos de 5 km do centro encontram-se nesta faixa densidade.


Tabela 2.1: Densidade e Renda Média do Chefe do Domicílio para Distritos comAlta Densidade a mais de 5 km da Praça da Sé

'LVWULWR =RQD 'HQVLGDGH�'RP�+D�

5HQGD�5� GH] ��

ÈJXD 5DVD Sudeste �� 6DFRPm Sudeste �� 6mR /XFDV Sudeste �� 6DSRSHPED Sudeste �� $UWXU $OYLP Leste 1 �� 3RQWH 5DVD Leste 1 �� )UHJXHVLD GR Ï Norte 2 �� 9LOD 0HGHLURV Norte 2 �� &LGDGH $GHPDU Sul 2 �� -DEDTXDUD Sul 2 �� 6D~GH Sul 2 ��

Fonte: IBGE: Censo Demográfico de 1991, Emplasa (1994)

Um outro aspecto interessante do Mapa 1.3 é que a renda segue um comportamento

espacial bem uniforme. Existe um círculo de alta renda, em seguida um anel ao redor

com a renda uma faixa abaixo e assim por diante. Existem duas exceções a esta regra. Em

primeiro lugar, à sudeste da RMSP, mais especificamente em São Bernardo e São

Caetano, a renda torna a crescer. Esta região é um importante centro de atividade

industrial em São Paulo. A outra exceção ocorre a noroeste, especialmente em Barueri e

Santana de Parnaíba. Também nesta região existe uma certa concentração industrial mas,

sobretudo, existem importantes condomínios fechados para população de alta renda:

Alphaville e Tamboré. É também importante destacar que o círculo de alta renda, ainda

que próximo ao centro não está centrado na praça da Sé. O ponto, destacado no Mapa,

que fica no encontro da Av Marginal Pinheiros com a Av. dos Bandeirantes seria o centro

deste círculo de alta renda. Voltaremos a estas duas questões suscitadas pelo Mapa mais

adiante.

De acordo com o modelo, a densidade estrutural também deveria seguir comportamento

semelhante ao da densidade domiciliar. O Mapa 2.4 apresenta uma proxy para a


densidade estrutural (área total construída sobre a área do terreno) dos imóveis lançados

na RMSP entre 1985 e 1999 conforme dados da Embraesp48. Estes dados também são

apresentados nos Gráfico 2.1 e 2.2 onde se apresenta a relação entre a área construída e a

área do terreno em função da distância da Praça da Sé (2.1) e do início da Av dos

Bandeirantes (2.2), juntamente com a linha de tendência49.

Gráfico 2.1: Densidade Estrutural em Função da Distância à Praça da Sé(Jan 85 à Jul 99)

0

2

4

6

8

10

12

14

16

18

20

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000 40,000

Distância à Pra ça da Sé (m)

Áre

a C

onst

ruíd

a/Á

rea

do

Te

rre

no

Fonte: Tabulação própria usando dados da Embraesp

Como se pode observar, a densidade estrutural é muito semelhante à domiciliar. Além do

centro, existem edifícios com uma alta proporção de área construída com relação ao

terreno ao Sul, até uns 10 km do centro, ao norte na faixa de 5 a 10 km de distância e ao

leste na mesma faixa, se expandindo em menor proporção para a faixa dos 10 aos 15 km.

No ABC, além de São Caetano e São Bernardo que já se destacavam no Mapa de

densidade domiciliar, Santo André aparece mais claramente com uma alta densidade

48 Esta será a base de dados a partir da qual será realizada toda a análise econométrica e será descrita comdetalhes na próxima seção.49 Uma aproximação polinomial de ordem 5.


estrutural e um grande número de lançamentos. O Mapa 2.5 apenas confirma as

conclusões sobre densidade estrutural utilizando uma outra proxy: o número médio de

andares dos condomínios. Nesta proxy, o centro de Santo André se destaca bem mais que

os outros centros do ABC. De acordo com os Mapas, mais duas localidades

aparentemente revertem a tendência declinante na densidade estrutural: Barueri a

noroeste e Guarulhos no nordeste.

No Gráfico 2.1, fica clara a tendência declinante da densidade estrutural conforme se

afasta do centro da cidade de São Paulo. A área construída nos locais muito próximos ao

centro é cerca de 6 vezes a área do terreno, em média, comparada com uma média de

pouco mais de 3 vezes para imóveis localizados em torno de 15 km de distância do

centro. No Gráfico 2.2 o ponto de referência foi modificado para o início da Av. dos

Bandeirantes, no cruzamento com a Marginal do Rio Pinheiros. Esta mudança de

referencial deve-se ao fato de que este ponto fica no centro de “riqueza” da região como

se pode notar no Mapa 2.1. Além do mais, sabe-se que diversas empresas estão de fato

localizadas em torno deste ponto50. Quando o ponto de referência é alterado, a tendência

declinante permanece mas a aproximação é pior do que anteriormente. Quando o ponto

de referência é a Av. dos Bandeirantes, não obstante parta-se de uma média abaixo de 6

vezes a área do terreno, nos imóveis em torno de 15 km de distância da Bandeirantes a

média ainda é superior a 4 vezes.

50 Alguns outros pontos foram testados como o World Trade Center na Av. Luiz Carlos Berrini. O encontroda Av. dos Bandeirantes com a Marginal é o ponto com mais sentido tanto em termos da localização dasempresas como em termos da distribuição espacial da renda.


Gráfico 2.2: Densidade Estrutural em Função da Distância à Av. dos Bandeirantes(Jan 85 à Jul 99)

0

2

4

6

8

10

12

14

16

18

20

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000 40,000

Distância ao Início da Av. dos Bandeirantes (m)

Áre

a C

onst

ruíd

a/Á

rea

do

Te

rre

no


Quer dizer, ainda que possa haver um deslocamento da riqueza de cerca de 7 km ao

sudoeste do centro histórico, este deslocamento não resultou em um deslocamento da

densidade estrutural. Um outro aspecto interessante é que a tendência declinante

permanece até cerca de 35 km de distância do centro, a partir de onde a média de área

construída permanece estável em torno de 2 vezes a área do terreno. Como a 35 km a área

urbanizada é pequena em qualquer direção, esta seria a densidade estrutural mínima na

RMSP de uma região rural ou semi-urbana.

Nota-se também que os possíveis pólos de retomada de uma acumulação populacional:

ABC, Guarulhos e Barueri, não parecem influenciar a média global, quer dizer, são

incapazes de alterar a tendência declinante da densidade estrutural. O fato é que,

conforme a direção que se caminha, o comportamento do gradiente de densidade parece

variar consideravelmente. Na maioria dos mapas discutidos anteriormente, apresenta-se

em geral uma linha divisória, cortando a RMSP em quatro fatias. Estas quatro fatias


correspondem aos quatro quadrantes geográficos da RMSP denominados trivialmente na

figura abaixo. Os Gráficos 2.3 a à d apresentam a tendência para a densidade estrutural

em função da distância para os quatro quadrantes.

Figura 2.2: Quadrantes e Pontos de Referência da RMSP

O comportamento declinante que mais se encaixa no modelo discutido ocorre quando se

desloca na direção Sudoeste. Nesta direção apresenta-se a tendência mais elevada e não

se verifica nenhuma mudança de tendência. Na direção noroeste também não se verifica

uma inversão de tendência mas a inclinação é bem inferior à observada para a direção

sudoeste. Já quando se caminha na direção Nordeste ou Sudeste, existem inversões de

tendências bem claras a cerca de 12,5 km na direção Sudeste e a mais e 25 km na direção

Nordeste. O caso do Sudeste é muito claro. A cerca de 25 km do centro, ou seja, próximo

ao centro de Santo André ou São Bernardo, obtêm-se um máximo local que cai

novamente retornando aproximadamente ao piso anterior. Ou seja, a presença do ABC é

claramente observada nos dados quando se caminha na direção sudeste. No entanto, é um


pouco complicado atribuir à Guarulhos a reversão de tendência no Nordeste é um pouco

mais difícil já que o centro de Guarulhos encontra-se a cerca de 15 km de distância do

centro.

Gráfico 2.3: Densidade Estrutural em Função da Distância à Praça da Sé para QuatroQuadrantes da RMSP (Jan 85 à Jul 99)

Gráfico 2.3a: Noroeste Gráfico 2.3b: Nordeste

0

2

4

6

8

10

12

14

16

18

20

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000

Distância à Praça da Sé (m)

Áre

a C

onst

ruíd

a/Á

rea

do T

err

eno

0

2

4

6

8

10

12

14

16

18

20

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000


Áre

a C

onst

ruíd

a/Á

rea

do

Te

rre

no

Gráfico 2.3c: Sudoeste Gráfico 2.3d: Sudeste

0

2

4

6

8

10

12

14

16

18

20

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000


Áre

a C

onst

ruíd

a/Á

rea

do T

erre

no

0

2

4

6

8

10

12

14

16

18

20

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000


Áre

a C

onst

ruíd

a/Á

rea

do

Terr

eno


Em outras palavras, apenas o ABC aparece claramente como um candidato a sub-centro

regional. Barueri e Guarulhos não são capazes de alterar a média de densidade estrutural

quando se caminha na sua direção pelo menos de forma inequívoca. No entanto, do que

se trata um sub-centro? Neste contexto, trata-se de um outro ponto de aglomeração de

postos de trabalho para o qual trabalhadores se deslocam da sua residência. Neste caso,

quebra-se a estrutura monocêntrica com uma série de conseqüências sobre o equilíbrio

urbano.


Existem basicamente 3 abordagens para a modelagem de uma economia não

monocêntrica. A abordagem inaugurada por Mills (1972) identifica as condições a partir

das quais uma região é (1) segregada com a produção ocorrendo no centro e os imóveis

residenciais vivendo no entorno (região monocêntrica) ou (2) integrada com empresas e

residentes vivendo nos mesmos locais. A versão de Fujita e Ogawa (1982) deste tipo de

equilíbrio considera ainda o caso em que o uso da terra é (3) parcialmente integrado, com

algumas empresas e residências localizadas na mesma área, uma área residencial pura e

uma área apenas empresarial.

Uma outra abordagem a partir do artigo pioneiro de White (1976) assume que as

empresas podem exportar sua produção tanto a partir da sua localização central como a

partir de uma filial localizada no subúrbio da região. Nesta abordagem fica claro como a

existência de um anel viário em torno do centro original divide o mercado em dois. O

grande problema desta abordagem de anel viário é que as firmas localizadas no anel não

apresentam ganhos de escala entre elas e, portanto encontram-se espalhadas

uniformemente ao longo da via. Ainda que esta configuração seja verificada na prática

em alguns casos, um modelo deste tipo não é capaz de explicar a existência de uma

concentração de empresas em torno de um outro local que não o centro.

A terceira abordagem é de um modelo de dinâmica regional como o de Henderson

(1986). Lembre-se que, no modelo simplificado de Fujita e Krugman (1995), quando a

fronteira agrícola de uma região está acima de uma certa distância do centro original S*,

uma nova cidade se forma a 2S*/3 do centro. Além do mais, num modelo com dois

setores sendo que para o primeiro torna-se lucrativo mudar de cidade para uma fronteira

agrícola mais próxima do que para o segundo têm-se uma especialização das cidades:


uma cidade menor com apenas um setor e uma cidade maior com os dois setores

econômicos.

Dado que faz sentido o aparecimento de uma outra (ou duas) cidades próxima(s) à

primeira vamos assumir que, de fato, existe um sub-centro na nossa região estilizada a 20

km de distância do centro principal. Ou seja, não se apresenta formalmente aqui um

modelo não-monocêntrico que é assumido ad hoc e discutido heuristicamente. Se existe

um sub-centro a 20km, pessoas vivendo, digamos, a 2 km do sub-centro (18 km do

centro) e trabalhando no sub-centro incorrem num custo de transporte muito menor do

que as pessoas que moram, digamos, a 15 km do centro e trabalham nele. A utilidade

pode ser equalizada através de diferentes salários nas duas áreas de concentração de

empresas, através de diferenças no preço dos imóveis ou através de ambas. Assumindo

que ambos processos de equalização ocorrem: os salários são menores no sub-centro mas

os aluguéis são crescentes conforme se aproxima do sub-centro (localizado em S*) a

partir de um certo limite (c*). A fronteira agrícola original (sem a existência do sub-

centro) é denominada d0* e a nova fronteira agrícola é denominada d1*.


Diagrama 2.4: Gradiente de Preço dos Imóveis em uma Cidade com um Centro e umSub-centro.

Densidade

Distância c*

rA

d1* S* d0*

Para que o sistema esteja em equilíbrio, pessoas morando em c* são indiferentes entre

trabalhar no centro ou no sub-centro: o salário mais elevado no centro compensa o maior

deslocamento. Todas as pessoas morando à direita de c* preferem trabalhar no sub-centro

do que no centro. Mesmo assumindo uma economia totalmente circular como na nota 13

a nova condição de equilíbrio é extremamente complexa. Em princípio, em equilíbrio, as

pessoas empregadas no sub-centro deveriam caber na área disponível para residências

dentro da faixa compostas por dois semi-círculos: um de raio S*-c* e outro de raio d*-S*.

No entanto, pode existir um ponto a uma distância do centro maior do que c* e a uma

distância do sub-centro maior do que S*-c* onde o morador deste ponto estaria

indiferente entre trabalhar no centro ou no sub-centro51.

Uma hipótese extremamente simplificadora seria considerar que apenas as pessoas

vivendo no quadrante onde se localiza o sub-centro trabalham neste e estão

compreendidas nos dois semicírculos descritos acima. A área onde deveria ser possível

51 Para evitar este problema, Fujita e Ogawa (1982) consideraram uma cidade linear.


encaixar as pessoas que trabalham no sub-centro seria composta pela área de ¾ de círculo

com raio d0* mais a área de ¼ de círculo com raio c*. Esta hipótese parece razoável para

a RMSP. Quando se caminha na direção Sudeste, nota-se o perfil descrito no Diagrama

2.4. Quando se caminha na direção Noroeste ou Sudoeste nota-se para a densidade

estrutural o perfil esquemático do Diagrama 2.1 para preços.

É também importante destacar que a inclinação na direção Sudoeste é maior do que a

verificada na direção Noroeste. Parte-se de uma média superior (7 vezes a área do terreno

no Sudoeste contra 5 vezes no Noroeste) chegando-se a menos de uma vez o tamanho do

terreno em média a pouco mais de 25 km do centro contra uma média de 2 vezes o

tamanho do terreno a mais de 30 km do centro na direção Noroeste. Uma explicação

razoável é que como a Sudoeste não há nenhum sub-centro, o gradiente de densidade é

muito parecido com o de uma cidade monocêntrica. Na realidade, este quadrante tem um

limite natural de crescimento: a área de mananciais. Já a Noroeste, parte dos moradores

trabalha ou estuda em Alphaville ou em algum outro lugar de Barueri; uma outra parte

trabalha ou estuda em São Paulo. Portanto, a redução de utilidade quando se afasta de

São Paulo é diluída pelo aumento de utilidade por estar se aproximando de Alphaville ou

Barueri. Por fim, a área urbanizada mais extensa é coerente com o Diagrama 4.1: a

fronteira agrícola com sub-centro se dá em d1*> d0*.

Quando se caminha na direção Nordeste o perfil é parecido com o do Diagrama 2.4 com

um sub-centro localizado a mais de 35 km de distância do centro. Como vimos, o grande

candidato no quadrante Nordeste seria Guarulhos que está a menos de 20 km do centro.

Um sub-centro alternativo mais coerente com o gráfico seria Mogi das Cruzes. Acontece

que na base de dados utilizada, registrou-se apenas 2 lançamentos em Mogi no período


considerado e, portanto, qualquer conclusão seria extremamente arbitrária. Além do que,

o pedaço bem próximo à Praça da Sé na direção Nordeste é exatamente o Centro Antigo

onde, por motivos óbvios, praticamente não existem novos lançamentos.

Finalmente, o trecho crescente no início da curva tanto na direção Nordeste como na

direção Sudeste pode ser explicado em parte pela diminuição da renda quando se

caminha do centro para o leste da RMSP. Como discutido anteriormente, a concentração

de populações mais pobres à leste em média diminui o tamanho dos lotes aumentando a

densidade. Este efeito já havia sido observado na discussão sobre densidade domiciliar no

Mapa 2.2. Na realidade, como a densidade domiciliar é um dado censitário e, portanto,

um dado de estoque e não de fluxo como o nosso dado de densidade estrutural, deve-se

tomar bastante cuidado ao comparar estes dois indicadores. Voltaremos a esta questão

mais adiante.

O modelo apresentado originalmente previa também que o comportamento da renda dos

imóveis deveria ser o mesmo que o das densidades. No entanto, a extensão que considera

dois grupos de renda já não garante este resultado a não ser que as classes de renda mais

alta vivam nos subúrbios o que já se sabe que não é o caso em São Paulo. Os Gráficos 2.4

a e b apresentam o preço52 dos imóveis por metro quadrado em função da distância da

Praça da Sé (a) e do início da Bandeirantes (b). Estes dados são também apresentados no

Mapa 2.6.

52 O modelo foi desenvolvido para a renda (ou aluguel) do imóvel no entanto nossos dados referem-se aopreço de compra do imóvel. Em equilíbrio, o preço do imóvel deve ser igual ao aluguel dividido pela taxade juros real.


Gráfico 2.4a: Preço/m2 do imóvel em funçãoda Distância a Sé (1985-1999)

Gráfico 2.4b: Preço/m2 do imóvel em funçãoda Distância a Bandeirantes (1985-1999)

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

0 5000 10000 15000 20000 25000 30000 35000 40000

Distância a Pra ça da Sé (m)

Pre

ço p

or m

2 (R

ea

is d

e 1

5/12

/00)

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000 40,000

Distância ao Início da Bandeirantes (m)

Pre

ço p

or m

2 (R

ea

is d

e 1

5/12

/00)


Nos Gráficos fica claro que os preços parecem se comportar de acordo com modelo,

especialmente quando o ponto de referência é a Av. dos Bandeirantes. De fato, muito

próximo à praça da Sé no Gráfico 2.4a, os preços parecem se estabilizar abaixo de R$4

mil (em valores53 de dezembro de 2000) enquanto o preço dos imóveis muito próximos à

Av dos Bandeirantes apresentam uma tendência crescente acima de R$4 mil. Além das

diferenças entre os quadrantes claras no Mapa 2.6, existe um outro problema no caso dos

preços. Existe uma grande variação de preços ao longo do período.

O Gráfico 2.5 apresenta a evolução dos preços no período considerado junto com o

número de unidades vendidas no mercado. Os mesmos dados são apresentados no

Gráfico 2.6 porém utilizando-se uma média móvel de 12 meses para corrigir

sazonalidades e tornar a série mais estável. Como se pode observar, os preços apresentam

grande volatilidade no início da série mas parecem mais estáveis no final. Entre janeiro

de 85 e dezembro de 90 temos o período de maior instabilidade da série, mesmo na série

filtrada pela média móvel. Os preços sobem continuamente até metade de 87. A partir daí

caem até o início de 88 se mantendo-se estável, em torno de R$1,5 mil durante o ano mas

53 Valores corrigidos pelo IGP-di. Vide apêndice.


retomando o crescimento no ano seguinte. Neste período o preço e as vendas caminham

praticamente juntos.

Gráfico 2.5: Evolução da Média Mensal de Preços por m2 dos Imóveis Lançados naRMSP (1985-1999)

0

500

1,000

1,500

2,000

2,500

3,000

Jan-85

Jan-86

Jan-87

Jan-88

Jan-89

Jan-90

Feb-91

Feb-92

Feb-93

Feb-94

Feb-95

Feb-96

Feb-97

Feb-98

Feb-99

Da ta

Pre

ço R

$ d

e D

ez

. 0

0

200

400

600

800

1,000

1,200

1,400

1,600

1,800

2,000

R$

Milh

õe

s d

e D

ez

. 0

V endas

preço/m 2


Gráfico 2.6: Média Móvel (12 meses) de Preço Médio por m2 e Total de Unidades paraos Imóveis Lançados na RMSP (1985-1999)

0

500

1,000

1,500

2,000

2,500

Jan-85

Jan-86

Jan-87

Jan-88

Jan-89

Jan-90

Feb-91

Feb-92

Feb-93

Feb-94

Feb-95

Feb-96

Feb-97

Feb-98

Feb-99

Da ta

R$

De

zem

bro

20

0

0

1,000

2,000

3,000

4,000

5,000

6,000

Un

ida

de

s

Lançamentos

preço/m2


Em janeiro de 91, pela única vez em toda a série, não foi registrado nenhum lançamento,

muito provavelmente devido ao anúncio do plano Collor naquele mês. A partir do início


de 91 o preço apresenta uma longa tendência decrescente que termina somente em

meados de 94. Neste segundo período que vai do início de 91 até meados de 94, preço e

vendas não parecem mais caminhar juntos. Pelo contrário, neste período, as vendas

apresentam uma tendência crescente.

A partir de meados de 94 os preços se estabilizam até o final da nossa série, em julho de

99, em torno de R$1,2 mil. O mesmo não se pode dizer das vendas que apresentam uma

tendência crescente mais acentuada do que anteriormente alcançando um pico em meados

de 97 que permanece até meados de 98 quando as unidades vendidas despencam para um

de seus níveis mais baixos, em torno de 2,5 mil unidades por mês. Dado este

comportamento temporal, parece interessante observar a relação entre preço e distância

em três períodos diferentes: de 1985 a 1990, de 1991 a junho de 1994 e de julho de 1994

em diante. As datas são coerentes com as séries temporais e correspondem a dois

importantes momentos na política econômica: o plano Collor e o plano Real.

Nos dois primeiros períodos a tendência declinante para os imóveis próximos ao centro

(até 2,5 km de distância) é bem clara, especialmente no período que vai de janeiro de 91 a

junho de 94. No último período a tendência com certeza não é ascendente mas não se

pode afirmar que seja descendente. Quando a referência é a Av dos Bandeirantes, nota-se

muito claramente a tendência ascendente no início da curva observada no total da

amostra54 no segundo e no terceiro período. No primeiro período nota-se uma tendência

descendente ainda que menos acentuada do que a tendência observada no mesmo período

quando a referência é a praça da Sé. Pode ser que o efeito do deslocamento da atividade

54 Como veremos adiante, não se trata de uma amostra no sentido estatístico do termo. No entanto o termoserá usado para se referir às empresas que compoem o universo dos lançamentos da Embraesp.


econômica só tenha se transferido efetivamente para os preços dos imóveis na década de

90 e por isto não se nota o efeito na segunda metade da década de 80.

Gráfico 2.7a: Preço/m2 do imóvel emfunção da Distância a Sé (jan.85-dez 90)

Gráfico 2.7b: Preço/m2 do imóvel em funçãoda Distância a Bandeirantes (jan.85- dez.90)

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000 40,000

Distância a Praça da Sé (m)

Pre

ço p

or m

2 (R

eai

s de

15/

12/0

0)

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

0 5000 10000 15000 20000 25000 30000 35000 40000


Pre

ço p

or m

2 (R

eai

s de

15/

12/0

0)


Uma outra novidade na análise desagregada por período é que se nota uma retomada do

crescimento dos preços a cerca de 25 km de distância da Sé e a um pouco mais de 30 km

de distância da Bandeirantes no primeiro período e a cerca de 30 km da Sé e a um pouco

mais de 35 km da Bandeirantes no segundo período. Como o início da Bandeirantes

encontra-se a cerca de 7 km da Sé, provavelmente são os mesmos lançamentos que estão

revertendo a tendência na última parte da curva. Este fenômeno não é verificado no

último período. Esta retomada de preços deve-se, provavelmente, a lançamentos em

condomínios de alto padrão afastados da Grande São Paulo.

Gráfico 2.8a: Preço/m2 do imóvel emfunção da Distância a Sé (jan.91-jun.94)

Gráfico 2.8b: Preço/m2 do imóvel em funçãoda Distância a Bandeirantes (jan.91-jun.94)

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000 40,000


Pre

ço p

or m

2 (R

eais

de

15/1

2/00

)

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

0 5000 10000 15000 20000 25000 30000 35000 40000


Pre

ço p

or m

2 (R

eai

s de

15/

12/0

0)



Quando se divide a amostra por quadrante os resultados são bem diferentes dos

observados para a relação entre densidade estrutural e distância como se pode observar

no Gráfico 2.10. O quadrante Sudeste por exemplo, não apresenta os dois picos muito

claros no Gráfico 2.3d. Os preços decrescem rapidamente até cerca de 12km de distância

do centro depois se mantém constantes (em torno de R%2 mil) até uns 22km de distância

a partir de onde tornam a decrescer. Note-se que, comparando com o Gráfico 4a que

engloba todas as regiões, R$2 mil por metro quadrado a 25 km de distância da praça da

Sé está acima da média em torno de R$1,5 mil. Quer dizer, o efeito do ABC permanece

mantendo os preços num patamar mais elevado do que se esperaria. O curioso é que a

presença de um sub-centro não é capaz de criar um novo pico de preços apenas de

densidade.

Gráfico 2.9a: Preço/m2 do imóvel emfunção da Distância a Sé (jul.94-jul.99)

Gráfico 2.9b: Preço/m2 do imóvel em funçãoda Distância a Bandeirantes (jul.94-jul.99)

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000 40,000


Pre

ço p

or m

2 (R

ea

is d

e 1

5/12

/00)

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

0 10,000 20,000 30,000 40,000


Pre

ço p

or m

2 (R

eai

s d

e 1

5/12

/00)


O pico de preços a cerca de 3km de distância do centro (e não no ponto zero) e a

retomada no crescimento de preços no final da curva que se observa na segunda metade

da década de 80 (Gráfico 2.7a) e na primeira metade da década de 90 (Gráfico 8a) se

repete apenas nos quadrantes Nordeste e Sudoeste. A retomada de preços na região

Sudoeste se dá a praticamente 25km de distância do centro e na região Nordeste à cerca

de 30km de distância sendo análogas, portanto, às inflexões observadas no primeiro e no


segundo período, respectivamente. Este fato reforça a hipótese que tais inflexões estariam

ligadas a lançamentos de condomínios de alto padrão em (1) Carapicuíba, Embu ou

Itapecerica da Serra na segunda metade da década de 80 ou em (2) Mairiporã, Arujá ou

Santa Isabel na primeira metade da década de 90.

Gráfico 2.10: Preço por Metro Quadrado em Função da Distância à Praça da Sé paraQuatro Quadrantes da RMSP (Jan 85 à Jul 99)

Gráfico 2.10a: Noroeste Gráfico 2.10b: Nordeste

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000


Pre

ço p

or m

2 (R

eai

s de

15/

12/0

0)

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

0 5000 10000 15000 20000 25000 30000 35000

Distância a Praça da Sé (m)P

reço

por

m2

(Re

ais

de 1

5/12

/00)

Gráfico 2.10c: Sudoeste Gráfico 2.10d: Sudeste

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000


Pre

ço p

or m

2 (R

ea

is d

e 15

/12/

00)

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000


Pre

ço p

or m

2 (R

eais

de

15/

12/0

0)


A queda de preços nos imóveis muito próximos ao centro quando se caminha para

Nordeste pode ser explicada em parte pela distribuição espacial da renda (vide Mapa 2.3).

Na direção Nordeste, a renda média dos distritos a menos de 2,5km do centro está na

terceira faixa de renda da RMSP. No anel de 2,5km a 5km uma parcela dos distritos, ao

sul, apresenta renda na segunda faixa enquanto a parcela ao norte apresenta renda na

faixa mais rica da região. No entanto esta observação para o Sudoeste não faz muito

sentido se tomarmos a distribuição de renda em 1991. Uma explicação para este


fenômeno pode ser o eventual deslocamento do centro. O Gráfico 2.11 apresenta o preço

dos imóveis na região Sudeste em função da distância a Bandeirantes. O gráfico não

decai conforme se aproxima da Bandeirantes porém não se pode dizer que apresente uma

tendência crescente.

Gráfico 2.11: Preço por Metro Quadrado em Função da Distância ao Início da Av. dosBandeirantes para o Quadrante Sudoeste da RMSP (Jan 85 à Jul 99)

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

0 5,000 10,000 15,000 20,000 25,000 30,000 35,000

Distância ao Início da Av. dos Bandeirantes (m)

Pre

ço p

or m

2 (R

eai

s de

15/

12/0

0)


É curioso que não se note nenhuma recuperação de preços no final da curva no quadrante

Noroeste. Como se pode observar no Mapa 2.6, destacam-se alguns lançamentos em

Barueri e Santana de Parnaíba com preço por metro quadrado na última faixa de preços.

No entanto estes imóveis não parecem ser suficientes para alterar as baixas médias na

parte mais ou norte deste quadrante. Por outro lado, os preços neste quadrante ficam

praticamente constantes, em torno de R$1,5 mil (portanto acima do mínimo alcançada em

outras regiões de mil reais) um pouco depois de 15km de distância do centro até os 35 km

de distância. Assim, parece que existe um efeito de Alphaville sobre o preço médio dos

imóveis nesta região semelhante ao do ABC mas de menor impacto. O mesmo não se


pode dizer de Guarulhos que aparentemente não tem nenhum efeito sobre o gradiente de

preços dos imóveis quando se caminha em direção ao Nordeste da RMSP.


2.A Apêndice: Mapas Selecionados

##

##

####

##

#

##

#

###

###

##

#

#

##

##

##

##########

#

####

#

##

##

#

#

## ##

##

##

#

##

#

#

#######

###

###### # ## ## ###

#

###

#########

#### ####

#

#

#

#

#

# ##

#

##

###

#

##

###

#

##

####

#

#

##

#

##

#

###

#

##

#

#

#

## #

##

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

###

#

#

#

#

#

#

#

######

###

##

#

#

##

#

###

#

#

##

# ##

###

##

##

#

#

#

#

#

#

#

#

#

##

#

#

#

###

#

##

####

#

#

#

#

###

#

#

#

#

##

#

##

#

#

#

#

##

#

##

#

#

##

#

#

#

##

#

##

#

##

###

#

## #

###

#

#

#

# #

### ##

#

#

##

#

#

#

#

##

#

#

#

#

#

#### ## ##

#

#

#

######

#

#

#

#

# ###

#

##

## ##

#

#

##

#

#

###

#####

#######

#

###

##

#

#

#

###

#

#

#

#

##

#

##

#

#

#

###

#

##

#

#

##

##

###

## #

##

###

#

#####

####

#

#

#

#

#

#

#

#

#

#

##

#

#

#

##

##

#

## #

#

# #

#

##

#

#

##

#

#

##

##

#

##

#

##

##

#

#

###

#

###

#

#

#

##

#

#

###

#

#

##

#

#

###

### #

#

##

#####

###

####

###

#

# ##

#

#

##

###

#

##

###

#

###

#

#

### ##

#

#

########

#

#

#

###

### #

############

#

##

#

#

#####

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#####

#

#

#

#

#

#

##

#

#

#

# ##

#

#

#

#

#

#

#

#

###

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

###

##

##

###

###

#

#

#

#

#

############

########### ##########

#

##

#

#

#

#

#

###

#

##

#

#

##

##

#

##

#

#

#

#

#

####

#

#

##

####

#

#

#

#

#

#

#

##

#

#

#

##

##

###

##

#####

#

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

###

#

#

##

#

#

#

#

####

#

#

#

#

#

##

###

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

##

#

#

#

##

#

#

#

##

#

#

#

#

##

#

#

#

#

#

#

#

##

##

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

##

#

##

###

####

##

##

##

###

#

##

#

##

##

##

#

#

#

##

##

#

#####

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

##

#

#####

#

##

#

#

#

#

#

#

##

#

#

#

#

##

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

##

#

#

#

##

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

##

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

###

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

###

#

#

#

#

###

#

#

#

#

#

#

#

##

#

#

#

##

#

#

#

#

#

#

##

##

#

##

#

#

##

#

#

#

#

##

#

##

#

##

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

###

#

#

#

#

#

#

###

#

#

#

#

##

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

##

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

###

#

##

#

##

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

##

#

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

##

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

##

#

#

##

#

###

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

###

#

#

#

##

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

###

#

#

##

#

#

#

##

#

##

#

#

#

##

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

###

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

##

####

#

#

##

#

#

#

####

#

###

#

#

#

#

#

#

#

##

#

#

#

#

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

##

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

###

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

##

##

#

#

#

#

#

#

#

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

##

#

#

#

##

#

#

#

#

#

#

#

#

#

#####

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

##

#

##

#

#

#

#

##

#

##

##

##

##

####

##

####

##

####

####

##

##

##

##

##

##

##

##

##

##

##########

##

##

##

##

##

##

##

####

##

##

##

##

####

##

######

##

##

##

##

###

##

##

##

##

##

##

##

##

##

##

##

###

##

####

##

##

##

##

##

##

######

##

##

##

##

##

##

####

##

##

#

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

####

##

##

##

##

##

##

##

##

######

##

####

##

##

##

##

##

##

##

##

##

##

##

##

####

##

##

##

##

#

####

##

######

####

##

##

##

##

####

###

##

##

##

####

##

##

#

##

##

##

##

##

##

##

####

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

#####

##

##

##

######

####

##

##

####

##

##

##

##

##

##

##

##

####

##

##

####

##

##

##

##

##

#

####

####

##

##

##

##

####

##

##

##

##

####

##

##

##

##

##

####

##

##

#

##

##

##

##

##

##

##

##

##

##

#

##

##

##

##

##

##

##

##

####

##

##

##

##

##

##

####

##

##

##

##

####

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

####

##

##

#

##

##

####

##

##

##

##

##

##

##

##

##

##

##

####

##

##

##

##

##

##

##

##

##

##

####

##

##

##

##

##

##

##

##

##

##

##

##

######

##

##

########

##

#

####

##

####

##

####

##

##

##

##

##

##

######

##

##

##

##

##

##

##

##

##

##

##

#

##

##

##

##

#

##

##

##

##

####

##

##

##

#

####

##

##

#

##

##

##

##

##

##

##

#

##

##

##

#

##

##

##

##

########

##

##

##

##

#

####

######

##

######

##

##

####

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

####

##

####

######

##

##

#######

##

##

##

####

##

##

##

##

##

######

##

######

##

##

###

##

###

###

###

###

############

###

###

###

###

###############

###

######

###

###

###

###

##

###

###

###

###

#########

###

######

###

###

###

###

###

###

###

###

###

###

###

###

###

#########

###

###

#########

###

###

###

#####

######

###

######

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

#########

###

######

###

###

###

###

#####

##

##

###

###

###

###

#########

###

###

###

###

###

###

##

###

###

######

###

######

###

###

###

###

##

###

###

###

###

###

###

###

######

######

###

###

###

###

###

###

######

###

###

###

###

###

###

###

###

###

###

###

###

#####

######

###

######

###

###

###

###

###

###

###

###

#########

######

###

###

######

###

###

######

###

###

###

###

###

###

###

###

###

######

######

###

###

###

###

###

###

###

###

###

######

###

######

###

######

###

############

###

###

###

###

###

###

###

###

###

########

####

########

####

####

####

####

####

####

####

####

####

####

####

####

###

####

############

####

####

####

########

####

########

########

############

####

####

########

####

####

####

####

####

####

####

####

####

####

###

####

###

####

####

####

####

###############

####

####

####

####

####

############

####

####

####

####

####

####

############

####

####

############

############

####################

####

####

########

#####

#####

#####

##########

##########

####

##########

#####

####

#####

##########

#####

#####

###############

#####

##########

#####

#####

#########

#####

#####

#####

#####

#####

#####

#####

####################

#####

##########

#####

###############

#####

#####

#####

#####

######

######

######

######

######

######

######

######

#####

######

############

######

######

############

######

######

######

######

######

######

############

######

##################

############################

#######

##############

#######

########

########

########

########

########

########

#######

########

########

#########

########

################

#########

#

#

#

#

#

SANTOS

#

25 km

Fontes: Emplasa, Logit, Secretaria Estadual doMeio Ambiente, Embraesp (Tabulação do Autor)

Mapa 2.4: Densidade Estrutural dos Novos Imóveis Lançados na Grande São Paulo (1985-1999)

N

2 0 2 4 KilometersMancha Urbana 92Limites MunicipaisRepresasRiosViario RegionalZona 1Município de São Paulo

Densidade Estrutural# Menos de 3.4# 3.4 - 4.4# 4.4 - 6.5# Mais de 6.5

Círculos de Distância da Praça da SéLimite da RMSPQuadrantes

##

##

####

##

#

##

#

###

###

##

#

#

##

##

##

##########

#

####

#

###

##

#

## ##

##

##

#

###

#

#######

###

###### # ## #####

#

###

#########

#### ####

#

#

#

#

#

# ##

#

##

###

#

##

###

#

##

####

#

#

##

#

##

#

###

#

##

#

#

#

## #

##

#

###

#

#

#

#

#

#

##

#

#

#

#

#

#

###

#

#

#

#

#

#

#

######

###

##

#

#

##

#

###

#

#

##

# ##

###

##

##

#

#

#

#

##

#

#

#

##

#

#

#

###

#

##

####

#

#

#

#

###

#

#

#

#

##

#

##

#

#

#

#

##

#

##

#

#

##

#

#

#

##

#

##

#

##

###

#

## #

###

#

#

#

# #

######

#

##

##

#

#

#

##

#

#

#

#

#

#### ## ##

#

#

#

######

#

#

#

#

# ###

#

##

## ##

#

#

##

#

#

###

#####

#######

#

###

##

#

#

#

###

#

#

#

#

##

#

##

#

#

#

###

#

##

##

#

##

##

###

## #

##

###

#

#####

####

#

#

#

#

#

#

#

#

#

#

##

#

#

#

##

##

#

## #

#

# #

#

##

#

#

##

#

#

##

##

#

##

#

##

##

#

#

###

#

###

#

#

#

##

#

#

###

#

#

##

#

#

###

####

#

##

#####

###

####

###

#

# ##

#

#

##

####

##

###

#

###

#

#

### ##

#

#

########

#

#

#

###

### #

############

#

##

#

#

#####

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#####

#

#

#

#

#

#

##

#

#

#

# ##

#

#

#

#

#

#

#

#

###

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

###

##

##

###

###

#

#

#

#

#

############

########### ###########

#

##

#

#

#

#

#

###

#

##

#

#

###

##

#

###

#

#

#

#

####

#

#

##

####

#

#

#

#

#

#

#

##

#

#

#

##

##

###

##

#####

#

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

###

#

#

##

#

#

#

#

####

#

#

#

#

#

##

###

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

##

#

#

#

##

#

#

#

#

##

#

#

#

#

##

##

#

#

#

#

#

##

##

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

##

#

##

###

####

##

##

##

###

#

##

#

##

##

##

#

#

######

###

#

##

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

##

#

#####

#

##

#

#

#

#

#

#

##

#

#

#

#

##

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

##

#

#

#

##

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

##

#

#

##

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

####

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

###

#

#

#

#

###

#

#

#

#

#

#

#

#

##

#

#

#

##

#

##

#

#

#

##

##

#

#

##

#

#

##

#

#

#

#

##

#

##

#

##

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

###

#

#

#

#

#

#

###

#

#

#

#

##

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

##

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

###

#

##

#

##

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

##

#

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

##

#

#

##

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

##

#

#

##

#

###

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

###

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

#

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

##

#

##

#

#

#

#

#

#

###

#

#

##

#

#

#

##

#

##

#

#

#

##

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

###

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

##

####

#

###

#

#

#

####

#

###

#

#

#

#

#

#

#

##

#

#

#

#

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

##

#

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

#

#

#

###

##

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

##

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

##

#

#

#

##

#

##

##

#

#

#

#

#

#

#

#

###

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

#

###

#

#

#

#

##

#

#

#

##

#

#

#

#

#

#

#

#

#

#####

#

#

#

#

#

##

#

#

#

#

#

#

#

#

#

#

#

#

##

#

##

#

#

#

#

##

#

##

##

##

##

####

##

####

##

####

####

##

##

##

##

##

##

##

##

##

##

##########

##

##

##

##

##

##

##

####

##

##

##

##

####

##

######

##

##

##

##

####

##

##

##

##

##

##

##

##

##

##

##

####

##

####

##

##

##

##

##

##

######

##

##

##

##

##

##

####

##

##

##

##

##

##

##

##

##

####

##

##

##

##

##

##

##

##

##

##

##

##

######

##

##

##

##

##

##

##

######

##

####

##

##

##

##

##

##

##

##

##

##

##

##

####

##

##

##

##

##

####

##

######

####

##

##

##

##

####

####

##

##

##

####

##

##

##

##

##

##

##

##

####

####

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

######

##

##

##

######

####

##

##

####

##

##

##

##

##

##

##

##

####

##

##

####

##

##

##

##

##

##

####

####

##

##

##

##

####

##

##

##

##

####

##

##

##

##

##

####

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

####

##

##

##

##

##

##

####

##

##

##

##

####

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

####

##

##

##

##

##

####

##

##

##

##

##

##

##

##

##

##

##

####

##

##

##

##

##

##

##

##

##

##

####

##

##

##

##

##

##

##

##

##

##

##

##

######

##

##

########

##

##

####

##

####

##

####

##

##

##

##

##

##

######

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

####

##

##

##

##

####

##

##

##

##

####

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

########

##

##

##

##

##

####

######

##

######

##

##

####

##

##

##

##

##

##

##

##

##

##

##

##

##

##

##

####

##

##########

##

##

########

##

##

##

####

##

##

##

##

##

######

##

######

##

##

######

###

###

###

###

############

###

###

###

###

###############

###

######

###

###

###

###

###

###

###

###

###

#########

###

######

###

###

###

###

###

###

###

###

###

###

###

###

###

#########

###

###

#########

###

###

###

######

######

###

######

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

###

#########

###

######

######

###

###

######

###

###

###

###

###

###

#########

###

###

###

###

###

###

###

###

###

######

###

######

###

###

###

###

###

###

###

###

###

###

###

###

######

######

###

###

###

###

###

###

######

###

###

###

###

###

###

###

###

###

###

###

###

######

######

###

######

###

###

###

###

###

###

###

###

#########

######

###

###

######

###

###

######

###

###

###

###

###

###

###

###

###

######

######

###

###

###

###

###

###

###

###

###

######

###

######

###

######

###

############

###

###

###

###

###

###

###

###

###

########

####

########

####

####

####

####

####

####

####

####

####

####

####

####

####

####

############

####

####

####

########

####

########

########

############

####

####

########

####

####

####

####

####

####

####

####

####

####

####

####

####

####

####

####

####

################

####

####

####

####

####

############

####

####

####

####

####

####

############

####

####

############

############

################

####

####

####

########

#####

#####

#####

##########

##########

#####

##########

#####

#####

#####

##########

#####

#####

###############

#####

##########

#####

#####

##########

#####

#####

#####

#####

#####

#####

#####

####################

#####

##########

#####

####################

#####

#####

#####

######

######

######

######

######

######

######

######

######

######

############

######

######

############

######

######

######

######

######

######

############

######

##################

############################

#######

##############

#######

########

########

########

########

########

########

########

########

########

#########

#########

##################

#########

#

#

#

#

#

SANTOS

#

25 km

Fontes: Emplasa, Logit, Secretaria Estadual doMeio Ambiente, Embraesp (Tabulação do Autor)

Mapa 2.5: Número de Andares dos Novos Imóveis Lançados na Grande São Paulo (1985-1999)

N

Mancha Urbana 92Limites MunicipaisRepresasRiosViario RegionalZona 1Município de São Paulo

Número de Andares# Menos de 8# 8 - 12# 12 - 16# Mais de 16

Círculos de Distância da Praça da SéLimite da RMSPQuadrantes

2 0 2 4 Kilometers

Capítulo 3A Construção da Base de Dados para a Análise do Mercadode Imóveis na Grande São Paulo

Para realizar a análise que se segue foram utilizadas diversas bases de dados: o

Informativo Imobiliário da Embraesp, o Índice Geral de Preços-disponibilidade

interna (IGP-di) do IBRE/FGV o Índice de Custo da Construção no Município de São

Paulo, o Censo Demográfico de 1991, a Contagem da População de 1996 e as

Pesquisas Nacionais por Amostra de Domicílios (PNAD) de 1985 a 1998 sendo estas

três últimas pesquisas do IBGE. A seguir descrevo as bases utilizadas com destaque

aos dados da Embraesp visto que, além de serem pouco conhecidos da maioria dos

pesquisadores, passaram por um longo trabalho de revisão, correção e adaptação.

Na realidade, uma das grandes dificuldades na análise do mercado imobiliário é

justamente a obtenção de dados55. Uma das fontes são os dados de propriedade das

autoridades locais. Este tipo de dado está sujeito a uma série de restrições como a falta

de precisão nos dados de preço. Nos Estados Unidos, pesquisas de grande porte como

o “Housing Allowance Experiment” criada na década de 80 ou o “American Housing

Survey” aumentaram consideravelmente o potencial de trabalho empírico na área. O

problema deste tipo de pesquisa é que, devido às cláusulas de sigilo, em geral não se

pode localizar o imóvel em questão. Este fato impede análises espaciais básicas como

a distância para o centro de negócios da cidade. Além do mais, torna-se praticamente

impossível estimar a componente do valor da terra.

No Brasil a situação é ainda mais complexa, pois não há nenhuma pesquisa específica

sobre imóveis. Existem, no entanto, diversas pesquisas domiciliares bem conhecidas

que recolhem dados sobre o domicílio. As PNADs e os Censos Demográficos

recolhem dados sobre o material usado para realização do imóvel (paredes, cobertura,

A Base de Dados 92

etc), número de cômodos, características das instalações de água, esgoto, etc. Além do

que, reúnem características sobre os residentes dos imóveis. A variável de preço

relevante é o valor do aluguel. Em termos de localização, para os microdados da

amostra dos Censos de 1970 e 1980 a menor desagregação é o distrito enquanto para

o Censo de 1991 a menor unidade é o município. Já para as PNADs a menor

desagregação é a região metropolitana. Além disto, é possível saber se o domicílio

encontra-se em área urbana ou rural. No Censo de 1991 é possível ainda saber se o

domicílio encontra-se em conjunto residencial popular ou em área subnormal.

Uma outra pesquisa domiciliar que traz dados detalhados das despesas com habitação

é a Pesquisa de Orçamentos Familiares (POF). Também neste caso a unidade mínima

é a região metropolitana. Além do problema espacial56, um outro lapso destas

pesquisas para os nossos propósitos é que elas não trazem informações sobre o

edifício como um todo, apenas sobre a unidade domiciliar. Dados fundamentais como

a área do terreno, área construída, etc não estão disponíveis em nenhuma destas

pesquisas.

3.1 Os Dados da Embraesp e sua RevisãoO Informativo Imobiliário da Empresa Brasileira de Estudos de Patrimônio

(Embraesp) compreende os edifícios com 4 ou mais pavimentos e os condomínios

horizontais ostensivamente lançados no Município de São Paulo desde57 1985 e na

Região Metropolitana desde58 1987, bem como os projetos aprovados pela Prefeitura

55 Segundo Sheppard (1999) não há nenhum survey na Europa ou na Ásia.56 Uma alternativa seria usar as médias do universo para os setores censitários o que resolveria oproblema de desagregação espacial. A distância ao centro, por exemplo, poderia ser dada pela distânciado centróide do setor ao centro. No entanto os dados do universo são mais restritos do que os dados daamostra. Além do que, estaríamos restritos a trabalhar com médias. Finalmente, não existe cartografiadisponível publicamente dos setores censitários de 1991 e 1996 e estaria fora do escopo desta tese criartal cartografia.57 Na realidade, o Informativo se iniciou em 1977. No entanto, os dados estão digitados apenas a partirde 1985.58 Como veremos a seguir, a coleta de dados fora do município de São Paulo só foi realmenteimplementada a partir de 1989.

A Base de Dados 93

do Município de São Paulo59. O banco de dados inclui variáveis básicas como o preço

de venda do imóvel, o número de unidades lançadas, a data de lançamento e entrega.

Algumas variáveis “espaciais” estão disponíveis como a zona de valor e o número da

quadra fiscal para os imóveis lançados no município de São Paulo. Adicionalmente

apresenta diversos atributos dos imóveis (número de dormitórios, banheiros, vagas na

garagem, unidades, andares, as áreas útil e total,etc). Inclui também dados do

condomínio como número de blocos e área proporcional do terreno. Finalmente,

inclui dados cadastrais das incorporadoras, vendedoras, construtoras e hotelaria60

(quando houver).

Por outro lado, ao contrário das outras bases utilizadas, não se trata de uma amostra

estatística. Ou seja, não existe um plano de amostragem ou algo semelhante como

deve ter ficado claro no critério de inclusão. Quer dizer, ainda que a amostra seja

extremamente significativa de um tipo de imóvel ela definitivamente representa

apenas uma parcela do total de imóveis construídos na RMSP e uma parcela ainda

menor do total de imóveis existentes na região. Para se ter uma idéia, em 1991

existiam 3,9 milhões de domicílios particulares permanentes na RMSP. Somando o

total de unidades da nossa amostra, têm-se apenas 398 mil. Entre 91 e 96, surgiram

522 mil novos domicílios. Na amostra da Embraesp estima-se em 90 mil o total de

unidades com previsão de entrega entre outubro de 91 (um mês depois do censo) e

setembro de 96 (mês da contagem).

As diferenças possuem dois aspectos. Em primeiro lugar, a amostra da Embraesp

reflete apenas dados de fluxo e não dados de estoque o inverso ocorrendo com

Censos, Contagens ou PNADs. Que a construção anual de novos imóveis em áreas

59 Neste trabalho não será utilizada a base de dados da EMBRAESP de projetos aprovados. Além disto,existe também uma base de dados de lançamentos de escritórios que também não será utilizada nestetrabalho.

A Base de Dados 94

desenvolvidas é apenas uma pequena parcela do estoque é um fato conhecido e

relativamente óbvio. No entanto, quando comparamos a criação de novos domicílios

(ou seja, um dado de fluxo) com o total de unidades construídas a discrepância

continua bem alta. O principal motivo é que a amostra da Embraesp contém

basicamente prédios de apartamentos. Casas só são incluídas quando estão em

condomínios horizontais. Das 398 mil unidades lançadas apenas 9 mil correspondem

a casas enquanto, de acordo com o Censo de 1991, dos 3,9 milhões de domicílios,

apenas 600 mil eram em apartamentos. Infelizmente os dados da Contagem que

disponho não separam os domicílios em casas ou apartamentos e os dados da PNAD

não são precisos para este tipo de separação61.

No entanto, deixando de lado os dados brutos das PNADs, sujeitos aos erros normais

de amostragem mais os problemas com os pesos, e olhando para dados relativos, nota-

se que a porcentagem de domicílios em apartamentos em relação ao total de

domicílios tem se mantido constante, em torno de 15%, desde 1985 como se pode

observar no Gráfico 3.1 abaixo. Assim, é difícil acreditar que o aumento de domicílios

em apartamentos tenha sido mais do que proporcional. Como o total de imóveis em

apartamentos entregues entre 1991 e 1996, cerca de 88 mil segundo os dados da

Embraesp, representa cerca de 17% do total de 522 mil novos domicílios de acordo

com a variação entro o Censo e a Contagem, é bem provável que a amostra da

Embraesp capture uma boa parte da construção de novos imóveis em apartamentos.

60 Ao contrário dos dados dos produtores de imóveis que são, em geral, bem completos, o único dadoda hotelaria é o nome da empresa.61 Para se ter uma idéia, a PNAD de 96 indica a existência de 584 mil domicílios em apartamentos, 34mil a menos do que os registrados pelo Censo de 1991. Na verdade os dados da PNAD não poderão serusados nem para estimativa do total de domicílios como veremos a seguir. Neste caso, no entanto, omaior empecilho deve-se ao fato dos pesos das PNADs pré 90 serem baseados no Censo de 1980.

A Base de Dados 95

Gráfico 3.1: Domicílios em Apartamentos em Relação ao Total de Domicílios(1985 a 1998)

0%

2%

4%

6%

8%

10%

12%

14%

16%

18%

85 87 89 91 93 95 97

Ano

% D

omic

ílios

em

Apa

rtam

ent

os

Fontes: Pesquisa Nacional por Amostra de Domicílios de 1985 a 1998 e Censo Demográfico de 1991– IBGE. Tabulação própria a partir dos microdados da amostra utilizando-se os pesos da amostra

com base no censo de 80 (85-89) e de 91 (90-98).

Os dados originais da Embraesp contém 97 variáveis (algumas das quais sem

utilidade) e 6.169 registros. Estes registros não correspondem obrigatoriamente a

empreendimentos diferentes pois cada unidade diferenciada de um condomínio

corresponde a um registro diferente. Agrupando-se todos os registros que

correspondiam ao mesmo condomínio, criou-se uma nova tabela apenas com os dados

médios do condomínio62 (quando este tivesse unidades diferenciadas) e dados

agregados como o número de blocos ou a área total construída. Uma terceira tabela

utiliza os dados georeferenciados, a partir da qual pode-se encontrar as variáveis de

distância ilustradas no capítulo anterior e utilizadas no modelo econométrico do

próximo capítulo.

Construiu-se então uma base com um grande potencial descritivo e analítico. No

entanto, é sempre bom reforçar que a base da Embraesp refere-se apenas ao fluxo de

62 De agora em diante, o termo condomínio será utilizado para se referir ao conjunto de um ou maisblocos com pelo menos uma entrada comum, dividindo certos elementos de infra-estrutura como salãode festas, sala de ginástica, etc. O termos registro refere-se a cada unidade diferenciada de umcondomínio.

A Base de Dados 96

imóveis novos. A construção de novos imóveis a cada ano representa uma pequena

parcela do estoque e, geralmente, depende de outros fatores como o total de imóveis

vagos, a disponibilidade de financiamento no mercado, etc. No entanto, dado o

período relativamente extenso da amostra, a parcela do estoque de apartamentos é

razoável. O número de unidades lançadas, conforme os dados da Embraesp revistos,

representa cerca de dois terços do estoque de domicílios em apartamentos em 1991

segundo o Censo.

Uma vantagem de se utilizar apenas imóveis novos é que não há depreciação, o que

facilita a análise. Na teoria, estes dados serviriam para a análise de imóveis usados

desde que se soubesse a taxa de depreciação. Na prática a taxa de depreciação de um

imóvel é uma variável extremamente difícil de se estimar. Mesmo nos poucos casos

em que se dispõem de dados detalhados da venda de imóveis usados, como a data de

construção do edifício, diferenças de manutenção podem tornar as estimativas muito

pouco confiáveis.

De qualquer maneira a base formada a partir dos dados da Embraesp mostra mais as

tendências do que o mercado como um todo. Por exemplo, nota-se que o número

médio de dormitórios e de banheiros se manteve relativamente constante durante todo

o período da amostra (Gráficos 3.2 e 3.3). Quando se compara com os dados de

estoque do Censo de 1991, nota-se que a média do número de cômodos servindo de

dormitório em apartamentos fora de áreas subnormais63 (1,85) está abaixo das médias

observadas na amostra da Embraesp (em torno de 2,5). O mesmo não ocorre com o

número de banheiros cuja média registrada no Censo (1,71) está muito próxima da

média dos novos imóveis. Quer dizer, ainda que o número médio de dormitórios nos

63 Área subnormal, também designado “assentamento informal”, como por exemplo: favela, mocambo,alagado, barranco de rio, etc. Como na amostra da Embraesp tem-se basicamente o mercado formal,excluiu-se os poucos apartamentos nesta condição para as comparações entre a base de dados daEmbraesp e o Censo de 91.

A Base de Dados 97

novos lançamentos não tenha se alterado significativamente, esta média do fluxo está

aparentemente64 acima da média do estoque.

Gráfico 3.2: Média Mensal do Número deDormitórios por Unidade

(1985-1999*)

Gráfico 3.3: Média Mensal do Número deBanheiros por Unidade

(1985-1999*)

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

Jan-85 Jan-87 Dec-88 Dec-90 Dec-92 Dec-94 Dec-96 Dec-98

Data

Méd

ia d

e D

orm

itório

s

Média do Censo de 91

0.0

0.5

1.0

1.5

2.0

2.5


Data

Méd

ia d

e B

anh

eiro

s

Média do Censo de 91

Gráfico 3.4: Área Útil Média por Unidade(1985-1999*)

Gráfico 3.5: Área Total Média por Unidade(1985-1999*)

0

20

40

60

80

100

120

140


Data

Áre

a Ú

til M

édia

(m2)

0

50

100

150

200

250

300


Data

Áre

a T

otal

Méd

ia (m

2)

* Em 1999 dados apenas até JulhoFontes: Tabulação própria usando dados da Embraesp e dos microdados da amostra do Censo

Demográfico de 1991

Estes são os únicos dados realmente comparáveis entre a amostra do censo e a

amostra da Embraesp. O censo não apresenta uma série de dados fundamentais para a

análise do mercado de imóveis. Um exemplo são as médias de área das unidades

(Gráficos 3.4 e 3.5) e as médias de área total construída e do terreno dos condomínios

(Gráficos 3.6 e 3.7). O que se nota é que tanto a área total como a área útil das

64 A pergunta do censo é “qual o número de cômodos servido de dormitório” enquanto o dado daEmbraesp é simplesmente o número de dormitórios. Se uma pessoa usa um suposto dormitório comoescritório, por exemplo, este não contará como dormitório para o censo mas contará para a Embraesp.Em contrapartida, se uma sala estiver sendo usada como dormitório ela será contada como dormitóriopara o censo e não para a Embraesp. Portanto, estes dados não são perfeitamente comparáveis. Estemesmo tipo de problema não ocorre com o número de banheiros.

A Base de Dados 98

unidades vem caindo no decorrer do tempo. Em média os apartamentos são cada vez

menores.

Gráfico 3.6: Área Total Construída porCondomínio (1985-1999*)

Gráfico 3.7 Área Média do Terreno porCondomínio (1985-1999*)

0

5,000

10,000

15,000

20,000

25,000

30,000

Jan-

85

Jan-

86

Jan-

87

Jan-

88

Jan-

89

Jan-

90

Feb-9

1

Feb-9

2

Feb-9

3

Feb-9

4

Feb-9

5

Feb-9

6

Feb-9

7

Feb-9

8

Feb-9

9

Data

Áre

a T

ota

l Con

stru

ída

(m

2)

02,000

4,0006,000

8,00010,000

12,000

14,000

16,00018,000

20,000

Jan-

85

Jan-

86

Jan-

87

Jan-

88

Jan-

89

Jan-

90

Feb-9

1

Feb-9

2

Feb-9

3

Feb-9

4

Feb-9

5

Feb-9

6

Feb-9

7

Feb-9

8

Feb-9

9

Data

Te

rre

no (

m2)

Gráfico 3.8: Número Médio de Blocos porCondomínio (1985-1999*)

Gráfico 3.9: Número Médio de Unidadespor Condomínio (1985-1999*)

012

34567

89

10

Jan-

85

Jan-

86

Jan-

87

Jan-

88

Jan-

89

Jan-

90

Feb-9

1

Feb-9

2

Feb-9

3

Feb-9

4

Feb-9

5

Feb-9

6

Feb-9

7

Feb-9

8

Feb-9

9

Data

Blo

cos/

Con

dom

ínio

0

50

100

150

200

250

300

350

Jan-

85

Jan-

86

Jan-

87

Jan-

88

Jan-

89

Jan-

90

Feb-9

1

Feb-9

2

Feb-9

3

Feb-9

4

Feb-9

5

Feb-9

6

Feb-9

7

Feb-9

8

Feb-9

9

Data

Uni

dad

es/

Con

dom

ínio

Gráfico 3.10: Média de Unidades por Bloco(1985-1999*)

Gráfico 3.11: Média de Unidades por Andar(1985-1999*)

0102030405060708090

100

Jan-

85

Jan-

86

Jan-

87

Jan-

88

Jan-

89

Jan-

90

Feb-9

1

Feb-9

2

Feb-9

3

Feb-9

4

Feb-9

5

Feb-9

6

Feb-9

7

Feb-9

8

Feb-9

9

Data

Uni

da

des/

Blo

co

0

1

2

3

4

5

6

7

Jan-

85

Jan-

86

Jan-

87

Jan-

88

Jan-

89

Jan-

90

Feb-9

1

Feb-9

2

Feb-9

3

Feb-9

4

Feb-9

5

Feb-9

6

Feb-9

7

Feb-9

8

Feb-9

9

Data

Uni

dade

s po

r A

nda

r

* Em 1999 dados apenas até JulhoFonte: Tabulação própria usando dados da Embraesp

Por outro lado, a área total construída bem como a área do terreno por condomínio

vêm crescendo o que significa que os empreendimentos estão cada vez maiores. O

resultado aparece nos Gráficos 3.8 e 3.9 onde se pode observar que o número médio

A Base de Dados 99

de blocos e o total de unidade por condomínio aumentaram consideravelmente no

período. Em meados de 1985 os condomínios eram geralmente formados por apenas

um bloco e tinham em média 50 unidades. No final dos anos 90 a média passa para

dois blocos e cerca de 100 unidades. Cabe destacar que o aumento não se deu apenas

pela via do número de blocos. O número de unidades por bloco também aumentou

consideravelmente no período (Gráfico 3.10). O aumento não se deu via uma maior

verticalização, visto que o número médio de andares no período diminuiu de cerca de

14 para 12 andares, mas sim com o aumento do número de unidades por andar

(Gráfico 3.11).

Um outro aspecto com relação aos dados da Embraesp que é importante discutir

refere-se a diferença entre os lançamentos na cidade de São Paulo e nos demais

municípios da região metropolitana. Em primeiro lugar, deve-se destacar que os dados

fora do município de São Paulo começaram a se recolhidos apenas em agosto de

1987. Os Gráficos 3.12 e 3.13 mostram os lançamentos registrados dentro e fora da

capital no período da amostra. De acordo com a base de dados da Embraesp, em 1987

e 1988 respectivamente apenas 262 e 156 unidades foram lançadas fora do município

central. Em ambos os anos, os poucos lançamentos se concentraram em apenas 3

meses. A partir de maio de 1989, no entanto, registra-se lançamentos em praticamente

todos os meses totalizando 3.851 unidades neste ano.

A Base de Dados 100

Gráfico 3.12: Unidades Lançadas no Município de São Paulo (MSP) e nos DemaisMunicípios da RMSP (Médias Móveis de 12 meses) (1986-1999)

0

500

1,000

1,500

2,000

2,500

3,000

3,500

4,000

Sep-85 Jun-88 Mar-91 Nov-93 Aug-96 May-99

Data

Uni

dade

s

MSP

Demais MunicípiosRMSP


Gráfico 3.13: Preço Médio por m2 de Área Útil para Unidades Lançadas no MSP enos Demais Municípios da RMSP (Médias Móveis de 12 meses) (1986-1999)

0

500

1,000

1,500

2,000

2,500

Sep-85 Jun-88 Mar-91 Nov-93 Aug-96 May-99

Data

Pre

ço/m

2 á

rea

tota

l(R

$ de

zem

bro

de 2

000

MSP

Demais Municípios RMSP


Ainda que seja possível tal fato é difícil de se acreditar num crescimento deste porte.

Além do que, é possível não ter nenhum lançamento em um ou outro mês mas é

difícil acreditar em períodos de mais de 6 meses consecutivos sem nenhum registro de

lançamento fora do município de São Paulo. A Embraesp não sabe informar se este

A Base de Dados 101

fato deve-se a uma imperfeição na amostra, mas admite que pode ter havido falha na

coleta fora da capital visto que estava apenas se iniciando.

A partir de meados de 1989, quando a coleta fora da capital parece mais consistente,

nota-se uma certa constância da oferta de imóveis nos municípios fora do MSP, num

período em que os lançamentos no município central vinham caindo. Mais uma vez

não se sabe até que ponto este movimento é função de um movimento populacional de

fato ou se é simplesmente decorrente de imperfeições no processo de coleta. A partir

de 1993 o número de unidades lançadas na cidade de São Paulo retoma o crescimento

e os demais municípios apontam também para uma tendência crescente. No período

que vai do início de 93 ao início de 96, as vendas no município central cresceram num

ritmo mais elevado do que nos demais municípios. No entanto, a partir de 1996, a

situação se inverte. O número de unidades lançadas fora do MSP passa a crescer mais

rapidamente que no MSP, com as duas séries se aproximando muito entre o final de

96 e o início de 97.

As séries parecem caminhar bastante próximas, pelo menos no período em que a

coleta de preços fora da capital é mais confiável como fica claro pelas curvas de

tendência tracejadas no Gráfico 3.12. Na verdade, aparentemente há uma certa

defasagem no efeito sobre os lançamentos fora da capital até 1992. A partir deste

ponto as curvas caminham claramente juntas com um diferencial constante. Já as

séries de preço caminham juntas desde o início dos anos 90. O diferencial (médio)

entre os preços dos lançamentos de imóveis na capital e nos demais municípios se

mantém relativamente constante: o metro quadrado de um imóvel lançado fora da

capital custa, em média, cerca de 70% de um imóvel lançado na capital.

A questão dos lançamentos fora da capital é extremamente importante para a

discussão pois não se pode considerar que o mercado de imóveis dentro da Grande

A Base de Dados 102

São Paulo não seja integrado. Isto porque é perfeitamente possível e sabe-se de

diversos casos em que isto ocorre, uma pessoa morar em um município da Grande

São Paulo e trabalhar em outro. É claro que pode existir pessoas que moram fora da

RMSP e trabalham nela ou vice-versa mas este número é reduzido e a área deve ser

fechada em algum ponto. Por outro lado, o traçado da mancha urbana ilustrado nos

mapas do capítulo anterior mostra que uma grande parte da Região Metropolitana é de

fato conurbada e, portanto, não faria sentido acreditar que o mercado de imóveis fora

da cidade de São Paulo não influencia diretamente o mercado da própria cidade.

Ainda que os problemas de coleta nos anos 80 sejam em parte preocupantes e

distorçam os dados para este período, a verdade é que o mercado de apartamentos

novos fora da capital só ganhou importância a partir dos anos 90. De certa maneira,

pode-se dizer que o mercado da área urbana da Grande São Paulo se tornou realmente

integrado apenas na década de 90. Até então haviam movimentos isolados como os

condomínios de alto luxo em Alphaville (Barueri) ou os conjuntos populares nos

subúrbios pobres da região. Por exemplo, comparando-se o censo de 1980 com o de

1991 nota-se um aumento de 196 mil domicílios em apartamentos na região

metropolitana como um todo. No entanto, apenas 20 mil destes ocorreram fora da

capital.

3.2 O Total de Domicílios e o Mercado PotencialApesar de toda a flexibilidade e de todo o potencial que a base revista da Embraesp

proporciona ela tem lapsos básicos para os nossos propósitos. Ainda que a análise seja

sobre a demanda por imóveis novos, um dado fundamental para as estimativas é o

total de domicílios. O total de domicílios influencia na demanda por novos imóveis de

duas maneiras. Em primeiro lugar, como vimos anteriormente, o número de

domicílios altera a área urbana alterando o preço dos imóveis em todas as

A Base de Dados 103

localizações. Em segundo lugar, uma parcela do total de domicílios serve de base para

o total de consumidores de novos imóveis em potencial que, como veremos na

especificação econométrica, é um dado fundamental para se construir a participação

de mercado.

Para se obter o total de domicílios, a fonte natural são as pesquisas domiciliares.

Como se necessita do total de domicílios ano a ano, além do censo de 91, observou-se

o total de domicílios nas PNADs de 1985 a 1998. O Gráfico 3.14 apresenta o número

de domicílios de 1985 a 1998 usando dados da PNAD, do Censo de 1991 e da

Contagem de 1996. Segundo os dados do IBGE, em 1985 existiam mais de 3,9

milhões de domicílios particulares permanentes na RMSP em 1985. Este número é

crescente até 1989 quando alcança quase 4,5 milhões decaindo no ano seguinte para o

nível de 85. O problema é conhecido, a super-estimação do crescimento populacional

na década de 80 que foi negado pelo censo de 91. Entre 85 e 89 os pesos da PNAD

disponíveis são baseados no censo de 1980 enquanto de 1990 a 1998 existem pesos65

baseados no censo de 91.

65 Em 1990 existem dois pesos um baseado no censo de 80 e o outro no censo de 91.

A Base de Dados 104

Gráfico 3.14: Total de Domicílios Particulares Permanentes na RMSP(1985 a 1998)

3,800

3,900

4,000

4,100

4,200

4,300

4,400

4,500

4,600

4,700

85 87 89 91 93 95 97

Ano

Milh

are

s de

Dom

cílio

s

Fontes: Pesquisa Nacional por Amostra de Domicílios de 1985 a 1998 e Censo Demográfico de 1991– IBGE. Tabulação própria a partir dos microdados da amostra utilizando-se os pesos da amostra

com base no censo de 80 (85-89) e de 91 (90-98).

Somando-se ao problema nos pesos de 85 a 89, em 1994 não foi realizada a PNAD.

Sendo assim, optei por estimar o número de domicílios a partir da revisão das

estimativas de população do IBGE apresentadas no Gráfico 3.15. Como se pode

observar, a população estimada para a Região Metropolitana segue um crescimento

constante desde 1980 e os totais são absolutamente compatíveis com o Censo de 1991

e a Contagem de 1996. A idéia básica (e bem intuitiva) é que o número de domicílios

é função da população. Na realidade, a relação entre a população e o número de

domicílios depende, entre outros, da estrutura etária, da renda e de sua distribuição.

Ainda que o modelo seja extremamente simplificado, é suficiente para os nossos

propósitos. Os resultados por município aparecem na seção 3.A.2 do apêndice.

A Base de Dados 105

Gráfico 3.15: População Residente na RMSP (1980 a 1998)

0

2,000

4,000

6,000

8,000

10,000

12,000

14,000

16,000

18,000

80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98

Ano

Pop

ula

ção

(Milh

are

s)

Fontes: Estimativas de População - IBGE

Como se pode observar no Gráfico 3.16, a correlação entre população e domicílios é

bem alta como seria de se esperar. O município de São Paulo foi excluído do gráfico

por uma questão de escala. Os pontos que se destacam um pouco da linha de

tendência são geralmente dos mesmos municípios: os municípios do ABC (Santo

André, São Bernardo e São Caetano) além de Osasco e Guarulhos. Osasco e

Guarulhos aparecem um pouco abaixo da média da RMSP enquanto São Caetano está

um pouco acima. Santo André e São Bernardo têm um comportamento ambíguo. Em

1980 estão abaixo da média e em 1996 acima. Cabe ainda destacar que, com exceção

de São Caetano, os outros quatro municípios são os maiores da RMSP depois de São

Paulo. Além do mais Guarulhos vem crescendo a uma alta taxa, sendo atualmente o

segundo município do estado.

A Base de Dados 106

Gráfico 3.16: Domicílios e População dos Municípios da RMSP excluindo o MSP(1985 a 1998)

0

50

100

150

200

250

300

0 200 400 600 800 1000

População (Milhares)

Milh

are

s de

Dom

icíli

os

S.Caetano Guarulhos

S.Bernardo

Sto André

Osasco

Fontes: Censos Demográficos de 1980 e 1991 e Contagem de 1996 – IBGE.

O resultado para a RMSP como um todo é apresentado no Gráfico 3.17 juntamente

com os dados da PNAD. Como se pode observar, a estimativa não apresenta o

problema de descontinuidade devido a mudanças na construção dos pesos que se

verifica nos dados da PNAD. Uma vez obtida uma estimativa para o total de

domicílios deve-se definir qual a porcentagem destes que podem ser considerados

parte do mercado potencial de consumidores de novos imóveis. O percentual de

domicílios ocupados por seus proprietários na RMSP é realmente impressionante66

como se pode observar no Gráfico 3.18. Em 1985 cerca de 55% dos domicílios

entrevistados pela PNAD eram ocupados por seus proprietários. Esta proporção

cresce consistentemente alcançando cerca de 70% no final da década de 90. Além do

que, não se nota diferença significativa nesta proporção quando se compara a taxa

para casas ou apartamentos.

66 Desconheço estudos estatísticos consistentes que tenham encontrado as origens desta concentração.Alguns autores justificam como uma distorção do sistema financeiro da habitação (SFH). Porém oaumento na proporção de proprietários na segunda metade dos anos 80 e durante os anos 90, ou seja,após a falência do sistema, me levam a desconfiar desta hipótese. Um estudo do tipo de Poterba (1984)poderia indicar se esta concentração estaria, na verdade, ligada ao longo período de altíssima inflaçãovivido pelo país. Infelizmente este tipo de estudo só faria sentido observando-se o mercado nacionalcomo um todo, uma base que não existe para o Brasil para as últimas duas décadas.

A Base de Dados 107

Gráfico 3.17: Total de Domicílios Estimado e de Acordo com a PNAD(1985 a 1998)

0

500

1,000

1,500

2,0002,500

3,000

3,500

4,000

4,5005,000

85 86 87 88 89 90 91 92 93 94 95 96 97 98

Ano

Do

mic

ílio

s (M

ilh

a

V alor E s t im ado

P NA D

Fontes: PNADs de 85 a 98, Censo Demográfico de 1991 e Estimativas do Autor a partir dos Censose 1980 e 1991, da Contagem de 1996 e das estimativas de população do IBGE de 1985 a 1998.

Gráfico 3.18: Porcentagem de Domicílios Ocupados por Seus Proprietários na RMSP(1985 a 1998)

0%

10%

20%

30%

40%

50%

60%

70%

80%

85 86 87 88 89 90 91 92 93 95 96 97 98

Ano

% I

mo

ve

is P

róp

Fontes: Pesquisa Nacional por Amostra de Domicílios de 1985 a 1998 e Censo Demográfico de 1991– IBGE. Tabulação própria a partir dos microdados da amostra

Apesar desta grande concentração de domicílios ocupados por seus proprietários, a

argumentação para não se utilizar o total de domicílios como o mercado potencial

para novos imóveis (ou qualquer outro mercado) é que esta média não se distribui

igualmente nas faixas de renda. O Gráfico 3.19 apresenta a porcentagem de

proprietários por decil de renda. Como é fácil de notar, a porcentagem de

proprietários nos decis mais pobres é muito alta, em torno de 60% até o quinto décimo

da distribuição. A partir do sexto decil a concentração de proprietários aumenta

alcançando quase 80% entre os 10% mais ricos. De qualquer maneira, não se pode

dizer que a propriedade de imóveis pelos seus moradores seja uma característica das

A Base de Dados 108

classes mais altas. A porcentagem de domicílios ocupados por seus proprietários nas

faixas de renda mais baixas é também muito elevada.

Gráfico 3.19: % de Domicílios ocupados porseus Proprietários por Decil de Renda

(1991)

Gráfico 3.20: % de Domicílios emApartamentos por Decil de Renda e

Localização (1991)

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

1 2 3 4 5 6 7 8 9 10

Decil de Renda

% D

omic

ilios

Pró

prio

s

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

1 2 3 4 5 6 7 8 9 10

Decil de Renda

% D

omic

ílios

Apto isolado ou em condomínio

Apto em conjunto popular

Gráfico 3.21: % de Domicílios ocupados porseus Proprietários em Apartamentos por

Decil de Renda (1991)

Gráfico 3.22: % de Domicílios em ÁreasSubnormais por Decil de Renda e Condição

de Ocupação (1991)

0%

5%

10%

15%

20%

25%

30%

35%

1 2 3 4 5 6 7 8 9 10

Decil de Renda

% D

omic

ilios

Pró

prio

s

0%

2%

4%

6%

8%

10%

12%

14%

16%

1 2 3 4 5 6 7 8 9 10

Decil de Renda

% D

om

icíli

os

Próprio

Alugado ou Cedido

Fonte: Tabulação do Autor a Partir dos Microdados da Amostra do Censo Demográfico de 1991 -IBGE

Apesar das classes mais baixas entrarem de fato no mercado de imóveis, a grande

questão é de qual mercado se está falando. Como se destacou a amostra da Embraesp

refere-se a uma fatia específica do mercado de imóveis. O Gráfico 3.20 mostra que

uma porcentagem pequena da população nas faixas de renda mais baixa vive em

apartamentos. Mesmo incluindo-se os apartamentos em conjuntos populares67 que

estão presentes na amostra da Embraesp, têm-se menos de 5% dos domicílios do

primeiro décimo da distribuição vivendo em apartamentos em contraposição a mais

A Base de Dados 109

de 40% entre os 10% mais ricos da região. O Gráfico seguinte reforça esta conclusão

mostrando a concentração de proprietários de apartamentos.

Quer dizer, as faixas mais pobres da região participam do mercado de imóveis mas

provavelmente em outro mercado. O Gráfico 3.22 ilustra um pouco este fato. Uma

parte considerável dos domicílios dos primeiros décimos da distribuição de renda

encontram-se em áreas subnormais. É também interessante que a grande maioria dos

domicílios em áreas subnormais é ocupada por seus proprietários. Ou seja, a maneira

encontrada pelas classes mais baixas de obter a casa própria foi se estabelecendo em

áreas invadidas, favelas, etc. A grande questão é se estas faixas de renda fazem parte

do mercado potencial ou não. Ainda que uma pequena parcela dos primeiros decis de

renda seja proprietária de apartamentos, não se sabe se o imóvel foi comprado novo

ou usado.

Assim, optou-se por usar uma parcela dos domicílios como mercado potencial para se

calcular a fatia de mercado de cada lançamento em função do total de unidades

lançadas. A decisão de qual parcela dos domicílios incluir foi do tipo “conta atrás do

envelope”. Como nos mais de 6 mil tipos de apartamentos lançados, nota-se apenas

12 com preço total menor do que R$40 mil, este valor foi assumido como piso para

compra de um imóvel novo. Por outro lado, considerando-se que o custo econômico

real de um imóvel é igual a taxa de juros para este propósito (financiamento

imobiliário) e assumindo um custo de 1% ao mês, que é mais ou menos o que se

pratica hoje em dia, percebe-se que uma família deveria gastar cerca de R$400 por

mês com o imóvel.

Assim, uma família precisaria de uma renda total de no mínimo R$600 para entrar

neste mercado (sendo 200, aproximadamente o salário mínimo, para o consumo de

67 O Gráfico também ilustra o fato que os conjuntos populares atendem mais a classe média do que a

A Base de Dados 110

todos os outros bens). No entanto, é difícil de acreditar que uma família com menos

de R$800 consiga de fato entrar neste mercado. Como se pode observar no Gráfico

3.23, este corte de renda ocorre entre o terceiro e o quarto decil de renda. Assim, entre

70% e 80% dos domicílios estariam no mercado potencial por novos imóveis. Como a

renda média domiciliar mais baixa do quarto decil de renda da RMSP é de CR$139

mil ou R$803 em reais de dezembro de 2000, acabei optando por usar os domicílios

classificados entre os 7 decis mais ricos da região como mercado potencial. Por outro

lado, como os domicílios na área rural da RMSP representam cerca de 5% do total de

domicílios, o mercado potencial foi calculado como 65% do total de domicílios

estimado.

