Forças de Atração e Expulsão na Grande São Paulo
Banca Examinadora
Prof. Orientador: Robert, N.J. Nicol
Prof. Afonso Arinos de Melo Franco Neto
Prof. Carlos Roberto Azzoni
Prof. Maria Carolina Leme
Prof. Ricardo Paes de Barros
FUNDAÇÃO GETÚLIO VARGAS
ESCOLA DE ADMINISTRAÇÃO DE EMPRESAS DE SÃO PAULO
Ciro Biderman
Forças de Atração e Expulsão na Grande São Paulo
Tese apresentada ao Curso de
Pós-Graduação em Economia de
Empresas como requisito para
obtenção do título de Doutor em
Economia de Empresas.
São Paulo
2001
Biderman, C. Forças de Atração e Expulsão na Grande São Paulo. São Paulo:
EASP/FGV. 2001. Tese de Doutorado Apresentada ao Curso de Pós Graduação da
EASP/FGV. Área de Concentração: Economia de Empresas
Resumo: Esta tese avalia a participação dos serviços produtivos nas grandes cidades e
os motivos que levam a uma concentração mais do que proporcional destas atividades
nas grandes cidades. Em seguida analisa-se o comportamento do mercado de imóveis
na Grande São Paulo a partir dos avanços da Nova Economia Urbana. No primeiro
capítulo analisam-se as forças de atração das grandes cidades, especialmente as
regiões metropolitanas nas quais a Grande São Paulo se inclui. Em seguida apresentase o modelo teórico que serve de base para a análise do mercado imobiliário em São
Paulo. O terceiro capítulo apresenta o banco de dados desenvolvido pelo autor a partir
de dados da Embraesp. Este banco de dados será utilizado no quarto e último capítulo
para realizar uma análise da demanda e oferta no mercado de novos imóveis em São
Paulo.
Palavras-Chaves: serviços produtivos, mercado de trabalho, mercado imobiliário,
economia regional, economia urbana, demanda, oferta, produtos heterogêneos.
Ao meus Pais
Sumário
Introdução ................................................................................................................. 1
Capítulo 1 .................................................................................................................. 8
As Grandes Cidades e a Atração de Empresas............................................................ 8
1.1 O Setor de Serviços e a Distribuição das Atividades e Ocupações da População
nas Micro-regiões Brasileiras .................................................................................... 10
1.2 Análise Empírica................................................................................................. 19
1.3 Variação ao Longo do Tempo ............................................................................. 29
1.A. Apêndice: Compatibilizações Geográficas e Setoriais........................................ 35
1.A.1. Compatibilidade MIP-Censo.................................................................. 35
1.A.2. O cálculo dos Coeficientes Técnicos Intersetoriais Agregados ............... 37
1.A.3. O Setor de Serviços Produtivos.............................................................. 39
1.A.4. Agregação das Ocupações ..................................................................... 39
1.A.5. Agregações Geográficas ........................................................................ 40
Capítulo 2 A Economia do Mercado de Imóveis com Ilustrações para a Grande São
Paulo ....................................................................................................................... 41
2.1 A Versão da Nova Economia Urbana do Modelo de von Thünen......................... 43
2.2 Fatos Estilizados para a Grande São Paulo .......................................................... 60
2.A Apêndice: Mapas Selecionados ......................................................................... 84
Capítulo 3 A Construção da Base de Dados para a Análise do Mercado de Imóveis na
Grande São Paulo .................................................................................................... 91
3.1 Os Dados da Embraesp e sua Revisão ................................................................. 92
3.2 O Total de Domicílios e o Mercado Potencial.................................................... 102
3.3 Os Agentes do Mercado .................................................................................... 110
3.4 Preços e Índices de Custo .................................................................................. 118
2A. Apêndice .......................................................................................................... 127
3.A.1 Estrutura do banco de dados de lançamentos de imóveis ....................... 127
3.A.2 Estimativa do Total de Domicílios por Município da RMSP ................. 136
3.A.3 Uma “Tipologia” para as Empresas....................................................... 138
3.A.4 Índice de Preços e de Custos................................................................. 155
Capítulo 4 Demanda e Oferta de Imóveis Novos na Grande São Paulo................... 159
4.1 Renda e Preço: O Imóvel como Ativo Financeiro .............................................. 159
4.2 Imóveis como um Bem Heterogêneo: a Abordagem de Preços Hedônicos......... 162
4.3 Demanda e Oferta por Imóveis: Uma Especificação Simplificada...................... 165
4.4 Resultados......................................................................................................... 169
4.5 Refinando o Modelo: Variáveis Instrumentais ................................................... 177
4.6 A Independência da Alternativas Irrelevantes ........................................... 183
4.A Apêndice: Resultados das Regressões............................................................... 185
4.A.1: Resultados das Regressões de Demanda – Variáveis Principais............ 185
4.A.2: Resultados das Regressões de Demanda – Controles Sazonais ............. 191
4.A.3: Resultados das Regressões de Oferta – Variáveis Principais ................ 197
4.A.4: Resultados das Regressões de Oferta – Controles Sazonais.................. 203
4.A.5 Resultado das regressões com variáveis instrumentais .......................... 209
Notas Conclusivas ................................................................................................. 211
Referências ............................................................................................................ 214
Índice de Figuras
Figura 2.1: Vias Radiais de Transporte ......................................................................... 45
Diagrama 2.1: Gradiente de Preços da Terra em Função da Distância do Centro em
uma Cidade Monocêntrica Estilizada..................................................................... 51
Diagrama 2.2: Variações no Gradiente de Preços da Terra em Função de Mudanças na
Renda Urbana para Regiões Abertas e Fechadas.................................................... 59
Diagrama 2.3: Gradiente de Renda dos Imóveis para uma Região com Dois Agentes.... 63
Gráfico 2.1: Densidade Estrutural em Função da Distância à Praça da Sé (Jan 85 à Jul
99) ........................................................................................................................ 66
Gráfico 2.2: Densidade Estrutural em Função da Distância à Av. dos Bandeirantes
(Jan 85 à Jul 99) .................................................................................................... 68
Figura 2.2: Quadrantes e Pontos de Referência da RMSP.............................................. 69
Gráfico 2.3: Densidade Estrutural em Função da Distância à Praça da Sé para Quatro
Quadrantes da RMSP (Jan 85 à Jul 99).................................................................. 70
Gráfico 2.3a: Noroeste.................................................................................................. 70
Gráfico 2.3b: Nordeste.................................................................................................. 70
Gráfico 2.3c: Sudoeste.................................................................................................. 70
Gráfico 2.3d: Sudeste.................................................................................................... 70
Diagrama 2.4: Gradiente de Preço dos Imóveis em uma Cidade com um Centro e um
Sub-centro............................................................................................................. 73
Gráfico 2.4a: Preço/m2 do imóvel em função da Distância a Sé (1985-1999) ................ 76
Gráfico 2.4b: Preço/m2 do imóvel em função da Distância a Bandeirantes (1985-1999) 76
Gráfico 2.5: Evolução da Média Mensal de Preços por m2 dos Imóveis Lançados na
RMSP (1985-1999) ............................................................................................... 77
Gráfico 2.6: Média Móvel (12 meses) de Preço Médio por m2 e Total de Unidades
para os Imóveis Lançados na RMSP (1985-1999) ................................................. 77
Gráfico 2.7a: Preço/m2 do imóvel em função da Distância a Sé (jan.85-dez 90) ............ 79
Gráfico 2.7b: Preço/m2 do imóvel em função da Distância a Bandeirantes (jan.85dez.90) .................................................................................................................. 79
Gráfico 2.8a: Preço/m2 do imóvel em função da Distância a Sé (jan.91-jun.94)............. 79
Gráfico 2.8b: Preço/m2 do imóvel em função da Distância a Bandeirantes (jan.91jun.94) .................................................................................................................. 79
Gráfico 2.9a: Preço/m2 do imóvel em função da Distância a Sé (jul.94-jul.99) .............. 80
Gráfico 2.9b: Preço/m2 do imóvel em função da Distância a Bandeirantes (jul.94jul.99) ................................................................................................................... 80
Gráfico 2.10: Preço por Metro Quadrado em Função da Distância à Praça da Sé para
Quatro Quadrantes da RMSP (Jan 85 à Jul 99) ...................................................... 81
Gráfico 2.10a: Noroeste ................................................................................................ 81
Gráfico 2.10b: Nordeste................................................................................................ 81
Gráfico 2.10c: Sudoeste ................................................................................................ 81
Gráfico 2.10d: Sudeste.................................................................................................. 81
Gráfico 2.11: Preço por Metro Quadrado em Função da Distância ao Início da Av. dos
Bandeirantes para o Quadrante Sudoeste da RMSP (Jan 85 à Jul 99) ..................... 82
Gráfico 3.1: Domicílios em Apartamentos em Relação ao Total de Domicílios (1985 a
1998) .................................................................................................................... 95
Gráfico 3.2: Média Mensal do Número de Dormitórios por Unidade (1985-1999*)...... 97
Gráfico 3.3: Média Mensal do Número de Banheiros por Unidade (1985-1999*)......... 97
Gráfico 3.4: Área Útil Média por Unidade (1985-1999*) .............................................. 97
Gráfico 3.5: Área Total Média por Unidade (1985-1999*) ............................................ 97
Gráfico 3.6: Área Total Construída por Condomínio (1985-1999*)............................... 98
Gráfico 3.7 Área Média do Terreno por Condomínio (1985-1999*) .............................. 98
Gráfico 3.8: Número Médio de Blocos por Condomínio (1985-1999*) ......................... 98
Gráfico 3.9: Número Médio de Unidades por Condomínio (1985-1999*)...................... 98
Gráfico 3.10: Média de Unidades por Bloco (1985-1999*) ........................................... 98
Gráfico 3.11: Média de Unidades por Andar (1985-1999*) ........................................... 98
Gráfico 3.12: Unidades Lançadas no Município de São Paulo (MSP) e nos Demais
Municípios da RMSP (Médias Móveis de 12 meses) (1986-1999)....................... 100
Gráfico 3.13: Preço Médio por m2 de Área Útil para Unidades Lançadas no MSP e
nos Demais Municípios da RMSP (Médias Móveis de 12 meses) (1986-1999).... 100
Gráfico 3.14: Total de Domicílios Particulares Permanentes na RMSP (1985 a 1998). 104
Gráfico 3.15: População Residente na RMSP (1980 a 1998) ....................................... 105
Gráfico 3.16: Domicílios e População dos Municípios da RMSP excluindo o MSP
(1985 a 1998)...................................................................................................... 106
Gráfico 3.17: Total de Domicílios Estimado e de Acordo com a PNAD (1985 a 1998) 107
Gráfico 3.18: Porcentagem de Domicílios Ocupados por Seus Proprietários na RMSP
(1985 a 1998)...................................................................................................... 107
Gráfico 3.19: % de Domicílios ocupados por seus Proprietários por Decil de Renda
(1991) ................................................................................................................. 108
Gráfico 3.20: % de Domicílios em Apartamentos por Decil de Renda e Localização
(1991) ................................................................................................................. 108
Gráfico 3.21: % de Domicílios ocupados por seus Proprietários em Apartamentos por
Decil de Renda (1991)......................................................................................... 108
Gráfico 3.22: % de Domicílios em Áreas Subnormais por Decil de Renda e Condição
de Ocupação (1991) ............................................................................................ 108
Gráfico 3.23: % de Domicílios ocupados por seus Proprietários por Decil de Renda
(1991) ................................................................................................................. 110
Gráfico 3.24: Unidades Lançadas em Função do Número de Incorporadoras (19851999) .................................................................................................................. 113
Gráfico 3.25: Unidades Lançadas em Função do Número de Construtoras (19851999) .................................................................................................................. 113
Gráfico 3.26: Unidades Lançadas em Função do Número de Vendedoras (1985-1999) 113
Gráfico 3.27: Porcentagem de Empresas Responsáveis por 2/3 dos Lançamentos
(1985-1999) ........................................................................................................ 113
Gráfico 3.28: Empresas em Atividade no Ano e Total de Unidades Lançadas (19851999*)................................................................................................................. 114
Gráfico 3.29: Porcentagem de Unidades em Cooperativas em Relação ao Total de
Unidades Lançadas no Mercado (Médias Móveis de 12 meses) (1985-1999*)..... 115
Gráfico 3.30: Preços Médios por m2 de Área Total Corrigidos pelo IGP-di para
Dezembro de 2000 e Convertido pelo Dólar Médio Comercial e Preços
Corrigidos pelo Valor do Dólar na Data de Lançamento (1985-1999).................. 120
Gráfico 3.31: Médias Móveis dos Preços por m2 de Área Total Ponderado pelo Total
de Unidades Lançadas em US$ Corrigido pelo IGP-di para Dezembro de 2000 e
pelo Valor do Dólar Comercial de Venda na Data de Lançamento (1985-1999) .. 121
Gráfico 3.32: Índice e Média Geométrica (12 meses) do Índice Real de Custo da
Construção Total* – Municípios da Capital: São Paulo (1985**-1999) ............... 122
Gráfico 3.33: Média Geométrica (12 meses) dos Componentes do Índice Real de
Custo da Construção* – Municípios da Capital: São Paulo (1985**-1999).......... 123
Gráfico 3.34: Juros Reais e Média Geométrica (12 meses) dos Juros Reais* (19852000) .................................................................................................................. 124
Diagrama 3.A.1: Estrutura do Banco de Dados Criado a partir dos Dados da
Embraesp ............................................................................................................ 130
Diagrama 3.A.2: “Tipologia” para os Agentes do Mercado ......................................... 143
Índice de Tabelas
Tabela 1: Distribuição da PEA por Classes de Atividade Selecionadas (1991) .............. 10
Tabela 2: Distribuição da PEA em Atividades Urbana por Classes Selecionadas
(1991) ................................................................................................................... 11
Tabela 3: Distribuição da PEA por Classes de Atividade Selecionadas (1980) .............. 12
Tabela 4: Distribuição da PEA em Atividades Urbana por Classes Selecionadas
(1980) ................................................................................................................... 12
Tabela 5: Taxa Geométrica de Crescimento Anual da PEA (1980-1991) para classes
de atividade selecionadas ...................................................................................... 13
Tabela 6: Distribuição da Força de Trabalho por Grande Grupos Ocupacionais (1991) . 15
Tabela 7: Índice de Similaridade Geográfica e Fração da PEA nas Regiões
Metropolitanas por Setor de Atividade MIP........................................................... 22
Tabela 8: Efeito do Custo de Transporte sobre a Concentração de Serviços Produtivos
(1991) ................................................................................................................... 27
Tabela 9: Efeito da Presença de Trabalhadores em Ocupações Similares sobre a
Concentração de Serviços Produtivos (1991) ............................................................ 29
Tabela 10: Efeitos da Variação no Custo de Transporte sobre a Concentração nos
Serviços Produtivos e na Indústria de Transformação (1980 e 1991) ..................... 31
Tabela 11: Variação na Localização dos Serviços Produtivos (1980 e 1991) ................. 33
Tabela 12: Efeitos da Variação no Custo de Transporte sobre a Concentração nos
Serviços Produtivos nas 10 Regiões Metropolitanas (1980 e 1991)........................ 34
Tabela A.1: Compatibilização entre setores de atividade MIP e Censitários .................. 36
Tabela 2.1: Densidade e Renda Média do Chefe do Domicílio para Distritos com Alta
Densidade a mais de 5 km da Praça da Sé ............................................................. 65
Tabela 3.A.1: Variáveis Pertencentes à Base Original da Embraesp que não Constam
nos Dados Revistos ............................................................................................. 131
Tabela 3.A.2: Variáveis Pertencentes à Base Original da Embraesp que Constam nos
Dados Revistos ................................................................................................... 132
Tabela 3.A.3: Variáveis Pertencentes aos Dados Desagregados que não Constam nos
Dados Originais .................................................................................................. 133
Tabela 3.A.4: Variáveis Pertencentes aos Dados por Condomínio ............................... 134
Tabela 3.A.5: Variáveis Pertencentes aos Dados Georeferenciados ............................. 135
Tabela 3.A.6: Variáveis Pertencentes ao Cadastro das Empresas (Construtoras,
Incorporadoras e Vendedoras)............................................................................. 135
Tabela 3.A.7: Total de Domicílio (Milhares) por Município da RMSP (1985-1998).... 137
Tabela 3.A.8: Variáveis de Produção para as Construtoras Selecionadas ..................... 144
Tabela 3.A.9: Variáveis de Preço e Prazos para as Construtoras Selecionadas............. 145
Tabela 3.A.10: Variáveis de Produção para os Grupos de Construtoras....................... 146
Tabela 3.A.11: Variáveis de Preço e Prazos para os Grupos de Construtoras............... 147
Tabela 3.A.12: Variáveis de Produção para as Incorporadoras Selecionadas ............... 148
Tabela 3.A.13: Variáveis de Preço e Prazos para as Incorporadoras Selecionadas ....... 149
Tabela 3.A.14: Variáveis de Produção para os Grupos de Incorporadoras ................... 150
Tabela 3.A.15: Variáveis de Preço e Prazos para os Grupos de Incorporadoras ........... 151
Tabela 3.A.16: Variáveis de Produção para as Vendedoras Selecionadas .................... 152
Tabela 3.A.17: Variáveis de Preço e Prazos para as Vendedoras Selecionadas ............ 153
Tabela 3.A.18: Variáveis de Produção para os Grupos de Vendedoras ........................ 154
Tabela 3.A.19: Variáveis de Preço e Prazos para os Grupos de Vendedoras ................ 155
Tabela 3.A.20: Índices para Conversão de Bases do IGP-di e ICC-SP......................... 157
Tabela 3.A.21: Reformas Monetárias (1985-1999) e Multiplicador de Preços
Nominais............................................................................................................. 157
Tabela 4.A.1 ............................................................................................................... 185
Tabela 4.A.2 ............................................................................................................... 186
Tabela 4.A.3 ............................................................................................................... 187
Tabela 4.A.4 ............................................................................................................... 188
Tabela 4.A.5 ............................................................................................................... 189
Tabela 4.A.6 ............................................................................................................... 190
Tabela 3.A.7 ............................................................................................................... 197
Tabela 4.A.8 ............................................................................................................... 198
Tabela 4.A.9 ............................................................................................................... 199
Tabela 4.A.10 ............................................................................................................. 200
Tabela 4.A.11 ............................................................................................................. 201
Tabela 4.A.12 ............................................................................................................. 202
Tabela 4.A.13 ............................................................................................................. 209
Tabela 4.A.14 ............................................................................................................. 210
Introdução
A Região Metropolitana de São Paulo (RMSP) mudou sua composição demográfica em
diversos aspectos nas últimas décadas. Três aspectos são particularmente relevantes: o
padrão migratório, a localização da população e a distribuição setorial da força de
trabalho. Durante este período, os governos federal, estadual e municipal realizaram
diversos investimentos em infra-estrutura especialmente no sistema de transportes que
influenciaram as mudanças referidas acima. Diversas perguntas ainda permanecem sem
resposta. Por que a RMSP diminuiu a sua participação no emprego industrial, mas não
diminuiu sua participação populacional? Serão os condomínios fechados, como
Alphaville, uma tendência ou apenas um caso isolado? Por que o preço do metro
quadrado em torna da Avenida Luiz Carlos Berrini aumentou de US$ 4 para US$40?
Uma série de outras perguntas poderiam ser feitas apenas a partir das mudanças
demográficas observadas. Obviamente esta tese não pretende responder todas essas
questões. O que se pretende é analisar aspectos das duas forças básicas que garantem o
equilíbrio de um sistema de cidades: as forças centrífugas e centrípetas ou as força de
atração e expulsão. Na verdade para entender por que se verificam os padrões de
localização especial deve-se primeiro entender por que existem cidades, ou melhor, por
que as pessoas se aglomeram em uma região ao invés de se distribuírem uniformemente
no espaço. Ainda que seja evidente que as pessoas não se distribuem de maneira
uniforme, os economistas (pelo menos os do “maistream”) simplesmente ignoraram este
fato. Isto porque com rendimentos constantes de escala, agentes racionais deveriam
estabelecer novas firmas sempre a uma distância fixa uma das outras.
Introdução
2
As aglomerações populacionais só ocorrem devido a alguma forma de economias de
escala. Os motivos “econômicos” das economias de aglomeração foram elencados em
1896 por Alfred Marshal. Em um centro industrial as firmas economizam em transporte
pois estão mais próximas dos fornecedores de insumos intermediários (especialmente os
“não-comerciáveis”) e dos seus clientes. Por outro lado, trabalhadores especializados
diminuem o risco de desemprego num grande centro se os choques de oferta entre as
firmas não forem correlacionados. Finalmente, como supostamente a informação flui
mais facilmente localmente do que através de grandes distâncias, um centro industrial
gera o que se chama “technological spillover” ou seja, a “circulação” da tecnologia.
Uma vez que uma nova empresa se estabeleceu num centro, ela gera um incentivo ainda
maior para que outras empresas também se estabeleçam neste centro. Esta “causação
circular” é exatamente o argumento de Myrdal (1943). Portanto, uma vez criada uma
cidade ela deve crescer indefinidamente? A resposta é obviamente não. Os motivos
econômicos essenciais aprecem em von Thünen (1829) e estão ligados ao aumento de
congestionamento (e, portanto, do custo de transportes) e à elevação do preço da terra
(dois lados de uma mesma moeda).
Se os argumentos básicos já tinham sido dados há muitos anos, por que o espaço teve
sempre um lugar secundário na análise econômica? Sem entrar no mérito da discussão,
uma coisa é clara: faltavam aos economistas ferramentas que permitissem lidar com
mercados imperfeitos. Neste sentido, os avanços nos estudos de organização industrial
foram fundamentais para que fosse possível modelar o comportamento da economia
regional ou urbana (e mesmo a internacional) dentro do espaço. Assim, na década de
Introdução
3
1990 assiste-se a um renascimento da economia regional e urbana dentro do
“mainstream”.
Estas questões simplesmente abandonadas pelos economistas foram os principais temas
dos urbanistas desde a criação desta área de estudos. A recente migração da mão-de-obra
da indústria para o setor de serviços pode ser compreendida pelos mesmos fatores que
explicam a concentração industrial do começo do século ou trata-se de um fenômeno
novo? O primeiro capítulo procura justamente analisar a parte nobre do setor de serviços,
o setor de serviços produtivos. Neste capítulo argumenta-se que a explicação econômica
é essencialmente a mesmo. A urbanização dos serviços é devida, entre outros aspectos, a
economias no custo de transportes. No entanto, como os serviços, por definição, não
produzem um produto físico, os custos de transporte para este setor podem cair
drasticamente com as mudanças na tecnologia da informação. No primeiro capítulo fica
claro que a proximidade dos clientes como motivo de localização dos serviços nas
grandes cidades vem perdendo a sua importância. No entanto, outros elementos de
atração como a maior densidade de trabalhadores especializados permanece relevante
para a atração de firmas para as grandes aglomerações urbanas. Se as regiões
metropolitanas vêm perdendo um pouco de emprego, este não está fluindo para as
cidades médias, mas sim para as grandes cidades não metropolitanas.
No segundo capítulo são discutidas as forças de expulsão. Se o custo de transporte é um
dos grandes elementos de atração das grandes cidades, este mesmo aspecto acaba por
expulsar as pessoas. É claro que existem outros fatores de expansão como o
deterioramento ambiental entre outros. No entanto, o aumento no congestionamento e o
conseqüente aumento no preço da terra urbana é um dos fatores fundamentais para se
Introdução
4
compreender o movimento de pessoas do centro para a periferia da área urbana. Este
movimento, numa escala menor do que a discutida anteriormente, pode diminuir a
competitividade de uma cidade. No capítulo 2 apresenta-se a teoria econômica que
formaliza a relação entre o custo do transporte, o preço da terra e a área urbana.
Para se estudar empiricamente esta relação entre o custo da terra e o custo de
deslocamento, foi necessária a utilização de uma base de dados “proprietária”, o
informativo imobiliário da Embraesp. Como esta base não tem fins acadêmicos, não se
trata de uma amostra no sentido estatístico do termo. Além do mais, como os objetivos
são mais imediatistas, a série histórica precisa ser revista. Além do que, uma série de
dados necessária para a análise não faz parte desta base. Parte deles (especialmente os
dados dos compradores) simplesmente não são recuperáveis de maneira direta. Outros
dados foram possíveis de se adicionar. Em especial, a localização espacial dos
lançamentos permitiu que diversos dados de distância fossem calculados, fundamental
para se compreender a relação com os custos de transporte. Assim, pode-se dizer que, em
certa medida, trata-se praticamente de uma base de dados nova para a academia. Por este
motivo, o capítulo 3 descreve esta base de dados e com isto o próprio mercado de
imóveis.
Finalmente, no capítulo 4, uma função de demanda e oferta de imóveis é estimada para a
Região Metropolitana de São Paulo. A estimação destes parâmetros é extremamente
complexa dados os problemas convencionais de endogeneidade somados ao fato dos
imóveis serem bens altamente heterogêneos. Por isso, a primeira parte do capítulo
descreve a metodologia utilizada para realizar tais estimativas. Conclui-se que o mais
sério candidato a subúrbio de alto padrão seguindo o modelo americano, Barueri,
Introdução
5
aparentemente não é significativo para a região como um todo. Os centros tradicionais, o
ABC e Guarulhos, continuam representando o grande ponto de atração depois de São
Paulo. Além do que, a demanda por imóveis próximos ao centro de São Paulo continua
sendo mais elevada do que em qualquer outra localização. Se deslocarmos o centro para o
Sudoeste o efeito é ligeiramente maior mas esta mudança, em escala metropolitana, não
chega a ser significativa.
Um trabalho como este que se desenvolveu durante anos de pesquisa contou com a ajuda
direta ou indireta de um grande número de pessoas. Correndo o inevitável risco de
esquecer algumas gostaria de agradecer algumas importantes contribuições seja do ponto
de vista acadêmico seja do ponto de vista pessoal. É claro que, como diria Gilberto Gil,
os erros são todos meus.
O meu interesse por economia urbana começou no final de 1995 quando passei a integrar
o quadro de pesquisadores do Cebrap. As duas pesquisas em que me envolvi eram
justamente sobre a economia da Grande São Paulo e do Estado de São Paulo. Maria
Carolina Leme que coordenava a área de economia do Cebrap foi então a primeira pessoa
com a qual comecei a discutir o assunto que se tornaria o meu tema de estudo até o
presente momento. Assim a Carola foi a minha porta de entrada para o assunto. Com os
urbanistas que faziam parte do grupo comecei a compreender uma série de aspectos não
puramente econômicos do problema. Notadamente Regina Meyer e Marta Grostein foram
contribuições intelectuais fundamentais na minha formação nesta área de estudos. Na
realidade todos os pesquisadores do Cebrap influenciaram a minha formação nesta área.
Acho que os dois mais importantes foram José Artur Giannotti e Luis Felipe de
Alencastro. A técnica didática de Giannotti de nocautear o expositor para forçar o
Introdução
6
raciocínio rápido pode parecer truculenta para alguns mas para mim foi sempre
extremamente instigante. As conversas com Luis Felipe, por outro lado, além de muito
agradáveis também instigaram muitos raciocínios importantes para a minha formação.
Foi também devido a esta pesquisa que travei contato com Afonso Arinos. Em primeiro
lugar lendo a sua brilhante tese de doutorado e em seguida procurando montar uma
pesquisa conjunta.
Nos Estados Unidos o número de pessoas que contribuíram de maneira mais direta para
esta tese foi muito grande visto que neste período eu já estava em fase monográfica de
fato. Os comentários do meu co-orientador, Bill Wheaton foram extremamente valiosos.
As contribuições de Whitney Newey e Ariel Pakes para o último capítulo foram
fundamentais para aumentar o rigor das estimativas. Ed Glaeser foi decisivo no primeiro
capítulo da tese. Com o seu orientando Jed Kolko tive uma série de conversas
fundamentais para a realização do primeiro capítulo da tese. Foi conversando numa casa
de chá em Harvard Square que decidimos realizar estudos semelhantes sobre os serviços
produtivos nos EUA e no Brasil. A idéia seria comparar os resultados. Ainda que ele
tenha olhado as minhas tabelas, eu me aproveitei bem mais desta “joint-venture” pois Jed
terminou a tese antes de mim.
De volta ao Brasil as conversas e auxílios do grupo do Lume foram importantes na
realização final do trabalho. Em especial gostaria de citar a Paula e a Tais sempre prontas
a trabalhar e sempre mantendo uma posição crítica com relação às proposições. Também
meu orientador, Robert Nicol, manteve um grande apoio ao meu trabalho. Ele soube
entender perfeitamente as minhas necessidades de tempo e sempre se mostrou pronto a
ajudar, independente da minha desorganização. Da FGV gostaria ainda de citar José
Introdução
7
Marcio Rego com quem discuti a relação entre São Paulo e Buenos Aires, Samuel Pessoa
e Artur Barrionuevo que fizeram parte da minha banca de qualificação tecendo
comentários muito interessantes para o desenvolvimento do trabalho.
Do ponto de vista pessoal, todos os amigos que souberam entender a minha ausência em
diversos momentos e não tomaram isto como pessoal eu agradeço. Em especial Jussara
que além de ter tido grande paciência, fez a capa desta tese e me mostrou o ABC de
verdade. Luis, além de um grande amigo e de realizar esta versão em pdf é sempre um
dos maiores entusiastas do meu trabalho. Aos meus pais, para os quais eu dedico mais
esta monografia, não tenho nem palavras para agradecer o apoio incondicional recebido
durante o período.
Capítulo 1
As Grandes Cidades e a Atração de Empresas
Será que os avanços da tecnologia da informação tendem a tornar as cidades obsoletas?
Esta questão que pode parecer um pouco extremista é defendida por alguns autores,
notadamente Peter Drucker. A argumentação é que com os avanços da tecnologia da
informação, os contactos pessoais, “cara-a-cara”, não serão mais necessários. Sendo
assim, as pessoas não terão mais motivos para se aglomerar em grandes centros urbanos.
De fato, a teoria econômica prevê que, num mundo em que o custo de transporte é zero,
não haveria motivo para as pessoas se concentrarem num mesmo lugar.
Hoje em dia, sabe-se que a ocupação na indústria vem diminuindo a largos passos. Ainda
que este processo seja um pouco mais lento no Brasil, a Indústria de Transformação que
era responsável por 23% da população empregada em atividades urbanas em 1980 passou
a empregar somente 19% em 1991. Ao mesmo tempo, devido à redução nos custos de
transporte físico, as empresas têm deixado o caos das grandes cidades se dirigindo para
lugares menores com custo da terra menor. Enquanto a força de trabalho na Indústria de
Transformação cresceu 1,6% para o Brasil como um todo, este aumento foi de apenas
0,4% nas regiões metropolitanas. Assim, a sobrevivência das regiões metropolitanas está
intimamente ligado com a capacidade destas regiões atraírem as empresas de serviço,
sobretudo o ramo nobre desta atividade, os “serviços produtivos”1.
Para entender por que as cidades conseguem (ou não) atrair as empresas de serviços é
importante antes de mais nada compreender por que este setor está sobre-representado
nas grandes cidades. Neste capítulo examina-se duas hipóteses explicativas coerentes
As Grandes Cidades e a Atração de Empresas
9
com as teorias de economia urbana. A primeira é que os serviços se localizam nas
grandes cidades devido ao custo de transporte. Como a maioria dos serviços requer uma
interação “cara-a-cara” com seus clientes, o custo de entrega efetiva dos serviços é
altamente influenciado pelo custo de deslocamento. Como os serviços produtivos
apresentam um grau de interação extremamente elevado, a tendência a co-aglomeração é
elevada. Uma segunda explicação seria que as grandes cidades concentram a mão-deobra especializada que os serviços produtivos necessitam. Se os trabalhadores são aversos
ao risco, eles preferem se concentrar nas grandes cidades para diminuir a probabilidade
de desemprego.
Eu encontrei evidência de que a concentração de trabalhadores em atividades típicas dos
serviços produtivos explicam uma boa parte da concentração deste setor nas regiões
metropolitanas. A proximidade dos clientes, por outro lado, não parece ser relevante em
1991, ao contrário do que se verificava em 1980. Esta evidência já pode ser um indicador
de uma tendência a diminuição da importância da proximidade decorrente dos avanços na
tecnologia de informação. Por outro lado, o custo de transporte com relação aos
fornecedores ainda explica uma parte desta concentração (ainda que a influência da
presença de trabalhadores em funções similares seja maior).
Este capítulo está dividido em 3 seções além desta. Na próxima seção apresenta-se uma
descrição da distribuição das atividades em função do tamanho da região. A seção
seguinte inicia a análise empírica utilizando os dados do censo e da matriz insumoproduto de 1991. Na última seção a variação das forças de aglomeração entre 1980 e
1991 é analisada. Um apêndice detalha os procedimentos de compatibilização entre as
diferentes bases e as divisões administrativas no tempo.
1
Para uma listagem das atividades incluídas nesta classe vide apêndice.
As Grandes Cidades e a Atração de Empresas
10
1.1 O Setor de Serviços e a Distribuição das Atividades e
Ocupações da População nas Micro-regiões Brasileiras
A força de trabalho não se divide uniformemente nas micro-regiões. Por exemplo, as
regiões metropolitanas e as micro-regiões com mais de 200 mil habitantes concentram
muito mais população na indústria de transformação do que as micro-regiões menores.
Os serviços produtivos apresentam uma distribuição ainda mais concentrada
(relativamente): 9% da PEA não agrícola2 se concentra neste tipo de serviço nas regiões
metropolitanas contra 6% concentrados na micro-regiões com mais de 500 mil habitantes.
Como se pode notar na Tabela 2, a participação de serviços produtivos é diretamente
proporcional à população da micro-região. Se não considerarmos as micro-regiões com
menos de 50 mil habitantes, a participação dos serviços pessoais (entre 17% e 19%) e de
outros serviços (entre 40% e 42%) é bem parecida em todas as micro-regiões.
Tabela 1: Distribuição da PEA por Classes de Atividade Selecionadas (1991)
Outros*
$JULFXOWXUD ,QG~VWULD Serviços Serviços Serviços
Produtivos Pessoais Distributivos
H ([WUDWLYD
GH
Sociais e
9HJHWDO 7UDQVIRUPD
Governo
omR
Região
Regiões Metropolitanas
mais de 500 mil habitantes
200 a 500 mil habitantes
100 a 200 mil habitantes
50 a 100 mil habitantes
menos de 50 mil habitantes
0pGLD %UDVLO
3%
12%
35%
42%
49%
48%
23%
19%
17%
12%
9%
8%
6%
15%
8%
17%
38%
14%
5%
15%
37%
14%
3%
12%
26%
11%
3%
11%
24%
11%
2%
10%
21%
10%
2%
8%
23%
12%
5%
14%
31%
12%
* Extrativa Mineral, Construção, Utilidades Pública
Fonte: Tabulação própria a partir dos dados do Censo Demográfico de 1991 (Ibge).
Na realidade a concentração de serviços produtivos nas grandes cidades, em especial nas
regiões metropolitanas não é um fenômeno novo. Note-se nas Tabelas 3 e 4 que a
2
As tabulações são apresentadas considerando-se a PEA em atividades agrícolas ou extrativas vegetais
(Tabelas 1 e 3) e retirando-se esta população (Tabelas 2 e 4). Como a população agrícola no Brasil é elvada
para padrões internacionais, a inclusão ou não desta população afeta consideravelmente. Principalmente se
considerarmos que as micro-regiões com menos de 100 mil habitantes têm cerca de 50% da sua PEA total
em atividades agrícolas contra 12% das micro-regiões com mais de 500 mil habitantes e 3% das regiões
metropolitanas. Para definição das classes de atividade vide apêndice.
As Grandes Cidades e a Atração de Empresas
11
concentração desta classe de atividades praticamente não se alterou entre 1980 e 1991. As
mudanças significativas na década de 80 ocorreram nos setores agrícolas, indústria de
transformação e em serviços sociais, distributivos e administração pública. Enquanto os
dois primeiros perderam participação, respectivamente, de 30% para 23% e de 16% para
15% o último aumentou sua participação na força de trabalho de 26% para 31%.
Tabela 2: Distribuição da PEA em Atividades Urbana por Classes Selecionadas
(1991)
Região
,QG~VWULD GH Serviços Serviços
7UDQVIRUPDomR Produtivos Pessoais
Serviços
Outros*
Distributivos,
Sociais e
Governo
Regiões Metropolitanas
20%
9%
18%
40%
14%
mais de 500 mil habitantes
19%
6%
17%
42%
16%
200 a 500 mil habitantes
19%
5%
18%
41%
17%
100 a 200 mil habitantes
15%
5%
19%
42%
19%
50 a 100 mil habitantes
15%
4%
19%
42%
20%
menos de 50 mil habitantes
13%
4%
16%
45%
23%
19%
7%
18%
41%
16%
0pGLD %UDVLO
* Extrativa Mineral, Construção, Utilidades Pública
Fonte: Tabulação própria a partir dos dados do Censo Demográfico de 1991 (Ibge).
Ainda que a diminuição da força de trabalho na indústria de transformação seja
aparentemente desprezível, quando se considera apenas a PEA não agropecuária pode-se
verificar uma diminuição na participação de 23% para 19%. Como a PEA agrícola se
reduziu consideravelmente, o setor industrial não só deixou de absorver esta mão-de-obra
que migrou de atividades rurais para atividades urbanas como também perdeu parte dos
seus trabalhadores para os setores de serviço.
Na realidade, a força de trabalho nas regiões metropolitanas tem crescido a uma taxa
parecida com a média nacional assim como as micro-regiões médias (de 100 mil a 500
mil habitantes) têm crescido a uma taxa parecida com a média nacional. O mesmo não se
pode dizer das micro-regiões mais populosas não localizadas em regiões metropolitanas.
As micro-regiões com mais de 500 mil habitantes têm crescido a uma taxa muito superior
As Grandes Cidades e a Atração de Empresas
12
à média nacional (3,6% contra 2,4%). O oposto ocorre com as micro-regiões pequenas
que vem perdendo população em termos relativos.
Tabela 3: Distribuição da PEA por Classes de Atividade Selecionadas (1980)
Região*
Serviços Outros**
$JULFXOWXUD ,QG~VWULD GH Serviços Serviços
H ([WUDWLYD 7UDQVIRUPD Produtivos Pessoais Distributivos,
Sociais e
9HJHWDO
omR
Governo
Regiões Metropolitanas
4%
24%
8%
16%
34%
15%
mais de 500 mil habitantes
18%
18%
5%
13%
31%
15%
200 a 500 mil habitantes
46%
12%
3%
9%
20%
10%
100 a 200 mil habitantes
54%
8%
2%
8%
18%
10%
50 a 100 mil habitantes
62%
7%
2%
7%
15%
8%
menos de 50 mil habitantes
67%
5%
1%
5%
14%
7%
30%
16%
5%
12%
26%
12%
0pGLD %UDVLO
*Não inclui Mato Grosso; **Extrativa Mineral, Construção, Utilidades Pública
Fonte: Tabulação própria a partir dos dados do Censo Demográfico de 1980 (Ibge).
Este movimento das populações em regiões pouco populosas para regiões mais densas é
um processo bem antigo e corresponde ao movimento migratório que sempre se verificou
na história. A novidade é que no movimento de urbanização da primeira metade do
século, a população rural migrava basicamente da agro-pecuária para a indústria. Hoje em
dia, o que ocorre é uma migração da agricultura, além de uma migração de trabalhadores
da própria indústria, para o setor de serviços. A questão é saber se existe alguma
diferença destes dois processos.
Tabela 4: Distribuição da PEA em Atividades Urbana por Classes Selecionadas
(1980)
Região*
Serviços
,QG~VWULD GH Serviços Serviços
7UDQVIRUPDomR Produtivos Pessoais Distributivos,
Outros**
Sociais e
Governo
Regiões Metropolitanas
25%
9%
16%
35%
15%
mais de 500 mil habitantes
22%
6%
16%
38%
18%
200 a 500 mil habitantes
22%
5%
16%
37%
19%
100 a 200 mil habitantes
17%
5%
18%
39%
21%
50 a 100 mil habitantes
19%
5%
18%
38%
21%
menos de 50 mil habitantes
16%
3%
16%
42%
22%
23%
7%
17%
36%
17%
0pGLD %UDVLO
*Não inclui Mato Grosso; **Extrativa Mineral, Construção, Utilidades Pública
Fonte: Tabulação própria a partir dos dados do Censo Demográfico de 1980 (Ibge).
As Grandes Cidades e a Atração de Empresas
13
Um outro fato notável na Tabela 5 é que os setores de serviços produtivos cresceram a
uma taxa abaixo da média nas regiões metropolitanas, ainda que tenha crescido a uma
taxa acima da média nas “grandes” regiões3. Além do que, cresceram a uma taxa inferior
a dos serviços pessoais tanto para o país como um todo como para os grupos de região. A
exceção ocorre nas micro-regiões com mais de 500 mil habitantes onde se verificou o
maior crescimento do emprego nos serviços produtivos, a uma taxa virtualmente igual a
dos serviços pessoais.
Tabela 5: Taxa Geométrica de Crescimento Anual da PEA (1980-1991) para classes
de atividade selecionadas
Região*
Serviços Outros** Total da
,QG~VWULD Serviços Serviços
Produtivos Pessoais Distributivos,
PEA
GH
Sociais e
7UDQVIRU
Governo
PDomR
Regiões Metropolitanas
mais de 500 mil habitantes
200 a 500 mil habitantes
100 a 200 mil habitantes
50 a 100 mil habitantes
menos de 50 mil habitantes
0.4%
2.5%
3.0%
3.4%
1.5%
2.3%
2.9%
4.9%
4.9%
5.3%
3.1%
3.6%
2.6%
4.0%
4.9%
5.0%
3.1%
2.3%
3.5%
3.6%
4.9%
5.0%
3.4%
2.2%
2.2%
3.3%
5.0%
5.5%
4.0%
1.9%
2.6%
4.7%
5.1%
6.6%
4.2%
1.5%
1.6%
3.2%
4.0%
4.4%
2.5%
2.4%
0pGLD %UDVLO
*Não inclui Mato Grosso; **Extrativa Mineral, Construção, Utilidades Pública
Fonte: Tabulação própria a partir dos dados do Censo Demográfico de 1980 e 1991 (Ibge).
Estes dados são razoavelmente coerentes com os observados para a economia norteamericana com uma diferença crucial: o aumento da força de trabalho nos serviços
produtivos foi maior do que a verificada para os serviços pessoais4. No entanto, os
demais dados são bem parecidos, ainda que aparentemente a mudança seja mais radical
nos Estados Unidos. Por exemplo, a força de trabalho na indústria americana vem caindo
3
Não se considerou Mato Grosso nas tabelas de 1980 ou nas tabelas em que se compara 1991 com 1980
devido à grande dificuldades em compatibilizar a divisão geográfica de 1980 com a de 1991 neste estado.
Esta tarefa não foi trivial para os outros estados (longe disso), mas foi extremamente complexa para o
estado do Mato Grosso.
4
A indústria de transformação (manufacturing) diminuiu sua força de trabalho em 0,4% entre 1977 e 1995.
Os serviços produtivos (business services) aumentaram a sua força de trabalho em 4,9% contra 4,4% para
os serviços pessoais (consumer services). Com isto, a participação dos serviços produtivos na força de
trabalho americana aumentou de 13,6% para 21,5%. Vide Kolko (2000).
As Grandes Cidades e a Atração de Empresas
14
e não crescendo a taxas inferiores do que a média. Por outro lado, o crescimento dos
setores de serviços produtivos foi mais intenso nas regiões metropolitanas com menos de
2,5 milhões de habitantes5.
O fato que a indústria vem diminuindo a sua participação no emprego e migrando para
regiões menores é verificado praticamente em todos os países. Como a participação da
indústria na produção não tem se alterado, provavelmente se está verificando aumentos
de produtividade na indústria contra uma produtividade relativamente constante dos
serviços. A questão que se coloca é para onde está migrando esta força de trabalho que
não tem mais postos na indústria. Enquanto nos EUA ela tem migrado para os serviços
produtivos, no Brasil outros serviços é que têm absorvido esta população (enquanto na
Europa notou-se um aumento do desemprego). Esta diferença não é irrelevante na medida
em que os serviços produtivos, via de regra, apresentam maior qualificação e, portanto,
maiores salários.
Independente do problema discutido no parágrafo anterior, o fato é que os serviços
produtivos estão sobre-representados nas regiões metropolitanas e nas maiores microregiões do país. Ainda que a alteração verificada na década de 80 para as regiões
metropolitanas esteja abaixo da média, o maior crescimento deste grupo se deu
justamente nas maiores micro-regiões. Assim, não há evidência que esta sobrerepresentação esteja diminuindo. É importante destacar que não se trata de um problema
de medida devido a maior divisão do trabalho nas grandes cidades (o que poderia induzir
a uma substituição na provisão de serviços domesticamente por firmas independentes).
5
É um pouco difícil comparar as divisões regionais com os dados brasileiros pois nos EUA existe um
número muito grande de regiões metropolitanas (MSA). Em princípio as maiores MSAs (com mais de 2,5
milhões de habitantes) equivalem às nossa regiões metropolitanas (RM). Para este grupo a força de trabalho
As Grandes Cidades e a Atração de Empresas
15
Na Tabela 6 apresenta-se a distribuição da força de trabalho ao longo das ocupações.
Quanto menor a região maior a porcentagem de trabalhadores em ocupações genéricas
em detrimento a trabalhadores em ocupações específicas.
Um detalhe importante da concentração setorial é a diferença entre o que se denomina
“ganhos de aglomeração” e “ganhos de urbanização”. Enquanto o primeiro refere-se a
ganhos de escala devido à presença de outras firmas iguais, o segundo refere-se ao ganho
de escala decorrente da presença de firmas do setor em geral. Ellison e Glaeser (1997)
mostram que os ganhos de urbanização para os serviços são maiores do que para a
indústria de transformação. No entanto, os ganhos de aglomeração são maiores para as
manufaturas. Se isto vale para o Brasil é uma questão que foge ao escopo desta tese6.
Tabela 6: Distribuição da Força de Trabalho por Grande Grupos Ocupacionais
(1991)
Região
Empregadores
Regiões Metropolitanas
3.5%
mais de 500 mil habitantes
3.2%
200 a 500 mil habitantes
2.5%
100 a 200 mil habitantes
2.2%
50 a 100 mil habitantes
1.9%
menos de 50 mil habitantes
1.7%
2.9%
0pGLD %UDVLO
Mando
9.6%
7.3%
3.9%
3.1%
2.4%
2.5%
6.2%
Subalternos
27.0%
23.4%
15.0%
13.1%
11.0%
11.4%
19.8%
Manuais
Outros*
47.9%
12.1%
46.1%
20.1%
36.0%
42.6%
32.3%
49.3%
29.0%
55.8%
26.9%
57.5%
40.5%
30.6%
* Inclui trabalhadores rurais
Fonte: Tabulação própria a partir dos dados do Censo Demográfico de 1991 (Ibge).
A teoria urbana convencional prevê que setores com alto custo de transporte devem se
localizar próximo dos seus consumidores. O problema é que, em geral, se define serviços
justamente como os setores que não têm produtos físicos. Acontece que a maioria dos
serviços exige um contacto “pessoal” e, portanto, o custo de transporte é o do próprio
em serviços produtivos aumentou 4,5% contra 5,3% nas MSAs com população entre 1 e 2,5 milhões de
habitantes.
6
A grande dificuldade é o cálculo do índice de distribuição de plantas de Herfindahl.
As Grandes Cidades e a Atração de Empresas
16
ofertante (ou do cliente para o local de prestação do serviço) e não do produto7. Assim, o
relevante para os serviços em geral é estar próximo aos seus consumidores mais do que
estar próximos a empresas idênticas8.
Na verdade, as razões teóricas para explicar porque os serviços produtivos estão sobrerepresentados nas regiões metropolitanas é semelhante às razões geralmente citadas para
a indústria no início do processo de urbanização. A razão mais fundamental é que as
empresas do setor de serviços, além de servir outros setores, também servem o próprio
setor. Este raciocínio circular formalizado por Krugman (1991 e 1995) para explicar a
concentração industrial no nordeste dos Estados Unidos após a revolução industrial,
generalizado em Fujita, Krugman e Mori (1999), também se aplica para o setor de
serviços produtivos. Em termos empíricos, este argumento sugere que a tendência do
setor de serviços se localizar em grandes cidades deveria estar correlacionada com a
parcela dos seus produtos indo para outros serviços (os “backward linkages” de
Hirshman) assim como a parcela de seus insumos proveniente de outros serviços
(“forward linkages”).
Existem, no entanto, outros motivos mais específicos que poderiam justificar a
concentração de serviços produtivos nas grandes cidades. Um deles é que uma grande
parte da demanda por serviços produtivos provém das sedes das empresas e as sedes das
empresas se concentram nas grandes cidades. Um outro motivo específico do setor
refere-se ao fato dos serviços serem muito mais “trabalho-intensivo” do que as indústrias.
Além do que, a mão-de-obra trabalhando em serviços produtivos apresenta em média
7
O custo do transporte inclui o custo pecuniário e o tempo de viagem. Isto porque em geral o serviço
implica no transporte físico do próprio ofertante. Se o produto do serviço pode ser entregue via correio,
telefone ou internet, faz parte do custo a perda de qualidade decorrente.
As Grandes Cidades e a Atração de Empresas
17
mais anos de estudo do que a mão-de-obra da indústria. Portanto, existem duas fontes
relevantes de economia para os serviços produtivos se localizarem em grandes cidades.
Em primeiro lugar, se os choques de demanda sobre as empresas não são perfeitamente
correlacionados, um trabalhador averso ao risco aceitaria um salário menor em uma
grande cidade já que a probabilidade de ficar desempregado seria menor. Além do que,
devido a maior concentração nas grandes cidades de universidades e empresas de alta
tecnologia, as empresas de serviços produtivos, se localizando em grandes cidades,
estariam próximas da mão-de-obra que elas demandam. Finalmente, um motivo para a
maior presença de trabalhadores especializados em grandes cidades estaria relacionada às
“amenidades” ofertadas por estas cidades como cinemas, museus, etc9.
Assim, a concentração de serviços produtivos nas grandes cidades se justifica em
diversos termos. No entanto, resta saber se esta tendência deve se manter ou não. Os
arautos da “era da informação” como Peter Drucker10 sustentam que os avanços na
tecnologia da informação podem afetar a decisão de localização das empresas tanto via
diminuição no custo de transporte como através da influência sobre algumas das
vantagens de custo das cidades discutidas acima.
Que os avanços tecnológicos recentes diminuíram o custo de transmissão de informação é
indiscutível. No entanto, até que ponto estes avanços de fato são relevantes é uma questão
bem diferente. Particularmente não creio que seja uma mudança nem ao menos
8
É este o argumento de Kim (1995) para justificar grandes economias de urbanização para os serviços em
detrimento de economias de aglomeração.
9
Na verdade estas “amenidades” podem ser anuladas pelos custos de aglomeração (congestionamentos,
poluição etc.) discutidos mais adiante nesta tese. Kahn (1995) mostra que os salários tendem a ser maiores
nas cidades consideradas de baixa qualidade de vida.
10
Ainda que este seja o tema de praticamente todos os textos do autor, um bom apanhado das suas idéias
com aplicação para as cidades pode ser encontrada no seu artigo do Wall Street Journal de 4 de abril de
1989 intitulado “Information and the Future of City” onde o autor argumenta que as cidades tendem a
desaparecer.
As Grandes Cidades e a Atração de Empresas
18
comparável com o advento do telex no início do século passado. De qualquer maneira, é
fato que alguns serviços não requerem mais o contato pessoal. Os serviços bancários, por
exemplo, em geral não necessitam de uma pessoa do outro lado do balcão. Quase todos
os serviços são atualmente ofertados nos bancos 24 horas ou na internet; conselhos
médicos podem ser obtidos diretamente em sites especializados; uma campanha
publicitária pode ser enviada em segundos para locais a milhares de quilometro de
distância. Na teoria, esta redução de custos deveria diminuir a tendência dos serviços em
se conglomerar nas grandes cidades.
Um outro argumento para redução da vantagem locacional decorrente dos avanços na
tecnologia da informação é que a necessidade de interação pessoal dentro de uma
empresa poderia diminuir. Assim, o trabalhador não precisaria viver na mesma cidade
que a empresa. O serviço poderia ser prestado de qualquer parte do globo. O risco de
desemprego seria o mesmo em qualquer cidade já que o mercado de trabalho seria global.
Não seria mais necessário ter, por exemplo, uma boa gama de cinemas já que qualquer
filme poderia ser visto a qualquer hora na tela do seu computador. Ou seja, nesta
sociedade utópica em que não há mais necessidade de interações pessoais, as vantagens
econômicas das cidades desapareceriam por completo.
Existe, no entanto, uma linha de argumentação oposta. Digamos que a comunicação por
“via remota” (fax, telefone, internet, etc.) seja complementar e não substituto da interação
cara-a-cara. Neste caso, uma diminuição no custo de transmissão da informação por via
remota poderia aumentar e não diminuir a necessidade de interação pessoal. É
exatamente este o argumento de Gaspar e Glaeser (1998). Por exemplo, pessoas
procurando parceiros na internet criam uma necessidade de encontro pessoal que não
As Grandes Cidades e a Atração de Empresas
19
existiria se não houvesse este serviço. Ainda que o exemplo seja bizarro ele ilustra uma
complementaridade entre comunicação virtual e real que de fato pode ocorrer. No
entanto, é difícil encontrar evidências deste efeito. Uma possível evidência seria o fato de
que as viagens internacionais e interestaduais têm aumentado a taxas crescentes. Wheaton
(1996) apresenta evidências da importância das interações pessoais na venda de imóveis
enquanto Saxenian (1994) mostra a importância da proximidade para empresas de alta
tecnologia. No entanto, evidências mais gerais são extremamente difíceis de se obter. De
qualquer maneira, em termos teóricos, o resultado do avanço tecnológico sobre as
vantagens das (grandes) cidades é ambíguo.
Um último ponto controverso é com relação à independência do setor de serviços. Alguns
autores defendem que os serviços são meras atividades auxiliares das atividades
industriais. Esta concepção tem serias conseqüências sobre decisões de política industrial.
Se o setor de serviço é apenas auxiliar do setor de manufaturas, não faz muito sentido
para o governo investir em setores de serviço para incentivar o crescimento de uma
região. Ao contrário da questão discutida anteriormente de cunho altamente teórico esta
questão é essencialmente empírica.
1.2 Análise Empírica
Nesta seção procura-se testar o poder de atração dos serviços produtivos em relação à
indústria de transformação. Em outras palavras, o objetivo é estimar o peso do custo dos
transportes e das vantagens de custo/produtividade que contribuem para a urbanização
dos serviços. Além disto estima-se a variação deste peso. Se as teses que acreditam que
os ganhos de urbanização tendem a se esvair estiverem corretas, este peso deve estar
diminuindo com o tempo. Apesar do foco da tese ser a Grande São Paulo, para se
As Grandes Cidades e a Atração de Empresas
20
verificar a decisão de localização das empresas, a escala de análise deve ser nacional. Isto
porque uma empresa decidindo onde se localizar não está entre São Caetano ou Barueri
mas sim entre São Paulo, Rio de Janeiro, Curitiba, etc. Quer dizer, enquanto o mercado
de imóveis pode ser analisado apenas em termos intra-metropolitanos o mercado
produtivo exige uma outra escala de análise.
Idealmente gostaríamos de ter estimativas do custo de transporte para cada setor. Na
prática estes dados não existem para o Brasil para nenhum setor e, que seja do meu
conhecimento, nenhum país possui esta estimativa para o setor de serviços11. Assim, a
importância do custo de transporte para um determinado setor de atividade foi estimada
examinando-se a localização de uma determinada indústria vis a vis seus clientes e
fornecedores. Um índice que reflete a similaridade entre a distribuição geográfica de um
setor e a distribuição geográfica dos seus clientes é:
P≡
2 − ∑ empx ,i − d x, i
x
2
(1.1)
Onde emp é um indicador de emprego e d um indicador de demanda da indústria i na
região x definidos como:
empx, i ≡
d x ,i ≡ ∑
j ≠i
ex , i e
e0,i ex , 0
mi , j * p j ex, j
pi
e0, j
(1.2)
(1.3)
Onde as variáveis (e suas fontes) são12:
ex,i:
11
população economicamente ativa na micro-região x na atividade i estimada a
partir dos micro-dados da amostra do censo;
Nos EUA o Censo dos Transporte reporta o custo de transporte para as manufaturas relativo ao valor do
produto. Além de não incluir dados sobre o custo de transporte nos serviços, esta informação é endógena à
decisão de localização da firma.
12
Detalhes da obtenção das variáveis são dados no apêndice. As atividade foram agregadas para que se
garantisse a compatibilidade entre os dados do censo e da MIP.
As Grandes Cidades e a Atração de Empresas
21
e0,i:
população economicamente ativa no setor i em todas as regiões;
ex,0:
população economicamente ativa na região x em todos os setores;
e:
população economicamente ativa no Brasil;
mij:
unidades de insumos produzidos pelo setor i usados para produzir uma unidade do
produto j (coeficiente técnico intersetorial) ponderado pela estrutura das
atividades que o produzem estimados a partir da matriz de insumo-produto (MIP);
pi:
produção do setor i estimado a partir da MIP.
Note-se que a definição das variáveis é relativa. A variável emprego, por exemplo, indica
a proporção do emprego numa dada atividade na região em questão em relação à
proporção nacional. Assim, se o emprego no setor financeiro em São Paulo for 10% da
PEA da região, mas este setor representa 4% da PEA nacionalmente, o índice para São
Paulo será 2,5. O índice P é análogo aos índices utilizados na literatura de segregação
residencial. Intuitivamente ele reflete a fração da produção de uma indústria consumida
localmente. Seu valor varia entre 0 (total dissimilaridade) a 1 (similaridade total).
A Tabela 7 apresenta o índice de similaridade descrito acima para os setores de atividade
da MIP. Os 42 setores originais tiveram de ser agregados em 32 setores para permitir a
compatibilidade com as 168 atividades do Censo de 91. Esta compatibilização está
detalhada no apêndice mas é bom notar que as atividades listadas na tabela 7 não são
estritamente compatíveis com as Tabelas anteriores. O que se denomina “Setores
Produtivos” usando somente dados censitários equivale aos setores de instituições
financeiras, serviços prestados às empresas e aluguel de imóveis.
As Grandes Cidades e a Atração de Empresas
22
Tabela 7: Índice de Similaridade Geográfica e Fração da PEA nas Regiões
Metropolitanas por Setor de Atividade MIP
P
Setor de Atividade
% RMs
AGROPECUÁRIA
0.535
5%
EXTRATIVA MINERAL (EXCETO COMBUSTÍVEIS)
0.495
22%
EXTRAÇÃO DE PETRÓLEO/OUTROS COMBUSTÍVEIS
0.001
28%
FABRICAÇÃO DE MINERAIS NÃO-METÁLICOS
0.690
28%
SIDERURGIA/METALURGIA
0.689
62%
FABRICAÇÃO E MAN. DE MÁQUINAS E TRATORES
0.711
51%
MATERIAL ELÉTRICO E ELETRÔNICO
0.581
58%
FABRICAÇÃO DE VEÍCULOS, PEÇAS E ACESSÓRIOS
0.623
56%
ARTIGOS DE MADEIRA E MOBILIÁRIO
0.698
29%
INDÚSTRIA DE PAPEL E GRÁFICA
0.730
60%
INDÚSTRIA DA BORRACHA
0.565
43%
PRODUTOS QUÍMICOS NÃO-PETROQUÍMICOS
0.654
44%
REFINO DE PETRÓLEO E INDÚSTRIA PETROQUÍMICA
0.585
74%
FARMACÊUTICOS E PERFUMARIA
0.584
71%
MATERIAL PLÁSTICO
0.627
68%
INDÚSTRIA TÊXTIL
0.637
39%
VESTUÁRIO E ACESSÓRIOS
0.525
52%
CALÇADOS, COURO E PELES
0.535
48%
INDUSTRIA DE ALIMENTOS
0.619
33%
OUTRAS INDÚSTRIAS ALIMENTARES E DE BEBIDAS
0.620
46%
INDÚSTRIAS DIVERSAS
0.835
54%
SERVIÇOS INDUSTRIAIS DE UTILIDADE PÚBLICA
0.745
37%
ADMINISTRAÇÃO PÚBLICA
0.522
36%
CONSTRUÇÃO CIVIL
0.531
39%
COMÉRCIO
0.571
43%
TRANSPORTE
0.631
48%
COMUNICAÇÕES
0.788
58%
INSTITUIÇÕES FINANCEIRAS
0.539
60%
SERVIÇOS PRESTADOS ÀS EMPRESAS
0.834
56%
ALUGUEL DE IMÓVEIS
0.533
60%
SERVIÇOS PRIVADOS NÃO-MERCANTIS
0.500
40%
SERVIÇOS PRESTADOS ÀS FAMÍLIAS
0.610
48%
PEA TOTAL
0.577
35%
Fonte: Tabulação própria a partir dos dados do Censo Demográfico de 1991 (Ibge).
Como se pode observar, os índices mais baixos ocorrem para os setores extrativos, como
seria de se esperar. Isto porque a localização da atividade extrativa depende trivialmente
da localização da jazida. No caso da extração de combustíveis o coeficiente é muito
próximo de zero, um caso raro de dissimilaridade perfeita. Um resultado importante é que
o maior índice se verifica justamente para o setor de serviços prestados às empresas. Por
As Grandes Cidades e a Atração de Empresas
23
outro lado, outros dois serviços produtivos (financeiro e de imóveis) apresentam índices
relativamente baixos. O resultado exatamente igual a 0,5 para os serviços não mercantis é
tautológico: por definição nenhuma empresa ou família compra serviços do setor.
Ainda que diversos setores da indústria de transformação apresentem índices
relativamente baixos, definitivamente não se trata de uma regra. A média ponderada pela
participação na força de trabalho dos 17 setores da indústria de transformação é cerca de
0,65, ligeiramente inferior à média dos setores de serviços produtivos (0,68). É verdade
que a média é reduzida pelos serviços financeiros que aparentemente não apresentam
grandes ganhos de urbanização, ainda que estejam altamente concentrados nas regiões
metropolitanas (60% da PEA).
Os fatos estilizados descritos até o momento dão uma idéia de como se distribuem as
atividades na Brasil. No entanto para se testar efetivamente o papel do custo de transporte
na decisão de localização das firmas, necessita-se de uma especificação econométrica que
permita inferir tais custos. Assim, especifica-se o emprego relativo da indústria na região
em função de (1) presença local de fornecedores desta indústria; (2) presença local de
clientes desta indústria; (3) presença local de trabalhadores de uma dada ocupação e (4) a
densidade populacional da micro-região13. A especificação, portanto, é dada por:
empx, i = α + δz x + β1 f x, i + β 2cx , i + β 3ox + ε x ,i
(1.4)
Onde o emprego foi definido em (1.2), zx é o logaritmo natural da densidade da microregião x, fx,i e cx,i são, respectivamente, índices de presença de fornecedores e
consumidores para a indústria i na região x e ox é um índice de presença de trabalhadores
13
Esta especificação é semelhante a adotada por Dumais, Ellison e Glaeser (1997) para analisar a
localização da indústria.
As Grandes Cidades e a Atração de Empresas
24
em ocupações similares na região. Mais formalmente, as variáveis podem ser definidas
como:

ex j  e
f x , i ≡  ∑ m j ,i , 
 j ≠i
e j  ex , 0

(1.5)
 mi j * p j ex , j  e

cx ,i ≡ ∑  ,
 pi
e0, j  ex ,0
j ≠i 
(1.6)
ox , z ≡
ox, z o
o0, z ex , 0
(1.7)
Onde a única variável nova é ox,z que representa a população total na ocupação z na
região x (as outras variáveis são definidas de maneira análoga a e). Esta variável é uma
proxy para a presença de trabalhadores similares na região. Assim como a variável de
emprego, todas as variáveis definidas acima são normalizadas em função da média do
país. Esta normalização implica que a média destas variáveis, ponderada pelo emprego na
região, para cada indústria é 1, o que é equivalente a incluir efeitos fixos para a indústria
quando os setores são “empilhados”. No entanto, quando se empilha os setores desta
maneira, a variável de densidade e a variável de ocupação devem ser repetidas para cada
indústria, logo os erros devem ser correlacionados entre as micro-regiões. Para corrigir
este efeito, a estimação dos desvios inclui a análise de cluster por micro-região.
A especificação (1.4) descreve como as empresas decidem sua localização em equilíbrio
geral. As variáveis para os fornecedores, consumidores e trabalhadores definidas em (1.5)
a (1.7) são endógenas no sentido que os fornecedores, consumidores e trabalhadores da
indústria i podem escolher a sua localização em função da localização da indústria i.
Portanto o modelo descreve um equilíbrio geral ao invés de um equilíbrio parcial que
responderia a questão de como mudaria o emprego na indústria i dada uma mudança
exógena na presença de fornecedores, consumidores ou trabalhadores.
As Grandes Cidades e a Atração de Empresas
25
Uma outra característica importante da especificação adotada é que, implicitamente, os
custos de transporte aparecem duas vezes. A presença de consumidores afeta a decisão de
localização da empresa pois influi trivialmente no custo de transporte: se o produto
fabricado pela empresa i apresentas custo de transporte maior que zero, um aumento de
distancia do mercado consumidor aumenta o custo final do produto. Ou seja, o
coeficiente sobre o índice de presença de consumidores reflete o custo de transporte dos
produtos da própria empresa. A influência da presença de fornecedores no custo de
transporte é menos óbvia. Isto porque o coeficiente reflete uma média (ponderada) do
custo de transporte de todas as empresas. Assim, se o custo de transporte de uma dada
firma cair para zero, a presença de consumidores não deve mais influenciar a decisão de
localização da firma. No entanto, apenas se o custo de transporte de todas as firmas cair
para zero, a presença de fornecedores deixa de ter importância.
As Tabelas 8 e 9 apresentam os resultados para os 3 serviços produtivos empilhados. Na
primeira coluna apresenta-se uma regressão simples da emprego nas 3 indústrias em
função do logaritmo da densidade. A interpretação intuitiva do coeficiente sobre a
densidade populacional é que, dobrando a densidade populacional, a participação média
dos serviços produtivos deveria aumentar em 0.695 vezes a média de participação destes
setores na economia nacional. Como os serviços produtivos como grupo representa cerca
de 5% do emprego do país, dobrando a densidade de uma micro-região levaria a um
aumento de cerca de 3,5% na participação dos serviços produtivos na economia local.
Uma parcela desta relação pode ser explicada pelo custo de transporte. Quando se
adiciona a presença de fornecedores e consumidores o coeficiente cai cerca de 10%. O
coeficiente estimado para a presença de consumidores é inexplicavelmente negativo. Isto
As Grandes Cidades e a Atração de Empresas
26
pode significar que o custo de transporte para o cliente não é significativo para o setor de
serviços produtivos.
Como discutido na primeira seção, existem algumas razões para que o custo de transporte
se relacione com a urbanização dos serviços produtivos. Um dos argumentos importantes
é o de “co-aglomeração”: como os setores de serviços produtivos servem uns aos outros,
eles se localizam próximos uns aos outros. Para testar esta hipótese, a variável de
consumidores e de fornecedores é decomposta em duas novas variáveis: fornecedores e
clientes de outras indústrias e fornecedores e clientes do setor de serviços produtivos.
Como contrafactual para o setor de serviços foram selecionadas as atividades extrativas, a
indústria de transformação e a administração pública. Em princípio estes setores podem
ter sua localização definida exogenamente devido a recursos naturais, razões históricas,
etc. Quando se inclui os setores não serviço (coluna 3 da Tabela 8) o efeito sobre o
coeficiente da densidade é muito pequeno. Os coeficientes das variáveis também não são
muito significativos.
As Grandes Cidades e a Atração de Empresas
27
Tabela 8: Efeito do Custo de Transporte sobre a Concentração de Serviços
Produtivos (1991)
Variável dependente:participação
relativa do emprego em Serviços
Produtivos
log(densidade populacional)
(1)
(2)
(3)
(4)
(5)
0.695
( .056)
0.617
( .066)
0.676
( .057)
0.582
( .071)
0.545
( .068)
Presença de consumidores
-0.412
( .123)
Presença de fornecedores
3.881
( .891)
Presença de consumidores em
setores não-serviço
-0.396
( .247)
-1.222
( .307)
Presença de fornecedores em
setores não-serviço
1.849
( .742)
-2.375
( .846)
Presença de consumidores em
setores de serviços produtivos
3.369
( .956)
8.661
( 1.358)
Presença de fornecedores em
setores de serviços produtivos
11.595
( 2.720)
12.800
( 2.372)
0.651
( .071)
0.827
( .083)
Constante
0.787
( .103)
0.657
( .076)
0.806
( .096)
2
R
N
0.638
0.658
0.641
0.675
0.690
1674
1674
1674
1674
1674
Regressão para os 3 serviços especializados empilhados. Dados ponderados por emprego na microregião; desvio padrão em parênteses corrigido para presença de clusters (micro-regiões).
Fonte: Calculado a partir dos micro-dados do Censo Demográfico de 1991 e Matriz Insumo Produto de
1991 (Ibge).
Na coluna 4 da Tabela 8 se inclui a presença de consumidores e fornecedores apenas do
setor de serviços produtivos. Nesta especificação os coeficientes de custo de transporte
são positivos e significativos. Além do que, o coeficiente da densidade cai mais ainda do
que quando se utiliza a presença de todos os consumidores e fornecedores. Quando se
inclui tanto os consumidores e fornecedores dos setores não-serviço como os
consumidores e fornecedores do setor serviços produtivos, o coeficiente do segundo
grupo de variáveis permanece significativamente positivo enquanto o coeficiente dos
As Grandes Cidades e a Atração de Empresas
28
setores não serviço torna-se significativamente negativo. Portanto o resultado é coerente
com o
argumento de co-aglomeração: os setores de serviço
se localizam
preferencialmente próximos uns aos outros.
Na Tabela 9 apresenta-se o resultado da influência da presença de trabalhadores similares
sobre a concentração do setor de serviços. Nas colunas (1) a (4) adiciona-se uma
ocupação por vez14. Analisadas individualmente todas os coeficientes são positivos e
significativos. Além do mais, a adição de qualquer um dos termos diminui
consideravelmente o coeficiente da densidade populacional. O maior efeito se verifica
justamente na ocupação que tem a maior participação relativa nos serviços produtivos: as
funções de mando. Quando se adiciona esta variável, o coeficiente da densidade
populacional cai para um décimo do valor original tornando-se insignificante a 95%.
Quando se adicionam todas as variáveis de ocupação ao mesmo tempo, a variável de
presença de trabalhadores em funções manuais (que têm baixa participação relativa nos
serviços produtivos) torna-se negativa. Quando se retira esta variável, a presença de
empregados em ocupações subalternas torna-se insignificante. Portanto, os resultados são
coerentes com a teoria da presença de trabalhadores como motivo de aglomeração. Além
do que, este motivo parece ter mais poder explicativo do que o motivo custo de
transporte.
14
As ocupações foram classificadas utilizando-se inicialmente a classificação de Vale (1992). A seguir, as
18 classes de Nelson do Vale foram agregadas em 5 classes. O apêndice detalha um pouco mais a
classificação.
As Grandes Cidades e a Atração de Empresas
29
Tabela 9: Efeito da Presença de Trabalhadores em Ocupações Similares sobre a
Concentração de Serviços Produtivos (1991)
Variável dependente: participação
relativa do emprego em Serviços
Produtivos
log(densidade populacional)
(1)
(2)
(3)
(4)
(5)
(6)
0.479
( .055)
0.069
( .045)
0.219
( .094)
0.520
( .099)
0.170
( .041)
0.118
( .041)
Presença de consumidores
-0.187
( .101)
-0.205
( .116)
-0.322
( .135)
-0.358
( .137)
-0.178
( .100)
Presença de fornecedores
1.621
( .535)
0.652
( .518)
1.481
( .703)
2.997
( .730)
0.614
( .445)
Presença de consumidores em
setores de serviços produtivos
0.137
( .383)
Presença de fornecedores em
setores de serviços produtivos
1.907
( 1.266)
Presença relativa de
empregadores
0.705
( .057)
0.994
( .053)
Presença relativa de empregados
em função de mando
1.150
( .095)
Presença relativa de empregados
em funções subalternas
Presença relativa de empregados
em funções manuais
Constante
2
R
N
-0.641
( .104)
-0.180
( .076)
-1.059
( .093)
0.458
( .062)
0.293
( .056)
0.491
( .155)
0.834
( .165)
0.548
( .217)
-0.077
( .227)
0.553
( .149)
-0.588
( .114)
-0.461
( .237)
-0.231
( .147)
-0.499
( .162)
0.773
0.836
0.795
0.683
0.859
0.849
1674
1674
1674
1674
1674
1674
Regressão para os 3 serviços especializados empilhados. Dados ponderados por emprego na microregião; desvio padrão em parênteses corrigido para presença de clusters (micro-regiões).
Fonte: Censo Demográfico de 1991 e Matriz Insumo Produto de 1991 (Ibge).
1.3 Variação ao Longo do Tempo
Nesta seção final a variação da urbanização dos serviços é analisada. Também se
comparam os resultados para os setores de serviços produtivos com os resultados para os
setores da indústria de transformação. A Tabela 10 apresenta os resultados da regressão
(1.4) para os serviços produtivos e para a indústria de transformação em 1980 e 1991. Os
As Grandes Cidades e a Atração de Empresas
30
resultados da coluna (1) e (2) diferem dos resultados das colunas (1) e (2) da Tabela 8
pois o estado do Mato Grosso foi eliminado e algumas micro-regiões tiveram de ser
agregadas15 para manter a compatibilidade entre 80 e 91.
Se compararmos as colunas (2) e (4) na Tabela 10, podemos notar que a importância da
presença de consumidores para a urbanização dos serviços caiu consideravelmente entre
1980 e 1991. Em 1980 a presença de consumidores potenciais na região explicava boa
parte da localização de serviços produtivos no local enquanto a presença de fornecedores
não tinha nenhum poder explicativo16. Em 1991 esta situação se inverte. Isto significa
que a presença de consumidores, que era um dos grandes motivos para as empresas dos
serviços produtivos se instalarem numa região em 1980, já não explica esta decisão de
localização.
Este resultado é coerente com as teorias de que os avanços na tecnologia de informação
vêm diminuindo os custos de transporte para os serviços. Lembre-se que a diminuição da
importância da presença de consumidores implica numa diminuição no custo de
transporte da empresa sendo analisada enquanto para que a presença de fornecedores
deixe de ter importância seria necessário uma diminuição no custo de transporte de todas
as empresas.
As colunas (5) a (8) repetem o exercício para os 18 setores de atividade da indústria de
transformação. Para este setor, ambos os coeficientes (consumidores e fornecedores) são
significativamente positivos e aumentaram razoavelmente com o tempo. Isto significa
15
Procurou-se, sempre que possível, manter a divisão de micro-regiões de 1991 para 1980. Devido ao
grande número de divisões municipais ao longo da década, infelizmente não foi possível manter este
expediente. Assim, as 558 micro-regiões de 1991 foram reduzidas para 528 quando se comparou com os
dados de 1980.
16
O coeficiente negativo observado para esta variável deve-se ao efeito muito elevado da outra variável.
Numa regressão (para os dados de 1980) em que apenas se inclui a presença de consumidores o coeficiente
é positivo porém não significativo com 95% de confiança.
As Grandes Cidades e a Atração de Empresas
31
que nem o custo de transporte das empresas do setor nem o custo das empresas em geral
diminuíram na década. Por outro lado, o R2 é extremamente baixo, indicando que o
modelo não tem muito poder explicativo. Baseando-se apenas no R2, seríamos tentados a
afirmar que o custo de transporte influencia mais na decisão da localização da empresas
de serviços produtivos do que nas empresas da indústria de transformação. Esta
afirmação, no entanto, é um pouco prematura baseada apenas nos dados apresentados.
Uma outra evidência parcial desta assertiva é que a magnitude do coeficiente relevante
para o custo de transporte (consumidores em 1980 e fornecedores em 1991) é sempre
bem maior do que o coeficiente observado para a indústria.
Tabela 10: Efeitos da Variação no Custo de Transporte sobre a Concentração nos
Serviços Produtivos e na Indústria de Transformação (1980 e 1991)
Variável dependente: participação
relativa do emprego
log(densidade populacional)
Serviços Produtivos
Indústria de Transformação
1991
1980
1991
1980
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
0.296 0.263 0.312 0.266 0.220 0.150 0.258 0.186
(0.030)(0.034)(0.023)(0.032)(0.035)(0.029)(0.046)(0.043)
presença de consumidores
-0.197
(0.055)
1.644
(0.429)
0.446
(0.093)
0.327
(0.099)
presença de fornecedores
1.674
(0.389)
-0.099
(0.040)
0.517
(0.112)
0.379
(0.113)
Constante
-0.428 -0.400 -0.505 -0.454 -0.084 -0.162 -0.257 -0.230
(0.117)(0.108)(0.081)(0.083)(0.132)(0.124)(0.169)(0.160)
2
R
0.627 0.647 0.713 0.742 0.066 0.089 0.055 0.065
N
1584 1584 1584 1584 9504 9504 9504 9504
Regressão para os 3 setores de atividade em serviços especializados ou para os 18 setores de atividade da
Indústria de Transformação empilhados. Dados ponderados por emprego na micro-região; desvio
padrão em parênteses corrigido para presença de clusters (micro-regiões).
Fonte: Calculado a partir dos dados do Censo Demográfico de 1980 e 1991 e Matriz Insumo Produto de
1991 (Ibge).
Para investigar melhor a variação da importância do custo de transportes na decisão de
localização das empresas de serviços produtivos, define-se uma nova especificação para o
As Grandes Cidades e a Atração de Empresas
32
modelo. Tomando-se a definição inicial em (1.4) para 1991 e subtraindo-se a mesma
equação para 1980 temos que:
empx91,i − empx80,i = α 91 − α 80 + δ 91 z x91 − δ 80 z x80 + β191 f x91,i − β180 f x80,i + β 291cx91,i − β 280cx80,i + ε x91,i − ε x80,i
Onde os subscritos indicam o ano ao qual a variável se refere. Adicionando-se e
91 80
subtraindo-se β191 f x80,i , β x91,i c80
x ,i , δ z x ,i temos que:
∆empx ,i = ∆α + δ 91∆z x ,i + (∆δ ) z x80 + β191∆f x , i + ∆β1 f x80,i + β 291∆cx , i + ∆β 2 cx80,i + ∆ε x ,i (1.8)
Ou seja, se regredirmos a variação do índice de emprego relativa como função da
variação em cada uma das variáveis e o nível inicial, teremos uma estimativa da variação
do coeficiente no tempo. Quer dizer, o coeficiente no nível inicial (1980) indica a
variação do coeficiente no tempo. Como se pode observar, o coeficiente em nível da
presença de consumidores é negativo enquanto o coeficiente da presença de fornecedores
é positivo o que é coerente com os resultados anteriores. No entanto, nenhum destes
coeficientes é significativo indicando que a variação no custo de transportes não teve
impacto considerável na decisão de localização dos setores de serviços produtivos.
Estamos particularmente interessados em verificar o efeito sobre as regiões
metropolitanas. A Tabela 12 apresenta os resultados da regressão (1.4) para as 42 microregiões localizadas nas 9 regiões metropolitanas brasileiras17 mais a micro-região do
Distrito Federal em 1980 e 1991. Como se pode observar, o resultado é semelhante ao
observado para o país como um todo, ainda que os coeficientes em 1980 não sejam
significativos18. A diminuição no coeficiente da densidade é também menor do que o
observado para o país como um todo.
17
Belém, Fortaleza, Recife Salvador, Belo Horizonte, Rio de Janeiro, São Paulo, Curitiba e Porto Alegre.
Um problema é que a amostra é muito pequena. Sendo assim, o desvio padrão elevado pode ser apenas
um efeito da amostra e não um resultado efetivo.
18
As Grandes Cidades e a Atração de Empresas
33
Tabela 11: Variação na Localização dos Serviços Produtivos (1980 e 1991)
Variável
dependente:variação da
participação relativa do
emprego
log(densidade populacional)
Coeficiente da
Variação na
variável
independente
0.093
(0.080)
Coeficiente do
nível da variável
independente
em 1980
-0.001
(0.015)
presença de consumidores
0.392
(0.156)
-0.393
(0.669)
presença de fornecedores
1.042
(0.730)
0.609
(0.752)
Constante
0.014
(0.063)
2
R
0.040
N
1584
Regressão para os 3 setores de atividade em serviços produtivos empilhados. Dados ponderados por
emprego na micro-região; desvio padrão em parênteses corrigido para presença de clusters (microregiões).
Fonte: Calculado a partir dos dados do Censo Demográfico de 1980 e 1991 e Matriz Insumo Produto de
1991 (Ibge).
Estes resultados, em certa medida, contrastam com os resultados obtidos por Kolko
(2000) para os Estados Unidos. O que se nota na América do Norte é uma diminuição
generalizada no custo de transporte para o setor de serviços produtivos. Os nossos
resultados não são conclusivos neste sentido já que se nota uma diminuição no custo de
transporte para a entrega dos serviços para o cliente, porém um aumento na importância
do custo de transporte no que se refere aos fornecedores. Além do que, nos Estados
Unidos, a relevância do custo de transporte para os produtos industriais é
inequivocamente inferior a importância para os serviços o que não se pode afirmar para o
Brasil com segurança.
As Grandes Cidades e a Atração de Empresas
34
Tabela 12: Efeitos da Variação no Custo de Transporte sobre a Concentração nos
Serviços Produtivos nas 10 Regiões Metropolitanas (1980 e 1991)
Variável dependente:variação da
participação relativa do emprego em
serviços produtivos
log(densidade populacional)
1991
(1)
0.332
(0.066)
(2)
0.316
(0.069)
1980
(3)
0.328
(0.038)
(4)
0.324
(0.040)
presença de consumidores
-0.261
(0.130)
0.209
(0.440)
presença de fornecedores
1.007
(0.645)
-0.081
(0.079)
Constante
-0.597
(0.471)
-0.549
(0.457)
-0.446
(0.305)
-0.426
(0.312)
2
R
0.469
0.487
0.571
0.574
N
129
129
129
129
Regressão para os 3 setores de atividade em serviços produtivos empilhados. Dados ponderados por
emprego na micro-região; desvio padrão em parênteses corrigido para presença de clusters (microregiões).
Fonte: Calculado a partir dos dados do Censo Demográfico de 1980 e 1991 e Matriz Insumo Produto de
1991 (Ibge).
As diferenças nos resultados podem ter diversas origens. Em primeiro lugar, o horizonte
temporal das duas análises é distinto. A análise de Kolko se dá no período de 1977 a
1995. Sendo assim, já se captam efeitos da primeira metade da década de 90. Como os
avanços na tecnologia da informação são bastante recentes, esta diferença de 4 anos pode
ser relevante. Além do que o número de observações para os EUA é muito maior do que
para o Brasil. Deixando de lado os problemas técnicos, as diferenças observadas entre os
dois países podem refletir diferenças culturais efetivas. Como o avanço da tecnologia de
informação ocorreu bem antes em terras americanas do que no Brasil, pode ser que os
efeitos demorem mais para aparecer nos nossos dados.
De qualquer maneira, pode-se tirar algumas lições da análise apresentada. Em primeiro
lugar, ainda que a concentração de consumidores potenciais esteja perdendo importância
para o setor de serviços e, portanto, diminuindo a vantagem locacional para este setor nas
As Grandes Cidades e a Atração de Empresas
35
regiões metropolitanas, o mesmo não se pode dizer com relação à presença de
fornecedores. Por outro lado, a presença de trabalhadores especializados, notadamente
trabalhadores em funções de mando, explica boa parte da concentração de serviços nas
grandes cidades. Poderia se conjecturar que os avanços na tecnologia de informação
aumentam a necessidade de trabalhadores especializados e, portanto, as grandes cidades
não obrigatoriamente devem perder seu potencial de atração de serviços produtivos
devido a redução no custo de transporte.
1.A. Apêndice: Compatibilizações Geográficas e Setoriais
Para calcular os coeficientes utilizados neste capítulo foi necessário um trabalho
extremamente árduo de compatibilização de duas bases diferentes (a Matriz InsumoProduto e os Censos Demográficos) e da distribuição geográfica em dois períodos (1980
e 1991). Neste apêndice resume-se os principais achados deste trabalho. Este apêndice
procura satisfazer dois objetivos. Em primeiro lugar ajudar na compreensão do texto,
sabendo os limites das bases utilizadas. O segundo é fornecer subsídios para
pesquisadores que necessitem deste tipo de dado.
1.A.1. Compatibilidade MIP-Censo
A Matriz Insumo Produto de 1991 apresenta 42 setores de atividade e 80 produtos. Já o
censo de 1991 apresenta 169 setores de atividades19. O problema é que os setores não são
diretamente comparáveis. Os setores da MIP seguem a classificação das contas nacionais
que é relativamente compatível com os sistemas internacionais (por exemplo, o SIC). Já
ss setores de atividade do Censo não seguem este padrão. Assim, apesar da divisão de
19
Para detalhamento de todos os setores, vide documentação das duas pesquisas (Ibge).
As Grandes Cidades e a Atração de Empresas
36
atividades censitária ser muito mais detalhada, foi também necessário agregar alguns
setores MIP, resultando em 32 setores descritos abaixo.
Tabela A.1: Compatibilização entre setores de atividade MIP e Censitários
6HWRU $JUHJDGR
$*523(&8È5,$
6HWRUHV 0,3
Setores Censitários
(;75$7,9$ 0,1(5$/ (;&(72 &20%867Ë9(,6
(;75$d­2 '( 3(75Ï/(2 ( *È6 1$785$/ &$59­2 (
287526 &20%867Ë9(,6
)$%5,&$d­2 '( 0,1(5$,6 1­20(7È/,&26
6,'(585*,$0(7$/85*,$
)$%5,&$d­2 ( 0$187(1d­2 '( 0È48,1$6 (
75$725(6
)$%5,&$d­2 '( $3$5(/+26 ( (48,3$0(1726 '(
0$7(5,$/ (/e75,&2 ( (/(75Ð1,&2
)$%5,&$d­2 '( 9(Ë&8/26 3(d$6 ( $&(66Ï5,26
6(55$5,$6 ( )$%5,&$d­2 '( $57,*26 '( 0$'(,5$
( 02%,/,È5,2
,1'Ò675,$ '( 3$3(/ ( *5È),&$
,1'Ò675,$ '$ %255$&+$
)$%5,&$d­2 '( (/(0(1726 ( 352'8726 48Ë0,&26
1­23(75248Ë0,&26
5(),12 '( 3(75Ï/(2 ( ,1'Ò675,$ 3(75248Ë0,&$
)$%5,&$d­2 '( 352'8726 )$50$&Ç87,&26 ( '(
3(5)80$5,$
,1'Ò675,$ '( 75$16)250$d­2 '( 0$7(5,$/
3/È67,&2
,1'Ò675,$ 7Ç;7,/
)$%5,&$d­2 '( $57,*26 '2 9(678È5,2 (
$&(66Ï5,26
)$%5,&$d­2 '( &$/d$'26 ( '( $57,*26 '( &2852
( 3(/(6
,1'8675,$ '( $/,0(1726
2875$6 ,1'Ò675,$6 $/,0(17$5(6 ( '( %(%,'$6
,1'Ò675,$6 ',9(56$6
6(59,d26 ,1'8675,$,6 '( 87,/,'$'( 3Ò%/,&$
&216758d­2 &,9,/
&20e5&,2
75$163257(
As Grandes Cidades e a Atração de Empresas
6HWRU $JUHJDGR
37
6HWRUHV 0,3
&2081,&$d®(6
,167,78,d®(6 ),1$1&(,5$6
6(59,d26 35(67$'26 ¬6 )$0Ë/,$6
6(59,d26 35(67$'26 ¬6 (035(6$6
$/8*8(/ '( ,0Ï9(,6
$'0,1,675$d­2 3Ò%/,&$
6(59,d26 35,9$'26 1­20(5&$17,6
Setores Censitários
Fonte: Elaborado pelo autor a partir da documentação do Censo Demográfico e da Matriz de Insumo
Produto (Ibge).
1.A.2. O cálculo dos Coeficientes Técnicos Intersetoriais Agregados
Para o cálculo do coeficientes técnicos intersetoriais, a MIP brasileira adota a hipótese de
tecnologia do setor onde as estruturas de insumos dos produtos são calculadas pela média
ponderada das estruturas das atividades que o produzem20. Como não há Censos
Econômicos desde 1985, as MIP brasileiras a partir de 1990 não consideram a existência
de subprodutos. A hipótese que, associada à hipótese de tecnologia do setor, permite a
conversão de produtos para atividades nos coeficientes técnicos é que as participações de
mercado são constantes. Mais formalmente seja:
V:
a matriz de produção cujo elemento típico vi,j apresenta a produção do produto i
pela atividade j (Tabela 1 da MIP)
U:
a matriz de consumo dos produtos onde seu elemento típico ui,j apresenta o
consumo do produto i pela atividade j (Tabela 2 da MIP).
20
Para sistema de cálculo de matrizes insumo-produto veja-se o padrão estabelecido pela ONU (1973).
Para uma versão mais atualizada veja-se a versão da Eurostat (1993). Para o modelo específico brasileiro, o
artigo de Ramos (1997) representa um bom resumo apesar dos erros de notação.
As Grandes Cidades e a Atração de Empresas
38
q:
o vetor de produção dos produtos cujo elemento típico qj apresenta a produção
total do produto j.
g:
o vetor de produção das atividades cujo elemento típico gi apresenta a produção
total da atividade i.
<•>:
a transformação de um vetor (Ix1) em uma matriz (IxI) onde os elementos
diagonais são iguais aos elementos do vetor e os elementos extra-diagonais são
iguais a zero. Por exemplo, a aplicação desta transformação para o vetor g
implicaria na seguinte matriz:
< g >i ,i = gi
< g >i, j = 
< g >i , j = 0
(i ≠ j )
Dadas esta definições, define-se a matriz de “participação de mercado” (market share)
como:
D ≡ V’. <q>-1
Também a matriz dos coeficientes técnicos pode ser definida como:
B ≡ U.<q>-1
Assim, a matriz de coeficiente técnicos intersetoriais pode ser obtida simplesmente pela
multiplicação das duas matrizes derivadas acima:
M = D.B
Ou seja, a matriz M é simplesmente a soma do número de unidades do produto i
necessário para produzir uma unidade da atividade j, ponderada pelo market share,
apresentada na Tabela 19 da Matriz de Insumo-Produto Brasil (Ibge, 1997). No entanto,
para calcular esta matriz agregada foi necessário inicialmente agregar as matrizes V e U
para em seguida calcular D, B e M.
As Grandes Cidades e a Atração de Empresas
39
1.A.3. O Setor de Serviços Produtivos
Serviços Técnico-Profissionais
6HUYLoRV MXUtGLFRV
6HUYLoRV GH FRQWDELOLGDGH H DXGLWRULD
6HUYLoRV GH HQJHQKDULD H DUTXLWHWXUD
6HUYLoRV GH SLQWXUD GHVHQKR HVFXOWXUD H VHUYLoR GH GHFRUDomR
6HUYLoRV WpFQLFRSURILVVLRQDLV QmR LQFOXtGRV QDV FODVVLILFDo}HV DQWHULRUHV RX PDO GHILQLGRV
Serviços de Apoio à Produção e Outros Serviços
6HUYLoRV GH UHSDUDomR GH LQVWDODo}HV HOpWULFDV KLGUiXOLFDV H GH JDV
6HUYLoRV GH UHSDUDomR QmR LQFOXtGRV QDV FODVVHV DQWHULRUHV RX PDO GHILQLGRV
6HUYLoRV SHVVRDLV QmR LQFOXtGRV QDV FODVVHV DQWHULRUHV RX PDO GHILQLGR
6HUYLoRV GRPLFLOLDUHV QmR LQFOXtGRV QDV FODVVHV DQWHULRUHV RX PDO GHILQLGRV
6HUYLoRV GH DVVHVVRULD FRQVXOWRULD SHVTXLVD DQiOLVH H SURFHVVDPHQWR GH GDGRV
6HUYLoRV GH SXEOLFLGDGH H SURSDJDQGD
6HUYLoRV GH WUDGXomR UHSURGXomR H GRFXPHQWDomR
6HUYLoRV DX[LOLDUHV GR FRPpUFLR H GD LQG~VWULD HP JHUDO
6HUYLoRV DX[LOLDUHV GRV WUDQVSRUWHV URGRYLiULRV
6HUYLoRV DX[LOLDUHV GDV DWLYLGDGHV HFRQ{PLFDV HP JHUDO
Serviços de Crédito, Capitalização e Comércio de Valores
%DQFR ILQDQFHLUDV H FDSLWDOL]DomR
&DL[DV HFRQ{PLFDV H FRRSHUDWLYDV GH FUpGLWR
6HJXURV
&RPpUFLR GH WtWXORV H PRHGDV
&RQFHVVLRQiULRV GH ORWHULDV H[FOXVLYH DJrQFLDV ORWpULFDV
2UJDQL]Do}HV GH FDUW}HV GH FUpGLWR VRUWHLRV FRQVyUFLRV FOXEHV GH PHUFDGRULDV H VLPLODUHV
6HUYLoRV DX[LOLDUHV GDV DWLYLGDGHV GH VHJXURV ILQDQoDV H YDORUHV
$GPLQLVWUDomR FRPpUFLR H LQFRUSRUDomR GH LPyYHLV
1.A.4. Agregação das Ocupações
Para agregar as quase 400 ocupações apresentadas pelo Censo utilizou-se a classificação
proposta por Vale (1992) em seguida reagrupadas em cinco categorias21:
Empregadores
Proprietário (Empregadores) na Indústria, Comércio e Serviços
21
O leitor interessado na conexão entre as ocupações do Censo e a classificação proposta por Nelson do
Vale deve ser referir ao texto original do autor que detalha a classificação.
As Grandes Cidades e a Atração de Empresas
40
Ocupações de Mando
Profissionais Liberais
Dirigentes e Administradores de Alto Nível
Profissionais
Ocupações Subalternas
Funções Administrativas (Execução)
Não-Manual de Rotina e Funções de Escritório
Técnicos, Artistas e Supervisores do Trabalho Manual
Ocupações Manuais
Trabalhadores Manuais em Indústrias Modernas
Trabalhadores Manuais em Indústrias Tradicionais
Trabalhadores Manuais em Serviços em Geral
Trabalhadores no Serviço Doméstico
Artesãos
Outros/Agrícolas
Trabalhadores Rurais
Empresários por Conta Própria (sem Empregados)
Vendedores ambulantes
Proprietários (Empregadores) no Setor Primário
Técnicos e Administradores no Setor Primário
Produtores Agrícolas Autônomos
Não Definido
1.A.5. Agregações Geográficas
Para localizar as micro-regiões de 1991 nos dados de 1980 foi necessário um trabalho
cuidadoso utilizando-se as ferramentas de geo-processamento. Infelizmente não foi
possível uma compatilização razoável para o estado do Mato Grosso que foi então
retirado das análises comparativas entre 1980 e 1991. Além disto, 8 micro-regiões foram
agregadas, a saber:
Estado
Rondônia
Rondônia
Amazonas
Roraima
Roraima
Pará
Ceará
Micro-regiões agregadas
Alvorada d’Oeste e Ji-Paraná
Colorado do Oeste e Vilhena
Rio Preto da Eva e Itacotiara
Nordeste de Roraima e Boa Vista
Sudeste de Roraima e Caracarai
Parauapebas, Marabá e Redenção
Chorozinho e Baturité
Capítulo 2
A Economia do Mercado de Imóveis com Ilustrações para a
Grande São Paulo
Neste capítulo discute-se a lógica econômica do mercado de imóveis. Este é exatamente
um caso onde modelos como os desenvolvidos por Fujita e Krugman (1995) tornam-se
não práticos. Assumindo-se ad hoc um centro de negócios (e eventualmente um subcentro) permite que se analise este mercado de maneira mais imediata. A grande
dificuldade refere-se à dinâmica populacional. Como a demanda por imóveis depende
essencialmente do número de trabalhadores na cidade, é fundamental saber como esta
população vai evoluir. A alternativa encontrada foi assumir uma dinâmica ad hoc
também, o que sem dúvida deixa um pouco a desejar.
Em outras palavras, nesta tese, as formulações da Nova Economia Urbana (NEU) são
retomadas basicamente por que podem ser aplicadas com maior facilidade para análise do
mercado imobiliário. Se tomarmos o volume 2 do Handbook of Urban and Regional
Economics, lançado em 1987, ou seja, antes da consolidação da Economia Espacial22,
nota-se que 4 dos seus 16 capítulos discutem essencialmente aspectos do mercado
imobiliário; outros 4 discutem aplicações da teoria para este mercado em pelo menos uma
parte do capítulo. Ou seja, a NEU representou um grande avanço na compreensão do
mercado imobiliário e de sua relação com o sistema de transporte. Por este motivo este
capítulo está baseado essencialmente neste corpo teórico.
22
Pode-se dizer que um dos capítulos do Handbook já avança no que iria se consolidar mais adiante como
Economia Espacial: o capítulo de Henderson, um dos principais pioneiros desta vertente, “General
Equilibrium Modeling of Systems of Cities”. Ainda que o tema do capítulo “City Size and Place as Policy
Issues” de Tolley e Crihfield discuta um tema chave para a Economia Espacial, a abordagem é
completamente diversa.
Mercado de Imóveis na Grande São Paulo
42
Um imóvel é um bem com características particulares, em geral não compartilhadas por
outros bens de consumo. Um imóvel i) satisfaz um necessidade básica do ser humano:
moradia; ii) para a maioria das famílias é o item de maior peso no orçamento familiar23;
iii) é fixo no espaço (com raras exceções não se pode transportar uma casa a um custo
razoável); iv) existe uma não convexidade na sua produção: uma reforma ou uma
demolição representam uma mudança descontínua na produção do imóvel v) é um bem
durável (provavelmente o bem mais durável que se conhece); vi) via de regra é um bem
indivisível e vii) trata-se de um bem complexo e heterogêneo. As quatro primeiras
características são específicas dos imóveis. As três últimas são comuns a maioria dos
bens duráveis como automóveis ou eletrodomésticos, ainda que a durabilidade e
complexidade de um imóvel sejam, em geral, maior do que de outros bens duráveis.
Estas características tornam a análise deste mercado extremamente complexa. Como a
nossa base de dados possui apenas novos imóveis a questão da durabilidade será deixada
de lado de certa maneira, ainda que este aspecto seja levado em conta seja numa dinâmica
ad hoc, seja na conversão de renda para preço como veremos adiante. Por outro lado, a
questão espacial será discutida profundamente ao longo do capítulo e incorporadas
explicitamente no modelo econométrico desenvolvido no capítulo 4. Para começar vamos
assumir que um imóvel é um bem homogêneo e, a partir disto, discutir a relação entre
preço e localização espacial dos imóveis.
23
De acordo com a Pesquisa de Orçamentos Familiares (POF) em 1996 cerca de 20% da despesa média
mensal familiar no total das áreas de pesquisa concentrou-se em habitação comparada com 16% em
alimentação e 5% em vestuário.
Mercado de Imóveis na Grande São Paulo
43
2.1 A Versão da Nova Economia Urbana do Modelo de von
Thünen
Como vimos no primeiro capítulo, a Nova Economia Urbana nasce a partir da adaptação
de Alonso do modelo de von Thünen onde as diferenças de deslocamento na área urbana
deveriam ser equalizadas pelo custo de moradia. Alonso (1964) fez a sua formulação em
termos do preço da terra enquanto Muth (1969) e Mills (1967) usam o preço dos imóveis,
levando em conta o fato de que a demanda relevante na área urbana é por imóveis e não
por terra. No modelo de Muth e Mills, a terra é um insumo intermediário na produção do
bem final, o imóvel. Nesta seção apresento uma versão do modelo que ficou conhecido
como o modelo Alonso-Muth-Mills (AMM) de equilíbrio urbano conforme sintetizado
por Wheaton (1974).
Imagine uma cidade onde os empregos estão concentrados no “centro de negócios” da
cidade (central business district – CBD). Para simplificar, vamos chamar este “centro de
negócios” simplesmente de “centro”. Note que “centro”, neste sentido, é a região da
cidade em torno da qual se concentram atividades não locais (como padarias ou
cabeleireiros). Assim, por mais que parte da população economicamente ativa esteja
empregada em atividades locais, os empregos em setores chamados exportadores (para
usar a terminologia da teoria do lugar central) devem estar concentrados no centro.
No princípio da urbanização os setores exportadores eram basicamente os setores
industriais e hoje são essencialmente de serviços especializados como vimos no capítulo
anterior. Sem muito formalismo, pode-se definir os setores locais como aqueles ofertados
e consumidos por moradores locais, do bairro, por assim dizer. Os setores exportadores
seriam, neste sentido, exportadores da sua produção. O centro também pode ser definido
em termos da concentração de equipamentos urbanos como cinemas, shoppings, boas
Mercado de Imóveis na Grande São Paulo
44
escolas etc. O relevante é que, em princípio, os moradores dos domicílios (ou pelo menos
parte deles24) tenham algum motivo para se deslocarem constantemente do seu local de
moradia para o centro. Isto é suficiente para que o processo de equalização de preços
tenha sentido.
Por ora, vamos considerar uma cidade monocêntrica típica. Na nossa cidade estilizada, os
residentes urbanos se deslocam para o centro usando longas estradas radiais. Neste caso,
tudo o que se deve considerar é uma das radiais já que todas as outras devem seguir o
mesmo comportamento. Na figura abaixo apresentamos uma configuração estilizada da
nossa cidade com oito vias radiais. O primeiro círculo concêntrico da figura encontra-se a
2,5 kilometros do centro. O segundo a 5 kilometros, o terceiro a 10 kilometros e assim
por diante, de 5 em 5 kilometros. Uma pessoa morando na intersecção de uma das vias
radiais com o terceiro círculo deveria se deslocar 10 kilometros para ir ao trabalho,
independente da sua posição geográfica (norte, sul, etc.). Assim, numa cidade
monocêntrica, o preço de um imóvel localizado em qualquer uma destas intersecções
deveria ser o mesmo. Portanto, o comportamento dos preços dos imóveis em uma radial
deve ser idêntico ao de qualquer outra25.
24
Se um dos membros da família trabalha ou estuda a uma certa distância do centro enquanto outro
membro trabalha ou estuda no centro, o valor de uma residência no local de trabalho da primeira pessoa
teria um valor maior do que prevê um modelo monocêntrico que considera apenas um local de
trabalho/estudo. Sob certas condições pode-se demonstrar que o gradiente de preços não se altera (vide
White [1977] ou Curran et al. [1982]).
25
Note-se que nesta aproximação estamos desconsiderando os deslocamentos perimetrais para as
residências localizadas fora das intersecções. Uma maneira de lidar com este problema é assumir que
existem tantas radiais quanto se deseje de tal sorte que os deslocamentos perimetrais sejam desprezíveis. É
possível, no entanto, realizar hipóteses mais realistas ou mesmo modelar explicitamente o sistema de
transporte. No entanto, foge do escopo desta tese realizar este tipo de análise.
Mercado de Imóveis na Grande São Paulo
45
Figura 2.1: Vias Radiais de Transporte
Assumindo que as preferências são idênticas, em equilíbrio, todos os consumidores
devem obter a mesma utilidade do consumo do imóvel e dos outros bens. Mais
formalmente suponha que a utilidade dos consumidores seja dada por v(n,q) uma função
de utilidade com as propriedade usuais (estritamente quase-côncava) onde n representa o
consumo de todos os outros bens (o numerário, sem perda de generalidade) e q é o
tamanho do lote26. Como os consumidores são racionais, eles devem maximizar sua
função de utilidade sujeitos à restrição orçamentária:
n + pq = y – T(d)
Onde p é o aluguel por metro quadrado, y a renda da família e T(d) uma função que
transforma em valores monetários o custo de se deslocar d kilometros do local de
residência para o centro. Assume-se que T é uma função contínua, diferenciável e que
T’>0 e T’’≤0. Resolvendo-se o problema de maximização com relação à q, temos que:
v1 (n, q)
∂n
∂q
v
= v2 (n, q ) ⇒ 2 = p
∂q
∂q
v1
(2.1)
Onde vi é a derivada parcial da função de utilidade com relação ao seu iésimo argumento.
A equação (2.1) é simplesmente o resultado habitual que a taxa marginal de substituição
26
Na formulação original de Alonso, a distância da residência para o centro era um dos termos da função
utilidade, representando uma aversão ao deslocamento.
Mercado de Imóveis na Grande São Paulo
46
de dois bens é igual à relação entre os preços. Para que o sistema esteja em equilíbrio é
necessário que a utilidade de se morar em qualquer lugar da cidade seja a mesma.
Substituindo-se a restrição orçamentária na condição de equalização da utilidade:
v(y – T(d) – pq,q) = u
(2.2)
Note-se que se trata do inverso do procedimento normal de maximização: a partir de uma
utilidade fixa, encontra-se o preço. Diferenciando-se totalmente (2.2) com relação à d:
∂p
∂q 
∂q
∂p − T '

− v1  T '+
q+
p  + v2
=0⇒
=
<0
∂d
∂d 
q
∂d
∂d

(2.3)
Onde foi usada a relação encontrada na equação (2.1): v2=pv1. Portanto, o preço por
metro quadrado de um imóvel é uma função decrescente da distância ao centro. A sua
inclinação depende do custo marginal de deslocamento e do tamanho do lote. O tamanho
do lote também deve variar em função da distância ao centro. Diferenciando-se (2.1) com
relação a d, obtém-se:
∂ (v2 / v1 ) ∂q ∂p
∂q
∂p
=
⇒
=η
>0
∂q ∂d ∂d
∂d
∂d
(2.4)
Onde η<0 é a inclinação da curva de demanda compensada pela renda mantendo-se a
utilidade constante27. A explicação intuitiva para os resultados obtidos em (2.3) e (2.4) é
relativamente trivial. Consumidores vivendo longe do centro devem ser compensados de
alguma maneira pelo seu custo de deslocamento, caso contrário ninguém viveria afastado
do centro. Esta compensação se dá na forma de um menor preço por metro quadrado.
Dado o menor preço do imóvel por metro quadrado, os consumidores aumentam o seu
consumo de metros quadrados, gerando lotes maiores quando se afasta do centro. Para
obter a condição de segunda ordem deve-se derivar (2.3) mais uma vez, gerando:
Mercado de Imóveis na Grande São Paulo
∂ 2 p T ' ∂q T ' '
=
−
>0
∂d 2 q 2 ∂p q
47
(2.5)
Ou seja, a condição T’’≤0 é suficiente para que p seja uma função convexa da distância ao
centro. A partir desta função utilidade, usando certos critérios de agregação, pode-se
encontrar a demanda por imóveis. No entanto, a dedução de uma função de demanda a
partir das preferências dos consumidores será realizada na próxima seção onde se
considera explicitamente o fato de que um imóvel é um bem heterogêneo. Por hora
vamos fechar o modelo deduzindo uma função de oferta de imóveis a partir deste modelo
mais simplificado.
Assumindo-se que a função de produção de um prédio – H(K,t) – é uma função côncava
com retornos constantes de escala dependendo de dois insumos básicos: capital (K) e
terra (t). O lucro na produção de um prédio será dado por:
π = pH ( K , t ) − iK − rt = t[ pH ( K / t ,1) − i( K / t ) − r ] = t[ ph(k ) − ik − r ]
(2.6)
Onde r é a renda da terra por metro quadrado, i o custo do capital, k≡K/t a razão capitalterra ou densidade estrutural e h(k)≡H(k,1). A função de produção é um pouco restritiva,
mas para se obter resultados analíticos seria muito complicado manter uma função mais
genérica28. A concavidade significa que a segunda derivada de H com relação a K é
negativa. Em termos práticos isto significa que a produtividade marginal do capital é
decrescente refletindo o fato de que conforme o prédio se torna mais alto, consome-se
mais capital em usos “não-produtivos”29 como elevadores, fundações, etc30.
27
28
 ∂ (v / v ) 

η = 2 1
 ∂q

v =u 

−1
Note-se que a função utilidade dos consumidores é mais genérica.
“Produtivo”, neste sentido, é aquele investimento que aumenta o número de metros quadrados
construídos.
29
Mercado de Imóveis na Grande São Paulo
48
Uma limitação deste modelo é que não se considera que um imóvel é um bem durável
explicitamente. A maneira de driblar este fato foi considerar que o capital é totalmente
maleável. Quer dizer, os produtores são capazes de ajustar perfeitamente a quantidade de
capital e terra empregados na produção de período para período sem nenhum custo, uma
hipótese claramente irrealista. A durabilidade de um imóvel será levada em conta de
maneira mais ou menos ad hoc como veremos mais adiante, mas não no ato da produção,
apenas para a sua precificação. Voltaremos a esta questão na seção que trata das
extensões do modelo não utilizadas.
Uma outra simplificação da função de produção é que não se inclui a mão-de-obra como
fator de produção. Este procedimento é usual nos modelos monocêntricos, pois se
considera que todos os postos de trabalho se concentram no centro. Uma hipótese
alternativa seria que os postos gerados pela construção de um imóvel seriam equivalentes
ao dos empregos locais. Para ser mais realista, pode-se supor que os trabalhadores
empregados na construção de um imóvel migraram temporariamente de alguma região.
No entanto, durante o período da construção estes trabalhadores vivem dentro do canteiro
de obras, portanto não há deslocamento extra no sistema urbano.
Ainda que o nível salarial na construção civil com certeza influa no custo de construção
do imóvel (assim como o custo das matérias-prima), pode-se considerar o salário
exógeno. Assim, nenhum dos resultados qualitativos derivados abaixo seria afetado se o
trabalho mantivesse uma relação do tipo Leontiëf (proporções fixas) com o capital31. É
claro que estaríamos com uma função altamente restritiva o que torna o modelo muito
30
Um caso típico é das “operações interligadas” onde se deve pagar para a prefeitura uma recompensa pelo
“solo criado”. Ainda que estas operações possam ser completamente justificáveis, não resta dúvida que este
procedimento não é produtivo no sentido discutido na nota acima.
31
Se trabalho (l) é uma proporção fixa do capital, digamos l=αK, H(K,t,l)=tH(k,1,αk)=th2(k).
Mercado de Imóveis na Grande São Paulo
49
pouco genérico. No entanto, a base de dados disponível não permitiria uma especificação
que incluísse o total de trabalhadores alocados em cada prédio. Por outro lado, é possível
incluir o custo da construção (incluindo matéria-prima e mão-de-obra) no município de
São Paulo. A inclusão desta variável associada à hipótese de exogeneidade dos salários e
de que os fatores entram de forma aditiva na função custo implica que eles estão sendo
levados em conta na especificação econométrica.
O grande problema das formulações a la Muth-Mills é que é difícil chegar às principais
conclusões do modelo num contexto não-competitivo. Por mais que se tenha avançado
nas aplicações que relaxam a hipótese de competição perfeita, as críticas de Arnott (1987)
continuam válidas. Os avanços no conhecimento de mercados imperfeitos dificilmente
podem ser incorporados para um mercado tão complexo como o mercado de imóveis.
Voltaremos a esta questão mais adiante. Por ora vamos simplesmente considerar um
mercado competitivo do ponto de vista das construtoras32, ou seja:
r = ph(k ) − ik ⇒
∂k
∂r ∂p
∂k
h(k ) + ph'
−i
=
∂d ∂d
∂d
∂d
(2.7)
Como os construtores devem escolher uma razão capital-terra que maximize o lucro,
temos que:
ph' (k ) = i ⇒
∂p
∂k
h'+ ph' '
=0
∂d
∂d
(2.8)
Substituindo-se a condição de maximização (o lado esquerdo de (2.8)) em (2.7), os dois
últimos termos de (2.7) se anulam e, portanto, ∂r/∂d deve ter o mesmo sinal que ∂p/∂d.
Como, por hipótese, h’>0 e h’’<0 concluímos também que ∂k/∂d deve ter o mesmo sinal
que ∂p/∂d. Portanto o preço da terra e a densidade estrutural são funções decrescentes da
32
Note-se que nada impede a existência de lucro na renda da terra.
Mercado de Imóveis na Grande São Paulo
50
distância para o centro. Se definirmos a densidade de domicílios (D) como o número de
domicílios por metro quadrado, ou seja, D=h(k)/q, a variação de D com relação à d será:
∂D h' (k ) ∂k 1 ∂q
=
−
h(k )
∂d
q ∂d q 2 ∂d
Logo a densidade domiciliar é também uma função decrescente da distância. Este
resultado é, mais uma vez, intuitivo. Como os prédios são menores e as áreas dos imóveis
maiores, cabem menos domicílios numa mesma porção de terra. O interessante é que este
resultado é decorrente de uma decisão conjunta dos consumidores e dos produtores de
imóveis. Como os produtores optam por uma densidade estrutural menor (primeiro termo
do lado direito da equação acima) e os consumidores querem lotes maiores quando se
afasta do centro (segundo termo) o resultado é uma densidade menor.
Para fechar o modelo, mais duas condições devem ser satisfeitas. Em primeiro lugar, é
importante lembrar que um imóvel necessita de um insumo básico: terra. A terra pode ser
usada tanto para a construção de imóveis como para a agricultura. Portanto, é necessário
que a renda da terra urbana seja maior ou igual a renda nas atividades agropecuárias.
Caso contrário, a terra não seria destinada à moradia, mas sim à agropecuária.
Formalmente, suponha que a fronteira agrícola encontra-se a uma distância d* do centro e
que a renda agrícola (no sentido ricardiano) seja rA. É necessário que a renda da terra em
lugares mais próximos do centro seja maior que a renda terra e exatamente igual na
fronteira, ou seja:
r (d *, y , T , u ) = rA
(2.9)
A figura abaixo apresenta um gradiente de renda típico para uma das radiais da Figura
2.1. Como derivamos anteriormente, a renda é uma função decrescente da distância do
centro. É importante reforçar que a renda da terra depende também da renda pessoal dos
Mercado de Imóveis na Grande São Paulo
51
consumidores, da função custo de transporte e do nível de utilidade na área urbana como
está explicito na equação acima33.
Diagrama 2.1: Gradiente de Preços da Terra em Função da Distância do Centro em uma
Cidade Monocêntrica Estilizada
p/m2
rA
r
d*
Distância (km)
O que se nota no diagrama acima é que os produtores de imóveis residenciais estão
disposto a pagar um valor acima da renda da terra até a distância d* do centro. A partir
desta distância, o preço que os produtores estariam dispostos a pagar é menor do que a
renda da terra, portanto as terras a partir deste ponto serão destinadas à agropecuária e
não à moradia. A segunda condição para o equilíbrio urbano é que todos os domicílios
“caibam” na área urbana. Quer dizer, a área ocupada por todos os domicílios da área
urbana deve ser menor ou igual à área urbana total. A área total ocupada pelos domicílios
33
A curvatura do gradiente de preços da terra pode ser encontrada derivando-se mais uma vez a equação
(1.7):
∂ 2r ∂ 2 p
∂p ∂k
h' . Como a primeira derivada do preço com relação à distância é negativa
= 2 h+
2
∂d
∂d
∂d ∂d
Mercado de Imóveis na Grande São Paulo
52
em um anel de raio d e cumprimento dd será aproximadamente θdD(d,y,T,u)dd onde
0<θ≤2π é o número de radianos de terra disponíveis para construção imobiliária34.
Assim, a condição de que o total de domicílios (L) caiba exatamente na área urbana será:
∫
d*
0
θdD(d , T , y, u )dd = L
(2.10)
Para se chegar a uma estática comparativa35 utilizando-se as condições de equilíbrio
urbano, deve-se definir se a região é aberta ou fechada à migração. Se a região é fechada
à migração, o número de domicílios é exógeno e (2.9) e (2.10) formam um sistema de
equações simultâneas. Se a região é aberta, L passa a ser endógeno e o sistema se torna
recursivo. Para compreender melhor esta diferença, é interessante analisar o efeito de
uma mudança no nível de renda da região. Antes de tudo é bom notar, a partir de (2.3),
(2.7) e (2.8) que36:
∂r − T ' h
∂r h
∂r − h
=
< 0, = > 0,
=
<0
∂d
q
∂y q
∂u qv1
(2.11)
Como D≡h/q=-(∂r/∂d)/T’, (2.10) pode ser escrito como:
(vide (1.3)), a segunda derivada positiva (1.5) e a derivada da densidade estrutural é negativa, temos que
∂ 2r ∂d 2 > 0 .
34
A terra remanescente pode ser consumida com transporte, acidentes naturais, etc. Para ficar mais claro,
imagine que a cidade seja totalmente circular. Neste caso, a área total da cidade seria π(d*)2. Se os lotes
fossem todos do mesmo tamanho (q), a fronteira agrícola seria d*=(Lq/π)(1/2) onde L é o total de domicílios
na área urbana. Se, no entanto, a área não fosse totalmente circular teríamos de descontar uma parte da terra
e a fronteira seria dada por d*=(Lq/θπ)(1/2). Por exemplo, no Rio de Janeiro e na maioria das cidades de
beira mar, o desenho da área urbana é um “meio círculo”. Neste caso, θ seria igual a meio. Para o caso de
São Paulo, como veremos a seguir, θ é próximo de 1.
35
Wheaton (1974) foi o primeiro artigo a realizar esta estática comparativa. O que se apresenta neste
capítulo segue a versão de Bruekner (1987). A principal diferença é que o primeiro supunha que o
numerário era um bem normal restrição que não é feita no segundo.
36
Note-se que (1.7) e (1.8) poderiam ser calculadas para qualquer parâmetro φ = d,y ou u tal que
∂r
∂p
. Por outro lado, diferenciando-se totalmente (1.2) com relação a y temos que
=h
∂φ
∂φ
 ∂p
∂p 1
∂q 
∂q
= 0 . Substituindo-se (1.1) (v2=pv1) temos que
= . Procedendo-se da
v1 1 − q − p  + v2
∂y 
∂y
∂y q
 ∂y
mesma maneira para u, pode-se verificar que ∂p ∂u = − 1 v1q .
Mercado de Imóveis na Grande São Paulo
− ∫ θd
d*
0
53
∂r 1
dd = L
∂d T'
(2.10’)
Levando-se em conta que q e T’não dependem de d, integrando (2.10’) por partes37 temos
que:
−∫ d
d*
0
d*
d*
∂r
d*
dd = − rd 0 + ∫ rdd = − rAd * + ∫ rdd = T ' L / θ
0
0
∂d
(2.12)
Se denominarmos λ = (L, rA ou y), diferenciando-se totalmente (2.12) com relação a
qualquer um dos parâmetros de λ, temos que:
∫
d*
0
1  ∂L ∂T '  ∂rA
 ∂r ∂r ∂u 
L +
d*
+
+

dd =  T '
θ  ∂λ ∂λ  ∂λ
 ∂λ ∂u ∂λ 
(2.13)
Onde os termos envolvendo ∂d*/∂λ se cancelaram. Note que, se a região é aberta, u é
uma variável exógena, portanto não é preciso levar em conta o efeito indireto sobre o
preço da terra, o segundo termo entre parênteses do lado direito da equação acima e a
análise é quase trivial. Ainda que o modelo de região aberta seja em princípio mais
próximo da realidade, os processos migratórios são, em geral, processos lentos. Assim, é
razoável imaginar que num primeiro momento as diferenças de utilidade se mantenham e
que a região se comporte de acordo com as previsões do modelo fechado. Com o passar
do tempo, os processos migratórios fariam com que a utilidade em cada região se
equalizasse novamente.
Para encontrar o efeito de mudanças nas variáveis exógenas sobre as endógenas, deve-se
encontrar o efeito indireto via a variação em u. O efeito indireto pode ser obtido a partir
de (2.13) notando-se que ∂u/∂λ não depende de d:
37
∫ udv = uv − ∫ vdu
onde u=d e dv=(∂r/∂d)dd ⇒ du=dd e v=r.
Mercado de Imóveis na Grande São Paulo
54
d * ∂r
1  ∂L ∂T '  ∂rA
+
L +
d * −∫
dd
T '
0 ∂λ
∂u θ  ∂λ ∂λ  ∂λ
=
d * ∂r
∂λ
∫0 ∂u dd
(2.14)
Utilizando-se (2.11) sabe-se que o denominador da expressão acima é negativo. Logo, o
sinal da derivada de u será o inverso do sinal do numerador. Além do mais
∂L/∂λ, ∂T/∂λ e ∂rA/∂λ são iguais a 1 quando λ = L, T ou rA, respectivamente, e zero para
qualquer outro valor de λ. Finalmente, ∂r/∂L=0 e ∂r/∂y>0 (de (2.11)). Logo, os
numeradores de cada uma das derivadas simplificam para:
d*
L : T ' / θ > 0, rA : d * > 0, y : − ∫ (h / q)dd < 0
0
⇒
∂u
∂u
∂u
< 0,
< 0,
>0
∂L
∂rA
∂y
(2.15)
Diferenciando-se totalmente (2.9) com relação a λ, temos que:
∂r * ∂d * ∂r * ∂u ∂r * ∂rA
=
+
+
∂d * ∂λ
∂u ∂λ ∂λ ∂λ
Onde os asteriscos sobre as variáveis indicam que a derivada é calculada na fronteira
agrícola. Como ∂r*/∂d<0, o sinal de ∂d*/∂λ será o inverso de:
∂rA ∂r * ∂u ∂r *
−
−
∂λ ∂u ∂λ ∂λ
(2.16)
Quando λ é igual a L, o único termo não trivial em (2.16) é o termo do meio. Como
∂r*/∂u e ∂u/∂λ são menores do que zero, ∂d*/∂L>0. Quando λ=rA, (2.16) pode ser escrito
como:
∂r * ∂u
∂r *
1−
=1−
∂u ∂rA
∂u
d*
=
d * ∂r
∫0 ∂u dd
∫
d*
0
∂r
∂r *
dd − d *
∂u
∂u
d * ∂r
∫0 ∂u dd
(2.17)
Mercado de Imóveis na Grande São Paulo
55
Onde (2.14) e (2.15) foram utilizados para se substituir por =∂u/∂rA. Mais uma vez, o
sinal de (2.17) é o oposto do sinal do numerador. Integrando-se por partes38, pode-se
escrever o numerador de (2.17) como:
d*
d*
∂r * d * d  ∂r 
∂r *
d −h

dd
−∫ d
dd − d *
=∫ d


0
0
∂u
∂u
dd  ∂u 
dd  qv1 
Como ∂(h/q)/∂d=∂D/∂d<0 e dv1/dd=v11∂c/∂d+v12∂q/∂d=(v12-v2v11/v1)∂q/∂d>0 se o imóvel
for um bem normal39 temos que d(h/qv1)/dd<0 logo ∂d*/∂rA<0. Quando λ=y, (2.16) pode
ser escrito como:
∂r * d * ∂r
∂r * d * ∂r
 d * ∂r 
−∫
dd 
dd −
dd
∫

