Ramão Christovam Filho; Márcio Pereira Basílio

DOI: 10.22167/2675-6528-202601352

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

O desempenho do setor de shopping centers no Brasil e o valor de mercado dos Fundos de Investimento Imobiliário (FIIs) mostraram-se intrinsecamente ligados ao ambiente macroeconômico. O estudo objetivou analisar o impacto de variáveis macroeconômicas selecionadas, como Produto Interno Bruto (PIB), taxa Selic, inflação e taxa de câmbio, sobre a receita operacional dos shoppings e a cotação dos ativos listados na B3 entre 2018 e 2024. Adotou-se uma abordagem quantitativa e aplicada, configurada como um estudo de caso focado em administradoras e fundos imobiliários representativos do setor. Procedimentos de coleta de dados secundários foram empregados, e técnicas estatísticas de correlação, regressão linear múltipla (OLS) e testes de estacionariedade foram aplicados para mensurar a sensibilidade dos ativos aos ciclos econômicos, incluindo os efeitos da pandemia de COVID-19. Variáveis como o Índice de Preços ao Consumidor (IPC) Vestuário e o dólar foram selecionadas para o modelo final após rigorosa filtragem. Os resultados evidenciaram que as oscilações dos indicadores impactaram a precificação de mercado e os resultados operacionais dos empreendimentos. A taxa de câmbio revelou-se a única variável estatisticamente significativa no modelo, apresentando uma associação inversa com o desempenho do ativo representativo do setor (MULT3) em períodos de estresse sistêmico e uma associação consistente com a dinâmica de preços do setor via IGP-M. Concluiu-se que o setor de shopping centers possui sensibilidade relevante às condições macroeconômicas, especialmente às variações cambiais, e a investigação ofereceu insumos fundamentais para a avaliação de riscos e o planejamento estratégico de gestores e investidores no mercado imobiliário nacional.

Palavras-chave: Câmbio; Fundos Imobiliários; Precificação; Regressão; Volatilidade.

1. Introdução

O cenário econômico brasileiro, caracterizado por sua inerente complexidade e ciclos de expansão e retração, exerce influência profunda sobre diversos segmentos de mercado. Dentre eles, o setor de shopping centers e os Fundos de Investimento Imobiliário (FIIs) destacam-se como componentes vitais da economia nacional, apresentando uma ligação intrínseca com o ambiente macroeconômico (Heineck, 2010). A performance desses ativos reflete diretamente as condições econômicas gerais, que moldam o poder de consumo das famílias, a dinâmica das atividades corporativas e, consequentemente, a atratividade dos investimentos. Os shopping centers consolidaram-se como importantes polos do varejo brasileiro, atraindo consumidores e gerando receitas. Paralelamente, os FIIs, que tiveram sua regulamentação no Brasil em mil novecentos e noventa e quatro, após o modelo dos Real Estate Investment Trusts (REITs) nos Estados Unidos, democratizaram o acesso ao mercado imobiliário (Branco e Monteiro, 2003; Castro, 2012). Essa modalidade de investimento permitiu a pequenos e médios investidores diversificar riscos e obter renda passiva. O período recente, de 2018 a 2024, foi marcado por um crescimento expressivo no mercado de FIIs, com o número de investidores na B3 (2026) saltando de aproximadamente duzentos mil em 2018 para mais de dois milhões e novecentos mil em 2025, evidenciando o interesse crescente e a maturidade do setor.

A sensibilidade do setor de shopping centers e dos FIIs às variáveis macroeconômicas é um tema central na literatura econômica. Indicadores como o Produto Interno Bruto (PIB), a taxa Selic, a inflação (IPCA e IGP-M), a taxa de câmbio e o nível de desemprego são considerados cruciais para a saúde financeira desses empreendimentos e para a precificação de seus ativos. Um aumento na confiança econômica, por exemplo, tende a impulsionar a demanda por bens e serviços, pois as famílias se sentem mais otimistas e dispostas a consumir (Heineck, 2010). Em contrapartida, a elevação da taxa básica de juros, como a Selic, pode restringir o acesso ao crédito e impactar negativamente o consumo, especialmente entre grupos que dependem de financiamentos (Bolsoni, 2023). Períodos de retração econômica, com queda do PIB e aumento do desemprego, resultam em menor consumo e, consequentemente, em receitas operacionais reduzidas para os shoppings. Adicionalmente, juros elevados tornam os títulos públicos mais atrativos, diminuindo a atratividade dos FIIs e influenciando o retorno exigido pelos investidores. Frade (2015) observa que o Índice de Fundos de Investimento Imobiliário (IFIX) reage negativamente a elevações na taxa de juros. A volatilidade cambial, por sua vez, pode afetar os custos de importação de mercadorias, a inflação geral e a percepção de risco-país, impactando o fluxo de capitais e a valorização dos ativos (Assaf Neto, 2021). A interação complexa desses fatores cria um ambiente desafiador, onde a compreensão de suas interdependências é essencial. O período de 2018 a 2024 é particularmente relevante, pois engloba momentos de instabilidade econômica significativa no Brasil, incluindo uma recessão, os efeitos da pandemia de COVID-19 e um ciclo de inflação e juros elevados, oferecendo um contexto rico para investigar a resiliência e a sensibilidade do setor.

