PUBLICAÇÃO

Uma aplicação no setor imobiliário do DF

Modelos depreci�cação

Sobre o EstudoQuanto vale um imóvel? Quais são os fatores formadores dos preços prati-cados no mercado imobiliário? Qual é o impacto de cada um desses fatores sobre os preços de mercado? A Odds&Actions analisou quantitativamente a formação dos preços do mercado imobiliário em apartamentos ofertados no Distrito Federal para responder essas perguntas. A análise engloba estatísti-cas descritivas e estimações de modelos de precificação, e foi aplicada sobre uma amostra de 7.932 ofertas de apartamentos, coletada via mecanismos de web crawler.

Esta obra está licenciada sob a licença Creative Commons Atribuição-NãoComercial-SemDerivados 3.0 Não Adaptada. Para ver uma cópia desta licença, visite http://creativecommons.org/licenses/by-nc-nd/3.0/.

Autor

Leonardo de Lima AguirreEstatísticoCONRE 1ª Região - 9208

leonardo@oddsactions.com.br

Brasília, dezembro de 2012

Sumário

RESUMO

INTRODUÇÃO

OBJETIVOS

JUSTIFICATIVA

FUNDAMENTAÇÃO TEÓRICA

METODOLOGIA

ANÁLISE E MODELAGEM ESTATÍSTICA

CONCLUSÃO

REFERÊNCIAS

4

5

6

7

8

10

12

19

20

Resumo

Neste estudo são estimados alguns modelos de precificação de imóveis, mais especificamente de apartamentos localizados nas regiões de Águas Claras, Brasília, Cruzeiro, Guará, Samambaia e Taguatinga por meio de técnicas de estimação de modelos lineares generalizados para respostas com distribui-ção gama. Foi utilizada uma amostra de 7.932 ofertas de apartamentos e fazem parte das variáveis explicativas o número de quartos, número de suítes, o número de garagens, a área útil e variáveis indicadoras de bairros. Os parâmetros estimados são bastante heterogêneos entre as regiões estu-dadas e os impactos de mudanças unitárias nas variáveis independentes sobre o valor dos imóveis chegam a até 18% dependendo da região em análise.

4

O mercado imobiliário é um dos mais importantes no mundo. Uma pesquisa realizada pela Associação de Investidores Estrangeiros no Setor Imobiliário (Afire, sigla em inglês) apontou que, apesar da crise, o mercado americano ainda é a melhor opção para investimentos em imóveis, por ser mais estável e seguro. Segundo a mesma pesquisa, São Paulo é a quarta cidade mais atraente para aplicações em imóveis entre as grandes metrópoles interna-cionais no ano de 2012, perdendo apenas para New York, Londres e Washington. Para realizar a pesquisa a Afire consultou investidores com um portfólio total de mais de 870 bilhões de dólares em todo o mundo. Entre-tanto, a pesquisa também mostra que o ponto baixo para investimentos imobiliários em São Paulo é que a cidade não promete muita valorização de capital, pois os maiores mercados já estão com preços altos.

De acordo com uma reportagem do Wall Street Journal em agosto de 2012, o crescimento do mercado imobiliário no Brasil já começou a desacelerar, pois os empréstimos para projetos imobiliários devem alcançar o crescimento de cerca de 20% neste ano, valor bem abaixo da tendência de 50% dos últimos anos. A economia brasileira no geral também sofreu desaceleração, devido principalmente à crise da dívida europeia, e a expectativa de crescimento foi reduzida de 4,5% para 1,8%.

No Distrito Federal o cenário não é muito diferente. Não existe uma unani-midade sobre o futuro do mercado imobiliário, muito menos sobre a exis-tência de bolha. Portanto, apesar de ser um mercado muito grande, ainda é cercado por consideráveis níveis de incerteza. O presente projeto surge para dar suporte estatístico imparcial a respeito desse setor que possui uma grande carência de estudos analíticos.

Introdução

5

Objetivos

Compreender a formação de preços do mercado imobiliário no Distrito Federal.

1) Estudar os fatores determinantes de preços de apartamentos no DF;

2) Mensurar o impacto de cada fator (localização, tamanho, número de quartos, número de suítes e número de garagens) sobre o preço dos aparta-mentos no DF e avaliar se esse impacto é diferente entre as regiões do DF;

3) Construir modelos de precificação para cada região do DF.

Objetivo Geral

Objetivos Especí�cos

6

O setor imobiliário apresentou um forte crescimento na última década, porém esse crescimento vem se retraindo ao longo dos últimos dois anos. É um setor que se caracteriza por sua dinâmica e complexidade, no qual fatores como a renda, tendências econômicas, competição e consciência ecológica influenciam seus diversos campos.

Embora exista uma série de indicadores que mensurem o comportamento da economia, o mercado imobiliário não dispõe de instrumentos diretos de avaliação. É um mercado ainda carente de informações e estudos analíticos, possivelmente devido ao fato de ser formado em grande parte por empresas familiares. Em entrevista dada à EXAME em outubro de 2012, o economista coordenador do Índice Fipezap, Eduardo Zylberstajn afirmou que o Brasil tem carência de estatísticas de longo prazo referentes ao mercado imobiliá-rio, e ponderou que a perspectiva para o preço dos imóveis no longo prazo não é de valorização constante, pois os preços tendem a se acomodar em algum momento. Resultados de pesquisa nessa área são de interesse de agentes financeiros, construtoras, incorporadoras, proprietários de imóveis, profissionais liberais do setor, stakeholders, etc.

Nesse contexto, o presente estudo se propõe a sanar uma parte da carência por estudos científicos, por meio da estimação de modelos de precificação para apartamentos ofertados à venda nas principais regiões do Distrito Federal.

Justi�cativa

7

O estudo do fenômeno da habitação surgiu no século XIX a partir dos trabalhos de VON THUNEN e SCHWABE, que estudaram o relacionamento entre os valores da terra e dos aluguéis. Estudos posteriores concluíram que a localização próxima aos centros de produção diminui consideravelmente os custos de transportes, resultando na maximização da renda fundiária urbana. Definido como um problema de localização espacial, Alonso (1964) sedimenta o conceito de acessibilidade ao centro de negócios da área urbana considerada, fundamental no estudo do bem habitação. A habitação pode ser vista como um processo em que o homem adiciona à terra uma estrutura física e vai ao mercado ofertar o produto final para locação ou venda.

A atribuição de valor às habitações surge da relação entre as necessidades do bem econômico (demanda) e a quantidade existente (oferta). O valor de um imóvel é formado a partir de uma avaliação direta do bem, das expectati-vas do que aquele bem pode produzir de resultados, ou do simples preço de equilíbrio entre a quantidade ofertada e a quantidade demandada (DANTAS, 1998).

Do ponto de vista estatístico, uma das formas de estimar o valor de um bem dadas suas características é por meio do ajuste de um modelo baseado em dados coletados a respeito desse mercado, ou seja, é possível encontrar uma função que descreva o valor do bem em função das principais características que determinam esse valor.

A estatística possui suas raízes no desenvolvimento do método científico devido à importância das análises baseadas em estudos empíricos para as descobertas científicas. Os matemáticos Pascal e Fermat estabeleceram alguns dos fundamentos da probabilidade no início do século XVII, porém a ideia de correlação entre variáveis e regressão surgiu com Pearson (1857-1936) com o objetivo de avaliar o relacionamento entre variáveis com a presença de um erro estocástico. A modelagem estatística começou a ser

Fundamentaçãoteórica

8

utilizada com maior frequência na década de 50, quando os economistas muitas vezes levavam mais de 24 horas para chegar aos resultados de uma regressão linear normal, dadas as restrições tecnológicas da época. Anos depois surgiram algumas alternativas aos modelos lineares normais, bem como o desenvolvimento do Modelo Linear Generalizado (MLG).

Os modelos lineares generalizados possibilitam uma abordagem unificada para vários procedimentos estatísticos usados em aplicações da estatística em áreas como agricultura, demografia, economia, engenharia, finanças, entre outras. O termo Generalized Linear Model foi introduzido por Nelder e Wedderburn no início da década de 70, e desde então a utilização de mode-los com essa abordagem vêm crescendo cada vez mais, pois engloba uma classe de variáveis discretas e contínuas que originalmente não poderiam ser modeladas em um modelo linear normal.

Nesse projeto os modelos lineares generalizados serão aplicados no contex-to do mercado imobiliário do Distrito Federal, com o objetivo de mensurar e identificar os fatores determinantes de preços de apartamentos em algu-mas das principais regiões do DF.

9

Metodologia

Por meio de um robô de busca, termo também conhecido como web scra-ping, coletou-se informações de anúncios de imóveis na internet e construiu-se um banco de dados contendo 12.729 ofertas de apartamentos para venda no Distrito Federal no primeiro dia do mês de outubro de 2012. Tipicamente, informações coletadas pela internet possuem inconsistências. Para eliminá-las foram retirados os imóveis com valores ofertados acima do percentil 95 e abaixo do percentil 5. Além disso, foram desconsiderados os anúncios de apartamentos que apresentavam mais de 5 quartos, mais de 5 suítes, menos de 60 m2 e mais de 350 m2. A aplicação dessas restrições resultou em um banco de dados com 7.932 ofertas de apartamentos nas regiões de Águas Claras (Sul e Norte), Brasília (Asa Norte, Asa Sul, Noroes-te, Octogonal, Park Sul e Sudoeste), Cruzeiro (Novo), Guará (I e II), Samam-baia (Sul) e Taguatinga (Norte e Sul). Portanto, todas as análises do estudo são limitadas a apartamentos com essas características.

Seja a função de densidade de probabilidades de uma variável aleatória definida como:

onde e , em que é a função de variância e é o parâmetro de dispersão.Os MLGs são definidos por (1) e pela parte sistemática:

onde é o preditor linear, , , é um vetor de parâ-metros de a serem estimados, representa os valores das variáveis explicativas e é denominada função de ligação.

ƒ(yi; θi, φ) = exp[φ{yiθi - b(θi)} + c(yi, φ)], (1)

E(Yi) = μi = b'(θi) Var(Yi) = φ-1V(μi) Vi = V(μi) = dμi/dθiφ-1 > 0

g(μi) = ηi, (2)

β = (β1, ..., βp)T p < nx = (xi1 , ..., xip)T

g(.)

10

A ideia básica sobre os MLGs consiste em abrir o leque de opções para a distribuição da variável resposta, permitindo que ela pertença à família exponencial de distribuições, bem como dar maior flexibilidade para a rela-ção funcional entre a média da variável resposta e o preditor linear.

Sobre a população de imóveis de interesse, foram estimados cinco modelos lineares generalizados (MLGs), um para cada região do DF. O interesse é avaliar de que forma o número de quartos, o número de suítes, o número de garagens, a área útil e os bairros, quando possível, impactam o valor dos imóveis. Apesar do valor do imóvel ser influenciado por diversos outros fatores, como o andar, proximidade a hospitais, escolas e shoppings, a posi-ção com relação ao sol, dentre outros, esses fatores não foram considerados pois essas informações não eram disponíveis para a amostra coletada. Os modelos estimados assumem distribuição gama para a variável resposta (valor do imóvel), já que essa distribuição é indicada em casos de respostas positivas assimétricas. Pode-se mostrar também que à medida que o parâme-tro de dispersão cresce, a distribuição gama fica mais simétrica em torno da média, e se aproxima de uma distribuição normal. Portanto, a distribuição gama também é atrativa em casos de respostas simétricas. As funções de ligação mais usadas no caso gama são a identidade, logarítmica e recíproca. Nesse estudo usaremos a logarítmica, pois possibilita o desenvolvimento de experimentos ortogonais como são bem conhecidos em modelos de regres-são normal linear, além de possibilitar interpretações interessantes sobre o impacto em termos percentuais das variáveis explicativas sobre a variável resposta.

Todas as manipulações de bancos de dados e análises estatísticas foram realizadas no software R, versão 2.14.2.

φ

11

Nesta sessão, para algumas regiões do DF, serão apresentados resultados descritivos, além dos parâmetros estimados para os modelos lineares gene-ralizados e os principais resultados encontrados.

A descrição dos dados é uma importante etapa do estudo preliminar das informações disponíveis, pois nos permite avaliar o comportamento das variáveis e de que forma elas se relacionam. Nessa etapa serão apresentadas estatísticas que descrevem a amostra com relação a alguns fatores, tais quais: preço do imóvel (em R$), preço do m2 (em R$) número de quartos, número de suítes, número de garagens, área útil (em m2) e região. A Tabela 1 apre-senta as estatísticas mínimo, 1º quartil, mediana, média, 3º quartil, máximo e desvio-padrão para as variáveis utilizadas no estudo.

Em geral, existem diferenças expressivas entre as características dos imóveis em cada região. Em Águas Claras e Brasília, aproximadamente 75% dos imóveis têm mais de 80m2, porém, esses imóveis geralmente têm mais quar-tos em Águas Claras do que em Brasília, mostrando que o conceito mais recente das construções é de apartamentos com quartos menores. Note que a variabilidade dos preços praticados em Brasília é maior, pois é a região estudada que engloba a maior quantidade de bairros e, consequentemente, diferentes tipos de imóveis. As demais regiões são menos representativas em termos de número de ofertas e possuem menores variabilidades nos preços ofertados.

O Gráfico 1 mostra a distribuição dos preços ofertados segundo região. É possível perceber a assimetria nas distribuições, o que justifica a utilização da distribuição gama nos modelos ajustados mais adiante. Além do formato das distribuições, as médias também são bastante diferentes.

Análise e ModelagemEstatística

Análise descritiva

12

Variável Estatística

Mínimo 1º quartil Mediana Média 3º quartil Máximo Desvio-Padrão Águas Claras (n=3999)

Nº quartos 1 3 3 2,95 3 5 0,70 Nº suítes 0 1 1 1,48 2 4 0,95 Nº garagens 0 1 1 1,51 2 3 0,68 Área útil (m2) 60 77 94 104,8 122 350 39,04 Preço (R$) 235.000 360.000 450.000 507.100 580.800 1.550.000 209.585 Preço/m2 1.825 4.432 4.801 4.827 5.192 8.442 611,46

Brasília (n=2729) Nº quartos 1 2 3 2,77 3 4 0,61 Nº suítes 0 0 1 0,83 1 4 0,66 Nº garagens 0 0 1 0,90 1 3 0,75 Área útil (m2) 60 80 100 103,2 121 270 27,83 Preço (R$) 360.000 679.000 880.000 907.700 1.120.000 1.558.000 277.529 Preço/m2 3.870 7.750 8.899 8.799 9.750 17.330 1466,08

Cruzeiro (n=133) Nº quartos 2 3 3 2,89 3 3 0,32 Nº suítes 0 0 0 0,21 0 1 0,41 Nº garagens 0 0 0 0,11 0 2 0,41 Área útil (m2) 60 63 65 66,87 68 86 5,83 Preço (R$) 260.000 349.000 370.000 378.000 400.000 520.000 48.075 Preço/m2 4.250 5.221 5.571 5.671 6.047 7.727 691,86

Guará (n=558) Nº quartos 1 2 3 2,66 3 4 0,64 Nº suítes 0 0 1 0,89 1 4 0,76 Nº garagens 0 1 1 1,29 2 3 0,64 Área útil (m2) 60 65 78 85,02 98 320 28,15 Preço (R$) 190.000 350.000 420.000 437.100 525.000 1.399.000 202.479 Preço/m2 1.344 4.750 5.553 5.503 6.250 8.633 1.055

Samambaia (n=148) Nº quartos 2 2 3 2,53 3 5 0,54 Nº suítes 0 1 1 0,99 1 3 0,31 Nº garagens 0 1 1 1,12 1 3 0,40 Área útil (m2) 60 61,59 68 69,4 71 112,2 9,92 Preço (R$) 180.000 225.000 248.000 255.500 278.100 408.000 45.845 Preço/m2 2.381 3.365 3.701 3.681 3.977 4.852 399

Taguatinga (n=365) Nº quartos 1 2 3 2,64 3 5 0,63 Nº suítes 0 0 0 0,61 1 4 0,80 Nº garagens 0 0 1 0,92 1 3 0,68 Área útil (m2) 60 66,79 74 84,76 90 250,2 32,79 Preço (R$) 179.000 220.000 255.000 308.100 330.000 1.150.000 157.559 Preço/m2 2.000 2.984 3.428 3.614 4.238 6.316 860

Tabela 1. Medidas resumo das variáveis disponíveis segundo região

13

O Gráfico 2 mostra a distribuição do número de ofertas de apartamentos da amostra segundo bairro. O bairro com menor representatividade é a Octogonal, com 120 ofertas de apartamentos. Águas Claras se destaca com quase 4 mil ofertas.

0

200

400

600

0

50

100

150

01020304050

020406080

100

0102030405060

020406080

100120

AGUAS−C

LARAS

BRASILIA

CRU

ZEIROG

UARA

SAMAM

BAIATAG

UATINGA

500.000 1.000.000 1.500.000Preço (R$)

Freq

uên

cia

Grá�co 1. Histograma dos preços dos apartamentos segundo região

14

1993 2006

875733

287

120164

550

133 123

435

148 194 171

Água

s Clar

as Nort

e

Água

s Clar

as Su

l

Asa N

orte

Asa S

ul

Noroest

e

Octogo

nal

Park

Sul

Sudo

este

Cruz

eiro N

ovo

Guará

I

Guará

II

Samam

baia

Sul

Tagu

ating

a Nort

e

Tagu

ating

a Sul

Grá�co 2. Quantidade de ofertas de apartamentos segundo bairro.

Modelos Estimados

Como definido anteriormente, o objetivo principal do estudo é avaliar o impacto das características de um apartamento sobre seu valor. Uma manei-ra viável para alcançar esse objetivo é por meio da estimação de MLGs (um por região) cujas variáveis explicativas sejam o número de quartos, o número de suítes, o número de garagens, a área útil e dummies de bairro, quando possível. A distribuição gama, da família exponencial, foi escolhida devido às assimetrias das variáveis resposta, definidas como o preço oferta-do do imóvel em cada região.

A Tabela 2 apresenta os resultados dos modelos estimados para cada região do Distrito Federal. Em termos de nível de explicação, os modelos estima-dos para o Cruzeiro e para Samambaia não foram satisfatórios, pois apresen-taram valores de pseudo-R2 iguais a 20,9% e 61,6%, respectivamente. Entre-tanto, para as demais regiões os pseudos-R2 dos modelos estimados são maiores que 80%. É importante ressaltar que os parâmetros estimados não possuem interpretação direta, já que utilizamos a função de ligação logarít-mica na estimação do modelo. Portanto, se aplicarmos a função exponencial sobre um parâmetro estimado, o resultado é o fator multiplicativo do preço no aumento de uma unidade da variável explicativa a que esse parâmetro se refere. Sendo assim, ceteris paribus, o aumento de um quarto em um aparta-mento em Águas Claras resulta em um acréscimo médio de (exp(0,066)-1)%,

15

Nº Quartos

Nº Suítes

Nº Garagens

Área Útil (m2)

6.9

3.6

6.9

0.6

3.6

6.1

17.3

0.7

11.8

14.1

8.5

0.6

11

16.4

9.6

0.5

3.1

8.4

−0.7

0.5

−0.7

10.8

−0.7

1.4

Águas Claras Brasília Guará Taguatinga Cruzeiro Samambaia

ou seja, 6,9%, no valor do imóvel, por exemplo.

O impacto das covariáveis sobre o valor dos apartamentos é bastante hete-rogêneo entre as regiões, o que justifica a estimação de um modelo para cada região. Enquanto o acréscimo de uma unidade de garagem em um apartamento em Brasília aumenta o preço do imóvel em 17,3%, em Águas Claras esse impacto é menor que 7%. Em Taguatinga e no Guará as suítes têm um peso importante na precificação de um apartamento, o que já não ocorre com tanta intensidade em Brasília e Águas Claras. Os resultados também foram apresentados de uma forma gráfica no Gráfico 2, um heat map no qual a intensidade da cor está diretamente associada ao nível do impacto percentual de cada varável independente sobre o valor do imóvel em cada região. Ceteris paribus, o aumento de um m2 na área útil de um apartamento eleva o preço dos imóveis de uma maneira mais homogênea entre as regiões. O Gráfico 3 resume o impacto das covariáveis sobre o preço dos apartamentos, segundo região.

Grá�co 2. Impacto percentual das variáveis explicativas sobre o preço ofertado do imóvel segundo região.

Nota 1: Apesar de apresentados no gráfico, alguns resultados para as regiões do Cruzeiro e de Samambaia não foram estatisticamente significantes.Nota 2: As dummies e os interceptos dos modelos estimados foram omitidos para a representação gráfica.

16

Variável

Estatística

Erro Padrão P-valor Limite Inferior IC(95%)

Limite Superior IC(95%)

exp( )

Águas Claras (n=3999, Pseudo-R2=0,896, Bairro base=Norte) Intercepto 12,062 0,009 <0,001 12,045 12,080 173.216,9 Nº quartos 0,066 0,004 <0,001 0,058 0,074 1,069 Nº suítes 0,036 0,003 <0,001 0,030 0,041 1,036 Nº garagens 0,066 0,004 <0,001 0,059 0,074 1,068 Área útil (m2) 0,006 0,000 <0,001 0,006 0,006 1,006 Dummy Sul 0,013 0,004 <0,001 0,005 0,021 1,013

Brasília (n=2729, Pseudo-R2=0,820, Bairro base=Asa Norte) Intercepto 12,684 0,014 <0,001 12,657 12,711 322.600,9 Nº quartos 0,036 0,006 <0,001 0,023 0,048 1,036 Nº suítes 0,059 0,005 <0,001 0,048 0,070 1,061 Nº garagens 0,159 0,005 <0,001 0,149 0,169 1,173 Área útil (m2) 0,007 0,000 <0,001 0,007 0,007 1,007 Dummy Asa Sul 0,028 0,007 0,001 0,014 0,042 1,028 Dummy Noroeste -0,025 0,011 0,022 -0,046 -0,004 0,975 Dummy Octogonal -0,100 0,014 <0,001 -0,127 -0,073 0,905 Dummy Park Sul -0,244 0,014 <0,001 -0,271 -0,217 0,783 Dummy Sudoeste 0,005 0,008 0,507 -0,010 0,020 1,005

Cruzeiro (n=133, Pseudo-R2=0,209) Intercepto 12,373 0,137 <0,001 12,102 12,645 236.388,7 Nº quartos 0,030 0,033 0,357 -0,034 0,094 1,031 Nº suítes 0,081 0,026 0,002 0,030 0,132 1,084 Nº garagens -0,007 0,025 0,768 -0,055 0,042 0,993 Área útil (m2) 0,005 0,002 0,004 0,002 0,009 1,005

Guará (n=558, Pseudo-R2=0,820, Bairro base=Guará I) Intercepto 11,915 0,033 <0,001 11,849 11,981 149.465,8 Nº quartos 0,112 0,015 <0,001 0,082 0,142 1,118 Nº suítes 0,132 0,013 <0,001 0,105 0,158 1,141 Nº garagens 0,082 0,014 <0,001 0,054 0,110 1,085 Área útil (m2) 0,006 0,000 <0,001 0,005 0,006 1,006 Dummy Guará II 0,133 0,019 <0,001 0,097 0,170 1,143

Samambaia (n=148, Pseudo-R2=0,616) Intercepto 11,380 0,082 <0,001 11,216 11,542 87.532,9 Nº quartos -0,007 0,019 0,700 -0,045 0,031 0,993 Nº suítes 0,103 0,033 0,002 0,038 0,168 1,108 Nº garagens -0,007 0,027 0,810 -0,060 0,047 0,993 Área útil (m2) 0,014 0,001 <0,001 0,012 0,017 1,014

Taguatinga (n=365, Pseudo-R2=0,815, Bairro base=Norte) Intercepto 11,704 0,046 <0,001 11,614 11,794 121.077,4 Nº quartos 0,104 0,021 <0,001 0,064 0,145 1,110 Nº suítes 0,152 0,016 <0,001 0,120 0,185 1,164 Nº garagens 0,092 0,017 <0,001 0,056 0,127 1,096 Área útil (m2) 0,005 0,000 <0,001 0,004 0,006 1,005 Dummy Sul 0,030 0,020 0,142 -0,010 0,069 1,030

Tabela 2 – Resultados dos modelos estimados segundo região

17

Além das interpretações dos parâmetros dos modelos estimados, também é possível estimar o preço esperado de um apartamento dadas suas caracte-rísticas. Considere, por exemplo, que tem-se o interesse de estimar o preço de um apartamento de 3 quartos, 1 suíte, 1 garagem, 100 m2, localizado na Asa Sul. Conforme o modelo estimado, o valor esperado para esse imóvel é igual a

ou seja, R$ 919.220,90. Em Águas Claras Sul, espera-se que um apartamento com as mesmas configurações custe R$ 444.353,90, menos da metade do preço na Asa Sul.

exp(12,684 + 3*0,036 + 1*0,059 + 1*0,159 + 100*0,007 + 1*0,028+ 0*(-0,025) + 0*(-0,100) + 0*(-0,244) + 0*(0,005))

18

No presente estudo foi analisado o mercado imobiliário do Distrito Federal no que diz respeito à precificação de apartamentos em diferentes regiões do DF. Utilizando técnicas estatísticas foi possível estimar o impacto relativo das características dos imóveis sobre os seus valores ofertados no mercado. A precificação de um ativo, do ponto de vista da teoria financeira, é baseada no cálculo do Valor Presente Líquido (VPL) dos fluxos de caixa a serem realizados ao longo dos períodos, resultantes da aquisição do ativo. Do ponto de vista estatístico, essa precificação pode também ser baseada em informações de mercado a partir do desenvolvimento de um modelo, de tal forma que seja possível estimar o peso de cada atributo sobre a formação de preços do ativo.

As estimativas dos modelos lineares generalizados com resposta gama mostram que o processo de formação de preços de imóveis nas diferentes regiões do DF é bastante heterogêneo, ou seja, os atributos dos apartamen-tos têm diferentes pesos em cada região estudada. Esse fato está diretamen-te associado aos diferentes perfis e preferências dos consumidores que estão em busca de imóveis em cada região estudada. Isso significa natural-mente que os impactos dos atributos em cada região têm uma relação próxima à relação oferta-demanda desses atributos nos diferentes locais.

Conclusão

19

DANTAS, Rubens Alves; MAGALHAES, André Matos; VERGOLINO, José Raimundo de Oliveira. Avaliação de imóveis: a importância dos vizinhos no caso de Recife. Econ. Apl., Ribeirão Preto, v. 11, n. 2, June 2007.

FAHRMEIR, L. e TUTZ, G. (2001). Multivariate Statistical Modelling Based on Generalized Linear Models, Second Edition. New York: Springer.

FARAWAY, J. J. (2006). Extending the Linear Model with R. Generalized Linear, Mixed Effects and Nonparametric Regression Models. London: Chapa-man and Hall/CRC.

FAVERO, Luiz Paulo Lopes; BELFIORE, Patrícia Prado; LIMA, Gerlando A. S. Franco de. Modelos de precificação hedônica de imóveis residenciais na região metropolitana de São Paulo: uma abordagem sob as perspectivas da demanda e da oferta. Estud. Econ., São Paulo, v. 38, n. 1, Mar. 2008.

FOSTER, D. P.; STINE, R. A. e WATERMAN, R. P. (1998). Business Analysis using Regression. New York: Springer.

LINDSEY, J.K (2007). Applying Generalized Linear Models. Limburgs Universi-tair Centrum, Diepenbeek.

Referências

20

www.oddsactions.com.br