0 ∂y
∂r * ∂y 0 ∂u
∂r * ∂u ∂r * ∂r *
∂u ∫0 ∂y
=
+
=

+
d * ∂r
∂u ∂y ∂y
∂u  d * ∂r dd  ∂y
dd
∫
∫
0 ∂u
 0 ∂u

Como antes, o sinal de ∂d*/∂y será o oposto do sinal do numerador na expressão acima.
Substituindo-se (2.11) no numerador temos que:
d* h * h 1
h * d* − h
1
− h * d* − h

− dd
dd −
dd = ∫
∫
∫
0 q* q v *
q * 0 qv1
q * v1 * 0 q
v1 
 1
(2.18)
Como estamos assumindo que o imóvel é um bem normal, dv1/dd>0 e (2.18) é negativo.
Portanto ∂d*/∂y>0. Sendo assim temos os resultados básicos da estática comparativa para
uma região fechada. Para uma região aberta as derivações são muito mais simples.
Diferenciando (2.9) com relação às variáveis exógenas (que não incluem mais o número
de domicílios que passa a ser endógeno) e utilizando os resultados em (2.11), temos
imediatamente o impacto sobre as variáveis endógenas:
Seguindo a nomenclatura da nota acima: u=∂r/∂u e dv=dd ⇒ du=d/dd(∂r/∂u)dd e v=d.
Note-se que apesar da hipótese de normalidade para o numerário não ser necessária, não é possível
deduzir o efeito do preço da terra ou o efeito renda sem assumir normalidade do imóvel. Que seja do meu
conhecimento, ninguém conseguiu formular esta estática comparativa sem a hipótese de normalidade nos
imóveis.
38
39
Mercado de Imóveis na Grande São Paulo
∂r * ∂d * ∂r *
∂d *
h* −q*
1
+
=0⇒
=−
=
>0
∂d * ∂y
∂y
∂y
q * h * T '* T '*
∂r * ∂d *
∂d * − q *
=1⇒
=
<0
∂d * ∂rA
∂rA h * T '*
56
(2.19)
Onde se utilizou novamente o asterisco para indicar que a função está sendo calculada na
fronteira agrícola. O impacto sobre o número de domicílios (L) também é imediato
diferenciando-se totalmente (2.12) com relação a y e rA e substituindo-se os resultados de
(2.19):
∫
d*
0
 ∂r 
1  ∂L  ∂L θ d *  h 
 dd =  T '  ⇒
 dd > 0
=
θ  ∂y  ∂y T ' ∫0  q 
 ∂y 
1  ∂L 
∂L
θ
 + d * ⇒
0 =  T '
= −d * < 0
θ  ∂rA 
∂rA
T'
(2.20)
A partir destes resultados é possível realizar uma estática comparativa para os dois casos,
ou seja, para uma região aberta ou fechada à migração. Vamos começar observando os
efeitos de um aumento na renda sobre o equilíbrio urbano nos dois tipos “ideais40“ de
região/cidade. Dos resultados anteriores sabe-se que um aumento na renda urbano afasta
a fronteira agrícola. Além do mais, no caso de uma região fechada, aumenta a utilidade
dos residentes urbanos. Logo, o impacto sobre os preços numa região fechada será dado
por:
dp ∂p ∂u ∂p − 1 ∂u 1 1 
1 ∂u 

=
+
=
+ = 1 −
dy ∂u ∂y ∂y q v1 ∂y q q  v1 ∂y 
(2.21)
Onde a barra sobre a variável indica que a função foi calculada num ponto d = d já que o
efeito sobre o preço do imóvel é diferente conforme a distância do centro. Substituindo-se
(2.14) na equação acima (com λ=y) temos que:
40
Em analogia ao “tipo ideal” weberiano. Esta qualificação é apenas para reforçar o caráter estilizado da
nossa cidade/região.
Mercado de Imóveis na Grande São Paulo
57
d* ∂r
 1 d * ∂r

