29 de janeiro de 2026
Fatores de formação de preços no mercado imobiliário de Niterói-RJ
Bernard Duque Estrada Sercio; Wilson Tarantin Junior
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
O mercado imobiliário brasileiro desempenha um papel crucial na dinâmica socioeconômica, influenciando diretamente as condições de moradia da população (Harvey, 2005). Apesar de sua importância, o setor imobiliário nem sempre recebe a devida atenção em discussões acadêmicas e apresenta características de capitalização singulares. Este estudo visa identificar os fatores mais relevantes na determinação do preço de mercado de imóveis, utilizando a cidade de Niterói, RJ, como caso de estudo (Singer, 1978). Para tanto, foi empregada uma metodologia que combina web scraping para coleta de dados de anúncios de venda de imóveis com dados públicos da cidade, alimentando modelos de machine learning (Fawcett & Provost, 2016). As variáveis consideradas abrangem tanto qualificações materiais dos imóveis (benfeitorias) quanto aspectos de localização (Abramo, 2007).
A metodologia adotada envolveu a construção de uma base de dados abrangente, combinando informações extraídas de anúncios online com dados geográficos e socioeconômicos da cidade de Niterói. Inicialmente, utilizou-se web scraping para coletar dados de um site de anúncios de venda de imóveis, com o auxílio da biblioteca Beautifulsoup e Selenium em Python (Mitchell, 2019). As informações extraídas incluíram características físicas dos imóveis, como área, número de quartos e banheiros, além de dados sobre localização. Em seguida, realizou-se o georreferenciamento dos imóveis, utilizando o serviço ViaCEP e a biblioteca Geopandas, transformando os endereços em coordenadas geográficas (Fávero & Belfiore, 2025). Para enriquecer a base de dados, foram incorporadas informações do Sistema de Gestão de Geoinformação de Niterói (SIGeo), incluindo dados sobre limites de bairros, hospitais, pontos turísticos, shoppings, universidades e praças públicas. A base de dados foi então submetida a um processo de limpeza e tratamento, removendo duplicatas, filtrando inconsistências geográficas e aplicando técnicas de winsorização para mitigar a influência de outliers (Bruce, Peter, 2019).
Os modelos de machine learning foram construídos utilizando variáveis que representam qualificações dos imóveis, tanto materiais quanto de localização. Foram utilizados modelos supervisionados de regressão, incluindo Regressão Linear Múltipla, Random Forest e XGBoost (Fawcett & Provost, 2016). A Regressão Linear Múltipla permitiu avaliar o impacto individual de cada variável independente sobre o preço dos imóveis, enquanto os modelos Random Forest e XGBoost foram utilizados para identificar as variáveis mais relevantes na predição dos preços (Bruce, Peter, 2019). As métricas de avaliação dos modelos incluíram R², MAPE e RMSE, permitindo comparar o desempenho dos diferentes modelos e avaliar a precisão das predições (Fávero & Belfiore, 2025). A análise exploratória dos dados revelou que o bairro de Icaraí concentra a maior parte dos anúncios de imóveis em Niterói, enquanto os bairros de Camboinhas e Itacoatiara apresentam os maiores valores médios de venda. As casas tendem a apresentar maior valorização imobiliária do que os apartamentos, possivelmente devido a questões de localização e capacidade de acomodar mais benfeitorias (Silva, 2010).
Os resultados obtidos demonstraram que tanto as características físicas dos imóveis quanto a sua localização são relevantes na determinação dos preços. As variáveis de localização, como a distância de praias e universidades, mostraram-se importantes na predição dos preços, corroborando a importância da infraestrutura urbana na valorização imobiliária (Singer, 1978). No entanto, as benfeitorias construídas nos imóveis também se mostraram significativas, indicando que a qualidade e o conforto dos imóveis também são valorizados pelos compradores (Abramo, 2007). Os modelos Random Forest e XGBoost apresentaram um desempenho superior à Regressão Linear Múltipla, indicando que a relação entre as variáveis e o preço dos imóveis é complexa e não linear. O modelo Random Forest destacou a importância do tamanho do imóvel, número de quartos e distância da praia, enquanto o modelo XGBoost enfatizou a relevância do bairro de Camboinhas, número de quartos, suítes e vagas. A análise de feature importance revelou que as variáveis relacionadas às benfeitorias dos imóveis têm um peso maior na determinação dos preços do que as variáveis de localização. Conclui-se que o objetivo foi atingido: demonstrou-se que tanto as características físicas dos imóveis quanto a sua localização influenciam significativamente os preços de venda em Niterói, com um peso maior para as benfeitorias.
Referências Bibliográficas:
ABRAMO, P. A cidade caleidoscópica: Coordenação espacial e convenção urbana: Uma perspectiva heterodoxa para a economia urbana. Rio de Janeiro: Bertrand Brasil, 2007.
Bruce, Peter. Estatística Prática para Cientistas de Dados: 50 conceitos Essenciais. Rio de Janeiro: Alta Books, 2019.
Fávero, L., Belfiore, P. 2025 Manual de análise de dados: estatística e machine learning com Excel®, SPSS®, Stata®, R® e Python® – 2. ed. [2a Reimp.] – Rio de Janeiro: LTC, 2025.
Fawcett, T. Provost, F. Data Science para Negócios: O que Você Precisa Saber Sobre Mineração de Dados e Pensamento Analístico de Dados. Rio de Janeiro: Alta Books, 2016.
HARVEY, David. A produção capitalista do espaço. São Paulo: Annablume, 2005.
Mitchell, R. Web Scraping com Python: Coletando mais dados na web moderna. 2. ed. São Paulo: Novatec Editora Ltda., 2019.
Silva, O. T. Características e padrões de produção imobiliária nas cidades de São. 2010. Disponível em: https://www.researchgate.net/publication/346694154CaracteristicasepadroesdeproducaoimobiliarianascidadesdeSao
SINGER, Paul. O uso do solo urbano na economia capitalista. In: MARICATO, Erminia. (Org.) In: A produção capitalista da casa (e da cidade) no Brasil industrial. Editora Alfa-Omega, São Paulo, 1978.
Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq
Saiba mais sobre o curso; clique aqui:
