10 de setembro de 2026
Precificação Hedônica de Imóveis na Grande Florianópolis: Uso e Comparação de Modelos de “Machine Learning”
Gabriel Galvan de Cesaro; Lilian Cristina Da Silveira
DOI: 10.22167/2675-6528-202602220
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
O mercado imobiliário da Grande Florianópolis tem experimentado valorização acelerada, impulsionada pelo crescimento populacional e pela demanda turística e de investimento. Este estudo analisou os determinantes do valor de imóveis residenciais e comparou o desempenho preditivo de modelos de aprendizado de máquina, especificamente Random Forest e Gradient Boosting (XGBoost), com uma regressão por Mínimos Quadrados Ordinários (MQO). Os dados foram coletados via web scraping de dois portais imobiliários em março de 2026, abrangendo os municípios de Florianópolis, São José, Palhoça e Biguaçu, resultando em 8.056 observações válidas após limpeza. Avaliou-se o desempenho dos modelos por meio das métricas R², RMSE e MAPE. O XGBoost apresentou o melhor desempenho preditivo geral (R² = 0,742, RMSE = R$ 927.113), enquanto o Random Forest obteve o menor erro relativo (MAPE = 25,69%). Os principais determinantes do preço identificados foram a área construída, a região de localização e o número de banheiros. Uma análise complementar por segmento de mercado revelou que o MQO dependeu dos valores extremos para sustentar seu ajuste, enquanto os modelos ensemble mantiveram desempenho estável. Concluiu-se que os métodos de aprendizado de máquina são mais robustos para precificação hedônica em mercados imobiliários heterogêneos, especialmente na presença de imóveis atípicos.
Palavras-chave: Ensemble; Imobiliário; Regressão; Residencial; Web Scraping.
1. Introdução
O mercado imobiliário na Grande Florianópolis tem experimentado uma valorização acelerada, impulsionada pelo crescimento populacional e pela pressão de demanda turística e de investimento. Florianópolis, apesar de ser a 21ª capital em população absoluta, registrou o terceiro maior crescimento relativo entre 2010 e 2022, com um aumento de 27,5% em sua população (IBGE, 2022). Essa dinâmica se reflete nos preços dos imóveis, que tiveram um acréscimo acelerado de cerca de nove por cento entre janeiro e dezembro de 2024 (FIPE, 2024).
As cidades vizinhas, como São José, Palhoça e Biguaçu, também apresentaram um crescimento populacional relativo na mesma proporção da capital (IBGE, 2022). Contudo, seus preços por metro quadrado são inferiores; São José, por exemplo, encerrou 2024 com um valor 32% abaixo da média de Florianópolis (FIPE, 2024), configurando alternativas de moradia mais acessíveis para os trabalhadores da ilha catarinense. Nesse cenário, a compra de um imóvel é frequentemente a maior transação financeira para a maioria das pessoas (Pedersen et al., 2013), tornando crucial a compreensão dos mecanismos de precificação do mercado.
Saber como o mercado precifica ativos semelhantes permite ao comprador identificar oportunidades e evitar propriedades supervalorizadas. Para o vendedor, uma estimativa precisa do valor de mercado pode otimizar o retorno do investimento e agilizar a venda, evitando a subvalorização ou a supervalorização do bem (Moro, 2017). Um dos métodos estabelecidos para a estimativa do preço de um imóvel é a precificação hedônica, que, segundo Fávero (2003), utiliza modelos de regressão para definir os preços com base nas características das residências.
O termo hedônico deriva do hedonismo, indicando que o prazer ou a satisfação do consumidor dependem dos atributos do bem adquirido (Fávero et al., 2008). Rosen (1974) descreve os preços hedônicos como preços implícitos de atributos, determinados pelas características e preços associados a diferentes produtos. Assim, a precificação hedônica postula que o preço final é a soma dos preços dos atributos, evidenciando a contribuição individual de cada característica do imóvel.
Diante da complexidade e da rápida valorização do mercado imobiliário na Grande Florianópolis, torna-se relevante aprimorar as ferramentas de precificação. Este estudo busca contribuir para o avanço da literatura acadêmica ao estimar o valor de imóveis residenciais na região da Grande Florianópolis (compreendendo os municípios de Florianópolis, São José, Palhoça e Biguaçu) a partir de dados coletados via web scraping de plataformas de anúncios imobiliários online. Para isso, o desempenho de uma regressão por Mínimos Quadrados Ordinários (MQO), utilizada como modelo de referência, é comparado com o de algoritmos de aprendizado de máquina, especificamente Random Forest (Breiman, 2001) e Gradient Boosting por meio do XGBoost (Chen e Guestrin, 2016).
2. Material e Métodos
Todas as etapas de coleta de dados, processamento e modelagem foram implementadas em Python 3.12, executado em ambiente Windows 11. As bibliotecas utilizadas incluíram “Requests” e “BeautifulSoup” para coleta de dados, “Pandas” para manipulação, “Statsmodels” e “Scikit-learn” para regressão hedônica e “random forest”, “XGBoost” para “gradient boosting” e SHAP para interpretação dos modelos.
Os dados foram obtidos por meio de “web scraping” de dois portais imobiliários locais na região da Grande Florianópolis (Florianópolis, São José, Palhoça e Biguaçu) em março de 2026, abrangendo exclusivamente imóveis residenciais anunciados para venda. A escolha por dados de anúncios online deveu-se à indisponibilidade de registros oficiais de venda, e a opção por imobiliárias locais foi feita devido às políticas de privacidade de portais multi-imobiliários que proíbem a coleta automatizada.
A coleta de dados para o portal da Imobiliária A utilizou uma API REST interna que retornava dados em formato JSON, consumida diretamente por um “scraper” em Python com a biblioteca Requests. Para o portal da Imobiliária B, que não possuía API pública, o processo foi dividido em duas etapas: requisição de páginas de listagem com “Requests” e “BeautifulSoup” para atributos básicos, e visita a cada página individual de imóvel com um navegador “Chromium” controlado pela biblioteca “Playwright” para extração de variáveis complementares carregadas dinamicamente via JavaScript. Ao final, as bases de dados foram consolidadas em um único arquivo CSV, totalizando 8.156 registros antes da limpeza.
Os dados brutos consolidados foram submetidos a um processo de limpeza para remover registros com erros de cadastro, valores irreais ou informações insuficientes. Inicialmente, 15 tipos de imóveis foram padronizados em duas subdivisões: “apartamento” ou “casa”. Imóveis sem vaga de garagem foram tratados como 0. Registros com número de quartos ou banheiros ausentes, valor de venda abaixo de R$ 90.000, área construída inferior a 10m², mais de 9 quartos, mais de 12 vagas de garagem ou tamanho acima de 1000 m² foram desconsiderados.
Os campos de bairro e cidade passaram por normalização, e um novo campo “região” foi criado. Para Florianópolis, os bairros foram classificados em regiões Central, Continental, Leste, Norte e Sul, conforme a Lei Complementar N. 739 (FLORIANÓPOLIS, 2023). Para os demais municípios (Biguaçu, Palhoça e São José), o campo “região” foi preenchido com o próprio nome da cidade, conforme a representação simplificada na Figura 1.
Figura 1. Regiões consideradas para o estudo
Fonte: Elaboração própria, com base em Google Maps
As amenidades coletadas em formato de texto livre foram convertidas em sete variáveis binárias: piscina, sacada, churrasqueira, imovel_mobiliado, elevador, academia e salao_de_festas, por busca de termos predefinidos. Após todas as etapas de limpeza, o conjunto de dados final contou com 8.056 observações válidas e as variáveis apresentadas na Tabela 1.
Tabela 1. Variáveis da base de dados
| Nome | Descrição | Tipo |
|---|---|---|
| imobiliaria | Nome da imobiliária | Classificação |
| tipo | Tipo de propriedade | Classificação |
| rua | Logradouro | Nominal |
| bairro | Bairro do imóvel | Nominal |
| cidade | Cidade do imóvel | Classificação |
| tamanho_m2 | Tamanho em m² | Quantitativa contínua |
| quartos | Número de quartos | Quantitativa discreta |
| banheiros | Número de banheiros | Quantitativa discreta |
| vagas | Número de vagas de garagem | Quantitativa discreta |
| valor | Preço do imóvel em R$ | Quantitativa contínua |
| regiao | Região do imóvel | Classificação |
| piscina | Presença de piscina | Binaria/Lógica |
| sacada | Presença de sacada/varanda | Binaria/Lógica |
| churrasqueira | Presença de churrasqueira | Binaria/Lógica |
| imovel_mobiliado | Imóvel mobiliado | Binaria/Lógica |
| elevador | Presença de elevador | Binaria/Lógica |
| academia | Presença de academia | Binaria/Lógica |
| salao_de_festas | Presença de salão de festas | Binaria/Lógica |
Fonte: Resultados originais da pesquisa
O primeiro modelo estimado foi uma regressão linear por Mínimos Quadrados Ordinários (MQO), utilizado como modelo de referência. A variável dependente, “valor” (preço do imóvel em reais), foi transformada para a escala logarítmica, procedimento equivalente à transformação Box-Cox com parâmetro λ=0, buscando a normalização da distribuição. A especificação final do modelo foi validada pelo procedimento “stepwise” com critério de eliminação quando p-valor > 0,05, removendo a variável “imovel_mobiliado”.
Os modelos de aprendizado de máquina adotados foram “Random Forest” (Breiman, 2001) e “Gradient Boosting” por meio da implementação “XGBoost” (Chen e Guestrin, 2016). Para os modelos de aprendizado de máquina, a base de dados foi dividida em conjunto de treino (80% das observações, n = 6.444) e conjunto de teste (20% das observações, n = 1.612). A seleção de hiperparâmetros foi realizada por RandomizedSearchCV, utilizando validação cruzada “k-fold” com k = 5 no conjunto de treino e RMSE como critério de otimização. Foram amostradas 40 combinações de hiperparâmetros, apresentados na Tabela 2.
Tabela 2. Hiperparâmetros selecionados pelo RandomizedSearchCV
| Hiperparâmetro | Descrição | Random Forest | XGBoost |
|---|---|---|---|
| n_estimators | Número de árvores | 300 | 200 |
| max_depth | Profundidade máxima de cada árvore | 30 | 6 |
| max_features | Fração de variáveis avaliadas em cada divisão | 0,5 | |
| min_samples_split | Mínimo de amostras para dividir um nó | 5 | |
| min_samples_leaf | Mínimo de amostras em cada folha | 2 | |
| learning_rate | Taxa de aprendizado (peso de cada árvore) | 0,05 | |
| subsample | Fração de observações usadas por árvores | 0,6 | |
| colsample_bytree | Fração de variáveis usadas por árvore | 0,8 | |
| gamma | Ganho mínimo para realizar uma divisão | 0,1 | |
| min_child_weight | Peso mínimo em cada nó | 1 |
Fonte: Resultados originais da pesquisa
Os três modelos foram avaliados no conjunto de teste pelas métricas R², RMSE, MAE e MAPE, todas calculadas na escala original em reais, revertendo a transformação logarítmica com a função exponencial antes do cálculo.