dd + ∫
dd 
 ∫o
o
dp 1  v1
∂y
∂u

=
d
*

∂r
dy q 
dd


∫
o ∂u


Logo, o sinal do diferencial total do preço do imóvel será o inverso do sinal do
numerador da expressão entre parênteses acima. Este numerador pode ser reescrito como:
d * ∂r
d* − h
d* h  1
1 d* ∂r
1 d* h
1
 − dd
dd + ∫
dd = ∫
dd + ∫
dd = ∫
∫
o ∂u
o qv
o q v
v1 o ∂y
v1 o q
1
 1 v1 
(2.22)
Usando mais uma vez a normalidade do imóvel, quando d = d * ⇒ v1 = v1 * (2.22) é
negativa dado que dv1/dd>0 e, portanto, a variação do preço dos imóveis a esta distância
do
centro
é
positiva.
Por
outro
lado,
pelo
mesmo
argumento,
quando
d = 0 ⇒ v1 = v0 (2.22) é positiva e a variação de preços dos imóveis é negativa.
Finalmente, como (2.22) é decrescente e contínua41 em d , a mudança de sinal só pode
ocorrer uma vez em algum ponto entre 0 e d*, digamos em d̂ . Assim, a variação de
preços será negativa até este ponto e positiva a partir dele. Além do mais, como:
dr ∂r ∂u ∂r
∂p ∂u
∂p
dp
=
+
=h
+h
=h
dp ∂u ∂y ∂y
∂u ∂y
∂y
dy
O gradiente de preços da terra deve seguir o mesmo comportamento do gradiente de
preços dos imóveis e o mesmo pode ser dito com relação à densidade estrutural42. É fácil
de estabelecer que o tamanho do lote aumenta em qualquer local onde o preço aumentou.
Ou seja, nas localidades mais centrais, q necessariamente deve aumentar. O resultado
com relação às localidades mais distantes do que d é ambíguo. Se por um lado o lote
deveria diminuir dado que o preço aumentou, por outro ele deveria aumentar visto que a
41
A continuidade decorre diretamente da continuidade de v, h e q.
Mercado de Imóveis na Grande São Paulo
58
renda disponível é maior. O diagrama 2.2 abaixo ilustra a alteração que ocorre no
gradiente de renda da terra com um aumento da renda urbana. O curva de preços faz uma
rotação em torno do ponto d = dˆ mudando de r0 para r1. Intuitivamente o que está
ocorrendo é que, com o aumento da renda, os consumidores desejam consumir mais
imóveis (já que o imóvel é um bem normal). Como os imóveis são mais baratos nos
lugares mais distantes do centro, os consumidores têm um incentivo para se mudar para
lugares mais distantes do centro, diminuindo a demanda por imóveis mais centrais.
O que acontece numa região aberta? Neste caso, note-se que o efeito total sobre p é igual
ao efeito parcial dado que a utilidade é exógena. Assim, um aumento na renda aumenta p,
r e k a qualquer distância do centro. Por outro lado, o tamanho do lote cai a qualquer
distância do centro43. Este aumento de densidade em toda área urbana e o aumento da
própria área urbana implica num aumento no número de domicílios. No diagrama 2.2 a
mudança no gradiente de preços decorrente do aumento na renda urbana numa região
aberta é representado pelo deslocamento da curva de r1 para r2.
Como comentado anteriormente, via de regra o processo migratório é um processo lento
que pode levar até duas gerações para que esteja completo. Por outro lado, o ajuste no
consumo, mesmo de um bem de consumo durável como um imóvel, em princípio deve
ser mais rápido. Ainda que toda a análise realizada nesta seção seja estática, pode-se
apresentar de maneira heurística uma dinâmica para o processo de ajustamento. Num
primeiro momento, após um aumento na renda, o efeito migratório seria praticamente
42
É fácil verificar que
∂k − h' dp
=
∂y ph' ' dy
Mercado de Imóveis na Grande São Paulo
59
desprezível. Logo, a economia urbana se comportaria como no modelo de região fechada.
Ocorreria uma rotação no gradiente de preços, a fronteira agrícola se deslocaria de d0*
para d1* e o preço dos imóveis no centro cairia de p0 para p1. Como a renda naquela
região se tornou mais alta, isto atrairia migrantes para região expandindo ainda mais a
fronteira agrícola de d1* para d2*, aumentando o preço dos imóveis no centro de p0 para
p1 .
Diagrama 2.2: Variações no Gradiente de Preços da Terra em Função de Mudanças na
Renda Urbana para Regiões Abertas e Fechadas
preço
p2
p0
p1
rA
r2
r1
r0
d̂
d0* d1*
d2*
Distância
As conclusões do modelo Alonso-Muth-Mills apenas descrito são, em geral, coerentes
com a realidade. De fato a grande maioria das cidades apresenta este padrão: existe um
gradiente decrescente de preços e de densidade conforme se afasta do centro. Por outro
lado, a evidência empírica no que se refere à comparação entre as cidades parece ser
43
∂p 1
∂q
∂p
∂p ∂r
∂k
e
mencionadas anteriormente
= > 0,
=η
< 0 e as relações entre
ou
∂y q
∂y
∂y
∂y ∂y
∂y
Mercado de Imóveis na Grande São Paulo
60
coerente com as conclusões de ambos os modelos. Por exemplo, a conclusão do modelo
de região fechada de que grandes cidades (com um grande número de domicílios) devem
ser mais densas e com lotes menores é confirmada inter alia, por Brueckner e Fansler
(1983). A previsão do modelo de cidade aberta de uma correlação positiva entre o
tamanho da cidade e a renda é confirmada por Hoch (1972).
2.2 Fatos Estilizados para a Grande São Paulo
Antes de entrar na especificação econométrica da demanda e oferta de imóveis na Grande
São Paulo, vale a pena dar uma olhada nos dados estilizados para esta região. Para
localizar espacialmente os lugares mencionados nas análises que se seguem, o Mapa 2.1
apresenta a divisão municipal da Região Metropolitana de São Paulo (RMSP) e as
zonas44 do Município de São Paulo (MSP) com seus respectivos nomes. O mapa contém
também a mancha urbana em 1992 e os principais rios e represas da região além dos
municípios vizinhos.
O mapa 2.2 apresenta a densidade em milhares de domicílios por hectare para a área
urbana da Grande São Paulo. Os círculos concêntricos apresentam a distância para o
marco zero da cidade central (MSP). O primeiro círculo está a 2,5 km de distância do
centro enquanto os seguintes estão a 5 km de distância cada, ou seja, o segundo círculo
está a 5 km, o terceiro a 10 km e assim por diante. O primeiro aspecto importante de se
destacar é que a área urbana da Grande São Paulo é muito próxima de um círculo de 25
km de raio com o centro na praça da Sé. Como se pode observar, com exceção de alguns
permanecem válidas.
44
Conforme classificação da Emplasa (1994).
Mercado de Imóveis na Grande São Paulo
61
vazios ao norte, devido a serra da Cantareira, a área urbana está basicamente contida
dentro do último círculo 45.
Ainda que a densidade em geral diminua quando se afasta do centro, não se pode dizer
que o mapa está totalmente de acordo com o modelo. Existe uma importante
concentração populacional (mais de 37,5 mil Domicílios/Ha) na parte mais ao norte da
zona leste 1, a cerca de 15 km do centro, e na porção mais ao leste da zona sudeste numa
faixa que começa a 5 km do centro e se expande até 15 km de distância da praça da Sé.
Na realidade, o leste do MSP apresenta densidades díspares com o modelo. Fora os dois
pólos de alta densidade citados toda a porção norte da zona leste apresenta densidades
acima de 25 dom/Ha mesmo a 25 km de distância do centro. Por outro lado, a
concentração próxima ao centro se estende até uns 15 km de distância, ao sul. Finalmente
existe uma última área de concentração, ao norte, que começa a cerca de 5 km do centro e
que se estende até cerca de 13 km de distância da praça da Sé.
Estas diferenças ocorrem em parte devido a diferenças de renda entre grupos dentro da
área urbana. Até o presente momento, considerou-se que existia apenas um agente
representativo. Quando há diversos grupos de agentes, como se sabe, não há garantia de
que os membros de um grupo tenham o mesmo bem estar (em termos de nível de gasto)
do que os membros de outro grupo. É o famoso resultado que o mercado trata grupos
iguais igualmente e grupos diferentes desigualmente. Para ver como este processo ocorre,
45
Na realidade, a mancha urbana se expande mais uns 5 km à leste e à oeste. Uma aproximação mais
realista seria uma elipse com cerca de 60 km no eixo maior e 40 km no eixo menor com o centro deslocado
cerca de 5 km ao sul da praça da Sé. De qualquer maneira, esta nova aproximação acabaria por deixar de
fora parte de Guarulhos, o segundo município do estado.
Mercado de Imóveis na Grande São Paulo
62
vamos assumir uma função específica e simplificada46 (porém coerente com a teoria
anterior) para a renda dos imóveis para os dois grupos:
p1q1 = y1 − f1d − n1
p2q2 = y2 − f 2d − n2
(2.23)
Onde pi, qi, yi, fi e ni representam a renda do imóvel, o tamanho do lote, a renda
disponível, o custo de transporte (considerado linear) e o consumo de outros bens
(numerário) correspondente aos consumidores do i-ésimo. Vamos também supor que (i)
(y1-n1)/ q1 >(y2-n2)/q2 e (ii) f1/q1>f2/q2. Ou seja, o grupo 1 tem renda disponível para o
consumo de imóveis maior que o grupo 2 e maior aversão ao deslocamento relativamente
ao tamanho do lote. Neste caso, a inclinação (negativa) do gradiente de preços do imóvel
seria maior para os indivíduos do grupo 1 do que para os indivíduos do grupo 2 como
ilustrado no Diagrama 2.3. Como se pode observar, existe um ponto m onde as duas
curvas se interceptam. Este ponto pode ser calculado facilmente a partir de (2.23):
m=
q2 ( y1 − n1 ) − q1 ( y2 − n2 )
(q2 f1 − q1 f 2 )
Note-se que as condições i) e ii) impostas no parágrafo anterior garantem que m seja
positivo. É necessário ainda que m seja menor do d* para que o grupo 2 consiga alugar
algum imóvel na região. Para caracterizar o equilíbrio urbano é ainda necessário que os
domicílios do grupo 1 caibam no círculo cujo raio é m e que todos os domicílios (dos
grupos 1 e 2) caibam no círculo de raio d*. Não vamos apresentar aqui a solução
completa deste equilíbrio. O que se pretende destacar é que, se o lote demandado pelo
grupo 1 for maior do que o lote demandado pelo grupo 2, pode ser que a previsão do
modelo para a relação entre densidade e distância do centro não seja mais válida.
46
Para uma estática comparativa do modelo com múltiplos grupos, vide Hartwick et all (1976) ou Wheaton
(1976).
Mercado de Imóveis na Grande São Paulo
63
Diagrama 2.3: Gradiente de Renda dos Imóveis para uma Região com Dois Agentes
renda
(y1-n1)/q1
p1
p2
rA
m
d*
Distância
É importante também destacar que o equilíbrio encontrado em que os “ricos” moram
próximos ao centro e que os “pobres” moram mais distante é decorrência das hipóteses
arbitrárias feitas anteriormente. Seria perfeitamente possível um equilíbrio inverso como
se nota na maioria das cidades americanas. É também interessante notar como um dos
grupos poderia ficar completamente fora do mercado. Se d* for menor do que m, o grupo
2 não conseguiria alugar nenhum imóvel. Se, por outro lado, o preço que o grupo 2
estivesse disposto a pagar no centro fosse maior que a do grupo 1 (ou seja, se a hipótese
(i) não valesse), o grupo 1 que estaria fora do mercado.
O quanto esta modificação do modelo explica as disparidades nas densidades
observadas? Observando o Mapa 2.3, nota-se que parte das altas densidades encontradas
na zona leste podem ser explicadas se ampliarmos o modelo para múltiplos agentes. A
zona leste é, de fato, um dos maiores bolsões de miséria urbana da região. Como se pode
observar, a porção mais ao leste, a zona leste 2, encontra-se na faixa de renda mais baixa
Mercado de Imóveis na Grande São Paulo
64
da região. Os chefes de domicílio em todos os distritos desta zona ganham, em média,
menos de R$ 900,00 por mês em valores de dezembro de 2000. Além do mais, esta é uma
das regiões com maior concentração de habitação popular tanto do Estado (CDHU) como
da Prefeitura (COHAB).
As altas densidades ao norte também se dão em distritos com renda relativamente baixa.
Já a concentração de população que se expande ao Sul é um pouco mais difícil de se
explicar por diferenças de renda, ainda que o distrito mais ao Sul com alta concentração
populacional (Cidade Ademar) apresente uma renda relativamente baixa. A Tabela 2.1
apresenta os 11 distritos com densidade domiciliar acima de 37,5 domicílios por hectare
que se encontram a mais de 5 km do centro da cidade47. Como se pode observar, a
correlação entre baixa renda e alta densidade é boa no Leste e no Norte, razoável no
Sudeste e ruim no Sul.
47
Outros 10 distritos localizados a menos de 5 km do centro encontram-se nesta faixa densidade.
Mercado de Imóveis na Grande São Paulo
65
Tabela 2.1: Densidade e Renda Média do Chefe do Domicílio para Distritos com
Alta Densidade a mais de 5 km da Praça da Sé
'LVWULWR
ÈJXD 5DVD
6DFRPm
6mR /XFDV
6DSRSHPED
$UWXU $OYLP
3RQWH 5DVD
)UHJXHVLD GR Ï
9LOD 0HGHLURV
&LGDGH $GHPDU
-DEDTXDUD
6D~GH
=RQD
'HQVLGDGH
5HQGD
'RP+D 5 GH] Sudeste
Sudeste
Sudeste
Sudeste
Leste 1
Leste 1
Norte 2
Norte 2
Sul 2
Sul 2
Sul 2
Fonte: IBGE: Censo Demográfico de 1991, Emplasa (1994)
Um outro aspecto interessante do Mapa 1.3 é que a renda segue um comportamento
espacial bem uniforme. Existe um círculo de alta renda, em seguida um anel ao redor
com a renda uma faixa abaixo e assim por diante. Existem duas exceções a esta regra. Em
primeiro lugar, à sudeste da RMSP, mais especificamente em São Bernardo e São
Caetano, a renda torna a crescer. Esta região é um importante centro de atividade
industrial em São Paulo. A outra exceção ocorre a noroeste, especialmente em Barueri e
Santana de Parnaíba. Também nesta região existe uma certa concentração industrial mas,
sobretudo, existem importantes condomínios fechados para população de alta renda:
Alphaville e Tamboré. É também importante destacar que o círculo de alta renda, ainda
que próximo ao centro não está centrado na praça da Sé. O ponto, destacado no Mapa,
que fica no encontro da Av Marginal Pinheiros com a Av. dos Bandeirantes seria o centro
deste círculo de alta renda. Voltaremos a estas duas questões suscitadas pelo Mapa mais
adiante.
De acordo com o modelo, a densidade estrutural também deveria seguir comportamento
semelhante ao da densidade domiciliar. O Mapa 2.4 apresenta uma proxy para a
Mercado de Imóveis na Grande São Paulo
66
densidade estrutural (área total construída sobre a área do terreno) dos imóveis lançados
na RMSP entre 1985 e 1999 conforme dados da Embraesp48. Estes dados também são
apresentados nos Gráfico 2.1 e 2.2 onde se apresenta a relação entre a área construída e a
área do terreno em função da distância da Praça da Sé (2.1) e do início da Av dos
Bandeirantes (2.2), juntamente com a linha de tendência49.
Área Construída/Área do Terreno
Gráfico 2.1: Densidade Estrutural em Função da Distância à Praça da Sé
(Jan 85 à Jul 99)
20
18
16
14
12
10
8
6
4
2
0
0
5,000
10,000 15,000 20,000 25,000 30,000 35,000 40,000
Distância à Praça da Sé (m)
Fonte: Tabulação própria usando dados da Embraesp
Como se pode observar, a densidade estrutural é muito semelhante à domiciliar. Além do
centro, existem edifícios com uma alta proporção de área construída com relação ao
terreno ao Sul, até uns 10 km do centro, ao norte na faixa de 5 a 10 km de distância e ao
leste na mesma faixa, se expandindo em menor proporção para a faixa dos 10 aos 15 km.
No ABC, além de São Caetano e São Bernardo que já se destacavam no Mapa de
densidade domiciliar, Santo André aparece mais claramente com uma alta densidade
48
Esta será a base de dados a partir da qual será realizada toda a análise econométrica e será descrita com
detalhes na próxima seção.
49
Uma aproximação polinomial de ordem 5.
Mercado de Imóveis na Grande São Paulo
67
estrutural e um grande número de lançamentos. O Mapa 2.5 apenas confirma as
conclusões sobre densidade estrutural utilizando uma outra proxy: o número médio de
andares dos condomínios. Nesta proxy, o centro de Santo André se destaca bem mais que
os outros centros do ABC. De acordo com os Mapas, mais duas localidades
aparentemente revertem a tendência declinante na densidade estrutural: Barueri a
noroeste e Guarulhos no nordeste.
No Gráfico 2.1, fica clara a tendência declinante da densidade estrutural conforme se
afasta do centro da cidade de São Paulo. A área construída nos locais muito próximos ao
centro é cerca de 6 vezes a área do terreno, em média, comparada com uma média de
pouco mais de 3 vezes para imóveis localizados em torno de 15 km de distância do
centro. No Gráfico 2.2 o ponto de referência foi modificado para o início da Av. dos
Bandeirantes, no cruzamento com a Marginal do Rio Pinheiros. Esta mudança de
referencial deve-se ao fato de que este ponto fica no centro de “riqueza” da região como
se pode notar no Mapa 2.1. Além do mais, sabe-se que diversas empresas estão de fato
localizadas em torno deste ponto50. Quando o ponto de referência é alterado, a tendência
declinante permanece mas a aproximação é pior do que anteriormente. Quando o ponto
de referência é a Av. dos Bandeirantes, não obstante parta-se de uma média abaixo de 6
vezes a área do terreno, nos imóveis em torno de 15 km de distância da Bandeirantes a
média ainda é superior a 4 vezes.
50
Alguns outros pontos foram testados como o World Trade Center na Av. Luiz Carlos Berrini. O encontro
da Av. dos Bandeirantes com a Marginal é o ponto com mais sentido tanto em termos da localização das
empresas como em termos da distribuição espacial da renda.
Mercado de Imóveis na Grande São Paulo
68
Área Construída/Área do Terreno
Gráfico 2.2: Densidade Estrutural em Função da Distância à Av. dos Bandeirantes
(Jan 85 à Jul 99)
20
18
16
14
12
10
8
6
4
2
0
0
5,000
10,000 15,000 20,000 25,000 30,000 35,000 40,000
Distância ao Início da Av. dos Bandeirantes (m)
Fonte: Tabulação própria usando dados da Embraesp
Quer dizer, ainda que possa haver um deslocamento da riqueza de cerca de 7 km ao
sudoeste do centro histórico, este deslocamento não resultou em um deslocamento da
densidade estrutural. Um outro aspecto interessante é que a tendência declinante
permanece até cerca de 35 km de distância do centro, a partir de onde a média de área
construída permanece estável em torno de 2 vezes a área do terreno. Como a 35 km a área
urbanizada é pequena em qualquer direção, esta seria a densidade estrutural mínima na
RMSP de uma região rural ou semi-urbana.
Nota-se também que os possíveis pólos de retomada de uma acumulação populacional:
ABC, Guarulhos e Barueri, não parecem influenciar a média global, quer dizer, são
incapazes de alterar a tendência declinante da densidade estrutural. O fato é que,
conforme a direção que se caminha, o comportamento do gradiente de densidade parece
variar consideravelmente. Na maioria dos mapas discutidos anteriormente, apresenta-se
em geral uma linha divisória, cortando a RMSP em quatro fatias. Estas quatro fatias
Mercado de Imóveis na Grande São Paulo
69
correspondem aos quatro quadrantes geográficos da RMSP denominados trivialmente na
figura abaixo. Os Gráficos 2.3 a à d apresentam a tendência para a densidade estrutural
em função da distância para os quatro quadrantes.
Figura 2.2: Quadrantes e Pontos de Referência da RMSP
O comportamento declinante que mais se encaixa no modelo discutido ocorre quando se
desloca na direção Sudoeste. Nesta direção apresenta-se a tendência mais elevada e não
se verifica nenhuma mudança de tendência. Na direção noroeste também não se verifica
uma inversão de tendência mas a inclinação é bem inferior à observada para a direção
sudoeste. Já quando se caminha na direção Nordeste ou Sudeste, existem inversões de
tendências bem claras a cerca de 12,5 km na direção Sudeste e a mais e 25 km na direção
Nordeste. O caso do Sudeste é muito claro. A cerca de 25 km do centro, ou seja, próximo
ao centro de Santo André ou São Bernardo, obtêm-se um máximo local que cai
novamente retornando aproximadamente ao piso anterior. Ou seja, a presença do ABC é
claramente observada nos dados quando se caminha na direção sudeste. No entanto, é um
Mercado de Imóveis na Grande São Paulo
70
pouco complicado atribuir à Guarulhos a reversão de tendência no Nordeste é um pouco
mais difícil já que o centro de Guarulhos encontra-se a cerca de 15 km de distância do
centro.
20
Área Construída/Área do Terreno
Área Construída/Área do Terreno
Gráfico 2.3: Densidade Estrutural em Função da Distância à Praça da Sé para Quatro
Quadrantes da RMSP (Jan 85 à Jul 99)
Gráfico 2.3a: Noroeste
Gráfico 2.3b: Nordeste
18
16
14
12
10
8
6
4
2
0
0
5,000
10,000
15,000
20,000
25,000
30,000
20
18
16
14
12
10
8
6
4
2
0
35,000
0
5,000
Distância à Praça da Sé (m)
Área Construída/Área do Terreno
Área Construída/Área do Terreno
18
16
14
12
10
8
6
4
2
0
10,000
15,000
20,000
25,000
Distância à Praça da Sé (m)
20,000
25,000
30,000
35,000
30,000
35,000
Gráfico 2.3d: Sudeste
20
5,000
15,000
Distância à Praça da Sé (m)
Gráfico 2.3c: Sudoeste
0
10,000
30,000
35,000
20
18
16
14
12
10
8
6
4
2
0
0
5,000
10,000
15,000
20,000
25,000
Distância à Praça da Sé (m)
Fonte: Tabulação própria usando dados da Embraesp
Em outras palavras, apenas o ABC aparece claramente como um candidato a sub-centro
regional. Barueri e Guarulhos não são capazes de alterar a média de densidade estrutural
quando se caminha na sua direção pelo menos de forma inequívoca. No entanto, do que
se trata um sub-centro? Neste contexto, trata-se de um outro ponto de aglomeração de
postos de trabalho para o qual trabalhadores se deslocam da sua residência. Neste caso,
quebra-se a estrutura monocêntrica com uma série de conseqüências sobre o equilíbrio
urbano.
Mercado de Imóveis na Grande São Paulo
71
Existem basicamente 3 abordagens para a modelagem de uma economia não
monocêntrica. A abordagem inaugurada por Mills (1972) identifica as condições a partir
das quais uma região é (1) segregada com a produção ocorrendo no centro e os imóveis
residenciais vivendo no entorno (região monocêntrica) ou (2) integrada com empresas e
residentes vivendo nos mesmos locais. A versão de Fujita e Ogawa (1982) deste tipo de
equilíbrio considera ainda o caso em que o uso da terra é (3) parcialmente integrado, com
algumas empresas e residências localizadas na mesma área, uma área residencial pura e
uma área apenas empresarial.
Uma outra abordagem a partir do artigo pioneiro de White (1976) assume que as
empresas podem exportar sua produção tanto a partir da sua localização central como a
partir de uma filial localizada no subúrbio da região. Nesta abordagem fica claro como a
existência de um anel viário em torno do centro original divide o mercado em dois. O
grande problema desta abordagem de anel viário é que as firmas localizadas no anel não
apresentam ganhos de escala entre elas e, portanto encontram-se espalhadas
uniformemente ao longo da via. Ainda que esta configuração seja verificada na prática
em alguns casos, um modelo deste tipo não é capaz de explicar a existência de uma
concentração de empresas em torno de um outro local que não o centro.
A terceira abordagem é de um modelo de dinâmica regional como o de Henderson
(1986). Lembre-se que, no modelo simplificado de Fujita e Krugman (1995), quando a
fronteira agrícola de uma região está acima de uma certa distância do centro original S*,
uma nova cidade se forma a 2S*/3 do centro. Além do mais, num modelo com dois
setores sendo que para o primeiro torna-se lucrativo mudar de cidade para uma fronteira
agrícola mais próxima do que para o segundo têm-se uma especialização das cidades:
Mercado de Imóveis na Grande São Paulo
72
uma cidade menor com apenas um setor e uma cidade maior com os dois setores
econômicos.
Dado que faz sentido o aparecimento de uma outra (ou duas) cidades próxima(s) à
primeira vamos assumir que, de fato, existe um sub-centro na nossa região estilizada a 20
km de distância do centro principal. Ou seja, não se apresenta formalmente aqui um
modelo não-monocêntrico que é assumido ad hoc e discutido heuristicamente. Se existe
um sub-centro a 20km, pessoas vivendo, digamos, a 2 km do sub-centro (18 km do
centro) e trabalhando no sub-centro incorrem num custo de transporte muito menor do
que as pessoas que moram, digamos, a 15 km do centro e trabalham nele. A utilidade
pode ser equalizada através de diferentes salários nas duas áreas de concentração de
empresas, através de diferenças no preço dos imóveis ou através de ambas. Assumindo
que ambos processos de equalização ocorrem: os salários são menores no sub-centro mas
os aluguéis são crescentes conforme se aproxima do sub-centro (localizado em S*) a
partir de um certo limite (c*). A fronteira agrícola original (sem a existência do subcentro) é denominada d0* e a nova fronteira agrícola é denominada d1*.
Mercado de Imóveis na Grande São Paulo
73
Diagrama 2.4: Gradiente de Preço dos Imóveis em uma Cidade com um Centro e um
Sub-centro.
Densidade
rA
c*
d0*
S*
d1*
Distância
Para que o sistema esteja em equilíbrio, pessoas morando em c* são indiferentes entre
trabalhar no centro ou no sub-centro: o salário mais elevado no centro compensa o maior
deslocamento. Todas as pessoas morando à direita de c* preferem trabalhar no sub-centro
do que no centro. Mesmo assumindo uma economia totalmente circular como na nota 13
a nova condição de equilíbrio é extremamente complexa. Em princípio, em equilíbrio, as
pessoas empregadas no sub-centro deveriam caber na área disponível para residências
dentro da faixa compostas por dois semi-círculos: um de raio S*-c* e outro de raio d*-S*.
No entanto, pode existir um ponto a uma distância do centro maior do que c* e a uma
distância do sub-centro maior do que S*-c* onde o morador deste ponto estaria
indiferente entre trabalhar no centro ou no sub-centro51.
Uma hipótese extremamente simplificadora seria considerar que apenas as pessoas
vivendo no quadrante onde se localiza o sub-centro trabalham neste e estão
compreendidas nos dois semicírculos descritos acima. A área onde deveria ser possível
51
Para evitar este problema, Fujita e Ogawa (1982) consideraram uma cidade linear.
Mercado de Imóveis na Grande São Paulo
74
encaixar as pessoas que trabalham no sub-centro seria composta pela área de ¾ de círculo
com raio d0* mais a área de ¼ de círculo com raio c*. Esta hipótese parece razoável para
a RMSP. Quando se caminha na direção Sudeste, nota-se o perfil descrito no Diagrama
2.4. Quando se caminha na direção Noroeste ou Sudoeste nota-se para a densidade
estrutural o perfil esquemático do Diagrama 2.1 para preços.
É também importante destacar que a inclinação na direção Sudoeste é maior do que a
verificada na direção Noroeste. Parte-se de uma média superior (7 vezes a área do terreno
no Sudoeste contra 5 vezes no Noroeste) chegando-se a menos de uma vez o tamanho do
terreno em média a pouco mais de 25 km do centro contra uma média de 2 vezes o
tamanho do terreno a mais de 30 km do centro na direção Noroeste. Uma explicação
razoável é que como a Sudoeste não há nenhum sub-centro, o gradiente de densidade é
muito parecido com o de uma cidade monocêntrica. Na realidade, este quadrante tem um
limite natural de crescimento: a área de mananciais. Já a Noroeste, parte dos moradores
trabalha ou estuda em Alphaville ou em algum outro lugar de Barueri; uma outra parte
trabalha ou estuda em São Paulo. Portanto, a redução de utilidade quando se afasta de
São Paulo é diluída pelo aumento de utilidade por estar se aproximando de Alphaville ou
Barueri. Por fim, a área urbanizada mais extensa é coerente com o Diagrama 4.1: a
fronteira agrícola com sub-centro se dá em d1*> d0*.
Quando se caminha na direção Nordeste o perfil é parecido com o do Diagrama 2.4 com
um sub-centro localizado a mais de 35 km de distância do centro. Como vimos, o grande
candidato no quadrante Nordeste seria Guarulhos que está a menos de 20 km do centro.
Um sub-centro alternativo mais coerente com o gráfico seria Mogi das Cruzes. Acontece
que na base de dados utilizada, registrou-se apenas 2 lançamentos em Mogi no período
Mercado de Imóveis na Grande São Paulo
75
considerado e, portanto, qualquer conclusão seria extremamente arbitrária. Além do que,
o pedaço bem próximo à Praça da Sé na direção Nordeste é exatamente o Centro Antigo
onde, por motivos óbvios, praticamente não existem novos lançamentos.
Finalmente, o trecho crescente no início da curva tanto na direção Nordeste como na
direção Sudeste pode ser explicado em parte pela diminuição da renda quando se
caminha do centro para o leste da RMSP. Como discutido anteriormente, a concentração
de populações mais pobres à leste em média diminui o tamanho dos lotes aumentando a
densidade. Este efeito já havia sido observado na discussão sobre densidade domiciliar no
Mapa 2.2. Na realidade, como a densidade domiciliar é um dado censitário e, portanto,
um dado de estoque e não de fluxo como o nosso dado de densidade estrutural, deve-se
tomar bastante cuidado ao comparar estes dois indicadores. Voltaremos a esta questão
mais adiante.
O modelo apresentado originalmente previa também que o comportamento da renda dos
imóveis deveria ser o mesmo que o das densidades. No entanto, a extensão que considera
dois grupos de renda já não garante este resultado a não ser que as classes de renda mais
alta vivam nos subúrbios o que já se sabe que não é o caso em São Paulo. Os Gráficos 2.4
a e b apresentam o preço52 dos imóveis por metro quadrado em função da distância da
Praça da Sé (a) e do início da Bandeirantes (b). Estes dados são também apresentados no
Mapa 2.6.
52
O modelo foi desenvolvido para a renda (ou aluguel) do imóvel no entanto nossos dados referem-se ao
preço de compra do imóvel. Em equilíbrio, o preço do imóvel deve ser igual ao aluguel dividido pela taxa
de juros real.
Mercado de Imóveis na Grande São Paulo
76
7,000
Preço por m2 (Reais de 15/12/00)
Preço por m2 (Reais de 15/12/00)
Gráfico 2.4a: Preço/m2 do imóvel em função Gráfico 2.4b: Preço/m2 do imóvel em função
da Distância a Sé (1985-1999)
da Distância a Bandeirantes (1985-1999)
6,000
5,000
4,000
3,000
2,000
1,000
0
0
5000
10000
15000
20000
25000
30000
35000
40000
Distância a Praça da Sé (m)
7,000
6,000
5,000
4,000
3,000
2,000
1,000
0
0
5,000
10,000 15,000 20,000 25,000 30,000 35,000 40,000
Distância ao Início da Bandeirantes (m)
Fonte: Tabulação própria usando dados da Embraesp
Nos Gráficos fica claro que os preços parecem se comportar de acordo com modelo,
especialmente quando o ponto de referência é a Av. dos Bandeirantes. De fato, muito
próximo à praça da Sé no Gráfico 2.4a, os preços parecem se estabilizar abaixo de R$4
mil (em valores53 de dezembro de 2000) enquanto o preço dos imóveis muito próximos à
Av dos Bandeirantes apresentam uma tendência crescente acima de R$4 mil. Além das
diferenças entre os quadrantes claras no Mapa 2.6, existe um outro problema no caso dos
preços. Existe uma grande variação de preços ao longo do período.
O Gráfico 2.5 apresenta a evolução dos preços no período considerado junto com o
número de unidades vendidas no mercado. Os mesmos dados são apresentados no
Gráfico 2.6 porém utilizando-se uma média móvel de 12 meses para corrigir
sazonalidades e tornar a série mais estável. Como se pode observar, os preços apresentam
grande volatilidade no início da série mas parecem mais estáveis no final. Entre janeiro
de 85 e dezembro de 90 temos o período de maior instabilidade da série, mesmo na série
filtrada pela média móvel. Os preços sobem continuamente até metade de 87. A partir daí
caem até o início de 88 se mantendo-se estável, em torno de R$1,5 mil durante o ano mas
53
Valores corrigidos pelo IGP-di. Vide apêndice.
Mercado de Imóveis na Grande São Paulo
77
retomando o crescimento no ano seguinte. Neste período o preço e as vendas caminham
praticamente juntos.
Gráfico 2.5: Evolução da Média Mensal de Preços por m2 dos Imóveis Lançados na
RMSP (1985-1999)
3,000
2,000
P re ço R $ d e D e z . 0
1,600
1,400
2,000
preç o/m 2
1,200
1,500
1,000
800
1,000
600
V endas
400
500
R$ M ilh õ e s d e De z . 0
1,800
2,500
200
0
0
Jan- Jan- Jan- Jan- Jan- Jan- F eb- F eb- F eb- F eb- F eb- F eb- F eb- F eb- F eb85
86
87
88
89 90
91
92
93
94
95 96
97
98
99
Da ta
Fonte: Tabulação própria usando dados da Embraesp
Gráfico 2.6: Média Móvel (12 meses) de Preço Médio por m2 e Total de Unidades para
os Imóveis Lançados na RMSP (1985-1999)
6,000
5,000
2,000
preç o/m 2
4,000
1,500
3,000
1,000
Lanç am entos
500
2,000
Un id a de s
R$ De ze m b ro 200
2,500
1,000
0
0
Jan- Jan- Jan- Jan- Jan- Jan- F eb- F eb- F eb- F eb- F eb- F eb- F eb- F eb- F eb85 86 87 88 89 90 91 92 93 94 95 96 97 98 99
Da ta
Fonte: Tabulação própria usando dados da Embraesp
Em janeiro de 91, pela única vez em toda a série, não foi registrado nenhum lançamento,
muito provavelmente devido ao anúncio do plano Collor naquele mês. A partir do início
Mercado de Imóveis na Grande São Paulo
78
de 91 o preço apresenta uma longa tendência decrescente que termina somente em
meados de 94. Neste segundo período que vai do início de 91 até meados de 94, preço e
vendas não parecem mais caminhar juntos. Pelo contrário, neste período, as vendas
apresentam uma tendência crescente.
A partir de meados de 94 os preços se estabilizam até o final da nossa série, em julho de
99, em torno de R$1,2 mil. O mesmo não se pode dizer das vendas que apresentam uma
tendência crescente mais acentuada do que anteriormente alcançando um pico em meados
de 97 que permanece até meados de 98 quando as unidades vendidas despencam para um
de seus níveis mais baixos, em torno de 2,5 mil unidades por mês. Dado este
comportamento temporal, parece interessante observar a relação entre preço e distância
em três períodos diferentes: de 1985 a 1990, de 1991 a junho de 1994 e de julho de 1994
em diante. As datas são coerentes com as séries temporais e correspondem a dois
importantes momentos na política econômica: o plano Collor e o plano Real.
Nos dois primeiros períodos a tendência declinante para os imóveis próximos ao centro
(até 2,5 km de distância) é bem clara, especialmente no período que vai de janeiro de 91 a
junho de 94. No último período a tendência com certeza não é ascendente mas não se
pode afirmar que seja descendente. Quando a referência é a Av dos Bandeirantes, nota-se
muito claramente a tendência ascendente no início da curva observada no total da
amostra54 no segundo e no terceiro período. No primeiro período nota-se uma tendência
descendente ainda que menos acentuada do que a tendência observada no mesmo período
quando a referência é a praça da Sé. Pode ser que o efeito do deslocamento da atividade
54
Como veremos adiante, não se trata de uma amostra no sentido estatístico do termo. No entanto o termo
será usado para se referir às empresas que compoem o universo dos lançamentos da Embraesp.
Mercado de Imóveis na Grande São Paulo
79
econômica só tenha se transferido efetivamente para os preços dos imóveis na década de
90 e por isto não se nota o efeito na segunda metade da década de 80.
7,000
Gráfico 2.7b: Preço/m2 do imóvel em função
da Distância a Bandeirantes (jan.85- dez.90)
Preço por m2 (Reais de 15/12/00)
Preço por m2 (Reais de 15/12/00)
Gráfico 2.7a: Preço/m2 do imóvel em
função da Distância a Sé (jan.85-dez 90)
6,000
5,000
4,000
3,000
2,000
1,000
0
0
5,000
10,000 15,000 20,000 25,000 30,000 35,000 40,000
7,000
6,000
5,000
4,000
3,000
2,000
1,000
0
0
5000
Distância a Praça da Sé (m)
10000
15000
20000
25000
30000
35000
40000
Distância ao Início da Bandeirantes (m)
Fonte: Tabulação própria usando dados da Embraesp
Uma outra novidade na análise desagregada por período é que se nota uma retomada do
crescimento dos preços a cerca de 25 km de distância da Sé e a um pouco mais de 30 km
de distância da Bandeirantes no primeiro período e a cerca de 30 km da Sé e a um pouco
mais de 35 km da Bandeirantes no segundo período. Como o início da Bandeirantes
encontra-se a cerca de 7 km da Sé, provavelmente são os mesmos lançamentos que estão
revertendo a tendência na última parte da curva. Este fenômeno não é verificado no
último período. Esta retomada de preços deve-se, provavelmente, a lançamentos em
condomínios de alto padrão afastados da Grande São Paulo.
7,000
Gráfico 2.8b: Preço/m2 do imóvel em função
da Distância a Bandeirantes (jan.91-jun.94)
Preço por m2 (Reais de 15/12/00)
Preço por m2 (Reais de 15/12/00)
Gráfico 2.8a: Preço/m2 do imóvel em
função da Distância a Sé (jan.91-jun.94)
6,000
5,000
4,000
3,000
2,000
1,000
0
0
5,000
10,000 15,000 20,000 25,000 30,000 35,000 40,000
Distância a Praça da Sé (m)
7,000
6,000
5,000
4,000
3,000
2,000
1,000
0
0
5000
10000
15000
20000
25000
30000
35000
40000
Distância ao Início da Bandeirantes (m)
Fonte: Tabulação própria usando dados da Embraesp
Mercado de Imóveis na Grande São Paulo
80
Quando se divide a amostra por quadrante os resultados são bem diferentes dos
observados para a relação entre densidade estrutural e distância como se pode observar
no Gráfico 2.10. O quadrante Sudeste por exemplo, não apresenta os dois picos muito
claros no Gráfico 2.3d. Os preços decrescem rapidamente até cerca de 12km de distância
do centro depois se mantém constantes (em torno de R%2 mil) até uns 22km de distância
a partir de onde tornam a decrescer. Note-se que, comparando com o Gráfico 4a que
engloba todas as regiões, R$2 mil por metro quadrado a 25 km de distância da praça da
Sé está acima da média em torno de R$1,5 mil. Quer dizer, o efeito do ABC permanece
mantendo os preços num patamar mais elevado do que se esperaria. O curioso é que a
presença de um sub-centro não é capaz de criar um novo pico de preços apenas de
densidade.
7,000
6,000
5,000
4,000
3,000
2,000
1,000
0
0
5,000
10,000 15,000 20,000 25,000 30,000 35,000 40,000
Distância a Pra ça da Sé (m)
Gráfico 2.9b: Preço/m2 do imóvel em função
da Distância a Bandeirantes (jul.94-jul.99)
Preço por m2 (Reais de 15/12/00)
Preço por m2 (Reais de 15/12/00)
Gráfico 2.9a: Preço/m2 do imóvel em
função da Distância a Sé (jul.94-jul.99)
7,000
6,000
5,000
4,000
3,000
2,000
1,000
0
0
10,000
20,000
30,000
40,000
Distância ao Início da Bandeirante s (m)
Fonte: Tabulação própria usando dados da Embraesp
O pico de preços a cerca de 3km de distância do centro (e não no ponto zero) e a
retomada no crescimento de preços no final da curva que se observa na segunda metade
da década de 80 (Gráfico 2.7a) e na primeira metade da década de 90 (Gráfico 8a) se
repete apenas nos quadrantes Nordeste e Sudoeste. A retomada de preços na região
Sudoeste se dá a praticamente 25km de distância do centro e na região Nordeste à cerca
de 30km de distância sendo análogas, portanto, às inflexões observadas no primeiro e no
Mercado de Imóveis na Grande São Paulo
81
segundo período, respectivamente. Este fato reforça a hipótese que tais inflexões estariam
ligadas a lançamentos de condomínios de alto padrão em (1) Carapicuíba, Embu ou
Itapecerica da Serra na segunda metade da década de 80 ou em (2) Mairiporã, Arujá ou
Santa Isabel na primeira metade da década de 90.
7,000
Preço por m2 (Reais de 15/12/00)
Preço por m2 (Reais de 15/12/00)
Gráfico 2.10: Preço por Metro Quadrado em Função da Distância à Praça da Sé para
Quatro Quadrantes da RMSP (Jan 85 à Jul 99)
Gráfico 2.10a: Noroeste
Gráfico 2.10b: Nordeste
6,000
5,000
4,000
3,000
2,000
1,000
0
0
5,000
10,000
15,000
20,000
25,000
30,000
7,000
6,000
5,000
4,000
3,000
2,000
1,000
0
35,000
0
5000
Distância a Praça da Sé (m)
Preço por m2 (Reais de 15/12/00)
Preço por m2 (Reais de 15/12/00)
6,000
5,000
4,000
3,000
2,000
1,000
0
10,000
15,000
20,000
25,000
Distância a Praça da Sé (m)
20000
25000
30000
35000
Gráfico 2.10d: Sudeste
7,000
5,000
15000
Distância a Praça da Sé (m)
Gráfico 2.10c: Sudoeste
0
10000
30,000
35,000
7,000
6,000
5,000
4,000
3,000
2,000
1,000
0
0
5,000
10,000
15,000
20,000
25,000
30,000
35,000
Distância a Praça da Sé (m)
Fonte: Tabulação própria usando dados da Embraesp
A queda de preços nos imóveis muito próximos ao centro quando se caminha para
Nordeste pode ser explicada em parte pela distribuição espacial da renda (vide Mapa 2.3).
Na direção Nordeste, a renda média dos distritos a menos de 2,5km do centro está na
terceira faixa de renda da RMSP. No anel de 2,5km a 5km uma parcela dos distritos, ao
sul, apresenta renda na segunda faixa enquanto a parcela ao norte apresenta renda na
faixa mais rica da região. No entanto esta observação para o Sudoeste não faz muito
sentido se tomarmos a distribuição de renda em 1991. Uma explicação para este
Mercado de Imóveis na Grande São Paulo
82
fenômeno pode ser o eventual deslocamento do centro. O Gráfico 2.11 apresenta o preço
dos imóveis na região Sudeste em função da distância a Bandeirantes. O gráfico não
decai conforme se aproxima da Bandeirantes porém não se pode dizer que apresente uma
tendência crescente.
Preço por m2 (Reais de 15/12/00)
Gráfico 2.11: Preço por Metro Quadrado em Função da Distância ao Início da Av. dos
Bandeirantes para o Quadrante Sudoeste da RMSP (Jan 85 à Jul 99)
7,000
6,000
5,000
4,000
3,000
2,000
1,000
0
0
5,000
10,000 15,000 20,000 25,000 30,000 35,000
Distância ao Início da Av. dos Bandeirantes (m)
Fonte: Tabulação própria usando dados da Embraesp
É curioso que não se note nenhuma recuperação de preços no final da curva no quadrante
Noroeste. Como se pode observar no Mapa 2.6, destacam-se alguns lançamentos em
Barueri e Santana de Parnaíba com preço por metro quadrado na última faixa de preços.
No entanto estes imóveis não parecem ser suficientes para alterar as baixas médias na
parte mais ou norte deste quadrante. Por outro lado, os preços neste quadrante ficam
praticamente constantes, em torno de R$1,5 mil (portanto acima do mínimo alcançada em
outras regiões de mil reais) um pouco depois de 15km de distância do centro até os 35 km
de distância. Assim, parece que existe um efeito de Alphaville sobre o preço médio dos
imóveis nesta região semelhante ao do ABC mas de menor impacto. O mesmo não se
Mercado de Imóveis na Grande São Paulo
83
pode dizer de Guarulhos que aparentemente não tem nenhum efeito sobre o gradiente de
preços dos imóveis quando se caminha em direção ao Nordeste da RMSP.
Mercado de Imóveis na Grande São Paulo
2.A Apêndice: Mapas Selecionados
84
Mapa 2.4: Densidade Estrutural dos Novos Imóveis Lançados na Grande São Paulo (1985-1999)
N
25 km
#
#
#
#
#
#
#
#
#
#########
# #
#
###
#
#
#
##
#
##
#
#
#
#
##
## #
#
#
#
#
# #####
## ## #
#
#
#
# # ## #
# ##
#
#
# ######## ### # ## # #
# # # ###
##
# ##
## # #
#
#
# # ##
##
#
#
##
# #
#
#
#
#
#
#
#
#
### #### # #####
## ####
# ##
#
#
#
#
#
#
#
## #### # # ##########
#
###
#
#
# #
# #
## # ## ########## #### ## ####
#### # ## #
## # ##
# ##### ## ##### ##### ##################### ########
#
#
#
#
#
## # # ## # #
## ############## # # ## # # #
###
#
#
## # #
#
#
#
#
# #### # ##
#
#
##
# # #
# ##################### # ### #
#
#
#
#
#
##
#
#
#
#
#
#
#
# ##
# ##
###
# # # ###### # ### #
############ ###### ######
#
# ##
###
#
##
#
#
##
#
# #### #
#
#
#
#### # ##
#
##
#
#
#
# # ## # # #
# #
#
#
#
#
#
#
#
#
## # #
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
# #
# ## ###
#
##
#### # ##### #
# # # #################### ##
#
## #
#
#
## #
#
#
#
###### # #### ## ############### # # #######
##
#
#### ## # # # # ### #
#
#
# ## ## # # #
##### ##### ### # ############################### ##################### ####
# ##
#
## ## #
#
#
#
# ###
####### # #### #
####### ######## #### ## ############# ## ########
# ##
## #
## ### ## ############################## ################
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
##
### ### # ##
### # # ####### #
##
#
### ## ######
# # # ## ### #
###
#
# ##
##### ##
######## ############## ## # ######## ##
# # ##
#
# # # ### ###### ###
# #
############### #### # ##
#
# ###### ## #### ###### #####
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# ##### ### ####### #### # #
##
#
# # ######## # ##### ## ### ## ####
## #
# ##
#
#
################## # ## ##### ### #
## ####################################################### ########### ##
####
#
### #
#
##
# # # ## ## #
##### ####
#################### ########### ## #
## #####
#### # ###
# #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# ## #### #
# # ####### #### # ## ######## # ### ##
#
###
#
## ## #
## #
### #
#
## ## ##
###
#
############
### ######## ####### # ## ##
## #
### ### ##
#
####### ## # #### ## ####
######## #### # #####
########################
# ##
#
#### #
###### #####
# ############# # ##
####### ####
# # ## ###
## # ############# ##
#
#
# ###
## #
## ###################### ######### # ################ # #### ##
######
#
#
#
### # # #
# # #
# # # # ## # # ## # # ###
# # #####
#
# ##
## ##### # ### ## #################################################### ############################## ##### ####
##
#
#
#
#
#
#
#
#
#
#
##
##
#
#
#
########################### ## ####################### # #####
###
#
# # ## ####### ####
#
#### ##### # # ##
# # ################# # # ############ ##### ########### ################### ####### ########### ### ## ### ### #
### #
#
#
### ###### ##### #
#### # ###
##
###########################
##
########
##### ####
# #####
########
########
############### # ## #########
#
#
#
##
#
#
# #
#
#
#
#
#
#
#
#
#
#
# ### #
# ## # ################## ###
# ## #
##### # ##### ## # ### #
####
#
#
# # ##### ######### ###
## # ##
## # ## # # ##### ###### #
## ######## ##
# ##
#
# ################### # # ######### # ##### ###### #
# ###
# #
#
##############
#
########### #
#
#
#
#
#
#
#
#
#
# # #
#
#
#
#
#
## ## # #
## # ##### ##
# #######
###
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
## ##
# # #### ### ## ## #
#
##
#
#
#
#
#
#
#
#
#
#
#
#
## # # ####### # # ## # #
#
# # #
#
# ## ##### #######
#
# ##
#
#
#########
##########
###
#
########### ### ## ####### # # # #### ##
## #
## # #
##
#
## ## # # ### #
## ## # # ############ #### #######
#
#
#####
###########
## #
###
# #
###### # ##
#### # # ###
#
#
#
#
#
#
#
#
#
#
# # # # # # ########## # # ## # ##
#
##
#
###### ### # # # #
#
###
# #
#
#
# ###
# ## #
#
#### # ##### ### # # #### ##### #
#
#
## #
#
#
#
#
# #
# ###
#
# # #####
## # #
#
# #
# #
#
#
#
#
#
#
#
#
# ####
# ##
##
## #
# #
## ## #
# # #
#
#
#
# # ##
#
##
#
## #
##
###
#
# #
##
#
# ## ##### #
#### ##
##
###### # ## #
# #
#
# ### # #######
##
#
# # ## ##### ######## #### #
#
#### ## # #
#
##
### ###### #
#
# ## ### ## ######## ##
#
#
#
#
#
#
#
#
#
# # ## ## # #
#
##
## ##
#
#
##
###
#
#
##
#
#
#
#
#
## #
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
##
#
#
#
#
#
Quadrantes
Limite da RMSP
Círculos de Distância da Praça da Sé
Densidade Estrutural
#
#
#
#
Menos de 3.4
3.4 - 4.4
4.4 - 6.5
Mais de 6.5
Município de São Paulo
Zona 1
Viario Regional
Rios
Represas
Limites Municipais
Mancha Urbana 92
2
0
2
4
Kilometers
SANTOS
Fontes: Emplasa, Logit, Secretaria Estadual do
Meio Ambiente, Embraesp (Tabulação do Autor)
Mapa 2.5: Número de Andares dos Novos Imóveis Lançados na Grande São Paulo (1985-1999)
N
25 km
#
#
#
#
#
#
#
#
#
######
## #
#
###
#
#
##
#
##
#
#
#
#
##
## #
#
#
#
#
# # ##
## ## #
# ###
#
#
##
# #
# ## ####### ####
#
#
#
#
# ### # ####
##
#
#
#
## # #
##
#
#
#
##
# #
#
#
#
#
#
#
#
### #### # #####
## #### #
# ## #
#
#
#
#
#
#
#
#
#
#
##### # ##### ##
#
###
#
#
#
#
#
#
#
#
#
# #
## # # ##### ### ### # #
#### # ## #
## # ##
# ##### ## ###### ##### ################################
#
#
#
#
#
#
#
# ## ####
## # ### # #
##
###
#
##
# # ## ###################### # ### ###
# #### # # ##
##
#
#
#
#
#
#
#
#
# ########## ## ##
##
# ########################## #
# ##
#
###
#
#
#
#
#
#
#
# ##
# ##
#
#
######
###
# ### #
#
#
#
#
#
#
#
#
#
#
#
#
## # ##
# # ## ##
##### #
# #
##
#
#
#
#
#
#
#
#
#
#
#
#
#
## # #
#
#
#
# ##
#
#
#
##
#
#
##### ###
#
#
#
#
#
#
#
#
## # # # ### # ############ ## ##
# ## # #### ## ##########
###
#
##
##### # #### ## ############# ### #######
##
# #
#
#### ## ## # ### ### ##
#
#
# ## ## ## # #
##### #### ### ############################ #################### ####
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# ###
####### # #### #
# ##
###### ## ######### ## ########### ## ## ###
## #
## # ############## ### ####### ###
#
####### # ####### # ##
##
### # # ##################### #### ##############
## #
# #
# # # ## ### #
#### ### ##
#
###### ##
# ##
############ ####
#
# # ##
# #################### ### ####### ## #
# # # ## ###### ####
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
## #
## #
############ #### ######################### ###### ####
################### # ##### ######## ## ####
##
#
# #
# ##
############# # ## # # # #
#
############################## ############## ######### #
#
#
#
#
#
#
####
#
#
#
#
#
# ##
# # #### ## #
###
#
#
################## ## ######## # #
#
#### ###
#
##
################# ###### # #
# # # ### ## ###### ###### # ###
###### ######### ##### ########## # ## ##### # #
#
#
##
### ####
#
### ## #### ## #
#
################## ############ ## ### #####
#
########
#### #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# #### ##
### # #### ## ####
###### ####
######### ########## # ####
#################
# ##
### #
#
#### # ##
# ####### # ##
# # ## ###
# ##
#
# ## ############## ##
#
### ########################## ########### # ################### # # ####### ###### ## #
#
#
# # # # ## # # #### # # ###
########################### #################### # ####
#
#
#
#
#
#
#
#
#
#
#
#
#
# #
# #
#
###
#
##
### # # ## ######### ##### ################################################## ##################################### ########
#
##
#
#
#
#
##
#
#
# # ################## ## # # ############# ################ ########################## ######### ############ ### ## ### ### ##
#### # #
######### #### # #
#
### ############## #
##
######
################ #
#####
##
# #####
# #
# #
#######
################ ## # ############
####### ###
## ############################
# ## # #############################
#
####
#
#
#
#
#
#
#
### #
## #
# #
#### ### # # #### ###### #
########### #
# ##
#
# ##################### ## ######## # ##### ########
# #
### ##
###
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
### # ### ##
##########
# # ## ## ### # #####
# #
## ## # #
#
#
#
#
#
#
#
#
#
#
#
#
#
## ## ## #
# # #### ## ## ###
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
## # # # ######## # ## # #
#
#
#
# ##### ######
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#####
### #
###
## # ## ### # #### # # ### #
#
## # #
##### #
## ## ##### #
## ### ### ############# ##### ########
### ##
#
####
# ########
## #
# #
##
#
# ######## #
### # ### # ############ # # ## # ##
# ###### ## # # # ## # ##
#
##
###
# #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# # #### # ## # #### ##### #
#
#
#
## # #
## #
##
#
# #
# ###
## # #
#
# # # # #####
#
#
# #
#
#
#
#
#
# ######
# ##
##
## #
# #
### #
#
##
## ## # #
#
# # ##
#
#
#
#
#
#
#
#
#
###
#
#
##
#
### ## #
#### ##
###
##### #### #
# #
#
# ### # #####
##
#
# # ######### ############## #
#
#
##
## ## ## ####################
#
#
#
#
#
#
#
#
#
# #### ### ### # #
#
## ## #
##
## ##
#
#
#
##
###
#
#
#
#
##
#
#
#
## #
#
#
##
# # ##
#
#
#
#
#
#
#
##
#
#
#
##
#
#
#
#
Quadrantes
Limite da RMSP
Círculos de Distância da Praça da Sé
Número de Andares
#
#
#
#
Menos de 8
8 - 12
12 - 16
Mais de 16
Município de São Paulo
Zona 1
Viario Regional
Rios
Represas
Limites Municipais
Mancha Urbana 92
2
0
2
4
Kilometers
SANTOS
Fontes: Emplasa, Logit, Secretaria Estadual do
Meio Ambiente, Embraesp (Tabulação do Autor)
Capítulo 3
A Construção da Base de Dados para a Análise do Mercado
de Imóveis na Grande São Paulo
Para realizar a análise que se segue foram utilizadas diversas bases de dados: o
Informativo Imobiliário da Embraesp, o Índice Geral de Preços-disponibilidade
interna (IGP-di) do IBRE/FGV o Índice de Custo da Construção no Município de São
Paulo, o Censo Demográfico de 1991, a Contagem da População de 1996 e as
Pesquisas Nacionais por Amostra de Domicílios (PNAD) de 1985 a 1998 sendo estas
três últimas pesquisas do IBGE. A seguir descrevo as bases utilizadas com destaque
aos dados da Embraesp visto que, além de serem pouco conhecidos da maioria dos
pesquisadores, passaram por um longo trabalho de revisão, correção e adaptação.
Na realidade, uma das grandes dificuldades na análise do mercado imobiliário é
justamente a obtenção de dados55. Uma das fontes são os dados de propriedade das
autoridades locais. Este tipo de dado está sujeito a uma série de restrições como a falta
de precisão nos dados de preço. Nos Estados Unidos, pesquisas de grande porte como
o “Housing Allowance Experiment” criada na década de 80 ou o “American Housing
Survey” aumentaram consideravelmente o potencial de trabalho empírico na área. O
problema deste tipo de pesquisa é que, devido às cláusulas de sigilo, em geral não se
pode localizar o imóvel em questão. Este fato impede análises espaciais básicas como
a distância para o centro de negócios da cidade. Além do mais, torna-se praticamente
impossível estimar a componente do valor da terra.
No Brasil a situação é ainda mais complexa, pois não há nenhuma pesquisa específica
sobre imóveis. Existem, no entanto, diversas pesquisas domiciliares bem conhecidas
que recolhem dados sobre o domicílio. As PNADs e os Censos Demográficos
recolhem dados sobre o material usado para realização do imóvel (paredes, cobertura,
A Base de Dados
etc), número de cômodos, características das instalações de água, esgoto, etc. Além do
que, reúnem características sobre os residentes dos imóveis. A variável de preço
relevante é o valor do aluguel. Em termos de localização, para os microdados da
amostra dos Censos de 1970 e 1980 a menor desagregação é o distrito enquanto para
o Censo de 1991 a menor unidade é o município. Já para as PNADs a menor
desagregação é a região metropolitana. Além disto, é possível saber se o domicílio
encontra-se em área urbana ou rural. No Censo de 1991 é possível ainda saber se o
domicílio encontra-se em conjunto residencial popular ou em área subnormal.
Uma outra pesquisa domiciliar que traz dados detalhados das despesas com habitação
é a Pesquisa de Orçamentos Familiares (POF). Também neste caso a unidade mínima
é a região metropolitana. Além do problema espacial56, um outro lapso destas
pesquisas para os nossos propósitos é que elas não trazem informações sobre o
edifício como um todo, apenas sobre a unidade domiciliar. Dados fundamentais como
a área do terreno, área construída, etc não estão disponíveis em nenhuma destas
pesquisas.
3.1 Os Dados da Embraesp e sua Revisão
O Informativo Imobiliário da Empresa Brasileira de Estudos de Patrimônio
(Embraesp) compreende os edifícios com 4 ou mais pavimentos e os condomínios
horizontais ostensivamente lançados no Município de São Paulo desde57 1985 e na
Região Metropolitana desde58 1987, bem como os projetos aprovados pela Prefeitura
55
Segundo Sheppard (1999) não há nenhum survey na Europa ou na Ásia.
Uma alternativa seria usar as médias do universo para os setores censitários o que resolveria o
problema de desagregação espacial. A distância ao centro, por exemplo, poderia ser dada pela distância
do centróide do setor ao centro. No entanto os dados do universo são mais restritos do que os dados da
amostra. Além do que, estaríamos restritos a trabalhar com médias. Finalmente, não existe cartografia
disponível publicamente dos setores censitários de 1991 e 1996 e estaria fora do escopo desta tese criar
tal cartografia.
57
Na realidade, o Informativo se iniciou em 1977. No entanto, os dados estão digitados apenas a partir
de 1985.
58
Como veremos a seguir, a coleta de dados fora do município de São Paulo só foi realmente
implementada a partir de 1989.
56
92
A Base de Dados
do Município de São Paulo59. O banco de dados inclui variáveis básicas como o preço
de venda do imóvel, o número de unidades lançadas, a data de lançamento e entrega.
Algumas variáveis “espaciais” estão disponíveis como a zona de valor e o número da
quadra fiscal para os imóveis lançados no município de São Paulo. Adicionalmente
apresenta diversos atributos dos imóveis (número de dormitórios, banheiros, vagas na
garagem, unidades, andares, as áreas útil e total,etc). Inclui também dados do
condomínio como número de blocos e área proporcional do terreno. Finalmente,
inclui dados cadastrais das incorporadoras, vendedoras, construtoras e hotelaria60
(quando houver).
Por outro lado, ao contrário das outras bases utilizadas, não se trata de uma amostra
estatística. Ou seja, não existe um plano de amostragem ou algo semelhante como
deve ter ficado claro no critério de inclusão. Quer dizer, ainda que a amostra seja
extremamente significativa de um tipo de imóvel ela definitivamente representa
apenas uma parcela do total de imóveis construídos na RMSP e uma parcela ainda
menor do total de imóveis existentes na região. Para se ter uma idéia, em 1991
existiam 3,9 milhões de domicílios particulares permanentes na RMSP. Somando o
total de unidades da nossa amostra, têm-se apenas 398 mil. Entre 91 e 96, surgiram
522 mil novos domicílios. Na amostra da Embraesp estima-se em 90 mil o total de
unidades com previsão de entrega entre outubro de 91 (um mês depois do censo) e
setembro de 96 (mês da contagem).
As diferenças possuem dois aspectos. Em primeiro lugar, a amostra da Embraesp
reflete apenas dados de fluxo e não dados de estoque o inverso ocorrendo com
Censos, Contagens ou PNADs. Que a construção anual de novos imóveis em áreas
59
Neste trabalho não será utilizada a base de dados da EMBRAESP de projetos aprovados. Além disto,
existe também uma base de dados de lançamentos de escritórios que também não será utilizada neste
trabalho.
93
A Base de Dados
desenvolvidas é apenas uma pequena parcela do estoque é um fato conhecido e
relativamente óbvio. No entanto, quando comparamos a criação de novos domicílios
(ou seja, um dado de fluxo) com o total de unidades construídas a discrepância
continua bem alta. O principal motivo é que a amostra da Embraesp contém
basicamente prédios de apartamentos. Casas só são incluídas quando estão em
condomínios horizontais. Das 398 mil unidades lançadas apenas 9 mil correspondem
a casas enquanto, de acordo com o Censo de 1991, dos 3,9 milhões de domicílios,
apenas 600 mil eram em apartamentos. Infelizmente os dados da Contagem que
disponho não separam os domicílios em casas ou apartamentos e os dados da PNAD
não são precisos para este tipo de separação61.
No entanto, deixando de lado os dados brutos das PNADs, sujeitos aos erros normais
de amostragem mais os problemas com os pesos, e olhando para dados relativos, notase que a porcentagem de domicílios em apartamentos em relação ao total de
domicílios tem se mantido constante, em torno de 15%, desde 1985 como se pode
observar no Gráfico 3.1 abaixo. Assim, é difícil acreditar que o aumento de domicílios
em apartamentos tenha sido mais do que proporcional. Como o total de imóveis em
apartamentos entregues entre 1991 e 1996, cerca de 88 mil segundo os dados da
Embraesp, representa cerca de 17% do total de 522 mil novos domicílios de acordo
com a variação entro o Censo e a Contagem, é bem provável que a amostra da
Embraesp capture uma boa parte da construção de novos imóveis em apartamentos.
60
Ao contrário dos dados dos produtores de imóveis que são, em geral, bem completos, o único dado
da hotelaria é o nome da empresa.
61
Para se ter uma idéia, a PNAD de 96 indica a existência de 584 mil domicílios em apartamentos, 34
mil a menos do que os registrados pelo Censo de 1991. Na verdade os dados da PNAD não poderão ser
usados nem para estimativa do total de domicílios como veremos a seguir. Neste caso, no entanto, o
maior empecilho deve-se ao fato dos pesos das PNADs pré 90 serem baseados no Censo de 1980.
94
A Base de Dados
95
% Domicílios em Apartamentos
Gráfico 3.1: Domicílios em Apartamentos em Relação ao Total de Domicílios
(1985 a 1998)
18%
16%
14%
12%
10%
8%
6%
4%
2%
0%
85
87
89
91
93
95
97
Ano
Fontes: Pesquisa Nacional por Amostra de Domicílios de 1985 a 1998 e Censo Demográfico de 1991
– IBGE. Tabulação própria a partir dos microdados da amostra utilizando-se os pesos da amostra
com base no censo de 80 (85-89) e de 91 (90-98).
Os dados originais da Embraesp contém 97 variáveis (algumas das quais sem
utilidade) e 6.169 registros. Estes registros não correspondem obrigatoriamente a
empreendimentos diferentes pois cada unidade diferenciada de um condomínio
corresponde a um registro diferente. Agrupando-se todos os registros que
correspondiam ao mesmo condomínio, criou-se uma nova tabela apenas com os dados
médios do condomínio 62 (quando este tivesse unidades diferenciadas) e dados
agregados como o número de blocos ou a área total construída. Uma terceira tabela
utiliza os dados georeferenciados, a partir da qual pode-se encontrar as variáveis de
distância ilustradas no capítulo anterior e utilizadas no modelo econométrico do
próximo capítulo.
Construiu-se então uma base com um grande potencial descritivo e analítico. No
entanto, é sempre bom reforçar que a base da Embraesp refere-se apenas ao fluxo de
62
De agora em diante, o termo condomínio será utilizado para se referir ao conjunto de um ou mais
blocos com pelo menos uma entrada comum, dividindo certos elementos de infra-estrutura como salão
de festas, sala de ginástica, etc. O termos registro refere-se a cada unidade diferenciada de um
condomínio.
A Base de Dados
imóveis novos. A construção de novos imóveis a cada ano representa uma pequena
parcela do estoque e, geralmente, depende de outros fatores como o total de imóveis
vagos, a disponibilidade de financiamento no mercado, etc. No entanto, dado o
período relativamente extenso da amostra, a parcela do estoque de apartamentos é
razoável. O número de unidades lançadas, conforme os dados da Embraesp revistos,
representa cerca de dois terços do estoque de domicílios em apartamentos em 1991
segundo o Censo.
Uma vantagem de se utilizar apenas imóveis novos é que não há depreciação, o que
facilita a análise. Na teoria, estes dados serviriam para a análise de imóveis usados
desde que se soubesse a taxa de depreciação. Na prática a taxa de depreciação de um
imóvel é uma variável extremamente difícil de se estimar. Mesmo nos poucos casos
em que se dispõem de dados detalhados da venda de imóveis usados, como a data de
construção do edifício, diferenças de manutenção podem tornar as estimativas muito
pouco confiáveis.
De qualquer maneira a base formada a partir dos dados da Embraesp mostra mais as
tendências do que o mercado como um todo. Por exemplo, nota-se que o número
médio de dormitórios e de banheiros se manteve relativamente constante durante todo
o período da amostra (Gráficos 3.2 e 3.3). Quando se compara com os dados de
estoque do Censo de 1991, nota-se que a média do número de cômodos servindo de
dormitório em apartamentos fora de áreas subnormais63 (1,85) está abaixo das médias
observadas na amostra da Embraesp (em torno de 2,5). O mesmo não ocorre com o
número de banheiros cuja média registrada no Censo (1,71) está muito próxima da
média dos novos imóveis. Quer dizer, ainda que o número médio de dormitórios nos
63
Área subnormal, também designado “assentamento informal”, como por exemplo: favela, mocambo,
alagado, barranco de rio, etc. Como na amostra da Embraesp tem-se basicamente o mercado formal,
excluiu-se os poucos apartamentos nesta condição para as comparações entre a base de dados da
Embraesp e o Censo de 91.
96
A Base de Dados
97
novos lançamentos não tenha se alterado significativamente, esta média do fluxo está
aparentemente64 acima da média do estoque.
Gráfico 3.2: Média Mensal do Número de
Dormitórios por Unidade
(1985-1999*)
Gráfico 3.3: Média Mensal do Número de
Banheiros por Unidade
(1985-1999*)
2.5
Média do Censo de 91
3.0
Média de Banheiros
Média de Dormitórios
3.5
2.5
2.0
Média do Censo de 91
1.5
1.0
0.5
0.0
Jan-85
Jan-87
2.0
1.5
1.0
0.5
0.0
Jan-85
Dec-88 Dec-90 Dec-92 Dec-94 Dec-96 Dec-98
Jan-87
Dec-88
Data
Dec-94
Dec-96
300
Área Total Média (m2)
120
100
80
60
40
20
Jan-87
Dec-88 Dec-90
Dec-92 Dec-94
Data
Dec-96 Dec-98
250
200
150
100
50
0
Jan-85
Jan-87
Dec-88
Dec-90
Dec-92
Dec-94
Dec-96
Data
* Em 1999 dados apenas até Julho
Fontes: Tabulação própria usando dados da Embraesp e dos microdados da amostra do Censo
Demográfico de 1991
Estes são os únicos dados realmente comparáveis entre a amostra do censo e a
amostra da Embraesp. O censo não apresenta uma série de dados fundamentais para a
análise do mercado de imóveis. Um exemplo são as médias de área das unidades
(Gráficos 3.4 e 3.5) e as médias de área total construída e do terreno dos condomínios
(Gráficos 3.6 e 3.7). O que se nota é que tanto a área total como a área útil das
64
Dec-98
Gráfico 3.5: Área Total Média por Unidade
(1985-1999*)
140
Área Útil Média (m2)
Dec-92
Data
Gráfico 3.4: Área Útil Média por Unidade
(1985-1999*)
0
Jan-85
Dec-90
A pergunta do censo é “qual o número de cômodos servido de dormitório” enquanto o dado da
Embraesp é simplesmente o número de dormitórios. Se uma pessoa usa um suposto dormitório como
escritório, por exemplo, este não contará como dormitório para o censo mas contará para a Embraesp.
Em contrapartida, se uma sala estiver sendo usada como dormitório ela será contada como dormitório
para o censo e não para a Embraesp. Portanto, estes dados não são perfeitamente comparáveis. Este
mesmo tipo de problema não ocorre com o número de banheiros.
Dec-98
A Base de Dados
98
unidades vem caindo no decorrer do tempo. Em média os apartamentos são cada vez
menores.
Gráfico 3.7 Área Média do Terreno por
Condomínio (1985-1999*)
20,000
25,000
18,000
16,000
20,000
14,000
12,000
Terreno (m2)
30,000
15,000
10,000
10,000
8,000
5,000
6,000
4,000
0
2,000
0
Ja
n8
Ja 5
n8
Ja 6
n8
Ja 7
n8
Ja 8
n8
Ja 9
n9
Fe 0
b9
Fe 1
b9
Fe 2
b9
Fe 3
b9
Fe 4
b9
Fe 5
b9
Fe 6
b9
Fe 7
b9
Fe 8
b99
Ja
n8
Ja 5
n8
Ja 6
n8
Ja 7
n8
Ja 8
n8
Ja 9
n9
Fe 0
b9
Fe 1
b9
Fe 2
b9
Fe 3
b9
Fe 4
b9
Fe 5
b9
Fe 6
b9
Fe 7
b9
Fe 8
b99
Área Total Construída (m2)
Gráfico 3.6: Área Total Construída por
Condomínio (1985-1999*)
Data
Data
Gráfico 3.8: Número Médio de Blocos por
Condomínio (1985-1999*)
Unidades/Condomínio
350
300
250
200
150
100
50
0
Ja
n8
Ja 5
n8
Ja 6
n8
Ja 7
n8
Ja 8
n8
Ja 9
n9
Fe 0
b9
Fe 1
b9
Fe 2
b9
Fe 3
b9
Fe 4
b9
Fe 5
b96
Fe
b9
Fe 7
b9
Fe 8
b99
Ja
n8
Ja 5
n8
Ja 6
n8
Ja 7
n8
Ja 8
n8
Ja 9
n9
Fe 0
b9
Fe 1
b9
Fe 2
b9
Fe 3
b9
Fe 4
b9
Fe 5
b9
Fe 6
b9
Fe 7
b9
Fe 8
b99
Blocos/Condomínio
10
9
8
7
6
5
4
3
2
1
0
Gráfico 3.9: Número Médio de Unidades
por Condomínio (1985-1999*)
Data
Data
100
90
80
70
60
50
40
30
20
10
0
Unidades por Andar
7
6
5
4
3
2
1
Data
Ja
n8
Ja 5
n8
Ja 6
n8
Ja 7
n8
Ja 8
n8
Ja 9
n9
Fe 0
b9
Fe 1
b9
Fe 2
b9
Fe 3
b9
Fe 4
b9
Fe 5
b9
Fe 6
b9
Fe 7
b9
Fe 8
b99
0
Ja
n8
Ja 5
n8
Ja 6
n8
Ja 7
n8
Ja 8
n8
Ja 9
n9
Fe 0
b9
Fe 1
b9
Fe 2
b9
Fe 3
bFe 94
b9
Fe 5
bFe 96
b9
Fe 7
b9
Fe 8
b99
Unidades/Bloco
Gráfico 3.10: Média de Unidades por Bloco Gráfico 3.11: Média de Unidades por Andar
(1985-1999*)
(1985-1999*)
Data
* Em 1999 dados apenas até Julho
Fonte: Tabulação própria usando dados da Embraesp
Por outro lado, a área total construída bem como a área do terreno por condomínio
vêm crescendo o que significa que os empreendimentos estão cada vez maiores. O
resultado aparece nos Gráficos 3.8 e 3.9 onde se pode observar que o número médio
A Base de Dados
de blocos e o total de unidade por condomínio aumentaram consideravelmente no
período. Em meados de 1985 os condomínios eram geralmente formados por apenas
um bloco e tinham em média 50 unidades. No final dos anos 90 a média passa para
dois blocos e cerca de 100 unidades. Cabe destacar que o aumento não se deu apenas
pela via do número de blocos. O número de unidades por bloco também aumentou
consideravelmente no período (Gráfico 3.10). O aumento não se deu via uma maior
verticalização, visto que o número médio de andares no período diminuiu de cerca de
14 para 12 andares, mas sim com o aumento do número de unidades por andar
(Gráfico 3.11).
Um outro aspecto com relação aos dados da Embraesp que é importante discutir
refere-se a diferença entre os lançamentos na cidade de São Paulo e nos demais
municípios da região metropolitana. Em primeiro lugar, deve-se destacar que os dados
fora do município de São Paulo começaram a se recolhidos apenas em agosto de
1987. Os Gráficos 3.12 e 3.13 mostram os lançamentos registrados dentro e fora da
capital no período da amostra. De acordo com a base de dados da Embraesp, em 1987
e 1988 respectivamente apenas 262 e 156 unidades foram lançadas fora do município
central. Em ambos os anos, os poucos lançamentos se concentraram em apenas 3
meses. A partir de maio de 1989, no entanto, registra-se lançamentos em praticamente
todos os meses totalizando 3.851 unidades neste ano.
99
A Base de Dados
100
Gráfico 3.12: Unidades Lançadas no Município de São Paulo (MSP) e nos Demais
Municípios da RMSP (Médias Móveis de 12 meses) (1986-1999)
4,000
3,500
Unidades
3,000
2,500
MSP
2,000
1,500
1,000
Demais
Municípios
RMSP
500
0
Sep-85
Jun-88
Mar-91
Nov-93
Aug-96
May-99
Data
Fonte: Tabulação própria usando dados da Embraesp
Gráfico 3.13: Preço Médio por m2 de Área Útil para Unidades Lançadas no MSP e
nos Demais Municípios da RMSP (Médias Móveis de 12 meses) (1986-1999)
Preço/m2 área total
(R$ dezembro de 2000
2,500
2,000
1,500
MSP
1,000
Demais
Municípios
RMSP
500
0
Sep-85
Jun-88
Mar-91
Nov-93
Aug-96
May-99
Data
Fonte: Tabulação própria usando dados da Embraesp
Ainda que seja possível tal fato é difícil de se acreditar num crescimento deste porte.
Além do que, é possível não ter nenhum lançamento em um ou outro mês mas é
difícil acreditar em períodos de mais de 6 meses consecutivos sem nenhum registro de
lançamento fora do município de São Paulo. A Embraesp não sabe informar se este
A Base de Dados
101
fato deve-se a uma imperfeição na amostra, mas admite que pode ter havido falha na
coleta fora da capital visto que estava apenas se iniciando.
A partir de meados de 1989, quando a coleta fora da capital parece mais consistente,
nota-se uma certa constância da oferta de imóveis nos municípios fora do MSP, num
período em que os lançamentos no município central vinham caindo. Mais uma vez
não se sabe até que ponto este movimento é função de um movimento populacional de
fato ou se é simplesmente decorrente de imperfeições no processo de coleta. A partir
de 1993 o número de unidades lançadas na cidade de São Paulo retoma o crescimento
e os demais municípios apontam também para uma tendência crescente. No período
que vai do início de 93 ao início de 96, as vendas no município central cresceram num
ritmo mais elevado do que nos demais municípios. No entanto, a partir de 1996, a
situação se inverte. O número de unidades lançadas fora do MSP passa a crescer mais
rapidamente que no MSP, com as duas séries se aproximando muito entre o final de
96 e o início de 97.
As séries parecem caminhar bastante próximas, pelo menos no período em que a
coleta de preços fora da capital é mais confiável como fica claro pelas curvas de
tendência tracejadas no Gráfico 3.12. Na verdade, aparentemente há uma certa
defasagem no efeito sobre os lançamentos fora da capital até 1992. A partir deste
ponto as curvas caminham claramente juntas com um diferencial constante. Já as
séries de preço caminham juntas desde o início dos anos 90. O diferencial (médio)
entre os preços dos lançamentos de imóveis na capital e nos demais municípios se
mantém relativamente constante: o metro quadrado de um imóvel lançado fora da
capital custa, em média, cerca de 70% de um imóvel lançado na capital.
A questão dos lançamentos fora da capital é extremamente importante para a
discussão pois não se pode considerar que o mercado de imóveis dentro da Grande
A Base de Dados
102
São Paulo não seja integrado. Isto porque é perfeitamente possível e sabe-se de
diversos casos em que isto ocorre, uma pessoa morar em um município da Grande
São Paulo e trabalhar em outro. É claro que pode existir pessoas que moram fora da
RMSP e trabalham nela ou vice-versa mas este número é reduzido e a área deve ser
fechada em algum ponto. Por outro lado, o traçado da mancha urbana ilustrado nos
mapas do capítulo anterior mostra que uma grande parte da Região Metropolitana é de
fato conurbada e, portanto, não faria sentido acreditar que o mercado de imóveis fora
da cidade de São Paulo não influencia diretamente o mercado da própria cidade.
Ainda que os problemas de coleta nos anos 80 sejam em parte preocupantes e
distorçam os dados para este período, a verdade é que o mercado de apartamentos
novos fora da capital só ganhou importância a partir dos anos 90. De certa maneira,
pode-se dizer que o mercado da área urbana da Grande São Paulo se tornou realmente
integrado apenas na década de 90. Até então haviam movimentos isolados como os
condomínios de alto luxo em Alphaville (Barueri) ou os conjuntos populares nos
subúrbios pobres da região. Por exemplo, comparando-se o censo de 1980 com o de
1991 nota-se um aumento de 196 mil domicílios em apartamentos na região
metropolitana como um todo. No entanto, apenas 20 mil destes ocorreram fora da
capital.
3.2 O Total de Domicílios e o Mercado Potencial
Apesar de toda a flexibilidade e de todo o potencial que a base revista da Embraesp
proporciona ela tem lapsos básicos para os nossos propósitos. Ainda que a análise seja
sobre a demanda por imóveis novos, um dado fundamental para as estimativas é o
total de domicílios. O total de domicílios influencia na demanda por novos imóveis de
duas maneiras. Em primeiro lugar, como vimos anteriormente, o número de
domicílios altera a área urbana alterando o preço dos imóveis em todas as
A Base de Dados
103
localizações. Em segundo lugar, uma parcela do total de domicílios serve de base para
o total de consumidores de novos imóveis em potencial que, como veremos na
especificação econométrica, é um dado fundamental para se construir a participação
de mercado.
Para se obter o total de domicílios, a fonte natural são as pesquisas domiciliares.
Como se necessita do total de domicílios ano a ano, além do censo de 91, observou-se
o total de domicílios nas PNADs de 1985 a 1998. O Gráfico 3.14 apresenta o número
de domicílios de 1985 a 1998 usando dados da PNAD, do Censo de 1991 e da
Contagem de 1996. Segundo os dados do IBGE, em 1985 existiam mais de 3,9
milhões de domicílios particulares permanentes na RMSP em 1985. Este número é
crescente até 1989 quando alcança quase 4,5 milhões decaindo no ano seguinte para o
nível de 85. O problema é conhecido, a super-estimação do crescimento populacional
na década de 80 que foi negado pelo censo de 91. Entre 85 e 89 os pesos da PNAD
disponíveis são baseados no censo de 1980 enquanto de 1990 a 1998 existem pesos65
baseados no censo de 91.
65
Em 1990 existem dois pesos um baseado no censo de 80 e o outro no censo de 91.
A Base de Dados
104
Gráfico 3.14: Total de Domicílios Particulares Permanentes na RMSP
(1985 a 1998)
Milhares de Domcílios
4,700
4,600
4,500
4,400
4,300
4,200
4,100
4,000
3,900
3,800
85
87
89
91
93
95
97
Ano
Fontes: Pesquisa Nacional por Amostra de Domicílios de 1985 a 1998 e Censo Demográfico de 1991
– IBGE. Tabulação própria a partir dos microdados da amostra utilizando-se os pesos da amostra
com base no censo de 80 (85-89) e de 91 (90-98).
Somando-se ao problema nos pesos de 85 a 89, em 1994 não foi realizada a PNAD.
Sendo assim, optei por estimar o número de domicílios a partir da revisão das
estimativas de população do IBGE apresentadas no Gráfico 3.15. Como se pode
observar, a população estimada para a Região Metropolitana segue um crescimento
constante desde 1980 e os totais são absolutamente compatíveis com o Censo de 1991
e a Contagem de 1996. A idéia básica (e bem intuitiva) é que o número de domicílios
é função da população. Na realidade, a relação entre a população e o número de
domicílios depende, entre outros, da estrutura etária, da renda e de sua distribuição.
Ainda que o modelo seja extremamente simplificado, é suficiente para os nossos
propósitos. Os resultados por município aparecem na seção 3.A.2 do apêndice.
A Base de Dados
105
Gráfico 3.15: População Residente na RMSP (1980 a 1998)
18,000
População (Milhares)
16,000
14,000
12,000
10,000
8,000
6,000
4,000
2,000
0
80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
Ano
Fontes: Estimativas de População - IBGE
Como se pode observar no Gráfico 3.16, a correlação entre população e domicílios é
bem alta como seria de se esperar. O município de São Paulo foi excluído do gráfico
por uma questão de escala. Os pontos que se destacam um pouco da linha de
tendência são geralmente dos mesmos municípios: os municípios do ABC (Santo
André, São Bernardo e São Caetano) além de Osasco e Guarulhos. Osasco e
Guarulhos aparecem um pouco abaixo da média da RMSP enquanto São Caetano está
um pouco acima. Santo André e São Bernardo têm um comportamento ambíguo. Em
1980 estão abaixo da média e em 1996 acima. Cabe ainda destacar que, com exceção
de São Caetano, os outros quatro municípios são os maiores da RMSP depois de São
Paulo. Além do mais Guarulhos vem crescendo a uma alta taxa, sendo atualmente o
segundo município do estado.
A Base de Dados
106
Gráfico 3.16: Domicílios e População dos Municípios da RMSP excluindo o MSP
(1985 a 1998)
Milhares de Domicílios
300
250
Sto André
200
S.Bernardo
150
100
Guarulhos
S.Caetano
Osasco
50
0
0
200
400
600
800
1000
População (Milhares)
Fontes: Censos Demográficos de 1980 e 1991 e Contagem de 1996 – IBGE.
O resultado para a RMSP como um todo é apresentado no Gráfico 3.17 juntamente
com os dados da PNAD. Como se pode observar, a estimativa não apresenta o
problema de descontinuidade devido a mudanças na construção dos pesos que se
verifica nos dados da PNAD. Uma vez obtida uma estimativa para o total de
domicílios deve-se definir qual a porcentagem destes que podem ser considerados
parte do mercado potencial de consumidores de novos imóveis. O percentual de
domicílios ocupados por seus proprietários na RMSP é realmente impressionante66
como se pode observar no Gráfico 3.18. Em 1985 cerca de 55% dos domicílios
entrevistados pela PNAD eram ocupados por seus proprietários. Esta proporção
cresce consistentemente alcançando cerca de 70% no final da década de 90. Além do
que, não se nota diferença significativa nesta proporção quando se compara a taxa
para casas ou apartamentos.
66
Desconheço estudos estatísticos consistentes que tenham encontrado as origens desta concentração.
Alguns autores justificam como uma distorção do sistema financeiro da habitação (SFH). Porém o
aumento na proporção de proprietários na segunda metade dos anos 80 e durante os anos 90, ou seja,
após a falência do sistema, me levam a desconfiar desta hipótese. Um estudo do tipo de Poterba (1984)
poderia indicar se esta concentração estaria, na verdade, ligada ao longo período de altíssima inflação
vivido pelo país. Infelizmente este tipo de estudo só faria sentido observando-se o mercado nacional
como um todo, uma base que não existe para o Brasil para as últimas duas décadas.
A Base de Dados
107
D o m icílio s (M i lh a
Gráfico 3.17: Total de Domicílios Estimado e de Acordo com a PNAD
(1985 a 1998)
5 ,0 0 0
4 ,5 0 0
4 ,0 0 0
P NA D
3 ,5 0 0
3 ,0 0 0
2 ,5 0 0
2 ,0 0 0
1 ,5 0 0
V alor E s t im a d o
1 ,0 0 0
500
0
85
86
87
88
89
90
91
92
93
94
95
96
97
98
Ano
Fontes: PNADs de 85 a 98, Censo Demográfico de 1991 e Estimativas do Autor a partir dos Censos
e 1980 e 1991, da Contagem de 1996 e das estimativas de população do IBGE de 1985 a 1998.
Gráfico 3.18: Porcentagem de Domicílios Ocupados por Seus Proprietários na RMSP
(1985 a 1998)
80%
% Im ove is P róp
70%
60%
50%
40%
30%
20%
10%
0%
85
86
87
88
89
90
91
92
93
95
96
97
98
Ano
Fontes: Pesquisa Nacional por Amostra de Domicílios de 1985 a 1998 e Censo Demográfico de 1991
– IBGE. Tabulação própria a partir dos microdados da amostra
Apesar desta grande concentração de domicílios ocupados por seus proprietários, a
argumentação para não se utilizar o total de domicílios como o mercado potencial
para novos imóveis (ou qualquer outro mercado) é que esta média não se distribui
igualmente nas faixas de renda. O Gráfico 3.19 apresenta a porcentagem de
proprietários por decil de renda. Como é fácil de notar, a porcentagem de
proprietários nos decis mais pobres é muito alta, em torno de 60% até o quinto décimo
da distribuição. A partir do sexto decil a concentração de proprietários aumenta
alcançando quase 80% entre os 10% mais ricos. De qualquer maneira, não se pode
dizer que a propriedade de imóveis pelos seus moradores seja uma característica das
A Base de Dados
108
classes mais altas. A porcentagem de domicílios ocupados por seus proprietários nas
faixas de renda mais baixas é também muito elevada.
Gráfico 3.20: % de Domicílios em
Apartamentos por Decil de Renda e
Localização (1991)
90%
45%
80%
40%
35%
30%
70%
% Domicílios
% Domicilios Próprios
Gráfico 3.19: % de Domicílios ocupados por
seus Proprietários por Decil de Renda
(1991)
60%
50%
40%
30%
20%
Apto isolado ou em condomínio
Apto em conjunto popular
25%
20%
15%
10%
5%
0%
10%
0%
1
2
3
4
5
6
7
8
9
10
1
2
3
4
Decil de Renda
5
6
7
8
9
10
Decil de Renda
35%
16%
30%
14%
25%
12%
Próprio
% Domicílios
% Domicilios Próprios
Gráfico 3.21: % de Domicílios ocupados por Gráfico 3.22: % de Domicílios em Áreas
seus Proprietários em Apartamentos por
Subnormais por Decil de Renda e Condição
Decil de Renda (1991)
de Ocupação (1991)
20%
15%
10%
5%
Alugado ou Cedido
10%
8%
6%
4%
0%
2%
1
2
3
4
5
6
Decil de Renda
7
8
9
10
0%
1
2
3
4
5
6
7
8
9
10
Decil de Renda
Fonte: Tabulação do Autor a Partir dos Microdados da Amostra do Censo Demográfico de 1991 IBGE
Apesar das classes mais baixas entrarem de fato no mercado de imóveis, a grande
questão é de qual mercado se está falando. Como se destacou a amostra da Embraesp
refere-se a uma fatia específica do mercado de imóveis. O Gráfico 3.20 mostra que
uma porcentagem pequena da população nas faixas de renda mais baixa vive em
apartamentos. Mesmo incluindo-se os apartamentos em conjuntos populares67 que
estão presentes na amostra da Embraesp, têm-se menos de 5% dos domicílios do
primeiro décimo da distribuição vivendo em apartamentos em contraposição a mais
A Base de Dados
109
de 40% entre os 10% mais ricos da região. O Gráfico seguinte reforça esta conclusão
mostrando a concentração de proprietários de apartamentos.
Quer dizer, as faixas mais pobres da região participam do mercado de imóveis mas
provavelmente em outro mercado. O Gráfico 3.22 ilustra um pouco este fato. Uma
parte considerável dos domicílios dos primeiros décimos da distribuição de renda
encontram-se em áreas subnormais. É também interessante que a grande maioria dos
domicílios em áreas subnormais é ocupada por seus proprietários. Ou seja, a maneira
encontrada pelas classes mais baixas de obter a casa própria foi se estabelecendo em
áreas invadidas, favelas, etc. A grande questão é se estas faixas de renda fazem parte
do mercado potencial ou não. Ainda que uma pequena parcela dos primeiros decis de
renda seja proprietária de apartamentos, não se sabe se o imóvel foi comprado novo
ou usado.
Assim, optou-se por usar uma parcela dos domicílios como mercado potencial para se
calcular a fatia de mercado de cada lançamento em função do total de unidades
lançadas. A decisão de qual parcela dos domicílios incluir foi do tipo “conta atrás do
envelope”. Como nos mais de 6 mil tipos de apartamentos lançados, nota-se apenas
12 com preço total menor do que R$40 mil, este valor foi assumido como piso para
compra de um imóvel novo. Por outro lado, considerando-se que o custo econômico
real de um imóvel é igual a taxa de juros para este propósito (financiamento
imobiliário) e assumindo um custo de 1% ao mês, que é mais ou menos o que se
pratica hoje em dia, percebe-se que uma família deveria gastar cerca de R$400 por
mês com o imóvel.
Assim, uma família precisaria de uma renda total de no mínimo R$600 para entrar
neste mercado (sendo 200, aproximadamente o salário mínimo, para o consumo de
67
O Gráfico também ilustra o fato que os conjuntos populares atendem mais a classe média do que a
A Base de Dados
110
todos os outros bens). No entanto, é difícil de acreditar que uma família com menos
de R$800 consiga de fato entrar neste mercado. Como se pode observar no Gráfico
3.23, este corte de renda ocorre entre o terceiro e o quarto decil de renda. Assim, entre
70% e 80% dos domicílios estariam no mercado potencial por novos imóveis. Como a
renda média domiciliar mais baixa do quarto decil de renda da RMSP é de CR$139
mil ou R$803 em reais de dezembro de 2000, acabei optando por usar os domicílios
classificados entre os 7 decis mais ricos da região como mercado potencial. Por outro
lado, como os domicílios na área rural da RMSP representam cerca de 5% do total de
domicílios, o mercado potencial foi calculado como 65% do total de domicílios
estimado.
Re n d a M é d ia (R$ d e z e m b ro 200
Gráfico 3.23: % de Domicílios ocupados por seus Proprietários por Decil de Renda
(1991)
10000
9000
8000
7000
6000
5000
4000
3000
2000
1000
0
1
2
3
4
5
6
7
8
9
10
De cim o s d a Distrib u içã o
Fonte: Tabulação do Autor a Partir dos Microdados da Amostra do Censo de 1991 - IBGE
3.3 Os Agentes do Mercado
Do ponto de vista da produção, existem três “agentes” ou “produtores”68
fundamentais no mercado imobiliário. A incorporadora é a figura principal no
processo, responsável final pelo desempenho do mesmo. Ela negocia o terreno, define
classe baixa. Note-se que a maior concentração de domicílios em conjuntos populares está no oitavo
decil de renda.
A Base de Dados
111
e aprova o projeto e contrata os demais agentes. Incorre nos riscos inerentes ao
processo, empata capital, se for necessário, e dá garantia aos adquirentes após a
entrega. Sua remuneração consiste no lucro restante (se houver) após a apuração das
receitas e despesas.
A construtora é contratada do incorporador, sendo que está contratação normalmente
ocorre de duas maneiras. Por empreitada onde se define um preço fixo, em geral um
percentual sobre o custo orçado de obra. Variações entre o custo orçado e o incorrido
são de responsabilidade total ou parcial (conforme os critérios do contrato) do
construtor. Em geral o preço varia entre 10 e 15% do valor orçado. A construtora
pode também ser contratada por administração. Neste caso, o preço é um percentual
sobre o custo incorrido, que costuma variar entre 5 e 10%, sem riscos para a
construtora. A vendedora também é contratada pela incorporadora, sendo que o valor
deste contrato costuma variar entre 3 e 6% do valor de venda das unidades.
Portanto, o risco de fato do negócio permanece em geral com o incorporador. O risco
da construtora é mais restrito a problemas operacionais da obra como erros
orçamentários ou má administração de recursos. Ainda que aparentemente não exista
risco para a vendedora, como existe um investimento em promoção, uma vendedora
pode perder dinheiro num lançamento mal sucedido. De qualquer maneira, a perda
potencial da vendedora é muito menor e, portanto, o risco é bem mais baixo.
A partir da base original da Embraesp foram separados os dados cadastrais dos
produtores dos imóveis (vendedoras, construtoras e incorporadoras). Além de tornar o
banco de dados mais racional, este procedimento é fundamental para se encontrar as
margens de lucro dos produtores do imóvel como veremos mais adiante. A grande
dificuldade é que as empresas têm várias denominações e mesmo diferentes razões
68
De agora em diante os termos “agentes” ou “produtores” serão usados para se referir às construtoras,
A Base de Dados
112
sociais. Assim, o critério utilizado foi o endereço: empresas com razões sociais
diferentes mas localizadas no mesmo endereço foram consideradas como únicas.
Além do que, controlou-se para mudanças de endereço das empresas, ou seja,
empresas que mudaram de endereço mas mantiveram a razão social também foram
consideradas únicas. Nos empreendimentos com mais de um produtor considerou-se
apenas o produtor principal, ou seja, o produtor para o qual constava o endereço nos
dados da Embraesp.
A produção de imóveis na RMSP é extremamente diversificada. Para se ter uma idéia,
no período da amostra (1985 a 1999) registram-se 1,7 mil incorporadoras, 1,3 mil
construtoras e 0,7 mil vendedoras69. É claro que apenas uma pequena parte é
responsável pelo grosso dos lançamentos: 222 incorporadoras, 169 construtoras e
apenas 30 vendedoras foram responsáveis por dois terços do total de unidades
lançadas no período. No caso das vendedoras a concentração, que já é maior no total
de empresas, é ainda mais elevada quando se considera a proporção de lançamentos.
Somente 4% das vendedoras cadastradas responderam por mais de dois terços dos
lançamentos contra cerca de 13% das incorporadoras e vendedoras. Provavelmente
existe alguma barreira em se constituir uma vendedora dada a maior concentração
verificada. Na realidade, as dez maiores vendedoras são responsáveis por quase 50%
do mercado.
O que acontece no mercado de imóveis é que existem diversas empresas que surgem
por uns poucos anos e depois desaparecem. Existe inclusive o caso do investidor
independente, que decide investir suas finanças em um prédio ou no máximo uma
meia dúzia de edifícios. Por este motivo surgem e desaparecem incorporadoras,
incorporadoras e vendedoras de imóveis.
69
Estes dados podem estar super-estimados conforme o critério utilizado. No critério adotado,
empresas são consideradas como únicas apenas se apresentarem a mesma razão social ou o mesmo
A Base de Dados
113
construtoras e vendedoras todos os anos. Mais de dois terços das empresas aparecem
na amostra por menos de dois anos. Os Gráficos 3.24 a 3.26 ilustram a concentração
da produção para cada um dos agentes a partir da distribuição acumulada.
Gráfico 3.25: Unidades Lançadas em Função
do Número de Construtoras
(1985-1999)
400,000
400000
350,000
350000
Unidades Lançadas
300,000
250,000
200,000
150,000
100,000
50,000
300000
250000
200000
150000
100000
50000
0
Número de Incorporadoras
1246
1163
997
1080
914
831
748
665
582
5%
99
19
97
19
95
19
19
93
0%
91
691
645
599
553
507
461
415
369
323
277
231
185
93
139
1
47
0
1 0%
19
50000
V endedoras
1 5%
89
100000
2 0%
19
150000
Cons trut oras
Inc orporadoras
87
200000
2 5%
85
250000
3 0%
19
300000
3 5%
19
350000
% Em pre sas com 2/3 dos Lançam e nt
Gráfico 3.27: Porcentagem de Empresas
Responsáveis por 2/3 dos Lançamentos
(1985-1999)
400000
Unidades Lançadas
499
Número de Empresas
Gráfico 3.26: Unidades Lançadas em
Função do Número de Vendedoras
(1985-1999)
Número de Vendedoras
416
333
250
167
1
1601
1501
1401
1301
1201
1101
901
1001
801
701
601
501
401
301
201
1
101
0
84
Unidades Acumuladas
Gráfico 3.24: Unidades Lançadas em
Função do Número de Incorporadoras
(1985-1999)
An o
Fonte: Tabulação própria usando dados da Embraesp
O Gráfico 3.27 mostra a porcentagem de empresas em atividade que respondem por
2/3 do total de unidades lançadas no ano. Como se pode observar a porcentagem em
cada ano é em geral bem superior à média para todo o período justamente devido à
existência de empresas de curta duração. Ainda que se note uma tendência à
diminuição na porcentagem de construtoras e incorporadoras responsáveis por 2/3 dos
lançamentos, seria prematuro deduzir um aumento de concentração no mercado. O
Gráfico 3.28 apresenta o total de empresas em atividade juntamente com o total de
endereço. Também se considerou como duas empresas diferentes aquelas que mudaram de razão social
A Base de Dados
114
unidades lançadas. Como se pode observar, as empresas em atividade seguem uma
tendência muito próxima ao total de unidades lançadas, ainda que o número de
vendedoras seja bem mais estável.
Gráfico 3.28: Empresas em Atividade no Ano e Total de Unidades Lançadas
(1985-1999*)
V endedoras
Cons trutoras
Total de Unidades
450
70,000
400
60,000
350
50,000
300
250
40,000
200
30,000
150
20,000
100
Un id a d e s L a n ça d a s
Em p re sa s e m Ativid a d e
Inc orporadoras
10,000
50
1999
1998
1997
1996
1995
1994
1993
1992
1991
1990
1989
1988
1987
1986
0
1985
0
An o
* Em 1999 dados apenas até Julho
Fonte: Tabulação própria usando dados da Embraesp
Dada a grande diversificação do mercado, a solução para viabilizar a análise foi
selecionar as maiores ou mais antigas empresas e agregar as empresas menores. O
apêndice detalha este procedimento. Um dos tipos de empreendimento que mais se
destaca no final da década de 90 são as cooperativas. O Gráfico 3.29 mostra a
participação deste tipo de empreendimento no total de unidades lançadas no mercado.
As cooperativas começaram nos primeiros meses de 87, alcançando cerca de 20% do
mercado na passagem de 87 para 88. A partir de meados de 88 este tipo de
empreendimento desapareceu do mercado em parte devido aos casos de desvio de
verbas e inadimplência. No entanto, os lançamentos utilizando esta modalidade
e de endereço mesmo sem mudança da estrutura societária.
A Base de Dados
115
retomam a importância no início dos anos 90 alcançando quase 50% do mercado entre
95 e 96.
% Total de Unidades Lançadas
Gráfico 3.29: Porcentagem de Unidades em Cooperativas em Relação ao Total de
Unidades Lançadas no Mercado (Médias Móveis de 12 meses) (1985-1999*)
50%
45%
40%
35%
30%
25%
20%
15%
10%
5%
0%
Jan-85
Jan-87
Dec-88 Dec-90 Dec-92 Dec-94 Dec-96 Dec-98
Data
* Em 1999 dados apenas até Julho
Fonte: Tabulação própria usando dados da Embraesp
70
Nos poucos anos
em que esta modalidade esteve realmente ativa, o número de
unidades produzidas é realmente impressionante. Quase 65 mil unidades foram
construídas em regime de cooperativa no período, mais de 16% da produção total de
um pouco menos que 400 mil unidades. É claro que os dados em unidades
sobrestimam o peso destes imóveis no mercado. Isto porque este regime de
construção destina-se basicamente a apartamentos populares71. Em termos de
faturamento, os R$4,2 bilhões (em valores de dezembro de 2000) movimentados pelas
cooperativas responde por menos de 6% dos R$72 bilhões movimentados pelo
mercado de imóveis novos como um todo segundo os nossos dados. De qualquer
maneira, trata-se de um mercado muito grande que, provavelmente está ocupando o
70
Como no Gráfico 3.37 apresentam-se médias móveis. Apesar desta medida ser um melhor indicador
dado que os lançamentos ocorrem discretamente, ela o fato de que os lançamentos se intensificaram
apenas a partir de março de 96.
A Base de Dados
116
vácuo deixado pelo poder público. Isto porque a COHAB, por exemplo, incorporou
apenas 3,5 mil unidades nos 15 anos da amostra.
A necessidade de imóveis populares aparece na amostra quando se observa o tamanho
relativo das incorporadoras de cooperativas: 12 delas estão entre as 30 maiores do
mercado. Além do que, as demais cooperativas agrupadas no tipo 20000 (vide
apêndice) representam o maior grupo em termos de unidades: este grupo de empresas
incorporou cerca de 28 mil unidades, quase o triplo da produção da maior
incorporadora do mercado (Rossi) que incorporou menos de 10 mil unidades no
período. Além do que, diversas incorporadoras especializadas em imóveis de preço
unitário mais baixo como a Incosul ou a Reitzfeld também aparecem entre as 30
maiores.
Este fenômeno também aparece entre construtoras. A maior72 construtora de imóveis
incluída na nossa amostra (Soma73), que produziu mais do que o dobro de unidades da
segunda (Gafisa) é claramente especializada em imóveis de baixo preço unitário: a
média de preços dos seus imóveis é de R$104 mil. A Gafisa já é uma construtora
genérica, que produz imóveis de diversas gamas de preço total (o preço dos seus
imóveis variaram entre R$67 mil e R$1,6 mil) ainda que o preço médio por metro
quadrado da Gafisa esteja acima da média (R$3,8 mil contra uma média de R$2,6
mil), o que leva a crer que ela se dedique mais a imóveis para a alta classe. No
entanto, a terceira construtora do mercado, a Rossi, com uma produção quase idêntica
a da Rossi no período, aparentemente também se concentra em imóveis de preço
unitário reduzido.
71
Os preços médios dos imóveis incorporados por cooperativas variam entre R$50 mil e R$70mil.
Mais uma vez o critério de tamanho refere-se apenas ao número de unidades lançadas. Como a Soma
se especializou em imóveis de baixo preço, em termos de faturamento ela seria a quarta empresa do
mercado sendo a Gafisa a primeira (R$2,8 bilhões versus R$1,3 bilhões) e mesmo em termos de área
construída ela perde para a Gafisa (1,9km2 versus 1,5km2)
72
A Base de Dados
117
No caso das vendedoras, ainda que 6 cooperativas apareçam entre as 30 maiores do
mercado, o destaque de empresas especializadas em imóveis “populares” é menos
notável. Isto porque as 3 maiores vendedoras, a Lopes, a Itaplan e a Roque e Seabra
(em ordem de tamanho), responsáveis por mais de um quarto de todos os
lançamentos, são em geral mais diversificadas, vendendo imóveis de todas as faixas
de preço. Mesmo assim, algumas vendedoras aparentemente mais especializadas em
imóveis de baixo preço unitário como a JCS ou a Triumpho, também estão entre as 30
maiores do mercado.
Como as incorporadoras são mais dispersas do que os outros agentes do mercado,
diversos grupos são maiores do que a maior incorporadora em termos de unidades.
Existem quase 400 empresas que ficaram no mercado por menos de 2 anos e
produziram menos de 50 unidades. Mesmo este grupo, que representa as empresas
menos perenes do mercado, produziu como um todo 10,8 mil unidades, mil unidades
a mais que a maior incorporadora, a Rossi. Cabe destacar que as duas maiores
incorporadoras, a Rossi e a Gafisa, são também as duas maiores construtoras
conforme descrito no parágrafo anterior. Aliás, em termos de unidades lançadas, dos
23 grupos criados 14 produziram mais unidades do que a Rossi, ainda que apenas 9
tenham uma área construída total e um faturamento maior do que a Gafisa.
Na realidade, os grupos são, em geral, maiores do que as 45 construtoras ou as 39
incorporadoras selecionadas74 para acompanhamento. Por exemplo, juntando as
empresas selecionadas com os grupos, há sempre menos de 5 construtoras ou
incorporadoras individuais entre as 20 maiores por diversos critério de tamanho
adotado (unidades lançadas, área total construída ou faturamento). Além das
73
Vale a pena destacar que mais da metade das incorporações que a Soma construiu foram em sistema
de cooperativa.
A Base de Dados
118
cooperativas os grupos que mais se destacam são os das empresas maiores, na terceira
faixa de quantidades seguidos pelos grupos da segunda faixa (a “tipologia” está
detalhada no apêndice). No entanto, quando o critério é faturamento ou área
construída, o grupo de construtoras e incorporadoras que reúne as empresas com 2 a
10 anos de mercado e preço unitário alto é o que mais se destaca: é o primeiro grupo
por estes dois critérios. O único grupo da terceira faixa de quantidade que figura entre
as 20 maiores por algum dos critérios é justamente o grande grupo (em termos do
número de empresas) das empresas mais voláteis: com menos de 2 anos no mercado e
produção de menos de 50 unidades.
O quadro é diferente para as vendedoras onde há sempre mais de 11 empresas
individuais entre as 20 maiores por qualquer dos 3 critérios acima. No caso das
vendedoras as empresas da terceira faixa de quantidade são praticamente as únicas
entre os 20 maiores grupos. No entanto, o destaque para as empresas com mais de 2
anos de mercado e alto preço unitário quando o critério é área total construída ou
faturamento permanece. Este grupo assume, respectivamente, a quarta e a terceira
posição. As cooperativas não selecionadas também se destacam quando o critério é
área construída ou número de unidades, especialmente o último.
3.4 Preços e Índices de Custo
Uma das variáveis que a Embraesp toma o maior cuidado é o preço do imóvel. Este
cuidado é decorrência em parte da inflação, em parte da forma de coleta. Em primeiro
lugar, os preços são sempre tomados no dia 15 do mês e o dólar comercial de venda
desta data é também incluído na base. Em segundo lugar, a Embraesp acompanha as
vendas para verificar se há redução no preço. Isto porque um edifício lançado a um
74
O termo “selecionadas” será usado a partir de agora para me referir a estas empresas acompanhadas
individualmente (inclusive as 35 vendedoras). Os diversos grupos de várias empresas, criados em cima
da tipologia detalhada no apêndice, serão referidos por “tipos” ou “grupos”.
A Base de Dados
119
preço acima do mercado pode ajustar seus preços em função das vendas. O interesse
da Embraesp que é fundamental para os nossos propósitos, é encontrar o preço mais
próximo possível do preço de transação.
Como os preços são coletados no dia 15, pode-se utilizar praticamente qualquer índice
de preços para corrigir os valores nominais. Isto porque a maioria dos índices de
preços é coletado do primeiro ao último dia do mês e, portanto, são centrados no meio
do mês. O índice selecionado foi o IGP-di do IBRE. Como o índice mudou de base
algumas vezes e houve uma série de reformas monetárias durante o período, teve que
haver uma compatibilização de bases descrita com mais detalhes no apêndice. Em
poucas palavras, os índices coletados foram todos convertidos para a base agosto de
94=100. O deflator derivado é simplesmente o valor do índice no mês de referência
para o preço dividido pelo índice de dezembro de 2000 (193,97).
Os Gráficos 3.30 e 3.31 apresentam a evolução de preços em dólar usando i. o preço
convertido para dólar utilizando-se o dólar comercial do mês de referência para o
preço conforme os dados originais da Embraesp e ii. preços corrigidos pelo IGP-di
para preços de dezembro conforme descrito no parágrafo anterior convertidos para
dólar utilizando-se a média mensal de venda do dólar comercial (R$1,9633). Ainda
que as duas séries tenham em geral a mesma tendência a diferença entre os preços
corrigidos e os preços em dólares é considerável especialmente no início do período
quando chega a quase três vezes: a média de preço dos últimos doze meses corrigido
diretamente pelo dólar é US$282 contra US$618 quando se utiliza o IGP-di para
correção dos valores. Este diferencial, no entanto, é bem reduzido a partir de maio de
90.
A Base de Dados
120
Gráfico 3.30: Preços Médios por m2 de Área Total Corrigidos pelo IGP-di para
Dezembro de 2000 e Convertido pelo Dólar Médio Comercial e Preços Corrigidos
pelo Valor do Dólar na Data de Lançamento (1985-1999)
1,600
1,400
IGP_di
1,200
US$
US$
1,000
800
600
400
200
0
Dec-85
Sep-88
Jun-91
Mar-94
Dec-96
Aug-99
Data
Fontes: IBRE e Tabulação própria usando dados da Embraesp
Optou-se por usar apenas o IGP-di como deflator para os preços nominais por uma
série de motivos. Em primeiro lugar, comparando-se com o dólar comercial da data de
lançamento, adotado pela Embraesp. Como a taxa de câmbio é um ativo financeiro
sujeito a variações que em geral não dependem só da variação dos preços locais, nada
garante que o preço em dólares reflita o valor real do imóvel. A opção por um índice
geral de preços, em detrimento a um índice de preços ao consumidor, deve-se ao fato
de que um imóvel é um bem durável e, portanto, a decisão de compra de um imóvel é
uma decisão, em princípio, de longo-prazo. Assim, a decisão de compra do imóvel
leva em conta o preço de todos os outros bens de consumo e não apenas aos bens de
consumo básicos que predominam nas cestas dos índices de preço ao consumidor.
A Base de Dados
121
Gráfico 3.31: Médias Móveis dos Preços por m2 de Área Total Ponderado pelo Total
de Unidades Lançadas em US$ Corrigido pelo IGP-di para Dezembro de 2000 e pelo
Valor do Dólar Comercial de Venda na Data de Lançamento (1985-1999)
1,200
IGP_di
US$
1,000
US$
800
600
400
200
0
Nov-84
Aug-87
May-90
Jan-93
Oct-95
Jul-98
Data
Fonte: IBRE (em Conjuntura Economica, diversos anos).
Tabulação própria usando dados da Embraesp
Uma alternativa seria utilizar um índice de custos da construção, notadamente o INCC
(Índice Nacional de Custo da Construção) do IBRE. A justificativa para a utilização
deste índice é que diversos contratos na construção civil, inclusive de venda de
imóveis, o utilizam como indexador. O INCC é o mais antigo índice nacional de
custos da construção. A partir de janeiro de 86 houve uma reformulação na sua
composição, expandindo de 8 para 16 o número de municípios de cobertura. Também
a partir desta data, os dados por Município passaram a ser publicados em separado.
Este indicador não foi utilizado para correção dos preços dos imóveis por que a
componente do município de São Paulo será utilizada como variável na especificação
econométrica.
O Gráfico 3.32 apresenta o índice total do custo de construção para o município de
São Paulo e a média geométrica. Como se pode notar, o índice está acima da inflação
em praticamente todo o período. Obviamente em agosto de 94, mês base, todos os
índices são iguais a 100 e, portanto, há uma convergência que logo em seguida se
A Base de Dados
122
esvai com os preços retomando um patamar cerca de 20% mais elevado do que o
custo de vida. O Gráfico 3.33 divide as duas componentes do índice para os
municípios: mão-de-obra e materiais. A variação de preços dos materiais se manteve
acima da variação do custo da mão-de-obra até 1994. No início de 94 as duas
componentes convergem, caminhando juntas até meados de 95 quando ocorre uma
inversão: a partir desta data o custo da mão-de-obra é que passa a “puxar” o índice da
construção enquanto a variação no preço dos materiais fica abaixo da variação do
IGP-di. Um dos motivos desta inversão deve-se a um resultado padrão da teoria de
comércio internacional: com abertura econômica e estabilidade da taxa de câmbio os
produtos comerciáveis com o exterior caem com relação aos não comerciáveis.
Gráfico 3.32: Índice e Média Geométrica (12 meses) do Índice Real de Custo da
Construção Total* – Municípios da Capital: São Paulo (1985**-1999)
200
180
Índice
160
140
120
100
Jan-85
80
Sep-87
Jun-90
Mar-93
Dec-95
Sep-98
Data
* Variação do Índice acima da variação do IGPM-di. Base: agosto, 94.
** Para 1985 índice calculado a partir da veriação do custo de edificação para o município de São
Paulo
Fonte: IBRE (em Conjuntura Economica, diversos anos).
O custo da construção dividido em seus dois componentes será utilizado na estimação
da oferta de imóveis. Com isto, todos os elementos de custo de produção de um
imóvel estarão incluídos na especificação. O custo do capital entra indiretamente
utilizando-se a densidade estrutural (vide capítulo anterior) e a taxa de juros do
A Base de Dados
123
mercado. Serão testados, alternativamente, o índice real e a média geométrica deste
índice. A justificativa para se utilizar a média dos valores passados seria que, como
um edifício demora pelo menos um ano para ficar pronto, o custo total incorrido
depende do custo durante todo o período de construção.
Gráfico 3.33: Média Geométrica (12 meses) dos Componentes do Índice Real de
Custo da Construção* – Municípios da Capital: São Paulo (1985**-1999)
Índice Real (agosto 94=100)
200
180
160
Mão de Obra
140
120
Total
100
Jan-85
80
Sep-87
Jun-90
Mar-93
Dec-95
Sep-98
Materiais
Data
* Variação do Índice acima da variação do IGPM-di. Base: agosto, 94.
** Para 1985 índice calculado a partir da veriação do custo de edificação para o município de São
Paulo
Fonte: IBRE (em Conjuntura Economica, diversos anos).
Uma contra argumentação para utilização da média passada é que muitas vezes um
imóvel é lançado antes de se iniciar a obra. Neste caso, o custo incorrido de fato
estaria relacionado com a média dos índices futuros. No entanto, mesmo neste caso,
na hora de decisão do preço de lançamento do imóvel, o incorporador leva em conta
apenas o preço corrente dos materiais e da mão-de-obra, em cima dos quais ele realiza
o orçamento, se protegendo de variações futuras incluindo uma cláusula de reajuste da
mensalidade pela variação do INCC (no caso de venda parcelada). Neste caso, a
A Base de Dados
124
variável relevante para o preço seria o índice corrente. Por este motivo, o preço
corrente será também testado como proxy para os custos de produção75.
Finalmente, o último indicador de preços utilizados é a taxa de juros reais definida
como o percentual de juros acima da variação do IGP-di. O Gráfico 3.34 apresenta os
juros reais mês a mês juntamente com a média geométrica de 12 meses. A taxa de
juros reais até o final de 1991 se manteve em torno de zero. Apenas a partir desta data
é que as taxas reais passam a ser de fato positivas. As variações extremadas
observadas no início de 1989, 1990 e 1991 e em meados de 1994 devem-se,
respectivamente, ao “Plano Verão”, “Plano Collor 1”, “Plano Collor 2” e “Plano
Real”. Além de servir como proxy para o custo de capital, a taxa de juros é
fundamental para a conversão de preços para renda como será discutido no próximo
capítulo.
Gráfico 3.34: Juros Reais e Média Geométrica (12 meses) dos Juros Reais*
(1985-2000)
15%
Juros Re a is
10%
5%
0%
-5%
-10 %
-15 %
-20 %
-25 %
Ja n -8 5
S e p -8 7
Ju n -9 0
M a r-9 3
D e c -9 5
S e p -9 8
Da ta
* Percentual acima da variação do IGPM-di. Até jun.86 ORTN/OTN, jul.86 a dez.87 LBC; jan.88 a
dez.97 LFT; jan.98 em diante % a.m. calculada a partir da % a.a. dos títulos públicos (Selic).
Fontes: IBRE/CEMEI, Andima e Boletim do Banco Central do Brasi (em Conjuntura Economica,
diversos anos).
75
A expectativa de variação real nos custos de construção também poderia ser levada em conta pelo
consumidor (caso o contrato contemple reajustes pelo INCC) ou pelo produtor (caso o contrato não
contemple tais reajustes). Se as expectativas forem formadas em cima dos preços passados, a média
volta a ser o melhor indicador. Nada muda se as expectativas forem formadas em cima dos preços
correntes.
A Base de Dados
125
A discussão sobre qual é o melhor indicador para tal propósito (a taxa corrente ou a
média das taxas passadas) é mais ou menos semelhante à discussão anterior em
relação ao índice de custo da construção. O melhor indicador depende de quando
ocorre a construção: antes ou depois do lançamento76. Se a construção ocorreu antes
do lançamento, o custo de capital já foi incorrido e, portanto, o relevante são os juros
passados. No entanto, existe uma diferença importante. Digamos que a construção
tenha se iniciado e terminado antes do lançamento. No entanto, o empréstimo
bancário para financiamento do imóvel pode ter sido realizado por um prazo de 10 ou
15 anos, um período absolutamente razoável para um empréstimo deste tipo. Neste
caso, os juros passados são relevantes, mas a expectativa de juros futuros é mais
importante. Além do que, do ponto de vista do consumidor a variável relevante é sem
dúvida a expectativa de juros futuros visto que o seu custo econômico comprando à
vista ou a prazo depende essencialmente dos juros futuros. Então, em princípio, o
melhor indicador depende basicamente de como são formadas as expectativas dos
preços futuros.
Antes de encerrar o capítulo cabem duas notas sobre os indicadores de preços
discutidos nesta seção. Em primeiro lugar, note-se que as variáveis reais foram
sempre deflacionadas pelo IGP-di. Ainda que esta opção se justifique, poderia se
argumentar sobre algumas vantagens de índices alternativos. Como é conhecido, cada
índice tem suas vantagens e desvantagens. No entanto, o custo de se mudar o índice
neste caso é muito elevado. Além da compatibilização de bases e de moedas para o
novo índice selecionado, deve-se corrigir todos os valores novamente, inclusive mais
de 6 mil preços diferentes de imóveis. Utilizando-se o indexador da Embraesp (dólar
76
Na realidade a construção pode se iniciar antes do lançamento, mas terminar depois dele. Além do
que, a construção pode demorar mais do que um ano. Nos dados da Embraesp sabe-se, além da data de
lançamento, a data prevista de entrega, porém não há a data de início da construção. Derivar uma
A Base de Dados
126
comercial da data de lançamento) para correção do preço dos imóveis (mas não para
os outros valores reais) não resultou em estimativas significativamente diferentes (não
apresentadas aqui por questão de espaço). Sendo assim, sempre que houver referência
a um valor este será em reais de dezembro de 2000 a não ser que se indique o
contrário.
Por fim, a opção por se utilizar apenas valores reais faz sentido em princípio se
assumirmos racionalidade dos agentes, ou seja, a não existência de ilusão monetária.
Mesmo sem ilusão monetária, a taxa nominal de inflação poderia influenciar a decisão
de compra (e, portanto a formação de preços) devido a certas características
tributárias do mercado de imóveis. Em particular, o pagamento de juros do
financiamento de um imóvel é dedutível do imposto de renda, mas os ganhos de
capital decorrentes da valorização dos imóveis em geral não são taxados ou, pelo
menos, é possível escapar desta taxação77. Foge do escopo desta tese uma análise
detalhada da tributação e financiamento no mercado de imóveis brasileiros. Mesmo
porque estas questões referem-se muito mais ao mercado nacional e não ao mercado
local que é a preocupação desta tese. Mesmo assim, a taxa de inflação será incluída
em algumas das especificações para testar seu poder explicativo na decisão de compra
de imóveis.
estimativa do tempo de construção usando as datas de lançamento e entrega, no entanto, necessitaria de
hipóteses extremamente arbitrárias.
77
Posterga-se uma discussão mais detalhada desta questão para o próximo capítulo.
A Base de Dados
127
2A. Apêndice
Neste apêndice discute-se detalhes dos bancos de dados apresentados anteriormente.
Mais especificamente, todas as variáveis do banco de dados são listadas juntamente
com a sua estrutura. Em seguida apresentam-se as estimativas do número de
domicílios por município da Grande São Paulo. Na terceira seção do apêndice faz-se
um detalhamento do banco de dados sobre os agentes de mercado criado a partir da
base da Embraesp. A última seção apresenta os critérios para concatenação e ajuste
aos planos de estabilização monetária para os índices de preço utilizados.
3.A.1 Estrutura do banco de dados de lançamentos de imóveis
Como discutido brevemente na seção 4.1, os dados da Embraesp necessitaram de uma
profunda revisão para adapta-los aos nossos propósitos. Os dados originais da
Embraesp consistiam de uma única tabela com 97 variáveis (algumas das quais sem
utilidade). A estas variáveis adicionou-se um campo de identificação para permitir a
recuperação de informações caso se considere necessário. A tabela original é
composta por 6.169 registros. Estes registros não correspondem obrigatoriamente a
empreendimentos diferentes. O sistema de coleta da Embraesp divide em um ou mais
registros um mesmo condomínio caso i. existam diferentes tipos de apartamentos
ofertados (no mesmo bloco78 ou em blocos diferentes) ou ii. existam blocos lançados
em diferentes datas.
Na realidade este procedimento é extremamente útil para os nossos fins. Isto porque a
demanda por um apartamento com 4 quartos, por exemplo, não é a mesma do que a
demanda por um apartamento com 3 quartos mesmo que os dois imóveis estejam no
mesmo condomínio. No entanto, é necessário identificar todas as unidades de um
78
Quando um bloco apresenta dois tipos de apartamento a variável “número de blocos” e área do
terreno é dividida proporcionalmente ao número de unidades daquele tipo. Por exemplo, se um bloco
A Base de Dados
128
mesmo condomínio pois certos dados devem ser levados em conta em termos
agregados como a área total do terreno, o total de blocos e etc. Além do que a
localização e as variáveis espaciais decorrentes só faz sentido por condomínio.
Quando um condomínio é dividido pelo motivo i é relativamente simples de se
identificar já que o número de referência da Embraesp é o mesmo (mudando apenas a
letra). No segundo caso o processo é mais complexo. O procedimento foi localizar
todos os imóveis com o mesmo endereço verificando manualmente se correspondia de
fato ao caso ii. Neste procedimento pode-se localizar 38 registros incorretos. Nestes
casos, o que ocorre em geral é que o lançamento é anunciado mas, por algum motivo,
não se efetiva. Ainda que este fato esteja documentado no campo observações estes
poucos registros incorretos não foram retirados da amostra pela própria Embraesp e
por este motivo foram mantidos na tabela de dados originais, mas retirados da tabela
de dados revistos (que é utilizada em todas as análises desta tese).
Outro tipo de erro que se verificou no processo de agregação dos registros
correspondentes ao mesmo condomínio é que às vezes a área do terreno no primeiro
lançamento corresponde a área total e apenas no segundo lançamento esta área é
rateada em função do número de unidades79. Assim, para encontrar a área de fato do
terreno, criou-se uma outra variável que é igual ao tamanho do terreno da base
original quando não se pode notar nenhum erro e é corrigida para o tamanho
proporcional ao número de unidades quando se nota algum engano80. Também
verificou-se diferenças na grafia dos endereços o que dificultou a identificação de
tem 40 unidades de um tipo e 60 de outro, o número de blocos no registro que tem 40 unidades será
0,4.
79
Por exemplo, um terreno de 1000 m2 com dois blocos idênticos. Associa-se 1000 m2 ao primeiro
bloco lançado e 500 m2 ao segundo. O processo de agregação alocaria 1500 m2 a este terreno se a
variável não fosse ajustada.
80
Nem sempre é possível saber ao certo se houve este erro ou não. Em diversos casos a área total do
terreno é indicada no campo de observações. Em caso de dúvida, manteve-se a informação original.
A Base de Dados
129
registros pertencentes ao mesmo condomínio. Os endereços foram então padronizados
e armazenados em outra variável.
Agrupando-se todos os registros que correspondiam ao mesmo condomínio, somandose a área do terreno, o número de blocos, a área total e útil construída (ponderadas
pelo número de unidades) e calculando-se as médias das variáveis que se referiam
apenas à unidade (como número de quartos, área do imóvel, preço, etc.) criou-se uma
nova tabela apenas com os dados por condomínio (5.111 registros). Estes dados foram
então georeferenciados, usando-se a quadra fiscal da prefeitura de São Paulo como
referência para os imóveis na cidade de São Paulo81 e os endereços completos para os
imóveis fora do MSP82 gerando-se uma terceira tabela com os dados localizados no
espaço. Utilizando-se as ferramentas de programas de administração de bases
geográficas83 calculou-se as distâncias à Praça da Sé, ao centro, ao início da
Bandeirantes e às sedes dos municípios selecionados. Esta forma a terceira tabela da
nossa base de lançamentos de imóveis.
O Diagrama 3.A.1 mostra esquematicamente a estrutura deste banco de dados. Os
dados georeferenciados e os dados por condomínio podem ser associados aos dados
desagregados através do ID_ESP (campo de identificação “Espacial” pois associa os
registros no mesmo espaço). Os dados cadastrais das construtoras, incorporadoras e
vendedoras se associam aos dados desagregados através de campos de identificação
específico, um para cada tipo de agente. Com isto foi possível diminuir um pouco o
volume de dados, pois não é mais necessário repetir todos os dados cadastrais das
81
Imóveis na mesma quadra fiscal foram separados aleatoriamente. Este procedimento impede que se
crie variáveis como, por exemplo, uma dummy identificando se o apartamento está de frente para um
parque ou não. Por outro lado, foi o único procedimento viável dado que pode ser automatizado e, além
do que, não afetou significativamente as variáveis de distância utilizadas.
82
Os imóveis fora do MSP num total de 809 registros e 666 condomínios foram localizados
manualmente utilizando-se bases de logradouros gentilmente cedidas pela VETEC Ltda. Infelizmente,
27 registros não foram localizados e tiveram de ser excluídos da amostra.
83
Todos os cálculos de distância e mapas apresentados utilizaram o Arcview 3.2©. Ele calcula a menor
distância euclidiana entre os dois (ou mais) pontos.
A Base de Dados
130
empresas que realizaram mais de um lançamento. Além do mais, foi possível derivar
estatísticas para as empresas incluindo no seu cadastro como veremos na seção 3.A.3.
Diagrama 3.A.1: Estrutura do Banco de Dados Criado a partir dos Dados da
Embraesp
Dados
Condomínios
Dados
Georeferenciados
ID_ESP
Atributos dos
Condomínios
(Tabela 4.A.4)
ID_ESP
Distâncias
(Tabela 4.A.5)
Dados
Desagregados
ID
ID_ESP
ID_CONS
ID_INC
ID_VEND
Atributos das
Unidades
Diferenciadas
(Tabelas 4.A.2 e
4.A.3)
Cadastro
Construtoras
Cadastro
Incorporadora
Cadastro
Vendedoras
ID_CONS
Características
da Empresa
(Tabela 4.A.6)
ID_INC
Características
da Empresa
(Tabela 4.A.6)
ID_VEND
Características
da Empresa
(Tabela 4.A.6)
As Tabelas a seguir apresentam as variáveis presentes nas diversas tabelas84 ilustradas
no esquema acima. Como diversas variáveis pertencem tanto à tabela de dados
originais como à tabela de dados desagregados, para evitar redundância, as variáveis
comuns às duas tabelas são apresentadas na Tabela 3.A.2. As variáveis exclusivas da
base original são apresentadas na Tabela 3.A.1.
A Base de Dados
131
Ainda que as Tabelas abaixo não sejam fundamentais para a compreensão da tese
como um todo, a opção por inclui-las deve-se ao fato de que o trabalho realizado com
a base de dados representa um ganho considerável em relação ao original. Somandose ao fato de que praticamente não existem dados sobre o mercado de imóveis com
tanto detalhamento, este apêndice serve como documentação deste processo para que
outros pesquisadores possam utilizar tais dados. A única dificuldade é que, como se
trata de um banco de dados “proprietário” o pesquisador interessado em utilizar esta
base deve primeiro contatar a Embraesp para ter acesso à base original.
Tabela 3.A.1: Variáveis Pertencentes à Base Original da Embraesp que não
Constam nos Dados Revistos
9DULiYHO 'HVFULomR
5HI
1~PHUR GH UHIHUrQFLD QR LQIRUPDWLYR (PEUDHVS
WLSRBHPSBD 9HUWLFDO RX KRUL]RQWDO
QXPBD
1~PHUR GH UHIHUrQFLD QR LQIRUPDWLYR (PEUDHVS
HQGHUHFRBD (QGHUHoR GR HPSUHHQGLPHQWR
HQG
(QGHUHoR GH UHIHUrQFLD SDUD D DJUHJDomR GH GDGRV
]RQD
=RQD GD SUHIHLWXUD GH 6mR 3DXOR
VHWRU
6HWRU GD SUHIHLWXUD GH 6mR 3DXOR
TXDGUD
4XDGUD ILVFDO GD SUHIHLWXUD GH 6mR 3DXOR
ORWH
/RWH FRQIRUPH FODVVLILFDomR GD SUHIHLWXUD GH 6mR 3DXOR
WHUUHQR
ÈUHD GR WHUUHQR DORFDGR DR UHJLVWUR
ILQDQFLDP &RQVyUFLR 3UHoR GH FXVWR RX 3UHoR )HFKDGR
HQJHQKHLBD 1RPH GR HQJHQKHLUR
DUTXLWHWBD 1RPH GR DUTXLWHWR
]RQDBR
5HIHUrQFLD GH HVSDFLDO GD (PEUDHVS
QXPBR
5HIHUrQFLD GH HVSDFLDO GD (PEUDHVS
FRHI
&RHILFLHQWH WpFQLFR GR WHUUHQR
SFWWUHWBU 3UHoR GR WHUUHQR SDUD LPyYHLV D SUHoR GH FXVWR
U
0 ODQoDPHQWR QR PXQLFtSLR GH 6mR 3DXOR 5 ODQoDPHQWR IRUD GHOH
TI
1~PHUR GD TXDGUD ILVFDO
ORQJ
ORQJLWXGH GR FHQWUR GD TXDGUD ILVFDO
ODW
ODWLWXGH GR FHQWUR GD TXDGUD ILVFDO
FKDYH
5HIHUrQFLD GH HVSDFLDO GD (PEUDHVS
GDWDBODQBE 'DWD GH ODQoDPHQWR
QXPBE
1~PHUR GR ODQoDPHQWR QR LQIRUPDWLYR
]RQDBYDOBE =RQD GH 9DORU
HQGHUHFRBE (QGHUHoR GR HPSUHHQGLPHQWR
LQFRUSRUBE ,QFRUSRUDGRUD
LBUD]BVRF 5D]mR VRFLDO GD LQFRUSRUDGRUD
LBIRQH
7HOHIRQH GD LQFRUSRUDGRUD
84
Tabela com T maiúsculo refere-se a uma tabela específica reproduzida no texto. Tabela com t
minúsculo é o nome genérico e refere-se em geral a uma das tabelas do banco de dados.
A Base de Dados
132
9DULiYHO 'HVFULomR
LBID[
)D[ GD LQFRUSRUDGRUD
LBHQGHUHFR (QGHUHoR GD LQFRUSRUDGRUD
LBEDLUUR
%DLUUR GD LQFRUSRUDGRUD
LBFLGDGH
&LGDGH GD LQFRUSRUDGRUD
LBFHS
&HS GD LQFRUSRUDGRUD
YHQGHGRUBE9HQGHGRUD
YBUD]BVRF 5D]mR VRFLDO GD YHQGHGRU
YBIRQH
7HOHIRQH GD YHQGHGRU
YBID[
)D[ GD YHQGHGRU
YBHQGHUHFR (QGHUHoR GD YHQGHGRU
YBEDLUUR
%DLUUR GD YHQGHGRU
YBFLGDGH &LGDGH GD YHQGHGRU
YBFHS
&HS GD YHQGHGRU
FRQVWUXWBE &RQVWUXWRUD
FBUD]BVRF 5D]mR VRFLDO GD FRQVWUXWRUD
FBIRQH
7HOHIRQH GD FRQVWUXWRUD
FBID[
)D[ GD FRQVWUXWRUD
FBHQGHUHFR (QGHUHoR GD FRQVWUXWRUD
FBEDLUUR
%DLUUR GD FRQVWUXWRUD
FBFLGDGH &LGDGH GD FRQVWUXWRUD
FBFHS
&HS GD FRQVWUXWRUD
HQJHQKHLBE (QJHQKHLUR UHVSRQViYHO
DUTXLWHWBE $UTXLWHWR
KRWHODULBE 5HVSRQViYHO SHOD KRWHODULD TXDQGR IRU R FDVR
WLSRBHPSBE7LSR GH HPSUHHQGLPHQWR 9HUWLFDO RX +RUL]RQWDO
REVHUYDFBE 2EVHUYDo}HV
Fonte: Informativo Imobiliário Embraesp
Tabela 3.A.2: Variáveis Pertencentes à Base Original da Embraesp que Constam
nos Dados Revistos
9DULiYHO 'HVFULomR
,'
&yGLJR GH LGHQWLILFDomR 9DULiYHO FULDGD SDUD FRQH[mR FRP R QRYR EDQFR GH GDGRV
GDWDBODQBD 'DWD GH ODQoDPHQWR GR LPyYHO
]RQDBYDOBD =RQD GH 9DORU
QRPH
1RPH GR EORFR
GRUP
1~PHUR GH GRUPLWyULRV SRU XQLGDGH
EDQK
1~PHUR GH EDQKHLURV SRU XQLGDGH
YDJDV
1~PHUR GH YDJDV QD JDUDJHP SRU XQLGDGH
HOHYDG
1~PHUR GH HOHYDGRUHV QRV EORFRV
FREHUW
1~PHUR GH FREHUWXUDV QRV EORFRV
EORFRV
1~PHUR GH EORFRV QR UHJLVWUR
XQLGBDQG 1~PHUR GH XQLGDGHV SRU DQGDU
DQGDUHV
1~PHUR GH DQGDUHV GRV EORFRV
WWBXQLG
7RWDO GH XQLGDGHV TXH SHUWHQFHP DR UHJLVWUR
ODQF
9DULiYHO OyJLFD SDUD GHILQLU VH H[LVWHP XQLGDGHV GLIHUHQFLDGDV RX QmR
HQWUHJD
'DWD GH HQWUHJD GR LPyYHO
PHVHV
1~PHUR GH PHVHV HQWUH ODQoDPHQWR H GDWD GH HQWUHJD
DUHDBXWLO ÈUHD ~WLO GD XQLGDGH
DUHDBWRWDO ÈUHD WRWDO GD XQLGDGH
SFBWWBU
3UHoR WRWDO GD XQLGDGH HP YDORUHV QRPLQDLV
SFPXWLOBU 3UHoR GD XQLGDGH SRU PHWUR TXDGUDGR GH iUHD ~WLO HP YDORUHV QRPLQDLV
A Base de Dados
133
9DULiYHO 'HVFULomR
SFPWWBU 3UHoR GD XQLGDGH SRU PHWUR TXDGUDGR GH iUHD WRWDO HP YDORUHV QRPLQDLV
FWBWHUUBU &RWD GR WHUUHQR SDUD SUHoR GH FXVWR HP YDORUHV QRPLQDLV
XVV
9DORU GR GyODU QD GDWD GH ODQoDPHQWR
SFBWWBXV 3UHoR WRWDO GD XQLGDGH HP GyODUHV
SFPXWLOBX 3UHoR GD XQLGDGH SRU PHWUR TXDGUDGR GH iUHD ~WLO HP GyODUHV
SFPWWBX 3UHoR GD XQLGDGH SRU PHWUR TXDGUDGR GH iUHD WRWDO HP GyODUHV
FWBWHUUBX &RWD GR WHUUHQR SDUD SUHoR GH FXVWR HP GyODUHV
DJHQWH
1RPH GR DJHQWH ILQDQFHLUR TXDQGR KRXYHU
DXWLOBFRE ÈUHD ~WLO GD FREHUWXUD
DWWDOBFRE ÈUHD WRWDO GD FREHUWXUD
SFWWFREBU 3UHoR WRWDO GD FREHUWXUD HP YDORUHV QRPLQDLV
SFWWFREBX 3UHoR WRWDO GD FREHUWXUD HP GyODUHV
LQFRUSRUBD 1RPH GD LQFRUSRUDGRUD
YHQGHGRUBD1RPH GR YHQGHGRU
FRQVWUXWBD 1RPH GD FRQVWUXWRUD
KRWHODULBD 1RPH GD FRPSDQKLD GH KRWHODULD
SURMBDSURY 'DWD GH DSURYDomR GR SURMHWR
REVHUYDFBD 2EVHUYDo}HV
FSBSJWR
$QGDUHV GH UHIHUrQFLD SDUD D FRQGLomR GH SDJDPHQWR
FRQGBSJWR &RQGLomR GH SDJDPHQWR
UHDMBDWHBF &RQGLo}HV GH UHDMXVWH LQLFLDO
UHDMBDSRBF &RQGLo}HV GH UHDMXVWH ILQDO
GRFXPHQWR 'RFXPHQWR GH RULJHP GD LQIRUPDomR
Fonte: Informativo Imobiliário Embraesp
Tabela 3.A.3: Variáveis Pertencentes aos Dados Desagregados que não Constam
nos Dados Originais
9DULiYHO
'HVFULomR
&DPSR SDUD FRQH[mR HQWUH R EDQFR GH GDGRV GHVDJUHJDGRV H R EDQFR GH GDGRV
DJUHJDGR
tipo_emp
&yGLJR GR WLSR GH HPSUHHQGLPHQWR 9HUWLFDO +RUL]RQWDO coop
VH FRRSHUDWLYD FDVR FRQWUiULR
MSP
VH ODQoDPHQWR QR PXQLFtSLR GH 6mR 3DXOR FDVR FRQWUiULR
ano_lan
$QR GH ODQoDPHQWR GR LPyYHO
mes_lan
0rV GH ODQoDPHQWR GR LPyYHO
ano_ent
$QR SUHYLVWR GH HQWUHJD GR LPyYHO
mes_ent
0rV SUHYLVWR SDUD HQWUHJD GR LPyYHO
mes_c
1~PHUR GH PHVHV HQWUH R ODQoDPHQWR H D GDWD SUHYLVWD GH HQWUHJD FDOFXODGR
H[LWHP HUURV QR FDPSR PHVHV DFLPD
end_agr
(QGHUHoR GH UHIHUrQFLD SDUD D DJUHJDomR GH GDGRV
terr_new
5HIHUrQFLD GR WHUUHQR SDUD FiOFXOR GR WHUUHQR WRWDO GR FRQGRPtQLR
pc_tt_d
3UHoR WRWDO GD XQLGDGH HP YDORUHV UHDLV GH] ,*3GL YLGH ,QGLFH GH
3UHFRV[OV
pcm2util_d 3UHoR GD XQLGDGH SRU PHWUR TXDGUDGR GH iUHD ~WLO HP YDORUHV UHDLV GH] ,*3GL YLGH ,QGLFH GH 3UHFRV[OV
pcm2tt_d 3UHoR GD XQLGDGH SRU PHWUR TXDGUDGR GH iUHD WRWDO HP YDORUHV UHDLV GH] ,*3GL YLGH ,QGLFH GH 3UHFRV[OV
ct_terr_d
&RWD GR WHUUHQR SDUD SUHoR GH FXVWR HP YDORUHV UHDLV GH] ,*3GL YLGH
,QGLFH GH 3UHFRV[OV
financ
&yGLJR GD PRGDOLGDGH GH ILQDQFLDPHQWR &RQVyUFLR 3UHoR GH FXVWR
3UHoR )HFKDGR
tipo_agen 7LSR GH DJHQWH QmR VDEHQHQKXP %DQFR 3ULYDGR %DQFRV GR HVWDGR
ID_ESP
A Base de Dados
9DULiYHO
'HVFULomR
ID_Inc
N_Inc
ID_Vend
N_vend
ID_Const
N_Cons
hotel
Cod_Reg
ORQJ
ODW
134
%DQHVSD H 1RVVD &DL[D 6)+ WDEHODGR RX FDUWHLUD KLSRWHFiULD H &()
6%3( 6LVW %UDV 'H 3RXSDQoD H (PSUpVWLPR
&DPSR GH LGHQWLILFDomR GD LQFRUSRUDGRUD
1~PHUR GH LQFRUSRUDGRUDV HQYROYLGDV QR HPSUHHQGLPHQWR
&DPSR GH LGHQWLILFDomR GD YHQGHGRUD
1~PHUR GH YHQGHGRUDV HQYROYLGDV QR HPSUHHQGLPHQWR
&DPSR GH LGHQWLILFDomR GD FRQVWUXWRUD
1~PHUR GH FRQVWUXWRUDV HQYROYLGDV QR HPSUHHQGLPHQWR
VH KRWHO RX IODW ]HUR HP RXWURV FDVRV
&yGLJR GD UHJLmR 1RUGHVWH 1RURHVWH 6XGHVWH 6XGRHVWH
ORQJLWXGH DMXVWDGD GR FHQWUR GD TXDGUD ILVFDO
ODWLWXGH DMXVWDGD GR FHQWUR GD TXDGUD ILVFDO
Fonte: Elaborado pelo Autor
Tabela 3.A.4: Variáveis Pertencentes aos Dados por Condomínio
Variável
ID_ESP
Descrição
Campo para conexão entre o banco de dados desagregados e o banco de dados
agregado
tipo_emp Código do tipo de empreendimento (Vertical=0 Horizontal=1)
1 se cooperativa, 0 caso contrário
coop
1 se lançamento no município de São Paulo, 0 caso contrário
MSP
data_lan_a Data de lançamento do primeiro bloco do condomínio
Mês de lançamento do primeiro bloco do condomínio
ano_lan
Ano de lançamento do primeiro bloco do condomínio
PHVBODQ
Data prevista de entrega do último bloco do condomínio
entrega
Mês previsto de entrega do último bloco do condomínio
ano_ent
Ano previsto de entrega do último bloco do condomínio
PHVBHQW
Número máximo de meses entre o lançamento e a data prevista de entrega do
mês_c
bloco (zero se todos os blocos estiverem prontos na data de lançamento)
zona_val_a Zona de Valor
Endereço de referência para a agregação de dados
end_agr
Nome do primeiro bloco lançado
nome
Número médio de dormitórios por unidade
dorm
Número médio de banheiros por unidade
banh
Número médio de vagas na garagem por unidade
vagas
Número total de elevadores no(s) bloco(s)
elevad
Número total de coberturas no(s) bloco(s)
cobert
Número total de blocos no condomínio
blocos
Número médio de andares do(s) bloco(s)
andares
Total de unidades no condomínio
tt_unid
Variável lógica para definir se existem lançamentos diferenciados (>1) ou não
lanc
Área útil média da unidade
area_util
DUXWBFRQG Área útil construida total do condomínio
area_total Área total média da unidade
Área total construída do condomínio
DUWWBFRQG
Área útil do condomínio/Área total do condomínio
DSURYHLW
Área total do terreno do condomínio
WHUUHQR
Área total construída/Área do terreno
N
Preço médio total da unidade em valores reais (dez 00 - IGP-di - vide Indice de
SFBWWBG
Precos.xls)
SFPXWLOBG Preço médio da unidade por metro quadrado de área útil em valores reais (dez 00
A Base de Dados
135
Variável
Descrição
- IGP-di - vide Indice de Precos.xls)
Preço médio da unidade por metro quadrado de área total em valores reais (dez
SFPWWBG
00 - IGP-di - vide Indice de Precos.xls)
Preço total da unidade em dólares
pc_tt_us
pcm2util_u Preço da unidade por metro quadrado de área útil em dólares
pcm2tt_u Preço da unidade por metro quadrado de área total em dólares
Área útil da cobertura
DXWLOBFRE
Área total da cobertura
DWWDOBFRE
SFWWFREBX Preço total da cobertura em dólares
1 se hotel ou flat zero em outros casos
+RWHO
Cod_Reg Código da região 1=Nordeste, 2=Noroeste, 3=Sudeste, 4=Sudoeste
longitude ajustada do centro da quadra fiscal
ORQJ
latitude ajustada do centro da quadra fiscal
ODW
Fonte: Elaborado pelo Autor
Tabela 3.A.5: Variáveis Pertencentes aos Dados Georeferenciados
9DULiYHO
'HVFULomR
,'B(63
&DPSR SDUD FRQH[mR HQWUH R EDQFR GH GDGRV GHVDJUHJDGRV H R EDQFR GH GDGRV
SRU FRQGRPtQLRJHRUHIHUHQFLDGR
',6B6(
'LVWkQFLD HP P GR HGLItFLR j SUDoD GD 6p
',6B%$1' 'LVWkQFLD HP P GR HGLItFLR DR LQtFLR GD %DQGHLUDQWHV
',6B67$1' 'LVWkQFLD HP P GR HGLItFLR j VHGH GH 6DQWR $QGUp
',6B6$2%(5 'LVWkQFLD HP P GR HGLItFLR j VHGH GH 6mR %HUQDUGR GR &DPSR
',6B%$58 'LVWkQFLD HP P GR HGLItFLR j VHGH GH 6mR %HUQDUGR GR &DPSR
',6B*8$
'LVWkQFLD HP P GR HGLItFLR j VHGH GH *XDUXOKRV
',6B0,1 0HQRU GLVWkQFLD GR HGLItFLR HP P j 3oD GD 6p 6WR $QGUp %DUXHUL RX *XDUXOKRV
5()B0,1 3RQWR GH PHQRU GLVWkQFLD GR HGLItFLR 3oD GD 6p 6WR $QGUp %DUXHUL RX *XDUXOKRV
',6B0,1 0HQRU GLVWkQFLD GR HGLItFLR HP P j 3oD GD 6p 6 %HUQDUGR %DUXHUL RX
*XDUXOKRV
5()B0,1 3RQWR GH PHQRU GLVWkQFLD GR HGLItFLR 3oD GD 6p 6 %HUQDUGR %DUXHUL RX
*XDUXOKRV
',6B0,1 0HQRU GLVWkQFLD GR HGLItFLR HP P D 6WR $QGUp %DUXHUL RX *XDUXOKRV
5()B0,1 3RQWR GH PHQRU GLVWkQFLD GR HGLItFLR 6WR $QGUp %DUXHUL RX *XDUXOKRV
',6B0,1 0HQRU GLVWkQFLD GR HGLItFLR HP P D 6 %HUQDUGR %DUXHUL RX *XDUXOKRV
5()B0,1 3RQWR GH PHQRU GLVWkQFLD GR HGLItFLR 6 %HUQDUGR %DUXHUL RX *XDUXOKRV
Fonte: Elaborado pelo Autor
Tabela 3.A.6: Variáveis Pertencentes ao Cadastro das Empresas
(Construtoras, Incorporadoras e Vendedoras)
Varável
,'B;;;;
1RPH
Raz_soc
Fone
Fax
Endereço
Bairro
Cidade
Cep
Descrição
Campo de identificação da empresa: ID_cons=construtora; ID_Inc=Incorporadora
e ID_Vend=vendedora
Nome fantasia da incorporadora
Razão social da empresa
Telefone da empresa
Fax da empresa
Endereço da empresa
Bairro da empresa
Cidade da empresa
Cep da empresa
A Base de Dados
Tipo
Anos
ind_hor
ind_coop
Tot_Unid
Lanc
area_total
Fatura
Terreno
Meses
pc_méd
pc_min
pc_Max
pcm2_méd
pcm2_min
pcm2_Max
Unid_XX
Lanc_XX
136
Tipo da empresa (vide Tipologia) ou ID da Empresa para empresas selecionadas
Número de anos no mercado
Lançamentos horizontais dividido pelo total de lançamentos da empresa
Lançamentos de cooperativas dividido pelo total de lançamentos da empresa
Total de Unidades Lançadas pela empresa
Total de lançamentos da empresa
Área total construída de todas unidades lançadas pela empresa
Total de vendas vezes o preço unitário
Soma das áreas de todos os terrenos dos lançamentos da empresa
Prazo de entrega médio da empresa em meses
Preço unitário médio de todos os lançamentos da empresa
Preço unitário mínimo de todos os lançamentos da empresa
Preço unitário máximo de todos os lançamentos da empresa
2
Preço por m médio de todos os lançamentos da empresa
2
Preço por m mínimo de todos os lançamentos da empresa
2
Preço por m máximo de todos os lançamentos da empresa
Número de unidades lançadas pela empresa no ano XX
Número de lançamentos da empresa no ano XX
Fonte: Elaborado pelo Autor
3.A.2 Estimativa do Total de Domicílios por Município da RMSP
Para encontrar o número de domicílios estimou-se um modelo simples em que o
número de domicílios em cada município é uma função linear da população nos 3
anos censitários. Alternativamente estimou-se “efeito fixo” incluindo-se uma dummy
para cada município. Os dados estão empilhados, ou seja, não se permitiu nenhuma
relação temporal direta entre eles. A idéia é que as relações temporais já estão
implícitas nas estimativas de população. Porém, variáveis de controle do tempo
também foram testadas. Mais formalmente o modelo testado foi:
36
Di ,t = α + βPi ,t + ∑ δ i Ri + µ91T91 + µ96T96 +ε i ,t
i =1
Onde Di,t é o número de domicílios e Pi,t o total da população no município i no ano t
(t=80, 91 e 96); α é uma constante, Ri (i=1,...,36) são dummies regionais iguais a 1 se
o município 85 é i (zero caso contrário), Tt (t=91,96) são duas dummies temporais
iguais a 1 se o ano é t (zero caso contrário) e εi,t um erro estocástico. Nesta
especificação um pouco mais completa, as dummies temporais não se mostraram
85
Para impedir multicolinearidade perfeita, o município de São Paulo não aparece na especificação.
A Base de Dados
137
estatisticamente significantes e os resultados obtidos quando se adicionaram dummies
regionais não foram razoáveis. Por exemplo, três municípios (Francisco Morato e
Santana do Parnaíba) apresentaram um número negativo de domicílios. Mesmo a
simples inclusão da constante α também gerou dois resultados negativos (Santana do
Parnaíba novamente e Pirapora do Bom Jesus). Controlando apenas para os 5
municípios que se afastam da tendência no Gráfico 4.14 também não deu bons
resultados. Assim, acabei optando por um modelo extremamente simplificado sem a
inclusão de nenhuma dummy nem da constante. Os resultados aparecem na Tabela
3.A.7.
Tabela 3.A.7: Total de Domicílio (Milhares) por Município da RMSP (19851998)
1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998
0XQLFtSLR
$58-$
6
7
7
8
8
9 10 10 11 12 12 13 14 14
%$58(5,
25 26 28 29 31 32 34 36 39 41 44 46 49 52
%,5,7,%$
4
4
4
4
4
5
5
5
5
5
5
5
5
6
8
8
9
9
9
10
10
11
12
13
14
15
16
16
&$,(,5$6
7
7
8
8
8
8
9
9 10 10 11 11 12 12
&$-$0$5
&$5$3,&8,%$
59 61 64 66 69 71 74 76 78 81 83 86 89 91
&27,$
22 24 25 27 28 30 32 34 35 37 38 40 42 43
',$'(0$
68 70 72 74 76 78 80 81 82 83 84 85 86 87
31 33 34 36 37 39 41 43 45 47 49 51 54 56
(0%8
7
7
8
8
8
9
9 10 10 10 11 11 12 12
(0%8 *8$&8
)(55$=
18 19 20 21 23 24 25 26 28 29 30 32 34 35
)&2 025$72
12 13 15 16 18 20 22 23 24 25 26 28 29 31
)&2 '$ 52&+$ 17 18 18 19 20 21 22 23 24 24 25 26 27 28
4
4
4
4
5
5
5
5
5
5
5
5
5
5
*8$5$5(0$
166 172 178 185 191 198 205 214 224 234 244 254 267 277
*8$58/+26
,7$3(&(5,&$
19 20 21 22 22 23 24 26 27 28 30 31 33 35
,7$3(9,
19 20 22 23 25 26 28 29 31 32 33 35 37 38
,7$48$
27 30 32 34 37 40 43 46 49 53 56 59 64 67
12 13 13 14 15 15 16 17 18 18 19 20 21 21
-$1',5$
-848,7,%$
4
4
4
5
5
5
5
5
5
6
6
6
6
6
0$,5,325$
9
9
9
9 10 10 10 11 11 12 12 13 14 14
0$8$
63 65 68 70 72 74 77 80 82 85 87 90 93 96
60 62 64 65 67 69 71 73 75 77 80 82 85 87
02*,
135 137 139 142 144 146 148 151 154 157 160 163 167 170
26$6&2
3,5$325$
2
2
2
2
2
2
2
2
2
2
3
3
3
3
32$
16 17 17 18 19 19 20 20 21 21 22 22 23 23
5,%(,5$2
18 18 19 20 21 21 22 23 23 24 25 25 27 27
6
7
7
7
7
8
8
8
8
9
9
9
9 10
5 *'( 6(55$
3
3
3
3
3
3
3
3
3
3
3
3
4
4
6$/(6232/,6
67$ ,6$%(/
9
9
9
9
9 10 10 10 10 10 11 11 11 11
A Base de Dados
138
0XQLFtSLR
1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998
5
5
6
7
8
9 10 11 12 13 14 15 16 16
6$17$1$
152 154 155 157 158 160 161 162 163 163 164 164 164 165
672 $1'5(
6%(51$5'2
127 130 134 137 141 144 148 153 158 163 168 173 179 184
6&'2 68/
41 41 41 40 40 40 39 39 38 38 37 37 36 35
6$2 3$8/2
2,3592,3862,4132,4402,4662,4922,5182,5342,5442,5552,5662,5772,5912,601
32 34 35 37 38 40 41 43 44 45 46 47 49 50
68=$12
32 33 35 36 38 40 42 43 44 45 46 48 49 51
7$%2$2
RMSP
3,6063,6733,7423,8113,8823,9544,0274,0944,1534,2154,2774,3394,4174,478
Fonte: Elaborado pelo Autor a partir das estimativas de população do IBGE
3.A.3 Uma “Tipologia” para as Empresas
Conforme discutido na seção 4.4, para viabilizar a análise do lado da produção, dado
o grande número de empresas, criou-se uma tipologia para as empresas permitindo
seu agrupamento por tipo. Acompanhou-se individualmente apenas as empresas que i.
estavam entre as 30 maiores ou ii. estavam no mercado (de acordo com os nossos
dados) por mais de 10 anos. Assim, apenas 44 construtoras, 39 incorporadoras e 34
vendedoras foram acompanhadas individualmente sendo que as demais foram
divididas em grupos de acordo com características de produção.
Entre as empresas não selecionadas agruparam-se em primeiro lugar as que
produziram apenas cooperativas. Cooperativas são grupos que se associam para
contratar uma construção sem a presença de uma incorporadora convencional. Sendo
assim, é objeto de legislação específica. Basicamente, cria-se uma nova empresa
apenas para este propósito. Em tese é uma forma de diluir o lucro do incorporador
entre os condôminos, mas na prática muitas vezes o preço final pago acaba sendo
maior. Muitas vezes a vendedora é a própria incorporadora ou uma outra empresa
criada especialmente para este fim86. Como as cooperativas são criadas para apenas
86
Das 58 vendedoras que participaram do lançamento de cooperativas, 34 lançaram apenas este tipo de
imóvel. Já no caso das construtoras, das 76 empresas contratadas pelo menos uma vez para construção
de cooperativas, 32 se dedicaram exclusivamente a este tipo de empreendimento.
A Base de Dados
139
uma incorporação, elas distorcem um pouco a “vida média”87 das empresas da
amostra.
O segundo grupo inclui as empresas que produziram apenas condomínios horizontais,
pois se acredita que as margens neste tipo de empreendimento podem ser diferentes
das margens em outros tipos. As demais empresas foram divididas levando-se em
conta 3 critérios: anos no mercado, preço e produção. Assim, criaram-se 3 grupos de
imóveis de “luxo” (41000, 42000 e 51000)88 e outros 3 de imóveis “populares”
(44100, 44200 e 53000). Para os grupos “médios” em termos de preço, criaram-se
grupos em função dos anos de atividade, e/ou da quantidade. Todas estas divisões
acabaram gerando 24 tipos diferentes de empresas. Este procedimento viabiliza a
análise da oferta no mercado de imóveis, como veremos no próximo capítulo.
O Diagrama 3.A.2 detalha as divisões realizadas. As divisões seguem em parte as
opiniões de participantes do mercado com relação a tamanho ou “vida média” das
empresas. Muitas empresas de menos de 2 anos foram criadas para empreendimentos
específicos ou independentes. Outras refletem o movimento de entrada e saída de
empresas, normal em qualquer ramo de negócio, que é mais acentuado no ramo de
incorporação de imóveis. São, em geral, empresas voláteis. Dentro deste tipo pode-se
destacar dois grupos de imóveis de “luxo” onde predominam imóveis de alto preço
unitário e metro quadrado acima da média (41000) e outro com alto preço por metro
quadrado, mas preço unitário médio ou baixo 89 (42000).
87
O termo “Vida Média” refere-se ao número de anos que a empresa aparece na amostra. Não se
controla para o fato da empresa aparecer em dois anos não consecutivos.
88
Para entender a numeração, acompanhe a numeração no Diagrama 2.A.2: a primeira divisão
corresponde ao décimo de milhar, a segunda divisão ao milhar, a terceira à centena e a quarta à dezena.
A unidade é sempre zero. Manteve-se a codificação na ordem de dezenas de milhares para que as
empresas selecionadas pudessem ser identificadas pelo seu campo de identificação original que é da
ordem de milhar.
89
Foram consideradas empresas com alto custo unitário aquelas que o preço médio dos imóveis
lançados era maior do que a média (R$300 mil) mais um desvio padrão (R$200 mil). O mesmo critério
foi utilizado para o preço por metro quadrado considerado alto quando a média da empresa estava
A Base de Dados
140
Praticamente não se verificaram empresas com menos de dois anos de mercado, baixo
preço por metro quadrado e preço unitário médio ou alto. Assim, o grupo de empresas
com menos de dois anos, baixo preço unitário e metro quadrado abaixo da média90
(44000) foi dividido por tamanho da empresa91. Empresas voláteis com uma produção
acima de 200 unidades, baixo preço que não produziram usando o sistema de
cooperativas (44100) interessam especialmente, pois são candidatas a preencher o
vácuo do poder público na área de habitação.
As demais empresas voláteis, ou seja, aquelas em que os preços médios unitário e por
metro quadrado estava em torno da média global, foram também separadas por
quantidade. O primeiro grupo reúne basicamente grupos de ocasião, formados apenas
para um empreendimento específico92. Os outros dois grupos intermediários (50 a 100
e 100 a 200 unidades) são um pouco misturados. Provavelmente eles reúnem o maior
número de casos de saída do mercado por falência93 mas também apresenta casos de
grupos de ocasião para empreendimentos maiores. Estes grupos também estão
presentes entre as empresas maiores junto com as empresas que de fato pretendiam se
estabelecer no mercado, mas que acabaram não resistindo.
acima de R$3,9 mil (R$2,6 mil de média mais R$1,3 mil de desvio). Adicionalmente controlou-se para
o preço mínimo que deveria estar acima da média.
90
Usando critério análogo ao anterior, são as empresas com preço unitário médio menor que R$100
mil, máximo abaixo de R$300 mil e preço por metro quadrado médio abaixo de R$2,6 mil.
91
Nesta tipologia, a referência de tamanho é função apenas do total de unidades. Uma outra medida, a
soma do número de unidades vendida vezes o preço unitário, distorceria os dados a favor das empresas
com alto valor unitário ou por metro quadrado. Uma terceira medida seria o total de metros quadrados
construídos, provavelmente uma medida melhor para a produção das construtoras, ainda que para uma
vendedora e talvez até para a incorporadora, não seja. Optou-se pelo número de unidades porque esta é
a unidade utilizada na análise (a única comparável com o número de domicílios). De qualquer maneira,
estas duas outras medidas foram discutidas na seção 4.3 e praticamente não alteram os grupos ainda
que alterem o “ranking”.
92
Segundo alguns corretores com os quais conversei, uma empresa que tenha pretensão de ficar no
mercado, mas que não consiga se manter em geral tenta produzir pelo menos 200 unidades antes de
desistir. É claro que existem casos em que a falência ocorre antes de completar tal volume.
93
Mais uma vez, conversas com corretores que citavam aleatoriamente empresas falimentares. Os
nomes que eu pude encontrar concentravam-se nestes dois grupos. É claro que esta abordagem não é
nada sistemática, mas é no mínimo ilustradora.
A Base de Dados
141
Entre as empresas mais estáveis, que permaneceram entre 3 e 10 anos no mercado,
também foi possível separar um grupo especializado em imóveis de “luxo” e outro em
imóveis “populares”. Ao contrário das empresas voláteis, não foi possível abrir estes
dois grupos. Na verdade, nota-se menos empresas claramente especializadas (em
termos de preço) no grupo das empresas mais estáveis. Por outro lado, as empresas
mais estáveis com alto preço unitário e por metro quadrado94 estão entre as maiores
em termos de “faturamento”95. Foi possível separar apenas 13 empresas com baixo
preço unitário e por metro quadrado96 entre as mais estáveis comparadas com 57
empresas especializadas em imóveis de luxo97. Quer dizer, as firmas mais
estabelecidas raramente se especializam em imóveis populares.
As demais empresas, que permaneceram no mercado entre 3 e 10 anos com preço
unitário e por metro quadrado em torno da média, foram divididas pelo número de
anos e em seguida pela quantidade: alta, média e baixa98. É claro que cada faixa de
“vida média” tem um ponto de corte diferente. O critério de corte foi definido
observando-se os próprios grupos e não a partir de opiniões de participantes do
mercado, ainda que exista uma crença de que uma empresa grande é aquela que
produziu mais de 1000 unidades. Ainda que haja uma certa arbitrariedade nestas
últimas subdivisões, elas permitem que a análise seja feita sem trabalhar com grupos
muito grandes em termos do total de unidades produzidas.
94
Neste caso não se controlou para o preço mínimo pois algumas empresas seriam retiradas do grupo
injustamente. Isto porque empresas com muitos anos de mercado, mesmo que sejam especializadas em
imóveis de luxo, podem se envolver na produção de um ou mais empreendimentos de preço unitário
mais baixo. Sendo assim, os critérios para ser incluído neste grupo foram preço unitário médio acima
de R$500 mil e preço por metro quadrado médio acima de R$3,9 mil.
95
De agora em diante o termo “faturamento” será utilizado para se referir à soma do número de
unidades vendida vezes o preço unitário.
96
Preço unitário médio abaixo de R$100 mil e preço por metro quadrado médio abaixo de R$2,6 mil.
97
Some-se a isto o fato do critério para as empresas especializadas em imóveis de “luxo” ser mais
restritivo do que o critério para os imóveis “populares” no que se refere ao preço por metro quadrado.
98
Com exceção do último grupo, das empresas que permaneceram no mercado entre 9 e 10 anos, onde
não foi possível criar o grupo intermediário.
A Base de Dados
142
O diagrama abaixo ilustra como foi realizada a subdivisão. Conforme procurei
demonstrar, esta “tipologia” levou em conta, tanto quanto possível, as características
de mercado. As Tabelas a seguir apresentam dados genéricos para as empresas
selecionadas e para os grupos. É importante destacar a existência de um certo
equilíbrio entre os grupos e as empresas selecionadas. Este também foi um critério, de
certa maneira “extra mercado”, que orientou as divisões.
A Base de Dados
143
Diagrama 3.A.2: “Tipologia” para os Agentes do Mercado
1.Top 30 ou mais de 10 anos
2.Cooperativas
3.Condomínios Horizontais
1.Alto preço unitário
1.Menos de 50 unidades
2.Alto preço/m2
2.De 50 a 100 unidades
4.Menos
de 2 anos
3.Outras
3.De 100 a 200 unidades
4.Mais de 200 unidades
1.Mais de 200 unidades
4.Baixo preço unitário
2.Menos de 200 unidades
1.Alto preço unitário
1.Menos de 200 unidades
1.De 3 a 4 anos
2.De 200 a 500 unidades
3.Mais de 500 unidades
1.Menos de 200 unidades
2.De 5 a 6 anos
5.Entre 2 e
10 anos
2.De 200 a 500 unidades
3.Mais de 500 unidades
2.Outras
1.Menos de 300 unidades
3.De 7 a 8 anos
2.De 300 a 600 unidades
3.Mais de 600 unidades
1.Menos de 1000 unidades
4.De 9 a 10 anos
3.Baixo preço unitário
2.Mais de 1000 unidades
A Base de Dados
144
Tabela 3.A.8: Variáveis de Produção para as Construtoras Selecionadas
1RPH GD (PSUHVD
$%5$+$0 ( *$=21,
$'02
$.$,6+,
$5*21
%2*+26,$1 &,
&*1
&203$1<
&216758$5&
&216758%,*
&267$ +,527$
&<5(/
'$1,(/ +25126
',$/2*2
',12 9,77,
'2:17(&
('(/
(1&2/
*$),6$
*+*
*2'Ï,
*2/')$5% (&
,13$5
,32$
-76
.587
620$
/2786
0$67(5
0$9,(
0(72'2
3(5(,5$
52'5,*8(6 '$ 6,/9$
5266,
6$+<81
6&+$+,1
6(5*86
6(7,1
64*
678+/%(5*(5
7(&1,6$
7(5(3,16 .$/,/,
7255(6 0$57,16
75,&85<
=.)
$QRV
LQGB
KRU
LQGB 7RWB8QLG /DQF
FRRS
DUHDBWRWDO )DWXUD 5 7HUUHQR
P
PLOK}HV
P
Para definição das variáveis vide Tabela 2.A.6
Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp
A Base de Dados
145
Tabela 3.A.9: Variáveis de Preço e Prazos para as Construtoras Selecionadas
1RPH
3UD]R GH
HQWUHJD
$%5$+$0 ( *$=21,
$'02
$.$,6+,
$5*21
%2*+26,$1 &,
&*1
&203$1<
&216758$5&
&216758%,*
&267$ +,527$
&<5(/
'$1,(/ +25126
',$/2*2
',12 9,77,
'2:17(&
('(/
(1&2/
*$),6$
*+*
*2'Ï,
*2/')$5% (&
,13$5
,32$
-76
.587
620$
/2786
0$67(5
0$9,(
0(72'2
3(5(,5$
52'5,*8(6 '$ 6,/9$
5266,
6$+<81
6&+$+,1
6(5*86
6(7,1
64*
678+/%(5*(5
7(&1,6$
7(5(3,16 .$/,/,
7255(6 0$57,16
75,&85<
=.)
3UHoR 8QLWiULR
3UHoR SRU P
0pGLR
0tQLPR
0i[LPR
0pGLR 0tQLPR 0i[LPR
Para definição das variáveis vide Tabela 2.A.6
Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp
A Base de Dados
146
Tabela 3.A.10: Variáveis de Produção para os Grupos de Construtoras
*UXSR
1R (P $QRV LQGB
SUHVDV
KRU
LQGB 7RWB8QLG /DQF
FRRS
DUHDBWRWDO )DWXUD 5
P
PLOK}HV
7HUUHQR
P
20000
30 1.0 12% 100% 13,534
33 1,162,391
865.51
967,869
30000
30 1.1 100%
0%
1,233
39
183,262
200.12
198,194
41000
80 1.3
1%
0%
2,415
123 1,027,204 2,138.75
270,787
42000
41 1.3
0%
0%
4,056
64
519,902 1,262.75
109,579
43100
265 1.1
1%
0%
7,408
311 1,434,619 1,716.99
358,849
43200
148 1.4
1%
0% 10,415
229 1,629,239 2,147.16
383,570
43300
94 1.7
2%
0% 12,669
212 1,888,293 2,387.09
651,912
43400
46 1.7
3%
3% 16,044
138 2,062,146 2,446.38
580,571
44100
34 1.4
1%
13% 13,591
68 1,226,607 1,020.51
788,656
44200
112 1.2
0%
0%
7,731
139
747,560
615.51
296,996
51000
57 5.1
1%
0% 15,420
454 4,010,196 7,753.77
868,005
52110
60 3.3
3%
1%
7,277
215 1,269,247 1,615.16
357,462
52120
51 3.5
6%
2% 15,447
248 2,088,949 2,563.81
627,960
52130
21 3.6
0%
2% 14,959
118 1,835,742 2,452.23
519,680
52210
22 5.5
2%
0%
4,756
149
902,944 1,177.43
217,105
52220
31 5.3
3%
0% 12,554
239 1,873,368 2,557.85
423,215
52230
13 5.4
1%
1% 14,216
123 1,827,901 2,122.28
605,571
52310
13 7.2
0%
0%
4,817
113
709,995 1,033.26
168,615
52320
20 7.2
1%
2% 15,459
234 2,175,257 3,000.50
644,330
52330
12 7.4
5%
5% 16,933
174 2,074,941 2,599.11
705,426
52410
15 9.2
2%
0% 10,062
207 1,560,062 2,189.18
347,318
52420
13 9.5
0%
1% 18,479
257 2,472,189 3,375.46
525,618
53000
13 4.2
6%
7%
7,421
85
716,555
590.05
361,694
Para definição das variáveis vide Tabela 2.A.6. Para definição dos grupos vide Diagrama 2.A.2.
Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp
A Base de Dados
147
Tabela 3.A.11: Variáveis de Preço e Prazos para os Grupos de Construtoras
*UXSR
3UD]R GH
HQWUHJD
3UHoR 8QLWiULR
0pGLR
0tQLPR
0i[LPR
3UHoR SRU P
0pGLR 0tQLPR 0i[LPR
20000
21.8
64,161 36,386
95,234
1,091
743
2,040
30000
15.8 288,053 61,141 2,291,070
1,652
1,038
4,422
41000
19.8 975,288 305,367 2,730,017
4,142
2,071 10,246
42000
18.2 382,315 111,229 3,234,130
4,944
2,737 10,997
43100
17.9 251,158 61,459
976,246
2,229
694
5,416
43200
18.6 236,185 66,098 2,397,477
2,405
1,021
7,256
43300
20.9 207,888 46,241 1,865,989
2,367
771
5,492
43400
20.2 195,684 37,764
995,041
2,311
834
4,618
44100
22.4
76,736 34,626
155,281
1,385
840
2,798
44200
17.7
82,045 29,770
144,138
1,452
614
2,482
51000
21.9 795,097 57,079 8,406,311
3,826
718 18,747
52110
17.6 266,191 55,753 1,163,814
2,377
1,092
5,778
52120
22.9 214,661 52,818 1,251,935
2,394
960
6,709
52130
22.1 213,084 34,669 1,189,339
2,544
764
7,233
52210
22.6 287,381 67,194 1,488,515
2,448
623
5,577
52220
20.4 244,330 55,438 1,174,186
2,558
928
8,733
52230
24.7 183,762 59,132 1,112,188
2,229
933
7,138
52310
20.0 275,180 78,155 1,258,195
2,826
921
6,328
52320
20.6 265,536 56,953 1,772,378
2,738
962 10,594
52330
52410
20.9 276,295 79,034 2,423,395
2,637
824 10,101
52420
20.5 228,082 50,555 1,947,251
2,654
1,036
8,541
53000
17.1
87,071 46,381
164,369
1,483
679
2,697
Para definição das variáveis vide Tabela 2.A.6. Para definição dos grupos vide Diagrama 2.A.2.
Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp
A Base de Dados
148
Tabela 3.A.12: Variáveis de Produção para as Incorporadoras Selecionadas
1RPH GD (PSUHVD
ADMO
AKAISHI
ARGON
BRASCAN
CGN
COHAB SP
COMPANY
COOP CRUZ DO SUL
COOP NOSSO TETO
COOP PLANALTO
COOP POMPÉIA
COOP PRÓ RESID.
COOP PROCASA
COOP S. CRIST.
COOP TERRA PAUL.
COOP REAL SP
CYRELA
ENCOL
GAFISA
GOLDFARB
INCOSUL
INOCOOP BAND.
INOCOOP SP
INPAR
IPOA
LOTUS
M BIGUCCI
MARQUES GODÓI
MASTER
PLANO MELHOR
REITZFELD
REZENDE
ROSSI
SAHYUN
SCHAHIN CURY
SERGUS
SETIN
TECNISA
TRICURY
$QRV
11.0
11.0
5.0
11.0
9.0
3.0
11.0
3.0
3.0
1.0
1.0
2.0
2.0
1.0
3.0
2.0
14.0
9.0
13.0
12.0
11.0
5.0
2.0
7.0
7.0
11.0
11.0
13.0
8.0
3.0
12.0
12.0
13.0
4.0
11.0
8.0
12.0
14.0
12.0
LQGB
KRU
0%
7%
0%
0%
0%
0%
0%
0%
0%
20%
0%
13%
0%
0%
20%
0%
0%
0%
13%
0%
0%
0%
0%
4%
0%
0%
0%
0%
7%
1%
0%
0%
0%
0%
0%
0%
0%
0%
4%
LQGB 7RWB8QLG /DQF DUHDBWRWDO )DWXUD 5
FRRS
P
PLOK}HV
0%
0%
0%
0%
0%
0%
0%
100%
100%
100%
100%
100%
100%
100%
100%
100%
0%
0%
0%
0%
0%
100%
100%
0%
0%
0%
0%
0%
0%
0%
0%
0%
0%
0%
0%
0%
0%
0%
0%
7HUUHQR
P
1,918
24
259,065
366.51
54,848
861
15
105,285
133.62
20,895
1,856
7
219,857
270.56
85,347
1,817
18
310,779
563.41
47,942
3,994
39
452,547
675.47 129,131
3,480
17
209,593
324.96 134,510
2,272
31
406,868
495.55
81,831
2,164
4
207,645
158.46 152,550
8,380
10
589,877
510.02 416,184
2,049
4
177,851
117.61 110,275
2,135
5
245,044
134.01
92,495
2,638
11
244,281
171.83 147,444
2,347
6
247,423
180.52 124,065
2,811
1
438,741
169.96 258,000
3,286
10
280,265
199.19 263,900
3,660
3
241,360
176.51 184,856
6,424
56
991,601
1,773.41 194,048
7,357 105 1,429,762
2,385.85 297,135
9,341
82 1,858,919
2,734.13 742,336
6,074
75
759,547
1,031.05 325,632
1,976
24
244,083
289.45
57,960
4,739
7
339,326
338.78 210,454
3,134
6
256,272
211.04 191,893
4,993
36
594,968
925.92 114,579
1,876
14
117,982
151.81 104,698
1,288
24
215,958
372.11
35,604
1,236
19
139,528
148.00
49,172
2,422
25
337,830
405.30 105,535
2,202
23
332,427
353.68 156,417
5,296
66
665,956
703.86 166,650
1,596
23
149,049
213.04
32,241
919
15
115,877
139.56
23,261
9,879
61 1,153,851
1,168.23 367,912
2,427
5
265,877
230.78 111,809
3,047
20
291,642
420.12 118,325
2,783
19
326,892
405.66
90,987
1,111
26
209,808
326.98
36,415
1,495
30
256,800
405.48
39,685
1,121
24
167,685
238.93
31,353
Para definição das variáveis vide Tabela 2.A.6
Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp
A Base de Dados
149
Tabela 3.A.13: Variáveis de Preço e Prazos para as Incorporadoras Selecionadas
1RPH
ADMO
AKAISHI
ARGON
BRASCAN
CGN
COHAB SP
COMPANY
COOP CRUZ DO SUL
COOP NOSSO TETO
COOP PLANALTO
COOP POMPÉIA
COOP PRÓ RESID.
COOP PROCASA
COOP S. CRIST.
COOP TERRA PAUL.
COOP REAL SP
CYRELA
ENCOL
GAFISA
GOLDFARB
INCOSUL
INOCOOP BAND.
INOCOOP SP
INPAR
IPOA
LOTUS
M BIGUCCI
MARQUES GODÓI
MASTER
PLANO MELHOR
REITZFELD
REZENDE
ROSSI
SAHYUN
SCHAHIN CURY
SERGUS
SETIN
TECNISA
TRICURY
3UD]R GH
HQWUHJD
16.6
14.7
25.7
24.4
28.9
4.7
28.3
28.8
32.7
15.2
9.5
21.7
27.8
12.0
23.3
28.0
28.2
32.2
24.5
23.9
28.5
25.5
17.1
31.5
15.6
28.8
20.5
8.7
24.5
32.2
20.0
20.1
25.4
32.8
24.8
20.5
8.8
23.3
23.8
3UHoR 8QLWiULR
0pGLR
0tQLPR
0i[LPR
204,387
167,323
193,094
333,769
189,511
93,529
450,547
68,728
60,250
55,203
64,932
64,745
76,792
60,463
62,293
49,786
528,356
377,013
360,056
296,658
152,887
79,714
69,681
258,932
103,895
368,507
145,297
171,164
205,135
158,413
148,409
173,328
171,089
157,531
191,369
131,549
389,263
421,777
299,567
3UHoR SRU P
0pGLR 0tQLPR 0i[LPR
112,646
438,995
2,627
1,521
4,621
63,474
312,981
2,461
1,228
3,683
92,337
589,244
2,295
1,757
4,577
121,653
781,162
3,195
1,828
4,739
72,739
416,928
3,029
1,455
4,358
57,127
103,123
1,936
1,154
2,196
95,691 2,327,629
2,747
1,348
5,060
46,495
86,700
1,051
912
1,213
48,650
67,600
966
885
1,051
37,116
63,899
994
848
1,261
53,673
76,658
1,003
844
1,209
36,386
109,026
989
736
1,454
69,937
89,176
1,121
993
1,311
60,463
60,463
1,088
1,088
1,088
40,858
83,445
1,137
815
1,325
45,177
52,913
961
835
1,022
64,298 4,569,943
3,411
1,142 10,044
98,894 1,455,917
3,200
1,609 10,286
105,170 1,583,579
3,867
974 11,973
63,260 1,200,469
2,691
959
6,320
95,301
340,418
2,270
1,489
3,745
50,241
107,055
1,550
948
2,040
63,584
84,678
1,313
1,098
1,690
83,801 1,199,415
3,268
1,670
6,726
59,298
234,120
1,852
1,455
2,722
111,248 1,375,234
3,444
1,805
7,078
65,646
443,721
1,943
1,394
2,773
80,096
366,596
2,161
1,246
4,142
73,871 1,075,632
2,128
1,367
3,982
45,816
616,153
2,089
1,207
3,359
59,863
296,102
2,704
1,403
4,756
93,161
470,672
2,491
1,599
4,950
46,416 1,405,495
2,084
957
7,312
49,064
319,431
2,336
822
4,413
77,062
502,618
2,987
1,493
6,282
79,775
219,186
2,087
1,424
3,698
104,693 1,632,427
3,007
1,567
4,738
109,707 1,978,020
2,984
2,047
4,427
79,415
854,314
2,608
1,471
3,892
Para definição das variáveis vide Tabela 2.A.6
Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp
A Base de Dados
150
Tabela 3.A.14: Variáveis de Produção para os Grupos de Incorporadoras
*UXSR
1R (P $QRV LQGB
SUHVDV
KRU
LQGB 7RWB8QLG /DQF
FRRS
DUHDBWRWDO )DWXUD 5
P
PLOK}HV
7HUUHQR
P
20000
54 1.2
7% 100% 27,622
75 2,363,631 1,791.85 1,683,770
30000
34 1.1 100%
0%
1,335
39
235,607
263.90
228,526
41000
154 1.2
1%
0%
4,376
217 1,790,753 3,813.54
421,290
42000
62 1.1
0%
0%
5,111
79
587,532 1,354.14
128,209
43100
381 1.1
1%
0% 10,844
429 2,089,895 2,538.78
546,691
43200
228 1.3
2%
0% 16,206
340 2,591,016 3,351.15
738,494
43300
123 1.5
1%
0% 16,781
236 2,355,033 2,904.99
604,759
43400
57 1.6
3%
0% 20,196
171 2,638,932 3,409.60
762,460
44100
33 1.3
1%
0% 12,953
57 1,272,819
961.64
749,916
44200
147 1.1
0%
0%
9,697
169
901,464
763.28
325,490
51000
57 5.0
2%
0% 16,556
437 4,165,979 7,931.59
949,677
52110
72 3.2
3%
0%
9,217
261 1,543,104 1,943.00
390,260
52120
60 3.4
2%
0% 17,386
276 2,327,949 3,103.82
610,868
52130
16 3.6
0%
0% 12,111
92 1,479,976 1,679.75
315,538
52210
23 5.3
5%
0%
4,997
156
941,654 1,222.93
222,982
52220
25 5.4
1%
0% 10,644
186 1,512,891 2,117.64
349,775
52230
22 5.6
6%
0% 19,280
191 2,557,031 3,153.55
807,047
52310
11 7.2
4%
0%
4,024
100
687,101 1,011.08
164,454
52320
16 7.5
0%
0% 11,828
200 1,679,191 2,351.64
391,246
52330
9 7.4
1%
0% 10,853
126 1,346,320 1,852.88
298,184
52410
19 9.3
1%
0% 12,718
258 2,027,569 3,008.45
392,274
52420
7 9.6
2%
0%
9,277
132 1,243,429 1,813.29
299,724
53000
11 4.0
0%
0%
5,259
79
512,652
413.76
239,735
Para definição das variáveis vide Tabela 2.A.6. Para definição dos grupos vide Diagrama 2.A.2.
Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp
A Base de Dados
151
Tabela 3.A.15: Variáveis de Preço e Prazos para os Grupos de Incorporadoras
*UXSR
3UD]R GH
HQWUHJD
3UHoR 8QLWiULR
0pGLR
0tQLPR
0i[LPR
3UHoR SRU P
0pGLR 0tQLPR 0i[LPR
20000
20.2
66,489 36,531
173,065
1,121
763
1,749
30000
17.2 364,576 61,141 2,291,070
1,768
1,100
4,422
41000
21.1 1,004,701 305,367 8,406,311
4,185
1,774 12,860
42000
19.6 295,720 104,560 1,869,386
4,765
2,737
6,796
43100
19.2 257,209 61,459 1,327,425
2,309
694
5,416
43200
20.5 226,616 56,527 1,576,425
2,403
940
9,913
43300
21.4 188,164 62,685 1,170,853
2,310
1,086
4,581
43400
21.1 200,576 34,669 6,188,975
2,336
764 10,315
44100
22.9
76,270 34,626
181,021
1,381
834
2,219
44200
17.5
81,088 29,770
144,138
1,471
614
2,504
51000
23.0 736,359 79,034 5,249,117
3,697
718 18,747
52110
19.1 258,776 63,708 1,139,154
2,386
1,305
5,997
52120
22.9 224,889 56,449 1,385,499
2,637
1,045 10,997
52130
22.0 163,677 65,695
936,341
2,233
1,130
5,941
52210
21.4 282,043 67,194 1,488,515
2,410
623
6,140
52220
20.2 227,010 67,224
985,770
2,620
921
5,756
52230
23.7 203,506 55,650 1,552,098
2,404
1,027
9,609
52310
20.8 298,357 82,663 1,258,195
2,951
824
6,328
52320
21.6 265,466 65,035 1,317,811
2,676
1,123
8,638
52330
18.3 196,329 50,555 1,315,866
2,676
1,036
5,721
52410
20.6 279,911 74,114 1,236,395
2,791
1,276 12,587
52420
24.6 263,065 47,072 2,923,433
2,803
1,044 10,800
53000
21.1
83,826 49,184
185,575
1,428
679
2,697
Para definição das variáveis vide Tabela 2.A.6. Para definição dos grupos vide Diagrama 2.A.2.
Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp
A Base de Dados
152
Tabela 3.A.16: Variáveis de Produção para as Vendedoras Selecionadas
1RPH GD (PSUHVD
ABYARA
ACAO
APARECIDO VIANA
COELHO DA FONS.
COHAB SP
COOP NOSSO TETO
COOP PRÓ RESID.
COOP S. CRIST.
COOP REAL SP
ENCOL
EXCLUSIVA
FERNANDEZ MERA
GDL
GEVIM
GTV
HABITERRA
IMOWEL
INOCOOP BAND.
INOCOOP SP
ITAPLAN
ITAPUÃ
JCS
JULIO BOGORICIN
LOCAL
LOPES
M BIGUCCI
MARCO BARONI
NOSSACASA
ROQUE & SEABRA
SEABRA
SETIN
TRIUMPHO
UNITAS
VARELLA
$QRV
5.0
13.0
12.0
14.0
3.0
2.0
1.0
1.0
2.0
7.0
6.0
14.0
14.0
14.0
15.0
9.0
13.0
6.0
2.0
15.0
7.0
7.0
13.0
13.0
15.0
11.0
13.0
15.0
12.0
4.0
12.0
11.0
7.0
12.0
LQGB
KRU
5%
1%
0%
5%
0%
0%
0%
0%
0%
0%
4%
11%
5%
0%
0%
19%
5%
0%
0%
2%
0%
29%
1%
9%
2%
0%
0%
4%
0%
2%
0%
0%
0%
5%
LQGB 7RWB8QLG /DQF DUHDBWRWDO )DWXUD 5
FRRS
P
PLOK}HV
5%
0%
0%
1%
0%
100%
100%
100%
100%
0%
0%
0%
7%
2%
0%
25%
3%
100%
90%
1%
0%
68%
0%
0%
0%
0%
2%
0%
0%
12%
0%
6%
0%
19%
7HUUHQR
P
10,213
72 1,240,800
1,580.04 401,890
4,991 113 1,092,612
1,453.33 257,282
1,754
42
268,308
286.79
53,071
13,444 215 2,239,735
3,391.76 555,786
3,480
17
209,593
324.96 134,510
6,504
7
467,133
401.68 292,498
3,774
11
372,550
261.15 193,873
2,811
1
438,741
169.96 258,000
3,660
3
241,360
176.51 184,856
5,410
75 1,028,768
1,442.81 208,631
3,365
61
565,221
630.07 135,481
9,094 171 1,907,168
2,594.20 684,590
4,238
41
505,504
504.51 261,477
2,702
46
351,117
474.29
98,156
5,591
79
757,851
1,095.75 120,338
2,621
15
265,321
177.69 223,588
11,730 154 1,499,719
1,900.00 480,328
5,104
8
393,424
350.07 289,022
3,712
9
242,028
261.82 196,733
34,911 447 4,306,787
5,142.78 1,210,886
2,484
44
359,171
455.50 196,923
7,111
23
661,246
459.10 420,057
8,958 154 1,230,769
2,029.55 248,389
1,252
44
478,691
1,099.01 107,171
49,369 600 7,499,087 12,176.87 1,805,573
1,209
17
131,189
138.81
46,905
2,455
39
453,198
612.39 156,549
4,049
97
612,353
825.96 149,835
28,593 329 3,172,277
4,225.96 1,030,400
3,894
34
466,362
373.13 228,258
1,047
26
195,578
301.37
34,895
12,786 124 1,465,850
1,623.27 433,684
2,420
11
276,262
319.61
75,895
6,987
66
775,287
1,041.54 313,430
Para definição das variáveis vide Tabela 2.A.6
Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp
A Base de Dados
153
Tabela 3.A.17: Variáveis de Preço e Prazos para as Vendedoras Selecionadas
1RPH
ABYARA
ACAO
APARECIDO VIANA
COELHO DA FONS.
COHAB SP
COOP NOSSO TETO
COOP PRÓ RESID.
COOP S. CRIST.
COOP REAL SP
ENCOL
EXCLUSIVA
FERNANDEZ MERA
GDL
GEVIM
GTV
HABITERRA
IMOWEL
INOCOOP BAND.
INOCOOP SP
ITAPLAN
ITAPUÃ
JCS
JULIO BOGORICIN
LOCAL
LOPES
M BIGUCCI
MARCO BARONI
NOSSACASA
ROQUE & SEABRA
SEABRA
SETIN
TRIUMPHO
UNITAS
VARELLA
3UD]R GH
HQWUHJD
29.4
23.0
14.6
24.8
4.7
39.2
23.1
12.0
28.0
35.4
23.7
27.1
21.7
17.7
24.1
19.8
21.6
15.6
11.0
21.1
26.8
16.8
20.2
26.3
25.7
20.6
25.9
17.4
21.9
26.5
8.2
24.9
24.8
19.4
3UHoR 8QLWiULR
0pGLR
0tQLPR
0i[LPR
326,469
338,275
187,238
388,111
93,529
60,834
64,264
60,463
49,786
310,705
275,050
508,228
137,888
240,433
247,337
86,896
237,906
64,325
73,283
198,850
320,820
100,338
252,899
973,590
352,593
136,469
449,141
271,076
188,229
129,601
361,420
141,370
206,236
209,014
3UHoR SRU P
0pGLR 0tQLPR 0i[LPR
56,596 3,234,130
2,486
1,110
5,652
68,142 1,488,515
2,446
933
6,757
75,240
726,363
1,791
1,007
3,459
59,042 2,695,093
2,879
1,142
7,502
57,127
103,123
1,936
1,154
2,196
51,729
67,600
958
891
1,048
39,757
80,231
977
736
1,216
60,463
60,463
1,088
1,088
1,088
45,177
52,913
961
835
1,022
98,894 1,455,917
2,740
1,609 10,286
79,635 1,427,876
2,339
1,367
7,118
79,637 2,950,672
2,724
1,038 10,594
38,849
340,418
2,028
851
3,745
40,858 1,189,339
2,348
815
7,079
79,415 1,870,300
2,734
1,436
9,913
29,770
209,208
1,482
614
3,032
40,944 3,671,102
2,669
952 11,094
36,531
86,700
1,154
763
1,742
63,584
84,678
1,418
1,098
1,690
46,416 1,335,855
2,477
928
6,888
63,260
940,078
2,567
959
5,319
37,116
353,969
1,456
844
4,657
72,156 1,066,045
3,069
1,264
6,921
216,241 5,249,117
4,416
2,390 18,747
45,816 3,043,575
3,411
1,036 12,587
65,646
443,721
1,941
1,394
2,773
51,978 2,540,771
2,949
928
6,694
63,474 1,588,366
2,609
1,226
5,901
34,626 6,188,975
2,531
679 10,315
59,530
730,150
1,784
941
3,003
104,693
947,528
3,046
1,567
4,823
63,683
405,349
2,146
1,130
4,731
89,519
876,529
2,505
1,545
4,245
45,017 1,315,866
2,443
694
5,721
Para definição das variáveis vide Tabela 2.A.6
Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp
A Base de Dados
154
Tabela 3.A.18: Variáveis de Produção para os Grupos de Vendedoras
*UXSR
1R (P $QRV LQGB
SUHVDV
KRU
LQGB 7RWB8QLG /DQF
FRRS
DUHDBWRWDO )DWXUD 5
P
PLOK}HV
7HUUHQR
P
29 1.1 10% 100% 15,294
35 1,300,165
951.12
963,802
20000
13
1.2
100%
0%
778
28
128,818
132.14
227,952
30000
71 1.2
0%
0%
1,734
101
671,887 1,396.02
158,818
41000
18 1.2
0%
0%
1,304
27
181,970
423.88
37,962
42000
159
1.1
0%
0%
4,331
179
963,802
1,176.49
241,892
43100
80 1.3
1%
0%
5,600
120
943,141 1,258.33
211,272
43200
54 1.5
1%
0%
7,429
107 1,149,348 1,402.80
273,346
43300
28
1.5
1%
4%
10,041
110
1,413,403
1,706.96
436,090
43400
13 1.5
1%
5%
5,937
29
532,871
441.50
301,773
44100
49 1.1
0%
1%
3,744
54
335,153
281.75
122,497
44200
27
4.9
1%
0%
9,125
275
2,616,300
5,082.20
554,733
51000
36 3.3
1%
0%
4,590
150
831,770 1,067.24
190,283
52110
21 3.2
2%
1%
6,324
111
888,553 1,124.20
210,278
52120
14 3.6
2%
3% 12,514
144 1,685,342 1,954.78
434,110
52130
9
5.1
3%
0%
1,912
61
345,433
449.09
76,406
52210
7 5.4
5%
0%
3,286
61
417,530
573.49
123,390
52220
6 5.2
3%
0%
7,476
113
887,624 1,141.61
295,892
52230
4
7.5
2%
0%
1,583
39
284,314
406.00
58,943
52310
3 7.7
8%
0%
2,264
47
361,560
508.94
154,111
52320
3 7.3 13%
0%
4,975
54
674,380
743.70
333,940
52330
3
9.0
0%
0%
1,607
38
240,832
395.67
57,062
52410
6 9.3
2%
1%
9,112
145 1,208,712 1,492.43
313,610
52420
5 5.0
0%
23%
4,992
73
475,679
365.05
262,623
53000
Para definição das variáveis vide Tabela 2.A.6. Para definição dos grupos vide Diagrama 2.A.2.
Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp
A Base de Dados
155
Tabela 3.A.19: Variáveis de Preço e Prazos para os Grupos de Vendedoras
*UXSR
3UD]R GH
HQWUHJD
3UHoR 8QLWiULR
0pGLR
0tQLPR
0i[LPR
3UHoR SRU P
0pGLR 0tQLPR 0i[LPR
21.9
63,439 42,648
88,990
1,065
803
1,448
20000
17.7 261,965 39,684 1,254,365
1,531
1,041
2,696
30000
19.2 1,006,222 313,629 3,867,920
4,204
2,037
8,954
41000
17.4
431,999
144,642
2,730,017
4,631
2,876
6,740
42000
20.0 301,168 78,945 2,327,629
2,265
934
3,877
43100
18.0 243,557 56,527 1,424,338
2,364
940
6,744
43200
20.2
214,635
71,611
1,717,236
2,204
1,058
5,685
43300
20.6 201,824 37,764 1,772,378
2,221
834
5,328
43400
20.4
75,164 36,386
115,870
1,333
743
2,256
44100
18.2
77,716
34,669
117,510
1,420
626
2,724
44200
21.5 791,299 93,088 8,406,311
3,872
1,235 12,860
51000
16.9 278,890 55,448 1,147,800
2,354
718
5,997
52110
17.7
229,778
53,827
817,152
2,436
1,015
5,222
52120
21.5 198,185 52,721 1,200,216
2,260
915
7,346
52130
23.5 236,159 87,313 1,574,288
2,124
846
4,771
52210
16.4
224,766
62,078
1,148,674
2,693
623
12,896
52220
19.7 209,842 45,784
976,246
2,485
824
7,312
52230
20.0 265,842 60,387 1,145,413
2,578
1,123
6,328
52310
20.8 296,967 70,799 1,323,917
2,534
1,111
5,577
52320
19.7 194,641 50,591
898,615
2,266
974
4,524
52330
18.2 317,251 107,179 1,777,804
3,272
1,762 10,101
52410
14.7 190,080 53,028
862,877
2,422
1,143
5,057
52420
18.0
83,104
39,607
185,575
1,307
803
2,258
53000
Para definição das variáveis vide Tabela 2.A.6. Para definição dos grupos vide Diagrama 2.A.2.
Fonte: Elaborado pelo Autor a partir do Informativo Imobiliário Embraesp
3.A.4 Índice de Preços e de Custos
Para se obter as variáveis reais utilizou-se o IGP-di do IBRE. Conforme descrito
brevemente na seção 4.4 foram realizados ajustes para poder usar estes indicadores.
Em primeiro lugar, como existem quatro bases para o IGP-di: março de 86, dezembro
de 89, dezembro de 92 e agosto de 94, os índices foram ajustados de tal forma que
todos os índices estivessem na mesma base: agosto de 94. A conversão é feita
simplesmente tomando-se o índice na base anterior na data da nova base. Por
exemplo, para se converter um índice na data t com base em dezembro de 1992 para
um índice nesta mesma data, mas com base em agosto de 1994, basta realizar o
seguinte cálculo:
[
t
ago 94
I ago
94 = 100 I dez 92
]
−1 t
dez 92
I
(3.A.1)
A Base de Dados
156
Onde I bt é o índice na base b na data t. A formulação em (3.A.1) é trivial, derivada a
partir de uma regra de 3. Para passarmos da base dezembro de 89 para a base agosto
de 94, no entanto, é necessário primeiro passar para a base dezembro de 92 e depois
para a base agosto de 94. Isto porque, como seria de se esperar, não temos o índice de
dezembro de 89 na base agosto de 94. Analogamente, para converter índices na base
março de 86 seriam necessárias três conversões. Definindo a base b como uma
variável discreta tal que se a base é março de 86 b=1, se é dezembro de 89 b=2 e
assim por diante, a conversão de índices pode ser generalizada por:
I = 10
t
J
2( J − b )
−1
∏ (I )
J
j +1
j
Ibt
(3.A.2)
j =b
Onde J é igual ao total de bases existentes na amostra (quatro, no nosso caso). Note-se
que (3.A.2) vale inclusive para o caso em que o índice já está na base que se deseja
pois neste caso J=b e, portanto, I Jt = I bt . Como uma medida de custos de produção,
foi utilizado o Índice de Custo da Construção – Municípios da Capital: São Paulo
(ICC-SP), também do IBRE. O ICC leva em consideração os seguintes padrões de
construção habitacional (por serem mais representativos a nível nacional):
•
H1: Casa de 1 pavimento com sala, 3 quartos e demais dependências medindo
em média 82 m2.
•
H4: Edifício habitacional de 4 pavimentos, constituído por unidades
autônomas de sala, 2 quartos e dependências com área total média de 1.503
m2.
•
H12: Edifício habitacional de mais de 10 pavimentos, composto de
apartamentos de sala, 3 quartos e dependências com área total média de 6.015
m2.
A Base de Dados
157
Os mesmos critérios para conversão de bases valem para o ICC. As bases do ICC são
as mesmas que do IGP-di com uma única diferença: para janeiro e fevereiro de 1986 a
base é dezembro de 1995. Então, para converter estes dois meses é necessário um
termo extra, ou seja, J=5 em (3.A.2). As bases para conversão estão detalhadas na
Tabela 3.A.20: Como o ICC não era publicado desagregado por município antes de
1986, quando ele passou por uma importante reformulação, os dados para 1985 foram
estimados através do Índice de Preço das Edificações para o município de São Paulo.
Uma alternativa seria usar o INCC, ou seja, o índice nacional. Ocorre que, como se
pretendia captar justamente os preços locais e a reformulação do índice em 86 foi
profunda o suficiente99 para tornar as bases não diretamente comparáveis optou-se
pelo único índice local disponível para o período. Assim, os índices de 1985 refletem
a variação do preço das edificações no ano de tal sorte que dezembro de 1985=100.
Tabela 3.A.20: Índices para Conversão de Bases do IGP-di e ICC-SP
Data
Base
Mar-86
Dez-89
Dez-92
Aug-94
Dec-85
Mar-86
Dez-89
Dez-92
IGP_di
ICC-SP
ICC-SP
ICC-SP
Total
materiais mão-de-obra
137.80
142.00
132.60
127,589.12 168,297.66 185,803.01 143,890.67
115,062.71
82,907.12
77,170.55
93,235.37
31,241.11
28,077.76
25,178.35
32,397.33
Fonte: Conjuntura Econômica: Diversos Números.
Um outro ajuste que deve que ser feito refere-se às mudanças monetárias decorrentes
dos planos de ajuste econômico. Em alguns desses planos houve mudança na moeda.
Portanto deve-se ajustar os preços, multiplicando-os por um fator que garanta que
todos os preços estejam na mesma unidade monetária. A Tabela 3.A.21 apresenta os
planos econômicos com mudança da moeda e o inverso do mutiplicador dos preços
para garantir a equivalência de moedas.
Tabela 3.A.21: Reformas Monetárias (1985-1999) e Multiplicador de Preços
Nominais
99
Nesta data se passou de 8 para 16 municípios pesquisados, mudando o critério de distribuição
regional a partir das licenças de “habite-se” e o critério de ponderação (baseado no Boletim de Custos).
A este respeito vide Conjuntura Econômica, fevereiro, 86.
A Base de Dados
158
Data inicial/ Data Final
Plano
Equivalência
Inverso do
Data Plano
Econômico
Multiplicador
12
Janeiro 85 Fevereiro 86
2.75.10
9
Março 86 Dezembro 89 Plano Cruzado 1 Cruzado=1.000 Cruzeiros
2.75.10
6
Janeiro 89 Fevereiro 90 Plano Verão
1 Cruzado Novo=1.000 Cruzados
2.75.10
6
Março 90 Junho 93
Plano Collor
1 Cruzeiro = 1 Cruzado Novo
2.75.10
3
Julho 93
Junho 94
Programa de 1 Cruzeiro = 1.000 Cruzeiros
2.75.10
Ação Imediata Novos
Julho 94
Julho 99
Plano Real
1 Real = 2.750 Cruzeiros Novos
1
Fontes: Paes de Barro, R. e Mendonça, R. (1995) e Conjuntura Econômica: Setembro 93 e Agosto
94.
Um detalhe conhecido, mas que deve sempre ser destacado é o fato de que a “data de
referência” para o Censo de 1991 é 31 de agosto. Sendo assim, para corrigir os
valores do censo de 91 deve-se centrar o índice de preços no final do mês de agosto.
Conforme discutido acima, o IGP-di é centrado na metade do mês já que o período de
coleta vai do primeiro ao último dia. Assim, a correção dos valores censitários foi
realizada dividindo-os pela média geométrica dos meses de agosto e setembro de
1991 (e pelo ajuste de moeda conforme descrito na Tabela 3.A.21) e multiplicando-se
o resultado pelo IGP-di de dezembro de 2000.
Cabe ainda uma última nota sobre os “índices reais” e a taxa de “juros real”
mencionados neste capítulo. Como se comentou, as variáveis reais foram todas
deflacionadas pelo IGP-di. Como o ICC-SP e o IGP-di foram convertidos para a
mesma base, o índice real é simplesmente a divisão do ICC-SP pelo IGP-di, No caso
dos juros reais, no entanto, deve-se descontar a variação do IGP-di na taxa de juros
média do mês. Assim, usando a notação anterior, os juros reais podem ser definidos
como:

It 
ir = (1 + in ) t b+1  − 1
Ib 

Onde ir é a taxa de juros real e in a taxa de juros nominal.
(3.A.3)
Capítulo 4
Demanda e Oferta de Imóveis Novos na Grande São Paulo
Nesta parte do trabalho, aplica-se o modelo teórico descrito no segundo capítulo ao banco
de dados apresentado no capítulo anterior a fim de gerar um modelo de oferta e demanda
para o mercado de imóveis da RMSP. Além das dificuldades encontradas tanto do ponto
de vista teórico quanto da disponibilidade de dados, ainda há uma série de aproximações
necessárias para se chegar à estimação. Em primeiro lugar, o preço relevante no modelo
do capítulo 3 é a renda extraída do imóvel ou da terra, porém na nossa base de dados
deste trabalho, tem-se apenas o preço de compra do imóvel. Além disso, considerou-se
que um imóvel é um bem homogêneo, o que é obviamente falso no caso dos imóveis.
Também a hipótese de equilíbrio competitivo é alterada para um oligopólio em equilíbrio
de Nash.
4.1 Renda e Preço: O Imóvel como Ativo Financeiro
Muitas vezes, nos estudos econômicos do mercado imobiliário, define-se oferta do bem
“habitação” como o fluxo de serviços oferecidos pelo estoque de imóveis. Este conceito
vem da formulação do setor de imóveis como mais um ativo do mercado de capitais.100 O
artigo de Poterba (1984) é provavelmente um marco neste tipo de abordagem para o
mercado de imóveis. Segundo os estudos desse autor, o aumento da inflação nos anos 70
reduziu os custos para os proprietários de imóvel, sendo responsável por pelo menos 30%
do aumento real no preço dos imóveis na década. Nos Estados Unidos a inflação gera um
ganho para o proprietário porque, enquanto o pagamento de juros do financiamento de
100
Ver, por exemplo, a tese de doutoramento de Kearl (1975).
Demanda e Oferta de Imóveis Novos
160
um imóvel é dedutível do imposto de renda, os ganhos de capital decorrentes da
valorização dos imóveis em geral não são taxados.
No Brasil taxa-se o ganho de capital para imóveis detidos pelo comprador por menos de
20 anos. A alíquota diminui de acordo com o tempo de posse. O ganho de capital é
auferido a partir do valor de compra e venda declarado pelas partes. Portanto, é
relativamente fácil escapar desta taxação. Por outro lado, até recentemente, o imposto
sobre operações financeiras (IOF) incidia sobre o ganho real acima da inflação. É muito
difícil escapar deste imposto sem a evasão de divisas. Independente da questão fiscal,
imagine-se um indivíduo com capital para comprar um imóvel, mas que decide manter o
dinheiro aplicado, alugando um imóvel para morar. Digamos que o mercado estivesse em
equilíbrio perfeito. Neste caso, os juros líquidos de imposto deveriam ser idênticos ao
aluguel. Com o passar do tempo, o valor do aluguel deve crescer em função do ganho de
capital do imóvel. No momento em que o aluguel subisse os juros do capital investido
não seriam mais suficientes para pagar o aluguel.
Para compreender os diversos componentes de um modelo de imóveis como um ativo
financeiro apresenta-se abaixo uma versão simplificada deste modelo101. Como no
capítulo 3, assume-se que a renda da terra é uma função linear da distância ao centro:
p(d )q = y − fd − n
(4.1)
Onde p(d) é a renda por metro quadrado como função da distância, q o tamanho do lote, y
a renda disponível, f o custo marginal de deslocamento e n o numerário. Adicionalmente,
assume-se um custo fixo de construção do imóvel (c) a qualquer distância do centro.
Assim, na fronteira agrícola (d*) o aluguel do imóvel deve ser igual à renda da terra mais
101
Este versão segue Capozza e Helsley (1989, 1990) sem levar em conta o fator risco para simplificar a
exposição. Também se evita toda a discussão sobre tributação e diferenças entre taxas de financiamento de
Demanda e Oferta de Imóveis Novos
161
o custo de construção. Assumindo-se lotes constantes em função da distância, o consumo
de outros bens (o numerário) deve ser igual a qualquer distância do centro para equalizar
as utilidades, ou seja:
p(d *)q = y − fd * − n = c + rAq ⇒ n = y − fd * −(c + rAq )
⇒ p(d )q = c + rAq + f (d * −d )
(4.2)
Assumindo-se que a fronteira agrícola está crescendo a uma taxa constante g, a fronteira
como função do tempo pode ser escrita como d*(t)=d*(0)egt. O preço do imóvel (P) é
simplesmente o valor presente da soma de todos os aluguéis recebidos durante a
existência do imóvel. Como a fronteira está se expandindo, este aluguel deve crescer com
o tempo dada a valorização da localização, ou seja:
T
P0 (d ) = lim ∫ [c + rAq + f (d * (t ) − d )]e −it dt =
T →∞
0
c + rAq fd fd 0 *
−
+
i
i
i−g
(4.3)
Onde i é a taxa de desconto, o subscrito 0 indica o valor presente e considerou-se que o
imóvel não se deprecia e que dura para sempre (T→∞)102. Para entender melhor (4.3)
pode-se rearranjar os termos. Somando e subtraindo fd0*/i no lado direito da equação
temos que:
P0 (d ) =
c + rAq f (d 0 * −d ) gfd0 *
+
+
i
i
i (i − g )
(4.3’)
Na formulação acima o primeiro termo do lado direito é simplesmente o valor presente da
terra agrícola e do custo de construção; o segundo termo é o valor atual da localização e o
último termo é o valor do ganho de capital representado pelo ganho futuro de localização
conforme a fronteira agrícola se expande. Assim, uma maneira de se obter uma dinâmica
imóveis e taxas de juros de mercado presente em Poterba (1984) considerando-se, como Capozza e Helsley
uma taxa única líquida de impostos para empréstimos em geral ou para o financiamento de imóveis.
102
Os abusos de notação e o excesso de simplificação procuram facilitar a exposição. Incluindo-se o tempo
como subscrito e não como mais um termo da função preço e atribuindo a mesma letra para o limite
temporal de integração utilizada anteriormente para a função de custo do transporte são dois exemplos.
Demanda e Oferta de Imóveis Novos
162
ad hoc para o nosso modelo é incluir a taxa real de juros como medida da taxa de
desconto e alguma medida da fronteira agrícola que poderia controlar para ganhos de
capital. Ainda que arbitrária, esta “dinâmica imposta” ao modelo em princípio poderia
resolver o problema de conversão entre preço de compra e aluguel.
4.2 Imóveis como um Bem Heterogêneo: a Abordagem de
Preços Hedônicos
A análise da demanda por produtos complexos como imóveis, carros ou trabalhadores
não pode ser feita como a análise da demanda de uma mercadoria simples como trigo ou
café. Basicamente, quando alguém compra uma casa ou um carro é como se ele estivesse
comprando uma cesta de bens. Quer dizer, imagine se uma pessoa fosse ao supermercado
e comprasse R$100 em produtos. Se não houvesse informação sobre as quantidades e
preço de cada produto comprado seria completamente arbitrário comparar esta compra
com outra de, digamos, R$200 no mesmo supermercado. A situação é mais ou menos
semelhante no caso de bens complexos. Não se pode comparar diretamente uma casa de
R$100 mil com uma de R$200 mil assim como não se pode comparar as cestas
hipotéticas descritas acima.
Devido a este motivo, até os anos 60 os economistas não sabiam exatamente como lidar
com a análise da demanda por produtos complexos. Em 1961, num artigo seminal, o
economista de Harvard, Zvi Griliches, encontrou uma solução relativamente simples para
o problema103. A idéia é que este tipo de bem, ainda que extremamente heterogêneo, é
composto por componentes relativamente homogêneos. A intuição é que os
consumidores consumem um bem com diferentes quantidades de atributos inerentes.
103
As referências clássicas são Waugh (1929) e Court (1939). O primeiro, segundo alguns analistas como
Sheppard (1999) é considerado o verdadeiro pioneiro na análise sistemática do impacto da qualidade no
Demanda e Oferta de Imóveis Novos
163
Como em princípio deve haver uma diferença nos preços em função da quantidade de
atributos, o preço marginal de cada atributo pode ser estimado. A formulação de preços
hedônicos fornece uma fundação coerente para explicar a relação entre o preço de um
imóvel (ou outro bem heterogêneo) e seus atributos. Mais formalmente, digamos que as
preferências do consumidor sejam representadas pelas função de utilidade:
u = u(Z, N, α)
(4.4)
onde Z é um vetor com as quantidades dos atributos dos imóveis, N é o consumo de
outros bens e α o vetor de parâmetros que caracterizam as preferências do consumidor104.
A partir da função de utilidade pode-se derivar (implicitamente) a demanda por imóveis
como:
D = D(Z, Y, u, α)
(4.5)
onde Y é a renda do consumidor. Consumidores maximizam sua utilidade, ou seja, vão
escolher Z e N que resolvam o problema de maximização105:
max {u( Z , N ,α )}
s.t.
M ≥ P (Z ) + N
(4.6)
Z ,N
onde P(Z) é o vetor de preços associado com os atributos Z, muitas vezes chamado de
“função de preços hedônicos”. As condições de primeira ordem para este problema
implicam que:
∂u
∂Z k
∂u
∂P
=
∂N ∂Z k
(4.7)
onde Zk é a quantidade do atributo k (digamos número de vagas na garagem) no imóvel.
Inserindo a função de demanda implícita (4.5) na função de utilidade (4.4) a função de
preço de um bem, ao contrário do que afirma Grilliches (1961) que atribui a paternidade deste tipo de
análise a Court.
104
Em relação a notação do capítulo 3, note-se que estamos usando maiúsculas para enfatizar que se trata
de um vetor.
Demanda e Oferta de Imóveis Novos
164
utilidade pode ser reescrita como u = u(Z, Y-D, α). A derivada implícita desta função de
utilidade:
∂D
∂u
=
∂Z k ∂Z k
∂u
∂N
(4.8)
implica que o preço hedônico do atributo k (Pk≡∂P/∂Zk) é a utilidade marginal e a
demanda marginal pelo atributo k. Para fechar o modelo deve-se introduzir os produtores
de imóveis. Vamos assumir que os produtores têm uma função de custo dada por
C(Z,Q,γ) que depende da quantidade de atributos Z, do total de imóveis produzidos Q e
um vetor de parâmetros γ. Os produtores maximizam os lucros:
max {P( Z ) N − C ( Z , N , γ )}
(4.9)
Z ,N
As condições de primeira ordem deste problema de maximização implicam que:
Pi =
∂C
, ∀k
∂Z k
e
P( Z ) =
∂C
∂Q
(4.10)
A primeira condição acima é, simplesmente, a contraparte da solução convencional do
problema de maximização para bens homogêneos. Produtores adicionam atributos até
que o custo marginal seja equivalente ao preço (hedônico) de cada atributo. A segunda
condição implica que o produtor irá produzir um imóvel do tipo Z até que o custo
marginal de produzir um outro imóvel (do tipo Z) seja igual ao seu valor total P(Z). O
equilíbrio de mercado pdoe ser representado pelo locus de tangências entre custo e
demanda marginal e tipicamente vai depender da distribuição de probabilidades em torno
das preferências dos consumidores e/ou tipos de produtores.
105
Lembre-se que a restrição orçamentária do capítulo 3 considerava explicitamente o custo de transporte e
o tamanho do lote. Para simplificar a exposição estes dois aspectos não vão ser levados em conta por
enquanto.
Demanda e Oferta de Imóveis Novos
165
Com isto têm-se uma base coerente para explicar a relação entre o preço de um imóvel
(ou outro produto heterogêneo qualquer106) e seus atributos. Adicionalmente, nos dá uma
dica em como estimar os preços hedônicos. A estimação, no entanto, apresenta uma série
de dificuldades que vão ser exploradas em seguida. Por exemplo, uma grande parte dos
atributos são discretos. Logo a restrição orçamentária não é linear. Portanto, a função de
demanda convencional, quer dizer, uma que mostra as preferências do consumidor (por
um atributo) a partir de um preço constante pode ser equivocada.
4.3 Demanda e Oferta por Imóveis: Uma Especificação
Simplificada
Para obter a demanda por imóveis parte-se de um modelo de escolha discreta do
comportamento do consumidor107. A idéia é que um consumidor compraria um imóvel j
(j=1,…,J) se a utilidade de comprar este imóvel fosse maior do que a utilidade de
comprar qualquer outro imóvel ou não comprar imóvel nenhum (define-se j=0 como a
hipótese alternativa). Assume-se que o nível de utilidade depende das características do
consumidor (c) e as características do imóvel (z, p, d) onde p é o preço do imóvel, d a
distância para o centro e z outros atributos do imóvel108. Quer dizer. o consumidor i
compraria o imóvel j se:
U(ci, zj, pj, dj) ≥ U(ci, zr, pr, dr)
r = 0, 1, . . . , J
(4.11)
Onde o subscrito temporal foi omitido para facilitar a notação. Se tívessemos microdados, poderíamos assumir uma distribuição para os resíduos e estimar a demanda
diretamente a partir de (4.11). No entanto, que seja do meu conhecimento não exitem
microdados sobre a venda recente de imóveis na Grande São Paulo. A solução discutida
106
Note-se que até agora não se fez nenhuma referência específica para o fato do bem em questão ser um
imóvel.
107
Vide Mc Faden (1984) e a bibliografia citada no artigo.
Demanda e Oferta de Imóveis Novos
166
no capítulo anterior foi usar o banco de dados da Embraesp. Se considerarmos que cada
entrada no banco de dados da Embraesp corresponde a um tipo de imóvel, visto que
possuem atributos diferentes, podemos concluir que se trata de um banco de dados
agregado por tipo. Portanto, para derivar a demanda temos que agregar a função de
escolha na equação (4.11). Para tal, define-se o seguinte conjunto:
Aj = {c:U(ci, zj, pj, dj) ≥ U(ci, zr, pr, dr), for r=0,1,…,J}
(4.12)
Quer dizer, Aj é o conjunto de todos os valores de c que induzem a escolha do imóvel j.
Assim, assumindo que os consumidores são distribuídos (em função das suas
características) como P(dc), a participação de mercado do imóvel j será:
s j ( p, d , z ) = ∫
c∈A j
P(dc)
(4.13)
Ainda que uma especificação mais genérica seja interessante, uma estimação não
paramétrica é extremamente complicada. Assim, assume-se uma especificação linear para
a função de utilidade do tipo:
U(ci, zj, pj, dj) = zjβ – αpj – tdj + εij ≡ δj + εij
U(ci, z0, p0, d0) = εi0
(4.14a)
(4.14b)
Onde β, α e t são os parâmetros a serem estimados pelo modelo 109, ε é um erro aleatório e
(4.14b) é simplesmente uma normalização da hipótese alternativa. Assumindo que εij
distribui-se de maneira independente e idêntica tanto ao longo das características do
consumidor como nos atributos do imóvel, a participação de mercado (s) pode ser
computada por:
s j = ∫ ∏ P(δ j − δ q + ε ) P(dε )
εq≠ j
108
(4.15)
Os atributos de preço e distância foram separados devido a sua importância.
Mais uma vez simplificando a notação, β e zj são vetores, respectivamente, (1×k) e (k×1) sendo k o total
de atributos (menos preço e distância) do imóvel. Não se adota aqui a convenção de negritar os vetores.
109
Demanda e Oferta de Imóveis Novos
167
Como é conhecido, se ε tem a função de distribuição de Weibull exp[-exp(-ε)], (4.15)
tem uma solução analítica dada por:
δ
s j ( p, z , ε ) = e
J


1 + ∑ eδ j 


j =1


j
(4.16)
Normalizando δ0 para zero (sem perda de generalidade) δj pode ser encontrada a partir
de:
(
ln( s j ) − ln( s0 ) = δ j − ln 1 + ∑ j =1 e
J
δj
)+ ln (1 + ∑
J
j =1
δj
e
)= δ
j
(4.17)
Portanto, neste versão simplificada do modelo, pode-se estimar o parâmetro de interesse a
partir de uma regressão simples da participação de mercado (ajustada pela normalização)
em função dos atributos do imóvel. Para estimar a oferta assume-se que existem F firmas
no mercado cada uma produzindo uma parcela Gf dos J produtos existentes. O custo
marginal de produção (m) é log-linear em um vetor de “elementos” de custo (w):
ln(mj) = wjγ + ωj
(4.18)
Onde γ é um vetor de parâmetros que devem se estimados e ω é um erro aleatório. Notese que parte dos atributos z do imóvel também são elementos de custo. Por exemplo, o
número de banheiros ou vagas na garagem são atributos do imóvel que, com certeza, são
também elementos de custo. Assumindo um mercado oligopolista com margem de lucro
fixa, o lucro da firma f pode ser escrito como:
πf =
∑(p
j∈G f
j
− m j ) Ms j
(4.19)
Onde M é o total de compradores (potenciais) no mercado e s a participação de mercado
do imóvel do tipo j definida em (4.13). Assume-se que existe um equilíbrio de Nash para
este “jogo” (em preços) e que o preço de equilíbrio está no interior do conjunto de
Demanda e Oferta de Imóveis Novos
168
estratégias disponíveis para cada uma das firmas110. Estas hipóteses juntamente com as
condições de primeira ordem para a equação (4.19) implicam que:
sj +
∑ (p
r∈G f
r
− mr )
∂sr
=0
∂p j
(4.20)
A equação (4.20) pode ser escrita na notação vetorial como111:
s – ∆[p – m] = 0
(4.20’)
onde s, p e m são os vetores (J×1) de participação de mercado, preço e custo marginal,
respectivamente. ∆ é a matriz (J×J) cujo elemento genérico ar,j é definido por:
ar , j
− ∂sr
; r , j ∈ G f ( f = 1,..., F )

∂p j
≡
0
outros
(4.21)
Portanto o custo marginal depende apenas dos parâmetros da demanda e o vetor de
preços de equilíbrio. Assumindo-se que os preços estejam em equilíbrio, o custo marginal
pode ser estimado por:
m = p – ∆-1s
(4.22)
Ou seja, se é possível encontrar uma solução analítica para a demanda é também possível
resolver analiticamente para a oferta. Se a participação de mercado for dada por (4.16) a
derivada parcial da participação de mercado com relação ao preço será:
− αs j (1 − s j )
=
∂pr αs j sr
∂s j
j=r
j≠r
(4.23)
Assim pode-se estimar ∆ utilizando-se as participações de mercado observadas e o
parâmetro de preço estimado a partir de (4.17). Se definirmos ∆’ ≡ (1/α)∆, (4.22) pode
ser escrito como:
110
Caplin e Nalebuff (1991) fornecem as condições necessárias para a existência de equilíbrio em modelos
deste tipo para firmas produzindo apenas um produto. Infelizmente os teoremas não se generalizam
facilmente para o caso de firmas multi-produtos.
Demanda e Oferta de Imóveis Novos
169
m = p – (1/α)[∆’]-1s
(4.24)
Um elemento típico de ∆’, neste caso simplificado, é simplesmente:
ar , j
s j (1 − s j )

≡ − s j s r

0
j=r
r , j ∈ G f ( f = 1,..., F )
(4.25)
outros
Os parâmetros de interesse da oferta podem ser então obtidos a partir de uma regressão
simples do custo marginal, calculado a partir de (4.22’) e (4.24), em função dos
elementos de custo:
ln(mj) = wjγ + ωj
(4.26)
4.4 Resultados
As Tabelas do Apêndice 4.A.1 detalham todas as regressões realizadas para a demanda, a
partir de (4.18), e para a oferta, a partir de (4.26). As regressões de demanda e oferta
foram numeradas separadamente, utilizando-se a letra D seguida por um número para as
diversas especificações de demanda e a letra O para as de oferta. Além destas variáveis,
foram utilizados dois grupos de dummies sazonais: um com 14 variáveis para os anos e
outro com 11 para os meses.112 O ano de 1985 e o mês de dezembro correspondem a
hipótese alternativa. Estas variáveis são basicamente de controle e são apresentadas na
segunda seção do apêndice. As variáveis sazonais são, via de regra, significativas sempre
com algumas exceções. Em alguns casos um dos grupos é eliminado. Especialmente para
a oferta, não se verificou sazonalidade mensal significante optando-se, portanto, por
eliminar este grupo a partir da sétima especificação.
111
Ao contrário das equações anteriores, utiliza-se a notação vetorial em (5.20’) para enfatizar a diferença
em relação a (5.20).
112
Lembre-se do capítulo anterior, que existe uma grande oscilação nas variáveis e, por este motivo, muitas
delas eram apresentadas como médias móveis.
Demanda e Oferta de Imóveis Novos
170
Como se pode observar na Tabela 4.A.1, os resultados não são compatíveis com o que se
poderia esperar. O exemplo mais evidente é o coeficiente positivo na variável preço. Por
mais que se acredite em imperfeições de mercado, é difícil considerar viável uma
elasticidade preço positiva da demanda. Além disso, o coeficiente negativo observado
tanto para o número de banheiros como para o número de vagas na garagem é, no
mínimo, curioso. Estas anomalias desaparecem na regressão D2 onde todas as variáveis
foram mantidas exceto que se eliminou a constante.
O efeito da eliminação da constante sobre os parâmetros é muito grande. O R2 ajustado
aumentou de 77% para 99,7%. Das 25 variáveis, 10 mudaram de sinal e, para os casos em
que se tem uma expectativa sobre o resultado, mais de acordo com o que se observa.
Além dos exemplos do parágrafo anterior, o prazo de entrega e a taxa de juros real
apresentam coeficientes positivos na presença da constante tornando-se negativo com a
eliminação da mesma. Ora, é de se esperar que a demanda diminua tanto com o aumento
do prazo de entrega (as outras variáveis se mantendo constante) como com o custo do
financiamento. Assim, em mais este exemplo, os resultados sem a inclusão da constante
são mais próximos do senso comum do que os observados na presença desta.
Estes fatores nos levam a acreditar, em princípio, que a especificação sem a constante é
superior. No entanto, existem problemas teóricos em se eliminar a constante. Isto porque,
uma especificação sem intercepto implica que não é necessário nem um ajuste de
medidas o que é difícil de acreditar dada a grande salada de indicadores utilizados. Na
realidade, como se discute na seção 4.5, este resultado está provavelmente ligado à
endogeneidade dos preços. De qualquer maneira, manteve-se a especificação sem a
constante para que se pudesse realizar uma análise ao menos razoável dos dados.
Demanda e Oferta de Imóveis Novos
171
Nas especificações D3 e D4 procurou-se testar o efeito da expectativa de ganho de capital
com a compra do imóvel sobre a demanda do mesmo. Conforme discutido na seção 4.1, o
ganho de capital, em teoria, deve ser função da fronteira agrícola. Ainda que tenha-se
disponível a mancha urbana em 1985 e 1992, podendo-se deduzir uma fronteira agrícola
para o período da amostra, a precisão deste dado é duvidosa. Além do mais, visto que a
fronteira não é uniforme conforme a direção que se tome na região, qual deveria ser a
fronteira relevante? Mesmo porque o efeito do aumento da fronteira é parecido com o
efeito de um aumento no congestionamento: com o aumento do custo do transporte
lugares mais próximos do centro de negócios tornam-se mais valiosos.
Sendo assim, procurou-se testar as expectativas de ganhos de capital através de duas
variáveis: uma tendência e o logaritmo do total de domicílios na RMSP. Quando se testou
a tendência, não fazia muito sentido manter o controle para os anos entre as variáveis
sazonais caso contrário estaria se controlando duas vezes o mesmo efeito. O que se nota
para as duas variáveis é um coeficiente negativo. Isto pode significar que existe uma
expectativa negativa com relação aos ganhos de capital na compra de imóveis na RMSP.
Esta tendência decrescente da demanda por imóveis na região pode significar, na
verdade, uma força centrípeta gerada pelo mercado de imóveis que não consegue atender
a toda população.
Nas especificações D5 a D7 estimou-se o impacto dos agentes financeiros no
empreendimento. Ainda que este agente não tenha sido discutido no capítulo anterior
quando se apresentou os participantes do mercado, trata-se de um ator importante no
jogo. Um apartamento financiado, em princípio, deveria ter uma demanda maior. Na
especificação D5 testou-se o efeito sobre imóveis financiados por agentes financeiros
Demanda e Oferta de Imóveis Novos
172
ligados ao governo estadual ou federal113 e em D6 sobre imóveis financiados por bancos
privados.
O efeito sobre a demanda da participação de um agente financeiro governamental não é
significante enquanto o efeito da existência de um banco privado no lançamento do
imóvel é negativo. O resultado é surpreendente e pode ser decorrente de um problema na
coleta de dados. Considera-se que um empreendimento possui um agente financeiro
quando este agente está definido na data do lançamento. Muitas vezes o agente não
participa diretamente do lançamento, mas existe algum sistema de financiamento para o
comprador. Existe uma possível diferença entre empreendimentos que contam com um
financiador já no lançamento. Neste casos, é mais provável que o agente financeiro
assuma parte do risco do empreendimento.
Para se verificar o efeito da distância sobre a demanda, foram utilizadas diversas
medidas. As especificações D8 a D10 apresentam alguns resultados para as diversas
medidas. Utilizou-se sempre como variável com o logaritmo da distância do edifício ao
centro principal (Sé ou Bandeirantes). Um outro grupo de variáveis apresentava o
logaritmo da distância ao centro de Santo André ou São Bernardo, Barueri e Guarulhos.
Estas 3 variáveis, no entanto, foram definida como 0 se o edifício estivesse a mais de 5
km de distância do sub-centro em questão. Um terceiro tipo de variável procurou ser uma
medida sintética para os sub-centros. O índice apresentado na nona especificação
(“distancia1”), por exemplo, calcula a menor distância entre Santo André, Guarulhos,
Barueri e São Paulo. Se o edifício estiver mais próximo de São Paulo do que de qualquer
113
Incluem-se nesta categoria as Caixas Econômicas Estaduais e Municipais, o Banespa, o Sistema
Financeiro da Habitação e o Sistema Brasileiro de Poupança e Empréstimo.
Demanda e Oferta de Imóveis Novos
173
sub-centro este índice vale zero, caso contrário vale o logaritmo da distância ao subcentro mais próximo.
O coeficiente para Santo André e Guarulhos é negativo, em quase todas as especificações
que incluem estas variáveis, o oposto ocorrendo com Barueri e São Bernardo114 na única
especificação em que ele aparece (D8). Em geral são significativos pelo menos a 10% de
significância exceto na primeira regressão da demanda com a presença da constante. O
coeficiente da distância para o centro do município de São Paulo, com exceção da
especificação D1, é sempre significativamente negativa. Além do mais, a magnitude
deste coeficiente é bem maior do que a magnitude dos coeficientes das distâncias aos
sub-centros. Um coeficiente negativo implica que a demanda cai conforme se afasta do
ponto. Portanto, o principal ponto de atração na RMSP continua sendo o centro da cidade
central. A diferença de magnitude observada entre o coeficiente quando o ponto de
referência é a praça da Sé não é estatisticamente diferente do coeficiente quando o ponto
é a Bandeirantes.
O que se verifica portanto é que a demanda continua ativa em torno dos centros
tradicionais (ABC e Guarulhos). Barueri que seria uma novidade em termos de
centralidade, não parece ter a relevância na demanda por imóveis novos na RMSP que
poderia se imaginar. Além do mais, a cidade continua extremamente direcionada para o
centro expandido do município de São Paulo. É difícil afirmar que houve realmente uma
mudança do centro baseado nestes dados. Pelo contrário estes dados indicam que o
tamanho do centro pode até ter se expandido mas não se verifica uma dispersão como
sustentam alguns autores. Por outro lado, o coeficiente das medidas de distância pode ser
interpretado como o custo de transporte. Então a diferença entre o coeficiente no
Demanda e Oferta de Imóveis Novos
174
Município de São Paulo e nos outros sub-centros reflete também uma menor eficiência
relativa do sistema de transporte da capital.
Nenhum dos indicadores sintéticos para a distância ao sub-centro apresentou coeficiente
significativamente negativo115. Isto significa que, quando considerados em agregado, os
sub-centros não atraem relativamente mais compradores de imóveis. Quer dizer, o peso
destes sub-centros afeta basicamente um pequeno raio em seu entorno. Isto significa que
provavelmente a fuga de pessoas para a periferia pode não ser tão grande quanto se
imagina. Este resultado contrasta com o fato de que o município de São Paulo e o ABC
têm crescido a taxas muito menores do que seu entorno. Contrasta também com o
coeficiente negativo verificado em todas as especificações para a variável dummy para o
município de São Paulo.
Nas regressões D1 a D10 utilizou-se 3 medidas de área: a área útil do imóvel, a área total
construída do condomínio e a área do terreno. Cada uma destas medidas procurava ver
um benefício para o consumidor. A utilidade da área útil de um imóvel é óbvia. A área
total construída procurava capturar benefícios como salas de ginástica, salão de jogos,
etc. Finalmente o tamanho do terreno procurava capturar os benefícios de jardins,
piscinas, etc. O resultado que não faz muito sentido é o coeficiente negativo para a área
útil em todas as especificações e para a área total na especificação D11.
Como medida alternativa das benfeitorias da área construída, utilizou-se em D12 a
diferença entre a área total e a área útil do imóvel. Assim como a área total construída em
todas as especificações, esta diferença apresenta coeficiente significativamente positivo.
114
Na realidade o coeficiente é negativo porém não significativo.
Além do resultado apresentado, testou-se um indicador similar substituindo Santo André por São
Bernardo. Outros dois indicadores (um para Santo André e outro para São Bernardo) testados foram
definidos simplesmente como a menor distância entre os 3 sub-centros selecionados.
115
Demanda e Oferta de Imóveis Novos
175
Segundo alguns agentes de mercado, existe uma grande demanda por serviços extras
como os citados anteriormente. Já a área do terreno apresenta um comportamento misto.
O sinal do coeficiente varia muito de acordo com a especificação (sendo inclusive não
significativo em algumas regressões). Portanto é difícil indicar qualquer tendência para
esta variável.
Um último fator a ser destacado é que as cooperativas apresentam coeficiente
significativamente positivo em todas as especificações de demanda. Exatamente o oposto
do que acontece com esta variável nas regressões do custo marginal onde ela é
significativamente negativa em todas as especificações. Quer dizer, além de haver
provavelmente um excesso de demanda por cooperativas, ao contrário do que afirmam
alguns incorporadores, as cooperativas apresentam em média custo marginal mais baixo
do que as outras empresas.
Assim como preço e distância são variáveis fundamentais para a demanda, terra e área
construída são as variáveis fundamentais do lado da produção (vide Capítulo 3). Se a
função de produção for homogênea de grau um pode-se simplificar a função de produção
como a função de uma variável, k, a relação entre capital e terra. Assim, o logaritmo da
área total construída sobre a área do terreno serve de variável explicativa da oferta.
Acontece que o custo marginal é, na verdade, a soma do custo da terra com o custo de
construção. Portanto, incluindo-se apenas k não é possível separar o custo de construção
do custo da terra.
Diversas tentativas foram realizadas neste sentido. Acontece que na presença destas duas
variáveis os coeficientes resultavam sempre negativos. Na especificação O4 foi
adicionada a área total do imóvel como um indicador dos custos de construção menos
Demanda e Oferta de Imóveis Novos
176
correlacionado com k do que os dados agregados de área. O coeficiente resultante, assim
como o coeficiente do terreno e de k, também é negativo. Na regressão O10 retorna-se o
logaritmo de k retirando-se as outras variáveis de área. Finalmente obtém-se um resultado
coerente. Na especificação seguinte adiciona-se o total de unidades produzidas pela
empresa como uma medida de retornos de escala. Na regressão 12 adiciona-se a diferença
entre a área total e a área útil e o coeficiente resultante é positivo assim como o
coeficiente de k, e do total de unidades.
Outro importante elemento de custo são os índices de custo da construção descritos
anteriormente. Quando trabalhamos com os índices desagregados em mão-de-obra e
materiais o coeficiente sobre o índice de mão-de-obra não é significativo. Assim a opção
foi por usar apenas o índice geral. O índice apresenta coeficiente positivo em todas as
especificações como era de se esperar. Os índices utilizados foram as médias geométricas
móveis descritas no Capítulo anterior.
Um resultado difícil de se interpretar, ainda que não obrigatoriamente incorreto é o
coeficiente negativo para a inflação e, pior ainda, para a taxa de juros reais. Pode-se
imaginar alguma forma de ganho inflacionário por parte dos incorporadores que talvez
explique este resultado. Assim, nas especificações O8 e O9 testou-se índices mensais de
juros e inflação ao invés das médias geométricas mas o resultado negativo permaneceu. A
tendência declinante na regressão O3 também é um resultado intrigante.Como comentado
anteriormente, as variáveis sazonais mensais não são muito significantes e, portanto,
foram retiradas nas últimas regressões.
O efeito sobre as variáveis quando se retira a constante como em O6 também é grande
mas não tão radical como no caso da demanda. Ainda que a mudança no R quadrado seja
Demanda e Oferta de Imóveis Novos
177
muito alta, não se notam muitas mudanças de sinal. Por fim, deve-se destacar que, como
se pode ver na equação (4.26), o custo marginal depende do coeficiente do preço. O
coeficiente escolhido foi o da especificação O7 que fica em torno dos valores
encontrados nas demais especificações. Outros coeficientes foram testados sem gerar
diferenças significativas nos resultados. Obviamente não se testou resultados em que o
coeficiente era positivo.
4.5 Refinando o Modelo: Variáveis Instrumentais
Os resultados inesperados da seção anterior podem ter uma explicação razoável e uma
solução possível. Em primeiro lugar, o modelo da seção anterior assumiu que todas as
variáveis relevantes na determinação de preço podem ser observadas pelo pesquisador.
Esta é uma hipótese de difícil aceitação. Num bem tão complexo como um imóvel,
existem diversos aspectos como reputação, vista privilegiada, que não estão na base de
dados. Se os produtores observam tais atributos (mas não o econometrista) as variáveis
“não observáveis” provavelmente estarão correlacionadas com o preço do imóvel. Isto
gera para produtos diferenciados um problema análogo ao problema clássico da análise
simultânea de oferta e demanda116. Para entender melhor este problema vamos modificar
ligeiramente o modelo da seção anterior, incluindo as variáveis “não observáveis”. A
especificação (4.14) pode ser modificada da seguinte forma:
U(ci, zj, pj, dj, ξj) = zjβ – αpj – tdj + ξj + εij ≡ δj + εij
(4.27)
Onde ξj representa a componente não observável. Note-se que a inclusão de uma variável
não observável não altera a última identidade apresentada no final da equação. Quer
116
Além do problema com os dados “não observáveis”, do modelo teórico do capítulo 3 e das ilustrações
do capítulo 4, sabe-se que os preços são função da distância ao centro.
Demanda e Oferta de Imóveis Novos
178
dizer, a função de utilidade continua sendo “aditivamente separável” em dois termos:117
um determinado totalmente pelos atributos do produto (δj) e outro pelas características do
consumidor (εij). Sendo assim, as equações seguintes que definem a demanda em função
de δj e εij não se alteram. Para o caso da oferta, pode-se assumir que o componente não
observável esteja incluído no erro aleatório ω. No entanto, esta hipótese implica que o
preço é uma função de ω e, portanto, m em (4.22) também seria uma função de ω.
Também no caso da oferta as hipóteses convencionais de ortogonalidade não podem ser
feitas e, portanto, os parâmetros não podem ser estimados consistentemente por mínimos
quadrados ordinários (MQO).
A maioria das estimativas de modelos de escolha discreta de demanda para produtos
heterogêneos assume a especificação (4.14) o que, na prática, implica que a componente
não observável na função de utilidade tem média zero e independente entre os agentes.
Esta especificação simplesmente ignora o problema de simultaneidade. Além do que,
gera um problema de “over fitting”: na ausência de distúrbios “estruturais” na equação de
participação de mercado apenas erros de amostragem podem explicar as diferenças entre
os dados e as previsões do modelo. Para uma amostra do tamanho da utilizada neste
estudo a variância é pequena demais para explicar qualquer discrepância entre os dados e
o modelo.118
Em contraste, a demanda agregada para produtos homogêneos em geral é especificada
com um distúrbio diferente de zero quase sempre relacionado com fatores não
117
Esta característica da função de utilidade é, na verdade, problemática. Isto porque tanto a especificação
(5.14) como a especificação (5.26) geram elasticidades-preço e elasticidades cruzadas, além de respostas à
introdução de novos produtos que não possuem os resultados esperados. Voltaremos a esta questão mais
adiante.
118
Quer dizer, um teste de chi quadrado das restrições do modelo é rejeitado com probabilidade próxima de
1.
Demanda e Oferta de Imóveis Novos
179
observáveis119. Se estes distúrbios são observados pelos consumidores e produtores as
quantidades e preço de equilíbrio também dependem destes distúrbios. É justamente esta
relação que gera o problema de simultaneidade. Este problema é mais complicado no
caso de produtos heterogêneos porque a demanda individual e, portanto, a demanda de
mercado é uma função não linear de ξ: qj = Msj(ci, zj, pj, dj, ξj). Provavelmente por este
motivo o problema de simultaneidade é simplesmente ignorado na maioria dos estudos de
demanda por bens heterogêneos.
A grande dificuldade decorrente da não lineariedade discutida acima é que não se pode
assumir que ξ e o vetor de atributos do imóvel sejam ortogonais sem primeiro
transformar as quantidades, preços e atributos numa função linear de ξ. Berry (1994)
sugere um procedimento para obter esta transformação e prova a sua viabilidade sob
certas restrições. Basicamente, a partir de (4.26) e (4.17) pode-se estimar a variável não
observada como:
ξ(s, z, p, d; θ) = ln(sj) – ln(s0) - zjβ + αpj + tdj
(4.26’)
Analogamente, para a oferta, pode-se estimar os distúrbios a partir de (4.25):
ωj = wjγ - ln(mj)
(4.25’)
Assim, os parâmetros de demanda e oferta podem ser estimados interagindo-se ξ
(calculado a partir de (4.26)) e ω (calculado a partir de (4.26’)) com instrumentos
apropriados a aplicando-se um método de momentos para as condições resultantes. A
grande dificuldade é encontrar bons instrumentos para esta estimação. Chamberlain
(1986) mostra que o conjunto de instrumentos eficientes, quando se tem apenas restrições
condicionais dos momentos numa amostra identicamente distribuída, respeitando certas
condições de regularidade, é igual a esperança condicional da derivada do momento com
119
Veja-se, entre outros, Hausman (1984).
Demanda e Oferta de Imóveis Novos
180
relação ao vetor de parâmetros. A proposta de Chamberlain, no entanto é muito difícil de
se implementar na prática. Porém, os avanços de Newey (1990) e Pakes (1994) tornaram
esta (variação da) técnica bastante viável.
O Teorema 32 em Pakes (1994) prova que a dimensão de uma base de polinômios para
uma dada ordem que é parcialmente intercambiável (partially exchangeable) independe
do número de argumentos intercambiáveis. Acontece que qualquer equilíbrio de Nash é
parcialmente intercambiável nas características dos outros produtos da firma e nas
características dos produtos dos competidores. Quer dizer, um equilíbrio de Nash implica
nas seguintes formas de intercâmbio:
a) intercambiável na ordem das firmas, quer dizer, o preço da Gafisa não vai mudar
se as características dos imóveis da Rossi forem elencados antes ou depois dos
imóveis da Cyrel;
b) para um dado produto, intercambiável na ordem dos outro produtos da mesma
empresa (o preço dos imóveis de um dormitório da CGN não mudam se o preço
dos imóveis de 3 dormitórios for listado antes ou depois do preço dos imóveis de
5);
c) para um dado competidor, intercambiável na ordem dos produtos desse
competidor.
Dadas estas propriedades, a função base de primeira ordem associada à característica zjk
(a k-ésima característica do imóvel j) incorporado pela firma f será dada por:
z jk ,
∑z
r ≠ j , r∈G f
rk
,
∑z
r ≠ j , r∉G f
rk
(4.27)
Demanda e Oferta de Imóveis Novos
181
Note-se que a dimensão da base de primeira ordem em (4.27) é 3K onde K é o número de
características do imóvel que é muito inferior à dimensão da base irrestrita como a
proposta por Chamberlain.120
Para cada uma das características listadas nas Tabelas do apêndice computou-se os três
termos de (4.27). Quer dizer, dada uma característica (por exemplo área útil) o vetor de
instrumentos ótimos seria a área útil do próprio imóvel, a soma das áreas de todos os
imóveis lançados no ano por aquela incorporadora e a soma das áreas de todos os imóveis
lançados por outras incorporadoras. As somas são diferentes para cada produto pois i)
excluem o produto em questão e ii) diferentes incorporadoras produzem diferentes tipos
de imóveis.
Assim, primeiro se estimou uma regressão por mínimos quadrados ordinários salvando os
resíduos (estimativa das variáveis não observadas). Em seguida estimou-se a variável de
demanda (a diferença entre o log natural da participação de mercado do imóvel em
questão e a alternativa nula) em dois passos, interagindo os resíduos com a base descrita
acima no primeiro passo, utilizando-se um método geral do momento (GMM) para
estimação robusta da variância.
Partiu-se de uma base completa com todos os elementos usados na oferta e na demanda
para depois reduzi-la (ou seja, uma base de 78 instrumentos). No final restaram 8
características compondo a base (ou seja, 24 instrumentos). As características que
formaram a base de instrumentos foram: horizontal, número de cooperativas, prazo de
pagamento, número de dormitórios, área do terreno, distância à praça da Sé, distância ao
centro de Santo André e o índice de capital-terra k. Os instrumentos foram incluídos ou
120
Neste caso, a base irrestrita teria dimensão JK, ou seja, o total de produtos vezes o número de
características utilizadas na especificação.
Demanda e Oferta de Imóveis Novos
182
retirados de maneira relativamente arbitrária. De qualquer maneira, a regressão não é
muito sensível à escolha de instrumentos no primeiro passo. Isto porque diversos
instrumentos são praticamente colineares.
As Tabelas 4.A.13 e 4.A.14 no apêndice 4.A.5 apresentam os resultados das regressões
com variáveis instrumentais para oito das 12 estimativas de demanda por mínimos
quadrados ordinários.121 Como se pode notar, o desvio padrão é bem mais baixo
mostrando que o método é de fato mais robusto. A primeira coluna da Tabela 4.A.13
equivale a primeira regressão linear de demanda. Também neste caso, a inclusão da
constante gera resultados incoerentes. No entanto, o problema com a constante ocorre
apenas quando ela é incluída no primeiro passo, ou seja na estimação dos resíduos. A
partir da quarta regressão (que equivale à especificação (5) no método linear) incluiu-se a
constante no segundo passo sem gerar grandes incoerências no vetor estimado.
Os resultados encontrados com este método mais robusto não são muito diferentes do que
os resultados obtidos anteriormente. Alguns casos de duvidosos como a influência da
área do terreno tornam-se inequívocos quando se utilizam as variáveis instrumentais.
Uma diminuição da margem de erro é geralmente desejável. No entanto, o grande ganho
do processo de estimação mais robusto ocorre no cálculo das margens de lucro por
imóvel. Como se pode observar na última linha das tabelas que reportam os resultados
das regressões lineares e não lineares de demanda, no caso linear mais de 5 mil imóveis
apresentavam demanda inelástica. Utilizando-se o método de variáveis instrumentais,
este número cai para menos de mil, muito mais compatível com a realidade.
121
Para facilitar a comparação, manteve-se a numeração das regressões lineares. Por exemplo, a terceira
coluna da Tabela 4.A.14 tem o número (9) indicando que equivale a nona especificação na regressão linear.
Demanda e Oferta de Imóveis Novos
183
Nas Tabelas 4.A.13 e 14 também são reportados os resultados de um teste de Hausman
(1978) comparando-se os coeficientes estimados por mínimos quadrados com os
coeficientes estimados com variáveis instrumentais.122 Apenas na regressão (5) (quarta
coluna da Tabela 4.A.13) não se aceita a hipótese (nula) que o estimador por IV seja mais
eficiente do que o estimador por MQO. Em todos os casos, a maior eficiência do
estimador é mais do que aceita. Assim, a opção por métodos mais robustos além de gerar
resultados mais próximos do esperado pelo senso comum e aumentar os casos
inequívocos, é também aceita como mais eficiente em praticamente qualquer
especificação.
4.6 A Independência da Alternativas Irrelevantes
Um outro problema de estimativa é bem conhecido da literatura pelo menos desde o
artigo de Debreu (1960). Trata-se da independência das alternativas irrelevantes. Como
existe apenas uma participação de mercado associada com cada vetor d, dois modelos
com a mesma participação de mercado devem ter a mesma elasticidade preço e cruzada.
Assim um condomínio de luxo no Morumbi com 1000 unidades teria a mesma
elasticidade preço de um conjunto de 1000 unidades da COHAB.
A maneira convencional para lidar com este problema é realizar o que se chama “nested
logit”123. Basicamente dividem-se os produtos em grupos razoavelmente uniformes de
forma que entre eles a derivada pode ser a mesma mas não entre um grupo e outro. Um
problema com esta alternativa é que as classificações sempre serão um pouco arbitrárias.
Um outro problema ainda mais grave é a perda nos graus de liberdade. Uma alternativa
122
Mais formalmente, estima-se H=(b-B)[(Vb-VB)-1](b-B) onde b é o estimador suposto menos eficiente, B
o mais eficiente estimado por variáveis instrumentais e V( ) é a matriz de covariância destes dois
estimadores. Hausman (1978) mostra que esta estatística se distribui como um χ2 com K graus de liberdade.
123
Vide, inter alia, Mc Faden (1984).
Demanda e Oferta de Imóveis Novos
184
para lidar com este problema proposta por Berry et all (1995) é modificar o modelo da
seção 4.3 permitindo que cada indivíduo tenha uma preferência diferente por cada
característica. Mais formalmente:
β k = β k + σ k vik
(4.28)
Onde vik é uma variável aleatória com média zero. Normalizando vik de tal forma que
E(v2ik)=1 implica que a média e a variança da utilidade marginal do atributo k é β k , σ k .
Portanto, a utilidade de se consumir o bem j pode ser escrita como:
U (ci , x j , p j ) = x j β − αp j + ∑ σ k x jk vik + ε ij ≡ δ j + µij
(4.29)
k
A utilidade ainda pode ser decomposta em uma média e um desvio da média mas agora o
segundo termo depende da interação entre as preferências do consumidor e as
características do produto. Portanto, consumidores que preferem casas luxuosas devem
atribuir maior utilidade a todas as casas luxuosas visto que suas características são
similares. A grande dificuldade deste modelo de “efeito randômico” é que o modelo não
tem mais solução analítica. Assim, é necessário computar as participações de mercado
agregadas através de simulação o que aumenta o desvio.
Demanda e Oferta de Imóveis Novos
185
4.A Apêndice: Resultados das Regressões
4.A.1: Resultados das Regressões de Demanda – Variáveis Principais
Tabela 4.A.1
Variável
Preço
Horizontais
Cooperativas
MSP
Prazo
Dormitórios*
Banheiro*
Vagas
Elevadores
Cobertura
Área Útil*
Área Total*
Terreno*
Hotel
Região 1
Região 2
Região 3
Distância Sé
Distância Sto André
Distância São Bernardo
Distância Guarulhos
Renda Chefe Distrito
Desigualdade Distrito
Inflação
Juros
Constante
FD 50, 6053 =
Adj R-squared =
Demandas Inelásticas
Regressão D1
Coef.
Std. Err.
t
2.2E-03
5.6E-06
4.0
4.6E-03
1.7E-02
0.3
2.6E-01
1.7E-02 15.8
-4.5E-02
1.1E-02 -3.9
2.7E-04
2.4E-04
1.1
1.2E-01
2.8E-02
4.2
-7.2E-02
2.5E-02 -2.8
-2.9E-02
5.5E-03 -5.3
-8.8E-03
2.1E-03 -4.2
2.4E-02
6.2E-03
4.0
-7.6E-01
3.1E-02 -24.6
8.2E-01
1.5E-02 53.3
-8.9E-02
1.4E-02 -6.5
6.3E-03
1.7E-02
0.4
1.4E-02
9.1E-03
1.6
-9.6E-04
7.9E-03 -0.1
4.8E-03
8.2E-03
0.6
1.4E-02
1.4E-02
1.0
-9.2E-03
4.4E-03 -2.1
-7.9E-04
1.0E-02 -0.1
6.7E-03
6.4E-03
1.0
-4.3E-06
3.3E-06 -1.3
-2.7E-03
1.1E-03 -2.3
-8.6E-02
8.9E-02 -1.0
1.8E-01
4.7E-01
0.4
-6.2E+00
8.3E-02 -74.6
399
77%
5203
P>|t|
0%
79%
0%
0%
28%
0%
0%
0%
0%
0%
0%
0%
0%
71%
12%
90%
56%
33%
4%
94%
30%
19%
2%
33%
71%
0%
Regressão D2
Coef. Std. Err.
t
P>|t|
-4.0E-03 7.6E-06
-5.2 0%
9.6E-02 2.4E-02
4.1 0%
2.8E-01 2.3E-02
12.3 0%
-3.8E-01 1.5E-02 -25.7 0%
-1.3E-04 3.4E-04
-0.4 69%
8.9E-01 3.6E-02
24.5 0%
2.3E-01 3.5E-02
6.5 0%
1.0E-01 7.2E-03
14.5 0%
-1.0E-02 2.9E-03
-3.6 0%
1.1E-02 8.6E-03
1.2 22%
-2.0E+00 3.6E-02 -56.6 0%
4.8E-01 2.0E-02
23.6 0%
8.5E-02 1.9E-02
4.6 0%
3.3E-02 2.3E-02
1.4 16%
-8.7E-02 1.2E-02
-7.0 0%
-1.8E-01 1.0E-02 -17.0 0%
-1.4E-01 1.1E-02 -12.3 0%
-7.2E-01 1.5E-02 -49.2 0%
-2.1E-02 6.1E-03
-3.4 0%
3.9E-02 1.5E-02
2.7 1%
-1.7E-02 8.8E-03
-1.9 5%
-5.7E-05 4.4E-06 -12.9 0%
1.1E-02 1.6E-03
7.0 0%
-8.4E-01 1.2E-01
-6.8 0%
-2.3E+00 6.5E-01
-3.5 0%
40,752
99.7%
5101
* Variáveis em Logaritmo
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
186
Tabela 4.A.2
Variável
Regressão D3
Coef. Std. Err.
t
-3.2E-03 6.6E-06 -4.80
9.3E-02 2.4E-02 3.92
2.9E-01 2.3E-02 12.73
-3.8E-01 1.5E-02 -25.92
-1.9E-02 1.1E-03 -17.17
Regressão D4
Coef. Std. Err.
t
P>|t|
2.2E-03 5.6E-06
4.0 0%
4.6E-03 1.7E-02
0.3 79%
2.6E-01 1.7E-02
15.8 0%
-4.5E-02 1.1E-02
-3.9 0%
P>|t|
Preço
0.0%
Horizontais
0.0%
Cooperativas
0.0%
MSP
0.0%
Tendência
0.0%
Domicílios*
-1.7E+00
Prazo
-2.8E-04 3.3E-04 -0.83 40.5% 2.7E-04
Dormitórios*
8.9E-01 3.7E-02 24.43 0.0% 1.2E-01
Banheiro*
2.3E-01 3.5E-02 6.59 0.0% -7.2E-02
Vagas
1.1E-01 7.3E-03 14.78 0.0% -2.9E-02
Elevadores
-1.1E-02 2.9E-03 -3.70 0.0% -8.8E-03
Cobertura
9.5E-03 8.6E-03 1.10 27.1% 2.4E-02
Área Útil*
-2.1E+00 3.6E-02 -57.16 0.0% -7.6E-01
Área Total*
4.7E-01 2.0E-02 23.20 0.0% 8.2E-01
Terreno*
8.5E-02 1.9E-02 4.57 0.0% -8.9E-02
Hotel
3.3E-02 2.3E-02 1.42 15.5% 6.3E-03
Região 1
-9.0E-02 1.3E-02 -7.15 0.0% 1.4E-02
Região 2
-1.8E-01 1.0E-02 -17.05 0.0% -9.6E-04
Região 3
-1.4E-01 1.1E-02 -12.41 0.0% 4.8E-03
Distância Sé
-7.2E-01 1.4E-02 -49.85 0.0% 1.4E-02
Distância Sto André
-2.1E-02 6.1E-03 -3.44 0.1% -9.2E-03
Distância São Bernardo 3.7E-02 1.5E-02 2.52 1.2% -7.9E-04
Distância Guarulhos
-1.5E-02 8.9E-03 -1.66 9.6% 6.7E-03
Renda Chefe Distrito
-6.1E-05 4.4E-06 -13.89 0.0% -4.3E-06
Desigualdade Distrito
1.1E-02 1.6E-03 7.34 0.0% -2.7E-03
Inflação
-1.2E-01 3.2E-02 -3.70 0.0% -8.6E-02
Juros
3.9E-02 3.6E-01 0.11 91.4% 1.8E-01
FD 37, 6067 =
54,233
Adj R-squared =
99.7%
Demandas Inelásticas
4209
4557
2.3E-02
2.4E-04
2.8E-02
2.5E-02
5.5E-03
2.1E-03
6.2E-03
3.1E-02
1.5E-02
1.4E-02
1.7E-02
9.1E-03
7.9E-03
8.2E-03
1.4E-02
4.4E-03
1.0E-02
6.4E-03
3.3E-06
1.1E-03
8.9E-02
4.7E-01
-74.6
1.1
4.2
-2.8
-5.3
-4.2
4.0
-24.6
53.3
-6.5
0.4
1.6
-0.1
0.6
1.0
-2.1
-0.1
1.0
-1.3
-2.3
-1.0
0.4
76,764
99.9%
0%
28%
0%
0%
0%
0%
0%
0%
0%
0%
71%
12%
90%
56%
33%
4%
94%
30%
19%
2%
33%
71%
* Variáveis em Logaritmo
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
187
Tabela 4.A.3
Variável
Regressão D5
Coef. Std. Err.
t
P>|t|
-3.9E-03 7.7E-06
-5.1 0%
9.6E-02 2.4E-02
4.1 0%
2.8E-01 2.3E-02
12.2 0%
-3.7E-01 1.5E-02 -25.6 0%
-1.4E-04 3.4E-04
-0.4 67%
8.9E-01 3.6E-02
24.5 0%
2.3E-01 3.5E-02
6.5 0%
1.0E-01 7.3E-03
14.4 0%
-1.0E-02 2.9E-03
-3.6 0%
1.1E-02 8.6E-03
1.2 21%
-2.0E+00 3.6E-02 -56.3 0%
4.8E-01 2.0E-02
23.6 0%
8.5E-02 1.9E-02
4.6 0%
-3.7E-03 8.7E-03
-0.4 67%
Preço
Horizontais
Cooperativas
MSP
Prazo
Dormitórios*
Banheiro*
Vagas
Elevadores
Cobertura
Área Útil*
Área Total*
Terreno*
Agente Governo
Agente Privado
Hotel
3.2E-02
Região 1
-8.7E-02
Região 2
-1.8E-01
Região 3
-1.4E-01
Distância Sé
-7.1E-01
Distância Sto André
-2.1E-02
Distância São Bernardo 3.9E-02
Distância Guarulhos
-1.7E-02
Renda Chefe Distrito
-5.7E-05
Desigualdade Distrito
1.1E-02
Inflação
-8.3E-01
Juros
-2.3E+00
FD 51, 6053 =
Adj R-squared =
Demandas Inelásticas
4855
2.3E-02
1.2E-02
1.0E-02
1.1E-02
1.5E-02
6.1E-03
1.5E-02
8.8E-03
4.4E-06
1.6E-03
1.2E-01
6.5E-01
1.4 17%
-7.0 0%
-17.0 0%
-12.3 0%
-49.0 0%
-3.4 0%
2.7 1%
-1.9 6%
-12.9 0%
7.0 0%
-6.8 0%
-3.5 0%
39,948
99.7%
Regressão D6
Coef. Std. Err.
t
P>|t|
-3.9E-03 7.6E-06
-5.2 0%
9.9E-02 2.4E-02
4.2 0%
2.8E-01 2.3E-02
12.0 0%
-3.7E-01 1.5E-02 -25.4 0%
-4.7E-04 3.5E-04
-1.4 18%
8.9E-01 3.6E-02
24.6 0%
2.3E-01 3.5E-02
6.6 0%
1.0E-01 7.2E-03
14.2 0%
-1.0E-02 2.9E-03
-3.5 0%
1.1E-02 8.6E-03
1.3 20%
-2.0E+00 3.6E-02 -56.8 0%
4.9E-01 2.0E-02
24.0 0%
7.7E-02 1.9E-02
4.2 0%
-4.5E-02
2.9E-02
-8.9E-02
-1.8E-01
-1.4E-01
-7.1E-01
-2.0E-02
3.8E-02
-1.7E-02
-5.7E-05
1.1E-02
-8.2E-01
-2.2E+00
1.1E-02
2.3E-02
1.2E-02
1.0E-02
1.1E-02
1.5E-02
6.1E-03
1.4E-02
8.8E-03
4.4E-06
1.6E-03
1.2E-01
6.5E-01
-4.2 0%
1.2 22%
-7.1 0%
-17.1 0%
-12.3 0%
-49.2 0%
-3.4 0%
2.7 1%
-2.0 5%
-12.9 0%
7.2 0%
-6.7 0%
-3.3 0%
40,065
99.7%
3997
* Variáveis em Logaritmo
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
188
Tabela 4.A.4
Variável
Regressão D7
Coef. Std. Err.
t
P>|t|
-3.8E-03 7.7E-06
-5.0 0%
1.0E-01 2.4E-02
4.3 0%
2.7E-01 2.3E-02
11.8 0%
-3.7E-01 1.5E-02 -25.3 0%
-5.7E-04 3.5E-04
-1.6 11%
9.0E-01 3.6E-02
24.7 0%
2.3E-01 3.5E-02
6.6 0%
1.0E-01 7.3E-03
14.1 0%
-1.0E-02 2.9E-03
-3.5 0%
1.1E-02 8.6E-03
1.3 19%
-2.0E+00 3.6E-02 -56.6 0%
4.9E-01 2.0E-02
24.0 0%
7.7E-02 1.9E-02
4.1 0%
-1.7E-02 9.1E-03
-1.9 6%
-5.2E-02 1.1E-02
-4.6 0%
2.5E-02 2.3E-02
1.1 29%
-9.0E-02 1.2E-02
-7.2 0%
-1.8E-01 1.0E-02 -17.1 0%
-1.4E-01 1.1E-02 -12.4 0%
-7.1E-01 1.5E-02 -48.8 0%
-2.1E-02 6.1E-03
-3.4 0%
Preço
Horizontais
Cooperativas
MSP
Prazo
Dormitórios*
Banheiro*
Vagas
Elevadores
Cobertura
Área Útil*
Área Total*
Terreno*
Agente Governo
Agente Privado
Hotel
Região 1
Região 2
Região 3
Distância Sé
Distância Sto André
Distância São Bernardo
Distância Barueri
3.8E-02
Distância Guarulhos
-1.7E-02
Renda Chefe Distrito
-5.7E-05
Desigualdade Distrito
1.1E-02
Inflação
-8.0E-01
Juros
-2.2E+00
FD 52, 6052 =
Adj R-squared =
Demandas Inelásticas
3697
1.4E-02
8.8E-03
4.4E-06
1.6E-03
1.2E-01
6.5E-01
2.6
-1.9
-12.9
7.2
-6.5
-3.3
39,312
99.7%
1%
6%
0%
0%
0%
0%
Regressão D8
Coef. Std. Err.
t
P>|t|
-4.0E-03 7.6E-06
-5.2 0%
9.9E-02 2.4E-02
4.2 0%
2.8E-01 2.3E-02 12.1 0%
-3.4E-01 1.4E-02 -24.6 0%
-4.7E-04 3.5E-04
-1.3 18%
9.0E-01 3.6E-02 24.7 0%
2.2E-01 3.5E-02
6.4 0%
1.0E-01 7.3E-03 14.2 0%
-1.0E-02 2.9E-03
-3.5 0%
1.3E-02 8.5E-03
1.5 12%
-2.0E+00 3.6E-02 -56.7 0%
4.9E-01 2.0E-02 23.8 0%
8.3E-02 1.9E-02
4.5 0%
-4.6E-02
2.8E-02
-9.0E-02
-1.8E-01
-1.4E-01
-7.2E-01
1.1E-02
2.3E-02
1.2E-02
1.0E-02
1.1E-02
1.5E-02
-4.3 0%
1.2 24%
-7.2 0%
-17.7 0%
-12.4 0%
-49.4 0%
3.8E-03
4.7E-02
-1.1E-02
-5.8E-05
1.1E-02
-8.2E-01
-2.2E+00
6.5E-03
1.4E-02
8.8E-03
4.5E-06
1.6E-03
1.2E-01
6.5E-01
0.6 55%
3.3 0%
-1.3 19%
-13.0 0%
7.3 0%
-6.7 0%
-3.3 0%
39,993
99.7%
4112
* Variáveis em Logaritmo
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
189
Tabela 4.A.5
Variável
Preço
Horizontais
Cooperativas
MSP
Prazo
Dormitórios*
Banheiro*
Vagas
Elevadores
Cobertura
Área Útil*
Área Total*
Terreno*
Agente Privado
Hotel
Região 1
Região 2
Região 3
Distância Sé
Distância Bandeirantes
Distância 1
Distância Santo André
Distância Barueri
Distância Guarulhos
Renda Chefe Distrito
Desigualdade Distrito
Inflação
Juros
FD 51, 6053 =
Adj R-squared =
Demandas Inelásticas
Regressão D9
Coef. Std. Err.
t
P>|t|
-1.4E-03 7.0E-06
-2.1 4%
9.7E-02 2.2E-02
4.5 0%
2.9E-01 2.1E-02
13.9 0%
-2.7E-01 1.3E-02 -20.4 0%
2.8E-04 3.2E-04
0.9 37%
5.2E-01 3.4E-02
15.2 0%
1.7E-01 3.2E-02
5.3 0%
7.0E-02 6.7E-03
10.5 0%
-8.1E-03 2.6E-03
-3.1 0%
1.9E-02 7.8E-03
2.5 1%
-1.7E+00 3.4E-02 -50.2 0%
6.4E-01 1.9E-02
33.7 0%
-1.0E-02 1.7E-02
-0.6 54%
-3.1E-02 9.8E-03
-3.2 0%
-4.1E-02 2.1E-02
-1.9 6%
3.3E-01 1.3E-02
25.4 0%
1.4E-01 1.0E-02
13.2 0%
1.7E-01 1.1E-02
15.6 0%
-9.6E-01 1.5E-02
-8.5E-03
2.5E-02
-1.6E-02
-1.1E-04
1.8E-03
-6.1E-01
-4.7E-01
4055
-63.9
Regressão D10
Coef. Std. Err.
t
P>|t|
-3.9E-03 7.6E-06
-5.1 0%
1.0E-01 2.4E-02
4.3 0%
2.8E-01 2.3E-02
12.0 0%
-3.3E-01 1.3E-02 -24.7 0%
-4.1E-04 3.5E-04
-1.2 23%
8.9E-01 3.6E-02
24.6 0%
2.3E-01 3.5E-02
6.7 0%
1.0E-01 7.3E-03
14.2 0%
-9.9E-03 2.9E-03
-3.4 0%
1.4E-02 8.6E-03
1.6 11%
-2.0E+00 3.6E-02 -56.5 0%
5.0E-01 2.0E-02
24.3 0%
7.2E-02 1.9E-02
3.9 0%
-4.4E-02 1.1E-02
-4.1 0%
2.9E-02 2.3E-02
1.3 21%
-1.1E-01 1.3E-02
-8.5 0%
-1.9E-01 1.0E-02 -18.4 0%
-1.3E-01 1.1E-02 -11.9 0%
-7.3E-01 1.5E-02 -48.5 0%
0%
1.0E-02 3.4E-03
3.1 0%
-1.5 13%
1.9 6%
-2.0 5%
-25.4 0% -5.8E-05 4.4E-06 -13.1 0%
1.3 19% 1.3E-02 1.6E-03
7.9 0%
-5.4 0% -8.2E-01 1.2E-01
-6.7 0%
-0.8 43% -2.2E+00 6.5E-01
-3.4 0%
47,948
41,613
99.8%
99.7%
3657
* Variáveis em Logaritmo
Fonte: Tabulação do Autor a partir de Dados da Embraesp
5.6E-03
1.3E-02
8.1E-03
4.2E-06
1.4E-03
1.1E-01
6.0E-01
Demanda e Oferta de Imóveis Novos
190
Tabela 4.A.6
Variável
Regressão D11
Regressão D12
Coef. Std. Err.
t
P>|t| Coef.
Std. Err.
t
P>|t|
Preço
-1.1E-02 7.1E-06 -15.6 0% -1.7E-03 8.0E-06
-2.1 4%
Horizontais
6.2E-02 2.2E-02
2.8 0% -1.1E-01 2.3E-02
-5.0 0%
Cooperativas
1.3E-01 2.2E-02
6.0 0% 2.4E-01 2.4E-02
9.9 0%
MSP
-2.5E-01 1.4E-02 -18.2 0% -3.1E-01 1.5E-02 -20.3 0%
Prazo
-5.3E-04 3.2E-04
-1.6 10% 1.7E-03 3.5E-04
4.9 0%
Dormitórios*
7.2E-01 3.3E-02
21.9 0% 8.0E-01 3.8E-02
21.3 0%
Banheiro*
2.0E-01 3.2E-02
6.3 0% 2.4E-01 3.6E-02
6.7 0%
Vagas
1.7E-01 7.1E-03
23.4 0% 4.1E-02 8.9E-03
4.6 0%
Elevadores
-5.2E-03 2.7E-03
-1.9 6% 5.6E-03 3.0E-03
1.9 6%
Cobertura
2.8E-02 8.0E-03
3.5 0% 1.0E-02 8.9E-03
1.2 24%
Área total Imóvel
-2.1E+00 3.2E-02 -67.3 0%
Área Útil*
-1.9E+00 3.8E-02 -49.6 0%
Área Total*
6.7E-01 2.0E-02
33.8 0%
Diferença área total e útil
6.1E-04 1.1E-04
5.7 0%
Terreno*
-6.8E-02 1.8E-02
-3.8 0% 4.6E-01 1.0E-02
45.9 0%
Agente Privado
-3.2E-02 1.0E-02
-3.1 0% -1.4E-02 1.1E-02
-1.3 21%
Hotel
1.4E-01 2.2E-02
6.6 0% 5.6E-02 2.4E-02
2.3 2%
Região 1
-9.1E-02 1.2E-02
-7.8 0% -7.0E-02 1.3E-02
-5.3 0%
Região 2
-1.8E-01 9.7E-03 -18.1 0% -1.5E-01 1.1E-02 -13.7 0%
Região 3
-1.2E-01 1.0E-02 -11.9 0% -1.1E-01 1.1E-02
-9.4 0%
Distância Sé
-6.3E-01 1.4E-02 -45.6 0% -6.7E-01 1.6E-02 -43.0 0%
Distância Santo André
-1.6E-02 5.7E-03
-2.9 0% -1.4E-02 6.3E-03
-2.1 3%
Distância Barueri
3.8E-02 1.4E-02
2.8 1% 6.7E-02 1.5E-02
4.5 0%
Distância Guarulhos
-6.4E-03 8.3E-03
-0.8 44% -3.6E-03 9.2E-03
-0.4 70%
Renda Chefe Distrito
-4.1E-05 4.2E-06
-9.8 0% -4.5E-05 4.6E-06
-9.7 0%
Desigualdade Distrito
1.3E-02 1.5E-03
8.6 0% 5.4E-03 1.6E-03
3.3 0%
Inflação
-6.2E-01 1.1E-01
-5.4 0% -6.8E-01 1.3E-01
-5.3 0%
Juros
-1.2E+00 6.1E-01
-2.0 4% -2.0E+00 6.8E-01
-3.0 0%
FO 51, 6053 =
45,706
36,779
Adj R-squared =
99.7%
99.7%
Demandas Inelásticas
5150
3867
* Variáveis em Logaritmo
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
191
4.A.2: Resultados das Regressões de Demanda – Controles Sazonais
Variável
ano86
ano87
ano88
ano89
ano90
ano91
ano92
ano93
ano94
ano95
ano96
ano97
ano98
ano99
saz1
saz2
saz3
saz4
saz5
saz6
saz7
saz8
saz9
saz10
saz11
Regressão D1
Regressão D2
Coef.
Std. Err.
t
P>|t| Coef. Std. Err. t P>|t|
-5.6E-03
1.5E-02 -0.4 70% -1.1E-01 2.0E-02 -5.7 0%
1.7E-02
1.7E-02 1.0 30% -7.7E-02 2.3E-02 -3.3 0%
3.2E-02
1.7E-02 1.9
6% -4.6E-02 2.3E-02 -2.0 5%
-9.0E-04
2.0E-02 0.0 96% 6.5E-02 2.7E-02 2.4 2%
-1.5E-02
2.7E-02 -0.6 57% 2.6E-02 3.7E-02 0.7 49%
-3.7E-02
1.8E-02 -2.1
4% -7.5E-02 2.5E-02 -3.1 0%
-1.2E-02
2.4E-02 -0.5 62% 2.5E-02 3.3E-02 0.8 44%
-8.1E-02
2.2E-02 -3.7
0% -5.3E-02 3.0E-02 -1.7 8%
-3.9E-02
2.4E-02 -1.6 10% -5.1E-02 3.3E-02 -1.5 12%
-8.4E-02
1.4E-02 -5.9
0% -2.4E-01 2.0E-02 -12.3 0%
-9.9E-02
1.6E-02 -6.2
0% -3.0E-01 2.2E-02 -13.5 0%
-9.4E-02
1.6E-02 -5.8
0% -2.8E-01 2.2E-02 -12.5 0%
-8.9E-02
1.7E-02 -5.2
0% -2.9E-01 2.4E-02 -12.2 0%
-1.1E-01
2.0E-02 -5.4
0% -3.5E-01 2.8E-02 -12.5 0%
1.3E-02
1.6E-02 0.8 42% -5.1E-02 2.2E-02 -2.3 2%
3.0E-02
1.5E-02 2.0
4% -3.8E-03 2.0E-02 -0.2 85%
-9.5E-04
1.3E-02 -0.1 94% -7.5E-02 1.8E-02 -4.3 0%
1.6E-03
1.3E-02 0.1 90% -6.1E-02 1.8E-02 -3.5 0%
3.7E-02
1.2E-02 3.2
0% -5.5E-02 1.6E-02 -3.4 0%
1.4E-02
1.2E-02 1.2 23% -6.5E-02 1.6E-02 -4.0 0%
1.6E-02
1.3E-02 1.2 23% -5.5E-02 1.8E-02 -3.0 0%
2.0E-02
1.2E-02 1.7
9% -4.7E-02 1.6E-02 -2.9 0%
4.8E-03
1.2E-02 0.4 68% -7.8E-02 1.6E-02 -4.8 0%
4.7E-03
1.2E-02 0.4 69% -7.7E-02 1.6E-02 -4.8 0%
8.3E-03
1.2E-02 0.7 48% -5.1E-02 1.6E-02 -3.2 0%
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
Variável
Coef.
saz1
saz2
saz3
saz4
saz5
saz6
saz7
saz8
saz9
saz10
saz11
Regressão D3
Std. Err.
t
-7.0E-02
-2.7E-02
-9.7E-02
-7.7E-02
-7.2E-02
-7.9E-02
-6.8E-02
-6.0E-02
-8.9E-02
-8.5E-02
-5.9E-02
2.2E-02
2.0E-02
1.7E-02
1.7E-02
1.6E-02
1.6E-02
1.8E-02
1.6E-02
1.6E-02
1.6E-02
1.6E-02
-3.16
-1.33
-5.59
-4.45
-4.45
-4.88
-3.74
-3.70
-5.53
-5.32
-3.68
192
Regressão D4
Coef. Std. Err. t P>|t|
8.4E-03 1.5E-02 0.6 57%
4.5E-02 1.7E-02 2.7 1%
7.3E-02 1.7E-02 4.4 0%
5.5E-02 2.0E-02 2.8 1%
5.5E-02 2.7E-02 2.0 4%
4.7E-02 1.8E-02 2.6 1%
8.4E-02 2.4E-02 3.5 0%
2.6E-02 2.2E-02 1.2 24%
7.9E-02 2.4E-02 3.3 0%
4.5E-02 1.5E-02 3.0 0%
4.1E-02 1.7E-02 2.5 1%
6.0E-02 1.7E-02 3.6 0%
7.6E-02 1.8E-02 4.3 0%
6.4E-02 2.1E-02 3.1 0%
0.2% 1.3E-02 1.6E-02 0.8 42%
18.2% 3.0E-02 1.5E-02 2.0 4%
0.0% -9.5E-04 1.3E-02 -0.1 94%
0.0% 1.6E-03 1.3E-02 0.1 90%
0.0% 3.7E-02 1.2E-02 3.2 0%
0.0% 1.4E-02 1.2E-02 1.2 23%
0.0% 1.6E-02 1.3E-02 1.2 23%
0.0% 2.0E-02 1.2E-02 1.7 9%
0.0% 4.8E-03 1.2E-02 0.4 68%
0.0% 4.7E-03 1.2E-02 0.4 69%
0.0% 8.3E-03 1.2E-02 0.7 48%
Fonte: Tabulação do Autor a partir de Dados da Embraesp
P>|t|
Demanda e Oferta de Imóveis Novos
Variável
ano86
ano87
ano88
ano89
ano90
ano91
ano92
ano93
ano94
ano95
ano96
ano97
ano98
ano99
saz1
saz2
saz3
saz4
saz5
saz6
saz7
saz8
saz9
saz10
saz11
Regressão D5
Coef. Std. Err. t P>|t|
-1.2E-01 2.0E-02 -5.7 0%
-7.7E-02 2.3E-02 -3.3 0%
-4.5E-02 2.3E-02 -2.0 5%
6.4E-02 2.7E-02 2.3 2%
2.4E-02 3.7E-02 0.7 51%
-7.6E-02 2.5E-02 -3.1 0%
2.5E-02 3.3E-02 0.8 45%
-5.4E-02 3.1E-02 -1.8 8%
-5.2E-02 3.3E-02 -1.6 12%
-2.4E-01 2.0E-02 -12.3 0%
-3.0E-01 2.2E-02 -13.5 0%
-2.8E-01 2.2E-02 -12.5 0%
-2.9E-01 2.4E-02 -12.2 0%
-3.5E-01 2.8E-02 -12.5 0%
-5.1E-02 2.2E-02 -2.3 2%
-3.9E-03 2.0E-02 -0.2 85%
-7.5E-02 1.8E-02 -4.3 0%
-6.1E-02 1.8E-02 -3.5 0%
-5.5E-02 1.6E-02 -3.4 0%
-6.5E-02 1.6E-02 -4.0 0%
-5.5E-02 1.8E-02 -3.0 0%
-4.7E-02 1.6E-02 -2.9 0%
-7.8E-02 1.6E-02 -4.8 0%
-7.7E-02 1.6E-02 -4.8 0%
-5.1E-02 1.6E-02 -3.2 0%
193
Regressão D6
Coef. Std. Err. t P>|t|
-1.2E-01 2.0E-02 -5.8 0%
-8.2E-02 2.3E-02 -3.5 0%
-4.6E-02 2.3E-02 -2.0 4%
6.5E-02 2.7E-02 2.4 2%
2.5E-02 3.7E-02 0.7 50%
-7.7E-02 2.5E-02 -3.1 0%
2.1E-02 3.3E-02 0.6 52%
-5.7E-02 3.0E-02 -1.9 6%
-5.2E-02 3.3E-02 -1.6 12%
-2.4E-01 2.0E-02 -12.3 0%
-3.0E-01 2.2E-02 -13.5 0%
-2.7E-01 2.2E-02 -12.3 0%
-2.8E-01 2.4E-02 -12.0 0%
-3.5E-01 2.8E-02 -12.5 0%
-5.0E-02 2.2E-02 -2.2 3%
-3.1E-03 2.0E-02 -0.2 88%
-7.4E-02 1.8E-02 -4.2 0%
-5.9E-02 1.8E-02 -3.4 0%
-5.3E-02 1.6E-02 -3.2 0%
-6.4E-02 1.6E-02 -3.9 0%
-5.4E-02 1.8E-02 -3.0 0%
-4.6E-02 1.6E-02 -2.8 1%
-7.6E-02 1.6E-02 -4.7 0%
-7.5E-02 1.6E-02 -4.7 0%
-5.0E-02 1.6E-02 -3.1 0%
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
Variável
ano86
ano87
ano88
ano89
ano90
ano91
ano92
ano93
ano94
ano95
ano96
ano97
ano98
ano99
saz1
saz2
saz3
saz4
saz5
saz6
saz7
saz8
saz9
saz10
saz11
Regressão D7
Coef. Std. Err. t P>|t|
-1.2E-01 2.0E-02 -6.0 0%
-8.3E-02 2.3E-02 -3.6 0%
-4.6E-02 2.3E-02 -2.0 5%
6.1E-02 2.7E-02 2.2 3%
1.8E-02 3.7E-02 0.5 63%
-8.0E-02 2.5E-02 -3.2 0%
2.0E-02 3.3E-02 0.6 54%
-6.2E-02 3.1E-02 -2.0 4%
-5.7E-02 3.3E-02 -1.7 9%
-2.4E-01 2.0E-02 -12.4 0%
-3.0E-01 2.2E-02 -13.6 0%
-2.8E-01 2.2E-02 -12.4 0%
-2.8E-01 2.3E-02 -12.1 0%
-3.5E-01 2.8E-02 -12.5 0%
-4.9E-02 2.2E-02 -2.2 3%
-3.6E-03 2.0E-02 -0.2 86%
-7.4E-02 1.8E-02 -4.2 0%
-5.8E-02 1.8E-02 -3.3 0%
-5.3E-02 1.6E-02 -3.2 0%
-6.4E-02 1.6E-02 -3.9 0%
-5.4E-02 1.8E-02 -3.0 0%
-4.7E-02 1.6E-02 -2.9 0%
-7.6E-02 1.6E-02 -4.7 0%
-7.5E-02 1.6E-02 -4.7 0%
-5.0E-02 1.6E-02 -3.1 0%
194
Regressão D8
Coef. Std. Err. t P>|t|
-1.2E-01 2.0E-02 -5.9 0%
-8.2E-02 2.3E-02 -3.5 0%
-4.6E-02 2.3E-02 -2.0 4%
6.6E-02 2.7E-02 2.4 2%
2.6E-02 3.7E-02 0.7 49%
-7.7E-02 2.5E-02 -3.1 0%
2.0E-02 3.3E-02 0.6 54%
-5.6E-02 3.0E-02 -1.9 6%
-5.2E-02 3.3E-02 -1.6 12%
-2.4E-01 2.0E-02 -12.2 0%
-3.0E-01 2.2E-02 -13.5 0%
-2.7E-01 2.2E-02 -12.4 0%
-2.8E-01 2.4E-02 -12.0 0%
-3.4E-01 2.8E-02 -12.4 0%
-5.1E-02 2.2E-02 -2.3 2%
-3.5E-03 2.0E-02 -0.2 86%
-7.4E-02 1.8E-02 -4.2 0%
-5.9E-02 1.8E-02 -3.4 0%
-5.2E-02 1.6E-02 -3.2 0%
-6.2E-02 1.6E-02 -3.8 0%
-5.5E-02 1.8E-02 -3.0 0%
-4.5E-02 1.6E-02 -2.8 1%
-7.5E-02 1.6E-02 -4.6 0%
-7.5E-02 1.6E-02 -4.7 0%
-4.9E-02 1.6E-02 -3.1 0%
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
Variável
ano86
ano87
ano88
ano89
ano90
ano91
ano92
ano93
ano94
ano95
ano96
ano97
ano98
ano99
saz1
saz2
saz3
saz4
saz5
saz6
saz7
saz8
saz9
saz10
saz11
Regressão D9
Coef. Std. Err. t P>|t|
-6.7E-02 1.9E-02 -3.6 0%
-3.3E-02 2.1E-02 -1.5 12%
-1.9E-02 2.1E-02 -0.9 35%
2.5E-02 2.5E-02 1.0 32%
1.6E-02 3.4E-02 0.5 63%
-9.1E-02 2.2E-02 -4.1 0%
-3.7E-02 3.0E-02 -1.2 22%
-9.6E-02 2.8E-02 -3.5 0%
-4.9E-02 3.0E-02 -1.6 11%
-2.3E-01 1.8E-02 -12.7 0%
-2.7E-01 2.0E-02 -13.3 0%
-2.7E-01 2.0E-02 -13.2 0%
-2.6E-01 2.1E-02 -12.2 0%
-2.9E-01 2.5E-02 -11.4 0%
-4.2E-02 2.1E-02 -2.1 4%
-2.1E-03 1.9E-02 -0.1 91%
-5.0E-02 1.6E-02 -3.1 0%
-4.0E-02 1.6E-02 -2.5 1%
-2.4E-02 1.5E-02 -1.6 11%
-3.9E-02 1.5E-02 -2.6 1%
-3.8E-02 1.7E-02 -2.3 2%
-1.7E-02 1.5E-02 -1.2 24%
-4.3E-02 1.5E-02 -2.9 0%
-4.7E-02 1.5E-02 -3.2 0%
-3.8E-02 1.5E-02 -2.6 1%
195
Regressão D10
Coef. Std. Err. t P>|t|
-1.2E-01 2.0E-02 -5.9 0%
-8.2E-02 2.3E-02 -3.5 0%
-4.7E-02 2.3E-02 -2.0 4%
6.5E-02 2.7E-02 2.4 2%
2.2E-02 3.7E-02 0.6 55%
-8.1E-02 2.5E-02 -3.3 0%
2.0E-02 3.3E-02 0.6 54%
-5.8E-02 3.0E-02 -1.9 6%
-5.4E-02 3.3E-02 -1.6 10%
-2.4E-01 2.0E-02 -12.2 0%
-3.0E-01 2.2E-02 -13.6 0%
-2.8E-01 2.2E-02 -12.5 0%
-2.8E-01 2.4E-02 -12.1 0%
-3.5E-01 2.8E-02 -12.5 0%
-5.1E-02 2.2E-02 -2.3 2%
-4.3E-03 2.0E-02 -0.2 83%
-7.4E-02 1.8E-02 -4.2 0%
-5.9E-02 1.8E-02 -3.4 0%
-5.2E-02 1.6E-02 -3.2 0%
-6.2E-02 1.6E-02 -3.8 0%
-5.5E-02 1.8E-02 -3.0 0%
-4.5E-02 1.6E-02 -2.8 1%
-7.4E-02 1.6E-02 -4.6 0%
-7.5E-02 1.6E-02 -4.7 0%
-4.9E-02 1.6E-02 -3.1 0%
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
Variável
ano86
ano87
ano88
ano89
ano90
ano91
ano92
ano93
ano94
ano95
ano96
ano97
ano98
ano99
saz1
saz2
saz3
saz4
saz5
saz6
saz7
saz8
saz9
saz10
saz11
196
Regressão D11
Regressão D12
Coef. Std. Err.
t P>|t| Coef.
Std. Err.
t P>|t|
-2.4E-02 1.9E-02 -1.3 20% -1.0E-01
2.1E-02 -4.9 0%
-2.6E-03 2.2E-02 -0.1 91% -4.7E-02
2.4E-02 -1.9 5%
-8.9E-03 2.1E-02 -0.4 68% -2.8E-02
2.4E-02 -1.2 24%
1.3E-01 2.5E-02 4.9 0% 5.9E-02
2.9E-02 2.1 4%
9.4E-02 3.5E-02 2.7 1% 1.7E-02
3.9E-02 0.4 67%
1.1E-02 2.3E-02 0.5 64% -5.7E-02
2.6E-02 -2.2 3%
4.9E-02 3.1E-02 1.6 11% 4.7E-02
3.4E-02 1.4 17%
-2.6E-02 2.8E-02 -0.9 36% -2.7E-02
3.2E-02 -0.9 39%
-4.0E-02 3.1E-02 -1.3 20% -1.3E-02
3.5E-02 -0.4 71%
-1.8E-01 1.8E-02 -9.7 0% -1.7E-01
2.0E-02 -8.5 0%
-2.5E-01 2.1E-02 -12.3 0% -2.1E-01
2.3E-02 -9.4 0%
-2.3E-01 2.1E-02 -11.1 0% -1.8E-01
2.3E-02 -7.7 0%
-2.5E-01 2.2E-02 -11.4 0% -1.8E-01
2.4E-02 -7.4 0%
-3.1E-01 2.6E-02 -12.1 0% -2.3E-01
2.9E-02 -8.1 0%
-5.1E-02 2.1E-02 -2.4 2% -3.3E-02
2.3E-02 -1.4 16%
-1.2E-02 1.9E-02 -0.6 54% 1.4E-03
2.1E-02 0.1 95%
-6.8E-02 1.6E-02 -4.2 0% -6.6E-02
1.8E-02 -3.6 0%
-5.7E-02 1.6E-02 -3.5 0% -5.4E-02
1.8E-02 -3.0 0%
-5.2E-02 1.5E-02 -3.4 0% -4.4E-02
1.7E-02 -2.6 1%
-6.4E-02 1.5E-02 -4.2 0% -5.0E-02
1.7E-02 -3.0 0%
-6.1E-02 1.7E-02 -3.5 0% -4.5E-02
1.9E-02 -2.3 2%
-4.0E-02 1.5E-02 -2.6 1% -3.4E-02
1.7E-02 -2.0 5%
-7.3E-02 1.5E-02 -4.8 0% -6.0E-02
1.7E-02 -3.6 0%
-6.2E-02 1.5E-02 -4.1 0% -6.0E-02
1.7E-02 -3.6 0%
-3.6E-02 1.5E-02 -2.4 2% -3.9E-02
1.7E-02 -2.3 2%
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
197
4.A.3: Resultados das Regressões de Oferta – Variáveis Principais
Tabela 3.A.7
Variável
Regressão O1
Regressão O2
Coef. Std. Err.
t
P>|t| Coef. Std. Err.
t
P>|t|
K*
-5.2E-02 1.4E-02 -3.8
0 -5.2E-02 1.4E-02 -3.8 0%
Horizontais
4.1E-02 1.3E-02
3.1 0.002 4.1E-02 1.3E-02
3.2 0%
Cooperativas
-8.9E-02 1.4E-02 -6.3
0 -8.9E-02 1.4E-02 -6.3 0%
MSP
1.5E-02 6.7E-03
2.3 0.021 1.5E-02 6.7E-03
2.3 2%
Dormitórios*
-2.7E-02 1.9E-02 -1.4 15.9% -2.7E-02 1.9E-02 -1.4 16%
Banheiro*
1.5E-01 1.9E-02
8.0 0.0% 1.5E-01 1.9E-02
8.0 0%
Vagas
1.6E-02 3.3E-03
4.9 0.0% 1.6E-02 3.3E-03
4.9 0%
Elevadores
3.0E-03 1.1E-03
2.6 0.8% 3.0E-03 1.1E-03
2.7 1%
Cobertura
2.6E-02 4.8E-03
5.5 0.0% 2.7E-02 4.8E-03
5.5 0%
Andares
5.4E-03 5.1E-04 10.5 0.0% 5.4E-03 5.1E-04 10.5 0%
Total de Unidades
-4.5E-05 3.8E-05 -1.2 24.2% -4.4E-05 3.8E-05 -1.2 24%
Terreno*
-8.0E-02 7.5E-03 -10.6 0.0% -8.0E-02 7.5E-03 -10.6 0%
Agente Privado
2.5E-02 5.9E-03
4.3 0.0% 2.5E-02 5.9E-03
4.3 0%
Hotel
2.4E-01 1.2E-02 19.2 0.0% 2.4E-01 1.2E-02 19.2 0%
Distância Sé*
-2.0E-01 9.7E-03 -20.5 0.0% -2.0E-01 9.7E-03 -20.5 0%
Custo Construção Materiais ** 1.8E-03 4.3E-04
4.1 0.0%
Custo Construção MDO **
7.3E-04 6.8E-04
1.1 27.9%
Custo Construção Total **
2.7E-03 5.8E-04
4.7 0%
Inflação**
-6.5E-01 8.0E-02 -8.1 0.0% -6.3E-01 7.8E-02 -8.1 0%
Juros**
-6.3E-01 4.0E-01 -1.6 11.4% -7.3E-01 3.9E-01 -1.9 6%
Constante
3.6E+00 8.4E-02 42.6 0.0% 3.6E+00 7.7E-02 46.1 0%
FO 44, 6059 =
176
180
Adj R-squared =
55.8%
55.8%
* Variáveis em Logaritmo; ** Média Móvel Geométrica
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
198
Tabela 4.A.8
Variável
K*
Horizontais
Cooperativas
MSP
Tendência
Dormitórios*
Banheiro*
Vagas
Elevadores
Cobertura
Andares
Total de Unidades
Área Total Imóvel*
Terreno*
Agente Privado
Hotel
Distância Sé*
Custo Construção Total **
Inflação**
Juros**
Constante
FO 30, 6073 =
Adj R-squared =
Regressão O3
Coef. Std. Err.
t
-4.3E-02 1.5E-02 -2.9
2.3E-02 1.4E-02
1.6
-1.1E-01 1.5E-02 -7.5
1.1E-02 7.3E-03
1.5
-1.0E-02 6.7E-04 -15.4
-3.6E-02 2.1E-02 -1.7
1.4E-01 2.0E-02
6.7
1.7E-02 3.6E-03
4.9
3.3E-03 1.2E-03
2.7
3.0E-02 5.2E-03
5.8
4.4E-03 5.6E-04
8.0
-5.6E-05 4.2E-05 -1.4
-7.1E-02
1.5E-02
2.4E-01
-1.9E-01
4.5E-03
-7.7E-02
-5.8E-01
3.4E+00
P>|t|
0.004
11.6%
0.0%
13.5%
0.0%
8.7%
0.0%
0.0%
0.7%
0.0%
0.0%
17.6%
Regressão O4
Coef. Std. Err.
t
P>|t|
-1.4E-02 1.4E-02 -1.0 32%
6.8E-02 1.3E-02
5.2 0%
-1.2E-01 1.4E-02 -8.6 0%
2.3E-02 6.6E-03
3.5 0%
7.3E-02
2.2E-01
6.0E-02
2.2E-03
3.2E-02
4.5E-03
2.0E-02
1.9E-02
4.5E-03
7.8E-04
4.7E-03
5.1E-04
3.6
11.7
13.2
2.8
6.9
8.9
0%
0%
0%
1%
0%
0%
-3.0E-01 2.3E-02 -13.5 0%
8.2E-03 -8.6 0.0% -7.7E-02 7.0E-03 -11.0 0%
6.4E-03
2.4 1.6% 2.4E-02 5.8E-03
4.1 0%
1.4E-02 18.0 0.0% 2.4E-01 1.2E-02 19.7 0%
1.1E-02 -17.8 0.0% -1.9E-01 9.6E-03 -19.7 0%
2.1E-04 21.6 0.0% 2.6E-03 5.7E-04
4.5 0%
2.0E-02 -3.8 0.0% -5.8E-01 7.7E-02 -7.5 0%
2.2E-01 -2.6 0.9% -4.8E-01 3.8E-01 -1.2 21%
5.7E-02 60.5 0.0% 4.1E+00 8.4E-02 48.3 0%
182
190
47.3%
57.4%
* Variáveis em Logaritmo; ** Média Móvel Geométrica
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
199
Tabela 4.A.9
Variável
Regressão O5
Regressão O6
Coef. Std. Err.
t
P>|t| Coef. Std. Err.
t
P>|t|
Horizontais
7.1E-02 1.3E-02
5.6 0% 1.9E-02 1.5E-02
1.3 21%
Cooperativas
-1.2E-01 1.4E-02 -8.5 0% -8.6E-02 1.6E-02
-5.3 0%
MSP
2.3E-02 6.6E-03
3.5 0% 8.4E-02 7.6E-03 11.0 0%
Dormitórios*
7.4E-02 2.0E-02
3.7 0% -1.5E-01 2.3E-02
-6.5 0%
Banheiro*
2.2E-01 1.9E-02 11.7 0% 1.2E-01 2.2E-02
5.5 0%
Vagas
6.1E-02 4.5E-03 13.6 0% -8.7E-03 5.0E-03
-1.7 8%
Elevadores
2.1E-03 7.7E-04
2.7 1% -2.5E-04 9.0E-04
-0.3 78%
Cobertura
3.3E-02 4.7E-03
6.9 0% 3.2E-02 5.6E-03
5.8 0%
Andares
4.3E-03 4.2E-04 10.1 0% 6.9E-03 4.9E-04 13.9 0%
Área Total Imóvel*
-3.1E-01 2.2E-02 -14.0 0% 2.2E-01 2.3E-02
9.6 0%
Terreno*
-7.3E-02 5.7E-03 -12.8 0% -4.1E-02 6.7E-03
-6.2 0%
Agente Privado
2.4E-02 5.8E-03
4.1 0% 3.5E-02 6.8E-03
5.1 0%
Hotel
2.4E-01 1.2E-02 19.6 0% 2.5E-01 1.4E-02 17.4 0%
Distância Sé*
-1.9E-01 9.5E-03 -19.8 0% -7.1E-03 1.0E-02
-0.7 49%
Custo Construção Total ** 2.6E-03 5.7E-04
4.5 0% 2.3E-02 4.6E-04 49.9 0%
Inflação**
-5.8E-01 7.7E-02 -7.5 0% -1.6E+00 8.7E-02 -18.6 0%
Juros**
-4.7E-01 3.8E-01 -1.2 22% -3.7E+00 4.4E-01
-8.4 0%
Constante
4.0E+00 8.3E-02 48.8 0%
FO 42, 6061 =
194
43,899
Adj R-squared =
57.4%
99.7%
* Variáveis em Logaritmo; ** Média Móvel Geométrica
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
200
Tabela 4.A.10
Variável
Regressão O7
Regressão O8
Coef. Std. Err.
T P>|t| Coef. Std. Err.
t
P>|t|
Horizontais
7.2E-02 1.3E-02
5.6 0% 7.1E-02 1.3E-02
5.6 0%
Cooperativas
-1.1E-01 1.4E-02 -8.4 0% -1.1E-01 1.4E-02 -8.4 0%
MSP
2.4E-02 6.6E-03
3.6 0% 2.4E-02 6.6E-03
3.6 0%
Dormitórios*
7.5E-02 2.0E-02
3.7 0% 7.5E-02 2.0E-02
3.7 0%
Banheiro*
2.2E-01 1.9E-02 11.7 0% 2.2E-01 1.9E-02 11.7 0%
Vagas
6.1E-02 4.5E-03 13.7 0% 6.1E-02 4.5E-03 13.7 0%
Elevadores
2.0E-03 7.7E-04
2.6 1% 2.0E-03 7.7E-04
2.6 1%
Cobertura
3.3E-02 4.7E-03
7.0 0% 3.3E-02 4.7E-03
7.0 0%
Andares
4.3E-03 4.2E-04 10.2 0% 4.3E-03 4.2E-04 10.2 0%
Área Total Imóvel*
-3.1E-01 2.2E-02 -14.1 0% -3.1E-01 2.2E-02 -14.2 0%
Terreno*
-7.3E-02 5.7E-03 -12.8 0% -7.3E-02 5.7E-03 -12.8 0%
Agente Privado
2.4E-02 5.8E-03
4.2 0% 2.4E-02 5.8E-03
4.1 0%
Hotel
2.4E-01 1.2E-02 19.9 0% 2.4E-01 1.2E-02 19.9 0%
Distância Sé*
-1.9E-01 9.5E-03 -19.9 0% -1.9E-01 9.5E-03 -19.8 0%
Custo Construção Total ** 2.6E-03 5.6E-04
4.7 0% 2.4E-03 5.4E-04
4.4 0%
Inflação**
-5.8E-01 7.4E-02 -7.8 0% -5.3E-01 6.8E-02 -7.7 0%
Juros**
-6.5E-01 3.8E-01 -1.7 9%
Juros
4.3E-02 7.8E-02
0.6 58%
Constante
4.1E+00 8.1E-02 49.8 0% 4.1E+00 8.1E-02 50.3 0%
FO 31, 6072 =
261
261
Adj R-squared =
57.2%
57.2%
* Variáveis em Logaritmo; ** Média Móvel Geométrica
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
201
Tabela 4.A.11
Variável
Horizontais
Cooperativas
MSP
Dormitórios*
Banheiro*
Vagas
Elevadores
Cobertura
Andares
Área Total Imóvel*
Terreno*
Agente Privado
Hotel
Distância Sé*
Custo Construção Total **
Inflação**
Inflação
Juros
Constante
FO 31, 6072 =
Adj R-squared =
Regressão O9
Coef. Std. Err.
t
7.2E-02
-1.1E-01
2.3E-02
7.7E-02
2.3E-01
6.1E-02
2.2E-03
3.2E-02
4.2E-03
-3.2E-01
-7.5E-02
2.3E-02
2.4E-01
-1.9E-01
2.8E-03
P>|t|
Regressão O10
Coef. Std. Err.
t
P>|t|
4.1E-02 1.1E-02
3.6 0%
2.6E-02 1.3E-02
2.0 5%
-1.0E-01 1.4E-02 -7.5 0%
1.1E-02 6.7E-03
1.6 12%
-4.9E-02 1.9E-02 -2.6 1%
1.6E-01 1.9E-02
8.8 0%
1.6E-02 3.3E-03
4.9 0%
-1.5E-03 7.4E-04 -2.0 5%
3.2E-02 4.8E-03
6.6 0%
2.8E-03 4.7E-04
6.1 0%
1.3E-02
5.7 0%
1.4E-02 -8.4 0%
6.6E-03
3.6 0%
2.0E-02
3.8 0%
1.9E-02 11.9 0%
4.4E-03 13.9 0%
7.6E-04
2.9 0%
4.7E-03
6.7 0%
4.2E-04 10.1 0%
2.2E-02 -14.4 0%
5.7E-03 -13.2 0%
5.8E-03
3.9 0% 2.8E-02 5.9E-03
4.7 0%
1.2E-02 19.8 0% 2.3E-01 1.3E-02 18.3 0%
9.5E-03 -19.9 0% -2.2E-01 9.7E-03 -22.2 0%
5.4E-04
5.2 0% 2.4E-03 5.5E-04
4.4 0%
-5.8E-01 7.0E-02 -8.3 0%
-2.4E-01 2.3E-02 -10.3 0%
-5.5E-02 7.9E-02 -0.7 49%
4.0E+00 8.1E-02 49.4 0% 3.4E+00 7.3E-02 46.5 0%
265
255
57.5%
54.9%
* Variáveis em Logaritmo; ** Média Móvel Geométrica
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
202
Tabela 4.A.12
Variável
Regressão O11
Coef. Std. Err.
T P>|t|
3.2E-02 1.1E-02
2.9 0%
3.2E-02 1.3E-02
2.4 2%
-8.9E-02 1.4E-02 -6.3 0%
8.2E-03 6.7E-03
1.2 23%
-5.5E-02 1.9E-02 -2.9 0%
1.6E-01 1.9E-02
8.4 0%
1.4E-02 3.3E-03
4.4 0%
2.5E-03 1.1E-03
2.2 3%
3.0E-02 4.8E-03
6.3 0%
3.2E-03 4.7E-04
6.9 0%
2.7E-02 5.9E-03
4.5 0%
2.3E-01 1.3E-02 18.7 0%
-1.7E-04 3.6E-05 -4.6 0%
k*
Horizontais
Cooperativas
MSP
Dormitórios*
Banheiro*
Vagas
Elevadores
Cobertura
Andares
Agente Privado
Hotel
total de unidades
Diferença área útil e total
Distância Sé*
-2.1E-01
Custo Construção Total ** 2.5E-03
Inflação**
-5.8E-01
Constante
3.4E+00
FO 30, 6073 =
Adj R-squared =
Regressão O12
Coef. Std. Err.
t
P>|t|
3.7E-02 1.1E-02
3.3 0%
2.2E-02 1.3E-02
1.7 9%
-9.3E-02 1.4E-02 -6.6 0%
1.7E-02 6.7E-03
2.5 1%
-5.8E-02 1.9E-02 -3.1 0%
1.8E-01 1.9E-02
9.6 0%
5.1E-02 4.6E-03 11.1 0%
3.2E-03 1.1E-03
2.8 1%
2.9E-02 4.8E-03
6.1 0%
2.8E-03 4.7E-04
6.0 0%
2.6E-02 5.9E-03
4.4 0%
2.4E-01 1.2E-02 19.2 0%
-1.8E-04 3.6E-05 -5.0 0%
-6.2E-04 5.5E-05 -11.3 0%
9.7E-03 -22.1 0% -2.1E-01 9.6E-03 -21.3 0%
5.5E-04
4.5 0% 2.4E-03 5.4E-04
4.5 0%
7.0E-02 -8.4 0% -5.6E-01 6.9E-02 -8.1 0%
7.3E-02 46.6 0% 3.3E+00 7.2E-02 46.4 0%
248
249
55.0%
55.9%
* Variáveis em Logaritmo; ** Média Móvel Geométrica
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
203
4.A.4: Resultados das Regressões de Oferta – Controles Sazonais
Variável
ano86
ano87
ano88
ano89
ano90
ano91
ano92
ano93
ano94
ano95
ano96
ano97
ano98
ano99
saz1
saz2
saz3
saz4
saz5
saz6
saz7
saz8
saz9
saz10
saz11
Regressão O1
Regressão O2
Coef. Std. Err. t P>|t| Coef. Std. Err. t P>|t|
2.2E-01 1.3E-02 17.1 0% 2.2E-01 1.3E-02 17.2 0%
1.2E-01 2.3E-02 5.1 0% 1.1E-01 2.3E-02 4.9 0%
1.5E-01 2.6E-02 5.7 0% 1.6E-01 1.8E-02 9.0 0%
3.0E-01 2.1E-02 14.3 0% 3.1E-01 1.9E-02 16.4 0%
3.3E-01 2.3E-02 14.1 0% 3.3E-01 2.3E-02 14.7 0%
2.4E-01 1.4E-02 16.8 0% 2.4E-01 1.4E-02 17.9 0%
2.5E-01 1.9E-02 12.8 0% 2.5E-01 1.8E-02 13.5 0%
1.7E-01 1.7E-02 9.6 0% 1.6E-01 1.7E-02 9.5 0%
1.7E-01 2.2E-02 7.9 0% 1.6E-01 2.0E-02 8.4 0%
6.8E-02 1.3E-02 5.3 0% 6.2E-02 1.1E-02 5.5 0%
1.1E-02 2.3E-02 0.5 62% -4.8E-03 1.3E-02 -0.4 71%
-1.2E-02 2.7E-02 -0.5 65% -3.2E-02 1.3E-02 -2.4 2%
-1.9E-02 2.8E-02 -0.7 50% -3.9E-02 1.4E-02 -2.8 1%
-5.6E-02 3.0E-02 -1.9 6% -7.7E-02 1.6E-02 -4.8 0%
-2.0E-02 1.3E-02 -1.5 13% -1.8E-02 1.3E-02 -1.4 15%
8.4E-04 1.2E-02 0.1 94% 2.3E-03 1.2E-02 0.2 84%
-4.8E-03 1.0E-02 -0.5 64% -3.0E-03 1.0E-02 -0.3 77%
1.4E-02 1.0E-02 1.3 18% 1.5E-02 1.0E-02 1.5 13%
1.1E-02 9.4E-03 1.1 26% 1.2E-02 9.2E-03 1.3 19%
2.2E-02 9.4E-03 2.4 2% 2.3E-02 9.3E-03 2.5 1%
1.1E-02 1.0E-02 1.1 28% 1.2E-02 1.0E-02 1.2 23%
2.5E-02 9.3E-03 2.7 1% 2.5E-02 9.3E-03 2.7 1%
7.4E-03 9.2E-03 0.8 42% 7.9E-03 9.1E-03 0.9 39%
1.6E-02 9.0E-03 1.7 8% 1.6E-02 9.0E-03 1.8 8%
-1.6E-03 9.1E-03 -0.2 86% -1.4E-03 9.1E-03 -0.2 88%
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
Variável
Coef.
ano86
ano87
ano88
ano89
ano90
ano91
ano92
ano93
ano94
ano95
ano96
ano97
ano98
ano99
saz1
saz2
saz3
saz4
saz5
saz6
saz7
saz8
saz9
saz10
saz11
Regressão O3
Std. Err. t
-3.9E-02
-1.7E-02
-2.3E-02
3.9E-03
9.0E-03
2.4E-02
1.3E-02
2.3E-02
4.3E-03
1.8E-02
-3.9E-03
204
Regressão O4
Coef. Std. Err. t P>|t|
2.2E-01 1.2E-02 17.4 0%
1.1E-01 2.3E-02 5.0 0%
1.5E-01 1.8E-02 8.5 0%
3.0E-01 1.9E-02 15.8 0%
3.2E-01 2.2E-02 14.2 0%
2.3E-01 1.3E-02 17.0 0%
2.2E-01 1.8E-02 12.2 0%
1.4E-01 1.7E-02 7.9 0%
1.3E-01 1.9E-02 6.5 0%
3.6E-02 1.1E-02 3.2 0%
-3.1E-02 1.3E-02 -2.5 1%
-5.5E-02 1.3E-02 -4.2 0%
-6.7E-02 1.4E-02 -4.9 0%
-1.1E-01 1.6E-02 -6.8 0%
1.4E-02 -2.83 0.5% -2.4E-02 1.3E-02 -1.9 6%
1.2E-02 -1.38 16.7% 5.6E-05 1.1E-02 0.0 100%
1.1E-02 -2.16 3.1% -6.8E-03 9.8E-03 -0.7 49%
1.1E-02 0.36 71.8% 1.3E-02 9.8E-03 1.3 20%
1.0E-02 0.90 36.8% 7.3E-03 9.1E-03 0.8 42%
1.0E-02 2.40 1.7% 1.8E-02 9.1E-03 2.0 5%
1.1E-02 1.13 25.9% 7.4E-03 1.0E-02 0.7 47%
1.0E-02 2.27 2.4% 2.3E-02 9.1E-03 2.5 1%
9.9E-03 0.44 66.3% 5.2E-03 9.0E-03 0.6 56%
9.8E-03 1.78 7.5% 1.1E-02 8.9E-03 1.2 22%
9.9E-03 -0.40 69.1% -2.9E-03 8.9E-03 -0.3 75%
Fonte: Tabulação do Autor a partir de Dados da Embraesp
P>|t|
Demanda e Oferta de Imóveis Novos
Variável
ano86
ano87
ano88
ano89
ano90
ano91
ano92
ano93
ano94
ano95
ano96
ano97
ano98
ano99
saz1
saz2
saz3
saz4
saz5
saz6
saz7
saz8
saz9
saz10
saz11
Regressão O5
Coef. Std. Err. t P>|t|
2.2E-01 1.2E-02 17.4 0%
1.1E-01 2.3E-02 4.9 0%
1.5E-01 1.8E-02 8.5 0%
3.0E-01 1.9E-02 15.8 0%
3.2E-01 2.2E-02 14.2 0%
2.3E-01 1.3E-02 17.0 0%
2.2E-01 1.8E-02 12.1 0%
1.3E-01 1.7E-02 7.8 0%
1.3E-01 1.9E-02 6.5 0%
3.5E-02 1.1E-02 3.1 0%
-3.3E-02 1.3E-02 -2.6 1%
-5.7E-02 1.3E-02 -4.4 0%
-6.9E-02 1.4E-02 -5.1 0%
-1.1E-01 1.6E-02 -7.0 0%
-2.4E-02 1.3E-02 -1.9 6%
1.8E-04 1.1E-02 0.0 99%
-6.8E-03 9.8E-03 -0.7 49%
1.3E-02 9.8E-03 1.3 19%
7.6E-03 9.1E-03 0.8 41%
1.8E-02 9.1E-03 2.0 5%
7.5E-03 1.0E-02 0.7 47%
2.3E-02 9.1E-03 2.5 1%
5.2E-03 9.0E-03 0.6 56%
1.1E-02 8.9E-03 1.2 23%
-3.0E-03 8.9E-03 -0.3 74%
205
Regressão O6
Coef. Std. Err. t P>|t|
4.6E-02 1.4E-02 3.3 0%
-5.1E-01 2.2E-02 -23.1 0%
-2.6E-01 1.9E-02 -13.9 0%
-1.3E-01 2.0E-02 -6.7 0%
-2.4E-02 2.5E-02 -0.9 34%
3.2E-01 1.6E-02 20.8 0%
3.4E-01 2.1E-02 16.0 0%
2.9E-01 2.0E-02 14.7 0%
3.9E-01 2.2E-02 18.0 0%
2.2E-01 1.3E-02 17.2 0%
-7.0E-02 1.5E-02 -4.7 0%
-1.2E-01 1.5E-02 -8.0 0%
-1.3E-01 1.6E-02 -7.9 0%
-1.7E-01 1.9E-02 -8.9 0%
4.9E-02 1.5E-02 3.3 0%
4.6E-02 1.3E-02 3.4 0%
5.5E-02 1.1E-02 4.8 0%
7.2E-02 1.2E-02 6.3 0%
6.7E-02 1.1E-02 6.2 0%
7.5E-02 1.1E-02 7.0 0%
5.9E-02 1.2E-02 4.9 0%
6.4E-02 1.1E-02 5.9 0%
4.4E-02 1.1E-02 4.2 0%
3.6E-02 1.0E-02 3.4 0%
1.4E-02 1.1E-02 1.3 20%
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
Variável
ano86
ano87
ano88
ano89
ano90
ano91
ano92
ano93
ano94
ano95
ano96
ano97
ano98
ano99
206
Regressão O7
Regressão O8
Coef. Std. Err. t P>|t| Coef. Std. Err. t P>|t|
2.2E-01 1.2E-02 17.6 0% 2.3E-01 1.1E-02 21.3 0%
1.1E-01 2.2E-02 4.8 0% 1.2E-01 2.0E-02 6.0 0%
1.5E-01 1.8E-02 8.5 0% 1.6E-01 1.7E-02 9.4 0%
3.0E-01 1.9E-02 16.0 0% 2.9E-01 1.9E-02 15.4 0%
3.1E-01 2.2E-02 14.0 0% 3.2E-01 2.1E-02 15.2 0%
2.3E-01 1.3E-02 17.2 0% 2.3E-01 1.3E-02 17.1 0%
2.2E-01 1.8E-02 12.5 0% 2.1E-01 1.5E-02 13.6 0%
1.4E-01 1.7E-02 8.1 0% 1.2E-01 1.6E-02 7.9 0%
1.3E-01 1.9E-02 6.7 0% 1.2E-01 1.8E-02 6.4 0%
3.5E-02 1.1E-02 3.2 0% 3.0E-02 1.1E-02 2.7 1%
-3.2E-02 1.2E-02 -2.5 1% -3.4E-02 1.2E-02 -2.8 1%
-5.7E-02 1.3E-02 -4.5 0% -5.6E-02 1.3E-02 -4.4 0%
-6.7E-02 1.3E-02 -5.0 0% -7.0E-02 1.3E-02 -5.2 0%
-1.1E-01 1.5E-02 -7.3 0% -1.1E-01 1.5E-02 -7.4 0%
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
Variável
ano86
ano87
ano88
ano89
ano90
ano91
ano92
ano93
ano94
ano95
ano96
ano97
ano98
ano99
Regressão O9
Coef. Std. Err. t P>|t|
2.2E-01 1.1E-02 20.5 0%
1.2E-01 2.0E-02 6.2 0%
1.4E-01 1.7E-02 8.3 0%
2.7E-01 1.9E-02 14.1 0%
2.1E-01 1.8E-02 11.8 0%
2.2E-01 1.3E-02 17.1 0%
1.8E-01 1.4E-02 12.9 0%
8.4E-02 1.2E-02 7.1 0%
1.9E-02 1.0E-02 1.9 6%
3.5E-02 1.1E-02 3.2 0%
-9.0E-03 1.1E-02 -0.8 40%
-2.9E-02 1.1E-02 -2.7 1%
-4.2E-02 1.2E-02 -3.7 0%
-8.6E-02 1.4E-02 -6.2 0%
207
Regressão O10
Coef. Std. Err. t P>|t|
2.3E-01 1.1E-02 20.9 0%
1.2E-01 2.1E-02 5.9 0%
1.7E-01 1.7E-02 10.1 0%
3.1E-01 1.9E-02 16.2 0%
3.4E-01 2.1E-02 16.0 0%
2.3E-01 1.4E-02 17.1 0%
2.2E-01 1.5E-02 14.5 0%
1.4E-01 1.6E-02 8.9 0%
1.5E-01 1.9E-02 8.0 0%
4.6E-02 1.1E-02 4.1 0%
-1.7E-02 1.3E-02 -1.3 18%
-3.9E-02 1.3E-02 -3.0 0%
-4.9E-02 1.4E-02 -3.6 0%
-8.3E-02 1.6E-02 -5.3 0%
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
Variável
ano86
ano87
ano88
ano89
ano90
ano91
ano92
ano93
ano94
ano95
ano96
ano97
ano98
ano99
208
Regressão O11
Regressão O12
Coef. Std. Err. t P>|t| Coef. Std. Err. t P>|t|
2.3E-01 1.1E-02 20.9 0% 2.2E-01 1.1E-02 20.7 0%
1.2E-01 2.1E-02 6.0 0% 1.2E-01 2.0E-02 5.9 0%
1.7E-01 1.7E-02 10.2 0% 1.7E-01 1.7E-02 9.8 0%
3.1E-01 1.9E-02 16.3 0% 3.0E-01 1.9E-02 16.1 0%
3.4E-01 2.1E-02 16.0 0% 3.3E-01 2.1E-02 15.7 0%
2.4E-01 1.4E-02 17.3 0% 2.3E-01 1.3E-02 17.0 0%
2.2E-01 1.5E-02 14.7 0% 2.2E-01 1.5E-02 14.4 0%
1.4E-01 1.6E-02 9.0 0% 1.3E-01 1.6E-02 8.3 0%
1.5E-01 1.9E-02 8.1 0% 1.3E-01 1.8E-02 7.3 0%
4.7E-02 1.1E-02 4.2 0% 3.6E-02 1.1E-02 3.2 0%
-1.5E-02 1.3E-02 -1.2 23% -2.8E-02 1.3E-02 -2.2 3%
-3.9E-02 1.3E-02 -3.0 0% -5.1E-02 1.3E-02 -4.0 0%
-4.7E-02 1.4E-02 -3.4 0% -6.0E-02 1.4E-02 -4.5 0%
-8.1E-02 1.6E-02 -5.1 0% -9.9E-02 1.6E-02 -6.4 0%
Fonte: Tabulação do Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
209
4.A.5 Resultado das regressões com variáveis instrumentais
Tabela 4.A.13
variável dependente:δ
Preço
Horizontais
Cooperativas
MSP
Prazo
Dormitórios*
Banheiro*
Vagas
Elevadores
Cobertura
Área Útil*
Área Total*
Terreno*
Agente Governo
Hotel
Região 1
Região 2
Região 3
Distância Sé
Distância Sto André
Distância Barueri
Distância Guarulhos
Renda Chefe Distrito
Desigualdade Distrito
Inflação
Juros
Tendência
Constante
2
χ (Hausman)
graus de liberdade
P(χ2)
Demandas Inelásticas
(1)
β
σ
2.2E-03 2.3E-06
4.6E-03 3.0E-05
2.6E-01 2.7E-05
-4.5E-02 2.2E-05
2.7E-04 4.9E-07
5.1E-02 2.3E-05
-3.1E-02 2.1E-05
-2.9E-02 1.0E-05
-8.8E-03 2.4E-06
2.4E-02 1.2E-05
-3.3E-01 7.5E-06
3.6E-01 1.3E-05
-3.9E-02 1.1E-05
(2)
β
σ
-4.3E-03 2.5E-04
9.4E-02 8.7E-04
2.8E-01 5.7E-04
-3.8E-01 4.5E-04
-2.5E-04 9.8E-06
3.8E-01 5.1E-04
9.5E-02 4.2E-04
9.6E-02 2.9E-04
-1.0E-02 3.6E-04
8.8E-03 2.3E-04
-8.6E-01 7.2E-04
2.1E-01 3.4E-04
3.6E-02 2.8E-04
(3)
β
σ
-3.2E-03 1.8E-07
9.3E-02 8.2E-04
2.9E-01 6.3E-04
-3.8E-01 4.0E-04
-2.8E-04 8.4E-06
3.9E-01 5.3E-04
1.0E-01 4.2E-04
1.1E-01 2.2E-04
-1.1E-02 8.8E-05
9.5E-03 2.2E-04
-8.9E-01 5.1E-04
2.1E-01 2.8E-04
3.7E-02 2.4E-04
6.3E-03
1.4E-02
-9.6E-04
4.8E-03
6.0E-03
-4.0E-03
-3.4E-04
2.9E-03
-4.3E-06
-2.7E-03
-8.6E-02
1.8E-01
3.5E-02
-8.9E-02
-1.8E-01
-1.4E-01
-3.2E-01
-9.3E-03
1.6E-02
-8.1E-03
-6.0E-05
1.1E-02
-8.7E-01
-2.4E+00
3.3E-02
-9.0E-02
-1.8E-01
-1.4E-01
-3.1E-01
-9.1E-03
1.6E-02
-6.4E-03
-6.1E-05
1.1E-02
-1.2E-01
3.9E-02
-1.9E-02
3.7E-05
6.8E-06
5.8E-06
1.6E-05
1.3E-05
3.5E-06
9.0E-06
4.5E-06
7.4E-09
2.3E-06
2.6E-04
2.7E-04
-6.2E+00 1.7E-03
0.01
48
1
957
7.5E-04
3.3E-04
3.0E-04
3.1E-04
3.0E-04
7.2E-05
1.2E-04
1.1E-04
1.3E-07
4.2E-05
3.4E-03
1.9E-02
7.3E-04
3.2E-04
2.8E-04
3.0E-04
2.5E-04
7.6E-05
1.4E-04
8.8E-05
1.2E-07
3.7E-05
8.0E-04
9.2E-03
3.0E-05
(5)
β
σ
-1.6E-03 2.7E-06
1.2E-02 1.0E-02
3.0E-01 8.6E-03
-2.4E-01 1.2E-02
-1.3E-04 1.0E-04
1.2E-01
4.0E-02
-1.1E-02
2.2E-02
-5.6E-01
2.5E-01
2.0E-02
1.5E-02
-8.3E-02
-4.3E-02
-1.0E-01
-7.7E-02
-1.8E-01
-8.3E-03
7.5E-03
-3.0E-03
-4.6E-05
5.6E-03
-7.3E-02
-5.3E-03
-1.4E-02
-2.8E+00
8.4E-03
4.5E-03
2.1E-03
2.6E-03
1.4E-02
6.3E-03
4.3E-03
2.8E-03
9.3E-03
5.0E-03
6.4E-03
5.6E-03
1.0E-02
9.2E-04
2.1E-03
1.2E-03
2.4E-06
6.4E-04
1.1E-02
1.1E-01
4.5E-04
1.9E-01
4.2
2.1
52.06
48
35
34
1
1.00E+00
0.0245
866
1050
669
Fonte: Calculado pelo Autor a partir de Dados da Embraesp
Demanda e Oferta de Imóveis Novos
210
Tabela 4.A.14
variável dependente:δ
(6)
(8)
(9)
(12)
β
σ
β
σ
β
σ
β
σ
Preço
-5.3E-03 8.9E-11 -5.4E-03 1.3E-10 -2.1E-03 1.7E-10 -3.4E-03 1.9E-11
Horizontais
3.2E-02 2.3E-07 3.2E-02 3.2E-07 5.7E-02 5.9E-07 -1.5E-01 6.6E-08
Cooperativas
3.1E-01 2.0E-07 3.2E-01 2.8E-07 3.1E-01 5.1E-07 2.7E-01 5.3E-08
MSP
-3.8E-01 3.5E-07 -3.4E-01 4.5E-07 -2.7E-01 6.4E-07 -3.2E-01 4.3E-08
Prazo
-6.0E-04 2.7E-09 -5.9E-04 3.7E-09 2.4E-04 6.4E-09 1.3E-03 8.0E-10
Dormitórios*
5.5E-07 1.6E-07 5.6E-07 2.2E-07 7.2E-07 4.0E-07 3.9E-07 4.3E-08
Banheiro*
2.4E-01 2.8E-07 2.3E-01 3.8E-07 1.4E-01 5.0E-07 2.3E-01 4.0E-08
Vagas
9.1E-02 1.3E-07 9.1E-02 1.8E-07 5.7E-02 2.7E-07 4.4E-02 2.6E-08
Elevadores
-1.2E-02 4.5E-08 -1.2E-02 7.6E-08 -9.0E-03 1.2E-07 2.3E-03 2.0E-08
Cobertura
2.1E-02 6.0E-08 2.4E-02 8.2E-08 2.5E-02 1.5E-07 1.9E-02 2.0E-08
Área Útil*
-7.5E-01 4.3E-07 -7.5E-01 6.0E-07 -6.4E-01 8.4E-07 -6.9E-01 7.0E-08
Área Total*
1.8E-01 1.9E-07 1.8E-01 2.6E-07 2.7E-01 3.0E-07
(Área total - útil)
4.0E-04 3.0E-10
Terreno*
6.2E-02 1.2E-07 6.6E-02 1.6E-07 1.1E-02 2.1E-07 2.1E-01 1.2E-08
Agente Privado
-3.7E-02 8.4E-08 -3.7E-02 1.2E-07 -2.6E-02 2.0E-07 -1.0E-02 2.6E-08
Hotel
-1.4E-01 2.7E-07 -1.5E-01 3.8E-07 -1.4E-01 6.7E-07 -1.0E-01 5.6E-08
Região 1
-8.9E-02 1.3E-07 -9.1E-02 1.8E-07 3.6E-01 9.2E-07 -7.3E-02 3.0E-08
Região 2
-1.8E-01 2.0E-07 -2.0E-01 2.8E-07 1.5E-01 4.3E-07 -1.6E-01 2.8E-08
Região 3
-1.4E-01 1.6E-07 -1.4E-01 2.2E-07 1.8E-01 5.0E-07 -1.2E-01 2.8E-08
Distância Sé
-3.3E-01 3.3E-07 -3.3E-01 4.5E-07
-3.1E-01 2.9E-08
Distância Bandeirantes
-4.4E-01 1.1E-06
Distância Sto André
-1.2E-02 2.3E-08
-4.3E-03 5.2E-08 -8.8E-03 6.4E-09
Distância São Bernardo
4.5E-03 2.9E-08
Distância Barueri
1.5E-02 5.5E-08 2.0E-02 7.1E-08 1.0E-02 1.2E-07 2.6E-02 1.3E-08
Distância Guarulhos
-8.2E-03 2.9E-08 -4.3E-03 3.8E-08 -7.3E-03 6.9E-08 -2.8E-03 8.3E-09
Renda Chefe Distrito
-7.4E-05 7.3E-11 -7.5E-05 1.0E-10 -1.2E-04 3.0E-10 -6.2E-05 1.2E-11
Desigualdade Distrito
1.2E-02 1.8E-08 1.2E-02 2.4E-08 2.1E-03 2.9E-08 6.8E-03 3.9E-09
Inflação
-9.4E-01 1.3E-06 -9.5E-01 1.9E-06 -6.4E-01 2.7E-06 -8.1E-01 4.2E-07
Juros
-2.7E+00 5.2E-06 -2.6E+00 7.9E-06 -6.0E-01 1.1E-05 -2.5E+00 2.3E-06
Constante
-6.2E-05 6.1E-06 -8.4E-05 8.4E-06 -1.6E-04 1.6E-05 1.3E-05 5.3E-07
2
χ (Hausman)
0.65
0.09
0.023
0.12
graus de liberdade
48
48
48
47
2
P(χ )
1
1
1.00E+00
1
Demandas Inelásticas
874
985
1068
499
Fonte: Calculado pelo Autor a partir de Dados da Embraesp
Notas Conclusivas
Nesta tese se apresentou alguns aspectos de equilíbrio urbano da Região Metropolitana de
São Paulo. É interessante observar as semelhanças entre a análise das forças de
aglomeração (capítulo 1) e de expulsão (capítulo 2 a 4). Em ambos os casos, a variável
relevante é o custo de transporte. Ou seja, o custo de transporte serve tanto como motivo
de atração (as empresas economizam em custo de transporte se localizando em regiões
urbanas densas)
como
de
expulsão
(o
aumento
da densidade
aumenta
o
congestionamento, gerando um aumento no preço da terra diminuindo a qualidade de
vida das pessoas que passam a exigir salários mais altos).
Uma outra semelhança é que em ambos os casos a análise foi feita em equilíbrio geral. O
que geral significa em cada um dos casos é relativo. Geral do ponto de vista do primeiro
capítulo significa que os fornecedores, consumidores e trabalhadores podem escolher a
sua localização em função da localização de todas as empresas. Um equilíbrio parcial
responderia à questão de como mudaria o emprego numa empresa dada uma mudança
exógena na presença de fornecedores, consumidores ou trabalhadores. Já na análise do
mercado de imóveis, o equilíbrio geral refere-se ao fato de se considerar tanto a oferta
como a demanda por imóveis.
Mais uma semelhança é o fato do custo de transporte, em ambos os casos, ser estudado
apenas indiretamente. Quer dizer, em nenhuma das análises apresentou-se uma variável
com o custo médio de transporte de bens ou pessoas. O motivo não é apenas falta de
dados. Estes dados de fato não existem para o transporte de bens mas, para a Grande São
Paulo, existem duas pesquisas de Origem-Destino utilizáveis cobrindo boa parte do
período da base de dados da Embraesp. O problema é que tanto a variável de tempo de
Referências
212
deslocamento como uma variável com custo de transporte de mercadorias (se existisse)
são variáveis endógenas. Isso porque o custo de transporte e de deslocamento é o custo
observado e as empresas e famílias decidem a sua localização em função da localização
de outras empresas e de outras famílias.
As diferenças entre as duas abordagens também são importantes para se compreender o
todo. Para se analisar a força de atração da região foi necessário trabalhar numa escala
bem maior que a região, a escala nacional. Isto porque o movimento de atração implica
num movimento migratório de outras regiões. Assim, não se pode compreender a decisão
de localização de uma firma sem olhar o mercado nacional como um todo. Já o mercado
de imóveis no curto prazo pode ser considerado fechado na região de interesse. Este
aspecto já mostra outra diferença importante nas bases de dados utilizadas. Enquanto a
análise do mercado de imóveis utilizou dados mensais a análise do mercado de trabalho
utilizou dados censitários. Isso porque o movimento estudado no primeiro capítulo é um
movimento muito mais estrutural do que o movimento estudado nos capítulos seguintes.
É importante também destacar o caráter metodológico desta tese. Um dos objetivos foi
criar um arcabouço teórico e empírico a partir da qual uma série de análises pudessem ser
realizadas. Por exemplo, qual o impacto da criação de uma nova estação de metrô sobre a
demanda de imóveis? Como muda a qualidade de vida das pessoas com a criação de mais
uma via expressa? Para responder a este tipo de questão seria necessário um modelo mais
geral do que os trabalhados nessa tese. O mais geral significa especialmente que as forças
centrífugas e centrípetas devem estar presentes no mesmo modelo e não separadas como
se trabalhou nessa tese. A união desses dois lados das regiões urbanas é uma tarefa
extremamente árdua dada a diferença de escala e de prazo para cada uma destas forças.
Referências
213
Ainda que diversas questões ponderadas nessa tese permaneçam sem resposta, algumas
conclusões podem ser tiradas das análises. Em primeiro lugar, a idéia ingênua de que os
setores de serviço são apenas auxiliares das atividade industriais é negada no capítulo 1.
Pelo menos o ramo de serviços produtivos apresenta definitivamente uma dinâmica
própria. Em segundo lugar verifica-se de fato uma diminuição da importância para as
empresas de serviços produtivos de se localizar próximo aos clientes. Esta mudança pode
estar relacionada com os avanços na tecnologia de informação. Por outro lado, a
relevância de se estar próximo aos fornecedores e trabalhadores permanece grande.
Assim, por mais que uma das forças de atração das grandes cidades esteja se esvaindo,
outras forças podem estar crescendo. O efeito líquido é ainda muito difícil de se estimar.
Em relação ao mercado de imóveis nota-se que a demanda pelo mercado formal continua
extremamente concentrada em torno dos grandes centros tradicionais: São Paulo, ABC e
Guarulhos. Os novos centros residenciais como Barueri não apresentam efeitos
significativos sobre a região como um todo pelo menos do ponto de vista residencial. É
importante observar que o mercado analisado foi o mercado de imóveis legais. Ocorre
que uma grande parte do mercado de imóveis na RMSP é “ilegal” (ou informal). Os
dados para o mercado informal são difíceis de se obter mas fundamentais para
compreender efetivamente o que ocorre na região. De qualquer maneira, em princípio o
mercado informal pode ser estudado como um contra-factual do mercado legal. Neste
sentido, um maior conhecimento do mercado legal pode contribuir para a compreensão
também do informal.
Referências
Alonso, W. (1964) Location and Land Use. Cambridge: Harvard University Press.
Arnott, R. (1987) “Economic Theory and Housing” in Mills (1987)
Barry S., J. Levinsohn and A. Pakes (1995) "Automobile Price in Market Equilibrium".
Econometrica, Vol. 63, No. 4 (July).
Berry, S. (1994) “Estimating Discrete Choice Models of Product Differentiation”, RAND
Journal of Economics, 25:242-262.
Brueckner, J.K. e D. Fansler (1983) “The Economics of Urban Sprawl: Theory and
Evidence on the Spatial Sizes of Cities”. Review of Economic and Statistics, 13:216234.
Bruekner, J.K. (1987) “The Structure of Urban Equilibria”, in Mills (1987)
Caplin e Nalebuff (1991) “Aggregation and Imperfect Competition: On the Existence of
Equilibrium”, Econometrica, 59:26-61.
Capozza, D. e R. Helsley (1989) “The Fundamentals of Land Prices and Urban Growth”,
Journal of Urban Economics, 26:295-306.
Capozza, D. e R. Helsley (1990) “The Stochastic City”, Journal of Urban Economics,
28:295-306.
Chamberlain, G. (1986) "Assymptotic Efficiency in Estimation with Conditional Moment
Restrictions". Journal of Econometrics, 33.
Court, A.T. (1939) “Hedonic price indexes with automotive examples” The Dynamic of
Automobile Demand. General Motors, New York.
Debreu, G. (1960) “Review of R.D. Luce Individual Choice Behavior”, American
Economic Review, 50:186-188.
Dumais, G. C. Ellison e E. Glaeser (1997) “Geographic Concentration as a Dynamic
Process”. NBER Working Paper #6270.
Ellison, G. e E. Glaeser (1997) “Geographic Concentration in the U.S. Manufacturing
Industries: A Dartboard Approach”. Journal of Political Economy 105(5).
EMPLASA (1994) Sumário de Dados da Grande São Paulo. São Paulo: Emplasa.
Eurostat (1993) System of National Accounts. Brussels: Comissão da Comunidade
Europeia.
Fujita, Krugman e Mori (1999) “On the evolution of hierarchical urban systems”.
European Economic Review, 43.
Fujita, M. (1988) “A Monopolistic Competition Model of Spatial Agglomeration:
Differentiated Product Approach”. Regional Science and Urban Economics, 18.
Fujita, M. and H. Ogawa (1982) “Multiple Equilibria and Structural Transition of
Nonmonocentric Urban Configurations”. Regional Science and Urban Economics, 12.
Referências
215
Fujita, M. e P. Krugman (1995) “When is the Economy Monocentric? von Thünen and
Chamberlin Unified”, Regional Science and Urban Economics, 18:87-124.
Gaspar, J. e E. Glaeser (1998) “Information Technology and the Future of Cities”.
Journal of Urban Economics, 43.
Griliches, Zvi (1961) “Hedonic Price Indexes for Automobiles: an econometric analysis
of quality change”. The Price Statistics of the Federal Government, No. 73.
Hartwick, J., U. Schweizer e P. Varaiya (1976) “Comparative Static Analysis of a
Residential Economy with Several Classes”, Journal of Economic Theory, 13:396413.
Hausman (1984) “Specification and Estimation of Simultaneous Equation Models” in
Handbook of Econometrics, vol. II, ed. Z. Griliches e M. Interligator, Amsterdam:
North Holland.
Hausman, J (1978) “Specification Tests in Econometrics” Econometrica, 46, 1978.
Henderson, J. V. (1974) “The Sizes and Types of Cities”. American Economic Review,
64.
Henderson, J.V. (1986) “The Timing of Regional Development”, Journal of Urban
Economics, 12:22-52.
Hesley, R. and Sullivan, A. (1991) “Urban Center Formation”. Regional Science and
Urban Economics, 21.
Hoch, I. (1972) “Income and City Size”. Urban Studies, 9:299-328.
Kahn, M. (1995) “A Revealed Preference Approach to Ranking City Quality of Life”
Journal of Economics 38(2).
Kearl, J.R. (1975) Inflation-Induced Distortions in the Real Economy, an Econometric
and Simulation Study of the Housing and Mortgage Innovations, Ph.D. Thesis,
Massachussets Institute of Technology.
Kim, S. (1995) “Expansion of Markets and the Geographic Distribution of Economic
Activities: the Trends in U.S. Regional Manufacturing Structure, 1860-1987”.
Quaterly Journal of Economics 110(4).
Kolko, J. (2000) Can I Get Some Service Here?. Phd Dissertation, Harvard University.
Krugman, P (1991) Geography and Trade. Cambridge, MA: MIT Press.
Krugman, P (1995) Development, Geography and Economic Theory. Cambridge, MA:
MIT Press.
Mc Faden (1984) “Econometric Analysis of Qualitative Response Models” in Handbook
of Econometrics, vol. II, ed. Z. Griliches e M. Interligator, Amsterdam: North Holland.
Mills, E.S. (1967) “An Aggregate Model of Resource Allocation in Metropolitan Areas”.
American Economic Review, 57:197-200.
Mills, E.S. (1972) Studies in the Structure of the Urban Economy. Baltimore: John
Hopkins University Press.
Referências
216
Mills, E.S., ed. (1987) Handbook of Regional and Urban Economics. Amsterdam: NorthHolland.
Muth, R. (1969) Cities and Housing. Chicago: Chicago University Press.
Myrdal, G. (1943) Economic Theory and Underdeveloped Regions. London: Duckworth.
Newey, W. (1990) “Efficient Instrumental Variables Estimation of Nonlinear Models”.
Econometrica, 58:809-839.
Ogawa, H. and Fujita, M. (1980) “Equilibrium Land Use Patterns in a Nonmonocentric
City”. Journal of Regional Science, Vol. 20, n. 4.
ONU (1973) Input-Output Tables and Analysis. New York: Serviço de Estatísticas das
Nações Unidas.
Paes de Barros, R. e R.S.P. Mendonça (1995) “Os Determinantes da Desigualdade no
Brasil”. Ipea: Texto para Discussão 377.
Pakes, A. (1994) “Dynamic Structural Models, Problems and Prospects: Mixed
Continuos Discrete Controls and Market Interactions”, in Advances in Econometrics:
The Sixth World Congress of the Econometric Society, Vol. II, ed. J.-J. Lafont e C.
Sims. New York: Cambridge University Press.
Poterba, J.M. (1984) “Tax Subsidies to Owner Occupied Housing: An Asset Market
Approach”, The Quaterly Journal of Economics, 99:729-752
Ramos, R. (1997) “Matriz Insumo-Produto Brasil”. Série Relatórios Metodológicos Ibge,
volume 18.
Saxenian, A. (1994) Regional Advantage: Culture and Competition in Silicon Valley and
Routte 128. Cambridge: Harvard University Press
Shepard, S. (1999) “Hedonic Analysis of Housing Markets” in Cheschire, Paul and
Edwin S. Mills (1999) Handbook of Regional and Urban Economics, Amsterdam:
Elsevier.
Strazheim, M. (1987) “Urban Residential Location”. In: Mills (1987).
Valle, N. (1992) “Uma classificação ocupacional para o estudo da mobilidade e da
situação do mercado de trabalho no Brasil”. Mimeo.
Von Thünen, H. J. (1826) Der Isolierte Staat in Beziehung auf Nationalökonomie und
Landwirtschaft. Stuttugart: Gustav Fisher. English Edition: Isolated state; an English
edition of Der Isolierte Staat. Oxford, New York: Pergamon Press [1966].
Waugh, F.V. (1929) Quality as a Determinant of Vegetable Prices, New York: Columbia
University Press.
Wheaton, W. (1974) “A Comparative Static Analysis of Consumer Demand for
Location” American Economic Review, 67:620-31.
Wheaton, W. (1996) “Telecommunications Technology and Real Estate: Some
Perspective”. MIT/CRE Working Paper #63.
White, M.J. (1976) “Firm Suburbanization and Urban Subcenters”, Journal of Urban
Economics, 3:323-343.
Referências
217