Análise de preços hedônicos de aluguel de imóveis residenciais na cidade de São Paulo

Abstract

O presente trabalho tem como objetivo analisar e aplicar formas de prever o preço de aluguéis de imóveis residenciais na cidade de São Paulo e avaliar o impacto de suas variáveis intrínsecas e extrínsecas neste preço utilizando como fonte para predição um conjunto de dados de um grande website de aluguel e venda de imóveis brasileiro. Para isso será utilizado o conceito de preços hedônicos em modelos de regressão linear múltipla e aprendizado de máquina, comparando sua qualidade de ajuste (R²). Isso visa fornecer informações úteis para acadêmicos, profissionais de análise de dados e outros envolvidos no mercado de imóveis sobre como utilizar tais métodos para a precificação e determinação das características mais significantes na composição do preço. Os resultados demonstram a influência positiva de características como quantidade de quartos, banheiros e vagas de garagem, da proximidade a estações de metrô e a Avenida Faria Lima, assim como uma maior acurácia dos modelos de aprendizado de máquina na predição do preço final de aluguel.

The present work intent to analyze and apply techniques to predict the rent price of residential properties in the city of São Paulo and to evaluate the impact of its intrinsic and extrinsic variables on the price using a data set provided by an important Brazilian real state’s website as a source for prediction. Using for this the concept of hedonic pricing on multiple linear regression and machine learning models, comparing their goodness of fit (R²) to provide useful information for academics, data analysis professionals and others involved in the real estate market on how to use such methods for pricing and to determine the most significant characteristics in the composition of the price. The results demonstrate the positive influence of characteristics such as number of bedrooms, bathrooms and parking spaces, proximity to subway stations and Avenida Faria Lima, as well as a greater accuracy of machine learning models in predicting the final price of rent.