A análise dos Fatores de Inflação de Variância (VIF) da especificação inicial do MQO revelou multicolinearidade severa entre `log_tamanho_m2` (VIF = 63,97) e `quartos` (VIF = 17,60), reconhecida como limitação do Modelo A, selecionado após testar três especificações para lidar com essa questão. O modelo MQO foi estimado com erros-padrão robustos HC3. A heterocedasticidade foi detectada pelo teste de Breusch-Pagan e corrigida pela aplicação de erros-padrão robustos HC3 por precaução metodológica.
3. Resultados e Discussão
Análise Exploratória
Após as etapas de coleta e sanitização, a base de dados final contou com 8.056 observações de imóveis residenciais anunciados para venda na região da Grande Florianópolis. As estatísticas descritivas das variáveis numéricas do estudo são apresentadas na Tabela 3.
Tabela 3. Estatísticas descritivas das variáveis numéricas
| Variável | média | mediana | desvio padrão | mín | máx |
|---|---|---|---|---|---|
| tamanho_m2 (m²) | 143,05 | 106,0 | 111,3 | 11,0 | 1000,0 |
| quartos | 2,73 | 3 | 1,09 | 1 | 9 |
| banheiros | 2,54 | 2 | 1,37 | 1 | 12 |
| vagas | 1,68 | 1 | 1,19 | 0,0 | 12 |
| valor (R$) | 1.655.513 | 1.100.000 | 1.959.595 | 90.000 | 50.000.000 |
| _preco_m2 (R$/m²) | 11.895 | 10.328 | 7095 | 490,2 | 138.183,3 |
Fonte: Resultados originais da pesquisa
O elevado desvio padrão observado para tamanho_m2 (111,3 m²) e valor (R$ 1.959.595) reflete a heterogeneidade da base de dados, que reúne tipos de imóveis e regiões com características muito distintas. Para fins exploratórios, o preço por metro quadrado (R$/m²) foi utilizado para comparar o valor de imóveis de tamanhos diferentes em condições mais homogêneas, revelando diferenças de valorização entre regiões e tipos que a análise do valor absoluto poderia mascarar. Esta variável é utilizada exclusivamente na análise exploratória, enquanto a modelagem adota log(valor) como variável dependente e log(tamanho_m2) como uma das variáveis preditoras.
O preço por metro quadrado mediano por região, conforme a Figura 2, revela diferenças expressivas dentro do município de Florianópolis. As regiões Norte e Sul apresentam os maiores valores medianos, seguidas pela região Central, enquanto os municípios da Grande Florianópolis (São José, Palhoça e Biguaçu) apresentam preços por metro quadrado sistematicamente inferiores. A diferença entre a região mais valorizada e menos valorizada é de cerca de 130%. Esse gradiente é consistente com os dados do índice FipeZap e reflete o padrão documentado na literatura de que a proximidade ao litoral e a locais de interesse são determinantes relevantes do valor hedônico de imóveis em cidades costeiras (Dantas et al., 2007). Esse resultado também antecipa os prêmios regionais estimados pelo modelo hedônico.
Figura 2. Preço por m² por região com outliers extremos ocultos
Fonte: Dados originais da pesquisa
A análise por bairro dentro da região Norte revela que a dispersão do preço por metro quadrado persiste mesmo na região mais valorizada. Jurerê apresenta um custo mediano de R$ 24.000/m², enquanto Vargem Grande registra R$ 8.000/m², uma diferença de 200%. Isso indica que a variável de região captura parte da heterogeneidade de preços, mas não a totalidade, pois bairros de alto padrão concentram atributos de valorização não inteiramente observáveis nos anúncios, como qualidade de acabamento e padrão construtivo.
A comparação do tamanho dos imóveis por região, apresentada na Figura 3, revela que a região Norte também lidera em tamanho mediano e apresenta o maior desvio padrão. Essa dispersão é explicada pela coexistência, dentro da mesma região, de bairros de alto padrão (como Jurerê e Jurerê Internacional, com imóveis de grande porte) e bairros com perfil mais popular (como Vargem Grande), onde os imóveis são significativamente menores.
Figura 3. Tamanho em m² por região com outliers extremos ocultos
Fonte: Dados originais da pesquisa
A Figura 4 decompõe essa variação por tipo de imóvel e evidencia que casas apresentam tamanho mediano consideravelmente maior que apartamentos, com dispersão igualmente mais elevada. Esse resultado sugere que parte do desvio padrão observado na variável tamanho_m2 decorre da composição heterogênea da amostra entre os dois tipos, reforçando a necessidade de controlar simultaneamente por tipo e região nos modelos estimados, o que é feito por meio de variáveis dummy incluídas na especificação hedônica.
Figura 4. Tamanho em m² por tipo de imóvel com outliers extremos ocultos
Fonte: Dados originais da pesquisa
A distribuição por tipo de imóvel revelou predominância de apartamentos (61%) sobre casas (39%), conforme a Figura 5. Essa discrepância em relação ao levantamento do IBGE (IBGE, 2022) para Florianópolis (56,01% de casas e 43,99% de apartamentos) é esperada, pois a base de dados captura imóveis ativamente anunciados para venda em portais digitais, onde apartamentos têm maior representação, refletindo o fluxo de mercado e não o estoque total de domicílios.