Apesar da vasta literatura sobre a relação entre variáveis macroeconômicas e o mercado imobiliário, persiste uma lacuna na compreensão aprofundada do comportamento específico do setor de shopping centers e FIIs no Brasil em períodos de disrupção e alta volatilidade. O intervalo de 2018 a 2024, marcado por recessão econômica, impactos da pandemia de COVID-19 e ciclo de inflação e juros elevados, configura um cenário atípico que exige análise detalhada sobre a transmissão das oscilações macroeconômicas aos resultados financeiros e às cotações de mercado. A relevância desta investigação reside na necessidade de fornecer insumos para a avaliação de riscos, o planejamento estratégico de gestores e investidores no mercado imobiliário nacional, especialmente considerando a complexidade da precificação de ativos em contextos de choques exógenos. Dessa forma, o presente estudo objetiva analisar o impacto de variáveis macroeconômicas selecionadas, como Produto Interno Bruto, taxa Selic, inflação e taxa de câmbio, sobre a receita operacional dos shoppings e a cotação dos ativos listados na B3, no período compreendido entre 2018 e 2024.

2. Material e Métodos

A pesquisa foi delineada com caráter aplicado, visando à geração de conhecimento útil para investidores, gestores e acadêmicos, com potencial de aplicação prática nos processos de tomada de decisão. Quanto aos objetivos, o estudo adotou uma natureza explicativa, buscando identificar e mensurar os efeitos de indicadores macroeconômicos sobre as receitas dos shopping centers e as cotações dos ativos. A abordagem metodológica empregada foi quantitativa, fundamentada no uso de técnicas estatísticas para o tratamento e a análise dos dados coletados, garantindo rigor e objetividade na investigação proposta.

O estudo foi conduzido no Brasil, abrangendo o período de 2018 a 2024, um intervalo temporal estrategicamente selecionado por incluir momentos de significativa instabilidade econômica, como a recessão, os impactos da pandemia de COVID-19 e um ciclo de inflação e juros elevados. O delineamento do trabalho configurou-se como um estudo de caso, focado em empresas administradoras de shopping centers e Fundos de Investimento Imobiliário (FIIs) listados na B3, a bolsa de valores brasileira. A unidade de análise consistiu nos dados financeiros e de mercado desses ativos específicos.

A população de interesse compreendeu as companhias administradoras de shopping centers e os FIIs com ativos no setor, listados na B3. A amostra inicial foi selecionada com base na disponibilidade de relatórios financeiros que oferecessem informações contínuas e comparáveis, com pelo menos vinte amostras em períodos trimestrais ao longo do período analisado. Inicialmente, foram incluídos os shoppings Multiplan (MULT3) e Allos (ALOS3), e os FIIs Hedge Brasil Shopping (HGBS11), Vinci Shoppings (VISC11), HSI Malls (HSML11) e Malls Brasil Plural (MALL11).

Para refinar a amostra e garantir a representatividade setorial, alguns critérios de exclusão foram aplicados. A unit de Iguatemi (IGTI11) e dados de receitas de outros shopping centers disponíveis a partir de 2021 foram excluídos por não atenderem aos requisitos de séries históricas completas. Adicionalmente, o ativo ALOS3 foi removido da análise principal devido à alta colinearidade com MULT3, que foi então selecionado como proxy representativa do setor de shopping centers, dada sua maior série histórica e composição integral por empreendimentos da safra de 2018.

Outras variáveis macroeconômicas também foram excluídas ou ajustadas. O Produto Interno Bruto (PIB) e a taxa de desemprego foram retirados por apresentarem baixa consistência estatística e complexidade na classificação setorial. O Certificado de Depósito Interbancário (CDI) foi excluído por redundância estatística com a taxa Selic. Variáveis como o Índice Cielo do Varejo Ampliado (ICVA) e a taxa de desemprego foram desconsideradas da matriz correlacional principal devido a quebras estruturais relevantes, fortemente impactadas por choques exógenos atípicos durante a pandemia. As variáveis finais para a análise principal foram: Selic, Dólar, IPCA, IGP-M, IPC Vestuário, ICC, IFIX e MULT3.

A coleta de dados foi realizada por meio de pesquisa bibliográfica e extração de dados secundários entre os anos de 2025 e 2026. As informações foram obtidas de bases oficiais e plataformas de dados financeiros, incluindo o Banco Central do Brasil (BACEN), o Instituto Brasileiro de Geografia e Estatística (IBGE), a Comissão de Valores Mobiliários (CVM), a B3, Yahoo Finance e Investing.com. Adicionalmente, foram consultados relatórios de Relações com Investidores (RI) das administradoras de shopping centers. Os dados coletados, que abrangiam o período de 2018 a 2024, foram organizados em planilhas eletrônicas, ativo por ativo, para facilitar a padronização, filtragem e comparabilidade.

Inicialmente, realizou-se uma análise descritiva dos dados, que incluiu o agrupamento das informações, normalizações, cálculos de variações percentuais, identificação de tendências e correlações preliminares, com o objetivo de identificar padrões ao longo do período analisado. Para fins de padronização da performance financeira dos ativos de shopping centers, estabeleceu-se o conceito de “Safra”, definido pela competência inicial do ciclo anual e vinculado ao reconhecimento de receita no mês de janeiro. Todas as variáveis foram consolidadas em periodicidade trimestral para garantir aderência estatística e comparabilidade.

Para assegurar o rigor das estimativas, as séries temporais foram submetidas ao teste de raiz unitária ADF (Augmented Dickey-Fuller). Constatada a não-estacionariedade na maioria das variáveis, como Selic e IPCA, aplicou-se a primeira diferença para estabilizar as séries. Para viabilizar a comparação visual e estatística de variáveis com naturezas distintas, aplicou-se o procedimento de indexação em Base 100 (Hoffmann, 2016), permitindo que os dados partissem de um marco zero comum. A taxa Selic foi a única variável mantida em sua forma original, por sua natureza já permitir comparação direta como custo de oportunidade. Adicionalmente, utilizou-se a técnica de padronização por Z-Score (Bluman, 2006) para transformar os dados em unidades de desvio-padrão, eliminando distorções de escala e permitindo a observação de correlações mais robustas.

O tratamento e a análise dos dados foram realizados com o auxílio de softwares como Python, Microsoft Excel, Power BI e Google Colab. Foram aplicadas técnicas de análise exploratória correlacional, incluindo a correlação de Pearson e a inspeção gráfica das séries temporais, para mapear a influência dos indicadores macroeconômicos sobre as receitas dos shoppings e as cotações dos papéis. A análise buscou identificar padrões contemporâneos e possíveis defasagens temporais. Para mensurar o impacto das variáveis, utilizou-se a Regressão Linear Múltipla (OLS) com variáveis padronizadas (Z-Score), e os resultados foram comparados com retornos de ativos livres de risco.

Este trabalho utilizou ferramentas de Inteligência Artificial Generativa (Gemini) estritamente para suporte na revisão linguística e na estruturação de códigos em linguagem Python, sem que a ferramenta fosse empregada para tomada de decisão estatística ou interpretação de resultados, as quais foram conduzidas integralmente pelo autor. O estudo reconhece limitações metodológicas, como a forte influência de eventos atípicos (pandemia) no recorte temporal, que introduziram quebras estruturais nas séries. A exclusão de variáveis como PIB e taxa de desemprego, devido à baixa consistência estatística, pode restringir a abrangência das conclusões. Além disso, a utilização de modelos lineares limita a captura de relações não lineares e de efeitos dinâmicos mais complexos entre as variáveis, e a sazonalidade no último trimestre não foi ajustada, bem como o delay entre o ajuste da Selic e seu impacto na economia real.

3. Resultados e Discussão

A análise dos resultados e a subsequente discussão revelam uma intrincada teia de interdependências entre as variáveis macroeconômicas e o desempenho do setor de shopping centers no Brasil, no período compreendido entre 2018 e 2024. Para contextualizar a abordagem metodológica e o tratamento dos dados, a Tabela 1 sumariza as métricas aplicadas a cada variável, enquanto a Tabela 2 agrupa essas variáveis em categorias para facilitar a compreensão.

Tabela 1. Estrutura da coleta de dados e a unidade de análise

Variável	Tratamento do Dado	Unidade de Análise
PIB	Coleta Direta	Variação Trimestral (%)
Desemprego e Selic	Coleta Direta	Índice (%)
IPCA e CDI	Acumulado Trimestral	Variação (%)
Ativos de Mercado*	Variação de Fechamento	Variação (%)
Dólar	Variação de Fechamento	Variação (%)

Fonte: Dados originais da pesquisa

A Tabela 1 detalha como cada indicador macroeconômico e ativo de mercado foi tratado e qual unidade de análise foi empregada, desde a variação trimestral do PIB e dos índices de inflação (IPCA, IGP-M) até a variação de fechamento de ativos de mercado e do dólar. Essa padronização foi crucial para garantir a comparabilidade estatística, conforme destacado por Hoffmann (2016) e Bluman (2006), que enfatizam a importância da indexação em Base 100 e da padronização por Z-Score para mitigar distorções de escala e permitir análises robustas. A taxa Selic, por sua vez, foi mantida em sua forma original, dada sua natureza como custo de oportunidade, que permite comparação direta. A consistência na coleta e tratamento dos dados, provenientes de fontes oficiais como BACEN, IBGE, CVM e B3, conforme descrito na metodologia, reforça a validade dos achados.

