Resumo

A avaliação imobiliária é influenciada por princípios microeconômicos, como oferta e demanda, e utilidade marginal. A escassez e flutuações na demanda afetam a formação de preços. A precificação de imóveis, fundamental para decisões de compra/venda, viabilidade de empreendimentos e cálculo de impostos, usa modelos variados, incluindo web scraping e dados do ITBI para maior precisão. Este estudo comparou modelos de machine learning (XGBoost, SVM Kernel Linear, Regressão Linear, Random Forest, Rede Neural e GLM Gama) para precificação de imóveis, usando dados do ITBI de Belo Horizonte.

Como métodos de machine learning, como XGBoost e SVM Kernel Linear, se comparam em termos de acurácia na precificação de imóveis urbanos, utilizando dados do ITBI, em comparação com métodos tradicionais como Regressão Linear, Random Forest, Rede Neural e GLM Gama?

A literatura sobre precificação de imóveis é ampla e pode ser classificada em várias abordagens: (1) Comparativa de mercado, (2) Custo, (3) Capitalização de renda, (4) Preços hedônicos, (5) Preços médios/medianos, (6) Repetição de vendas, (7) Métodos híbridos, (8) Opções, (9) Rendimento equivalente e (10) Crescimento periódico. Modelos hedônicos (HPM), usando regressão multivariada, relacionam preço de venda a atributos dos imóveis. Estudos recentes com machine learning, como XGBoost, mostram alta acurácia comparada à regressão hedônica clássica.

Os dados usados neste estudo foram fornecidos pela Secretaria Municipal de Fazenda de Belo Horizonte e estão disponíveis no portal Dados Abertos. Outros municípios não disponibilizam esses dados devido a leis de sigilo tributário e proteção de dados. Utilizando dados de Belo Horizonte de janeiro de 2022 a fevereiro de 2023, foram analisados 19.632 registros de apartamentos. O modelo teórico baseia-se na abordagem de preços hedônicos, considerando variáveis como bairro, ano de construção, padrão de acabamento e zona de uso, com a variável resposta ajustada pelo INCC.

O estudo analisou cerca de 19.000 transações de imóveis em Belo Horizonte entre janeiro de 2022 e fevereiro de 2023. A análise exploratória mostrou que os valores por metro quadrado têm distribuição simétrica e que a maioria dos imóveis foi construída recentemente. As variáveis padrão de acabamento e zona de uso influenciam os valores dos imóveis. Dos seis modelos de aprendizado de máquina testados, o XGBoost e o SVM Kernel Linear apresentaram os melhores resultados, enquanto o GLM Gama teve o pior desempenho. Ajustes de hiperparâmetros são recomendados para melhorar os modelos.

Na comparação entre o modelo teórico proposto e o modelo hedônico clássico, proxies foram usadas para as variáveis, exceto para "características da vizinhança". Em Belo Horizonte, bairros como Jardim Atlântico, Savassi e Belvedere têm os maiores valores de m², variando de R$ 2.746,01 (P1) a R$ 7.554,90 (P5). Zoneamento mostrou grande influência nos preços. A falta de publicidade dos dados do ITBI é uma limitação, mas Belo Horizonte demonstra que é possível divulgar esses dados conforme a lei. Futuras pesquisas poderiam otimizar os hiperparâmetros e incluir variáveis macroeconômicas.

ADETILOYE, K. A.; EKE, P. O. A Review of Real Estate Valuation and Optimal Pricing Techniques. Asian Economic and Financial Review, v. 4, n. 12, p. 1878–1893, 2014. ABIDOYE, R. B.; CHAN, A. P. C.; ABIDOYE, F. A.; OSHODI, O. Predicting property price index using artificial intelligence techniques: Evidence from Hong Kong. International journal of housing markets and analysis, v. 12, n. 6, p. 1072-1092, 2019.