Figura 5. Contagem por tipo de imóvel
Fonte: Dados originais da pesquisa
Entre as amenidades coletadas, churrasqueira é a mais prevalente na amostra (69,8%), seguida por salão de festas (39,9%) e piscina (39,7%). A Figura 6 apresenta a diferença percentual entre o valor mediano dos imóveis que possuem cada amenidade e o valor mediano dos que não possuem, sem controle por outras variáveis.
Figura 6. Diferença no valor mediano entre imóveis com e sem amenidades
Fonte: Dados originais da pesquisa
Piscina (+74,0%) e churrasqueira (+72,0%) registram os maiores impactos positivos sobre o valor mediano, seguidas por sacada (+47,4%), enquanto academia apresenta resultado negativo (-10,7%). Este último não indica efeito de desvalorização, mas reflete um efeito de confundimento, pois academias são mais presentes em condomínios de médio padrão, que podem estar localizados em regiões menos valorizadas. Essa limitação da análise bruta é corrigida pelo modelo de regressão, que estima o efeito de cada atributo controlando simultaneamente pelas demais variáveis.
A regressão por MQO pressupõe que os resíduos do modelo sigam distribuição aproximadamente normal. Em dados imobiliários, o valor dos imóveis tipicamente não segue o padrão de distribuição normal, apresentando assimetria positiva acentuada devido à presença de poucos imóveis de altíssimo padrão. A transformação logarítmica é uma abordagem comum na literatura hedônica para lidar com esse problema (Rosen, 1974; Malpezzi, 2003), comprimindo a cauda direita, reduzindo a assimetria e estabilizando a variância dos resíduos.
A Figura 7 apresenta a distribuição do valor do imóvel antes e depois da transformação logarítmica. O valor original apresentou assimetria de 6,58, caracterizando uma distribuição com cauda direita longa. Após a transformação, a assimetria reduziu para 0,46, aproximando substancialmente a distribuição da simetria.
Figura 7. Distribuição da do valor do imóvel antes e após transformação logarítmica
Fonte: Dados originais da pesquisa
A normalidade foi avaliada pelo teste de Shapiro-França, que rejeitou a normalidade tanto para o valor original quanto para o log(valor), um resultado esperado em amostras de grande dimensão (Field, 2018). Os QQ-plots (gráficos de quantis teóricos versus observados) da Figura 8 mostram que a transformação logarítmica reduziu acentuadamente a assimetria da variável dependente, aproximando sua distribuição da normalidade. Essa condição favorece o atendimento da premissa de normalidade dos resíduos, verificada formalmente na seção de diagnósticos do modelo MQO.
Figura 8. QQ-plots da variável dependente antes e após transformação logarítmica
Fonte: Dados originais da pesquisa
O preditor tamanho_m2 apresentou assimetria de 2,35, também elevada, tendo sido igualmente transformado para log(tamanho_m2). As variáveis categóricas região e tipo foram codificadas como variáveis dummy, tendo Biguaçu e Apartamento como categorias de referência, respectivamente.
A análise de correlação de Spearman entre as variáveis numéricas e o valor do imóvel indicou que tamanho_m2 apresenta a maior correlação (p = 0,733, p < 0,001), seguido por banheiros (p = 0,690), quartos (p = 0,580) e vagas (p = 0,556). Esse ordenamento é consistente com a análise de Sirmans et al. (2005), que identificou área construída e número de banheiros como os atributos mais frequentemente significativos e de maior magnitude em modelos hedônicos residenciais.
Regressão por Mínimos Quadrados Ordinários
A análise dos Fatores de Inflação de Variância (VIF) da especificação inicial revelou multicolinearidade severa entre log_tamanho_m2 (VIF = 63,97) e quartos (VIF = 17,60), indicando que as duas variáveis capturam dimensões sobrepostas do imóvel. Multicolinearidade não enviesa os coeficientes, mas inflaciona seus erros-padrão, reduzindo o poder dos testes de hipótese (Fávero e Belfiore, 2024). Para avaliar alternativas, foram testadas três especificações para lidar com a multicolinearidade. O Modelo A (especificação original, com log_tamanho_m2 e quartos separados) foi selecionado por apresentar o menor AIC (7.337) e o maior R² ajustado (0,7636) entre as três especificações, conforme apresentado na Tabela 4. Os Modelos B (sem quartos) e C (substituindo tamanho e quartos por m²/quarto) apresentaram AIC superiores e R² ajustado ligeiramente menor, sendo descartados. A multicolinearidade entre log_tamanho_m2 e quartos é reconhecida como limitação do Modelo A e reportada pela análise de VIF.
Tabela 4. Resultado da análise de VIF
| Modelo | número de preditores | R² ajustado | AIC | VIF máximo |
|---|---|---|---|---|
| A (original) | 19 | 0,7636 | 7337 | 63,97 |
| B (sem quartos) | 18 | 0,7635 | 7358 | 51,30 |
| C (m²/quarto) | 18 | 0,7143 | 8881 | 41,51 |
Fonte: Resultados originais da pesquisa
O modelo estimado por MQO com erros-padrão robustos HC3 apresentou R² de 0,764, indicando que as variáveis incluídas explicam 76,4% da variação no logaritmo do preço dos imóveis. Esse resultado situa-se dentro da faixa típica reportada na literatura (Sirmans et al., 2005). A estatística F rejeitou a hipótese nula de que todos os coeficientes são conjuntamente iguais a zero (F = 1.168, p < 0,001), confirmando a significância global do modelo. A Tabela 5 apresenta os coeficientes estimados.
Tabela 5. Coeficientes do modelo MQO
| Variável | Coeficiente (β) | Desvio Padrão | p-valor |
|---|---|---|---|
| Intercepto | 9,7961 | 0,0510 | 0,0000 |
| regiao_central | 0,6431 | 0,0291 | 0,0000 |
| regiao_continental | 0,3921 | 0,0308 | 0,0000 |
| regiao_leste | 0,3571 | 0,0308 | 0,0000 |
| regiao_norte | 0,7475 | 0,0296 | 0,0000 |
| regiao_palhoca | 0,2228 | 0,0299 | 0,0000 |
| regiao_sul | 0,7189 | 0,0301 | 0,0000 |
| regiao_sao_jose | 0,1994 | 0,0295 | 0,0000 |
| tipo_casa | -0,1905 | 0,0141 | 0,0000 |
| log_tamanho_m2 | 0,6803 | 0,0119 | 0,0000 |
| quartos | -0,0296 | 0,0062 | 0,0000 |
| banheiros | 0,1303 | 0,0048 | 0,0000 |
| vagas | 0,0625 | 0,0045 | 0,0000 |
| piscina | 0,1826 | 0,0097 | 0,0000 |
| sacada | 0,0489 | 0,0099 | 0,0000 |
| churrasqueira | 0,0291 | 0,0103 | 0,0046 |
| elevador | 0,1234 | 0,0127 | 0,0000 |
| academia | 0,0299 | 0,0144 | 0,0373 |
| salao_de_festas | 0,0435 | 0,0117 | 0,0207 |
Fonte: Resultados originais da pesquisa
A variável imovel_mobiliado foi removida pelo procedimento stepwise (p = 0,054) e não integra o modelo final. Os demais coeficientes permaneceram inalterados.
As variáveis regionais, tendo Biguaçu como categoria de referência, revelam prêmios de localização expressivos. Convertendo os coeficientes para variação percentual exata, imóveis na região Norte de Florianópolis valem cerca de 111% a mais que imóveis equivalentes em Biguaçu, seguidos pela região Sul (+105%) e Central (+90%). A magnitude desses prêmios regionais, que chegam a exceder 100%, é expressiva e sugere que a variável de localização é o principal determinante do valor imobiliário na Grande Florianópolis, sobrepondo-se às características físicas do imóvel.
Entre as variáveis físicas do imóvel, a quantidade de banheiros apresenta o maior coeficiente positivo (β = 0,130), implicando acréscimo de aproximadamente 13,9% no valor para cada banheiro adicional, controlando pelas demais variáveis. Este é um resultado consistente com a faixa de 10% a 12% documentada por Sirmans et al. (2005) para mercados norte-americanos. Vagas de garagem contribuem com acréscimo de 6,4% por unidade adicional (β = 0,063). O coeficiente de tipo_casa (β = -0,190) indica que casas valem aproximadamente 17,4% menos que apartamentos equivalentes em tamanho, região e amenidades, o que reflete a maior valorização relativa dos apartamentos no mercado anunciado online, concentrado em regiões urbanas densas onde esse tipo predomina. Entre as amenidades, piscina registra o maior prêmio implícito (+20,0%), seguida por elevador (+13,1%), salão de festas (+4,4%), academia (+3,0%) e churrasqueira (+2,9%), resultado consistente com a revisão de Sirmans et al. (2005), que identificou piscina e garagem como as amenidades com maior frequência de coeficientes positivos e significativos nos estudos hedônicos residenciais.
O coeficiente negativo de quartos (-0,030), controlando pelo tamanho, encontra paralelo na literatura: Sirmans, Macpherson e Zietz (2005) observaram que o sinal de quartos tende a se tornar negativo ou não significativo quando a área construída é incluída simultaneamente no modelo, pois as duas variáveis capturam dimensões sobrepostas do imóvel. Esse resultado é interpretado como uma penalização por quartos pequenos: partindo de um tamanho fixo de um imóvel, uma quantidade maior de quartos implica em menor área média por cômodo. A Tabela 6 apresenta os VIFs do modelo, confirmando multicolinearidade severa entre log_tamanho_m2 (VIF = 63,97) e quartos (VIF = 17,60), reconhecida como limitação.
Tabela 6. Fatores de Inflação de Variância (VIF) do modelo selecionado
| Variável | VIF |
|---|---|
| log_tamanho_m2 | 63,97 |
| quartos | 17,60 |
| banheiros | 10,32 |
| vagas | 4,67 |
| churrasqueira | 4,02 |
| tipo_casa | 3,98 |
| regiao_central | 3,71 |
| elevador | 3,46 |
| salao_de_festas | 2,98 |
| regiao_norte | 2,65 |
| regiao_sao_jose | 2,29 |
| piscina | 2,10 |
| regiao_sul | 2,09 |
| regiao_continental | 2,03 |
| regiao_palhoca | 2,01 |
| sacada | 1,92 |
| regiao_leste | 1,83 |
| academia | 1,28 |
Fonte: Resultados originais da pesquisa
A heterocedasticidade detectada pelo teste de Breusch-Pagan (LM = 490,15, p < 0,001) é esperada em modelos hedônicos, documentada em relação tanto à idade quanto ao valor dos imóveis (Goodman e Thibodeau, 1995; Malpezzi, 2003). A correção pelos erros-padrão robustos HC3 não altera os coeficientes estimados, apenas os erros-padrão e os intervalos de confiança, preservando a validade da inferência. O gráfico de resíduos versus valores ajustados, apresentado na Figura 9, não evidencia um padrão visual de heterocedasticidade acentuado, o que é comum em amostras grandes onde o teste de Breusch-Pagan detecta desvios estatisticamente significativos, mas de pequena magnitude prática. A correção pelos erros-padrão robustos HC3 foi aplicada por precaução metodológica, preservando a validade da inferência.
Figura 9. Resíduos versus valores ajustados
Fonte: Dados originais da pesquisa
A curtose em excesso dos resíduos (2,28) indica caudas mais pesadas que a distribuição normal, sugerindo desempenho menos preciso nos extremos da distribuição de preços. Esse resultado é verificado no QQ-plot dos resíduos padronizados da Figura 10, onde os pontos nas extremidades se afastam da linha de referência, e motivou a análise complementar por segmento de mercado apresentada na seção seguinte.
Figura 10. QQ-Plot (Quantile-Quantile Plot) dos resíduos padronizados
Fonte: Dados originais da pesquisa
Modelos de aprendizado de máquina
A Tabela 7 apresenta as métricas de desempenho dos três modelos no conjunto de teste, calculadas na escala original em reais após reversão da transformação logarítmica. Para fins de comparação equivalente com os modelos de aprendizado de máquina, o MQO foi reavaliado sobre o mesmo conjunto de teste de 20% das observações, obtendo R² = 0,717. O valor inferior ao R² de 0,764, apresentado na seção anterior, é uma diferença esperada, dado que aquele foi calculado sobre todas as 8.056 observações utilizadas no ajuste, enquanto este se refere a dados que o modelo não havia visto durante o treinamento.
Tabela 7. Comparativo de métricas entre modelos para conjunto de teste
| Modelo | R² Teste | RMSE (R$) | MAPE |
|---|---|---|---|
| OLS | 0,7168 | 971.153 | 29,17% |
| Random Forest | 0,7339 | 941.302 | 25,69% |
| XGBoost | 0,7419 | 927.113 | 26,27% |
Fonte: Resultados originais da pesquisa
Os modelos ensemble superaram o MQO em todas as métricas avaliadas. O XGBoost apresentou o melhor desempenho em R² (0,742) e RMSE (R$ 927.113), enquanto o Random Forest obteve o menor MAPE (25,69%), indicando menor erro relativo nos imóveis de valor intermediário. O RMSE de R$ 927.113 representa aproximadamente 84% do valor mediano dos imóveis da amostra (R$ 1.100.000), refletindo a heterogeneidade estrutural do mercado discutida na análise exploratória, e não uma falha dos modelos.
O padrão observado, com XGBoost ligeiramente superior em métricas globais e Random Forest mais preciso em erro relativo, reflete as diferenças estruturais entre os dois algoritmos: o XGBoost, por construir árvores sequencialmente com foco na redução do resíduo acumulado, tende a minimizar o erro quadrático global, enquanto o Random Forest, por agregar árvores independentes treinadas em amostras distintas, apresenta menor variância nas predições individuais (Breiman, 2001; Chen e Guestrin, 2016). O MAPE residual de 25% a 29% é consistente com o reportado em estudos hedônicos brasileiros com dados de anúncio (Kappel e Teodoro, 2021). A variância não explicada pelos modelos é inerente à natureza dos dados, pois características determinantes do valor individual, como estado de conservação, qualidade do acabamento, orientação solar e andar, não são sistematicamente reportadas nos anúncios e, portanto, não podem ser incluídas nos modelos (Malpezzi, 2003; Campos, 2017).
A Figura 11 apresenta os valores reais versus preditos para Random Forest e XGBoost no conjunto de teste. Em ambos os modelos, os pontos concentram-se próximos à diagonal nos imóveis de valor intermediário, com maior dispersão nos extremos da distribuição, padrão consistente com o MAPE elevado e com a curtose dos resíduos observada no MQO, e que motivou a análise complementar por segmento de mercado apresentada na seção seguinte.
Figura 11. Valores reais versus preditos para Random Forest e XGBoost no conjunto de teste
Fonte: Dados originais da pesquisa
A interpretação dos modelos ensemble foi realizada por meio de SHAP values (SHapley Additive exPlanations), método baseado na teoria dos jogos cooperativos que atribui a cada variável sua contribuição marginal média para a predição de cada observação (Lundberg e Lee, 2017). Os valores SHAP foram calculados sobre uma amostra aleatória de 1.000 observações do conjunto de teste, aplicados ao XGBoost por ser o modelo de melhor desempenho geral.
A Figura 12 apresenta o ranking de importância média absoluta das variáveis e a Figura 13 apresenta o beeswarm plot, onde cada ponto representa uma observação, o eixo horizontal indica a magnitude e direção do efeito de cada variável sobre a predição, e a cor indica o valor da variável (vermelho = alto, azul = baixo).
Figura 12. Importância média absoluta das variáveis — SHAP values (XGBoost)
Fonte: Dados originais da pesquisa
Figura 13. Impacto das variáveis sobre o preço predito — SHAP values (XGBoost)
Fonte: Dados originais da pesquisa
A variável com maior importância SHAP foi log_tamanho_m2, seguida pelas variáveis regionais, confirmando que tamanho e localização são os principais determinantes do valor imobiliário na Grande Florianópolis. O beeswarm confirma que imóveis maiores têm valores SHAP mais elevados para a variável de tamanho, ou seja, quanto maior o imóvel, maior sua contribuição para elevar o preço predito. Esse padrão é consistente com a elasticidade estimada pelo MQO, mas o XGBoost captura essa relação de forma mais flexível, sem restringi-la a uma proporção fixa entre tamanho e preço. As variáveis regionais apresentam efeitos de alta magnitude, refletindo o forte componente geográfico na determinação do preço imobiliário, resultado amplamente documentado na literatura hedônica desde Rosen (1974). A comparação entre a ordenação de importância dos coeficientes do MQO e os SHAP values do XGBoost revela convergência, uma vez que em ambos os métodos, tamanho, localização e número de banheiros figuram entre os principais determinantes do valor.