Tabela 2. Agrupamento das variáveis escolhidas

Categoria	Variável
Economia	SELIC, CDI, Desemprego, PIB e Dólar
Safras de receita de shopping	2018, 2019, 2020, 2021 e 2022
Ativos de shoppings	ALOS3, IGTI11, MULT3, HGBS11, XPML11, HSML11, MALL11 e VISC11
Índices	IBOV, IFIX, IPCA, IGPM, ICVA, IPC Vestuário e ICC

Fonte: Dados originais da pesquisa

O agrupamento das variáveis na Tabela 2 em categorias como “Economia”, “Safras de receita de shopping”, “Ativos de shoppings” e “Índices” oferece uma visão estruturada do universo de dados analisado. Essa categorização foi fundamental para a etapa de filtragem e seleção das variáveis mais representativas e com maior poder explicativo, um processo que se tornou evidente na subsequente análise de correlação. A escolha de Multiplan (MULT3) como proxy para o setor de shopping centers e a exclusão de Allos (ALOS3) devido à alta colinearidade, conforme ilustrado na Figura 2, são exemplos práticos dessa estratégia de simplificação analítica sem comprometer a representatividade setorial, dado o histórico mais extenso e a composição integral de empreendimentos da safra de 2018 da MULT3. Essa decisão metodológica alinha-se com a necessidade de focar em ativos que ofereçam séries históricas completas e comparáveis, um desafio comum em estudos de séries temporais em mercados emergentes.

Após a coleta e tratamento dos dados, a análise exploratória correlacional foi iniciada, utilizando a correlação de Pearson para mapear a intensidade e direção das relações lineares entre as variáveis (Bussab e Morettin, 2017). A Figura 1, que apresenta a matriz de correlação inicial, revela um panorama complexo de interdependências.

Figura 1. Matriz de Correlação – Destaque em Correlações Fortes (>|0.45|)

Fonte: Resultados originais da pesquisa

A Figura 1 demonstra que, em um primeiro momento, diversas variáveis macroeconômicas apresentavam correlações significativas entre si e com os ativos do setor de shopping centers e FIIs. Por exemplo, o CDI e a Selic, como esperado, exibem uma correlação quase perfeita, justificando a exclusão do CDI por redundância estatística, conforme explicitado na metodologia. Essa alta correlação entre taxas de juros é um achado consistente na literatura econômica, onde o CDI é um reflexo direto da Selic no mercado interbancário (B3, 2026). A exclusão de variáveis com alta colinearidade é uma prática padrão para evitar problemas de multicolinearidade em modelos de regressão, que poderiam inflar os erros padrão dos coeficientes e dificultar a interpretação dos resultados (Wooldridge, 2003).

Ainda na análise preliminar da Figura 1, observou-se que o dólar apresentava correlações notáveis com diversos índices e ativos, sugerindo uma sensibilidade do setor de shopping centers brasileiro ao risco cambial e ao fluxo de capitais globais. Essa sensibilidade é um ponto crucial, pois o câmbio, especialmente em economias emergentes, pode atuar como um termômetro de risco-país, influenciando diretamente o custo de capital e a atratividade de investimentos estrangeiros. A literatura, como a de Assaf Neto (2021), frequentemente discute como a volatilidade cambial afeta os investimentos em ativos reais e financeiros, impactando tanto as receitas operacionais de empresas que dependem de importação/exportação quanto a precificação de ativos em bolsa.

A decisão de utilizar a safra de 2018 como variável representativa do setor, bem como a escolha de MULT3 como proxy para as ações de shopping centers, foi fundamentada na busca por um histórico mais amplo e na elevada similaridade de comportamento temporal entre MULT3 e ALOS3, conforme ilustrado na Figura 2.

Figura 2. Série temporal MULT3 x ALOS3

Fonte: Resultados originais da pesquisa

A Figura 2 evidencia a quase sobreposição das séries temporais de MULT3 e ALOS3, justificando a remoção de ALOS3 para evitar redundância e simplificar o modelo. Essa escolha é vital para manter a parcimônia do modelo, concentrando a análise em uma variável que encapsula a dinâmica do setor de forma robusta. A representatividade da MULT3, que compõe integralmente empreendimentos da safra de 2018, oferece uma base sólida para inferências sobre o desempenho do setor de shopping centers como um todo. A exclusão de variáveis com quebras estruturais relevantes, como o ICVA e a taxa de desemprego durante a pandemia, também foi uma medida necessária para garantir a consistência estatística, reconhecendo a influência de choques exógenos atípicos que poderiam distorcer as relações (Sims, 1980).

A análise do comportamento dos indicadores de consumo e política monetária, como a taxa Selic e o Índice Cielo do Varejo Ampliado (ICVA), revelou uma convergência significativa, mas contraintuitiva, conforme ilustrado na Figura 3.

Figura 3. Série temporal ICVA x SELIC

Fonte: Resultados originais da pesquisa

A Figura 3 mostra que, apesar da expectativa de uma relação inversa entre juros e consumo, houve uma correlação positiva entre ICVA e Selic em determinados períodos. Essa aparente anomalia pode ser explicada pelo contexto de ajuste pós-pandemia, onde a taxa básica de juros ainda estava sendo calibrada para combater a inflação, e o consumo, impulsionado por fatores como auxílios governamentais e uma demanda reprimida, não reagiu imediatamente de forma negativa à alta dos juros. Essa complexidade ressalta a dificuldade de capturar efeitos dinâmicos e defasagens em modelos lineares simplificados, uma limitação reconhecida pelo próprio estudo. A literatura sobre política monetária e consumo, como a de Bolsoni (2023), frequentemente aponta para os efeitos defasados das taxas de juros sobre o poder de compra e o endividamento das famílias, o que pode não ser capturado em análises contemporâneas diretas.