Gráfico 3.23: % de Domicílios ocupados por seus Proprietários por Decil de Renda(1991)

0

1000

2000

3000

4000

5000

6000

7000

8000

9000

10000

1 2 3 4 5 6 7 8 9 10

De cim os da Distribu i ç ã o

Re

nd

a M

éd

ia (

R$

de

zem

bro

200

Fonte: Tabulação do Autor a Partir dos Microdados da Amostra do Censo de 1991 - IBGE

3.3 Os Agentes do MercadoDo ponto de vista da produção, existem três “agentes” ou “produtores”68

fundamentais no mercado imobiliário. A incorporadora é a figura principal no

processo, responsável final pelo desempenho do mesmo. Ela negocia o terreno, define

classe baixa. Note-se que a maior concentração de domicílios em conjuntos populares está no oitavodecil de renda.

A Base de Dados 111

e aprova o projeto e contrata os demais agentes. Incorre nos riscos inerentes ao

processo, empata capital, se for necessário, e dá garantia aos adquirentes após a

entrega. Sua remuneração consiste no lucro restante (se houver) após a apuração das

receitas e despesas.

A construtora é contratada do incorporador, sendo que está contratação normalmente

ocorre de duas maneiras. Por empreitada onde se define um preço fixo, em geral um

percentual sobre o custo orçado de obra. Variações entre o custo orçado e o incorrido

são de responsabilidade total ou parcial (conforme os critérios do contrato) do

construtor. Em geral o preço varia entre 10 e 15% do valor orçado. A construtora

pode também ser contratada por administração. Neste caso, o preço é um percentual

sobre o custo incorrido, que costuma variar entre 5 e 10%, sem riscos para a

construtora. A vendedora também é contratada pela incorporadora, sendo que o valor

deste contrato costuma variar entre 3 e 6% do valor de venda das unidades.

Portanto, o risco de fato do negócio permanece em geral com o incorporador. O risco

da construtora é mais restrito a problemas operacionais da obra como erros

orçamentários ou má administração de recursos. Ainda que aparentemente não exista

risco para a vendedora, como existe um investimento em promoção, uma vendedora

pode perder dinheiro num lançamento mal sucedido. De qualquer maneira, a perda

potencial da vendedora é muito menor e, portanto, o risco é bem mais baixo.

A partir da base original da Embraesp foram separados os dados cadastrais dos

produtores dos imóveis (vendedoras, construtoras e incorporadoras). Além de tornar o

banco de dados mais racional, este procedimento é fundamental para se encontrar as

margens de lucro dos produtores do imóvel como veremos mais adiante. A grande

dificuldade é que as empresas têm várias denominações e mesmo diferentes razões

68 De agora em diante os termos “agentes” ou “produtores” serão usados para se referir às construtoras,

A Base de Dados 112

sociais. Assim, o critério utilizado foi o endereço: empresas com razões sociais

diferentes mas localizadas no mesmo endereço foram consideradas como únicas.

Além do que, controlou-se para mudanças de endereço das empresas, ou seja,

empresas que mudaram de endereço mas mantiveram a razão social também foram

consideradas únicas. Nos empreendimentos com mais de um produtor considerou-se

apenas o produtor principal, ou seja, o produtor para o qual constava o endereço nos

dados da Embraesp.

A produção de imóveis na RMSP é extremamente diversificada. Para se ter uma idéia,

no período da amostra (1985 a 1999) registram-se 1,7 mil incorporadoras, 1,3 mil

construtoras e 0,7 mil vendedoras69. É claro que apenas uma pequena parte é

responsável pelo grosso dos lançamentos: 222 incorporadoras, 169 construtoras e

apenas 30 vendedoras foram responsáveis por dois terços do total de unidades

lançadas no período. No caso das vendedoras a concentração, que já é maior no total

de empresas, é ainda mais elevada quando se considera a proporção de lançamentos.

Somente 4% das vendedoras cadastradas responderam por mais de dois terços dos

lançamentos contra cerca de 13% das incorporadoras e vendedoras. Provavelmente

existe alguma barreira em se constituir uma vendedora dada a maior concentração

verificada. Na realidade, as dez maiores vendedoras são responsáveis por quase 50%

do mercado.

O que acontece no mercado de imóveis é que existem diversas empresas que surgem

por uns poucos anos e depois desaparecem. Existe inclusive o caso do investidor

independente, que decide investir suas finanças em um prédio ou no máximo uma

meia dúzia de edifícios. Por este motivo surgem e desaparecem incorporadoras,

incorporadoras e vendedoras de imóveis.69 Estes dados podem estar super-estimados conforme o critério utilizado. No critério adotado,empresas são consideradas como únicas apenas se apresentarem a mesma razão social ou o mesmo

A Base de Dados 113

construtoras e vendedoras todos os anos. Mais de dois terços das empresas aparecem

na amostra por menos de dois anos. Os Gráficos 3.24 a 3.26 ilustram a concentração

da produção para cada um dos agentes a partir da distribuição acumulada.

Gráfico 3.24: Unidades Lançadas emFunção do Número de Incorporadoras

(1985-1999)

Gráfico 3.25: Unidades Lançadas em Funçãodo Número de Construtoras

(1985-1999)

0

50,000

100,000

150,000

200,000

250,000

300,000

350,000

400,000

1

101

201

301

401

501

601

701

801

901

1001

1101

1201

1301

1401

1501

1601

Número de Incorporadoras

Uni

dade

s A

cum

ula

das

0

50000

100000

150000

200000

250000

300000

350000

400000

1 84 167

250

333

416

499

582

665

748

831

914

997

1080

1163

1246

Número de Empresas

Uni

dade

s La

nça

das

Gráfico 3.26: Unidades Lançadas emFunção do Número de Vendedoras

(1985-1999)

Gráfico 3.27: Porcentagem de EmpresasResponsáveis por 2/3 dos Lançamentos

(1985-1999)

0

50000

100000

150000

200000

250000

300000

350000

400000

1 47 93 139

185

231

277

323

369

415

461

507

553

599

645

691

Número de Vendedoras

Uni

dade

s La

nça

das

0%

5%

10%

15%

20%

25%

30%

35%

19851987

19891991

19931995

19971999

Ano

% E

mp

resa

s co

m 2

/3 d

os

La

nça

me

nt

Vendedoras

Inc orporadorasCons trutoras


O Gráfico 3.27 mostra a porcentagem de empresas em atividade que respondem por

2/3 do total de unidades lançadas no ano. Como se pode observar a porcentagem em

cada ano é em geral bem superior à média para todo o período justamente devido à

existência de empresas de curta duração. Ainda que se note uma tendência à

diminuição na porcentagem de construtoras e incorporadoras responsáveis por 2/3 dos

lançamentos, seria prematuro deduzir um aumento de concentração no mercado. O

Gráfico 3.28 apresenta o total de empresas em atividade juntamente com o total de

endereço. Também se considerou como duas empresas diferentes aquelas que mudaram de razão social

A Base de Dados 114

unidades lançadas. Como se pode observar, as empresas em atividade seguem uma

tendência muito próxima ao total de unidades lançadas, ainda que o número de

vendedoras seja bem mais estável.

Gráfico 3.28: Empresas em Atividade no Ano e Total de Unidades Lançadas (1985-1999*)

0

50

100

150

200

250

300

350

400

450

19

85

19

86

19

87

19

88

19

89

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

Ano

Em

pre

sas

em

Ativ

ida

de

0

10,000

20,000

30,000

40,000

50,000

60,000

70,000

Un

ida

de

s L

an

çad

as

Inc orporadoras V endedoras Cons trutoras Total de Unidades

* Em 1999 dados apenas até Julho


Dada a grande diversificação do mercado, a solução para viabilizar a análise foi

selecionar as maiores ou mais antigas empresas e agregar as empresas menores. O

apêndice detalha este procedimento. Um dos tipos de empreendimento que mais se

destaca no final da década de 90 são as cooperativas. O Gráfico 3.29 mostra a

participação deste tipo de empreendimento no total de unidades lançadas no mercado.

As cooperativas começaram nos primeiros meses de 87, alcançando cerca de 20% do

mercado na passagem de 87 para 88. A partir de meados de 88 este tipo de

empreendimento desapareceu do mercado em parte devido aos casos de desvio de

verbas e inadimplência. No entanto, os lançamentos utilizando esta modalidade

e de endereço mesmo sem mudança da estrutura societária.

A Base de Dados 115

retomam a importância no início dos anos 90 alcançando quase 50% do mercado entre

95 e 96.

Gráfico 3.29: Porcentagem de Unidades em Cooperativas em Relação ao Total deUnidades Lançadas no Mercado (Médias Móveis de 12 meses) (1985-1999*)

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

50%


Data

% T

otal

de

Uni

dade

s La

nçad

as

* Em 1999 dados apenas até Julho


Nos poucos anos70 em que esta modalidade esteve realmente ativa, o número de

unidades produzidas é realmente impressionante. Quase 65 mil unidades foram

construídas em regime de cooperativa no período, mais de 16% da produção total de

um pouco menos que 400 mil unidades. É claro que os dados em unidades

sobrestimam o peso destes imóveis no mercado. Isto porque este regime de

construção destina-se basicamente a apartamentos populares71. Em termos de

faturamento, os R$4,2 bilhões (em valores de dezembro de 2000) movimentados pelas

cooperativas responde por menos de 6% dos R$72 bilhões movimentados pelo

mercado de imóveis novos como um todo segundo os nossos dados. De qualquer

maneira, trata-se de um mercado muito grande que, provavelmente está ocupando o

70 Como no Gráfico 3.37 apresentam-se médias móveis. Apesar desta medida ser um melhor indicadordado que os lançamentos ocorrem discretamente, ela o fato de que os lançamentos se intensificaramapenas a partir de março de 96.

A Base de Dados 116

vácuo deixado pelo poder público. Isto porque a COHAB, por exemplo, incorporou

apenas 3,5 mil unidades nos 15 anos da amostra.

A necessidade de imóveis populares aparece na amostra quando se observa o tamanho

relativo das incorporadoras de cooperativas: 12 delas estão entre as 30 maiores do

mercado. Além do que, as demais cooperativas agrupadas no tipo 20000 (vide

apêndice) representam o maior grupo em termos de unidades: este grupo de empresas

incorporou cerca de 28 mil unidades, quase o triplo da produção da maior

incorporadora do mercado (Rossi) que incorporou menos de 10 mil unidades no

período. Além do que, diversas incorporadoras especializadas em imóveis de preço

unitário mais baixo como a Incosul ou a Reitzfeld também aparecem entre as 30

maiores.

Este fenômeno também aparece entre construtoras. A maior72 construtora de imóveis

incluída na nossa amostra (Soma73), que produziu mais do que o dobro de unidades da

segunda (Gafisa) é claramente especializada em imóveis de baixo preço unitário: a

média de preços dos seus imóveis é de R$104 mil. A Gafisa já é uma construtora

genérica, que produz imóveis de diversas gamas de preço total (o preço dos seus

imóveis variaram entre R$67 mil e R$1,6 mil) ainda que o preço médio por metro

quadrado da Gafisa esteja acima da média (R$3,8 mil contra uma média de R$2,6

mil), o que leva a crer que ela se dedique mais a imóveis para a alta classe. No

entanto, a terceira construtora do mercado, a Rossi, com uma produção quase idêntica

a da Rossi no período, aparentemente também se concentra em imóveis de preço

unitário reduzido.

71 Os preços médios dos imóveis incorporados por cooperativas variam entre R$50 mil e R$70mil.72 Mais uma vez o critério de tamanho refere-se apenas ao número de unidades lançadas. Como a Somase especializou em imóveis de baixo preço, em termos de faturamento ela seria a quarta empresa domercado sendo a Gafisa a primeira (R$2,8 bilhões versus R$1,3 bilhões) e mesmo em termos de áreaconstruída ela perde para a Gafisa (1,9km2 versus 1,5km2)

A Base de Dados 117

No caso das vendedoras, ainda que 6 cooperativas apareçam entre as 30 maiores do

mercado, o destaque de empresas especializadas em imóveis “populares” é menos

notável. Isto porque as 3 maiores vendedoras, a Lopes, a Itaplan e a Roque e Seabra

(em ordem de tamanho), responsáveis por mais de um quarto de todos os

lançamentos, são em geral mais diversificadas, vendendo imóveis de todas as faixas

de preço. Mesmo assim, algumas vendedoras aparentemente mais especializadas em

imóveis de baixo preço unitário como a JCS ou a Triumpho, também estão entre as 30

maiores do mercado.

Como as incorporadoras são mais dispersas do que os outros agentes do mercado,

diversos grupos são maiores do que a maior incorporadora em termos de unidades.

Existem quase 400 empresas que ficaram no mercado por menos de 2 anos e

produziram menos de 50 unidades. Mesmo este grupo, que representa as empresas

menos perenes do mercado, produziu como um todo 10,8 mil unidades, mil unidades

a mais que a maior incorporadora, a Rossi. Cabe destacar que as duas maiores

incorporadoras, a Rossi e a Gafisa, são também as duas maiores construtoras

conforme descrito no parágrafo anterior. Aliás, em termos de unidades lançadas, dos

23 grupos criados 14 produziram mais unidades do que a Rossi, ainda que apenas 9

tenham uma área construída total e um faturamento maior do que a Gafisa.

Na realidade, os grupos são, em geral, maiores do que as 45 construtoras ou as 39

incorporadoras selecionadas74 para acompanhamento. Por exemplo, juntando as

empresas selecionadas com os grupos, há sempre menos de 5 construtoras ou

incorporadoras individuais entre as 20 maiores por diversos critério de tamanho

adotado (unidades lançadas, área total construída ou faturamento). Além das

73 Vale a pena destacar que mais da metade das incorporações que a Soma construiu foram em sistemade cooperativa.

A Base de Dados 118

cooperativas os grupos que mais se destacam são os das empresas maiores, na terceira

faixa de quantidades seguidos pelos grupos da segunda faixa (a “tipologia” está

detalhada no apêndice). No entanto, quando o critério é faturamento ou área

construída, o grupo de construtoras e incorporadoras que reúne as empresas com 2 a

10 anos de mercado e preço unitário alto é o que mais se destaca: é o primeiro grupo

por estes dois critérios. O único grupo da terceira faixa de quantidade que figura entre

as 20 maiores por algum dos critérios é justamente o grande grupo (em termos do

número de empresas) das empresas mais voláteis: com menos de 2 anos no mercado e

produção de menos de 50 unidades.

O quadro é diferente para as vendedoras onde há sempre mais de 11 empresas

individuais entre as 20 maiores por qualquer dos 3 critérios acima. No caso das

vendedoras as empresas da terceira faixa de quantidade são praticamente as únicas

entre os 20 maiores grupos. No entanto, o destaque para as empresas com mais de 2

anos de mercado e alto preço unitário quando o critério é área total construída ou

faturamento permanece. Este grupo assume, respectivamente, a quarta e a terceira

posição. As cooperativas não selecionadas também se destacam quando o critério é

área construída ou número de unidades, especialmente o último.

3.4 Preços e Índices de CustoUma das variáveis que a Embraesp toma o maior cuidado é o preço do imóvel. Este

cuidado é decorrência em parte da inflação, em parte da forma de coleta. Em primeiro

lugar, os preços são sempre tomados no dia 15 do mês e o dólar comercial de venda

desta data é também incluído na base. Em segundo lugar, a Embraesp acompanha as

vendas para verificar se há redução no preço. Isto porque um edifício lançado a um

74 O termo “selecionadas” será usado a partir de agora para me referir a estas empresas acompanhadasindividualmente (inclusive as 35 vendedoras). Os diversos grupos de várias empresas, criados em cimada tipologia detalhada no apêndice, serão referidos por “tipos” ou “grupos”.

A Base de Dados 119

preço acima do mercado pode ajustar seus preços em função das vendas. O interesse

da Embraesp que é fundamental para os nossos propósitos, é encontrar o preço mais

próximo possível do preço de transação.

Como os preços são coletados no dia 15, pode-se utilizar praticamente qualquer índice

de preços para corrigir os valores nominais. Isto porque a maioria dos índices de

preços é coletado do primeiro ao último dia do mês e, portanto, são centrados no meio

do mês. O índice selecionado foi o IGP-di do IBRE. Como o índice mudou de base

algumas vezes e houve uma série de reformas monetárias durante o período, teve que

haver uma compatibilização de bases descrita com mais detalhes no apêndice. Em

poucas palavras, os índices coletados foram todos convertidos para a base agosto de

94=100. O deflator derivado é simplesmente o valor do índice no mês de referência

para o preço dividido pelo índice de dezembro de 2000 (193,97).

Os Gráficos 3.30 e 3.31 apresentam a evolução de preços em dólar usando i. o preço

convertido para dólar utilizando-se o dólar comercial do mês de referência para o

preço conforme os dados originais da Embraesp e ii . preços corrigidos pelo IGP-di

para preços de dezembro conforme descrito no parágrafo anterior convertidos para

dólar utilizando-se a média mensal de venda do dólar comercial (R$1,9633). Ainda

que as duas séries tenham em geral a mesma tendência a diferença entre os preços

corrigidos e os preços em dólares é considerável especialmente no início do período

quando chega a quase três vezes: a média de preço dos últimos doze meses corrigido

diretamente pelo dólar é US$282 contra US$618 quando se utiliza o IGP-di para

correção dos valores. Este diferencial, no entanto, é bem reduzido a partir de maio de

90.

A Base de Dados 120

Gráfico 3.30: Preços Médios por m2 de Área Total Corrigidos pelo IGP-di paraDezembro de 2000 e Convertido pelo Dólar Médio Comercial e Preços Corrigidos

pelo Valor do Dólar na Data de Lançamento (1985-1999)

0

200

400

600

800

1,000

1,200

1,400

1,600

Dec-85 Sep-88 Jun-91 Mar-94 Dec-96 Aug-99

Data

US

$

IGP_di US$

Fontes: IBRE e Tabulação própria usando dados da Embraesp

Optou-se por usar apenas o IGP-di como deflator para os preços nominais por uma

série de motivos. Em primeiro lugar, comparando-se com o dólar comercial da data de

lançamento, adotado pela Embraesp. Como a taxa de câmbio é um ativo financeiro

sujeito a variações que em geral não dependem só da variação dos preços locais, nada

garante que o preço em dólares reflita o valor real do imóvel. A opção por um índice

geral de preços, em detrimento a um índice de preços ao consumidor, deve-se ao fato

de que um imóvel é um bem durável e, portanto, a decisão de compra de um imóvel é

uma decisão, em princípio, de longo-prazo. Assim, a decisão de compra do imóvel

leva em conta o preço de todos os outros bens de consumo e não apenas aos bens de

consumo básicos que predominam nas cestas dos índices de preço ao consumidor.

A Base de Dados 121

Gráfico 3.31: Médias Móveis dos Preços por m2 de Área Total Ponderado pelo Totalde Unidades Lançadas em US$ Corrigido pelo IGP-di para Dezembro de 2000 e pelo

Valor do Dólar Comercial de Venda na Data de Lançamento (1985-1999)

0

200

400

600

800

1,000

1,200

Nov-84 Aug-87 May-90 Jan-93 Oct-95 Jul-98

Data

US

$

IGP_di US$

Fonte: IBRE (em Conjuntura Economica, diversos anos).Tabulação própria usando dados da Embraesp

Uma alternativa seria utilizar um índice de custos da construção, notadamente o INCC

(Índice Nacional de Custo da Construção) do IBRE. A justificativa para a utilização

deste índice é que diversos contratos na construção civil, inclusive de venda de

imóveis, o utilizam como indexador. O INCC é o mais antigo índice nacional de

custos da construção. A partir de janeiro de 86 houve uma reformulação na sua

composição, expandindo de 8 para 16 o número de municípios de cobertura. Também

a partir desta data, os dados por Município passaram a ser publicados em separado.

Este indicador não foi utilizado para correção dos preços dos imóveis por que a

componente do município de São Paulo será utilizada como variável na especificação

econométrica.

O Gráfico 3.32 apresenta o índice total do custo de construção para o município de

São Paulo e a média geométrica. Como se pode notar, o índice está acima da inflação

em praticamente todo o período. Obviamente em agosto de 94, mês base, todos os

índices são iguais a 100 e, portanto, há uma convergência que logo em seguida se

A Base de Dados 122

esvai com os preços retomando um patamar cerca de 20% mais elevado do que o

custo de vida. O Gráfico 3.33 divide as duas componentes do índice para os

municípios: mão-de-obra e materiais. A variação de preços dos materiais se manteve

acima da variação do custo da mão-de-obra até 1994. No início de 94 as duas

componentes convergem, caminhando juntas até meados de 95 quando ocorre uma

inversão: a partir desta data o custo da mão-de-obra é que passa a “puxar” o índice da

construção enquanto a variação no preço dos materiais fica abaixo da variação do

IGP-di. Um dos motivos desta inversão deve-se a um resultado padrão da teoria de

comércio internacional: com abertura econômica e estabilidade da taxa de câmbio os

produtos comerciáveis com o exterior caem com relação aos não comerciáveis.

Gráfico 3.32: Índice e Média Geométrica (12 meses) do Índice Real de Custo daConstrução Total* – Municípios da Capital: São Paulo (1985**-1999)

80

100

120

140

160

180

200

Jan-85 Sep-87 Jun-90 Mar-93 Dec-95 Sep-98

Data

Índi

ce

* Variação do Índice acima da variação do IGPM-di. Base: agosto, 94.** Para 1985 índice calculado a partir da veriação do custo de edificação para o município de São

PauloFonte: IBRE (em Conjuntura Economica, diversos anos).

O custo da construção dividido em seus dois componentes será utilizado na estimação

da oferta de imóveis. Com isto, todos os elementos de custo de produção de um

imóvel estarão incluídos na especificação. O custo do capital entra indiretamente

utilizando-se a densidade estrutural (vide capítulo anterior) e a taxa de juros do

A Base de Dados 123

mercado. Serão testados, alternativamente, o índice real e a média geométrica deste

índice. A justificativa para se utilizar a média dos valores passados seria que, como

um edifício demora pelo menos um ano para ficar pronto, o custo total incorrido

depende do custo durante todo o período de construção.

Gráfico 3.33: Média Geométrica (12 meses) dos Componentes do Índice Real deCusto da Construção* – Municípios da Capital: São Paulo (1985**-1999)

80

100

120

140

160

180

200

Jan-85 Sep-87 Jun-90 Mar-93 Dec-95 Sep-98

Data

Índi

ce R

ea

l (a

gost

o 94

=10

0)

Mão de Obra

Total

Materiais

* Variação do Índice acima da variação do IGPM-di. Base: agosto, 94.** Para 1985 índice calculado a partir da veriação do custo de edificação para o município de São

PauloFonte: IBRE (em Conjuntura Economica, diversos anos).

Uma contra argumentação para utilização da média passada é que muitas vezes um

imóvel é lançado antes de se iniciar a obra. Neste caso, o custo incorrido de fato

estaria relacionado com a média dos índices futuros. No entanto, mesmo neste caso,

na hora de decisão do preço de lançamento do imóvel, o incorporador leva em conta

apenas o preço corrente dos materiais e da mão-de-obra, em cima dos quais ele realiza

o orçamento, se protegendo de variações futuras incluindo uma cláusula de reajuste da

mensalidade pela variação do INCC (no caso de venda parcelada). Neste caso, a

A Base de Dados 124

variável relevante para o preço seria o índice corrente. Por este motivo, o preço

corrente será também testado como proxy para os custos de produção75.

Finalmente, o último indicador de preços utilizados é a taxa de juros reais definida

como o percentual de juros acima da variação do IGP-di. O Gráfico 3.34 apresenta os

juros reais mês a mês juntamente com a média geométrica de 12 meses. A taxa de

juros reais até o final de 1991 se manteve em torno de zero. Apenas a partir desta data

é que as taxas reais passam a ser de fato positivas. As variações extremadas

observadas no início de 1989, 1990 e 1991 e em meados de 1994 devem-se,

respectivamente, ao “Plano Verão”, “Plano Collor 1”, “Plano Collor 2” e “Plano

Real”. Além de servir como proxy para o custo de capital, a taxa de juros é

fundamental para a conversão de preços para renda como será discutido no próximo

capítulo.

Gráfico 3.34: Juros Reais e Média Geométrica (12 meses) dos Juros Reais*(1985-2000)

-25%

-20%

-15%

-10%

-5%

0%

5%

10%

15%

Jan-85 S ep-87 Jun-90 M ar-93 D ec -95 S ep-98

Da ta

Juro

s R

ea

is

* Percentual acima da variação do IGPM-di. Até jun.86 ORTN/OTN, jul.86 a dez.87 LBC; jan.88 adez.97 LFT; jan.98 em diante % a.m. calculada a partir da % a.a. dos títulos públicos (Selic).

Fontes: IBRE/CEMEI, Andima e Boletim do Banco Central do Brasi (em Conjuntura Economica,diversos anos).

75 A expectativa de variação real nos custos de construção também poderia ser levada em conta peloconsumidor (caso o contrato contemple reajustes pelo INCC) ou pelo produtor (caso o contrato nãocontemple tais reajustes). Se as expectativas forem formadas em cima dos preços passados, a médiavolta a ser o melhor indicador. Nada muda se as expectativas forem formadas em cima dos preçoscorrentes.

A Base de Dados 125

A discussão sobre qual é o melhor indicador para tal propósito (a taxa corrente ou a

média das taxas passadas) é mais ou menos semelhante à discussão anterior em

relação ao índice de custo da construção. O melhor indicador depende de quando

ocorre a construção: antes ou depois do lançamento76. Se a construção ocorreu antes

do lançamento, o custo de capital já foi incorrido e, portanto, o relevante são os juros

passados. No entanto, existe uma diferença importante. Digamos que a construção

tenha se iniciado e terminado antes do lançamento. No entanto, o empréstimo

bancário para financiamento do imóvel pode ter sido realizado por um prazo de 10 ou

15 anos, um período absolutamente razoável para um empréstimo deste tipo. Neste

caso, os juros passados são relevantes, mas a expectativa de juros futuros é mais

importante. Além do que, do ponto de vista do consumidor a variável relevante é sem

dúvida a expectativa de juros futuros visto que o seu custo econômico comprando à

vista ou a prazo depende essencialmente dos juros futuros. Então, em princípio, o

melhor indicador depende basicamente de como são formadas as expectativas dos

preços futuros.

Antes de encerrar o capítulo cabem duas notas sobre os indicadores de preços

discutidos nesta seção. Em primeiro lugar, note-se que as variáveis reais foram

sempre deflacionadas pelo IGP-di. Ainda que esta opção se justifique, poderia se

argumentar sobre algumas vantagens de índices alternativos. Como é conhecido, cada

índice tem suas vantagens e desvantagens. No entanto, o custo de se mudar o índice

neste caso é muito elevado. Além da compatibilização de bases e de moedas para o

novo índice selecionado, deve-se corrigir todos os valores novamente, inclusive mais

de 6 mil preços diferentes de imóveis. Utilizando-se o indexador da Embraesp (dólar

76 Na realidade a construção pode se iniciar antes do lançamento, mas terminar depois dele. Além doque, a construção pode demorar mais do que um ano. Nos dados da Embraesp sabe-se, além da data delançamento, a data prevista de entrega, porém não há a data de início da construção. Derivar uma

A Base de Dados 126

comercial da data de lançamento) para correção do preço dos imóveis (mas não para

os outros valores reais) não resultou em estimativas significativamente diferentes (não

apresentadas aqui por questão de espaço). Sendo assim, sempre que houver referência

a um valor este será em reais de dezembro de 2000 a não ser que se indique o

contrário.

Por fim, a opção por se utilizar apenas valores reais faz sentido em princípio se

assumirmos racionalidade dos agentes, ou seja, a não existência de ilusão monetária.

Mesmo sem ilusão monetária, a taxa nominal de inflação poderia influenciar a decisão

de compra (e, portanto a formação de preços) devido a certas características

tributárias do mercado de imóveis. Em particular, o pagamento de juros do

financiamento de um imóvel é dedutível do imposto de renda, mas os ganhos de

capital decorrentes da valorização dos imóveis em geral não são taxados ou, pelo

menos, é possível escapar desta taxação77. Foge do escopo desta tese uma análise

detalhada da tributação e financiamento no mercado de imóveis brasileiros. Mesmo

porque estas questões referem-se muito mais ao mercado nacional e não ao mercado

local que é a preocupação desta tese. Mesmo assim, a taxa de inflação será incluída

em algumas das especificações para testar seu poder explicativo na decisão de compra

de imóveis.

estimativa do tempo de construção usando as datas de lançamento e entrega, no entanto, necessitaria dehipóteses extremamente arbitrárias.77 Posterga-se uma discussão mais detalhada desta questão para o próximo capítulo.

A Base de Dados 127

2A. ApêndiceNeste apêndice discute-se detalhes dos bancos de dados apresentados anteriormente.

Mais especificamente, todas as variáveis do banco de dados são listadas juntamente

com a sua estrutura. Em seguida apresentam-se as estimativas do número de

domicílios por município da Grande São Paulo. Na terceira seção do apêndice faz-se

um detalhamento do banco de dados sobre os agentes de mercado criado a partir da

base da Embraesp. A última seção apresenta os critérios para concatenação e ajuste

aos planos de estabilização monetária para os índices de preço utilizados.

3.A.1 Estrutura do banco de dados de lançamentos de imóveisComo discutido brevemente na seção 4.1, os dados da Embraesp necessitaram de uma

profunda revisão para adapta-los aos nossos propósitos. Os dados originais da

Embraesp consistiam de uma única tabela com 97 variáveis (algumas das quais sem

utilidade). A estas variáveis adicionou-se um campo de identificação para permitir a

recuperação de informações caso se considere necessário. A tabela original é

composta por 6.169 registros. Estes registros não correspondem obrigatoriamente a

empreendimentos diferentes. O sistema de coleta da Embraesp divide em um ou mais

registros um mesmo condomínio caso i. existam diferentes tipos de apartamentos

ofertados (no mesmo bloco78 ou em blocos diferentes) ou ii . existam blocos lançados

em diferentes datas.

Na realidade este procedimento é extremamente útil para os nossos fins. Isto porque a

demanda por um apartamento com 4 quartos, por exemplo, não é a mesma do que a

demanda por um apartamento com 3 quartos mesmo que os dois imóveis estejam no

mesmo condomínio. No entanto, é necessário identificar todas as unidades de um

78 Quando um bloco apresenta dois tipos de apartamento a variável “número de blocos” e área doterreno é dividida proporcionalmente ao número de unidades daquele tipo. Por exemplo, se um bloco

A Base de Dados 128

mesmo condomínio pois certos dados devem ser levados em conta em termos

agregados como a área total do terreno, o total de blocos e etc. Além do que a

localização e as variáveis espaciais decorrentes só faz sentido por condomínio.

Quando um condomínio é dividido pelo motivo i é relativamente simples de se

identificar já que o número de referência da Embraesp é o mesmo (mudando apenas a

letra). No segundo caso o processo é mais complexo. O procedimento foi localizar

todos os imóveis com o mesmo endereço verificando manualmente se correspondia de

fato ao caso ii . Neste procedimento pode-se localizar 38 registros incorretos. Nestes

casos, o que ocorre em geral é que o lançamento é anunciado mas, por algum motivo,

não se efetiva. Ainda que este fato esteja documentado no campo observações estes

poucos registros incorretos não foram retirados da amostra pela própria Embraesp e

por este motivo foram mantidos na tabela de dados originais, mas retirados da tabela

de dados revistos (que é utilizada em todas as análises desta tese).

Outro tipo de erro que se verificou no processo de agregação dos registros

correspondentes ao mesmo condomínio é que às vezes a área do terreno no primeiro

lançamento corresponde a área total e apenas no segundo lançamento esta área é

rateada em função do número de unidades79. Assim, para encontrar a área de fato do

terreno, criou-se uma outra variável que é igual ao tamanho do terreno da base

original quando não se pode notar nenhum erro e é corrigida para o tamanho

proporcional ao número de unidades quando se nota algum engano80. Também

verificou-se diferenças na grafia dos endereços o que dificultou a identificação de

tem 40 unidades de um tipo e 60 de outro, o número de blocos no registro que tem 40 unidades será0,4.79 Por exemplo, um terreno de 1000 m2 com dois blocos idênticos. Associa-se 1000 m2 ao primeirobloco lançado e 500 m2 ao segundo. O processo de agregação alocaria 1500 m2 a este terreno se avariável não fosse ajustada.80 Nem sempre é possível saber ao certo se houve este erro ou não. Em diversos casos a área total doterreno é indicada no campo de observações. Em caso de dúvida, manteve-se a informação original.

A Base de Dados 129

registros pertencentes ao mesmo condomínio. Os endereços foram então padronizados

e armazenados em outra variável.

Agrupando-se todos os registros que correspondiam ao mesmo condomínio, somando-

se a área do terreno, o número de blocos, a área total e útil construída (ponderadas

pelo número de unidades) e calculando-se as médias das variáveis que se referiam

apenas à unidade (como número de quartos, área do imóvel, preço, etc.) criou-se uma

nova tabela apenas com os dados por condomínio (5.111 registros). Estes dados foram

então georeferenciados, usando-se a quadra fiscal da prefeitura de São Paulo como

referência para os imóveis na cidade de São Paulo81 e os endereços completos para os

imóveis fora do MSP82 gerando-se uma terceira tabela com os dados localizados no

espaço. Utilizando-se as ferramentas de programas de administração de bases

geográficas83 calculou-se as distâncias à Praça da Sé, ao centro, ao início da

Bandeirantes e às sedes dos municípios selecionados. Esta forma a terceira tabela da

nossa base de lançamentos de imóveis.

O Diagrama 3.A.1 mostra esquematicamente a estrutura deste banco de dados. Os

dados georeferenciados e os dados por condomínio podem ser associados aos dados

desagregados através do ID_ESP (campo de identificação “Espacial” pois associa os

registros no mesmo espaço). Os dados cadastrais das construtoras, incorporadoras e

vendedoras se associam aos dados desagregados através de campos de identificação

específico, um para cada tipo de agente. Com isto foi possível diminuir um pouco o

volume de dados, pois não é mais necessário repetir todos os dados cadastrais das

81 Imóveis na mesma quadra fiscal foram separados aleatoriamente. Este procedimento impede que secrie variáveis como, por exemplo, uma dummy identificando se o apartamento está de frente para umparque ou não. Por outro lado, foi o único procedimento viável dado que pode ser automatizado e, alémdo que, não afetou significativamente as variáveis de distância utilizadas.82 Os imóveis fora do MSP num total de 809 registros e 666 condomínios foram localizadosmanualmente utilizando-se bases de logradouros gentilmente cedidas pela VETEC Ltda. Infelizmente,27 registros não foram localizados e tiveram de ser excluídos da amostra.83 Todos os cálculos de distância e mapas apresentados utilizaram o Arcview 3.2©. Ele calcula a menordistância euclidiana entre os dois (ou mais) pontos.

A Base de Dados 130

empresas que realizaram mais de um lançamento. Além do mais, foi possível derivar

estatísticas para as empresas incluindo no seu cadastro como veremos na seção 3.A.3.

Diagrama 3.A.1: Estrutura do Banco de Dados Criado a partir dos Dados daEmbraesp

Dados Condomínios ID_ESP Atributos dos Condomínios (Tabela 4.A.4)

Dados Georeferenciados ID_ESP Distâncias (Tabela 4.A.5)

Dados Desagregados ID ID_ESP ID_CONS ID_INC ID_VEND Atributos das Unidades Diferenciadas (Tabelas 4.A.2 e 4.A.3)

Cadastro Construtoras ID_CONS Características da Empresa (Tabela 4.A.6)

Cadastro Incorporadora ID_INC Características da Empresa (Tabela 4.A.6)

Cadastro Vendedoras ID_VEND Características da Empresa (Tabela 4.A.6)

As Tabelas a seguir apresentam as variáveis presentes nas diversas tabelas84 ilustradas

no esquema acima. Como diversas variáveis pertencem tanto à tabela de dados

originais como à tabela de dados desagregados, para evitar redundância, as variáveis

comuns às duas tabelas são apresentadas na Tabela 3.A.2. As variáveis exclusivas da

base original são apresentadas na Tabela 3.A.1.

A Base de Dados 131

Ainda que as Tabelas abaixo não sejam fundamentais para a compreensão da tese

como um todo, a opção por inclui-las deve-se ao fato de que o trabalho realizado com

a base de dados representa um ganho considerável em relação ao original. Somando-

se ao fato de que praticamente não existem dados sobre o mercado de imóveis com

tanto detalhamento, este apêndice serve como documentação deste processo para que

outros pesquisadores possam utilizar tais dados. A única dificuldade é que, como se

trata de um banco de dados “proprietário” o pesquisador interessado em utilizar esta

base deve primeiro contatar a Embraesp para ter acesso à base original.

Tabela 3.A.1: Variáveis Pertencentes à Base Original da Embraesp que nãoConstam nos Dados Revistos

9DULiYHO 'HVFULomR

5HI 1~PHUR GH UHIHUrQFLD QR LQIRUPDWLYR (PEUDHVSWLSRBHPSBD9HUWLFDO RX KRUL]RQWDOQXPBD 1~PHUR GH UHIHUrQFLD QR LQIRUPDWLYR (PEUDHVSHQGHUHFRBD (QGHUHoR GR HPSUHHQGLPHQWRHQG (QGHUHoR GH UHIHUrQFLD SDUD D DJUHJDomR GH GDGRV]RQD =RQD GD SUHIHLWXUD GH 6mR 3DXORVHWRU 6HWRU GD SUHIHLWXUD GH 6mR 3DXORTXDGUD 4XDGUD ILVFDO GD SUHIHLWXUD GH 6mR 3DXORORWH /RWH FRQIRUPH FODVVLILFDomR GD SUHIHLWXUD GH 6mR 3DXORWHUUHQR ÈUHD GR WHUUHQR DORFDGR DR UHJLVWURILQDQFLDP &RQVyUFLR� 3UHoR GH FXVWR RX 3UHoR )HFKDGRHQJHQKHLBD 1RPH GR HQJHQKHLURDUTXLWHWBD 1RPH GR DUTXLWHWR]RQDBR 5HIHUrQFLD GH HVSDFLDO GD (PEUDHVSQXPBR 5HIHUrQFLD GH HVSDFLDO GD (PEUDHVSFRHI &RHILFLHQWH WpFQLFR GR WHUUHQRSFWWUHWBU 3UHoR GR WHUUHQR �SDUD LPyYHLV D SUHoR GH FXVWR�U 0 ODQoDPHQWR QR PXQLFtSLR GH 6mR 3DXOR 5 ODQoDPHQWR IRUD GHOHTI 1~PHUR GD TXDGUD ILVFDOORQJ ORQJLWXGH GR FHQWUR GD TXDGUD ILVFDOODW ODWLWXGH GR FHQWUR GD TXDGUD ILVFDOFKDYH 5HIHUrQFLD GH HVSDFLDO GD (PEUDHVSGDWDBODQBE 'DWD GH ODQoDPHQWRQXPBE 1~PHUR GR ODQoDPHQWR QR LQIRUPDWLYR]RQDBYDOBE =RQD GH 9DORUHQGHUHFRBE (QGHUHoR GR HPSUHHQGLPHQWRLQFRUSRUBE ,QFRUSRUDGRUDLBUD]BVRF 5D]mR VRFLDO GD LQFRUSRUDGRUDLBIRQH 7HOHIRQH GD LQFRUSRUDGRUD

84 Tabela com T maiúsculo refere-se a uma tabela específica reproduzida no texto. Tabela com tminúsculo é o nome genérico e refere-se em geral a uma das tabelas do banco de dados.

