Modelagem hedônica e econometria espacial : predição de preços de imóveis comerciais em Porto Alegre-RS

Abstract

O presente estudo visa desenvolver modelos preditivos de preços para imóveis comerciais em Porto Alegre–RS, utilizando métodos econométricos, incluindo regressão múltipla, modelagem multinível e econometria espacial. Inicialmente, o trabalho realiza uma análise exploratória dos dados coletados, destacando variáveis intrínsecas dos imóveis (como área e tipo) e variáveis extrínsecas relacionadas à localização e infraestrutura dos bairros. A metodologia inclui seleção de variáveis por meio do método stepwise, aplicação dos modelos estatísticos e comparação das métricas de erro, como Erro Médio Absoluto (MAE) e Raiz do Erro Quadrático Médio (RMSE). Os resultados indicam que o modelo de econometria espacial apresentou melhor desempenho na predição dos preços, evidenciando a influência da localização e das relações espaciais entre os imóveis comerciais. Além disso, o rendimento nominal e a densidade demográfica se mostraram variáveis significativas em todos os modelos, reforçando a importância dos critérios socioeconômicos na avaliação dos preços. A contribuição deste trabalho reside na geração de um modelo preditivo robusto que pode auxiliar tomadores de decisão, como investidores e gestores públicos, no planejamento de novos empreendimentos e no desenvolvimento de políticas urbanas estratégicas.

The present study aims to develop predictive price models for commercial real estate in Porto Alegre–RS, using econometric methods, including multiple regression, multilevel modeling, and spatial econometrics. Initially, the work conducts an exploratory analysis of the collected data, highlighting intrinsic variables of the properties (such as area and type) and extrinsic variables related to the location and infrastructure of neighborhoods. The methodology includes variable selection through the stepwise method, application of statistical models, and comparison of error metrics, such as Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE). The results indicate that the spatial econometrics model exhibited better performance in predicting prices, highlighting the influence of location and spatial relationships among commercial properties. Furthermore, nominal yield and population density proved to be significant variables in all models, reinforcing the importance of socioeconomic criteria in price evaluation. The contribution of this work lies in generating a robust predictive model that can assist decision-makers, such as investors and public managers, in planning new ventures and developing strategic urban policies.