Após a aplicação dos critérios de exclusão, a matriz de correlação foi filtrada para reduzir a multicolinearidade e aumentar a clareza das associações relevantes. A Figura 4 apresenta essa matriz de correlação simplificada.

Figura 4. Matriz de correlação simplificada

Fonte: Resultados originais da pesquisa

A Figura 4, em conjunto com a Tabela 3, que resume as variáveis selecionadas, demonstra o refinamento do conjunto de dados para a análise de regressão.

Tabela 3. Estrutura resumida Categoria x Variável

Categoria	Variável
Economia	SELIC e Dólar
Safra de receita de shopping	2018
Ativos relacionados a shopping	IFIX, MULT3
Índices	IPCA, IGPM, IPC Vestuário e ICC

Fonte: Resultados originais da pesquisa

A matriz filtrada na Figura 4 e a Tabela 3 destacam que as variáveis remanescentes (Selic, Dólar, IPCA, IGP-M, IPC Vestuário, ICC, Safra 2018, IFIX e MULT3) foram consideradas as mais relevantes. A redução da multicolinearidade é um passo crucial para garantir a validade das estimativas dos coeficientes de regressão, permitindo que o impacto individual de cada variável explicativa seja avaliado com maior precisão (Wooldridge, 2003). A manutenção de indicadores de confiança e inflação, mesmo com correlações preliminares reduzidas, justifica-se pelo seu papel como termômetros de expectativas e tendências, cujos efeitos podem se manifestar com defasagens temporais, exigindo uma análise mais aprofundada do comportamento temporal.

A análise temporal das variáveis, especialmente dos ativos de mercado, é fundamental para compreender a dinâmica do setor. A Figura 5 compara a trajetória temporal do IFIX, de MULT3 e da taxa de câmbio (dólar).

Figura 5. Série temporal IFIX x MULT3 x dólar

Fonte: Resultados originais da pesquisa

A Figura 5 ilustra de forma contundente a sensibilidade dos ativos financeiros às variações cambiais e aos ciclos econômicos. Até o início de 2020, em um cenário de Selic baixa, MULT3, IFIX e Dólar apresentavam uma correlação positiva, com os ativos de risco sendo impulsionados pelo baixo custo de capital. No entanto, o choque da pandemia em 2020 alterou drasticamente essa dinâmica. MULT3, representando o setor de shopping centers, sofreu a queda mais acentuada devido ao fechamento físico dos empreendimentos e à expectativa de receita zero. Esse comportamento é consistente com a natureza dos ativos de renda variável, que são mais suscetíveis a choques sistêmicos e incertezas econômicas, como apontado por Assaf Neto (2018).

Em contraste, o IFIX demonstrou maior resiliência, embora também tenha sofrido uma queda. Essa resiliência pode ser atribuída à diversificação dos Fundos de Investimento Imobiliário (FIIs) que compõem o índice, que incluem diferentes classes de ativos imobiliários (logística, papel, crédito), mitigando o risco setorial específico dos shoppings. Bacci (2014) argumenta que os FIIs, por sua característica de renda passiva e menor volatilidade em comparação com ações puras, tendem a ser menos impactados por crises sistêmicas, comportando-se de forma mais similar à renda fixa. O dólar, por sua vez, atuou como um ativo de proteção, disparando em valor enquanto os ativos de risco caíam, criando um distanciamento visual e reforçando seu papel como indicador de risco-país em momentos de estresse.

Após a segunda onda pandêmica em 2021, a dinâmica do mercado mudou. A partir de 2022, o IFIX assumiu uma trajetória de subida consistente, superando a performance acumulada da Multiplan desde 2018. Esse achado sugere que a diversificação dos FIIs protegeu o índice de forma mais eficaz do que a exposição direta a um único ativo de shopping center. Para investidores, isso implica que a alocação em FIIs diversificados pode oferecer um perfil de risco-retorno mais estável em comparação com ações de empresas de shopping centers, especialmente em cenários de alta volatilidade macroeconômica. A decisão de desconsiderar o IFIX nas etapas subsequentes da análise, focando apenas na MULT3, foi estratégica para garantir maior precisão analítica sobre o setor de shopping centers puramente, evitando o efeito diluidor da diversificação do índice.

A comparação dos índices macroeconômicos com o dólar, apresentada na Figura 6, oferece insights adicionais sobre a dinâmica inflacionária e cambial.

Figura 6. Categoria índices vs dólar

Fonte: Resultados originais da pesquisa

A Figura 6, complementada pela Figura 7, que apresenta a matriz de correlação com variáveis padronizadas por Z-Score, revela disparidades significativas na intensidade e velocidade de ajuste dos preços frente aos choques macroeconômicos.

Figura 7. Matriz de correlação simplificada

Fonte: Resultados originais da pesquisa

O Dólar e o IGP-M exibem as maiores variações positivas acumuladas e uma forte correlação positiva, especialmente a partir de 2020. Essa relação é explicada pela composição do IGP-M, que possui 60% de seu peso no Índice de Preços ao Produtor Amplo (IPA), altamente sensível aos preços de commodities dolarizadas. Assim, a desvalorização cambial se traduz rapidamente em aumento dos custos de produção, que são repassados para o IGP-M. Para o setor de shopping centers, essa dinâmica é crítica, pois o IGP-M baliza a maioria dos contratos de locação, significando que o aumento da receita nominal dos shoppings é, em grande medida, uma resposta tardia à desvalorização cambial. Isso tem implicações práticas para a gestão de contratos de aluguel e para a projeção de receitas, exigindo que gestores monitorem de perto a taxa de câmbio e suas implicações inflacionárias.

Em contraste, o IPCA, índice oficial de inflação, demonstra um crescimento mais persistente e linear, com inclinação menos acentuada em comparação ao IGP-M. O IPC Vestuário, por sua vez, ilustra um exemplo de defasagem temporal, mantendo-se em um patamar de estabilidade relativa durante 2020-2021, possivelmente devido ao efeito do lockdown. Embora a análise visual sugira tendências, a disparidade entre as unidades de medida e a volatilidade específica de cada índice pode mascarar a real intensidade das correlações. A aplicação da padronização por Z-Score (Bluman, 2006) foi crucial para superar essa limitação, transformando os dados em unidades de desvio-padrão e permitindo a observação de correlações mais robustas e comparáveis.

A Figura 7, com as variáveis padronizadas, revela um bloco de convergência extremamente sólido entre IPCA, IGP-M e Dólar, reforçando a ideia de que a inflação de custos, que pressiona os contratos imobiliários, é balizada pela volatilidade cambial. No entanto, a ausência de correlação forte entre MULT3 e as variáveis inflacionárias (mesmo após a padronização) demonstra a complexidade da precificação do setor de shoppings, sugerindo que outros fatores ou relações não lineares podem estar em jogo. Essa complexidade exige que a precificação dos ativos de shopping centers seja vista como um fenômeno multifatorial, não linear, que pode depender de variáveis adicionais ou de modelos mais sofisticados.

Para obter uma resposta mais completa à questão central do estudo, a Figura 8 apresenta o comportamento combinado dos ativos e indicadores.

Figura 8. Ativos combinados

Fonte: Resultados originais da pesquisa

A Figura 8 sintetiza a complexa rede de interdependências e deslocamentos cíclicos. A forte associação visual e estatística (r = 0,82) entre o câmbio e as demais variáveis é notável, com picos na moeda estrangeira precedendo reajustes no IGP-M. Essa dinâmica é particularmente crítica para o setor de shoppings, cujos contratos de locação são majoritariamente balizados pelo IGP-M. Isso significa que o aumento da receita nominal dos shoppings é, em grande medida, uma resposta tardia à desvalorização cambial, que eleva os custos de construção e insumos. Essa defasagem temporal tem implicações importantes para a gestão de fluxo de caixa e para a rentabilidade real dos empreendimentos, pois os custos podem subir antes que as receitas se ajustem.

No que tange à performance de mercado, a relação entre o dólar e a MULT3 apresenta um comportamento inverso notável em momentos de estresse sistêmico, como o choque de 2020. Enquanto o dólar estabeleceu um novo patamar de suporte elevado, a MULT3 sofreu uma desvalorização acentuada. Isso reforça a ideia de que a moeda forte atua como um indicador de risco-país, pressionando o múltiplo das ações de shoppings. A percepção de risco elevado no país, frequentemente associada à desvalorização cambial, tende a afastar investidores e a reduzir a demanda por ativos locais, impactando negativamente as cotações.

Por fim, a convergência observada ao final do período analisado (2024) entre a MULT3 e o IPC Vestuário sugere uma resiliência do setor, com ambas as linhas tendendo a encerrar o ciclo em patamares de valorização acumulada similares (próximos à base 125). Essa convergência pode indicar que, apesar dos choques macroeconômicos, o setor de vestuário, um componente importante do mix de lojas dos shoppings, e o próprio ativo MULT3, conseguiram recuperar e estabilizar suas performances. No entanto, é crucial considerar que essa resiliência pode ser influenciada por fatores específicos do setor, como a adaptação dos shoppings a novos modelos de consumo ou a estratégias de gestão de portfólio.

Para uma avaliação mais aprofundada do desempenho financeiro, a Figura 9 compara a receita nominal, o IPCA e a MULT3, enquanto a Figura 10 foca no ganho real da MULT3 versus o IPCA.

Figura 9. Comparativo entre receita nominal, IPCA e MULT3

Fonte: Resultados originais da pesquisa

Figura 10. Ganho real de MULT3 vs IPCA

Fonte: Resultados originais da pesquisa

A Figura 9 e a Figura 10 são essenciais para distinguir entre crescimento nominal e real. A sazonalidade no último trimestre do ano, impulsionada por eventos como Natal e Black Friday, é um fator reconhecido, embora não ajustado neste estudo para simplificação. A análise do ganho real, descontando o IPCA, permite uma avaliação mais precisa do crescimento da receita dos shoppings da Multiplan. A Figura 10 mostra que, mesmo com os efeitos da pandemia, a receita real da Multiplan (representada por “2018-Real”) demonstrou aderência e, em alguns momentos, descolamentos da ação, retornando ao patamar de receita. Isso sugere que, apesar das flutuações do mercado de ações, a performance operacional subjacente dos shoppings da Multiplan manteve uma trajetória de recuperação e crescimento real, o que é um indicativo positivo para a saúde fundamental do negócio. A capacidade de um ativo de manter ou aumentar seu valor real ao longo do tempo é um critério fundamental para investidores de longo prazo, especialmente em ambientes inflacionários.