Análise por segmento de mercado
Como análise complementar, os três modelos foram reestimados em um recorte da base de dados limitado ao intervalo fechado entre o percentil 5 e o percentil 95 da distribuição de valores (R$ 350.000 a R$ 4.712.500), correspondendo a 7.268 observações (90,2% do total). O objetivo foi verificar se o desempenho preditivo dos modelos melhora quando os imóveis nos extremos da distribuição (cujo valor é determinado por fatores não capturados pelas variáveis disponíveis, como alto padrão ou alguma irregularidade) são excluídos do escopo. A Tabela 8 apresenta a comparação entre os dois recortes.
Tabela 8. Desempenho dos modelos: base de dados completa vs segmento [p5-p95]
| Modelo | Recorte | R² | RMSE | MAPE |
|---|---|---|---|---|
| OLS | Completo | 0,7168 | 971.153 | 29,17% |
| OLS | Segmentado | 0,5809 | 600.663 | 27,27% |
| Random Forest | Completo | 0,7339 | 941.302 | 25,69% |
| Random Forest | Segmentado | 0,7165 | 494.002 | 23,78% |
| XGBoost | Completo | 0,7419 | 927.113 | 26,27% |
| XGBoost | Segmentado | 0,7213 | 489.794 | 23,69% |
Fonte: Resultados originais da pesquisa
O resultado mais relevante desta análise é a queda acentuada do R² do MQO ao remover os extremos (de 0,717 para 0,581, redução de 13,6 pontos percentuais), em contraste com a estabilidade dos modelos ensemble, cujo R² caiu apenas 1,7 e 2,1 pontos percentuais para Random Forest e XGBoost, respectivamente. Esse padrão tem explicação estatística: o R² é definido como a proporção da variância total explicada pelo modelo, e os imóveis nos extremos da distribuição ampliam essa variância total. Ao removê-los, a variância total cai substancialmente, e o MQO, por ser um modelo global que estima coeficientes únicos para toda a amostra, perde tanto a variância que sustentava seu R² quanto as observações influentes que calibravam seus coeficientes. Os modelos de árvore, por realizarem particionamento local dos dados, são estruturalmente independentes dessa influência, resultado consistente com a robustez documentada de métodos ensemble a observações influentes (Breiman, 2001).
A melhora do MAPE no segmento foi mais modesta para todos os modelos (entre 1,9 e 2,6 pontos percentuais), indicando que a variância não explicada é distribuída por toda a faixa de preços e não concentrada nos extremos. Essa informação sugere que a limitação preditiva dos modelos é estrutural, determinada pela ausência de variáveis relevantes nos dados de anúncio (como estado de conservação, qualidade de acabamento e andar), e não pode ser simplificada por recortes amostrais ou por escolhas metodológicas alternativas. Esse resultado reforça a recomendação do uso de modelos ensemble para precificação hedônica em mercados heterogêneos, onde a presença de imóveis atípicos é inevitável e o desempenho do MQO pode ser superestimado quando avaliado na amostra completa.
Em síntese, este estudo analisou a eficiência de técnicas de aprendizado de máquina na precificação hedônica de imóveis residenciais na Grande Florianópolis. O modelo XGBoost apresentou o melhor desempenho preditivo geral, com R² de 0,742 e RMSE de R$ 927.113, superando o Random Forest e o MQO. O Random Forest obteve o menor erro relativo (MAPE = 25,69%), indicando maior precisão nos imóveis de valor intermediário. Os atributos mais relevantes na formação de preços, tanto pelos coeficientes do MQO quanto pelos SHAP values do XGBoost, foram a área do imóvel, a região de localização e o número de banheiros. Os prêmios regionais implícitos foram expressivos, com imóveis na região Norte de Florianópolis valendo 111% a mais que imóveis equivalentes em Biguaçu, e os da região Sul, 105% a mais. Entre as amenidades, piscina (+20%) e elevador (+13%) apresentaram os maiores prêmios implícitos. A análise por segmento de mercado demonstrou que o MQO depende dos imóveis nos extremos da distribuição para sustentar seu ajuste global, enquanto os modelos de árvore mantiveram desempenho estável, evidenciando a superioridade dos métodos ensemble para aplicações de precificação em mercados heterogêneos. Contudo, os dados são provenientes de anúncios online, refletindo o preço pedido e não o preço efetivamente transacionado, o que pode introduzir um viés de superestimação. Variáveis relevantes para a determinação do preço não estão disponíveis nos anúncios (como estado de conservação, andar, orientação solar, vista e qualidade dos acabamentos), o que limita o poder preditivo dos modelos e explica o MAPE residual de aproximadamente 25%. A amostra corresponde a um recorte temporal único (março de 2026), não permitindo análise de tendências ou sazonalidade do mercado.
4. Conclusão
O estudo teve como objetivo analisar a eficiência de técnicas de aprendizado de máquina na precificação hedônica de imóveis residenciais na região da Grande Florianópolis, utilizando dados coletados via web scraping de portais imobiliários online. Verificou-se que o XGBoost apresentou o melhor desempenho preditivo geral, com R² de 0,742 e um RMSE de R$ 927.113, enquanto o Random Forest obteve o menor erro relativo, com MAPE de 25,69%, superando o MQO em todas as métricas avaliadas. Os principais determinantes do preço identificados foram a área construída do imóvel, a região de localização e o número de banheiros, com prêmios regionais expressivos, como o da região Norte de Florianópolis, que valia 111% a mais que imóveis equivalentes em Biguaçu. Entre as amenidades, piscina e elevador registraram os maiores prêmios implícitos. A principal contribuição do estudo reside na demonstração da robustez e superioridade dos métodos ensemble para precificação hedônica em mercados imobiliários heterogêneos, onde a presença de imóveis atípicos é comum, oferecendo uma ferramenta mais precisa para compradores, vendedores e investidores.
Contudo, o estudo apresenta limitações inerentes à natureza dos dados, que são provenientes de anúncios online e refletem o preço pedido, não o transacionado, o que pode introduzir um viés de superestimação. O modelo MQO, por sua vez, apresentou multicolinearidade severa entre a área construída e o número de quartos, o que restringe a interpretação individual dessas variáveis. Variáveis relevantes para a determinação do preço, como estado de conservação, andar, orientação solar e qualidade dos acabamentos, não estavam disponíveis nos anúncios, limitando o poder preditivo dos modelos e explicando o MAPE residual de aproximadamente 25%. A amostra correspondeu a um recorte temporal único em março de 2026, impedindo a análise de tendências ou sazonalidade. Para estudos futuros, sugere-se a incorporação de variáveis espaciais explícitas, como a distância a polos de emprego e praias, a utilização de dados de transação efetiva e a coleta de dados em um período temporal mais amplo para modelar a dinâmica de preços e o impacto de ciclos econômicos.
Referências Bibliográficas
Breiman, Leo. 2001. Random Forests. Machine Learning 45(1): 5-32.
Campos, R. B. A. 2017. O mercado imobiliário residencial no município de São Paulo: uma abordagem de preços hedônicos espacial. Nova Economia 27(1): 303–337.
Chen, Tianqi; Guestrin, Carlos. 2016. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Dantas, Rubens Alves; Magalhães, André Matos; Vergolino, José Raimundo de Oliveira. 2007. Avaliação de imóveis: a importância dos vizinhos no caso de Recife. Revista de Economia Aplicada, Ribeirão Preto, v. 11, n. 2, p. 231-251, abr./jun
Field, Andy. 2018. Discovering Statistics Using IBM SPSS Statistics. 5ª ed. Londres: SAGE Publications.
Florianópolis. 2023. Lei Complementar N. 739, de 04 de maio de 2023. Altera a Lei Complementar N. 482, de 2014 (Plano diretor de Florianópolis) e consolida seu processo de revisão. Art. 210. Disponível em: https://www.cmf.sc.gov.br/proposicoes/Leis-Complementares/2023/1/0/89810. Acesso em 20 mar. 2026.
Fundação Instituto de Pesquisas Econômicas [FIPE] – Índice Fipezap venda residencial, informe de 12/2024. Disponível em https://downloads.fipe.org.br/indices/fipezap/fipezap-202412-residencial-venda-publico.pdf. Acesso em 20 mar. 2026.
Fávero, L. P. 2003. Modelos de preços hedônicos aplicados a imóveis residenciais em lançamento no município de São Paulo. Working Paper n. 03/002. FEA-USP, São Paulo.
Fávero, L. P.; Belfiore, P.; Lima, G. A. S. 2008. Modelos de precificação hedônica de imóveis residenciais na região metropolitana de São Paulo: uma abordagem sob as perspectivas da demanda e da oferta. Estudos Econômicos (São Paulo) 38(1).
Fávero, L.P.; Belfiore, P. 2024. Manual de Análise de Dados: estatística e Machine Learning com EXCEL®, SPSS®, STATA®, R® e Python®. 2ed. LTC, Rio de Janeiro, RJ, Brasil
Goodman, Allen C.; Thibodeau, Thomas G. 1995. Age-related heteroskedasticity in hedonic house price equations. Journal of Housing Research 6(1): 25–42.
Instituto Brasileiro de Geografia e Estatística [IBGE]. 2023. Panorama do Censo 2022. Disponível em https://censo2022.ibge.gov.br/panorama/. Acesso em 20 mar. 2026.
Kappel, M. A. A.; Teodoro, L. A. 2021. Modelo Hedônico para Estimação do Valor de Imóveis: Aplicação em Nova Friburgo-RJ. VETOR — Revista de Ciências Exatas e Engenharias 30(1): 28-37.
Lundberg, Scott M.; Lee, Su-In. 2017. A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems 30: 4765–4774.
Malpezzi, Stephen. 2003. Hedonic pricing models: a selective and applied review. In: O’Sullivan, Tony; Gibb, Kenneth (Eds.). Housing Economics and Public Policy: Essays in Honor of Duncan Maclennan. Oxford: Blackwell Science, p. 67-89
Moro, Matheus Fernando. 2017. Modelo híbrido de séries temporais para previsão de demanda do mercado imobiliário de São Paulo. Tese (Doutorado).
Pedersen, Anne Marie B.; Weissensteiner, Alex; Poulsen, Rolf. 2013. Financial planning for young households. Annals of Operations Research 205: 55–76
Rosen, S. 1974. Hedonic prices and implicit markets: product differentiation in pure competition. Journal of Political Economy 82(1): 34–55.
Sirmans, G. Stacy; Macpherson, David A.; Zietz, Emily N. 2005. The composition of hedonic pricing models. Journal of Real Estate Literature 13(1): 1–44.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy
