Documente Academic
Documente Profesional
Documente Cultură
Preços e factores
condicionantes nos mercados
imobiliários
- Efeitos no Mercado da Habitação de Lisboa e
Viseu
[Neste estudo procuramos definir quais as variáveis que influenciam o preço das casas nos
mercados de Lisboa e Viseu, duas cidades completamente diferentes, cujo único ponto em
comum é o país onde se situam: Portugal. A par com a modelização dos preços nestes
mercados, a comparação destas duas realidades é o objectivo principal deste estudo que aplica
uma regressão de quantis (modelo hedónico de preços) no processo de modelização.]
Índice
1. Introdução
2. Revisão de leitura
3. Contexto
3.1 Lisboa
3.2 Viseu
4. Método
5. Dados
6. Resultados
7. Discussão e Conclusão
Referências
Anexos
1. Introdução
Sobre o mercado imobiliário e os condicionantes dos preços das habitações já muito foi
dito. Chen, Kuan and Chia (2007) analisaram a relação entre os preços das casas e as taxas de
poupança das famílias em Taiwan, nas décadas de 80 e 90 concluindo que, em termos
agregados, uma redução na poupança provoca uma desvalorização dos imóveis, o que tem
graves consequências ao nível da formação de capital (investimento) e, consequentemente, ao
nível do crescimento económico, do saldo da balança de pagamentos e do bem-estar a longo
prazo. Para isto, estimaram uma regressão de quantis, muito útil em casos como este, em que o
objectivo é comparar propensões a poupar com a variação do rendimento, ou seja, comparar
segmentos da amostra.
Com a mesma regressão, Zietz’s e Sirmars (2007) concluiram que a regressão de
quantis, quando comparada com outros métodos, é a que melhor traduz os efeitos das
características das casas na formação do preço.
When, Jia e Guo (2005) estudaram também a relação entre características e preço das
habitações no sector imobiliário chinês. Através da estimação de um modelo e da análise dos
coeficientes, concluíram que a influência da localização da habitação no preço ronda os 20%,
sendo que não seria este o factor mais condicionante na compra de casa.
Allen C. Goodman (1977) já tinha adoptado o mesmo método no seu trabalho Hedonic
prices, price indicies and housing markets. Goodman demonstrou que os diferenciais dos preços
entre habitações em zonas urbanas e subúrbios eram significativos, concluindo depois do seu
estudo que a análise das co-variâncias mostra a heterogeneidade dos coeficientes calculados e
que a melhor forma para estudar os preços das habitações em zonas centrais e subúrbios das
Áreas Metropolitanas, seria adoptar dois modelos distintos, num estudo de curto-prazo do
mercado.
Em 2007, Keil e Zabel avaliaram a influência da localização no preço das casas, e
concluíram que este era o factor mais importante. Estudaram-no em três dimensões: infra-
estruturas disponíveis, cidade e rua, numa aplicação a que chamaram 3L (location, location,
location, pelas três dimensões já referidas). Para este estudo usaram, também, um modelo
hedónico de preços, sem quantis.
Wenzheng Li, Marc Prud’homme e Kam Yu abordam em Studies in Hedonic Resale
Housing Price Indexes (2006) o modelo hedónico, pretendendo avaliar a relação entre a
qualidade das zonas em que se situam os imóveis e os índices de preços. Utilizaram então para o
seu estudo o NHPI (New Housing Price Índex), que desempenha um papel importante no Índice
de Preços do Consumidor e, acima disso, na Contabilidade Nacional. Portanto, em termos
contabilísticos o NHPI é utilizado, excluindo o terreno dos imóveis, para deflacionar o valor das
construções e o valor do stock de habitações. Para além deste índice, os autores consideraram
relevante utilizar também o modelo hedónico. Quando as características das habitações são
expressas como função linear do seu preço, os coeficientes estimados dessas características
podem ser interpretados como sendo os seus preços implícitos. Os autores concluíram após o
estudo que os índices hedónicos de preços – utilizados no modelo - são insensíveis a mudanças
estruturais ao longo dos anos e às diferenças existentes entre índices de Laspeyres de índices de
Paasche.
Olympia Bover e Pilar Velilla em Hedonic House Prices without characteristics: the case
of new multiunit housing (2002) propõem uma alternativa aos tradicionais modelos hedónicos
ao estudar o mercado da habitação em Espanha, na década de 90. As autoras focam-se em
factores como a localização exacta dos imóveis, transportes, proximidade a serviços e qualidade
das construções que são indicadores por vezes postos de parte, mas que são também bastante
relevantes em estudos baseados em modelos como este. A alternativa que estas autoras propõem
baseia-se nas variações dos preços de imóveis pertencentes à mesma Imobiliária.
Anne Laferrère utiliza de novo o modelo hedónico de preços, em Hedonic Housing
Price Indexes: the French Experience (2003). O método por ela utilizado baseia-se na estimação
econométrica do valor de um conjunto fixo de apartamentos ou moradias em 300 zonas
geográficas. Cada zona tem o seu modelo hedónico de preços.
Em An Hedonic Model for House Prices in Malaysia (s.d.), Tan Yen Keng pretende
analisar os factores que estão correlacionados com o preço das casas e depois estimar os preços
futuros, aplicando o modelo de preços de regressão que incorpore esses factores. Os resultados a
que Keng chegou comprovam a hipótese de que os preços das habitações são determinados
pelos factores económicos e financeiros, relevantes à procura e à oferta no mercado imobiliário
da Malásia. Ou seja, o rendimento real per capita e os preços de habitação vão ter uma
correlação muito elevada (quase perfeita). Já a taxa de desemprego tem uma correlação negativa
com este índice de preços, ao contrário do total de empréstimos bancários à habitação, que tem
uma correlação positiva muito forte.
Stephen Sheppard foi o autor de Hedonic Analysis of Housing Markets (1997). Para
além da utilização de um modelo hedónico, o autor dá grande importância à análise do bem-
estar do consumidor, que procura um bem que neste caso é a habitação. Para além disso,
Sheppard considera três características dos mercados imobiliários:
i. Envolvem procura (um consumidor ao querer comprar casa vai
primeiro recolher informações acerca de vários imóveis, antes de
adquirir um deles – continua à procura até que o aumento esperado na
utilidade é inferior a esse custo de procura);
ii. São espaciais entre eles (as habitações envolvem quantidades
diferentes de terreno e possuem localizações diferentes);
iii. Envolvem habitações novas e usadas (a fracção de oferta de
habitações novas é muito pequena em quase todos os mercados).
Não podemos deixar de referir que o modelo hedónico de preços se aplica a outros sectores
para além deste, como podemos ver vem Combris, Licocq e Visser (1997), que aplicaram este
modelo ao estudo da influência da qualidade do vinho de Bordeaux no seu preço. No entanto,
devido à heterogeneidade da amostra, não encontraram relação entre estas duas variáveis.
3. Contexto
3.1 Lisboa
Lisboa é a capital portuguesa, sendo uma das cidades com mais habitantes por m2.
Lisboa é uma cidade de contrastes, desde sociais, culturais como económicos. Lisboa é como
tantas outras capitais, um centro de oportunidades e onde predomina o sector terciário da
economia, sendo assim os seus habitantes têm uma oferta variada a diversos níveis, desde
interfaces de transportes, comércio, escolas, actividades, etc.
É, também, uma cidade muito diferenciada no que toca à oferta de habitações, visto que
há habitações de uma gama considerada muito baixa até ao topo da gama, ou seja, há desde
bairros sociais, habitações deveras degradadas e prédios devolutos até condomínios de luxo e
palácios. Cada vez mais tem-se assistido a uma reestruturação do panorama citadino da cidade,
onde as moradias e os prédios baixos têm dado lugar a edifícios altos.
Em Lisboa, em parte devido aos efeitos do Novo Regime de arrendamento Urbano e
Regime Extraordinário de Apoio e Reabilitação Urbana, existe duas realidades distintas no
ornamento do território, pois ocorre tanto a reabilitação de prédios degradados (concentrando-se
mais nas zonas do Chiado, Lapa, Bairro Alto, zonas históricas) como ocorre a comercialização
de habitações novas (Parque das Nações e Avenidas Novas). No ano passado de 2009, houve
uma variação de 20% nas promoções das construções novas.
Continuamente, tem-se observado um aumento da proporção das habitações próprias em
detrimento da opção de arrendamento, sendo que no ano passado, 76% da procura optou pela
opção de compra de habitação-própria, em vez da opção de arrendamento. Em casos mais raros,
os consumidores têm a possibilidade de realizar o arrendamento com opção futura de compra,
como tal, podemos observar que existe uma importância crescente da modalidade de
arrendamento com opção de compra na comercialização de habitações familiares.
A maioria da oferta de habitações é de tipologia T2 e T3, representando mais de 50% da
oferta imobiliária da cidade. Tal como em outras capitais, a tipologia de construção está a
modificar-se, passando de tipologias maiores (T3 ou superior), para predominarem a ser T1 ou
T2. Como tal, esta reestruturação das tipologias e reabilitação dos imóveis originam a mudanças
tanto nos preços como em todo o mercado imobiliário.
A maioria da oferta de habitações é de tipologia T2 e T3, representando mais de 50% da
oferta imobiliária da cidade. Tal como em outras capitais, a tipologia de construção está a
modificar-se, passando de tipologias maiores (T3 ou superior), para predominarem a ser T1 ou
T2. Como tal, esta reestruturação das tipologias e reabilitação dos imóveis originam a mudanças
tanto nos preços como em todo o mercado imobiliário.
3.2. Viseu
Viseu é uma das cidades do interior que verificou o maior desenvolvimento nos últimos
5 a 10 anos. É uma cidade que começou por ser mais ligada ao sector primário e secundário da
economia, sendo que nos últimos anos se tem verificado um afastamento progressivo da
agricultura (actualmente o sector agrícola ocupa apenas 2% da população activa, em especial na
produção hortícola). O desenvolvimento do sector terciário levou ao aparecimento de novos
serviços e consequentemente ao desenvolvimento económico da cidade em termos de
acessibilidades, comércio e espaços de lazer.
Viseu, tal como Lisboa, tem algumas disparidades entre a oferta de imóveis, havendo
prédios antigos com uma qualidade inferior a prédios novos e modernos, sendo que é uma
cidade genericamente caracterizada por prédios relativamente baixos (altura média de 3 pisos) o
que leva um panorama alargado das vistas.
A cidade não era muito dada à reabilitação de edifícios, mas nos últimos anos tem-se
verificado um investimento na reabilitação das zonas históricas, nomeadamente, na Sé.
Num estudo feito pela APEMIP (Associação dos Profissionais e Empresas de Mediação
Imobiliária de Portugal) 82,6% da procura residencial é direccionada para a compra da
habitação completada por uma procura de 36.5% de apartamentos em detrimento das moradias.
É um mercado cuja tipologia mais procurada é o T3 (28,8%) seguido da preferência por T2 e
T4, respectivamente 18,7% e 18,3%.
Viseu não escapou à recessão imobiliária que se vive a nível mundial, tendo tido um
abrandamento nos últimos dois anos. Contudo, actualmente, já se verifica um crescimento da
procura prevendo-se que a partir de 2011 se venha a verificar uma procura de imóveis para
venda positiva. O mercado está estagnado no que toca ao lançamento de novos
empreendimentos devendo-se prolongar até ao próximo ano, sendo previsível que em 2011
surjam novos empreendimentos com características mais modernas não sendo, no entanto,
susceptível que se venha a verificar inflação nos preços de oferta.
4. Método
Neste estudo, utilizaremos um modelo hedónico, mais especificamente o método de
regressão de quantis, Por função hedónica entende-se uma função onde a variável dependente
varia em função dos diferentes níveis de qualidade do objecto de estudo. É uma “função de
qualidade”, onde se assume que as características são os factores que mais influênciam o
objecto em estudo. Neste caso, termos uma variável dependente - o preço - que evolui segundo
as características do objecto de estudo - as casas. De considerara, ainda, que a amostra em
estudo é extremamente heterogénea, logo a relevância que cada característica tem na formação
de preços vai variando nos vários segmentos da amostra, sendo essa a principal razão que nos
levou à escolha do método de regressão de quantis, que nos permite estudar os efeitos marginais
da amostra. Um modelo do tipo OLS não traduz esta realidade pois apresenta os valores médios
da amostra, dissolvendo a heterogeneidade que caracteriza este tipo de mercados. Mesmo
optássemos por estimar 9 OLS, um para cada segmento da amostra, como fazem Newsome e
Ziets (1992), isso acarretaria resultados enviesados como Heckman prova no seu trabalho de
1979. Como estudaremos amostras heterogéneas, a relevância que cada característica tem na
formação de preços vai variando nos vários segmentos da amostra, sendo essa a principal razão
que nos levou à escolha deste modelo.
O modelo poderá ser escrito como:
ln pricei X i i ,
(1)
com Quant (ln pricei ) X i
onde Xi representa o vector das variáveis exógenas e é o vector dos parâmetros estimados no
quantil .
O -ésimo quantil de regressão, 0<<1, é definido como sendo a solução para o problema:
mink ln pricei X i (1 ) ln pricei X i (2)
R
i:ln pricei X i i:ln pricei X i
em que () é a check function definida como ()= se 0 ou ()=(-1) se <0. Este
problema pode ser resolvido aplicando métodos de programação linear. (Koenker, 2005).
Com este modelo, é-nos possível seccionar a amostra em pequenos grupos e, desta
forma, podemos analisar as preferências ao longo da mesma. No nosso caso específico,
seccionaremos a amostra em decís. Com esta divisão podemos ver quais as preferências dos
consumidores para cada segmento de imóveis, visto os decís serem dispostos por ordem
crescente de preços. Cada decil representa a amostra até determinado ponto, por exemplo, o
decil 0,10 representa a amostra, ordenada pelos preços, quando já percorremos 10% desta, assim
como o decil 0,20 representa a mesma amostra, mas já a 20% desta, e assim sucessivamente.
5. Dados
Para este estudo utilizamos duas bases de dados, integralmente elaborada por nós, com
base em dados recolhidos junto de imobiliárias. A base de Lisboa contém 657 observações e a
base referente à cidade de Viseu 589. Revendo os resultados obtidos, podemos visualizar o
estado geral das cidades em termos de número de observações, média, erro padrão, mínimo e
máximo.
Lisboa
No quadro a seguir podemos ver as características da cidade de Lisboa.
Lisboa
Aeroporto – Ameixoeira, Charneca, Lumiar;
Centro – Alvalade, Campo Grande, Campolide, Nossa Senhora de Fátima, São João de
Brito, São Sebastião da Pedreira;
Centro Litoral – Anjos, Beato, Castelo, Coração de Jesus, Encarnação, Graça, Lapa,
Madalena, Mártires, Mercês, Pena, Prazeres, Sacramento, Santa Catarina, Santa
Engrácia, Santa Isabel, Santa Justa, Santiago, Santos, Santo Estêvão, Santos-o-Velho,
São Cristóvão e São Lourenço, São José, São Mamede, São Miguel, São Nicolau, São
Paulo, São Vicente, Sé, Socorro;
Nordeste – Alto do Pina, Marvila, Penha de França, Santa Maria dos Olivais, São João,
São João de Deus, São Jorge de Arroios;
Noroeste – Benfica, Carnide, São Domingos de Benfica;
Sudoeste – Ajuda, Alcântara, Santa Maria de Belém, Santo Contestável, São Francisco
Xavier,
Viseu
Centro – Santa Maria de Viseu, São José, Coração de Jesus;
Periferia – Abraveses, Campo, Fragosela, Mundão, Orgens, Ranhados, Repeses, Rio de
Loba, São Salvador, São João de Lourosa;
*NOTA: considera-se estatisticamente relevante, todo e qualquer coeficiente, cujo valor da t seja maior ou igual a
1.96, dado estarmos a realizar um teste bilateral a 5% - consultar tabela normal de N(0,1)
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
flat -0,24111 -0,25767 -0,23671 -0,21182 -0,24968 -0,19335 -0,24706 -0,17509 -0,25675
(-3,84) (-4,23) (-0,342) (-3,84) (-4,26) (-3,22) (-3,19) (-2,24) (-2,05)
area 0,00133 0,00227 0,00250 0,00255 0,00289 0,00406 0,00455 0,00507 0,00498
(4,91) (7,87) (7,6) (10,34) (11,82) (17,45) (20,75) (21,67) (13,58)
bathroom 0,12401 0,11075 0,11189 0,10663 0,19933 0,09573 0,08903 0,09233 0,06452
(4,68) (4,59) (4,03) (4,91) (5,31) (4,36) (4,01) (3,76) (1,53)
t3 -0,00879 -0,09569 -0,06895 -0,03894 -0,07754 -0,10104 -0,05582 -0,01972 0,00822
(-0,17) (-2,02) (-1,26) (-0,91) (-1,73) (-2,27) (-1,18) (-0,38) (0,1)
t2 -0,13153 -0,16739 -0,15742 -0,12144 -0,12291 -0,11113 -0,06174 -0,00721 -0,05979
(-2,1) (-3,04) (-2,59) (-2,62) (-2,56) (-2,33) (-1,23) (-0,13) (-0,68)
t1 -0,33673 -0,04323 -0,40744 -0,39201 -0,37299 -0,32743 -0,25382 -0,16704 -0,21541
(-4,58) (-6,2) (-5,71) (-7,37) (-6,83) (-6,12) (-4,58) (-2,72) (-2,42)
t0 -0,43026 -0,47096 -0,48060 -0,49131 0,48817 -0,46248 -0,41774 -0,37075 -0,29998
(-3,78) (-4,9) (-4,14) (-5,34) (-5,26) (-4,91) (-4,31) (-3,39) -2,03)
andar 0,01144 0,01637 0,01392 0,01176 0,00982 0,00929 0,00686 0,00635 0,01102
(1,46) (2,43) (1,91) (2,09) (1,71) (1,65) (1,2) (1,05) (1,34)
age 0,00205 0,00098 -0,00008 -0,00052 -0,00004 -0,00024 -0,00028 -0,00029 -0,00104
(2,43) (1,31) (-0,08) (-0,69) (-0,05) (-0,28) (-0,35) (-0,33) (-0,66)
new 0,18540 0,11980 0,14620 0,12993 0,17984 0,01612 0,01742 0,18311 0,20689
(3,83) (2,66) (2,67) (3) (3,87) (3,43) (3,56) (3,51) (2,52)
quality 0,09953 0,06914 0,05242 0,03988 0,03567 0,03768 0,03449 0,01405 0,02193
(6,01) (4,93) (3,03) (2,93) (2,44) (2,49) (2,13) (0,77) (0,75)
condominio 0,02086 0,04724 0,03810 0,09553 0,14422 0,12341 0,10128 0,10610 0,14057
(0,51) (1,16) (0,77) (2,46) (3,58) (3,1) (2,36) (2,25) (1,88)
lift 0,16044 0,17438 0,14889 0,15793 0,18113 0,15278 0,13986 0,07547 0,02229
(4,28) (4,78) (3,23) (4,36) (4,73) (3,93) (3,51) (1,66) (0,33)
garage 0,29211 0,22924 0,15282 0,15344 0,15169 0,14780 0,14363 -0,18439 0,17052
(6,98) (6,06) (3,29) (4,26) (3,95) (3,88) (3,58) (4,21) (2,21)
terrace 0,18677 0,17911 0,17869 0,17062 0,15905 0,11361 0,08826 0,07879 0,11603
(4,63) (5,05) (4,11) (5,12) (4,56) (3,31) (2,48) (2,03) (2)
varanda 0,10608 0,09991 0,08257 0,10262 0,10211 0,07725 0,05435 0,05332 0,02633
(3,33) (3,47) (2,37) (3,71) (3,53) (2,68) (1,77) (1,57) (0,49)
climatizacao 0,04652 0,07416 0,11245 0,13672 0,14771 0,14074 0,14077 0,12667 0,09917
(1,32) (2,3) (2,81) (4,37) (4,45) (4,22) (4,12) (3,37) (1,65)
lareira 0,08838 0,06452 0,08506 0,09685 0,05719 0,06356 0,07761 0,05627 0,08293
(2,23) (1,71) (1,81) (2,59) (1,43) (1,6) (1,81) (1,1) (1,04)
arrecadacao 0,11851 0,06130 0,04068 0,02140 0,02479 0,03369 0,01469 -0,00530 -0,00098
(3,06) (1,81) (1,03) (0,7) (0,76) (1,02) (0,42) (-0,13) (-0,02)
hospital -0,01052 0,01475 0,01127 0,03494 0,00894 0,01649 0,01834 0,01901 0,05439
(-0,27) (0,43) (0,028) (1,12) (0,27) (0,5) (0,55) (0,52) (0,97)
comercio -0,02026 -0,02413 0,02104 -0,03037 -0,02074 0,04266 0,10955 0,03338 0,09693
(-0,27) (-0,36) (0,026) (-0,48) (-0,3) (0,62) (1,57) (0,45) (0,85)
escolas 0,07052 0,05632 -0,00495 0,00035 0,03538 0,02644 0,04988 0,07607 0,05410
(1,52) (1,33) (-0,09) (0,01) (0,82) (0,62) (1,16) (1,6) (0,77)
verdes 0,02390 0,03129 0,06487 0,04909 0,04870 0,06641 0,02560 0,00344 -0,01539
(0,5) (0,77) (1,37) (1,35) (1,26) (1,7) (0,65) (0,08) (-0,21)
aeroporto -0,14615 -0,12106 -0,14257 -0,14499 -0,19053 -0,17033 -0,12818 -0,08497 -0,07074
(-2,33) (-2,18) (-2,09) (-2,69) (-3,35) (-3,02) (-2,15) (-1,31) (-0,68)
centro 0,03572 0,03273 -0,21589 -0,01526 -0,04115 0,00826 0,06447 0,09461 0,12484
(0,56) (0,6) (-0,32) (-0,29) (-0,76) (0,15) (1,14) (1,55) (1,24)
centro_litoral -0,27984 -0,25979 -0,27583 -0,21685 -0,17314 -0,10781 -0,04724 -0,01108 0,06361
(-3,78) (-4,35) (-0,376) (-3,75) (-2,83) (-1,81) (-0,75) (-0,15) (0,58)
nordeste -0,34436 -0,34453 -0,40555 -0,37284 -0,39999 -0,25955 -0,20278 -0,16378 -0,12698
(-4,52) (-5,54) (-5,28) (-5,99) (-5,98) (-3,92) (-2,89) (-2,03) (-1,02)
noroeste -0,01246 -0,02264 -0,12313 -0,14537 -0,16857 -0,14844 -0,13379 -0,12029 -0,09140
(-0,19) (-0,4) (-1,78) (-2,7) (-3,03) (-2,72) (-2,38) (-1,97) (-0,98)
contante 11,03066 11,31072 11,53482 11,64113 11,67262 11,53000 11,53517 11,58547 11,77791
(73,35) (82,27) (74,64) (98,5) (95,34) (92,41) (88,52) (78,05) (51,29)