A comparação da MULT3 com a taxa Selic, apresentada na Figura 11, adiciona outra camada de complexidade à análise.

Figura 11. SELIC vs MULT3

Fonte: Resultados originais da pesquisa

A Figura 11 ilustra os desafios metodológicos impostos pelo período analisado, fortemente impactado pela pandemia de COVID-19. A manutenção da taxa Selic em patamares historicamente baixos (2% ao ano) durante o auge da crise representou uma política monetária fortemente expansionista. No entanto, os reflexos e distorções dessa política ainda reverberam nos dados, dificultando uma correlação direta em janelas temporais curtas de pós-lockdown. Além disso, existe um delay entre o ajuste da taxa Selic e seu impacto na economia real, o que complica a identificação de relações contemporâneas. Bolsoni (2023) destaca que o aumento da taxa básica de juros prejudica grupos mais vulneráveis que dependem de crédito e emprego, o que, por sua vez, afeta o consumo e, consequentemente, as receitas dos shoppings. A complexidade dessas relações defasadas e não lineares reforça a necessidade de modelos econométricos mais robustos, como os modelos VAR ou VECM, que são capazes de capturar essas dinâmicas temporais com maior precisão.

Por fim, a Figura 12 apresenta o gráfico com os resultados das variáveis que possuíram maior aderência estatística e empírica entre os índices macroeconômicos e a performance dos ativos.

Figura 12. MULT3 vs variáveis aderentes

Fonte: Resultados originais da pesquisa

A Figura 12 visualiza a convergência de tendências entre MULT3, IPC Vestuário e Dólar, representando a correlação entre as variáveis mencionadas. Para validar estatisticamente essa seleção empírica, foi realizado um teste de hipótese que reproduziu as informações nas Tabelas 4 e 5, que apresentam os resultados estatísticos da regressão linear múltipla (OLS).

Tabela 4. Resultados estatísticos gerados pelo estudo

Métrica	Valor
R-quadrado (R²)	0,493
R-quadrado Ajustado	0,450
Estatística F	11,66
Prob (F-statistic)	0,00029
N° de Observações	27

Fonte: Resultados originais da pesquisa

Tabela 5. Significância estatística das variáveis geradas pelo estudo

Variável	Coeficiente	Erro Padrão	Estatística t	P-valor (P>|t|)
Constante	0,0000	0,143	0,000	1,000
IPC Vestuário	0,0669	0,159	0,421	0,677
DÓLAR	-0,6725	0,159	-4,239	0,000*

Fonte: Resultados originais da pesquisa

Os resultados econométricos apresentados nas Tabelas 4 e 5 são cruciais para a compreensão do impacto das variáveis macroeconômicas no desempenho da MULT3. O R-quadrado (R²) de 0,493 indica que o modelo explica aproximadamente 49,3% da variância da variável dependente (MULT3). Embora não seja um valor extremamente alto, é considerado moderado no contexto de modelos econômicos que lidam com dados de séries temporais e a complexidade do mercado de capitais, onde muitos fatores não observáveis podem influenciar o comportamento dos ativos. Bussab e Morettin (2003) explicam que o R² quantifica o grau de associação entre variáveis, e um valor próximo a 0,5 sugere uma capacidade explicativa razoável. O R-quadrado ajustado de 0,450, que penaliza a inclusão de variáveis desnecessárias, reforça essa capacidade explicativa moderada.

A Estatística F de 11,66 e o P-valor (Prob (F-statistic)) de 0,00029 (inferior a 0,01) indicam que o modelo como um todo é estatisticamente significativo. Isso significa que, coletivamente, as variáveis explicativas incluídas no modelo têm um impacto significativo sobre a MULT3, e a hipótese nula de que todos os coeficientes são iguais a zero pode ser rejeitada com alta confiança. O valor de Durbin-Watson de 2,501 sugere uma possível ausência de autocorrelação positiva nos resíduos, o que é desejável em modelos de séries temporais, embora valores acima de 2 possam indicar autocorrelação negativa.

Ao analisar os coeficientes e P-valores individuais na Tabela 5, a taxa de câmbio (Dólar) emerge como a única variável estatisticamente significativa no período analisado (p = 0,000, inferior a 0,01). O coeficiente do Dólar é de -0,6725, indicando uma relação inversa e substancial: um aumento no valor do dólar está associado a uma queda na cotação da MULT3. Esse achado corrobora as observações visuais da Figura 5, onde o dólar atuou como ativo de proteção e indicador de risco-país, desvalorizando a MULT3 em momentos de estresse.

A implicação prática dessa relação negativa e significativa é multifacetada. Um dólar mais forte pode indicar fuga de capital de mercados emergentes, resultando em menor liquidez e pressão de venda sobre ativos locais como a MULT3. Além disso, a desvalorização do real frente ao dólar pode aumentar os custos de importação para os lojistas dos shoppings, que podem repassar esses custos aos consumidores ou reduzir suas margens, impactando indiretamente as receitas dos shoppings e, consequentemente, a precificação da ação. Para investidores e gestores, o monitoramento da taxa de câmbio é, portanto, uma variável-chave para a avaliação de risco e para a tomada de decisões estratégicas no setor de shopping centers. Estratégias de hedge cambial ou a diversificação de portfólio para incluir ativos menos sensíveis ao câmbio podem ser consideradas.

Por outro lado, o IPC Vestuário, com um coeficiente de 0,0669 e um P-valor de 0,677, não apresentou significância estatística no modelo proposto. Isso é um achado importante, pois, apesar de uma aparente convergência visual com a MULT3 na Figura 12, o modelo linear não conseguiu capturar uma relação estatisticamente robusta. Essa falta de significância pode ser atribuída a diversos fatores, incluindo a possibilidade de que a relação seja não linear, que existam defasagens temporais mais complexas não capturadas pelo modelo contemporâneo, ou que o impacto do IPC Vestuário seja indireto, mediado por outras variáveis. A literatura sugere que indicadores de consumo setoriais podem ter efeitos mais sutis e defasados sobre o desempenho de ativos, que modelos lineares simples podem não ser capazes de identificar plenamente (Heineck, 2010).

Em síntese, os resultados indicam que, embora diversas variáveis macroeconômicas possam apresentar associações visuais ou intuitivas com o desempenho do setor de shopping centers, nem todas possuem robustez estatística suficiente para explicar o comportamento dos ativos no período analisado por meio de um modelo linear simplificado. A taxa de câmbio, no entanto, destaca-se como um fator dominante e estatisticamente significativo, exercendo uma influência negativa sobre a precificação da MULT3. Essa dominância da variável cambial no período analisado, marcado por instabilidades econômicas e a pandemia de COVID-19, sugere que o risco sistêmico e o fluxo de capitais globais desempenharam um papel preponderante na dinâmica do setor. As limitações do modelo linear em capturar relações não lineares e efeitos dinâmicos mais complexos, bem como as quebras estruturais nas séries temporais, são reconhecidas e apontam para a necessidade de futuras pesquisas com abordagens econométricas mais avançadas.

4. Conclusão

Conclui-se que o objetivo foi atingido ao analisar o impacto de variáveis macroeconômicas sobre a receita operacional dos shoppings e a cotação dos ativos listados na B3, no período de 2018 a 2024. Os resultados revelaram que, embora diversas variáveis macroeconômicas apresentem associações visuais com o desempenho do setor de shopping centers, a taxa de câmbio (Dólar) emergiu como o único fator estatisticamente significativo no modelo linear proposto. Sua relação inversa e substancial com a cotação da MULT3, especialmente em momentos de estresse sistêmico, como a pandemia de COVID-19, sublinha a sensibilidade do setor ao risco macroeconômico e ao fluxo de capitais. A dominância da variável cambial sugere que o risco sistêmico global desempenhou um papel preponderante na dinâmica do setor, influenciando indiretamente a inflação de custos e a precificação dos ativos imobiliários.

Entretanto, o presente estudo enfrentou limitações importantes. O recorte temporal foi fortemente influenciado por eventos atípicos, como a pandemia, que introduziram quebras estruturais nas séries. A exclusão de variáveis como PIB e taxa de desemprego, devido à baixa consistência estatística, restringiu a abrangência das conclusões. Adicionalmente, a utilização de modelos lineares simples limitou a captura de relações não lineares e efeitos dinâmicos mais complexos. Para estudos futuros, recomenda-se a adoção de abordagens econométricas mais robustas, como modelos VAR ou VECM, capazes de capturar interdependências temporais e defasagens com maior precisão. A ampliação do horizonte temporal da análise também poderá mitigar o impacto de eventos extraordinários, aumentando a robustez dos resultados e aprofundando a compreensão da complexa interação entre macroeconomia e mercado imobiliário no Brasil.

Referências Bibliográficas

Branco, C.E.C.; Monteiro, E.M.A.R. 2003. Um estudo sobre a indústria de fundos de investimentos imobiliários no Brasil. Revista do BNDES 10(20): 261-296. Disponível em: https://web.bndes.gov.br/bib/jspui/bitstream/1408/11946/2/RB%2020%20Um%20Estudo%20sobre%20a%20Ind%c3%bastria%20de%20Fundos%20de%20Investimentos%20Imobili%c3%a1rios%20no%20Brasil_P_BD.pdf Acesso em: 28 out. 2025.

Castro, M.A.F. 2012. Co-integração na indústria de fundos imobiliários no Brasil. Dissertação (Mestrado Profissional) em Econom

Heineck, L.F.M. 2010. Material Complementar: Macroeconomia. CAPES, Brasília, DF, Brasil. Disponível em: https://cesad.ufs.br/ORBI/public/uploadCatalago/15222019012015Macroeconomia_Aula_1.pdf . Acesso em: 28 out. 2025.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Economia, Investimentos e Banking do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy