Apresentação:
Resumo:
Conhecer o valor de mercado de imóveis é essencial na tomada de decisões por construtores, engenheiros, consumidores e múltiplos agentes associados ao mercado imobiliário. Diante das dificuldades e da necessidade de encontrar o valor de maneira rápida e assertiva, este trabalho propõe um modelo preditivo para estimar valores de mercado de imóveis. Exploram-se por meio de uma pesquisa bibliográfica possibilidades e conexões entre o mercado imobiliário (engenharia de avaliações, preços hedônicos, economia urbana) e ciência de dados (conceitos, regressão linear múltipla, técnicas espaciais complementares). O método consiste em três etapas: organização da base de dados, desenvolvimento do modelo preditivo e estudo de caso em Caxias do Sul – RS. Os dados utilizados nesta investigação incluem transações da Caixa Econômica Federal, censo demográfico do IBGE e pontos de interesse do Google Maps API. O conjunto abrange valores de apartamentos residenciais em uma área de 47 bairros da cidade. As análises exploratórias incluem valores médios por m2, caracterização de variáveis, análises de correlação e gráficos de dispersão. O modelo preditivo é elaborado utilizando a técnica da regressão linear múltipla para determinar os preços hedônicos, obtendo um coeficiente R2 = 0,82. Verifica-se a presença de autocorrelação espacial nos resíduos da regressão. Incluem-se proxies espaciais que diferenciam localizações geográficas, obtendo um coeficiente R2 = 0,87. O estudo de caso na cidade de Caxias do Sul – RS inclui três componentes. A influência da localização é um mapa de calor mostrando a valorização imobiliária no território. A simulação de valores demonstra o funcionamento do modelo preditivo. A análise de aspectos urbanísticos verifica os indicadores de complexidade urbana e segregação espacial e seus impactos sobre a valorização imobiliária do território. Conclui-se que os modelos preditivos associados ao mercado imobiliário proporcionam novas perspectivas a problemas tradicionais, oferecendo inúmeras respostas aos agentes interessados em imóveis.
Palavras-chave: avaliações imobiliárias; ciência de dados, economia urbana.
Abstract:
Being aware of the market value of real estate assets is essential in decision-making by builders, engineers, consumers and several agents associated with real estate markets. Facing the difficulties as well as the need to assess values quickly and assertively, this study aims to propose a predictive model to estimate real estate prices.
The study explores possibilities, through a bibliographical research, and existing connections among real estate markets (valuation engineering, hedonic prices, urban economics) and data science (concepts, multiple linear regression, and further spatial techniques). The method has three steps: database organization, development of the predictive model and a case study in Caxias do Sul – Brazil.
The data sources used in this investigation include transactions of the bank Caixa Econômica Federal, the Brazilian demographic census and points of interest from Google Maps API. The dataset covers residential apartments in an area of 47 city neighborhoods. The exploratory analysis includes average values per square meter, characterization of variables, evaluation of correlations and scatter plots.
The predictive model is employed using the multiple linear regression technique to resolve the hedonic prices, obtaining the coefficient R2 = 0.82. The presence of spatial autocorrelation in the regression residuals is verified. Spatial proxies are included to discern geographic locations, achieving the coefficient R2 = 0.87.
The case study in the city of Caxias do Sul – Brazil includes three major components. Influence of location is a heat map representing real estate appreciation on territory. The simulation of values demonstrates the operation of the predictive model. The analysis of urban factors verifies the urban complexity and spatial segregation indicators and their impacts on the spatial real estate appreciation.
The main takeaway of this research is that predictive models combined to real estate markets provide new perspectives to solve traditional problems, offering plentiful answers to real estate agents.
Keywords: real estate appraisals; data science; urban economics.
1 Comment