A Base de Dados 132

9DULiYHO 'HVFULomR

LBID[ )D[ GD LQFRUSRUDGRUDLBHQGHUHFR (QGHUHoR GD LQFRUSRUDGRUDLBEDLUUR %DLUUR GD LQFRUSRUDGRUDLBFLGDGH &LGDGH GD LQFRUSRUDGRUDLBFHS &HS GD LQFRUSRUDGRUDYHQGHGRUBE9HQGHGRUDYBUD]BVRF 5D]mR VRFLDO GD YHQGHGRUYBIRQH 7HOHIRQH GD YHQGHGRUYBID[ )D[ GD YHQGHGRUYBHQGHUHFR (QGHUHoR GD YHQGHGRUYBEDLUUR %DLUUR GD YHQGHGRUYBFLGDGH &LGDGH GD YHQGHGRUYBFHS &HS GD YHQGHGRUFRQVWUXWBE &RQVWUXWRUDFBUD]BVRF 5D]mR VRFLDO GD FRQVWUXWRUDFBIRQH 7HOHIRQH GD FRQVWUXWRUDFBID[ )D[ GD FRQVWUXWRUDFBHQGHUHFR (QGHUHoR GD FRQVWUXWRUDFBEDLUUR %DLUUR GD FRQVWUXWRUDFBFLGDGH &LGDGH GD FRQVWUXWRUDFBFHS &HS GD FRQVWUXWRUDHQJHQKHLBE (QJHQKHLUR UHVSRQViYHODUTXLWHWBE $UTXLWHWRKRWHODULBE 5HVSRQViYHO SHOD KRWHODULD �TXDQGR IRU R FDVR�WLSRBHPSBE7LSR GH HPSUHHQGLPHQWR �9HUWLFDO RX +RUL]RQWDO�REVHUYDFBE 2EVHUYDo}HV

Fonte: Informativo Imobiliário Embraesp

Tabela 3.A.2: Variáveis Pertencentes à Base Original da Embraesp que Constamnos Dados Revistos

9DULiYHO 'HVFULomR

,' &yGLJR GH LGHQWLILFDomR� 9DULiYHO FULDGD SDUD FRQH[mR FRP R QRYR EDQFR GH GDGRVGDWDBODQBD 'DWD GH ODQoDPHQWR GR LPyYHO]RQDBYDOBD =RQD GH 9DORUQRPH 1RPH GR EORFRGRUP 1~PHUR GH GRUPLWyULRV SRU XQLGDGHEDQK 1~PHUR GH EDQKHLURV SRU XQLGDGHYDJDV 1~PHUR GH YDJDV QD JDUDJHP SRU XQLGDGHHOHYDG 1~PHUR GH HOHYDGRUHV QR�V� EORFR�V�FREHUW 1~PHUR GH FREHUWXUDV QR�V� EORFR�V�EORFRV 1~PHUR GH EORFRV QR UHJLVWURXQLGBDQG 1~PHUR GH XQLGDGHV SRU DQGDUDQGDUHV 1~PHUR GH DQGDUHV GR�V� EORFR�V�WWBXQLG 7RWDO GH XQLGDGHV TXH SHUWHQFHP DR UHJLVWURODQF 9DULiYHO OyJLFD SDUD GHILQLU VH H[LVWHP XQLGDGHV GLIHUHQFLDGDV �� RX QmRHQWUHJD 'DWD GH HQWUHJD GR LPyYHOPHVHV 1~PHUR GH PHVHV HQWUH ODQoDPHQWR H GDWD GH HQWUHJDDUHDBXWLO ÈUHD ~WLO GD XQLGDGHDUHDBWRWDO ÈUHD WRWDO GD XQLGDGHSFBWWBU 3UHoR WRWDO GD XQLGDGH HP YDORUHV QRPLQDLVSFP�XWLOBU 3UHoR GD XQLGDGH SRU PHWUR TXDGUDGR GH iUHD ~WLO HP YDORUHV QRPLQDLV

A Base de Dados 133

9DULiYHO 'HVFULomR

SFP�WWBU 3UHoR GD XQLGDGH SRU PHWUR TXDGUDGR GH iUHD WRWDO HP YDORUHV QRPLQDLVFWBWHUUBU &RWD GR WHUUHQR �SDUD SUHoR GH FXVWR� HP YDORUHV QRPLQDLVXVV 9DORU GR GyODU QD GDWD GH ODQoDPHQWRSFBWWBXV 3UHoR WRWDO GD XQLGDGH HP GyODUHVSFP�XWLOBX 3UHoR GD XQLGDGH SRU PHWUR TXDGUDGR GH iUHD ~WLO HP GyODUHVSFP�WWBX 3UHoR GD XQLGDGH SRU PHWUR TXDGUDGR GH iUHD WRWDO HP GyODUHVFWBWHUUBX &RWD GR WHUUHQR �SDUD SUHoR GH FXVWR� HP GyODUHVDJHQWH 1RPH GR DJHQWH ILQDQFHLUR �TXDQGR KRXYHU�DXWLOBFRE ÈUHD ~WLO GD FREHUWXUDDWWDOBFRE ÈUHD WRWDO GD FREHUWXUDSFWWFREBU 3UHoR WRWDO GD FREHUWXUD HP YDORUHV QRPLQDLVSFWWFREBX 3UHoR WRWDO GD FREHUWXUD HP GyODUHVLQFRUSRUBD 1RPH GD LQFRUSRUDGRUDYHQGHGRUBD1RPH GR YHQGHGRUFRQVWUXWBD 1RPH GD FRQVWUXWRUDKRWHODULBD 1RPH GD FRPSDQKLD GH KRWHODULDSURMBDSURY 'DWD GH DSURYDomR GR SURMHWRREVHUYDFBD 2EVHUYDo}HVFSBSJWR $QGDUHV GH UHIHUrQFLD SDUD D FRQGLomR GH SDJDPHQWRFRQGBSJWR &RQGLomR GH SDJDPHQWRUHDMBDWHBF &RQGLo}HV GH UHDMXVWH LQLFLDOUHDMBDSRBF &RQGLo}HV GH UHDMXVWH ILQDOGRFXPHQWR 'RFXPHQWR GH RULJHP GD LQIRUPDomR

Fonte: Informativo Imobiliário Embraesp

Tabela 3.A.3: Variáveis Pertencentes aos Dados Desagregados que não Constamnos Dados Originais

9DULiYHO 'HVFULomRID_ESP &DPSR SDUD FRQH[mR HQWUH R EDQFR GH GDGRV GHVDJUHJDGRV H R EDQFR GH GDGRV

DJUHJDGRtipo_emp &yGLJR GR WLSR GH HPSUHHQGLPHQWR �9HUWLFDO � +RUL]RQWDO ��coop � VH FRRSHUDWLYD� � FDVR FRQWUiULRMSP � VH ODQoDPHQWR QR PXQLFtSLR GH 6mR 3DXOR� � FDVR FRQWUiULRano_lan $QR GH ODQoDPHQWR GR LPyYHOmes_lan 0rV GH ODQoDPHQWR GR LPyYHOano_ent $QR SUHYLVWR GH HQWUHJD GR LPyYHOmes_ent 0rV SUHYLVWR SDUD HQWUHJD GR LPyYHOmes_c 1~PHUR GH PHVHV HQWUH R ODQoDPHQWR H D GDWD SUHYLVWD GH HQWUHJD FDOFXODGR

�H[LWHP HUURV QR FDPSR PHVHV DFLPD�end_agr (QGHUHoR GH UHIHUrQFLD SDUD D DJUHJDomR GH GDGRVterr_new 5HIHUrQFLD GR WHUUHQR SDUD FiOFXOR GR WHUUHQR WRWDO GR FRQGRPtQLRpc_tt_d 3UHoR WRWDO GD XQLGDGH HP YDORUHV UHDLV �GH] �� ,*3�GL � YLGH ,QGLFH GH

3UHFRV�[OV�pcm2util_d 3UHoR GD XQLGDGH SRU PHWUR TXDGUDGR GH iUHD ~WLO HP YDORUHV UHDLV �GH] ��

,*3�GL � YLGH ,QGLFH GH 3UHFRV�[OV�pcm2tt_d 3UHoR GD XQLGDGH SRU PHWUR TXDGUDGR GH iUHD WRWDO HP YDORUHV UHDLV �GH] ��

,*3�GL � YLGH ,QGLFH GH 3UHFRV�[OV�ct_terr_d &RWD GR WHUUHQR �SDUD SUHoR GH FXVWR� HP YDORUHV UHDLV �GH] �� ,*3�GL � YLGH

,QGLFH GH 3UHFRV�[OV�financ &yGLJR GD PRGDOLGDGH GH ILQDQFLDPHQWR� � &RQVyUFLR� � 3UHoR GH FXVWR

� 3UHoR )HFKDGRtipo_agen 7LSR GH DJHQWH� � QmR VDEH�QHQKXP� � %DQFR 3ULYDGR� � %DQFRV GR HVWDGR

A Base de Dados 134

9DULiYHO 'HVFULomR

�%DQHVSD H 1RVVD &DL[D�� 6)+ �WDEHODGR RX FDUWHLUD KLSRWHFiULD� H &()�� 6%3( �6LVW� %UDV� 'H 3RXSDQoD H (PSUpVWLPR�

ID_Inc &DPSR GH LGHQWLILFDomR GD LQFRUSRUDGRUDN_Inc 1~PHUR GH LQFRUSRUDGRUDV HQYROYLGDV QR HPSUHHQGLPHQWRID_Vend &DPSR GH LGHQWLILFDomR GD YHQGHGRUDN_vend 1~PHUR GH YHQGHGRUDV HQYROYLGDV QR HPSUHHQGLPHQWRID_Const &DPSR GH LGHQWLILFDomR GD FRQVWUXWRUDN_Cons 1~PHUR GH FRQVWUXWRUDV HQYROYLGDV QR HPSUHHQGLPHQWRhotel � VH KRWHO RX IODW ]HUR HP RXWURV FDVRVCod_Reg &yGLJR GD UHJLmR � 1RUGHVWH� � 1RURHVWH� � 6XGHVWH� � 6XGRHVWHORQJ� ORQJLWXGH DMXVWDGD GR FHQWUR GD TXDGUD ILVFDOODW� ODWLWXGH DMXVWDGD GR FHQWUR GD TXDGUD ILVFDO

Fonte: Elaborado pelo Autor

Tabela 3.A.4: Variáveis Pertencentes aos Dados por Condomínio

Variável DescriçãoID_ESP Campo para conexão entre o banco de dados desagregados e o banco de dados

agregadotipo_emp Código do tipo de empreendimento (Vertical=0 Horizontal=1)coop 1 se cooperativa, 0 caso contrárioMSP 1 se lançamento no município de São Paulo, 0 caso contráriodata_lan_a Data de lançamento do primeiro bloco do condomínioano_lan Mês de lançamento do primeiro bloco do condomínioPHVBODQ Ano de lançamento do primeiro bloco do condomínioentrega Data prevista de entrega do último bloco do condomínioano_ent Mês previsto de entrega do último bloco do condomínioPHVBHQW Ano previsto de entrega do último bloco do condomíniomês_c Número máximo de meses entre o lançamento e a data prevista de entrega do

bloco (zero se todos os blocos estiverem prontos na data de lançamento)zona_val_a Zona de Valorend_agr Endereço de referência para a agregação de dadosnome Nome do primeiro bloco lançadodorm Número médio de dormitórios por unidadebanh Número médio de banheiros por unidadevagas Número médio de vagas na garagem por unidadeelevad Número total de elevadores no(s) bloco(s)cobert Número total de coberturas no(s) bloco(s)blocos Número total de blocos no condomínioandares Número médio de andares do(s) bloco(s)tt_unid Total de unidades no condomíniolanc Variável lógica para definir se existem lançamentos diferenciados (>1) ou nãoarea_util Área útil média da unidadeDUXWBFRQG Área útil construida total do condomínioarea_total Área total média da unidadeDUWWBFRQG Área total construída do condomínioDSURYHLW Área útil do condomínio/Área total do condomínioWHUUHQR Área total do terreno do condomínioN Área total construída/Área do terrenoSFBWWBG Preço médio total da unidade em valores reais (dez 00 - IGP-di - vide Indice de

Precos.xls)SFP�XWLOBG Preço médio da unidade por metro quadrado de área útil em valores reais (dez 00

A Base de Dados 135

Variável Descrição- IGP-di - vide Indice de Precos.xls)

SFP�WWBG Preço médio da unidade por metro quadrado de área total em valores reais (dez00 - IGP-di - vide Indice de Precos.xls)

pc_tt_us Preço total da unidade em dólarespcm2util_u Preço da unidade por metro quadrado de área útil em dólarespcm2tt_u Preço da unidade por metro quadrado de área total em dólaresDXWLOBFRE Área útil da coberturaDWWDOBFRE Área total da coberturaSFWWFREBX Preço total da cobertura em dólares+RWHO 1 se hotel ou flat zero em outros casosCod_Reg Código da região 1=Nordeste, 2=Noroeste, 3=Sudeste, 4=SudoesteORQJ� longitude ajustada do centro da quadra fiscalODW� latitude ajustada do centro da quadra fiscal


Tabela 3.A.5: Variáveis Pertencentes aos Dados Georeferenciados

9DULiYHO 'HVFULomR,'B(63 &DPSR SDUD FRQH[mR HQWUH R EDQFR GH GDGRV GHVDJUHJDGRV H R EDQFR GH GDGRV

SRU FRQGRPtQLR�JHRUHIHUHQFLDGR',6B6( 'LVWkQFLD �HP P�� GR HGLItFLR j SUDoD GD 6p',6B%$1' 'LVWkQFLD �HP P�� GR HGLItFLR DR LQtFLR GD %DQGHLUDQWHV',6B67$1' 'LVWkQFLD �HP P�� GR HGLItFLR j VHGH GH 6DQWR $QGUp',6B6$2%(5'LVWkQFLD �HP P�� GR HGLItFLR j VHGH GH 6mR %HUQDUGR GR &DPSR',6B%$58 'LVWkQFLD �HP P�� GR HGLItFLR j VHGH GH 6mR %HUQDUGR GR &DPSR',6B*8$ 'LVWkQFLD �HP P�� GR HGLItFLR j VHGH GH *XDUXOKRV',6B0,1� 0HQRU GLVWkQFLD GR HGLItFLR �HP P�� j 3oD GD 6p� 6WR $QGUp� %DUXHUL RX *XDUXOKRV5()B0,1� 3RQWR GH PHQRU GLVWkQFLD GR HGLItFLR �3oD GD 6p� 6WR $QGUp� %DUXHUL RX *XDUXOKRV�',6B0,1� 0HQRU GLVWkQFLD GR HGLItFLR �HP P�� j 3oD GD 6p� 6� %HUQDUGR� %DUXHUL RX

*XDUXOKRV5()B0,1� 3RQWR GH PHQRU GLVWkQFLD GR HGLItFLR �3oD GD 6p� 6� %HUQDUGR� %DUXHUL RX

*XDUXOKRV�',6B0,1� 0HQRU GLVWkQFLD GR HGLItFLR �HP P�� D 6WR $QGUp� %DUXHUL RX *XDUXOKRV5()B0,1� 3RQWR GH PHQRU GLVWkQFLD GR HGLItFLR �6WR $QGUp� %DUXHUL RX *XDUXOKRV�',6B0,1� 0HQRU GLVWkQFLD GR HGLItFLR �HP P�� D 6� %HUQDUGR� %DUXHUL RX *XDUXOKRV5()B0,1� 3RQWR GH PHQRU GLVWkQFLD GR HGLItFLR �6� %HUQDUGR� %DUXHUL RX *XDUXOKRV�


Tabela 3.A.6: Variáveis Pertencentes ao Cadastro das Empresas(Construtoras, Incorporadoras e Vendedoras)

Varável Descrição,'B;;;; Campo de identificação da empresa: ID_cons=construtora; ID_Inc=Incorporadora

e ID_Vend=vendedora1RPH Nome fantasia da incorporadoraRaz_soc Razão social da empresaFone Telefone da empresaFax Fax da empresaEndereço Endereço da empresaBairro Bairro da empresaCidade Cidade da empresaCep Cep da empresa

A Base de Dados 136

Tipo Tipo da empresa (vide Tipologia) ou ID da Empresa para empresas selecionadasAnos Número de anos no mercadoind_hor Lançamentos horizontais dividido pelo total de lançamentos da empresaind_coop Lançamentos de cooperativas dividido pelo total de lançamentos da empresaTot_Unid Total de Unidades Lançadas pela empresaLanc Total de lançamentos da empresaarea_total Área total construída de todas unidades lançadas pela empresaFatura Total de vendas vezes o preço unitárioTerreno Soma das áreas de todos os terrenos dos lançamentos da empresaMeses Prazo de entrega médio da empresa em mesespc_méd Preço unitário médio de todos os lançamentos da empresapc_min Preço unitário mínimo de todos os lançamentos da empresapc_Max Preço unitário máximo de todos os lançamentos da empresapcm2_méd Preço por m2 médio de todos os lançamentos da empresapcm2_min Preço por m2 mínimo de todos os lançamentos da empresapcm2_Max Preço por m2 máximo de todos os lançamentos da empresaUnid_XX Número de unidades lançadas pela empresa no ano XXLanc_XX Número de lançamentos da empresa no ano XX


3.A.2 Estimativa do Total de Domicílios por Município da RMSPPara encontrar o número de domicílios estimou-se um modelo simples em que o

número de domicílios em cada município é uma função linear da população nos 3

anos censitários. Alternativamente estimou-se “efeito fixo” incluindo-se uma dummy

para cada município. Os dados estão empilhados, ou seja, não se permitiu nenhuma

relação temporal direta entre eles. A idéia é que as relações temporais já estão

implícitas nas estimativas de população. Porém, variáveis de controle do tempo

também foram testadas. Mais formalmente o modelo testado foi:

tii

iititi TTRPD ,

36

196969191,, εµµδβα ∑

=+++++=

Onde Di,t é o número de domicílios e Pi,t o total da população no município i no ano t

(t=80, 91 e 96); α é uma constante, Ri (i=1,...,36) são dummies regionais iguais a 1 se

o município85 é i (zero caso contrário), Tt (t=91,96) são duas dummies temporais

iguais a 1 se o ano é t (zero caso contrário) e εi,t um erro estocástico. Nesta

especificação um pouco mais completa, as dummies temporais não se mostraram

85 Para impedir multicolinearidade perfeita, o município de São Paulo não aparece na especificação.

A Base de Dados 137

estatisticamente significantes e os resultados obtidos quando se adicionaram dummies

regionais não foram razoáveis. Por exemplo, três municípios (Francisco Morato e

Santana do Parnaíba) apresentaram um número negativo de domicílios. Mesmo a

simples inclusão da constante α também gerou dois resultados negativos (Santana do

Parnaíba novamente e Pirapora do Bom Jesus). Controlando apenas para os 5

municípios que se afastam da tendência no Gráfico 4.14 também não deu bons

resultados. Assim, acabei optando por um modelo extremamente simplificado sem a

inclusão de nenhuma dummy nem da constante. Os resultados aparecem na Tabela

3.A.7.

Tabela 3.A.7: Total de Domicílio (Milhares) por Município da RMSP (1985-1998)

0XQLFtSLR 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998$58-$ 6 7 7 8 8 9 10 10 11 12 12 13 14 14%$58(5, 25 26 28 29 31 32 34 36 39 41 44 46 49 52%,5,7,%$ 4 4 4 4 4 5 5 5 5 5 5 5 5 6&$,(,5$6 8 8 9 9 9 10 10 11 12 13 14 15 16 16&$-$0$5 7 7 8 8 8 8 9 9 10 10 11 11 12 12&$5$3,&8,%$ 59 61 64 66 69 71 74 76 78 81 83 86 89 91&27,$ 22 24 25 27 28 30 32 34 35 37 38 40 42 43',$'(0$ 68 70 72 74 76 78 80 81 82 83 84 85 86 87(0%8 31 33 34 36 37 39 41 43 45 47 49 51 54 56(0%8 *8$&8 7 7 8 8 8 9 9 10 10 10 11 11 12 12)(55$= 18 19 20 21 23 24 25 26 28 29 30 32 34 35)&2 025$72 12 13 15 16 18 20 22 23 24 25 26 28 29 31)&2 '$ 52&+$ 17 18 18 19 20 21 22 23 24 24 25 26 27 28*8$5$5(0$ 4 4 4 4 5 5 5 5 5 5 5 5 5 5*8$58/+26 166 172 178 185 191 198 205 214 224 234 244 254 267 277,7$3(&(5,&$ 19 20 21 22 22 23 24 26 27 28 30 31 33 35,7$3(9, 19 20 22 23 25 26 28 29 31 32 33 35 37 38,7$48$ 27 30 32 34 37 40 43 46 49 53 56 59 64 67-$1',5$ 12 13 13 14 15 15 16 17 18 18 19 20 21 21-848,7,%$ 4 4 4 5 5 5 5 5 5 6 6 6 6 60$,5,325$ 9 9 9 9 10 10 10 11 11 12 12 13 14 140$8$ 63 65 68 70 72 74 77 80 82 85 87 90 93 9602*, 60 62 64 65 67 69 71 73 75 77 80 82 85 8726$6&2 135 137 139 142 144 146 148 151 154 157 160 163 167 1703,5$325$ 2 2 2 2 2 2 2 2 2 2 3 3 3 332$ 16 17 17 18 19 19 20 20 21 21 22 22 23 235,%(,5$2 18 18 19 20 21 21 22 23 23 24 25 25 27 275� *'( 6(55$ 6 7 7 7 7 8 8 8 8 9 9 9 9 106$/(6232/,6 3 3 3 3 3 3 3 3 3 3 3 3 4 467$ ,6$%(/ 9 9 9 9 9 10 10 10 10 10 11 11 11 11

A Base de Dados 138

0XQLFtSLR 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 19986$17$1$ 5 5 6 7 8 9 10 11 12 13 14 15 16 16672 $1'5( 152 154 155 157 158 160 161 162 163 163 164 164 164 1656�%(51$5'2 127 130 134 137 141 144 148 153 158 163 168 173 179 1846�&�'2 68/ 41 41 41 40 40 40 39 39 38 38 37 37 36 356$2 3$8/2 2,3592,3862,4132,4402,4662,4922,5182,5342,5442,5552,5662,5772,5912,60168=$12 32 34 35 37 38 40 41 43 44 45 46 47 49 507$%2$2 32 33 35 36 38 40 42 43 44 45 46 48 49 51RMSP 3,6063,6733,7423,8113,8823,9544,0274,0944,1534,2154,2774,3394,4174,478

Fonte: Elaborado pelo Autor a partir das estimativas de população do IBGE

3.A.3 Uma “Tipologia” para as EmpresasConforme discutido na seção 4.4, para viabilizar a análise do lado da produção, dado

o grande número de empresas, criou-se uma tipologia para as empresas permitindo

seu agrupamento por tipo. Acompanhou-se individualmente apenas as empresas que i.

estavam entre as 30 maiores ou ii . estavam no mercado (de acordo com os nossos

dados) por mais de 10 anos. Assim, apenas 44 construtoras, 39 incorporadoras e 34

vendedoras foram acompanhadas individualmente sendo que as demais foram

divididas em grupos de acordo com características de produção.

Entre as empresas não selecionadas agruparam-se em primeiro lugar as que

produziram apenas cooperativas. Cooperativas são grupos que se associam para

contratar uma construção sem a presença de uma incorporadora convencional. Sendo

assim, é objeto de legislação específica. Basicamente, cria-se uma nova empresa

apenas para este propósito. Em tese é uma forma de diluir o lucro do incorporador

entre os condôminos, mas na prática muitas vezes o preço final pago acaba sendo

maior. Muitas vezes a vendedora é a própria incorporadora ou uma outra empresa

criada especialmente para este fim86. Como as cooperativas são criadas para apenas

86 Das 58 vendedoras que participaram do lançamento de cooperativas, 34 lançaram apenas este tipo deimóvel. Já no caso das construtoras, das 76 empresas contratadas pelo menos uma vez para construçãode cooperativas, 32 se dedicaram exclusivamente a este tipo de empreendimento.

A Base de Dados 139

uma incorporação, elas distorcem um pouco a “vida média”87 das empresas da

amostra.

O segundo grupo inclui as empresas que produziram apenas condomínios horizontais,

pois se acredita que as margens neste tipo de empreendimento podem ser diferentes

das margens em outros tipos. As demais empresas foram divididas levando-se em

conta 3 critérios: anos no mercado, preço e produção. Assim, criaram-se 3 grupos de

imóveis de “luxo” (41000, 42000 e 51000)88 e outros 3 de imóveis “populares”

(44100, 44200 e 53000). Para os grupos “médios” em termos de preço, criaram-se

grupos em função dos anos de atividade, e/ou da quantidade. Todas estas divisões

acabaram gerando 24 tipos diferentes de empresas. Este procedimento viabiliza a

análise da oferta no mercado de imóveis, como veremos no próximo capítulo.

O Diagrama 3.A.2 detalha as divisões realizadas. As divisões seguem em parte as

opiniões de participantes do mercado com relação a tamanho ou “vida média” das

empresas. Muitas empresas de menos de 2 anos foram criadas para empreendimentos

específicos ou independentes. Outras refletem o movimento de entrada e saída de

empresas, normal em qualquer ramo de negócio, que é mais acentuado no ramo de

incorporação de imóveis. São, em geral, empresas voláteis. Dentro deste tipo pode-se

destacar dois grupos de imóveis de “luxo” onde predominam imóveis de alto preço

unitário e metro quadrado acima da média (41000) e outro com alto preço por metro

quadrado, mas preço unitário médio ou baixo89 (42000).

87 O termo “Vida Média” refere-se ao número de anos que a empresa aparece na amostra. Não secontrola para o fato da empresa aparecer em dois anos não consecutivos.88 Para entender a numeração, acompanhe a numeração no Diagrama 2.A.2: a primeira divisãocorresponde ao décimo de milhar, a segunda divisão ao milhar, a terceira à centena e a quarta à dezena.A unidade é sempre zero. Manteve-se a codificação na ordem de dezenas de milhares para que asempresas selecionadas pudessem ser identificadas pelo seu campo de identificação original que é daordem de milhar.89 Foram consideradas empresas com alto custo unitário aquelas que o preço médio dos imóveislançados era maior do que a média (R$300 mil) mais um desvio padrão (R$200 mil). O mesmo critériofoi utilizado para o preço por metro quadrado considerado alto quando a média da empresa estava

A Base de Dados 140

Praticamente não se verificaram empresas com menos de dois anos de mercado, baixo

preço por metro quadrado e preço unitário médio ou alto. Assim, o grupo de empresas

com menos de dois anos, baixo preço unitário e metro quadrado abaixo da média90

(44000) foi dividido por tamanho da empresa91. Empresas voláteis com uma produção

acima de 200 unidades, baixo preço que não produziram usando o sistema de

cooperativas (44100) interessam especialmente, pois são candidatas a preencher o

vácuo do poder público na área de habitação.

As demais empresas voláteis, ou seja, aquelas em que os preços médios unitário e por

metro quadrado estava em torno da média global, foram também separadas por

quantidade. O primeiro grupo reúne basicamente grupos de ocasião, formados apenas

para um empreendimento específico92. Os outros dois grupos intermediários (50 a 100

e 100 a 200 unidades) são um pouco misturados. Provavelmente eles reúnem o maior

número de casos de saída do mercado por falência93 mas também apresenta casos de

grupos de ocasião para empreendimentos maiores. Estes grupos também estão

presentes entre as empresas maiores junto com as empresas que de fato pretendiam se

estabelecer no mercado, mas que acabaram não resistindo.

acima de R$3,9 mil (R$2,6 mil de média mais R$1,3 mil de desvio). Adicionalmente controlou-se parao preço mínimo que deveria estar acima da média.90 Usando critério análogo ao anterior, são as empresas com preço unitário médio menor que R$100mil, máximo abaixo de R$300 mil e preço por metro quadrado médio abaixo de R$2,6 mil.91 Nesta tipologia, a referência de tamanho é função apenas do total de unidades. Uma outra medida, asoma do número de unidades vendida vezes o preço unitário, distorceria os dados a favor das empresascom alto valor unitário ou por metro quadrado. Uma terceira medida seria o total de metros quadradosconstruídos, provavelmente uma medida melhor para a produção das construtoras, ainda que para umavendedora e talvez até para a incorporadora, não seja. Optou-se pelo número de unidades porque esta éa unidade utilizada na análise (a única comparável com o número de domicílios). De qualquer maneira,estas duas outras medidas foram discutidas na seção 4.3 e praticamente não alteram os grupos aindaque alterem o “ranking”.92 Segundo alguns corretores com os quais conversei, uma empresa que tenha pretensão de ficar nomercado, mas que não consiga se manter em geral tenta produzir pelo menos 200 unidades antes dedesistir. É claro que existem casos em que a falência ocorre antes de completar tal volume.93 Mais uma vez, conversas com corretores que citavam aleatoriamente empresas falimentares. Osnomes que eu pude encontrar concentravam-se nestes dois grupos. É claro que esta abordagem não énada sistemática, mas é no mínimo ilustradora.

A Base de Dados 141

Entre as empresas mais estáveis, que permaneceram entre 3 e 10 anos no mercado,

também foi possível separar um grupo especializado em imóveis de “luxo” e outro em

imóveis “populares”. Ao contrário das empresas voláteis, não foi possível abrir estes

dois grupos. Na verdade, nota-se menos empresas claramente especializadas (em

termos de preço) no grupo das empresas mais estáveis. Por outro lado, as empresas

mais estáveis com alto preço unitário e por metro quadrado94 estão entre as maiores

em termos de “faturamento”95. Foi possível separar apenas 13 empresas com baixo

preço unitário e por metro quadrado96 entre as mais estáveis comparadas com 57

empresas especializadas em imóveis de luxo97. Quer dizer, as firmas mais

estabelecidas raramente se especializam em imóveis populares.

As demais empresas, que permaneceram no mercado entre 3 e 10 anos com preço

unitário e por metro quadrado em torno da média, foram divididas pelo número de

anos e em seguida pela quantidade: alta, média e baixa98. É claro que cada faixa de

“vida média” tem um ponto de corte diferente. O critério de corte foi definido

observando-se os próprios grupos e não a partir de opiniões de participantes do

mercado, ainda que exista uma crença de que uma empresa grande é aquela que

produziu mais de 1000 unidades. Ainda que haja uma certa arbitrariedade nestas

últimas subdivisões, elas permitem que a análise seja feita sem trabalhar com grupos

muito grandes em termos do total de unidades produzidas.

94 Neste caso não se controlou para o preço mínimo pois algumas empresas seriam retiradas do grupoinjustamente. Isto porque empresas com muitos anos de mercado, mesmo que sejam especializadas emimóveis de luxo, podem se envolver na produção de um ou mais empreendimentos de preço unitáriomais baixo. Sendo assim, os critérios para ser incluído neste grupo foram preço unitário médio acimade R$500 mil e preço por metro quadrado médio acima de R$3,9 mil.95 De agora em diante o termo “faturamento” será utilizado para se referir à soma do número deunidades vendida vezes o preço unitário.96 Preço unitário médio abaixo de R$100 mil e preço por metro quadrado médio abaixo de R$2,6 mil.97 Some-se a isto o fato do critério para as empresas especializadas em imóveis de “luxo” ser maisrestritivo do que o critério para os imóveis “populares” no que se refere ao preço por metro quadrado.98 Com exceção do último grupo, das empresas que permaneceram no mercado entre 9 e 10 anos, ondenão foi possível criar o grupo intermediário.

A Base de Dados 142

O diagrama abaixo ilustra como foi realizada a subdivisão. Conforme procurei

demonstrar, esta “tipologia” levou em conta, tanto quanto possível, as características

de mercado. As Tabelas a seguir apresentam dados genéricos para as empresas

selecionadas e para os grupos. É importante destacar a existência de um certo

equilíbrio entre os grupos e as empresas selecionadas. Este também foi um critério, de

certa maneira “extra mercado”, que orientou as divisões.

A Base de Dados 143

Diagrama 3.A.2: “Tipologia” para os Agentes do Mercado 1.Top 30 ou mais de 10 anos

2.Cooperativas

3.Condomínios Horizontais

4.Menos de 2 anos

1.Alto preço unitário

2.Alto preço/m2

3.Outras

1.Menos de 50 unidades

2.De 50 a 100 unidades


4.Mais de 200 unidades

4.Baixo preço unitário 1.Mais de 200 unidades


5.Entre 2 e 10 anos

1.Alto preço unitário

2.Outras

1.De 3 a 4 anos

2.De 5 a 6 anos

3.De 7 a 8 anos

4.De 9 a 10 anos












3.Baixo preço unitário

A Base de Dados 144

Tabela 3.A.8: Variáveis de Produção para as Construtoras Selecionadas

1RPH GD (PSUHVD $QRV LQGBKRU

LQGBFRRS

7RWB8QLG /DQF DUHDBWRWDO�P��

)DWXUD �5�PLOK}HV�

7HUUHQR�P��

$%5$+$0 ( *$=21, �� $'02 �� $.$,6+, �� $5*21 �� %2*+26,$1 &, �� &*1 �� &203$1< �� &216758$5& �� &216758%,* �� &267$ +,527$ �� &<5(/ �� '$1,(/ +25126 �� ',$/2*2 �� ',12 9,77, �� '2:1�7(& �� ('(/ �� (1&2/ �� *$),6$ �� *+* �� *2'Ï, �� *2/')$5% (& �� ,13$5 �� ,32$ �� -76 �� .587 �� 620$ �� /2786 �� 0$67(5 �� 0$9,( �� 0(72'2 �� 3(5(,5$ �� 52'5,*8(6 '$ 6,/9$ �� 5266, �� 6$+<81 �� 6&+$+,1 �� 6(5*86 �� 6(7,1 �� 64* �� 678+/%(5*(5 �� 7(&1,6$ �� 7(5(3,16 .$/,/, �� 7255(6 0$57,16 �� 75,&85< �� =.) ��

Para definição das variáveis vide Tabela 2.A.6

Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp

A Base de Dados 145

Tabela 3.A.9: Variáveis de Preço e Prazos para as Construtoras Selecionadas

3UHoR 8QLWiULR 3UHoR SRU P�1RPH 3UD]R GHHQWUHJD 0pGLR 0tQLPR 0i[LPR 0pGLR 0tQLPR 0i[LPR

$%5$+$0 ( *$=21, �� $'02 �� $.$,6+, �� $5*21 �� %2*+26,$1 &, �� &*1 �� &203$1< �� &216758$5& �� &216758%,* �� &267$ +,527$ �� &<5(/ �� '$1,(/ +25126 �� ',$/2*2 �� ',12 9,77, �� '2:1�7(& �� ('(/ �� (1&2/ �� *$),6$ �� *+* �� *2'Ï, �� *2/')$5% (& �� ,13$5 �� ,32$ �� -76 �� .587 �� 620$ �� /2786 �� 0$67(5 �� 0$9,( �� 0(72'2 �� 3(5(,5$ �� 52'5,*8(6 '$ 6,/9$ �� 5266, �� 6$+<81 �� 6&+$+,1 �� 6(5*86 �� 6(7,1 �� 64* �� 678+/%(5*(5 �� 7(&1,6$ �� 7(5(3,16 .$/,/, �� 7255(6 0$57,16 �� 75,&85< �� =.) ��



A Base de Dados 146

Tabela 3.A.10: Variáveis de Produção para os Grupos de Construtoras

*UXSR 1R� (P�SUHVDV

$QRV LQGBKRU

LQGBFRRS



7HUUHQR�P��

20000 30 1.0 12% 100% 13,534 33 1,162,391 865.51 967,86930000 30 1.1 100% 0% 1,233 39 183,262 200.12 198,19441000 80 1.3 1% 0% 2,415 123 1,027,204 2,138.75 270,78742000 41 1.3 0% 0% 4,056 64 519,902 1,262.75 109,57943100 265 1.1 1% 0% 7,408 311 1,434,619 1,716.99 358,84943200 148 1.4 1% 0% 10,415 229 1,629,239 2,147.16 383,57043300 94 1.7 2% 0% 12,669 212 1,888,293 2,387.09 651,91243400 46 1.7 3% 3% 16,044 138 2,062,146 2,446.38 580,57144100 34 1.4 1% 13% 13,591 68 1,226,607 1,020.51 788,65644200 112 1.2 0% 0% 7,731 139 747,560 615.51 296,99651000 57 5.1 1% 0% 15,420 454 4,010,196 7,753.77 868,00552110 60 3.3 3% 1% 7,277 215 1,269,247 1,615.16 357,46252120 51 3.5 6% 2% 15,447 248 2,088,949 2,563.81 627,96052130 21 3.6 0% 2% 14,959 118 1,835,742 2,452.23 519,68052210 22 5.5 2% 0% 4,756 149 902,944 1,177.43 217,10552220 31 5.3 3% 0% 12,554 239 1,873,368 2,557.85 423,21552230 13 5.4 1% 1% 14,216 123 1,827,901 2,122.28 605,57152310 13 7.2 0% 0% 4,817 113 709,995 1,033.26 168,61552320 20 7.2 1% 2% 15,459 234 2,175,257 3,000.50 644,33052330 12 7.4 5% 5% 16,933 174 2,074,941 2,599.11 705,42652410 15 9.2 2% 0% 10,062 207 1,560,062 2,189.18 347,31852420 13 9.5 0% 1% 18,479 257 2,472,189 3,375.46 525,61853000 13 4.2 6% 7% 7,421 85 716,555 590.05 361,694

Para definição das variáveis vide Tabela 2.A.6. Para definição dos grupos vide Diagrama 2.A.2.


A Base de Dados 147

Tabela 3.A.11: Variáveis de Preço e Prazos para os Grupos de Construtoras

3UHoR 8QLWiULR 3UHoR SRU P�*UXSR 3UD]R GHHQWUHJD 0pGLR 0tQLPR 0i[LPR 0pGLR 0tQLPR 0i[LPR

20000 21.8 64,161 36,386 95,234 1,091 743 2,04030000 15.8 288,053 61,141 2,291,070 1,652 1,038 4,42241000 19.8 975,288 305,367 2,730,017 4,142 2,071 10,24642000 18.2 382,315 111,229 3,234,130 4,944 2,737 10,99743100 17.9 251,158 61,459 976,246 2,229 694 5,41643200 18.6 236,185 66,098 2,397,477 2,405 1,021 7,25643300 20.9 207,888 46,241 1,865,989 2,367 771 5,49243400 20.2 195,684 37,764 995,041 2,311 834 4,61844100 22.4 76,736 34,626 155,281 1,385 840 2,79844200 17.7 82,045 29,770 144,138 1,452 614 2,48251000 21.9 795,097 57,079 8,406,311 3,826 718 18,74752110 17.6 266,191 55,753 1,163,814 2,377 1,092 5,77852120 22.9 214,661 52,818 1,251,935 2,394 960 6,70952130 22.1 213,084 34,669 1,189,339 2,544 764 7,23352210 22.6 287,381 67,194 1,488,515 2,448 623 5,57752220 20.4 244,330 55,438 1,174,186 2,558 928 8,73352230 24.7 183,762 59,132 1,112,188 2,229 933 7,13852310 20.0 275,180 78,155 1,258,195 2,826 921 6,32852320 20.6 265,536 56,953 1,772,378 2,738 962 10,59452330 �� 52410 20.9 276,295 79,034 2,423,395 2,637 824 10,10152420 20.5 228,082 50,555 1,947,251 2,654 1,036 8,54153000 17.1 87,071 46,381 164,369 1,483 679 2,697



A Base de Dados 148

Tabela 3.A.12: Variáveis de Produção para as Incorporadoras Selecionadas


LQGBFRRS



7HUUHQR�P��

ADMO 11.0 0% 0% 1,918 24 259,065 366.51 54,848AKAISHI 11.0 7% 0% 861 15 105,285 133.62 20,895ARGON 5.0 0% 0% 1,856 7 219,857 270.56 85,347BRASCAN 11.0 0% 0% 1,817 18 310,779 563.41 47,942CGN 9.0 0% 0% 3,994 39 452,547 675.47 129,131COHAB SP 3.0 0% 0% 3,480 17 209,593 324.96 134,510COMPANY 11.0 0% 0% 2,272 31 406,868 495.55 81,831COOP CRUZ DO SUL 3.0 0% 100% 2,164 4 207,645 158.46 152,550COOP NOSSO TETO 3.0 0% 100% 8,380 10 589,877 510.02 416,184COOP PLANALTO 1.0 20% 100% 2,049 4 177,851 117.61 110,275COOP POMPÉIA 1.0 0% 100% 2,135 5 245,044 134.01 92,495COOP PRÓ RESID. 2.0 13% 100% 2,638 11 244,281 171.83 147,444COOP PROCASA 2.0 0% 100% 2,347 6 247,423 180.52 124,065COOP S. CRIST. 1.0 0% 100% 2,811 1 438,741 169.96 258,000COOP TERRA PAUL. 3.0 20% 100% 3,286 10 280,265 199.19 263,900COOP REAL SP 2.0 0% 100% 3,660 3 241,360 176.51 184,856CYRELA 14.0 0% 0% 6,424 56 991,601 1,773.41 194,048ENCOL 9.0 0% 0% 7,357 105 1,429,762 2,385.85 297,135GAFISA 13.0 13% 0% 9,341 82 1,858,919 2,734.13 742,336GOLDFARB 12.0 0% 0% 6,074 75 759,547 1,031.05 325,632INCOSUL 11.0 0% 0% 1,976 24 244,083 289.45 57,960INOCOOP BAND. 5.0 0% 100% 4,739 7 339,326 338.78 210,454INOCOOP SP 2.0 0% 100% 3,134 6 256,272 211.04 191,893INPAR 7.0 4% 0% 4,993 36 594,968 925.92 114,579IPOA 7.0 0% 0% 1,876 14 117,982 151.81 104,698LOTUS 11.0 0% 0% 1,288 24 215,958 372.11 35,604M BIGUCCI 11.0 0% 0% 1,236 19 139,528 148.00 49,172MARQUES GODÓI 13.0 0% 0% 2,422 25 337,830 405.30 105,535MASTER 8.0 7% 0% 2,202 23 332,427 353.68 156,417PLANO MELHOR 3.0 1% 0% 5,296 66 665,956 703.86 166,650REITZFELD 12.0 0% 0% 1,596 23 149,049 213.04 32,241REZENDE 12.0 0% 0% 919 15 115,877 139.56 23,261ROSSI 13.0 0% 0% 9,879 61 1,153,851 1,168.23 367,912SAHYUN 4.0 0% 0% 2,427 5 265,877 230.78 111,809SCHAHIN CURY 11.0 0% 0% 3,047 20 291,642 420.12 118,325SERGUS 8.0 0% 0% 2,783 19 326,892 405.66 90,987SETIN 12.0 0% 0% 1,111 26 209,808 326.98 36,415TECNISA 14.0 0% 0% 1,495 30 256,800 405.48 39,685TRICURY 12.0 4% 0% 1,121 24 167,685 238.93 31,353



A Base de Dados 149

Tabela 3.A.13: Variáveis de Preço e Prazos para as Incorporadoras Selecionadas


ADMO 16.6 204,387 112,646 438,995 2,627 1,521 4,621AKAISHI 14.7 167,323 63,474 312,981 2,461 1,228 3,683ARGON 25.7 193,094 92,337 589,244 2,295 1,757 4,577BRASCAN 24.4 333,769 121,653 781,162 3,195 1,828 4,739

CGN 28.9 189,511 72,739 416,928 3,029 1,455 4,358COHAB SP 4.7 93,529 57,127 103,123 1,936 1,154 2,196COMPANY 28.3 450,547 95,691 2,327,629 2,747 1,348 5,060COOP CRUZ DO SUL 28.8 68,728 46,495 86,700 1,051 912 1,213COOP NOSSO TETO 32.7 60,250 48,650 67,600 966 885 1,051

COOP PLANALTO 15.2 55,203 37,116 63,899 994 848 1,261COOP POMPÉIA 9.5 64,932 53,673 76,658 1,003 844 1,209COOP PRÓ RESID. 21.7 64,745 36,386 109,026 989 736 1,454COOP PROCASA 27.8 76,792 69,937 89,176 1,121 993 1,311

COOP S. CRIST. 12.0 60,463 60,463 60,463 1,088 1,088 1,088COOP TERRA PAUL. 23.3 62,293 40,858 83,445 1,137 815 1,325COOP REAL SP 28.0 49,786 45,177 52,913 961 835 1,022CYRELA 28.2 528,356 64,298 4,569,943 3,411 1,142 10,044ENCOL 32.2 377,013 98,894 1,455,917 3,200 1,609 10,286

GAFISA 24.5 360,056 105,170 1,583,579 3,867 974 11,973GOLDFARB 23.9 296,658 63,260 1,200,469 2,691 959 6,320INCOSUL 28.5 152,887 95,301 340,418 2,270 1,489 3,745INOCOOP BAND. 25.5 79,714 50,241 107,055 1,550 948 2,040INOCOOP SP 17.1 69,681 63,584 84,678 1,313 1,098 1,690

INPAR 31.5 258,932 83,801 1,199,415 3,268 1,670 6,726IPOA 15.6 103,895 59,298 234,120 1,852 1,455 2,722LOTUS 28.8 368,507 111,248 1,375,234 3,444 1,805 7,078M BIGUCCI 20.5 145,297 65,646 443,721 1,943 1,394 2,773MARQUES GODÓI 8.7 171,164 80,096 366,596 2,161 1,246 4,142

MASTER 24.5 205,135 73,871 1,075,632 2,128 1,367 3,982PLANO MELHOR 32.2 158,413 45,816 616,153 2,089 1,207 3,359REITZFELD 20.0 148,409 59,863 296,102 2,704 1,403 4,756REZENDE 20.1 173,328 93,161 470,672 2,491 1,599 4,950ROSSI 25.4 171,089 46,416 1,405,495 2,084 957 7,312

SAHYUN 32.8 157,531 49,064 319,431 2,336 822 4,413SCHAHIN CURY 24.8 191,369 77,062 502,618 2,987 1,493 6,282SERGUS 20.5 131,549 79,775 219,186 2,087 1,424 3,698SETIN 8.8 389,263 104,693 1,632,427 3,007 1,567 4,738

TECNISA 23.3 421,777 109,707 1,978,020 2,984 2,047 4,427TRICURY 23.8 299,567 79,415 854,314 2,608 1,471 3,892

Para definição das variáveis vide Tabela 2.A.6Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp

A Base de Dados 150

Tabela 3.A.14: Variáveis de Produção para os Grupos de Incorporadoras


$QRV LQGBKRU

LQGBFRRS



7HUUHQR�P��

20000 54 1.2 7% 100% 27,622 75 2,363,631 1,791.85 1,683,77030000 34 1.1 100% 0% 1,335 39 235,607 263.90 228,52641000 154 1.2 1% 0% 4,376 217 1,790,753 3,813.54 421,29042000 62 1.1 0% 0% 5,111 79 587,532 1,354.14 128,20943100 381 1.1 1% 0% 10,844 429 2,089,895 2,538.78 546,69143200 228 1.3 2% 0% 16,206 340 2,591,016 3,351.15 738,49443300 123 1.5 1% 0% 16,781 236 2,355,033 2,904.99 604,75943400 57 1.6 3% 0% 20,196 171 2,638,932 3,409.60 762,46044100 33 1.3 1% 0% 12,953 57 1,272,819 961.64 749,91644200 147 1.1 0% 0% 9,697 169 901,464 763.28 325,49051000 57 5.0 2% 0% 16,556 437 4,165,979 7,931.59 949,67752110 72 3.2 3% 0% 9,217 261 1,543,104 1,943.00 390,26052120 60 3.4 2% 0% 17,386 276 2,327,949 3,103.82 610,86852130 16 3.6 0% 0% 12,111 92 1,479,976 1,679.75 315,53852210 23 5.3 5% 0% 4,997 156 941,654 1,222.93 222,98252220 25 5.4 1% 0% 10,644 186 1,512,891 2,117.64 349,77552230 22 5.6 6% 0% 19,280 191 2,557,031 3,153.55 807,04752310 11 7.2 4% 0% 4,024 100 687,101 1,011.08 164,45452320 16 7.5 0% 0% 11,828 200 1,679,191 2,351.64 391,24652330 9 7.4 1% 0% 10,853 126 1,346,320 1,852.88 298,18452410 19 9.3 1% 0% 12,718 258 2,027,569 3,008.45 392,27452420 7 9.6 2% 0% 9,277 132 1,243,429 1,813.29 299,72453000 11 4.0 0% 0% 5,259 79 512,652 413.76 239,735

Para definição das variáveis vide Tabela 2.A.6. Para definição dos grupos vide Diagrama 2.A.2.Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp

A Base de Dados 151

Tabela 3.A.15: Variáveis de Preço e Prazos para os Grupos de Incorporadoras


20000 20.2 66,489 36,531 173,065 1,121 763 1,74930000 17.2 364,576 61,141 2,291,070 1,768 1,100 4,42241000 21.1 1,004,701 305,367 8,406,311 4,185 1,774 12,86042000 19.6 295,720 104,560 1,869,386 4,765 2,737 6,79643100 19.2 257,209 61,459 1,327,425 2,309 694 5,41643200 20.5 226,616 56,527 1,576,425 2,403 940 9,91343300 21.4 188,164 62,685 1,170,853 2,310 1,086 4,58143400 21.1 200,576 34,669 6,188,975 2,336 764 10,31544100 22.9 76,270 34,626 181,021 1,381 834 2,21944200 17.5 81,088 29,770 144,138 1,471 614 2,50451000 23.0 736,359 79,034 5,249,117 3,697 718 18,74752110 19.1 258,776 63,708 1,139,154 2,386 1,305 5,99752120 22.9 224,889 56,449 1,385,499 2,637 1,045 10,99752130 22.0 163,677 65,695 936,341 2,233 1,130 5,94152210 21.4 282,043 67,194 1,488,515 2,410 623 6,14052220 20.2 227,010 67,224 985,770 2,620 921 5,75652230 23.7 203,506 55,650 1,552,098 2,404 1,027 9,60952310 20.8 298,357 82,663 1,258,195 2,951 824 6,32852320 21.6 265,466 65,035 1,317,811 2,676 1,123 8,63852330 18.3 196,329 50,555 1,315,866 2,676 1,036 5,72152410 20.6 279,911 74,114 1,236,395 2,791 1,276 12,58752420 24.6 263,065 47,072 2,923,433 2,803 1,044 10,80053000 21.1 83,826 49,184 185,575 1,428 679 2,697

Para definição das variáveis vide Tabela 2.A.6. Para definição dos grupos vide Diagrama 2.A.2.Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp

A Base de Dados 152

Tabela 3.A.16: Variáveis de Produção para as Vendedoras Selecionadas


LQGBFRRS



7HUUHQR�P��

ABYARA 5.0 5% 5% 10,213 72 1,240,800 1,580.04 401,890ACAO 13.0 1% 0% 4,991 113 1,092,612 1,453.33 257,282APARECIDO VIANA 12.0 0% 0% 1,754 42 268,308 286.79 53,071COELHO DA FONS. 14.0 5% 1% 13,444 215 2,239,735 3,391.76 555,786COHAB SP 3.0 0% 0% 3,480 17 209,593 324.96 134,510COOP NOSSO TETO 2.0 0% 100% 6,504 7 467,133 401.68 292,498COOP PRÓ RESID. 1.0 0% 100% 3,774 11 372,550 261.15 193,873COOP S. CRIST. 1.0 0% 100% 2,811 1 438,741 169.96 258,000COOP REAL SP 2.0 0% 100% 3,660 3 241,360 176.51 184,856ENCOL 7.0 0% 0% 5,410 75 1,028,768 1,442.81 208,631EXCLUSIVA 6.0 4% 0% 3,365 61 565,221 630.07 135,481FERNANDEZ MERA 14.0 11% 0% 9,094 171 1,907,168 2,594.20 684,590GDL 14.0 5% 7% 4,238 41 505,504 504.51 261,477GEVIM 14.0 0% 2% 2,702 46 351,117 474.29 98,156GTV 15.0 0% 0% 5,591 79 757,851 1,095.75 120,338HABITERRA 9.0 19% 25% 2,621 15 265,321 177.69 223,588IMOWEL 13.0 5% 3% 11,730 154 1,499,719 1,900.00 480,328INOCOOP BAND. 6.0 0% 100% 5,104 8 393,424 350.07 289,022INOCOOP SP 2.0 0% 90% 3,712 9 242,028 261.82 196,733ITAPLAN 15.0 2% 1% 34,911 447 4,306,787 5,142.78 1,210,886ITAPUÃ 7.0 0% 0% 2,484 44 359,171 455.50 196,923JCS 7.0 29% 68% 7,111 23 661,246 459.10 420,057JULIO BOGORICIN 13.0 1% 0% 8,958 154 1,230,769 2,029.55 248,389LOCAL 13.0 9% 0% 1,252 44 478,691 1,099.01 107,171LOPES 15.0 2% 0% 49,369 600 7,499,087 12,176.87 1,805,573M BIGUCCI 11.0 0% 0% 1,209 17 131,189 138.81 46,905MARCO BARONI 13.0 0% 2% 2,455 39 453,198 612.39 156,549NOSSACASA 15.0 4% 0% 4,049 97 612,353 825.96 149,835ROQUE & SEABRA 12.0 0% 0% 28,593 329 3,172,277 4,225.96 1,030,400SEABRA 4.0 2% 12% 3,894 34 466,362 373.13 228,258SETIN 12.0 0% 0% 1,047 26 195,578 301.37 34,895TRIUMPHO 11.0 0% 6% 12,786 124 1,465,850 1,623.27 433,684UNITAS 7.0 0% 0% 2,420 11 276,262 319.61 75,895VARELLA 12.0 5% 19% 6,987 66 775,287 1,041.54 313,430


A Base de Dados 153

Tabela 3.A.17: Variáveis de Preço e Prazos para as Vendedoras Selecionadas


ABYARA 29.4 326,469 56,596 3,234,130 2,486 1,110 5,652ACAO 23.0 338,275 68,142 1,488,515 2,446 933 6,757APARECIDO VIANA 14.6 187,238 75,240 726,363 1,791 1,007 3,459COELHO DA FONS. 24.8 388,111 59,042 2,695,093 2,879 1,142 7,502COHAB SP 4.7 93,529 57,127 103,123 1,936 1,154 2,196COOP NOSSO TETO 39.2 60,834 51,729 67,600 958 891 1,048COOP PRÓ RESID. 23.1 64,264 39,757 80,231 977 736 1,216COOP S. CRIST. 12.0 60,463 60,463 60,463 1,088 1,088 1,088COOP REAL SP 28.0 49,786 45,177 52,913 961 835 1,022ENCOL 35.4 310,705 98,894 1,455,917 2,740 1,609 10,286EXCLUSIVA 23.7 275,050 79,635 1,427,876 2,339 1,367 7,118FERNANDEZ MERA 27.1 508,228 79,637 2,950,672 2,724 1,038 10,594GDL 21.7 137,888 38,849 340,418 2,028 851 3,745GEVIM 17.7 240,433 40,858 1,189,339 2,348 815 7,079GTV 24.1 247,337 79,415 1,870,300 2,734 1,436 9,913HABITERRA 19.8 86,896 29,770 209,208 1,482 614 3,032IMOWEL 21.6 237,906 40,944 3,671,102 2,669 952 11,094INOCOOP BAND. 15.6 64,325 36,531 86,700 1,154 763 1,742INOCOOP SP 11.0 73,283 63,584 84,678 1,418 1,098 1,690ITAPLAN 21.1 198,850 46,416 1,335,855 2,477 928 6,888ITAPUÃ 26.8 320,820 63,260 940,078 2,567 959 5,319JCS 16.8 100,338 37,116 353,969 1,456 844 4,657JULIO BOGORICIN 20.2 252,899 72,156 1,066,045 3,069 1,264 6,921LOCAL 26.3 973,590 216,241 5,249,117 4,416 2,390 18,747LOPES 25.7 352,593 45,816 3,043,575 3,411 1,036 12,587M BIGUCCI 20.6 136,469 65,646 443,721 1,941 1,394 2,773MARCO BARONI 25.9 449,141 51,978 2,540,771 2,949 928 6,694NOSSACASA 17.4 271,076 63,474 1,588,366 2,609 1,226 5,901ROQUE & SEABRA 21.9 188,229 34,626 6,188,975 2,531 679 10,315SEABRA 26.5 129,601 59,530 730,150 1,784 941 3,003SETIN 8.2 361,420 104,693 947,528 3,046 1,567 4,823TRIUMPHO 24.9 141,370 63,683 405,349 2,146 1,130 4,731UNITAS 24.8 206,236 89,519 876,529 2,505 1,545 4,245VARELLA 19.4 209,014 45,017 1,315,866 2,443 694 5,721


A Base de Dados 154

Tabela 3.A.18: Variáveis de Produção para os Grupos de Vendedoras


$QRV LQGBKRU

LQGBFRRS



7HUUHQR�P��

20000 29 1.1 10% 100% 15,294 35 1,300,165 951.12 963,80230000 13 1.2 100% 0% 778 28 128,818 132.14 227,95241000 71 1.2 0% 0% 1,734 101 671,887 1,396.02 158,818

42000 18 1.2 0% 0% 1,304 27 181,970 423.88 37,96243100 159 1.1 0% 0% 4,331 179 963,802 1,176.49 241,89243200 80 1.3 1% 0% 5,600 120 943,141 1,258.33 211,27243300 54 1.5 1% 0% 7,429 107 1,149,348 1,402.80 273,346

43400 28 1.5 1% 4% 10,041 110 1,413,403 1,706.96 436,09044100 13 1.5 1% 5% 5,937 29 532,871 441.50 301,77344200 49 1.1 0% 1% 3,744 54 335,153 281.75 122,49751000 27 4.9 1% 0% 9,125 275 2,616,300 5,082.20 554,73352110 36 3.3 1% 0% 4,590 150 831,770 1,067.24 190,283

52120 21 3.2 2% 1% 6,324 111 888,553 1,124.20 210,27852130 14 3.6 2% 3% 12,514 144 1,685,342 1,954.78 434,11052210 9 5.1 3% 0% 1,912 61 345,433 449.09 76,40652220 7 5.4 5% 0% 3,286 61 417,530 573.49 123,39052230 6 5.2 3% 0% 7,476 113 887,624 1,141.61 295,892

52310 4 7.5 2% 0% 1,583 39 284,314 406.00 58,94352320 3 7.7 8% 0% 2,264 47 361,560 508.94 154,11152330 3 7.3 13% 0% 4,975 54 674,380 743.70 333,94052410 3 9.0 0% 0% 1,607 38 240,832 395.67 57,06252420 6 9.3 2% 1% 9,112 145 1,208,712 1,492.43 313,610

53000 5 5.0 0% 23% 4,992 73 475,679 365.05 262,623Para definição das variáveis vide Tabela 2.A.6. Para definição dos grupos vide Diagrama 2.A.2.


A Base de Dados 155

Tabela 3.A.19: Variáveis de Preço e Prazos para os Grupos de Vendedoras


20000 21.9 63,439 42,648 88,990 1,065 803 1,44830000 17.7 261,965 39,684 1,254,365 1,531 1,041 2,69641000 19.2 1,006,222 313,629 3,867,920 4,204 2,037 8,95442000 17.4 431,999 144,642 2,730,017 4,631 2,876 6,740

43100 20.0 301,168 78,945 2,327,629 2,265 934 3,87743200 18.0 243,557 56,527 1,424,338 2,364 940 6,74443300 20.2 214,635 71,611 1,717,236 2,204 1,058 5,68543400 20.6 201,824 37,764 1,772,378 2,221 834 5,32844100 20.4 75,164 36,386 115,870 1,333 743 2,256

44200 18.2 77,716 34,669 117,510 1,420 626 2,72451000 21.5 791,299 93,088 8,406,311 3,872 1,235 12,86052110 16.9 278,890 55,448 1,147,800 2,354 718 5,99752120 17.7 229,778 53,827 817,152 2,436 1,015 5,222

52130 21.5 198,185 52,721 1,200,216 2,260 915 7,34652210 23.5 236,159 87,313 1,574,288 2,124 846 4,77152220 16.4 224,766 62,078 1,148,674 2,693 623 12,89652230 19.7 209,842 45,784 976,246 2,485 824 7,31252310 20.0 265,842 60,387 1,145,413 2,578 1,123 6,328

52320 20.8 296,967 70,799 1,323,917 2,534 1,111 5,57752330 19.7 194,641 50,591 898,615 2,266 974 4,52452410 18.2 317,251 107,179 1,777,804 3,272 1,762 10,10152420 14.7 190,080 53,028 862,877 2,422 1,143 5,05753000 18.0 83,104 39,607 185,575 1,307 803 2,258



3.A.4 Índice de Preços e de CustosPara se obter as variáveis reais utilizou-se o IGP-di do IBRE. Conforme descrito

brevemente na seção 4.4 foram realizados ajustes para poder usar estes indicadores.

Em primeiro lugar, como existem quatro bases para o IGP-di: março de 86, dezembro

de 89, dezembro de 92 e agosto de 94, os índices foram ajustados de tal forma que

todos os índices estivessem na mesma base: agosto de 94. A conversão é feita

simplesmente tomando-se o índice na base anterior na data da nova base. Por

exemplo, para se converter um índice na data t com base em dezembro de 1992 para

um índice nesta mesma data, mas com base em agosto de 1994, basta realizar o

seguinte cálculo:

[ ] tdez

agodez

tago III 92

1949294 100

−= (3.A.1)

A Base de Dados 156

Onde tbI é o índice na base b na data t. A formulação em (3.A.1) é trivial, derivada a

partir de uma regra de 3. Para passarmos da base dezembro de 89 para a base agosto

de 94, no entanto, é necessário primeiro passar para a base dezembro de 92 e depois

para a base agosto de 94. Isto porque, como seria de se esperar, não temos o índice de

dezembro de 89 na base agosto de 94. Analogamente, para converter índices na base

março de 86 seriam necessárias três conversões. Definindo a base b como uma

variável discreta tal que se a base é março de 86 b=1, se é dezembro de 89 b=2 e

assim por diante, a conversão de índices pode ser generalizada por:

( ) tb

J

bj

jj

bJtJ III

11)(210

−

=

+− ∏= (3.A.2)

Onde J é igual ao total de bases existentes na amostra (quatro, no nosso caso). Note-se

que (3.A.2) vale inclusive para o caso em que o índice já está na base que se deseja

pois neste caso J=b e, portanto, tb

tJ II = . Como uma medida de custos de produção,

foi utilizado o Índice de Custo da Construção – Municípios da Capital: São Paulo

(ICC-SP), também do IBRE. O ICC leva em consideração os seguintes padrões de

construção habitacional (por serem mais representativos a nível nacional):

• H1: Casa de 1 pavimento com sala, 3 quartos e demais dependências medindo

em média 82 m2.

• H4: Edifício habitacional de 4 pavimentos, constituído por unidades

autônomas de sala, 2 quartos e dependências com área total média de 1.503

m2.

• H12: Edifício habitacional de mais de 10 pavimentos, composto de

apartamentos de sala, 3 quartos e dependências com área total média de 6.015

m2.

A Base de Dados 157

Os mesmos critérios para conversão de bases valem para o ICC. As bases do ICC são

as mesmas que do IGP-di com uma única diferença: para janeiro e fevereiro de 1986 a

base é dezembro de 1995. Então, para converter estes dois meses é necessário um

termo extra, ou seja, J=5 em (3.A.2). As bases para conversão estão detalhadas na

Tabela 3.A.20: Como o ICC não era publicado desagregado por município antes de

1986, quando ele passou por uma importante reformulação, os dados para 1985 foram

estimados através do Índice de Preço das Edificações para o município de São Paulo.

Uma alternativa seria usar o INCC, ou seja, o índice nacional. Ocorre que, como se

pretendia captar justamente os preços locais e a reformulação do índice em 86 foi

profunda o suficiente99 para tornar as bases não diretamente comparáveis optou-se

pelo único índice local disponível para o período. Assim, os índices de 1985 refletem

a variação do preço das edificações no ano de tal sorte que dezembro de 1985=100.

Tabela 3.A.20: Índices para Conversão de Bases do IGP-di e ICC-SP

Data Base IGP_di ICC-SPTotal

ICC-SPmateriais

ICC-SPmão-de-obra

Mar-86 Dec-85 - 137.80 142.00 132.60Dez-89 Mar-86 127,589.12 168,297.66 185,803.01 143,890.67Dez-92 Dez-89 115,062.71 82,907.12 77,170.55 93,235.37Aug-94 Dez-92 31,241.11 28,077.76 25,178.35 32,397.33

Fonte: Conjuntura Econômica: Diversos Números.

Um outro ajuste que deve que ser feito refere-se às mudanças monetárias decorrentes

dos planos de ajuste econômico. Em alguns desses planos houve mudança na moeda.

Portanto deve-se ajustar os preços, multiplicando-os por um fator que garanta que

todos os preços estejam na mesma unidade monetária. A Tabela 3.A.21 apresenta os

planos econômicos com mudança da moeda e o inverso do mutiplicador dos preços

para garantir a equivalência de moedas.

Tabela 3.A.21: Reformas Monetárias (1985-1999) e Multiplicador de PreçosNominais

99 Nesta data se passou de 8 para 16 municípios pesquisados, mudando o critério de distribuiçãoregional a partir das licenças de “habite-se” e o critério de ponderação (baseado no Boletim de Custos).A este respeito vide Conjuntura Econômica, fevereiro, 86.

A Base de Dados 158

Data inicial/Data Plano

Data Final PlanoEconômico

Equivalência Inverso doMultiplicador

Janeiro 85 Fevereiro 86 - - 2.75.1012

Março 86 Dezembro 89 Plano Cruzado 1 Cruzado=1.000 Cruzeiros 2.75.109

Janeiro 89 Fevereiro 90 Plano Verão 1 Cruzado Novo=1.000 Cruzados 2.75.106

Março 90 Junho 93 Plano Collor 1 Cruzeiro = 1 Cruzado Novo 2.75.106

Julho 93 Junho 94 Programa deAção Imediata

1 Cruzeiro = 1.000 CruzeirosNovos

2.75.103

Julho 94 Julho 99 Plano Real 1 Real = 2.750 Cruzeiros Novos 1Fontes: Paes de Barro, R. e Mendonça, R. (1995) e Conjuntura Econômica: Setembro 93 e Agosto

94.

Um detalhe conhecido, mas que deve sempre ser destacado é o fato de que a “data de

referência” para o Censo de 1991 é 31 de agosto. Sendo assim, para corrigir os

valores do censo de 91 deve-se centrar o índice de preços no final do mês de agosto.

Conforme discutido acima, o IGP-di é centrado na metade do mês já que o período de

coleta vai do primeiro ao último dia. Assim, a correção dos valores censitários foi

realizada dividindo-os pela média geométrica dos meses de agosto e setembro de

1991 (e pelo ajuste de moeda conforme descrito na Tabela 3.A.21) e multiplicando-se

o resultado pelo IGP-di de dezembro de 2000.

Cabe ainda uma última nota sobre os “índices reais” e a taxa de “juros real”

mencionados neste capítulo. Como se comentou, as variáveis reais foram todas

deflacionadas pelo IGP-di. Como o ICC-SP e o IGP-di foram convertidos para a

mesma base, o índice real é simplesmente a divisão do ICC-SP pelo IGP-di, No caso

dos juros reais, no entanto, deve-se descontar a variação do IGP-di na taxa de juros

média do mês. Assim, usando a notação anterior, os juros reais podem ser definidos

como:

1)1(1

−

+= +t

b

tb

nrI

Iii (3.A.3)

Onde ir é a taxa de juros real e in a taxa de juros nominal.

Capítulo 4Demanda e Oferta de Imóveis Novos na Grande São Paulo

Nesta parte do trabalho, aplica-se o modelo teórico descrito no segundo capítulo ao banco

de dados apresentado no capítulo anterior a fim de gerar um modelo de oferta e demanda

para o mercado de imóveis da RMSP. Além das dificuldades encontradas tanto do ponto

de vista teórico quanto da disponibilidade de dados, ainda há uma série de aproximações

necessárias para se chegar à estimação. Em primeiro lugar, o preço relevante no modelo

do capítulo 3 é a renda extraída do imóvel ou da terra, porém na nossa base de dados

deste trabalho, tem-se apenas o preço de compra do imóvel. Além disso, considerou-se

que um imóvel é um bem homogêneo, o que é obviamente falso no caso dos imóveis.

Também a hipótese de equilíbrio competitivo é alterada para um oligopólio em equilíbrio

de Nash.

4.1 Renda e Preço: O Imóvel como Ativo FinanceiroMuitas vezes, nos estudos econômicos do mercado imobiliário, define-se oferta do bem

“habitação” como o fluxo de serviços oferecidos pelo estoque de imóveis. Este conceito

vem da formulação do setor de imóveis como mais um ativo do mercado de capitais.100 O

artigo de Poterba (1984) é provavelmente um marco neste tipo de abordagem para o

mercado de imóveis. Segundo os estudos desse autor, o aumento da inflação nos anos 70

reduziu os custos para os proprietários de imóvel, sendo responsável por pelo menos 30%

do aumento real no preço dos imóveis na década. Nos Estados Unidos a inflação gera um

ganho para o proprietário porque, enquanto o pagamento de juros do financiamento de

100 Ver, por exemplo, a tese de doutoramento de Kearl (1975).

Demanda e Oferta de Imóveis Novos 160

um imóvel é dedutível do imposto de renda, os ganhos de capital decorrentes da

valorização dos imóveis em geral não são taxados.

No Brasil taxa-se o ganho de capital para imóveis detidos pelo comprador por menos de

20 anos. A alíquota diminui de acordo com o tempo de posse. O ganho de capital é

auferido a partir do valor de compra e venda declarado pelas partes. Portanto, é

relativamente fácil escapar desta taxação. Por outro lado, até recentemente, o imposto

sobre operações financeiras (IOF) incidia sobre o ganho real acima da inflação. É muito

difícil escapar deste imposto sem a evasão de divisas. Independente da questão fiscal,

imagine-se um indivíduo com capital para comprar um imóvel, mas que decide manter o

dinheiro aplicado, alugando um imóvel para morar. Digamos que o mercado estivesse em

equilíbrio perfeito. Neste caso, os juros líquidos de imposto deveriam ser idênticos ao

aluguel. Com o passar do tempo, o valor do aluguel deve crescer em função do ganho de

capital do imóvel. No momento em que o aluguel subisse os juros do capital investido

não seriam mais suficientes para pagar o aluguel.

Para compreender os diversos componentes de um modelo de imóveis como um ativo

financeiro apresenta-se abaixo uma versão simplificada deste modelo101. Como no

capítulo 3, assume-se que a renda da terra é uma função linear da distância ao centro:

nfdyqdp −−=)( (4.1)

Onde p(d) é a renda por metro quadrado como função da distância, q o tamanho do lote, y

a renda disponível, f o custo marginal de deslocamento e n o numerário. Adicionalmente,

assume-se um custo fixo de construção do imóvel (c) a qualquer distância do centro.

Assim, na fronteira agrícola (d*) o aluguel do imóvel deve ser igual à renda da terra mais

101 Este versão segue Capozza e Helsley (1989, 1990) sem levar em conta o fator risco para simplificar aexposição. Também se evita toda a discussão sobre tributação e diferenças entre taxas de financiamento de


o custo de construção. Assumindo-se lotes constantes em função da distância, o consumo

de outros bens (o numerário) deve ser igual a qualquer distância do centro para equalizar

as utilidades, ou seja:

)*()(

)(***)(

ddfqrcqdp

qrcfdynqrcnfdyqdp

A

AA

−++=⇒+−−=⇒+=−−=

(4.2)

Assumindo-se que a fronteira agrícola está crescendo a uma taxa constante g, a fronteira

como função do tempo pode ser escrita como d*( t)=d*(0)egt. O preço do imóvel (P) é

simplesmente o valor presente da soma de todos os aluguéis recebidos durante a

existência do imóvel. Como a fronteira está se expandindo, este aluguel deve crescer com

o tempo dada a valorização da localização, ou seja:

gi

fd

i

fd

i

qrcdtedtdfqrcdP Ait

T

AT −

+−+=−++= −

∞→ ∫*

]))(*([lim)( 0

0

0 (4.3)

Onde i é a taxa de desconto, o subscrito 0 indica o valor presente e considerou-se que o

imóvel não se deprecia e que dura para sempre (T→∞)102. Para entender melhor (4.3)

pode-se rearranjar os termos. Somando e subtraindo fd0*/ i no lado direito da equação

temos que:

)(

*)*()( 00

0 gii

gfd

i

ddf

i

qrcdP A

−+−++= (4.3’)

Na formulação acima o primeiro termo do lado direito é simplesmente o valor presente da

terra agrícola e do custo de construção; o segundo termo é o valor atual da localização e o

último termo é o valor do ganho de capital representado pelo ganho futuro de localização

conforme a fronteira agrícola se expande. Assim, uma maneira de se obter uma dinâmica

imóveis e taxas de juros de mercado presente em Poterba (1984) considerando-se, como Capozza e Helsleyuma taxa única líquida de impostos para empréstimos em geral ou para o financiamento de imóveis.102 Os abusos de notação e o excesso de simplificação procuram facilitar a exposição. Incluindo-se o tempocomo subscrito e não como mais um termo da função preço e atribuindo a mesma letra para o limitetemporal de integração utilizada anteriormente para a função de custo do transporte são dois exemplos.


ad hoc para o nosso modelo é incluir a taxa real de juros como medida da taxa de

desconto e alguma medida da fronteira agrícola que poderia controlar para ganhos de

capital. Ainda que arbitrária, esta “dinâmica imposta” ao modelo em princípio poderia

resolver o problema de conversão entre preço de compra e aluguel.

4.2 Imóveis como um Bem Heterogêneo: a Abordagem dePreços HedônicosA análise da demanda por produtos complexos como imóveis, carros ou trabalhadores

não pode ser feita como a análise da demanda de uma mercadoria simples como trigo ou

café. Basicamente, quando alguém compra uma casa ou um carro é como se ele estivesse

comprando uma cesta de bens. Quer dizer, imagine se uma pessoa fosse ao supermercado

e comprasse R$100 em produtos. Se não houvesse informação sobre as quantidades e

preço de cada produto comprado seria completamente arbitrário comparar esta compra

com outra de, digamos, R$200 no mesmo supermercado. A situação é mais ou menos

semelhante no caso de bens complexos. Não se pode comparar diretamente uma casa de

R$100 mil com uma de R$200 mil assim como não se pode comparar as cestas

hipotéticas descritas acima.

Devido a este motivo, até os anos 60 os economistas não sabiam exatamente como lidar

com a análise da demanda por produtos complexos. Em 1961, num artigo seminal, o

economista de Harvard, Zvi Griliches, encontrou uma solução relativamente simples para

o problema103. A idéia é que este tipo de bem, ainda que extremamente heterogêneo, é

composto por componentes relativamente homogêneos. A intuição é que os

consumidores consumem um bem com diferentes quantidades de atributos inerentes.

103 As referências clássicas são Waugh (1929) e Court (1939). O primeiro, segundo alguns analistas comoSheppard (1999) é considerado o verdadeiro pioneiro na análise sistemática do impacto da qualidade no


Como em princípio deve haver uma diferença nos preços em função da quantidade de

atributos, o preço marginal de cada atributo pode ser estimado. A formulação de preços

hedônicos fornece uma fundação coerente para explicar a relação entre o preço de um

imóvel (ou outro bem heterogêneo) e seus atributos. Mais formalmente, digamos que as

preferências do consumidor sejam representadas pelas função de utilidade:

u = u(Z, N, α) (4.4)

onde Z é um vetor com as quantidades dos atributos dos imóveis, N é o consumo de

outros bens e α o vetor de parâmetros que caracterizam as preferências do consumidor104.

A partir da função de utilidade pode-se derivar (implicitamente) a demanda por imóveis

como:

D = D(Z, Y, u, α) (4.5)

onde Y é a renda do consumidor. Consumidores maximizam sua utilidade, ou seja, vão

escolher Z e N que resolvam o problema de maximização105:

NZPMtsNZuNZ

+≥ )(..)},,({max,

α (4.6)

onde P(Z) é o vetor de preços associado com os atributos Z, muitas vezes chamado de

“função de preços hedônicos”. As condições de primeira ordem para este problema

implicam que:

kk Z

P

N

u

Z

u

∂∂=

∂∂

∂∂

(4.7)

onde Zk é a quantidade do atributo k (digamos número de vagas na garagem) no imóvel.

Inserindo a função de demanda implícita (4.5) na função de utilidade (4.4) a função de

preço de um bem, ao contrário do que afirma Grilliches (1961) que atribui a paternidade deste tipo deanálise a Court.104 Em relação a notação do capítulo 3, note-se que estamos usando maiúsculas para enfatizar que se tratade um vetor.


utilidade pode ser reescrita como u = u(Z, Y-D, α). A derivada implícita desta função de

utilidade:

N

u

Z

u

Z

D

kk ∂∂

∂∂=

∂∂

(4.8)

implica que o preço hedônico do atributo k (Pk≡∂P/∂Zk) é a utilidade marginal e a

demanda marginal pelo atributo k. Para fechar o modelo deve-se introduzir os produtores

de imóveis. Vamos assumir que os produtores têm uma função de custo dada por

C(Z,Q,γ) que depende da quantidade de atributos Z, do total de imóveis produzidos Q e

um vetor de parâmetros γ. Os produtores maximizam os lucros:

)},,()({max,

γNZCNZPNZ

− (4.9)

As condições de primeira ordem deste problema de maximização implicam que:

Q

CZPek

Z

CP

ki ∂

∂=∀∂∂= )(, (4.10)

A primeira condição acima é, simplesmente, a contraparte da solução convencional do

problema de maximização para bens homogêneos. Produtores adicionam atributos até

que o custo marginal seja equivalente ao preço (hedônico) de cada atributo. A segunda

condição implica que o produtor irá produzir um imóvel do tipo Z até que o custo

marginal de produzir um outro imóvel (do tipo Z) seja igual ao seu valor total P(Z). O

equilíbrio de mercado pdoe ser representado pelo locus de tangências entre custo e

demanda marginal e tipicamente vai depender da distribuição de probabilidades em torno

das preferências dos consumidores e/ou tipos de produtores.

105 Lembre-se que a restrição orçamentária do capítulo 3 considerava explicitamente o custo de transporte eo tamanho do lote. Para simplificar a exposição estes dois aspectos não vão ser levados em conta porenquanto.


Com isto têm-se uma base coerente para explicar a relação entre o preço de um imóvel

(ou outro produto heterogêneo qualquer106) e seus atributos. Adicionalmente, nos dá uma

dica em como estimar os preços hedônicos. A estimação, no entanto, apresenta uma série

de dificuldades que vão ser exploradas em seguida. Por exemplo, uma grande parte dos

atributos são discretos. Logo a restrição orçamentária não é linear. Portanto, a função de

demanda convencional, quer dizer, uma que mostra as preferências do consumidor (por

um atributo) a partir de um preço constante pode ser equivocada.

4.3 Demanda e Oferta por Imóveis: Uma EspecificaçãoSimplificadaPara obter a demanda por imóveis parte-se de um modelo de escolha discreta do

comportamento do consumidor107. A idéia é que um consumidor compraria um imóvel j

(j=1,…,J) se a utilidade de comprar este imóvel fosse maior do que a utilidade de

comprar qualquer outro imóvel ou não comprar imóvel nenhum (define-se j=0 como a

hipótese alternativa). Assume-se que o nível de utilidade depende das características do

consumidor (c) e as características do imóvel (z, p, d) onde p é o preço do imóvel, d a

distância para o centro e z outros atributos do imóvel108. Quer dizer. o consumidor i

compraria o imóvel j se:

U(ci, zj, pj, dj) ≥ U(ci, zr, pr, dr) r = 0, 1, . . . , J (4.11)

Onde o subscrito temporal foi omitido para facilitar a notação. Se tívessemos micro-

dados, poderíamos assumir uma distribuição para os resíduos e estimar a demanda

diretamente a partir de (4.11). No entanto, que seja do meu conhecimento não exitem

microdados sobre a venda recente de imóveis na Grande São Paulo. A solução discutida

106 Note-se que até agora não se fez nenhuma referência específica para o fato do bem em questão ser umimóvel.107 Vide Mc Faden (1984) e a bibliografia citada no artigo.


no capítulo anterior foi usar o banco de dados da Embraesp. Se considerarmos que cada

entrada no banco de dados da Embraesp corresponde a um tipo de imóvel, visto que

possuem atributos diferentes, podemos concluir que se trata de um banco de dados

agregado por tipo. Portanto, para derivar a demanda temos que agregar a função de

escolha na equação (4.11). Para tal, define-se o seguinte conjunto:

A j = {c:U(ci, zj, pj, dj) ≥ U(ci, zr, pr, dr), for r=0,1,…,J} (4.12)

Quer dizer, Aj é o conjunto de todos os valores de c que induzem a escolha do imóvel j.

Assim, assumindo que os consumidores são distribuídos (em função das suas

características) como P(dc), a participação de mercado do imóvel j será:

∫ ∈=

jAcj cPzdps )d(),,( (4.13)

Ainda que uma especificação mais genérica seja interessante, uma estimação não

paramétrica é extremamente complicada. Assim, assume-se uma especificação linear para

a função de utilidade do tipo:

U(ci, zj, pj, dj) = zjβ – αpj – tdj + εij ≡ δj + εij (4.14a)

U(ci, z0, p0, d0) = εi0 (4.14b)

Onde β, α e t são os parâmetros a serem estimados pelo modelo109, ε é um erro aleatório e

(4.14b) é simplesmente uma normalização da hipótese alternativa. Assumindo que εij

distribui-se de maneira independente e idêntica tanto ao longo das características do

consumidor como nos atributos do imóvel, a participação de mercado (s) pode ser

computada por:

∫ +−∏=≠ε

εεδδ )()( dPPs qjjq

j (4.15)

108 Os atributos de preço e distância foram separados devido a sua importância.109 Mais uma vez simplificando a notação, β e zj são vetores, respectivamente, (1×k) e (k×1) sendo k o totalde atributos (menos preço e distância) do imóvel. Não se adota aqui a convenção de negritar os vetores.


Como é conhecido, se ε tem a função de distribuição de Weibull exp[-exp(-ε)], (4.15)

tem uma solução analítica dada por:

+= ∑

=

J

jj

jj eezps1

1),,( δδε (4.16)

Normalizando δ0 para zero (sem perda de generalidade) δj pode ser encontrada a partir

de:

( ) ( ) j

J

j

J

jjjjj eess δδ δδ =+++−=− ∑∑ == 110 1ln1ln)ln()ln( (4.17)

Portanto, neste versão simplificada do modelo, pode-se estimar o parâmetro de interesse a

partir de uma regressão simples da participação de mercado (ajustada pela normalização)

em função dos atributos do imóvel. Para estimar a oferta assume-se que existem F firmas

no mercado cada uma produzindo uma parcela Gf dos J produtos existentes. O custo

marginal de produção (m) é log-linear em um vetor de “elementos” de custo (w):

ln(mj) = wjγ + ωj (4.18)

Onde γ é um vetor de parâmetros que devem se estimados e ω é um erro aleatório. Note-

se que parte dos atributos z do imóvel também são elementos de custo. Por exemplo, o

número de banheiros ou vagas na garagem são atributos do imóvel que, com certeza, são

também elementos de custo. Assumindo um mercado oligopolista com margem de lucro

fixa, o lucro da firma f pode ser escrito como:

∑∈

−=fGj

jjjf Msmp )(π (4.19)

Onde M é o total de compradores (potenciais) no mercado e s a participação de mercado

do imóvel do tipo j definida em (4.13). Assume-se que existe um equilíbrio de Nash para

este “jogo” (em preços) e que o preço de equilíbrio está no interior do conjunto de


estratégias disponíveis para cada uma das firmas110. Estas hipóteses juntamente com as

condições de primeira ordem para a equação (4.19) implicam que:

∑∈

=∂∂−+

fGr j

rrrj

p

smps 0)( (4.20)

A equação (4.20) pode ser escrita na notação vetorial como111:

s – ∆[p – m] = 0 (4.20’)

onde s, p e m são os vetores (J×1) de participação de mercado, preço e custo marginal,

respectivamente. ∆ é a matriz (J×J) cujo elemento genérico ar,j é definido por:

=∈∂

∂−≡

outros

FfGjrps

af

j

r

jr

0

),...,1(,;, (4.21)

Portanto o custo marginal depende apenas dos parâmetros da demanda e o vetor de

preços de equilíbrio. Assumindo-se que os preços estejam em equilíbrio, o custo marginal

pode ser estimado por:

m = p – ∆-1s (4.22)

Ou seja, se é possível encontrar uma solução analítica para a demanda é também possível

resolver analiticamente para a oferta. Se a participação de mercado for dada por (4.16) a

derivada parcial da participação de mercado com relação ao preço será:

≠

=−−=

∂∂

rjss

rjss

p

s

rj

jj

r

j

αα )1(

(4.23)

Assim pode-se estimar ∆ utilizando-se as participações de mercado observadas e o

parâmetro de preço estimado a partir de (4.17). Se definirmos ∆’ ≡ (1/α)∆, (4.22) pode

ser escrito como:

110 Caplin e Nalebuff (1991) fornecem as condições necessárias para a existência de equilíbrio em modelosdeste tipo para firmas produzindo apenas um produto. Infelizmente os teoremas não se generalizamfacilmente para o caso de firmas multi-produtos.


m = p – (1/α)[∆’] -1s (4.24)

Um elemento típico de ∆’, neste caso simplificado, é simplesmente:

=∈−

=−

≡

outros

FfGjrss

rjss

a frj

jj

jr

0

),...,1(,

)1(

, (4.25)

Os parâmetros de interesse da oferta podem ser então obtidos a partir de uma regressão

simples do custo marginal, calculado a partir de (4.22’) e (4.24), em função dos

elementos de custo:

ln(mj) = wjγ + ωj (4.26)

4.4 ResultadosAs Tabelas do Apêndice 4.A.1 detalham todas as regressões realizadas para a demanda, a

partir de (4.18), e para a oferta, a partir de (4.26). As regressões de demanda e oferta

foram numeradas separadamente, utilizando-se a letra D seguida por um número para as

diversas especificações de demanda e a letra O para as de oferta. Além destas variáveis,

foram utilizados dois grupos de dummies sazonais: um com 14 variáveis para os anos e

outro com 11 para os meses.112 O ano de 1985 e o mês de dezembro correspondem a

hipótese alternativa. Estas variáveis são basicamente de controle e são apresentadas na

segunda seção do apêndice. As variáveis sazonais são, via de regra, significativas sempre

com algumas exceções. Em alguns casos um dos grupos é eliminado. Especialmente para

a oferta, não se verificou sazonalidade mensal significante optando-se, portanto, por

eliminar este grupo a partir da sétima especificação.

111 Ao contrário das equações anteriores, utiliza-se a notação vetorial em (5.20’) para enfatizar a diferençaem relação a (5.20).112 Lembre-se do capítulo anterior, que existe uma grande oscilação nas variáveis e, por este motivo, muitasdelas eram apresentadas como médias móveis.


Como se pode observar na Tabela 4.A.1, os resultados não são compatíveis com o que se

poderia esperar. O exemplo mais evidente é o coeficiente positivo na variável preço. Por

mais que se acredite em imperfeições de mercado, é difícil considerar viável uma

elasticidade preço positiva da demanda. Além disso, o coeficiente negativo observado

tanto para o número de banheiros como para o número de vagas na garagem é, no

mínimo, curioso. Estas anomalias desaparecem na regressão D2 onde todas as variáveis

foram mantidas exceto que se eliminou a constante.

O efeito da eliminação da constante sobre os parâmetros é muito grande. O R2 ajustado

aumentou de 77% para 99,7%. Das 25 variáveis, 10 mudaram de sinal e, para os casos em

que se tem uma expectativa sobre o resultado, mais de acordo com o que se observa.

Além dos exemplos do parágrafo anterior, o prazo de entrega e a taxa de juros real

apresentam coeficientes positivos na presença da constante tornando-se negativo com a

eliminação da mesma. Ora, é de se esperar que a demanda diminua tanto com o aumento

do prazo de entrega (as outras variáveis se mantendo constante) como com o custo do

financiamento. Assim, em mais este exemplo, os resultados sem a inclusão da constante

são mais próximos do senso comum do que os observados na presença desta.

Estes fatores nos levam a acreditar, em princípio, que a especificação sem a constante é

superior. No entanto, existem problemas teóricos em se eliminar a constante. Isto porque,

uma especificação sem intercepto implica que não é necessário nem um ajuste de

medidas o que é difícil de acreditar dada a grande salada de indicadores utilizados. Na

realidade, como se discute na seção 4.5, este resultado está provavelmente ligado à

endogeneidade dos preços. De qualquer maneira, manteve-se a especificação sem a

constante para que se pudesse realizar uma análise ao menos razoável dos dados.


Nas especificações D3 e D4 procurou-se testar o efeito da expectativa de ganho de capital

com a compra do imóvel sobre a demanda do mesmo. Conforme discutido na seção 4.1, o

ganho de capital, em teoria, deve ser função da fronteira agrícola. Ainda que tenha-se

disponível a mancha urbana em 1985 e 1992, podendo-se deduzir uma fronteira agrícola

para o período da amostra, a precisão deste dado é duvidosa. Além do mais, visto que a

fronteira não é uniforme conforme a direção que se tome na região, qual deveria ser a

fronteira relevante? Mesmo porque o efeito do aumento da fronteira é parecido com o

efeito de um aumento no congestionamento: com o aumento do custo do transporte

lugares mais próximos do centro de negócios tornam-se mais valiosos.

Sendo assim, procurou-se testar as expectativas de ganhos de capital através de duas

variáveis: uma tendência e o logaritmo do total de domicílios na RMSP. Quando se testou

a tendência, não fazia muito sentido manter o controle para os anos entre as variáveis

sazonais caso contrário estaria se controlando duas vezes o mesmo efeito. O que se nota

para as duas variáveis é um coeficiente negativo. Isto pode significar que existe uma

expectativa negativa com relação aos ganhos de capital na compra de imóveis na RMSP.

Esta tendência decrescente da demanda por imóveis na região pode significar, na

verdade, uma força centrípeta gerada pelo mercado de imóveis que não consegue atender

a toda população.

Nas especificações D5 a D7 estimou-se o impacto dos agentes financeiros no

empreendimento. Ainda que este agente não tenha sido discutido no capítulo anterior

quando se apresentou os participantes do mercado, trata-se de um ator importante no

jogo. Um apartamento financiado, em princípio, deveria ter uma demanda maior. Na

especificação D5 testou-se o efeito sobre imóveis financiados por agentes financeiros


ligados ao governo estadual ou federal113 e em D6 sobre imóveis financiados por bancos

privados.

O efeito sobre a demanda da participação de um agente financeiro governamental não é

significante enquanto o efeito da existência de um banco privado no lançamento do

imóvel é negativo. O resultado é surpreendente e pode ser decorrente de um problema na

coleta de dados. Considera-se que um empreendimento possui um agente financeiro

quando este agente está definido na data do lançamento. Muitas vezes o agente não

participa diretamente do lançamento, mas existe algum sistema de financiamento para o

comprador. Existe uma possível diferença entre empreendimentos que contam com um

financiador já no lançamento. Neste casos, é mais provável que o agente financeiro

assuma parte do risco do empreendimento.

Para se verificar o efeito da distância sobre a demanda, foram utilizadas diversas

medidas. As especificações D8 a D10 apresentam alguns resultados para as diversas

medidas. Utilizou-se sempre como variável com o logaritmo da distância do edifício ao

centro principal (Sé ou Bandeirantes). Um outro grupo de variáveis apresentava o

logaritmo da distância ao centro de Santo André ou São Bernardo, Barueri e Guarulhos.

Estas 3 variáveis, no entanto, foram definida como 0 se o edifício estivesse a mais de 5

km de distância do sub-centro em questão. Um terceiro tipo de variável procurou ser uma

medida sintética para os sub-centros. O índice apresentado na nona especificação

(“distancia1”), por exemplo, calcula a menor distância entre Santo André, Guarulhos,

Barueri e São Paulo. Se o edifício estiver mais próximo de São Paulo do que de qualquer

113 Incluem-se nesta categoria as Caixas Econômicas Estaduais e Municipais, o Banespa, o SistemaFinanceiro da Habitação e o Sistema Brasileiro de Poupança e Empréstimo.


sub-centro este índice vale zero, caso contrário vale o logaritmo da distância ao sub-

centro mais próximo.

O coeficiente para Santo André e Guarulhos é negativo, em quase todas as especificações

que incluem estas variáveis, o oposto ocorrendo com Barueri e São Bernardo114 na única

especificação em que ele aparece (D8). Em geral são significativos pelo menos a 10% de

significância exceto na primeira regressão da demanda com a presença da constante. O

coeficiente da distância para o centro do município de São Paulo, com exceção da

especificação D1, é sempre significativamente negativa. Além do mais, a magnitude

deste coeficiente é bem maior do que a magnitude dos coeficientes das distâncias aos

sub-centros. Um coeficiente negativo implica que a demanda cai conforme se afasta do

ponto. Portanto, o principal ponto de atração na RMSP continua sendo o centro da cidade

central. A diferença de magnitude observada entre o coeficiente quando o ponto de

referência é a praça da Sé não é estatisticamente diferente do coeficiente quando o ponto

é a Bandeirantes.

O que se verifica portanto é que a demanda continua ativa em torno dos centros

tradicionais (ABC e Guarulhos). Barueri que seria uma novidade em termos de

centralidade, não parece ter a relevância na demanda por imóveis novos na RMSP que

poderia se imaginar. Além do mais, a cidade continua extremamente direcionada para o

centro expandido do município de São Paulo. É difícil afirmar que houve realmente uma

mudança do centro baseado nestes dados. Pelo contrário estes dados indicam que o

tamanho do centro pode até ter se expandido mas não se verifica uma dispersão como

sustentam alguns autores. Por outro lado, o coeficiente das medidas de distância pode ser

interpretado como o custo de transporte. Então a diferença entre o coeficiente no


Município de São Paulo e nos outros sub-centros reflete também uma menor eficiência

relativa do sistema de transporte da capital.

Nenhum dos indicadores sintéticos para a distância ao sub-centro apresentou coeficiente

significativamente negativo115. Isto significa que, quando considerados em agregado, os

sub-centros não atraem relativamente mais compradores de imóveis. Quer dizer, o peso

destes sub-centros afeta basicamente um pequeno raio em seu entorno. Isto significa que

provavelmente a fuga de pessoas para a periferia pode não ser tão grande quanto se

imagina. Este resultado contrasta com o fato de que o município de São Paulo e o ABC

têm crescido a taxas muito menores do que seu entorno. Contrasta também com o

coeficiente negativo verificado em todas as especificações para a variável dummy para o

município de São Paulo.

Nas regressões D1 a D10 utilizou-se 3 medidas de área: a área útil do imóvel, a área total

construída do condomínio e a área do terreno. Cada uma destas medidas procurava ver

um benefício para o consumidor. A utilidade da área útil de um imóvel é óbvia. A área

total construída procurava capturar benefícios como salas de ginástica, salão de jogos,

etc. Finalmente o tamanho do terreno procurava capturar os benefícios de jardins,

piscinas, etc. O resultado que não faz muito sentido é o coeficiente negativo para a área

útil em todas as especificações e para a área total na especificação D11.

Como medida alternativa das benfeitorias da área construída, utilizou-se em D12 a

diferença entre a área total e a área útil do imóvel. Assim como a área total construída em

todas as especificações, esta diferença apresenta coeficiente significativamente positivo.

114 Na realidade o coeficiente é negativo porém não significativo.115 Além do resultado apresentado, testou-se um indicador similar substituindo Santo André por SãoBernardo. Outros dois indicadores (um para Santo André e outro para São Bernardo) testados foramdefinidos simplesmente como a menor distância entre os 3 sub-centros selecionados.


Segundo alguns agentes de mercado, existe uma grande demanda por serviços extras

como os citados anteriormente. Já a área do terreno apresenta um comportamento misto.

O sinal do coeficiente varia muito de acordo com a especificação (sendo inclusive não

significativo em algumas regressões). Portanto é difícil indicar qualquer tendência para

esta variável.

Um último fator a ser destacado é que as cooperativas apresentam coeficiente

significativamente positivo em todas as especificações de demanda. Exatamente o oposto

do que acontece com esta variável nas regressões do custo marginal onde ela é

significativamente negativa em todas as especificações. Quer dizer, além de haver

provavelmente um excesso de demanda por cooperativas, ao contrário do que afirmam

alguns incorporadores, as cooperativas apresentam em média custo marginal mais baixo

do que as outras empresas.

Assim como preço e distância são variáveis fundamentais para a demanda, terra e área

construída são as variáveis fundamentais do lado da produção (vide Capítulo 3). Se a

função de produção for homogênea de grau um pode-se simplificar a função de produção

como a função de uma variável, k, a relação entre capital e terra. Assim, o logaritmo da

área total construída sobre a área do terreno serve de variável explicativa da oferta.

Acontece que o custo marginal é, na verdade, a soma do custo da terra com o custo de

construção. Portanto, incluindo-se apenas k não é possível separar o custo de construção

do custo da terra.

Diversas tentativas foram realizadas neste sentido. Acontece que na presença destas duas

variáveis os coeficientes resultavam sempre negativos. Na especificação O4 foi

adicionada a área total do imóvel como um indicador dos custos de construção menos


correlacionado com k do que os dados agregados de área. O coeficiente resultante, assim

como o coeficiente do terreno e de k, também é negativo. Na regressão O10 retorna-se o

logaritmo de k retirando-se as outras variáveis de área. Finalmente obtém-se um resultado

coerente. Na especificação seguinte adiciona-se o total de unidades produzidas pela

empresa como uma medida de retornos de escala. Na regressão 12 adiciona-se a diferença

entre a área total e a área útil e o coeficiente resultante é positivo assim como o

coeficiente de k, e do total de unidades.

Outro importante elemento de custo são os índices de custo da construção descritos

anteriormente. Quando trabalhamos com os índices desagregados em mão-de-obra e

materiais o coeficiente sobre o índice de mão-de-obra não é significativo. Assim a opção

foi por usar apenas o índice geral. O índice apresenta coeficiente positivo em todas as

especificações como era de se esperar. Os índices utilizados foram as médias geométricas

móveis descritas no Capítulo anterior.

Um resultado difícil de se interpretar, ainda que não obrigatoriamente incorreto é o

coeficiente negativo para a inflação e, pior ainda, para a taxa de juros reais. Pode-se

imaginar alguma forma de ganho inflacionário por parte dos incorporadores que talvez

explique este resultado. Assim, nas especificações O8 e O9 testou-se índices mensais de

juros e inflação ao invés das médias geométricas mas o resultado negativo permaneceu. A

tendência declinante na regressão O3 também é um resultado intrigante.Como comentado

anteriormente, as variáveis sazonais mensais não são muito significantes e, portanto,

foram retiradas nas últimas regressões.

O efeito sobre as variáveis quando se retira a constante como em O6 também é grande

mas não tão radical como no caso da demanda. Ainda que a mudança no R quadrado seja


muito alta, não se notam muitas mudanças de sinal. Por fim, deve-se destacar que, como

se pode ver na equação (4.26), o custo marginal depende do coeficiente do preço. O

coeficiente escolhido foi o da especificação O7 que fica em torno dos valores

encontrados nas demais especificações. Outros coeficientes foram testados sem gerar

diferenças significativas nos resultados. Obviamente não se testou resultados em que o

coeficiente era positivo.

4.5 Refinando o Modelo: Variáveis InstrumentaisOs resultados inesperados da seção anterior podem ter uma explicação razoável e uma

solução possível. Em primeiro lugar, o modelo da seção anterior assumiu que todas as

variáveis relevantes na determinação de preço podem ser observadas pelo pesquisador.

Esta é uma hipótese de difícil aceitação. Num bem tão complexo como um imóvel,

existem diversos aspectos como reputação, vista privilegiada, que não estão na base de

dados. Se os produtores observam tais atributos (mas não o econometrista) as variáveis

“não observáveis” provavelmente estarão correlacionadas com o preço do imóvel. Isto

gera para produtos diferenciados um problema análogo ao problema clássico da análise

simultânea de oferta e demanda116. Para entender melhor este problema vamos modificar

ligeiramente o modelo da seção anterior, incluindo as variáveis “não observáveis”. A

especificação (4.14) pode ser modificada da seguinte forma:

U(ci, zj, pj, dj, ξj) = zjβ – αpj – tdj + ξj + εij ≡ δj + εij (4.27)

Onde ξj representa a componente não observável. Note-se que a inclusão de uma variável

não observável não altera a última identidade apresentada no final da equação. Quer

116 Além do problema com os dados “não observáveis”, do modelo teórico do capítulo 3 e das ilustraçõesdo capítulo 4, sabe-se que os preços são função da distância ao centro.


dizer, a função de utilidade continua sendo “aditivamente separável” em dois termos:117

um determinado totalmente pelos atributos do produto (δj) e outro pelas características do

consumidor (εij). Sendo assim, as equações seguintes que definem a demanda em função

de δj e εij não se alteram. Para o caso da oferta, pode-se assumir que o componente não

observável esteja incluído no erro aleatório ω. No entanto, esta hipótese implica que o

preço é uma função de ω e, portanto, m em (4.22) também seria uma função de ω.

Também no caso da oferta as hipóteses convencionais de ortogonalidade não podem ser

feitas e, portanto, os parâmetros não podem ser estimados consistentemente por mínimos

quadrados ordinários (MQO).

A maioria das estimativas de modelos de escolha discreta de demanda para produtos

heterogêneos assume a especificação (4.14) o que, na prática, implica que a componente

não observável na função de utilidade tem média zero e independente entre os agentes.

Esta especificação simplesmente ignora o problema de simultaneidade. Além do que,

gera um problema de “over fitting”: na ausência de distúrbios “estruturais” na equação de

participação de mercado apenas erros de amostragem podem explicar as diferenças entre

os dados e as previsões do modelo. Para uma amostra do tamanho da utilizada neste

estudo a variância é pequena demais para explicar qualquer discrepância entre os dados e

o modelo.118

Em contraste, a demanda agregada para produtos homogêneos em geral é especificada

com um distúrbio diferente de zero quase sempre relacionado com fatores não

117 Esta característica da função de utilidade é, na verdade, problemática. Isto porque tanto a especificação(5.14) como a especificação (5.26) geram elasticidades-preço e elasticidades cruzadas, além de respostas àintrodução de novos produtos que não possuem os resultados esperados. Voltaremos a esta questão maisadiante.118 Quer dizer, um teste de chi quadrado das restrições do modelo é rejeitado com probabilidade próxima de1.


observáveis119. Se estes distúrbios são observados pelos consumidores e produtores as

quantidades e preço de equilíbrio também dependem destes distúrbios. É justamente esta

relação que gera o problema de simultaneidade. Este problema é mais complicado no

caso de produtos heterogêneos porque a demanda individual e, portanto, a demanda de

mercado é uma função não linear de ξ: qj = Msj(ci, zj, pj, dj, ξj). Provavelmente por este

motivo o problema de simultaneidade é simplesmente ignorado na maioria dos estudos de

demanda por bens heterogêneos.

A grande dificuldade decorrente da não lineariedade discutida acima é que não se pode

assumir que ξ e o vetor de atributos do imóvel sejam ortogonais sem primeiro

transformar as quantidades, preços e atributos numa função linear de ξ. Berry (1994)

sugere um procedimento para obter esta transformação e prova a sua viabilidade sob

certas restrições. Basicamente, a partir de (4.26) e (4.17) pode-se estimar a variável não

observada como:

ξ(s, z, p, d; θ) = ln(sj) – ln(s0) - zjβ + αpj + tdj (4.26’)

Analogamente, para a oferta, pode-se estimar os distúrbios a partir de (4.25):

ωj = wjγ - ln(mj) (4.25’)

Assim, os parâmetros de demanda e oferta podem ser estimados interagindo-se ξ

(calculado a partir de (4.26)) e ω (calculado a partir de (4.26’)) com instrumentos

apropriados a aplicando-se um método de momentos para as condições resultantes. A

grande dificuldade é encontrar bons instrumentos para esta estimação. Chamberlain

(1986) mostra que o conjunto de instrumentos eficientes, quando se tem apenas restrições

condicionais dos momentos numa amostra identicamente distribuída, respeitando certas

condições de regularidade, é igual a esperança condicional da derivada do momento com

119 Veja-se, entre outros, Hausman (1984).


relação ao vetor de parâmetros. A proposta de Chamberlain, no entanto é muito difícil de

se implementar na prática. Porém, os avanços de Newey (1990) e Pakes (1994) tornaram

esta (variação da) técnica bastante viável.

O Teorema 32 em Pakes (1994) prova que a dimensão de uma base de polinômios para

uma dada ordem que é parcialmente intercambiável (partially exchangeable) independe

do número de argumentos intercambiáveis. Acontece que qualquer equilíbrio de Nash é

parcialmente intercambiável nas características dos outros produtos da firma e nas

características dos produtos dos competidores. Quer dizer, um equilíbrio de Nash implica

nas seguintes formas de intercâmbio:

a) intercambiável na ordem das firmas, quer dizer, o preço da Gafisa não vai mudar

se as características dos imóveis da Rossi forem elencados antes ou depois dos

imóveis da Cyrel;

b) para um dado produto, intercambiável na ordem dos outro produtos da mesma

empresa (o preço dos imóveis de um dormitório da CGN não mudam se o preço

dos imóveis de 3 dormitórios for listado antes ou depois do preço dos imóveis de

5);

c) para um dado competidor, intercambiável na ordem dos produtos desse

competidor.

Dadas estas propriedades, a função base de primeira ordem associada à característica zjk

(a k-ésima característica do imóvel j) incorporado pela firma f será dada por:

∑∑∉≠∈≠ ff Grjr

rkGrjr

rkjk zzz,,

,, (4.27)


Note-se que a dimensão da base de primeira ordem em (4.27) é 3K onde K é o número de

características do imóvel que é muito inferior à dimensão da base irrestrita como a

proposta por Chamberlain.120

Para cada uma das características listadas nas Tabelas do apêndice computou-se os três

termos de (4.27). Quer dizer, dada uma característica (por exemplo área útil) o vetor de

instrumentos ótimos seria a área útil do próprio imóvel, a soma das áreas de todos os

imóveis lançados no ano por aquela incorporadora e a soma das áreas de todos os imóveis

lançados por outras incorporadoras. As somas são diferentes para cada produto pois i)

excluem o produto em questão e ii) diferentes incorporadoras produzem diferentes tipos

de imóveis.

Assim, primeiro se estimou uma regressão por mínimos quadrados ordinários salvando os

resíduos (estimativa das variáveis não observadas). Em seguida estimou-se a variável de

demanda (a diferença entre o log natural da participação de mercado do imóvel em

questão e a alternativa nula) em dois passos, interagindo os resíduos com a base descrita

acima no primeiro passo, utilizando-se um método geral do momento (GMM) para

estimação robusta da variância.

Partiu-se de uma base completa com todos os elementos usados na oferta e na demanda

para depois reduzi-la (ou seja, uma base de 78 instrumentos). No final restaram 8

características compondo a base (ou seja, 24 instrumentos). As características que

formaram a base de instrumentos foram: horizontal, número de cooperativas, prazo de

pagamento, número de dormitórios, área do terreno, distância à praça da Sé, distância ao

centro de Santo André e o índice de capital-terra k. Os instrumentos foram incluídos ou

120 Neste caso, a base irrestrita teria dimensão JK, ou seja, o total de produtos vezes o número decaracterísticas utilizadas na especificação.


retirados de maneira relativamente arbitrária. De qualquer maneira, a regressão não é

muito sensível à escolha de instrumentos no primeiro passo. Isto porque diversos

instrumentos são praticamente colineares.

As Tabelas 4.A.13 e 4.A.14 no apêndice 4.A.5 apresentam os resultados das regressões

com variáveis instrumentais para oito das 12 estimativas de demanda por mínimos

quadrados ordinários.121 Como se pode notar, o desvio padrão é bem mais baixo

mostrando que o método é de fato mais robusto. A primeira coluna da Tabela 4.A.13

equivale a primeira regressão linear de demanda. Também neste caso, a inclusão da

constante gera resultados incoerentes. No entanto, o problema com a constante ocorre

apenas quando ela é incluída no primeiro passo, ou seja na estimação dos resíduos. A

partir da quarta regressão (que equivale à especificação (5) no método linear) incluiu-se a

constante no segundo passo sem gerar grandes incoerências no vetor estimado.

Os resultados encontrados com este método mais robusto não são muito diferentes do que

os resultados obtidos anteriormente. Alguns casos de duvidosos como a influência da

área do terreno tornam-se inequívocos quando se utilizam as variáveis instrumentais.

Uma diminuição da margem de erro é geralmente desejável. No entanto, o grande ganho

do processo de estimação mais robusto ocorre no cálculo das margens de lucro por

imóvel. Como se pode observar na última linha das tabelas que reportam os resultados

das regressões lineares e não lineares de demanda, no caso linear mais de 5 mil imóveis

apresentavam demanda inelástica. Utilizando-se o método de variáveis instrumentais,

este número cai para menos de mil, muito mais compatível com a realidade.

121 Para facilitar a comparação, manteve-se a numeração das regressões lineares. Por exemplo, a terceiracoluna da Tabela 4.A.14 tem o número (9) indicando que equivale a nona especificação na regressão linear.


Nas Tabelas 4.A.13 e 14 também são reportados os resultados de um teste de Hausman

(1978) comparando-se os coeficientes estimados por mínimos quadrados com os

coeficientes estimados com variáveis instrumentais.122 Apenas na regressão (5) (quarta

coluna da Tabela 4.A.13) não se aceita a hipótese (nula) que o estimador por IV seja mais

eficiente do que o estimador por MQO. Em todos os casos, a maior eficiência do

estimador é mais do que aceita. Assim, a opção por métodos mais robustos além de gerar

resultados mais próximos do esperado pelo senso comum e aumentar os casos

inequívocos, é também aceita como mais eficiente em praticamente qualquer

especificação.

4.6 A Independência da Alternativas IrrelevantesUm outro problema de estimativa é bem conhecido da literatura pelo menos desde o

artigo de Debreu (1960). Trata-se da independência das alternativas irrelevantes. Como

existe apenas uma participação de mercado associada com cada vetor d, dois modelos

com a mesma participação de mercado devem ter a mesma elasticidade preço e cruzada.

Assim um condomínio de luxo no Morumbi com 1000 unidades teria a mesma

elasticidade preço de um conjunto de 1000 unidades da COHAB.

A maneira convencional para lidar com este problema é realizar o que se chama “nested

logit” 123. Basicamente dividem-se os produtos em grupos razoavelmente uniformes de

forma que entre eles a derivada pode ser a mesma mas não entre um grupo e outro. Um

problema com esta alternativa é que as classificações sempre serão um pouco arbitrárias.

Um outro problema ainda mais grave é a perda nos graus de liberdade. Uma alternativa

122 Mais formalmente, estima-se H=(b-B)[(Vb-VB)-1](b-B) onde b é o estimador suposto menos eficiente, Bo mais eficiente estimado por variáveis instrumentais e V( ) é a matriz de covariância destes doisestimadores. Hausman (1978) mostra que esta estatística se distribui como um χ2 com K graus de liberdade.123 Vide, inter alia, Mc Faden (1984).


para lidar com este problema proposta por Berry et all (1995) é modificar o modelo da

seção 4.3 permitindo que cada indivíduo tenha uma preferência diferente por cada

característica. Mais formalmente:

ikkkk vσββ += (4.28)

Onde vik é uma variável aleatória com média zero. Normalizando vik de tal forma que

E(v2ik)=1 implica que a média e a variança da utilidade marginal do atributo k é kk σβ , .

Portanto, a utilidade de se consumir o bem j pode ser escrita como:

ijjijk

ikjkkjjjji vxpxpxcU µδεσαβ +≡++−= ∑),,( (4.29)

A utilidade ainda pode ser decomposta em uma média e um desvio da média mas agora o

segundo termo depende da interação entre as preferências do consumidor e as

características do produto. Portanto, consumidores que preferem casas luxuosas devem

atribuir maior utilidade a todas as casas luxuosas visto que suas características são

similares. A grande dificuldade deste modelo de “efeito randômico” é que o modelo não

tem mais solução analítica. Assim, é necessário computar as participações de mercado

agregadas através de simulação o que aumenta o desvio.


4.A Apêndice: Resultados das Regressões

4.A.1: Resultados das Regressões de Demanda – Variáveis PrincipaisTabela 4.A.1

Variável Regressão D1 Regressão D2 Coef. Std. Err. t P>|t| Coef. Std. Err. t P>|t|

Preço 2.2E-03 5.6E-06 4.0 0% -4.0E-03 7.6E-06 -5.2 0%Horizontais 4.6E-03 1.7E-02 0.3 79% 9.6E-02 2.4E-02 4.1 0%Cooperativas 2.6E-01 1.7E-02 15.8 0% 2.8E-01 2.3E-02 12.3 0%MSP -4.5E-02 1.1E-02 -3.9 0% -3.8E-01 1.5E-02 -25.7 0%Prazo 2.7E-04 2.4E-04 1.1 28% -1.3E-04 3.4E-04 -0.4 69%Dormitórios* 1.2E-01 2.8E-02 4.2 0% 8.9E-01 3.6E-02 24.5 0%Banheiro* -7.2E-02 2.5E-02 -2.8 0% 2.3E-01 3.5E-02 6.5 0%Vagas -2.9E-02 5.5E-03 -5.3 0% 1.0E-01 7.2E-03 14.5 0%Elevadores -8.8E-03 2.1E-03 -4.2 0% -1.0E-02 2.9E-03 -3.6 0%Cobertura 2.4E-02 6.2E-03 4.0 0% 1.1E-02 8.6E-03 1.2 22%Área Útil* -7.6E-01 3.1E-02 -24.6 0% -2.0E+00 3.6E-02 -56.6 0%Área Total* 8.2E-01 1.5E-02 53.3 0% 4.8E-01 2.0E-02 23.6 0%Terreno* -8.9E-02 1.4E-02 -6.5 0% 8.5E-02 1.9E-02 4.6 0%Hotel 6.3E-03 1.7E-02 0.4 71% 3.3E-02 2.3E-02 1.4 16%Região 1 1.4E-02 9.1E-03 1.6 12% -8.7E-02 1.2E-02 -7.0 0%Região 2 -9.6E-04 7.9E-03 -0.1 90% -1.8E-01 1.0E-02 -17.0 0%Região 3 4.8E-03 8.2E-03 0.6 56% -1.4E-01 1.1E-02 -12.3 0%Distância Sé 1.4E-02 1.4E-02 1.0 33% -7.2E-01 1.5E-02 -49.2 0%Distância Sto André -9.2E-03 4.4E-03 -2.1 4% -2.1E-02 6.1E-03 -3.4 0%Distância São Bernardo -7.9E-04 1.0E-02 -0.1 94% 3.9E-02 1.5E-02 2.7 1%Distância Guarulhos 6.7E-03 6.4E-03 1.0 30% -1.7E-02 8.8E-03 -1.9 5%Renda Chefe Distrito -4.3E-06 3.3E-06 -1.3 19% -5.7E-05 4.4E-06 -12.9 0%Desigualdade Distrito -2.7E-03 1.1E-03 -2.3 2% 1.1E-02 1.6E-03 7.0 0%Inflação -8.6E-02 8.9E-02 -1.0 33% -8.4E-01 1.2E-01 -6.8 0%Juros 1.8E-01 4.7E-01 0.4 71% -2.3E+00 6.5E-01 -3.5 0%Constante -6.2E+00 8.3E-02 -74.6 0% FD 50, 6053 = 399 40,752 Adj R-squared = 77% 99.7% Demandas Inelásticas 5203 5101

* Variáveis em LogaritmoFonte: Tabulação do Autor a partir de Dados da Embraesp


Tabela 4.A.2


Preço -3.2E-03 6.6E-06 -4.80 0.0% 2.2E-03 5.6E-06 4.0 0%Horizontais 9.3E-02 2.4E-02 3.92 0.0% 4.6E-03 1.7E-02 0.3 79%Cooperativas 2.9E-01 2.3E-02 12.73 0.0% 2.6E-01 1.7E-02 15.8 0%MSP -3.8E-01 1.5E-02 -25.92 0.0% -4.5E-02 1.1E-02 -3.9 0%Tendência -1.9E-02 1.1E-03 -17.17 0.0% Domicílios* -1.7E+00 2.3E-02 -74.6 0%Prazo -2.8E-04 3.3E-04 -0.83 40.5% 2.7E-04 2.4E-04 1.1 28%Dormitórios* 8.9E-01 3.7E-02 24.43 0.0% 1.2E-01 2.8E-02 4.2 0%Banheiro* 2.3E-01 3.5E-02 6.59 0.0% -7.2E-02 2.5E-02 -2.8 0%Vagas 1.1E-01 7.3E-03 14.78 0.0% -2.9E-02 5.5E-03 -5.3 0%Elevadores -1.1E-02 2.9E-03 -3.70 0.0% -8.8E-03 2.1E-03 -4.2 0%Cobertura 9.5E-03 8.6E-03 1.10 27.1% 2.4E-02 6.2E-03 4.0 0%Área Útil* -2.1E+00 3.6E-02 -57.16 0.0% -7.6E-01 3.1E-02 -24.6 0%Área Total* 4.7E-01 2.0E-02 23.20 0.0% 8.2E-01 1.5E-02 53.3 0%Terreno* 8.5E-02 1.9E-02 4.57 0.0% -8.9E-02 1.4E-02 -6.5 0%Hotel 3.3E-02 2.3E-02 1.42 15.5% 6.3E-03 1.7E-02 0.4 71%Região 1 -9.0E-02 1.3E-02 -7.15 0.0% 1.4E-02 9.1E-03 1.6 12%Região 2 -1.8E-01 1.0E-02 -17.05 0.0% -9.6E-04 7.9E-03 -0.1 90%Região 3 -1.4E-01 1.1E-02 -12.41 0.0% 4.8E-03 8.2E-03 0.6 56%Distância Sé -7.2E-01 1.4E-02 -49.85 0.0% 1.4E-02 1.4E-02 1.0 33%Distância Sto André -2.1E-02 6.1E-03 -3.44 0.1% -9.2E-03 4.4E-03 -2.1 4%Distância São Bernardo 3.7E-02 1.5E-02 2.52 1.2% -7.9E-04 1.0E-02 -0.1 94%Distância Guarulhos -1.5E-02 8.9E-03 -1.66 9.6% 6.7E-03 6.4E-03 1.0 30%Renda Chefe Distrito -6.1E-05 4.4E-06 -13.89 0.0% -4.3E-06 3.3E-06 -1.3 19%Desigualdade Distrito 1.1E-02 1.6E-03 7.34 0.0% -2.7E-03 1.1E-03 -2.3 2%Inflação -1.2E-01 3.2E-02 -3.70 0.0% -8.6E-02 8.9E-02 -1.0 33%Juros 3.9E-02 3.6E-01 0.11 91.4% 1.8E-01 4.7E-01 0.4 71%FD 37, 6067 = 54,233 76,764 Adj R-squared = 99.7% 99.9% Demandas Inelásticas 4209 4557



Tabela 4.A.3


Preço -3.9E-03 7.7E-06 -5.1 0% -3.9E-03 7.6E-06 -5.2 0%Horizontais 9.6E-02 2.4E-02 4.1 0% 9.9E-02 2.4E-02 4.2 0%Cooperativas 2.8E-01 2.3E-02 12.2 0% 2.8E-01 2.3E-02 12.0 0%MSP -3.7E-01 1.5E-02 -25.6 0% -3.7E-01 1.5E-02 -25.4 0%Prazo -1.4E-04 3.4E-04 -0.4 67% -4.7E-04 3.5E-04 -1.4 18%Dormitórios* 8.9E-01 3.6E-02 24.5 0% 8.9E-01 3.6E-02 24.6 0%Banheiro* 2.3E-01 3.5E-02 6.5 0% 2.3E-01 3.5E-02 6.6 0%Vagas 1.0E-01 7.3E-03 14.4 0% 1.0E-01 7.2E-03 14.2 0%Elevadores -1.0E-02 2.9E-03 -3.6 0% -1.0E-02 2.9E-03 -3.5 0%Cobertura 1.1E-02 8.6E-03 1.2 21% 1.1E-02 8.6E-03 1.3 20%Área Útil* -2.0E+00 3.6E-02 -56.3 0% -2.0E+00 3.6E-02 -56.8 0%Área Total* 4.8E-01 2.0E-02 23.6 0% 4.9E-01 2.0E-02 24.0 0%Terreno* 8.5E-02 1.9E-02 4.6 0% 7.7E-02 1.9E-02 4.2 0%Agente Governo -3.7E-03 8.7E-03 -0.4 67% Agente Privado -4.5E-02 1.1E-02 -4.2 0%Hotel 3.2E-02 2.3E-02 1.4 17% 2.9E-02 2.3E-02 1.2 22%Região 1 -8.7E-02 1.2E-02 -7.0 0% -8.9E-02 1.2E-02 -7.1 0%Região 2 -1.8E-01 1.0E-02 -17.0 0% -1.8E-01 1.0E-02 -17.1 0%Região 3 -1.4E-01 1.1E-02 -12.3 0% -1.4E-01 1.1E-02 -12.3 0%Distância Sé -7.1E-01 1.5E-02 -49.0 0% -7.1E-01 1.5E-02 -49.2 0%Distância Sto André -2.1E-02 6.1E-03 -3.4 0% -2.0E-02 6.1E-03 -3.4 0%Distância São Bernardo 3.9E-02 1.5E-02 2.7 1% 3.8E-02 1.4E-02 2.7 1%Distância Guarulhos -1.7E-02 8.8E-03 -1.9 6% -1.7E-02 8.8E-03 -2.0 5%Renda Chefe Distrito -5.7E-05 4.4E-06 -12.9 0% -5.7E-05 4.4E-06 -12.9 0%Desigualdade Distrito 1.1E-02 1.6E-03 7.0 0% 1.1E-02 1.6E-03 7.2 0%Inflação -8.3E-01 1.2E-01 -6.8 0% -8.2E-01 1.2E-01 -6.7 0%Juros -2.3E+00 6.5E-01 -3.5 0% -2.2E+00 6.5E-01 -3.3 0%FD 51, 6053 = 39,948 40,065 Adj R-squared = 99.7% 99.7% Demandas Inelásticas 4855 3997



Tabela 4.A.4


Preço -3.8E-03 7.7E-06 -5.0 0% -4.0E-03 7.6E-06 -5.2 0%Horizontais 1.0E-01 2.4E-02 4.3 0% 9.9E-02 2.4E-02 4.2 0%Cooperativas 2.7E-01 2.3E-02 11.8 0% 2.8E-01 2.3E-02 12.1 0%MSP -3.7E-01 1.5E-02 -25.3 0% -3.4E-01 1.4E-02 -24.6 0%Prazo -5.7E-04 3.5E-04 -1.6 11% -4.7E-04 3.5E-04 -1.3 18%Dormitórios* 9.0E-01 3.6E-02 24.7 0% 9.0E-01 3.6E-02 24.7 0%Banheiro* 2.3E-01 3.5E-02 6.6 0% 2.2E-01 3.5E-02 6.4 0%Vagas 1.0E-01 7.3E-03 14.1 0% 1.0E-01 7.3E-03 14.2 0%Elevadores -1.0E-02 2.9E-03 -3.5 0% -1.0E-02 2.9E-03 -3.5 0%Cobertura 1.1E-02 8.6E-03 1.3 19% 1.3E-02 8.5E-03 1.5 12%Área Útil* -2.0E+00 3.6E-02 -56.6 0% -2.0E+00 3.6E-02 -56.7 0%Área Total* 4.9E-01 2.0E-02 24.0 0% 4.9E-01 2.0E-02 23.8 0%Terreno* 7.7E-02 1.9E-02 4.1 0% 8.3E-02 1.9E-02 4.5 0%Agente Governo -1.7E-02 9.1E-03 -1.9 6% Agente Privado -5.2E-02 1.1E-02 -4.6 0% -4.6E-02 1.1E-02 -4.3 0%Hotel 2.5E-02 2.3E-02 1.1 29% 2.8E-02 2.3E-02 1.2 24%Região 1 -9.0E-02 1.2E-02 -7.2 0% -9.0E-02 1.2E-02 -7.2 0%Região 2 -1.8E-01 1.0E-02 -17.1 0% -1.8E-01 1.0E-02 -17.7 0%Região 3 -1.4E-01 1.1E-02 -12.4 0% -1.4E-01 1.1E-02 -12.4 0%Distância Sé -7.1E-01 1.5E-02 -48.8 0% -7.2E-01 1.5E-02 -49.4 0%Distância Sto André -2.1E-02 6.1E-03 -3.4 0% Distância São Bernardo 3.8E-03 6.5E-03 0.6 55%Distância Barueri 3.8E-02 1.4E-02 2.6 1% 4.7E-02 1.4E-02 3.3 0%Distância Guarulhos -1.7E-02 8.8E-03 -1.9 6% -1.1E-02 8.8E-03 -1.3 19%Renda Chefe Distrito -5.7E-05 4.4E-06 -12.9 0% -5.8E-05 4.5E-06 -13.0 0%Desigualdade Distrito 1.1E-02 1.6E-03 7.2 0% 1.1E-02 1.6E-03 7.3 0%Inflação -8.0E-01 1.2E-01 -6.5 0% -8.2E-01 1.2E-01 -6.7 0%Juros -2.2E+00 6.5E-01 -3.3 0% -2.2E+00 6.5E-01 -3.3 0%FD 52, 6052 = 39,312 39,993 Adj R-squared = 99.7% 99.7% Demandas Inelásticas 3697 4112



Tabela 4.A.5


Preço -1.4E-03 7.0E-06 -2.1 4% -3.9E-03 7.6E-06 -5.1 0%Horizontais 9.7E-02 2.2E-02 4.5 0% 1.0E-01 2.4E-02 4.3 0%Cooperativas 2.9E-01 2.1E-02 13.9 0% 2.8E-01 2.3E-02 12.0 0%MSP -2.7E-01 1.3E-02 -20.4 0% -3.3E-01 1.3E-02 -24.7 0%Prazo 2.8E-04 3.2E-04 0.9 37% -4.1E-04 3.5E-04 -1.2 23%Dormitórios* 5.2E-01 3.4E-02 15.2 0% 8.9E-01 3.6E-02 24.6 0%Banheiro* 1.7E-01 3.2E-02 5.3 0% 2.3E-01 3.5E-02 6.7 0%Vagas 7.0E-02 6.7E-03 10.5 0% 1.0E-01 7.3E-03 14.2 0%Elevadores -8.1E-03 2.6E-03 -3.1 0% -9.9E-03 2.9E-03 -3.4 0%Cobertura 1.9E-02 7.8E-03 2.5 1% 1.4E-02 8.6E-03 1.6 11%Área Útil* -1.7E+00 3.4E-02 -50.2 0% -2.0E+00 3.6E-02 -56.5 0%Área Total* 6.4E-01 1.9E-02 33.7 0% 5.0E-01 2.0E-02 24.3 0%Terreno* -1.0E-02 1.7E-02 -0.6 54% 7.2E-02 1.9E-02 3.9 0%Agente Privado -3.1E-02 9.8E-03 -3.2 0% -4.4E-02 1.1E-02 -4.1 0%Hotel -4.1E-02 2.1E-02 -1.9 6% 2.9E-02 2.3E-02 1.3 21%Região 1 3.3E-01 1.3E-02 25.4 0% -1.1E-01 1.3E-02 -8.5 0%Região 2 1.4E-01 1.0E-02 13.2 0% -1.9E-01 1.0E-02 -18.4 0%Região 3 1.7E-01 1.1E-02 15.6 0% -1.3E-01 1.1E-02 -11.9 0%Distância Sé -7.3E-01 1.5E-02 -48.5 0%Distância Bandeirantes -9.6E-01 1.5E-02 -63.9 0% Distância 1 1.0E-02 3.4E-03 3.1 0%Distância Santo André -8.5E-03 5.6E-03 -1.5 13% Distância Barueri 2.5E-02 1.3E-02 1.9 6% Distância Guarulhos -1.6E-02 8.1E-03 -2.0 5% Renda Chefe Distrito -1.1E-04 4.2E-06 -25.4 0% -5.8E-05 4.4E-06 -13.1 0%Desigualdade Distrito 1.8E-03 1.4E-03 1.3 19% 1.3E-02 1.6E-03 7.9 0%Inflação -6.1E-01 1.1E-01 -5.4 0% -8.2E-01 1.2E-01 -6.7 0%Juros -4.7E-01 6.0E-01 -0.8 43% -2.2E+00 6.5E-01 -3.4 0%FD 51, 6053 = 47,948 41,613 Adj R-squared = 99.8% 99.7% Demandas Inelásticas 4055 3657



Tabela 4.A.6


Preço -1.1E-02 7.1E-06 -15.6 0% -1.7E-03 8.0E-06 -2.1 4%Horizontais 6.2E-02 2.2E-02 2.8 0% -1.1E-01 2.3E-02 -5.0 0%Cooperativas 1.3E-01 2.2E-02 6.0 0% 2.4E-01 2.4E-02 9.9 0%MSP -2.5E-01 1.4E-02 -18.2 0% -3.1E-01 1.5E-02 -20.3 0%Prazo -5.3E-04 3.2E-04 -1.6 10% 1.7E-03 3.5E-04 4.9 0%Dormitórios* 7.2E-01 3.3E-02 21.9 0% 8.0E-01 3.8E-02 21.3 0%Banheiro* 2.0E-01 3.2E-02 6.3 0% 2.4E-01 3.6E-02 6.7 0%Vagas 1.7E-01 7.1E-03 23.4 0% 4.1E-02 8.9E-03 4.6 0%Elevadores -5.2E-03 2.7E-03 -1.9 6% 5.6E-03 3.0E-03 1.9 6%Cobertura 2.8E-02 8.0E-03 3.5 0% 1.0E-02 8.9E-03 1.2 24%Área total Imóvel -2.1E+00 3.2E-02 -67.3 0% Área Útil* -1.9E+00 3.8E-02 -49.6 0%Área Total* 6.7E-01 2.0E-02 33.8 0% Diferença área total e útil 6.1E-04 1.1E-04 5.7 0%Terreno* -6.8E-02 1.8E-02 -3.8 0% 4.6E-01 1.0E-02 45.9 0%Agente Privado -3.2E-02 1.0E-02 -3.1 0% -1.4E-02 1.1E-02 -1.3 21%Hotel 1.4E-01 2.2E-02 6.6 0% 5.6E-02 2.4E-02 2.3 2%Região 1 -9.1E-02 1.2E-02 -7.8 0% -7.0E-02 1.3E-02 -5.3 0%Região 2 -1.8E-01 9.7E-03 -18.1 0% -1.5E-01 1.1E-02 -13.7 0%Região 3 -1.2E-01 1.0E-02 -11.9 0% -1.1E-01 1.1E-02 -9.4 0%Distância Sé -6.3E-01 1.4E-02 -45.6 0% -6.7E-01 1.6E-02 -43.0 0%Distância Santo André -1.6E-02 5.7E-03 -2.9 0% -1.4E-02 6.3E-03 -2.1 3%Distância Barueri 3.8E-02 1.4E-02 2.8 1% 6.7E-02 1.5E-02 4.5 0%Distância Guarulhos -6.4E-03 8.3E-03 -0.8 44% -3.6E-03 9.2E-03 -0.4 70%Renda Chefe Distrito -4.1E-05 4.2E-06 -9.8 0% -4.5E-05 4.6E-06 -9.7 0%Desigualdade Distrito 1.3E-02 1.5E-03 8.6 0% 5.4E-03 1.6E-03 3.3 0%Inflação -6.2E-01 1.1E-01 -5.4 0% -6.8E-01 1.3E-01 -5.3 0%Juros -1.2E+00 6.1E-01 -2.0 4% -2.0E+00 6.8E-01 -3.0 0%FO 51, 6053 = 45,706 36,779 Adj R-squared = 99.7% 99.7% Demandas Inelásticas 5150 3867



4.A.2: Resultados das Regressões de Demanda – Controles SazonaisVariável Regressão D1 Regressão D2

Coef. Std. Err. t P>|t| Coef. Std. Err. t P>|t|ano86 -5.6E-03 1.5E-02 -0.4 70% -1.1E-01 2.0E-02 -5.7 0%ano87 1.7E-02 1.7E-02 1.0 30% -7.7E-02 2.3E-02 -3.3 0%ano88 3.2E-02 1.7E-02 1.9 6% -4.6E-02 2.3E-02 -2.0 5%ano89 -9.0E-04 2.0E-02 0.0 96% 6.5E-02 2.7E-02 2.4 2%ano90 -1.5E-02 2.7E-02 -0.6 57% 2.6E-02 3.7E-02 0.7 49%ano91 -3.7E-02 1.8E-02 -2.1 4% -7.5E-02 2.5E-02 -3.1 0%ano92 -1.2E-02 2.4E-02 -0.5 62% 2.5E-02 3.3E-02 0.8 44%ano93 -8.1E-02 2.2E-02 -3.7 0% -5.3E-02 3.0E-02 -1.7 8%ano94 -3.9E-02 2.4E-02 -1.6 10% -5.1E-02 3.3E-02 -1.5 12%ano95 -8.4E-02 1.4E-02 -5.9 0% -2.4E-01 2.0E-02 -12.3 0%ano96 -9.9E-02 1.6E-02 -6.2 0% -3.0E-01 2.2E-02 -13.5 0%ano97 -9.4E-02 1.6E-02 -5.8 0% -2.8E-01 2.2E-02 -12.5 0%ano98 -8.9E-02 1.7E-02 -5.2 0% -2.9E-01 2.4E-02 -12.2 0%ano99 -1.1E-01 2.0E-02 -5.4 0% -3.5E-01 2.8E-02 -12.5 0%saz1 1.3E-02 1.6E-02 0.8 42% -5.1E-02 2.2E-02 -2.3 2%saz2 3.0E-02 1.5E-02 2.0 4% -3.8E-03 2.0E-02 -0.2 85%saz3 -9.5E-04 1.3E-02 -0.1 94% -7.5E-02 1.8E-02 -4.3 0%saz4 1.6E-03 1.3E-02 0.1 90% -6.1E-02 1.8E-02 -3.5 0%saz5 3.7E-02 1.2E-02 3.2 0% -5.5E-02 1.6E-02 -3.4 0%saz6 1.4E-02 1.2E-02 1.2 23% -6.5E-02 1.6E-02 -4.0 0%saz7 1.6E-02 1.3E-02 1.2 23% -5.5E-02 1.8E-02 -3.0 0%saz8 2.0E-02 1.2E-02 1.7 9% -4.7E-02 1.6E-02 -2.9 0%saz9 4.8E-03 1.2E-02 0.4 68% -7.8E-02 1.6E-02 -4.8 0%saz10 4.7E-03 1.2E-02 0.4 69% -7.7E-02 1.6E-02 -4.8 0%saz11 8.3E-03 1.2E-02 0.7 48% -5.1E-02 1.6E-02 -3.2 0%

Fonte: Tabulação do Autor a partir de Dados da Embraesp



8.4E-03 1.5E-02 0.6 57% 4.5E-02 1.7E-02 2.7 1% 7.3E-02 1.7E-02 4.4 0% 5.5E-02 2.0E-02 2.8 1% 5.5E-02 2.7E-02 2.0 4% 4.7E-02 1.8E-02 2.6 1% 8.4E-02 2.4E-02 3.5 0% 2.6E-02 2.2E-02 1.2 24% 7.9E-02 2.4E-02 3.3 0% 4.5E-02 1.5E-02 3.0 0% 4.1E-02 1.7E-02 2.5 1% 6.0E-02 1.7E-02 3.6 0% 7.6E-02 1.8E-02 4.3 0% 6.4E-02 2.1E-02 3.1 0%saz1 -7.0E-02 2.2E-02 -3.16 0.2% 1.3E-02 1.6E-02 0.8 42%saz2 -2.7E-02 2.0E-02 -1.33 18.2% 3.0E-02 1.5E-02 2.0 4%saz3 -9.7E-02 1.7E-02 -5.59 0.0% -9.5E-04 1.3E-02 -0.1 94%saz4 -7.7E-02 1.7E-02 -4.45 0.0% 1.6E-03 1.3E-02 0.1 90%saz5 -7.2E-02 1.6E-02 -4.45 0.0% 3.7E-02 1.2E-02 3.2 0%saz6 -7.9E-02 1.6E-02 -4.88 0.0% 1.4E-02 1.2E-02 1.2 23%saz7 -6.8E-02 1.8E-02 -3.74 0.0% 1.6E-02 1.3E-02 1.2 23%saz8 -6.0E-02 1.6E-02 -3.70 0.0% 2.0E-02 1.2E-02 1.7 9%saz9 -8.9E-02 1.6E-02 -5.53 0.0% 4.8E-03 1.2E-02 0.4 68%saz10 -8.5E-02 1.6E-02 -5.32 0.0% 4.7E-03 1.2E-02 0.4 69%saz11 -5.9E-02 1.6E-02 -3.68 0.0% 8.3E-03 1.2E-02 0.7 48%




ano86 -1.2E-01 2.0E-02 -5.7 0% -1.2E-01 2.0E-02 -5.8 0%ano87 -7.7E-02 2.3E-02 -3.3 0% -8.2E-02 2.3E-02 -3.5 0%ano88 -4.5E-02 2.3E-02 -2.0 5% -4.6E-02 2.3E-02 -2.0 4%ano89 6.4E-02 2.7E-02 2.3 2% 6.5E-02 2.7E-02 2.4 2%ano90 2.4E-02 3.7E-02 0.7 51% 2.5E-02 3.7E-02 0.7 50%ano91 -7.6E-02 2.5E-02 -3.1 0% -7.7E-02 2.5E-02 -3.1 0%ano92 2.5E-02 3.3E-02 0.8 45% 2.1E-02 3.3E-02 0.6 52%ano93 -5.4E-02 3.1E-02 -1.8 8% -5.7E-02 3.0E-02 -1.9 6%ano94 -5.2E-02 3.3E-02 -1.6 12% -5.2E-02 3.3E-02 -1.6 12%ano95 -2.4E-01 2.0E-02 -12.3 0% -2.4E-01 2.0E-02 -12.3 0%ano96 -3.0E-01 2.2E-02 -13.5 0% -3.0E-01 2.2E-02 -13.5 0%ano97 -2.8E-01 2.2E-02 -12.5 0% -2.7E-01 2.2E-02 -12.3 0%ano98 -2.9E-01 2.4E-02 -12.2 0% -2.8E-01 2.4E-02 -12.0 0%ano99 -3.5E-01 2.8E-02 -12.5 0% -3.5E-01 2.8E-02 -12.5 0%saz1 -5.1E-02 2.2E-02 -2.3 2% -5.0E-02 2.2E-02 -2.2 3%saz2 -3.9E-03 2.0E-02 -0.2 85% -3.1E-03 2.0E-02 -0.2 88%saz3 -7.5E-02 1.8E-02 -4.3 0% -7.4E-02 1.8E-02 -4.2 0%saz4 -6.1E-02 1.8E-02 -3.5 0% -5.9E-02 1.8E-02 -3.4 0%saz5 -5.5E-02 1.6E-02 -3.4 0% -5.3E-02 1.6E-02 -3.2 0%saz6 -6.5E-02 1.6E-02 -4.0 0% -6.4E-02 1.6E-02 -3.9 0%saz7 -5.5E-02 1.8E-02 -3.0 0% -5.4E-02 1.8E-02 -3.0 0%saz8 -4.7E-02 1.6E-02 -2.9 0% -4.6E-02 1.6E-02 -2.8 1%saz9 -7.8E-02 1.6E-02 -4.8 0% -7.6E-02 1.6E-02 -4.7 0%saz10 -7.7E-02 1.6E-02 -4.8 0% -7.5E-02 1.6E-02 -4.7 0%saz11 -5.1E-02 1.6E-02 -3.2 0% -5.0E-02 1.6E-02 -3.1 0%




ano86 -1.2E-01 2.0E-02 -6.0 0% -1.2E-01 2.0E-02 -5.9 0%ano87 -8.3E-02 2.3E-02 -3.6 0% -8.2E-02 2.3E-02 -3.5 0%ano88 -4.6E-02 2.3E-02 -2.0 5% -4.6E-02 2.3E-02 -2.0 4%ano89 6.1E-02 2.7E-02 2.2 3% 6.6E-02 2.7E-02 2.4 2%ano90 1.8E-02 3.7E-02 0.5 63% 2.6E-02 3.7E-02 0.7 49%ano91 -8.0E-02 2.5E-02 -3.2 0% -7.7E-02 2.5E-02 -3.1 0%ano92 2.0E-02 3.3E-02 0.6 54% 2.0E-02 3.3E-02 0.6 54%ano93 -6.2E-02 3.1E-02 -2.0 4% -5.6E-02 3.0E-02 -1.9 6%ano94 -5.7E-02 3.3E-02 -1.7 9% -5.2E-02 3.3E-02 -1.6 12%ano95 -2.4E-01 2.0E-02 -12.4 0% -2.4E-01 2.0E-02 -12.2 0%ano96 -3.0E-01 2.2E-02 -13.6 0% -3.0E-01 2.2E-02 -13.5 0%ano97 -2.8E-01 2.2E-02 -12.4 0% -2.7E-01 2.2E-02 -12.4 0%ano98 -2.8E-01 2.3E-02 -12.1 0% -2.8E-01 2.4E-02 -12.0 0%ano99 -3.5E-01 2.8E-02 -12.5 0% -3.4E-01 2.8E-02 -12.4 0%saz1 -4.9E-02 2.2E-02 -2.2 3% -5.1E-02 2.2E-02 -2.3 2%saz2 -3.6E-03 2.0E-02 -0.2 86% -3.5E-03 2.0E-02 -0.2 86%saz3 -7.4E-02 1.8E-02 -4.2 0% -7.4E-02 1.8E-02 -4.2 0%saz4 -5.8E-02 1.8E-02 -3.3 0% -5.9E-02 1.8E-02 -3.4 0%saz5 -5.3E-02 1.6E-02 -3.2 0% -5.2E-02 1.6E-02 -3.2 0%saz6 -6.4E-02 1.6E-02 -3.9 0% -6.2E-02 1.6E-02 -3.8 0%saz7 -5.4E-02 1.8E-02 -3.0 0% -5.5E-02 1.8E-02 -3.0 0%saz8 -4.7E-02 1.6E-02 -2.9 0% -4.5E-02 1.6E-02 -2.8 1%saz9 -7.6E-02 1.6E-02 -4.7 0% -7.5E-02 1.6E-02 -4.6 0%saz10 -7.5E-02 1.6E-02 -4.7 0% -7.5E-02 1.6E-02 -4.7 0%saz11 -5.0E-02 1.6E-02 -3.1 0% -4.9E-02 1.6E-02 -3.1 0%




ano86 -6.7E-02 1.9E-02 -3.6 0% -1.2E-01 2.0E-02 -5.9 0%ano87 -3.3E-02 2.1E-02 -1.5 12% -8.2E-02 2.3E-02 -3.5 0%ano88 -1.9E-02 2.1E-02 -0.9 35% -4.7E-02 2.3E-02 -2.0 4%ano89 2.5E-02 2.5E-02 1.0 32% 6.5E-02 2.7E-02 2.4 2%ano90 1.6E-02 3.4E-02 0.5 63% 2.2E-02 3.7E-02 0.6 55%ano91 -9.1E-02 2.2E-02 -4.1 0% -8.1E-02 2.5E-02 -3.3 0%ano92 -3.7E-02 3.0E-02 -1.2 22% 2.0E-02 3.3E-02 0.6 54%ano93 -9.6E-02 2.8E-02 -3.5 0% -5.8E-02 3.0E-02 -1.9 6%ano94 -4.9E-02 3.0E-02 -1.6 11% -5.4E-02 3.3E-02 -1.6 10%ano95 -2.3E-01 1.8E-02 -12.7 0% -2.4E-01 2.0E-02 -12.2 0%ano96 -2.7E-01 2.0E-02 -13.3 0% -3.0E-01 2.2E-02 -13.6 0%ano97 -2.7E-01 2.0E-02 -13.2 0% -2.8E-01 2.2E-02 -12.5 0%ano98 -2.6E-01 2.1E-02 -12.2 0% -2.8E-01 2.4E-02 -12.1 0%ano99 -2.9E-01 2.5E-02 -11.4 0% -3.5E-01 2.8E-02 -12.5 0%saz1 -4.2E-02 2.1E-02 -2.1 4% -5.1E-02 2.2E-02 -2.3 2%saz2 -2.1E-03 1.9E-02 -0.1 91% -4.3E-03 2.0E-02 -0.2 83%saz3 -5.0E-02 1.6E-02 -3.1 0% -7.4E-02 1.8E-02 -4.2 0%saz4 -4.0E-02 1.6E-02 -2.5 1% -5.9E-02 1.8E-02 -3.4 0%saz5 -2.4E-02 1.5E-02 -1.6 11% -5.2E-02 1.6E-02 -3.2 0%saz6 -3.9E-02 1.5E-02 -2.6 1% -6.2E-02 1.6E-02 -3.8 0%saz7 -3.8E-02 1.7E-02 -2.3 2% -5.5E-02 1.8E-02 -3.0 0%saz8 -1.7E-02 1.5E-02 -1.2 24% -4.5E-02 1.6E-02 -2.8 1%saz9 -4.3E-02 1.5E-02 -2.9 0% -7.4E-02 1.6E-02 -4.6 0%saz10 -4.7E-02 1.5E-02 -3.2 0% -7.5E-02 1.6E-02 -4.7 0%saz11 -3.8E-02 1.5E-02 -2.6 1% -4.9E-02 1.6E-02 -3.1 0%




ano86 -2.4E-02 1.9E-02 -1.3 20% -1.0E-01 2.1E-02 -4.9 0%ano87 -2.6E-03 2.2E-02 -0.1 91% -4.7E-02 2.4E-02 -1.9 5%ano88 -8.9E-03 2.1E-02 -0.4 68% -2.8E-02 2.4E-02 -1.2 24%ano89 1.3E-01 2.5E-02 4.9 0% 5.9E-02 2.9E-02 2.1 4%ano90 9.4E-02 3.5E-02 2.7 1% 1.7E-02 3.9E-02 0.4 67%ano91 1.1E-02 2.3E-02 0.5 64% -5.7E-02 2.6E-02 -2.2 3%ano92 4.9E-02 3.1E-02 1.6 11% 4.7E-02 3.4E-02 1.4 17%ano93 -2.6E-02 2.8E-02 -0.9 36% -2.7E-02 3.2E-02 -0.9 39%ano94 -4.0E-02 3.1E-02 -1.3 20% -1.3E-02 3.5E-02 -0.4 71%ano95 -1.8E-01 1.8E-02 -9.7 0% -1.7E-01 2.0E-02 -8.5 0%ano96 -2.5E-01 2.1E-02 -12.3 0% -2.1E-01 2.3E-02 -9.4 0%ano97 -2.3E-01 2.1E-02 -11.1 0% -1.8E-01 2.3E-02 -7.7 0%ano98 -2.5E-01 2.2E-02 -11.4 0% -1.8E-01 2.4E-02 -7.4 0%ano99 -3.1E-01 2.6E-02 -12.1 0% -2.3E-01 2.9E-02 -8.1 0%saz1 -5.1E-02 2.1E-02 -2.4 2% -3.3E-02 2.3E-02 -1.4 16%saz2 -1.2E-02 1.9E-02 -0.6 54% 1.4E-03 2.1E-02 0.1 95%saz3 -6.8E-02 1.6E-02 -4.2 0% -6.6E-02 1.8E-02 -3.6 0%saz4 -5.7E-02 1.6E-02 -3.5 0% -5.4E-02 1.8E-02 -3.0 0%saz5 -5.2E-02 1.5E-02 -3.4 0% -4.4E-02 1.7E-02 -2.6 1%saz6 -6.4E-02 1.5E-02 -4.2 0% -5.0E-02 1.7E-02 -3.0 0%saz7 -6.1E-02 1.7E-02 -3.5 0% -4.5E-02 1.9E-02 -2.3 2%saz8 -4.0E-02 1.5E-02 -2.6 1% -3.4E-02 1.7E-02 -2.0 5%saz9 -7.3E-02 1.5E-02 -4.8 0% -6.0E-02 1.7E-02 -3.6 0%saz10 -6.2E-02 1.5E-02 -4.1 0% -6.0E-02 1.7E-02 -3.6 0%saz11 -3.6E-02 1.5E-02 -2.4 2% -3.9E-02 1.7E-02 -2.3 2%



4.A.3: Resultados das Regressões de Oferta – Variáveis PrincipaisTabela 3.A.7

Variável Regressão O1 Regressão O2 Coef. Std. Err. t P>|t| Coef. Std. Err. t P>|t|

K* -5.2E-02 1.4E-02 -3.8 0 -5.2E-02 1.4E-02 -3.8 0%Horizontais 4.1E-02 1.3E-02 3.1 0.002 4.1E-02 1.3E-02 3.2 0%Cooperativas -8.9E-02 1.4E-02 -6.3 0 -8.9E-02 1.4E-02 -6.3 0%MSP 1.5E-02 6.7E-03 2.3 0.021 1.5E-02 6.7E-03 2.3 2%Dormitórios* -2.7E-02 1.9E-02 -1.4 15.9% -2.7E-02 1.9E-02 -1.4 16%Banheiro* 1.5E-01 1.9E-02 8.0 0.0% 1.5E-01 1.9E-02 8.0 0%Vagas 1.6E-02 3.3E-03 4.9 0.0% 1.6E-02 3.3E-03 4.9 0%Elevadores 3.0E-03 1.1E-03 2.6 0.8% 3.0E-03 1.1E-03 2.7 1%Cobertura 2.6E-02 4.8E-03 5.5 0.0% 2.7E-02 4.8E-03 5.5 0%Andares 5.4E-03 5.1E-04 10.5 0.0% 5.4E-03 5.1E-04 10.5 0%Total de Unidades -4.5E-05 3.8E-05 -1.2 24.2% -4.4E-05 3.8E-05 -1.2 24%Terreno* -8.0E-02 7.5E-03 -10.6 0.0% -8.0E-02 7.5E-03 -10.6 0%Agente Privado 2.5E-02 5.9E-03 4.3 0.0% 2.5E-02 5.9E-03 4.3 0%Hotel 2.4E-01 1.2E-02 19.2 0.0% 2.4E-01 1.2E-02 19.2 0%Distância Sé* -2.0E-01 9.7E-03 -20.5 0.0% -2.0E-01 9.7E-03 -20.5 0%Custo Construção Materiais ** 1.8E-03 4.3E-04 4.1 0.0% Custo Construção MDO ** 7.3E-04 6.8E-04 1.1 27.9% Custo Construção Total ** 2.7E-03 5.8E-04 4.7 0%Inflação** -6.5E-01 8.0E-02 -8.1 0.0% -6.3E-01 7.8E-02 -8.1 0%Juros** -6.3E-01 4.0E-01 -1.6 11.4% -7.3E-01 3.9E-01 -1.9 6%Constante 3.6E+00 8.4E-02 42.6 0.0% 3.6E+00 7.7E-02 46.1 0%FO 44, 6059 = 176 180 Adj R-squared = 55.8% 55.8%

* Variáveis em Logaritmo; ** Média Móvel GeométricaFonte: Tabulação do Autor a partir de Dados da Embraesp


Tabela 4.A.8


K* -4.3E-02 1.5E-02 -2.9 0.004 -1.4E-02 1.4E-02 -1.0 32%Horizontais 2.3E-02 1.4E-02 1.6 11.6% 6.8E-02 1.3E-02 5.2 0%Cooperativas -1.1E-01 1.5E-02 -7.5 0.0% -1.2E-01 1.4E-02 -8.6 0%MSP 1.1E-02 7.3E-03 1.5 13.5% 2.3E-02 6.6E-03 3.5 0%Tendência -1.0E-02 6.7E-04 -15.4 0.0% Dormitórios* -3.6E-02 2.1E-02 -1.7 8.7% 7.3E-02 2.0E-02 3.6 0%Banheiro* 1.4E-01 2.0E-02 6.7 0.0% 2.2E-01 1.9E-02 11.7 0%Vagas 1.7E-02 3.6E-03 4.9 0.0% 6.0E-02 4.5E-03 13.2 0%Elevadores 3.3E-03 1.2E-03 2.7 0.7% 2.2E-03 7.8E-04 2.8 1%Cobertura 3.0E-02 5.2E-03 5.8 0.0% 3.2E-02 4.7E-03 6.9 0%Andares 4.4E-03 5.6E-04 8.0 0.0% 4.5E-03 5.1E-04 8.9 0%Total de Unidades -5.6E-05 4.2E-05 -1.4 17.6% Área Total Imóvel* -3.0E-01 2.3E-02 -13.5 0%Terreno* -7.1E-02 8.2E-03 -8.6 0.0% -7.7E-02 7.0E-03 -11.0 0%Agente Privado 1.5E-02 6.4E-03 2.4 1.6% 2.4E-02 5.8E-03 4.1 0%Hotel 2.4E-01 1.4E-02 18.0 0.0% 2.4E-01 1.2E-02 19.7 0%Distância Sé* -1.9E-01 1.1E-02 -17.8 0.0% -1.9E-01 9.6E-03 -19.7 0%Custo Construção Total ** 4.5E-03 2.1E-04 21.6 0.0% 2.6E-03 5.7E-04 4.5 0%Inflação** -7.7E-02 2.0E-02 -3.8 0.0% -5.8E-01 7.7E-02 -7.5 0%Juros** -5.8E-01 2.2E-01 -2.6 0.9% -4.8E-01 3.8E-01 -1.2 21%Constante 3.4E+00 5.7E-02 60.5 0.0% 4.1E+00 8.4E-02 48.3 0%FO 30, 6073 = 182 190 Adj R-squared = 47.3% 57.4%



Tabela 4.A.9


Horizontais 7.1E-02 1.3E-02 5.6 0% 1.9E-02 1.5E-02 1.3 21%Cooperativas -1.2E-01 1.4E-02 -8.5 0% -8.6E-02 1.6E-02 -5.3 0%MSP 2.3E-02 6.6E-03 3.5 0% 8.4E-02 7.6E-03 11.0 0%Dormitórios* 7.4E-02 2.0E-02 3.7 0% -1.5E-01 2.3E-02 -6.5 0%Banheiro* 2.2E-01 1.9E-02 11.7 0% 1.2E-01 2.2E-02 5.5 0%Vagas 6.1E-02 4.5E-03 13.6 0% -8.7E-03 5.0E-03 -1.7 8%Elevadores 2.1E-03 7.7E-04 2.7 1% -2.5E-04 9.0E-04 -0.3 78%Cobertura 3.3E-02 4.7E-03 6.9 0% 3.2E-02 5.6E-03 5.8 0%Andares 4.3E-03 4.2E-04 10.1 0% 6.9E-03 4.9E-04 13.9 0%Área Total Imóvel* -3.1E-01 2.2E-02 -14.0 0% 2.2E-01 2.3E-02 9.6 0%Terreno* -7.3E-02 5.7E-03 -12.8 0% -4.1E-02 6.7E-03 -6.2 0%Agente Privado 2.4E-02 5.8E-03 4.1 0% 3.5E-02 6.8E-03 5.1 0%Hotel 2.4E-01 1.2E-02 19.6 0% 2.5E-01 1.4E-02 17.4 0%Distância Sé* -1.9E-01 9.5E-03 -19.8 0% -7.1E-03 1.0E-02 -0.7 49%Custo Construção Total ** 2.6E-03 5.7E-04 4.5 0% 2.3E-02 4.6E-04 49.9 0%Inflação** -5.8E-01 7.7E-02 -7.5 0% -1.6E+00 8.7E-02 -18.6 0%Juros** -4.7E-01 3.8E-01 -1.2 22% -3.7E+00 4.4E-01 -8.4 0%Constante 4.0E+00 8.3E-02 48.8 0% FO 42, 6061 = 194 43,899 Adj R-squared = 57.4% 99.7%



Tabela 4.A.10

Variável Regressão O7 Regressão O8 Coef. Std. Err. T P>|t| Coef. Std. Err. t P>|t|

Horizontais 7.2E-02 1.3E-02 5.6 0% 7.1E-02 1.3E-02 5.6 0%Cooperativas -1.1E-01 1.4E-02 -8.4 0% -1.1E-01 1.4E-02 -8.4 0%MSP 2.4E-02 6.6E-03 3.6 0% 2.4E-02 6.6E-03 3.6 0%Dormitórios* 7.5E-02 2.0E-02 3.7 0% 7.5E-02 2.0E-02 3.7 0%Banheiro* 2.2E-01 1.9E-02 11.7 0% 2.2E-01 1.9E-02 11.7 0%Vagas 6.1E-02 4.5E-03 13.7 0% 6.1E-02 4.5E-03 13.7 0%Elevadores 2.0E-03 7.7E-04 2.6 1% 2.0E-03 7.7E-04 2.6 1%Cobertura 3.3E-02 4.7E-03 7.0 0% 3.3E-02 4.7E-03 7.0 0%Andares 4.3E-03 4.2E-04 10.2 0% 4.3E-03 4.2E-04 10.2 0%Área Total Imóvel* -3.1E-01 2.2E-02 -14.1 0% -3.1E-01 2.2E-02 -14.2 0%Terreno* -7.3E-02 5.7E-03 -12.8 0% -7.3E-02 5.7E-03 -12.8 0%Agente Privado 2.4E-02 5.8E-03 4.2 0% 2.4E-02 5.8E-03 4.1 0%Hotel 2.4E-01 1.2E-02 19.9 0% 2.4E-01 1.2E-02 19.9 0%Distância Sé* -1.9E-01 9.5E-03 -19.9 0% -1.9E-01 9.5E-03 -19.8 0%Custo Construção Total ** 2.6E-03 5.6E-04 4.7 0% 2.4E-03 5.4E-04 4.4 0%Inflação** -5.8E-01 7.4E-02 -7.8 0% -5.3E-01 6.8E-02 -7.7 0%Juros** -6.5E-01 3.8E-01 -1.7 9% Juros 4.3E-02 7.8E-02 0.6 58%Constante 4.1E+00 8.1E-02 49.8 0% 4.1E+00 8.1E-02 50.3 0%FO 31, 6072 = 261 261 Adj R-squared = 57.2% 57.2%



Tabela 4.A.11


4.1E-02 1.1E-02 3.6 0%Horizontais 7.2E-02 1.3E-02 5.7 0% 2.6E-02 1.3E-02 2.0 5%Cooperativas -1.1E-01 1.4E-02 -8.4 0% -1.0E-01 1.4E-02 -7.5 0%MSP 2.3E-02 6.6E-03 3.6 0% 1.1E-02 6.7E-03 1.6 12%Dormitórios* 7.7E-02 2.0E-02 3.8 0% -4.9E-02 1.9E-02 -2.6 1%Banheiro* 2.3E-01 1.9E-02 11.9 0% 1.6E-01 1.9E-02 8.8 0%Vagas 6.1E-02 4.4E-03 13.9 0% 1.6E-02 3.3E-03 4.9 0%Elevadores 2.2E-03 7.6E-04 2.9 0% -1.5E-03 7.4E-04 -2.0 5%Cobertura 3.2E-02 4.7E-03 6.7 0% 3.2E-02 4.8E-03 6.6 0%Andares 4.2E-03 4.2E-04 10.1 0% 2.8E-03 4.7E-04 6.1 0%Área Total Imóvel* -3.2E-01 2.2E-02 -14.4 0% Terreno* -7.5E-02 5.7E-03 -13.2 0% Agente Privado 2.3E-02 5.8E-03 3.9 0% 2.8E-02 5.9E-03 4.7 0%Hotel 2.4E-01 1.2E-02 19.8 0% 2.3E-01 1.3E-02 18.3 0%Distância Sé* -1.9E-01 9.5E-03 -19.9 0% -2.2E-01 9.7E-03 -22.2 0%Custo Construção Total ** 2.8E-03 5.4E-04 5.2 0% 2.4E-03 5.5E-04 4.4 0%Inflação** -5.8E-01 7.0E-02 -8.3 0%Inflação -2.4E-01 2.3E-02 -10.3 0% Juros -5.5E-02 7.9E-02 -0.7 49% Constante 4.0E+00 8.1E-02 49.4 0% 3.4E+00 7.3E-02 46.5 0%FO 31, 6072 = 265 255 Adj R-squared = 57.5% 54.9%



Tabela 4.A.12

Variável Regressão O11 Regressão O12 Coef. Std. Err. T P>|t| Coef. Std. Err. t P>|t|

k* 3.2E-02 1.1E-02 2.9 0% 3.7E-02 1.1E-02 3.3 0%Horizontais 3.2E-02 1.3E-02 2.4 2% 2.2E-02 1.3E-02 1.7 9%Cooperativas -8.9E-02 1.4E-02 -6.3 0% -9.3E-02 1.4E-02 -6.6 0%MSP 8.2E-03 6.7E-03 1.2 23% 1.7E-02 6.7E-03 2.5 1%Dormitórios* -5.5E-02 1.9E-02 -2.9 0% -5.8E-02 1.9E-02 -3.1 0%Banheiro* 1.6E-01 1.9E-02 8.4 0% 1.8E-01 1.9E-02 9.6 0%Vagas 1.4E-02 3.3E-03 4.4 0% 5.1E-02 4.6E-03 11.1 0%Elevadores 2.5E-03 1.1E-03 2.2 3% 3.2E-03 1.1E-03 2.8 1%Cobertura 3.0E-02 4.8E-03 6.3 0% 2.9E-02 4.8E-03 6.1 0%Andares 3.2E-03 4.7E-04 6.9 0% 2.8E-03 4.7E-04 6.0 0%Agente Privado 2.7E-02 5.9E-03 4.5 0% 2.6E-02 5.9E-03 4.4 0%Hotel 2.3E-01 1.3E-02 18.7 0% 2.4E-01 1.2E-02 19.2 0%total de unidades -1.7E-04 3.6E-05 -4.6 0% -1.8E-04 3.6E-05 -5.0 0%Diferença área útil e total -6.2E-04 5.5E-05 -11.3 0%Distância Sé* -2.1E-01 9.7E-03 -22.1 0% -2.1E-01 9.6E-03 -21.3 0%Custo Construção Total ** 2.5E-03 5.5E-04 4.5 0% 2.4E-03 5.4E-04 4.5 0%Inflação** -5.8E-01 7.0E-02 -8.4 0% -5.6E-01 6.9E-02 -8.1 0%Constante 3.4E+00 7.3E-02 46.6 0% 3.3E+00 7.2E-02 46.4 0%FO 30, 6073 = 248 249 Adj R-squared = 55.0% 55.9%



4.A.4: Resultados das Regressões de Oferta – Controles SazonaisVariável Regressão O1 Regressão O2

Coef. Std. Err. t P>|t| Coef. Std. Err. t P>|t|ano86 2.2E-01 1.3E-02 17.1 0% 2.2E-01 1.3E-02 17.2 0%ano87 1.2E-01 2.3E-02 5.1 0% 1.1E-01 2.3E-02 4.9 0%ano88 1.5E-01 2.6E-02 5.7 0% 1.6E-01 1.8E-02 9.0 0%ano89 3.0E-01 2.1E-02 14.3 0% 3.1E-01 1.9E-02 16.4 0%ano90 3.3E-01 2.3E-02 14.1 0% 3.3E-01 2.3E-02 14.7 0%ano91 2.4E-01 1.4E-02 16.8 0% 2.4E-01 1.4E-02 17.9 0%ano92 2.5E-01 1.9E-02 12.8 0% 2.5E-01 1.8E-02 13.5 0%ano93 1.7E-01 1.7E-02 9.6 0% 1.6E-01 1.7E-02 9.5 0%ano94 1.7E-01 2.2E-02 7.9 0% 1.6E-01 2.0E-02 8.4 0%ano95 6.8E-02 1.3E-02 5.3 0% 6.2E-02 1.1E-02 5.5 0%ano96 1.1E-02 2.3E-02 0.5 62% -4.8E-03 1.3E-02 -0.4 71%ano97 -1.2E-02 2.7E-02 -0.5 65% -3.2E-02 1.3E-02 -2.4 2%ano98 -1.9E-02 2.8E-02 -0.7 50% -3.9E-02 1.4E-02 -2.8 1%ano99 -5.6E-02 3.0E-02 -1.9 6% -7.7E-02 1.6E-02 -4.8 0%saz1 -2.0E-02 1.3E-02 -1.5 13% -1.8E-02 1.3E-02 -1.4 15%saz2 8.4E-04 1.2E-02 0.1 94% 2.3E-03 1.2E-02 0.2 84%saz3 -4.8E-03 1.0E-02 -0.5 64% -3.0E-03 1.0E-02 -0.3 77%saz4 1.4E-02 1.0E-02 1.3 18% 1.5E-02 1.0E-02 1.5 13%saz5 1.1E-02 9.4E-03 1.1 26% 1.2E-02 9.2E-03 1.3 19%saz6 2.2E-02 9.4E-03 2.4 2% 2.3E-02 9.3E-03 2.5 1%saz7 1.1E-02 1.0E-02 1.1 28% 1.2E-02 1.0E-02 1.2 23%saz8 2.5E-02 9.3E-03 2.7 1% 2.5E-02 9.3E-03 2.7 1%saz9 7.4E-03 9.2E-03 0.8 42% 7.9E-03 9.1E-03 0.9 39%saz10 1.6E-02 9.0E-03 1.7 8% 1.6E-02 9.0E-03 1.8 8%saz11 -1.6E-03 9.1E-03 -0.2 86% -1.4E-03 9.1E-03 -0.2 88%




ano86 2.2E-01 1.2E-02 17.4 0%ano87 1.1E-01 2.3E-02 5.0 0%ano88 1.5E-01 1.8E-02 8.5 0%ano89 3.0E-01 1.9E-02 15.8 0%ano90 3.2E-01 2.2E-02 14.2 0%ano91 2.3E-01 1.3E-02 17.0 0%ano92 2.2E-01 1.8E-02 12.2 0%ano93 1.4E-01 1.7E-02 7.9 0%ano94 1.3E-01 1.9E-02 6.5 0%ano95 3.6E-02 1.1E-02 3.2 0%ano96 -3.1E-02 1.3E-02 -2.5 1%ano97 -5.5E-02 1.3E-02 -4.2 0%ano98 -6.7E-02 1.4E-02 -4.9 0%ano99 -1.1E-01 1.6E-02 -6.8 0%saz1 -3.9E-02 1.4E-02 -2.83 0.5% -2.4E-02 1.3E-02 -1.9 6%saz2 -1.7E-02 1.2E-02 -1.38 16.7% 5.6E-05 1.1E-02 0.0 100%saz3 -2.3E-02 1.1E-02 -2.16 3.1% -6.8E-03 9.8E-03 -0.7 49%saz4 3.9E-03 1.1E-02 0.36 71.8% 1.3E-02 9.8E-03 1.3 20%saz5 9.0E-03 1.0E-02 0.90 36.8% 7.3E-03 9.1E-03 0.8 42%saz6 2.4E-02 1.0E-02 2.40 1.7% 1.8E-02 9.1E-03 2.0 5%saz7 1.3E-02 1.1E-02 1.13 25.9% 7.4E-03 1.0E-02 0.7 47%saz8 2.3E-02 1.0E-02 2.27 2.4% 2.3E-02 9.1E-03 2.5 1%saz9 4.3E-03 9.9E-03 0.44 66.3% 5.2E-03 9.0E-03 0.6 56%saz10 1.8E-02 9.8E-03 1.78 7.5% 1.1E-02 8.9E-03 1.2 22%saz11 -3.9E-03 9.9E-03 -0.40 69.1% -2.9E-03 8.9E-03 -0.3 75%




ano86 2.2E-01 1.2E-02 17.4 0% 4.6E-02 1.4E-02 3.3 0%ano87 1.1E-01 2.3E-02 4.9 0% -5.1E-01 2.2E-02 -23.1 0%ano88 1.5E-01 1.8E-02 8.5 0% -2.6E-01 1.9E-02 -13.9 0%ano89 3.0E-01 1.9E-02 15.8 0% -1.3E-01 2.0E-02 -6.7 0%ano90 3.2E-01 2.2E-02 14.2 0% -2.4E-02 2.5E-02 -0.9 34%ano91 2.3E-01 1.3E-02 17.0 0% 3.2E-01 1.6E-02 20.8 0%ano92 2.2E-01 1.8E-02 12.1 0% 3.4E-01 2.1E-02 16.0 0%ano93 1.3E-01 1.7E-02 7.8 0% 2.9E-01 2.0E-02 14.7 0%ano94 1.3E-01 1.9E-02 6.5 0% 3.9E-01 2.2E-02 18.0 0%ano95 3.5E-02 1.1E-02 3.1 0% 2.2E-01 1.3E-02 17.2 0%ano96 -3.3E-02 1.3E-02 -2.6 1% -7.0E-02 1.5E-02 -4.7 0%ano97 -5.7E-02 1.3E-02 -4.4 0% -1.2E-01 1.5E-02 -8.0 0%ano98 -6.9E-02 1.4E-02 -5.1 0% -1.3E-01 1.6E-02 -7.9 0%ano99 -1.1E-01 1.6E-02 -7.0 0% -1.7E-01 1.9E-02 -8.9 0%saz1 -2.4E-02 1.3E-02 -1.9 6% 4.9E-02 1.5E-02 3.3 0%saz2 1.8E-04 1.1E-02 0.0 99% 4.6E-02 1.3E-02 3.4 0%saz3 -6.8E-03 9.8E-03 -0.7 49% 5.5E-02 1.1E-02 4.8 0%saz4 1.3E-02 9.8E-03 1.3 19% 7.2E-02 1.2E-02 6.3 0%saz5 7.6E-03 9.1E-03 0.8 41% 6.7E-02 1.1E-02 6.2 0%saz6 1.8E-02 9.1E-03 2.0 5% 7.5E-02 1.1E-02 7.0 0%saz7 7.5E-03 1.0E-02 0.7 47% 5.9E-02 1.2E-02 4.9 0%saz8 2.3E-02 9.1E-03 2.5 1% 6.4E-02 1.1E-02 5.9 0%saz9 5.2E-03 9.0E-03 0.6 56% 4.4E-02 1.1E-02 4.2 0%saz10 1.1E-02 8.9E-03 1.2 23% 3.6E-02 1.0E-02 3.4 0%saz11 -3.0E-03 8.9E-03 -0.3 74% 1.4E-02 1.1E-02 1.3 20%




ano86 2.2E-01 1.2E-0217.6 0% 2.3E-01 1.1E-0221.3 0%ano87 1.1E-01 2.2E-02 4.8 0% 1.2E-01 2.0E-02 6.0 0%ano88 1.5E-01 1.8E-02 8.5 0% 1.6E-01 1.7E-02 9.4 0%ano89 3.0E-01 1.9E-0216.0 0% 2.9E-01 1.9E-0215.4 0%ano90 3.1E-01 2.2E-0214.0 0% 3.2E-01 2.1E-0215.2 0%ano91 2.3E-01 1.3E-0217.2 0% 2.3E-01 1.3E-0217.1 0%ano92 2.2E-01 1.8E-0212.5 0% 2.1E-01 1.5E-0213.6 0%ano93 1.4E-01 1.7E-02 8.1 0% 1.2E-01 1.6E-02 7.9 0%ano94 1.3E-01 1.9E-02 6.7 0% 1.2E-01 1.8E-02 6.4 0%ano95 3.5E-02 1.1E-02 3.2 0% 3.0E-02 1.1E-02 2.7 1%ano96 -3.2E-02 1.2E-02 -2.5 1% -3.4E-02 1.2E-02 -2.8 1%ano97 -5.7E-02 1.3E-02 -4.5 0% -5.6E-02 1.3E-02 -4.4 0%ano98 -6.7E-02 1.3E-02 -5.0 0% -7.0E-02 1.3E-02 -5.2 0%ano99 -1.1E-01 1.5E-02 -7.3 0% -1.1E-01 1.5E-02 -7.4 0%




ano86 2.2E-01 1.1E-02 20.5 0% 2.3E-01 1.1E-02 20.9 0%ano87 1.2E-01 2.0E-02 6.2 0% 1.2E-01 2.1E-02 5.9 0%ano88 1.4E-01 1.7E-02 8.3 0% 1.7E-01 1.7E-02 10.1 0%ano89 2.7E-01 1.9E-02 14.1 0% 3.1E-01 1.9E-02 16.2 0%ano90 2.1E-01 1.8E-02 11.8 0% 3.4E-01 2.1E-02 16.0 0%ano91 2.2E-01 1.3E-02 17.1 0% 2.3E-01 1.4E-02 17.1 0%ano92 1.8E-01 1.4E-02 12.9 0% 2.2E-01 1.5E-02 14.5 0%ano93 8.4E-02 1.2E-02 7.1 0% 1.4E-01 1.6E-02 8.9 0%ano94 1.9E-02 1.0E-02 1.9 6% 1.5E-01 1.9E-02 8.0 0%ano95 3.5E-02 1.1E-02 3.2 0% 4.6E-02 1.1E-02 4.1 0%ano96 -9.0E-03 1.1E-02 -0.8 40% -1.7E-02 1.3E-02 -1.3 18%ano97 -2.9E-02 1.1E-02 -2.7 1% -3.9E-02 1.3E-02 -3.0 0%ano98 -4.2E-02 1.2E-02 -3.7 0% -4.9E-02 1.4E-02 -3.6 0%ano99 -8.6E-02 1.4E-02 -6.2 0% -8.3E-02 1.6E-02 -5.3 0%




ano86 2.3E-01 1.1E-02 20.9 0% 2.2E-01 1.1E-02 20.7 0%ano87 1.2E-01 2.1E-02 6.0 0% 1.2E-01 2.0E-02 5.9 0%ano88 1.7E-01 1.7E-02 10.2 0% 1.7E-01 1.7E-02 9.8 0%ano89 3.1E-01 1.9E-02 16.3 0% 3.0E-01 1.9E-02 16.1 0%ano90 3.4E-01 2.1E-02 16.0 0% 3.3E-01 2.1E-02 15.7 0%ano91 2.4E-01 1.4E-02 17.3 0% 2.3E-01 1.3E-02 17.0 0%ano92 2.2E-01 1.5E-02 14.7 0% 2.2E-01 1.5E-02 14.4 0%ano93 1.4E-01 1.6E-02 9.0 0% 1.3E-01 1.6E-02 8.3 0%ano94 1.5E-01 1.9E-02 8.1 0% 1.3E-01 1.8E-02 7.3 0%ano95 4.7E-02 1.1E-02 4.2 0% 3.6E-02 1.1E-02 3.2 0%ano96 -1.5E-02 1.3E-02 -1.2 23% -2.8E-02 1.3E-02 -2.2 3%ano97 -3.9E-02 1.3E-02 -3.0 0% -5.1E-02 1.3E-02 -4.0 0%ano98 -4.7E-02 1.4E-02 -3.4 0% -6.0E-02 1.4E-02 -4.5 0%ano99 -8.1E-02 1.6E-02 -5.1 0% -9.9E-02 1.6E-02 -6.4 0%



4.A.5 Resultado das regressões com variáveis instrumentaisTabela 4.A.13

variável dependente:δ (1) (2) (3) (5) β σ β σ β σ β σPreço 2.2E-03 2.3E-06 -4.3E-03 2.5E-04 -3.2E-03 1.8E-07 -1.6E-03 2.7E-06Horizontais 4.6E-03 3.0E-05 9.4E-02 8.7E-04 9.3E-02 8.2E-04 1.2E-02 1.0E-02Cooperativas 2.6E-01 2.7E-05 2.8E-01 5.7E-04 2.9E-01 6.3E-04 3.0E-01 8.6E-03MSP -4.5E-02 2.2E-05 -3.8E-01 4.5E-04 -3.8E-01 4.0E-04 -2.4E-01 1.2E-02Prazo 2.7E-04 4.9E-07 -2.5E-04 9.8E-06 -2.8E-04 8.4E-06 -1.3E-04 1.0E-04Dormitórios* 5.1E-02 2.3E-05 3.8E-01 5.1E-04 3.9E-01 5.3E-04 Banheiro* -3.1E-02 2.1E-05 9.5E-02 4.2E-04 1.0E-01 4.2E-04 1.2E-01 8.4E-03Vagas -2.9E-02 1.0E-05 9.6E-02 2.9E-04 1.1E-01 2.2E-04 4.0E-02 4.5E-03Elevadores -8.8E-03 2.4E-06 -1.0E-02 3.6E-04 -1.1E-02 8.8E-05 -1.1E-02 2.1E-03Cobertura 2.4E-02 1.2E-05 8.8E-03 2.3E-04 9.5E-03 2.2E-04 2.2E-02 2.6E-03Área Útil* -3.3E-01 7.5E-06 -8.6E-01 7.2E-04 -8.9E-01 5.1E-04 -5.6E-01 1.4E-02Área Total* 3.6E-01 1.3E-05 2.1E-01 3.4E-04 2.1E-01 2.8E-04 2.5E-01 6.3E-03Terreno* -3.9E-02 1.1E-05 3.6E-02 2.8E-04 3.7E-02 2.4E-04 2.0E-02 4.3E-03Agente Governo 1.5E-02 2.8E-03Hotel 6.3E-03 3.7E-05 3.5E-02 7.5E-04 3.3E-02 7.3E-04 -8.3E-02 9.3E-03Região 1 1.4E-02 6.8E-06 -8.9E-02 3.3E-04 -9.0E-02 3.2E-04 -4.3E-02 5.0E-03Região 2 -9.6E-04 5.8E-06 -1.8E-01 3.0E-04 -1.8E-01 2.8E-04 -1.0E-01 6.4E-03Região 3 4.8E-03 1.6E-05 -1.4E-01 3.1E-04 -1.4E-01 3.0E-04 -7.7E-02 5.6E-03Distância Sé 6.0E-03 1.3E-05 -3.2E-01 3.0E-04 -3.1E-01 2.5E-04 -1.8E-01 1.0E-02Distância Sto André -4.0E-03 3.5E-06 -9.3E-03 7.2E-05 -9.1E-03 7.6E-05 -8.3E-03 9.2E-04Distância Barueri -3.4E-04 9.0E-06 1.6E-02 1.2E-04 1.6E-02 1.4E-04 7.5E-03 2.1E-03Distância Guarulhos 2.9E-03 4.5E-06 -8.1E-03 1.1E-04 -6.4E-03 8.8E-05 -3.0E-03 1.2E-03Renda Chefe Distrito -4.3E-06 7.4E-09 -6.0E-05 1.3E-07 -6.1E-05 1.2E-07 -4.6E-05 2.4E-06Desigualdade Distrito -2.7E-03 2.3E-06 1.1E-02 4.2E-05 1.1E-02 3.7E-05 5.6E-03 6.4E-04Inflação -8.6E-02 2.6E-04 -8.7E-01 3.4E-03 -1.2E-01 8.0E-04 -7.3E-02 1.1E-02Juros 1.8E-01 2.7E-04 -2.4E+00 1.9E-02 3.9E-02 9.2E-03 -5.3E-03 1.1E-01Tendência -1.9E-02 3.0E-05 -1.4E-02 4.5E-04Constante -6.2E+00 1.7E-03 -2.8E+00 1.9E-01

χ2 (Hausman) 0.01 4.2 2.1 52.06 graus de liberdade 48 48 35 34

P(χ2) 1 1 1.00E+00 0.0245 Demandas Inelásticas 957 866 1050 669

Fonte: Calculado pelo Autor a partir de Dados da Embraesp


Tabela 4.A.14

variável dependente:δ (6) (8) (9) (12) β σ β σ β σ β σPreço -5.3E-03 8.9E-11 -5.4E-03 1.3E-10 -2.1E-03 1.7E-10 -3.4E-03 1.9E-11Horizontais 3.2E-02 2.3E-07 3.2E-02 3.2E-07 5.7E-02 5.9E-07 -1.5E-01 6.6E-08Cooperativas 3.1E-01 2.0E-07 3.2E-01 2.8E-07 3.1E-01 5.1E-07 2.7E-01 5.3E-08MSP -3.8E-01 3.5E-07 -3.4E-01 4.5E-07 -2.7E-01 6.4E-07 -3.2E-01 4.3E-08Prazo -6.0E-04 2.7E-09 -5.9E-04 3.7E-09 2.4E-04 6.4E-09 1.3E-03 8.0E-10Dormitórios* 5.5E-07 1.6E-07 5.6E-07 2.2E-07 7.2E-07 4.0E-07 3.9E-07 4.3E-08Banheiro* 2.4E-01 2.8E-07 2.3E-01 3.8E-07 1.4E-01 5.0E-07 2.3E-01 4.0E-08Vagas 9.1E-02 1.3E-07 9.1E-02 1.8E-07 5.7E-02 2.7E-07 4.4E-02 2.6E-08Elevadores -1.2E-02 4.5E-08 -1.2E-02 7.6E-08 -9.0E-03 1.2E-07 2.3E-03 2.0E-08Cobertura 2.1E-02 6.0E-08 2.4E-02 8.2E-08 2.5E-02 1.5E-07 1.9E-02 2.0E-08Área Útil* -7.5E-01 4.3E-07 -7.5E-01 6.0E-07 -6.4E-01 8.4E-07 -6.9E-01 7.0E-08Área Total* 1.8E-01 1.9E-07 1.8E-01 2.6E-07 2.7E-01 3.0E-07 (Área total - útil) 4.0E-04 3.0E-10Terreno* 6.2E-02 1.2E-07 6.6E-02 1.6E-07 1.1E-02 2.1E-07 2.1E-01 1.2E-08Agente Privado -3.7E-02 8.4E-08 -3.7E-02 1.2E-07 -2.6E-02 2.0E-07 -1.0E-02 2.6E-08Hotel -1.4E-01 2.7E-07 -1.5E-01 3.8E-07 -1.4E-01 6.7E-07 -1.0E-01 5.6E-08Região 1 -8.9E-02 1.3E-07 -9.1E-02 1.8E-07 3.6E-01 9.2E-07 -7.3E-02 3.0E-08Região 2 -1.8E-01 2.0E-07 -2.0E-01 2.8E-07 1.5E-01 4.3E-07 -1.6E-01 2.8E-08Região 3 -1.4E-01 1.6E-07 -1.4E-01 2.2E-07 1.8E-01 5.0E-07 -1.2E-01 2.8E-08Distância Sé -3.3E-01 3.3E-07 -3.3E-01 4.5E-07 -3.1E-01 2.9E-08Distância Bandeirantes -4.4E-01 1.1E-06 Distância Sto André -1.2E-02 2.3E-08 -4.3E-03 5.2E-08 -8.8E-03 6.4E-09Distância São Bernardo 4.5E-03 2.9E-08 Distância Barueri 1.5E-02 5.5E-08 2.0E-02 7.1E-08 1.0E-02 1.2E-07 2.6E-02 1.3E-08Distância Guarulhos -8.2E-03 2.9E-08 -4.3E-03 3.8E-08 -7.3E-03 6.9E-08 -2.8E-03 8.3E-09Renda Chefe Distrito -7.4E-05 7.3E-11 -7.5E-05 1.0E-10 -1.2E-04 3.0E-10 -6.2E-05 1.2E-11Desigualdade Distrito 1.2E-02 1.8E-08 1.2E-02 2.4E-08 2.1E-03 2.9E-08 6.8E-03 3.9E-09Inflação -9.4E-01 1.3E-06 -9.5E-01 1.9E-06 -6.4E-01 2.7E-06 -8.1E-01 4.2E-07Juros -2.7E+00 5.2E-06 -2.6E+00 7.9E-06 -6.0E-01 1.1E-05 -2.5E+00 2.3E-06Constante -6.2E-05 6.1E-06 -8.4E-05 8.4E-06 -1.6E-04 1.6E-05 1.3E-05 5.3E-07

χ2 (Hausman) 0.65 0.09 0.023 0.12 graus de liberdade 48 48 48 47

P(χ2) 1 1 1.00E+00 1 Demandas Inelásticas 874 985 1068 499

Fonte: Calculado pelo Autor a partir de Dados da Embraesp

Notas Conclusivas

Nesta tese se apresentou alguns aspectos de equilíbrio urbano da Região Metropolitana de

São Paulo. É interessante observar as semelhanças entre a análise das forças de

aglomeração (capítulo 1) e de expulsão (capítulo 2 a 4). Em ambos os casos, a variável

relevante é o custo de transporte. Ou seja, o custo de transporte serve tanto como motivo

de atração (as empresas economizam em custo de transporte se localizando em regiões

urbanas densas) como de expulsão (o aumento da densidade aumenta o

congestionamento, gerando um aumento no preço da terra diminuindo a qualidade de

vida das pessoas que passam a exigir salários mais altos).

Uma outra semelhança é que em ambos os casos a análise foi feita em equilíbrio geral. O

que geral significa em cada um dos casos é relativo. Geral do ponto de vista do primeiro

capítulo significa que os fornecedores, consumidores e trabalhadores podem escolher a

sua localização em função da localização de todas as empresas. Um equilíbrio parcial

responderia à questão de como mudaria o emprego numa empresa dada uma mudança

exógena na presença de fornecedores, consumidores ou trabalhadores. Já na análise do

mercado de imóveis, o equilíbrio geral refere-se ao fato de se considerar tanto a oferta

como a demanda por imóveis.

Mais uma semelhança é o fato do custo de transporte, em ambos os casos, ser estudado

apenas indiretamente. Quer dizer, em nenhuma das análises apresentou-se uma variável

com o custo médio de transporte de bens ou pessoas. O motivo não é apenas falta de

dados. Estes dados de fato não existem para o transporte de bens mas, para a Grande São

Paulo, existem duas pesquisas de Origem-Destino utilizáveis cobrindo boa parte do

período da base de dados da Embraesp. O problema é que tanto a variável de tempo de

Referências 212

deslocamento como uma variável com custo de transporte de mercadorias (se existisse)

são variáveis endógenas. Isso porque o custo de transporte e de deslocamento é o custo

observado e as empresas e famílias decidem a sua localização em função da localização

de outras empresas e de outras famílias.

As diferenças entre as duas abordagens também são importantes para se compreender o

todo. Para se analisar a força de atração da região foi necessário trabalhar numa escala

bem maior que a região, a escala nacional. Isto porque o movimento de atração implica

num movimento migratório de outras regiões. Assim, não se pode compreender a decisão

de localização de uma firma sem olhar o mercado nacional como um todo. Já o mercado

de imóveis no curto prazo pode ser considerado fechado na região de interesse. Este

aspecto já mostra outra diferença importante nas bases de dados utilizadas. Enquanto a

análise do mercado de imóveis utilizou dados mensais a análise do mercado de trabalho

utilizou dados censitários. Isso porque o movimento estudado no primeiro capítulo é um

movimento muito mais estrutural do que o movimento estudado nos capítulos seguintes.

É importante também destacar o caráter metodológico desta tese. Um dos objetivos foi

criar um arcabouço teórico e empírico a partir da qual uma série de análises pudessem ser

realizadas. Por exemplo, qual o impacto da criação de uma nova estação de metrô sobre a

demanda de imóveis? Como muda a qualidade de vida das pessoas com a criação de mais

uma via expressa? Para responder a este tipo de questão seria necessário um modelo mais

geral do que os trabalhados nessa tese. O mais geral significa especialmente que as forças

centrífugas e centrípetas devem estar presentes no mesmo modelo e não separadas como

se trabalhou nessa tese. A união desses dois lados das regiões urbanas é uma tarefa

extremamente árdua dada a diferença de escala e de prazo para cada uma destas forças.

Referências 213

Ainda que diversas questões ponderadas nessa tese permaneçam sem resposta, algumas

conclusões podem ser tiradas das análises. Em primeiro lugar, a idéia ingênua de que os

setores de serviço são apenas auxiliares das atividade industriais é negada no capítulo 1.

Pelo menos o ramo de serviços produtivos apresenta definitivamente uma dinâmica

própria. Em segundo lugar verifica-se de fato uma diminuição da importância para as

empresas de serviços produtivos de se localizar próximo aos clientes. Esta mudança pode

estar relacionada com os avanços na tecnologia de informação. Por outro lado, a

relevância de se estar próximo aos fornecedores e trabalhadores permanece grande.

Assim, por mais que uma das forças de atração das grandes cidades esteja se esvaindo,

outras forças podem estar crescendo. O efeito líquido é ainda muito difícil de se estimar.

Em relação ao mercado de imóveis nota-se que a demanda pelo mercado formal continua

extremamente concentrada em torno dos grandes centros tradicionais: São Paulo, ABC e

Guarulhos. Os novos centros residenciais como Barueri não apresentam efeitos

significativos sobre a região como um todo pelo menos do ponto de vista residencial. É

importante observar que o mercado analisado foi o mercado de imóveis legais. Ocorre

que uma grande parte do mercado de imóveis na RMSP é “ilegal” (ou informal). Os

dados para o mercado informal são difíceis de se obter mas fundamentais para

compreender efetivamente o que ocorre na região. De qualquer maneira, em princípio o

mercado informal pode ser estudado como um contra-factual do mercado legal. Neste

sentido, um maior conhecimento do mercado legal pode contribuir para a compreensão

também do informal.

Referências

Alonso, W. (1964) Location and Land Use. Cambridge: Harvard University Press.

Arnott, R. (1987) “Economic Theory and Housing” in Mills (1987)

Barry S., J. Levinsohn and A. Pakes (1995) "Automobile Price in Market Equilibrium".Econometrica, Vol. 63, No. 4 (July).

Berry, S. (1994) “Estimating Discrete Choice Models of Product Differentiation”, RANDJournal of Economics, 25:242-262.

Brueckner, J.K. e D. Fansler (1983) “The Economics of Urban Sprawl: Theory andEvidence on the Spatial Sizes of Cities”. Review of Economic and Statistics, 13:216-234.

Bruekner, J.K. (1987) “The Structure of Urban Equilibria”, in Mills (1987)

Caplin e Nalebuff (1991) “Aggregation and Imperfect Competition: On the Existence ofEquilibrium”, Econometrica, 59:26-61.

Capozza, D. e R. Helsley (1989) “The Fundamentals of Land Prices and Urban Growth”,Journal of Urban Economics, 26:295-306.

Capozza, D. e R. Helsley (1990) “The Stochastic City”, Journal of Urban Economics,28:295-306.

Chamberlain, G. (1986) "Assymptotic Efficiency in Estimation with Conditional MomentRestrictions". Journal of Econometrics, 33.

Court, A.T. (1939) “Hedonic price indexes with automotive examples” The Dynamic ofAutomobile Demand. General Motors, New York.

Debreu, G. (1960) “Review of R.D. Luce Individual Choice Behavior”, AmericanEconomic Review, 50:186-188.

Dumais, G. C. Ellison e E. Glaeser (1997) “Geographic Concentration as a DynamicProcess”. NBER Working Paper #6270.

Ellison, G. e E. Glaeser (1997) “Geographic Concentration in the U.S. ManufacturingIndustries: A Dartboard Approach”. Journal of Political Economy 105(5).

EMPLASA (1994) Sumário de Dados da Grande São Paulo. São Paulo: Emplasa.

Eurostat (1993) System of National Accounts. Brussels: Comissão da ComunidadeEuropeia.

Fujita, Krugman e Mori (1999) “On the evolution of hierarchical urban systems”.European Economic Review, 43.

Fujita, M. (1988) “A Monopolistic Competition Model of Spatial Agglomeration:Differentiated Product Approach”. Regional Science and Urban Economics, 18.

Fujita, M. and H. Ogawa (1982) “Multiple Equilibria and Structural Transition ofNonmonocentric Urban Configurations”. Regional Science and Urban Economics, 12.

Referências 215

Fujita, M. e P. Krugman (1995) “When is the Economy Monocentric? von Thünen andChamberlin Unified”, Regional Science and Urban Economics, 18:87-124.

Gaspar, J. e E. Glaeser (1998) “Information Technology and the Future of Cities”.Journal of Urban Economics, 43.

Griliches, Zvi (1961) “Hedonic Price Indexes for Automobiles: an econometric analysisof quality change”. The Price Statistics of the Federal Government, No. 73.

Hartwick, J., U. Schweizer e P. Varaiya (1976) “Comparative Static Analysis of aResidential Economy with Several Classes”, Journal of Economic Theory, 13:396-413.

Hausman (1984) “Specification and Estimation of Simultaneous Equation Models” inHandbook of Econometrics, vol. II, ed. Z. Griliches e M. Interligator, Amsterdam:North Holland.

Hausman, J (1978) “Specification Tests in Econometrics” Econometrica, 46, 1978.

Henderson, J. V. (1974) “The Sizes and Types of Cities”. American Economic Review,64.

Henderson, J.V. (1986) “The Timing of Regional Development”, Journal of UrbanEconomics, 12:22-52.

Hesley, R. and Sullivan, A. (1991) “Urban Center Formation”. Regional Science andUrban Economics, 21.

Hoch, I. (1972) “Income and City Size”. Urban Studies, 9:299-328.

Kahn, M. (1995) “A Revealed Preference Approach to Ranking City Quality of Life”Journal of Economics 38(2).

Kearl, J.R. (1975) Inflation-Induced Distortions in the Real Economy, an Econometricand Simulation Study of the Housing and Mortgage Innovations, Ph.D. Thesis,Massachussets Institute of Technology.

Kim, S. (1995) “Expansion of Markets and the Geographic Distribution of EconomicActivities: the Trends in U.S. Regional Manufacturing Structure, 1860-1987”.Quaterly Journal of Economics 110(4).

Kolko, J. (2000) Can I Get Some Service Here?. Phd Dissertation, Harvard University.

Krugman, P (1991) Geography and Trade. Cambridge, MA: MIT Press.

Krugman, P (1995) Development, Geography and Economic Theory. Cambridge, MA:MIT Press.

Mc Faden (1984) “Econometric Analysis of Qualitative Response Models” in Handbookof Econometrics, vol. II, ed. Z. Griliches e M. Interligator, Amsterdam: North Holland.

Mills, E.S. (1967) “An Aggregate Model of Resource Allocation in Metropolitan Areas”.American Economic Review, 57:197-200.

Mills, E.S. (1972) Studies in the Structure of the Urban Economy. Baltimore: JohnHopkins University Press.

Referências 216

Mills, E.S., ed. (1987) Handbook of Regional and Urban Economics. Amsterdam: North-Holland.

Muth, R. (1969) Cities and Housing. Chicago: Chicago University Press.

Myrdal, G. (1943) Economic Theory and Underdeveloped Regions. London: Duckworth.

Newey, W. (1990) “Efficient Instrumental Variables Estimation of Nonlinear Models”.Econometrica, 58:809-839.

Ogawa, H. and Fujita, M. (1980) “Equilibrium Land Use Patterns in a NonmonocentricCity”. Journal of Regional Science, Vol. 20, n. 4.

ONU (1973) Input-Output Tables and Analysis. New York: Serviço de Estatísticas dasNações Unidas.

Paes de Barros, R. e R.S.P. Mendonça (1995) “Os Determinantes da Desigualdade noBrasil”. Ipea: Texto para Discussão 377.

Pakes, A. (1994) “Dynamic Structural Models, Problems and Prospects: MixedContinuos Discrete Controls and Market Interactions”, in Advances in Econometrics:The Sixth World Congress of the Econometric Society, Vol. II, ed. J.-J. Lafont e C.Sims. New York: Cambridge University Press.

Poterba, J.M. (1984) “Tax Subsidies to Owner Occupied Housing: An Asset MarketApproach”, The Quaterly Journal of Economics, 99:729-752

Ramos, R. (1997) “Matriz Insumo-Produto Brasil”. Série Relatórios Metodológicos Ibge,volume 18.

Saxenian, A. (1994) Regional Advantage: Culture and Competition in Silicon Valley andRoutte 128. Cambridge: Harvard University Press

Shepard, S. (1999) “Hedonic Analysis of Housing Markets” in Cheschire, Paul andEdwin S. Mills (1999) Handbook of Regional and Urban Economics, Amsterdam:Elsevier.

Strazheim, M. (1987) “Urban Residential Location”. In: Mills (1987).

Valle, N. (1992) “Uma classificação ocupacional para o estudo da mobilidade e dasituação do mercado de trabalho no Brasil”. Mimeo.

Von Thünen, H. J. (1826) Der Isolierte Staat in Beziehung auf Nationalökonomie undLandwirtschaft. Stuttugart: Gustav Fisher. English Edition: Isolated state; an Englishedition of Der Isolierte Staat. Oxford, New York: Pergamon Press [1966].

Waugh, F.V. (1929) Quality as a Determinant of Vegetable Prices, New York: ColumbiaUniversity Press.

Wheaton, W. (1974) “A Comparative Static Analysis of Consumer Demand forLocation” American Economic Review, 67:620-31.

Wheaton, W. (1996) “Telecommunications Technology and Real Estate: SomePerspective”. MIT/CRE Working Paper #63.

White, M.J. (1976) “Firm Suburbanization and Urban Subcenters”, Journal of UrbanEconomics, 3:323-343.

Referências 217

Forças de Atração e Expulsão na Grande São...

Documents

Transcript of Forças de Atração e Expulsão na Grande São...