REVISTACIENTIFICAMULTIDISCIPLINARNUCLEODOCONHECIMENTO

Revista Científica Multidisciplinar

Pesquisar nos:
Filter by Categorias
Agronomia
Ambiente
Amministrazione
Amministrazione Navale
Architettura
Arte
Biologia
Chimica
Comunicazione
Contabilità
cucina
Di marketing
Educazione fisica
Etica
Filosofia
Fisica
Formazione
Geografia
Informatica
Ingegneria Agraria
Ingegneria ambientale
Ingegneria chimica
Ingegneria Civile
Ingegneria di produzione
Ingegneria di produzione
ingegneria elettrica
Ingegneria informatica
Ingegneria meccanica
Legge
Letteratura
Matematica
Meteo
Nutrizione
Odontoiatria
Pedagogia
Psicologia
Salute
Scienza della religione
Scienze aeronautiche
Scienze sociali
Sem categoria
Sociologia
Storia
Tecnologia
Teologia
Testi
Turismo
Veterinario
Zootecnici
Pesquisar por:
Selecionar todos
Autores
Palavras-Chave
Comentários
Anexos / Arquivos

Metodo comparativo diretto dei dati di mercato: Influenza dei pilotis sul valore unitario

RC: 90433
64
Rate this post
DOI: ESTE ARTIGO AINDA NÃO POSSUI DOI
SOLICITAR AGORA!

CONTEÚDO

ARTICOLO ORIGINALE

ALVES, Vinícius do Carmo [1]

ALVES, Vinícius do Carmo. Metodo comparativo diretto dei dati di mercato: Influenza dei pilotis sul valore unitario. Revista Científica Multidisciplinar Núcleo do Conhecimento. Anno 05, Ed. 10, Vol. 05, pp. 65-80. ottobre 2020. ISSN: 2448-0959, Collegamento di accesso: https://www.nucleodoconhecimento.com.br/ingegneria-ambientale-it/influenza-dei-pilotis ‎

RIEPILOGO

Questo studio mira a stimare l’influenza della variabile pilotis nella formazione del valore unitario del metro quadrato medio negli appartamenti situati in Asa Sul, Brasília-DF, attraverso strumenti di analisi statistica disponibili nel software TS-Sisreg. Questo studio si è svolto con il mercato immobiliare di Brasília e il campione era costituito da 30 dati di offerta, tuttavia, per lo sviluppo del modello di formazione del valore, sono stati utilizzati 28 dati. Per lo sviluppo del modello è stato adottato il metodo comparativo diretto dei dati di mercato. Il metodo comparativo è il più adottato nella valutazione dei beni e serve ad identificare il valore di mercato del bene attraverso il trattamento tecnico degli attributi degli elementi comparabili che compongono il campione. Le variabili considerate nel modello sono state: area utile, pilotis, garage e camere da letto. I risultati trovati hanno mostrato che i pilotis sono una variabile rilevante nello sviluppo del modello di formazione del valore. Pertanto, si conclude che il metodo comparativo dei dati di mercato si è rivelato adeguato all’obiettivo proposto, che le variabili inizialmente rilevate erano rilevanti per la formazione del modello e che l’assenza di pilotis ha effetti deleteri sulla formazione del valore unitario degli appartamenti situati in edifici situati in Asa Sul, Brasília-DF.

 Parole chiave: Valutazione degli asset, inferenza statistica, metodo comparativo.

1.INTRODUZIONE

Progettato da Lucio Costa, seguendo precetti modernisti, Brasília è stato costruito tra il 1956 e il 1960. Le aree residenziali della città, note come superblocchi, sono aree verdi di circa 250m per 250m, in cui il terreno è pubblico e non c’è presenza di recinzioni e mura, tale situazione è possibile grazie alla presenza di pilotis che sono l’uso di pilastri che elevano l’edificio da terra, consentendo la circolazione sotto di esso (ARIOLI et al. , 2015).

Secondo Amorim e Flores (2005) i superblocchi formano quattro corsie lineari, parallele all’asse stradale, e i binari ad ovest della casa dell’asse ne bloccano 100 e 300 mentre quelli ad est, blocchi 200 e 400. Ognuno dei quattro insiemi è numerato da 1 a 16, dall’incrocio degli assi verso la fine delle ali.

Nonostante la previsione iniziale di suolo pubblico e libero, in alcune superblocchi di Asa Sul sono presenti esempi di tipologie edilizie senza pilotis, popolarmente note come blocchi JK. Quindi, sorge la seguente domanda, l’assenza di pilotis influenza la formazione del valore unitario per metro quadrato negli appartamenti situati ad Asa Sul nel Plano Piloto di Brasília?

Secondo Holanda (2007) i blocchi “JK”, nella fila dei blocchi “400” dell’Asa Sul, non esistevano nel progetto originale del Plano Piloto. Ha tre piani, ma niente pilotis, niente ascensori, niente garage.

Pertanto, il presente lavoro offre un contributo nell’area dell’Ingegneria della Valutazione, con un ruolo chiave nel determinare il peso di una caratteristica architettonica dissonante se considerata una variante in un modello di regressione lineare.

L’NBR-14653-1 definisce la valutazione dei beni come l’analisi tecnica, eseguita da un ingegnere di valutazione, per identificare il valore di un bene, i suoi costi, frutti e diritti, nonché per determinare indicatori della fattibilità del suo uso economico, per un determinato scopo, situazione e data.

NBR 14653:1 (2001) identifica le procedure generali di valutazione al fine di identificare il valore di un bene, i suoi frutti e diritti, essendo:

  • Metodo comparativo diretto dei dati di mercato: identifica il valore di mercato del bene attraverso il trattamento tecnico degli attributi di elementi comparabili, costituenti del campione;
  • Metodo involutivo: identifica il valore di mercato del bene, basato sul suo uso efficiente, basato su un modello di studio di fattibilità tecnica ed economica, attraverso ipotetica impresa compatibile con le caratteristiche del bene e con le condizioni di mercato in cui è inserito, considerando scenari praticabili per l’esecuzione e la commercializzazione del prodotto;
  • Metodo evolutivo: identifica il valore del bene per la somma dei valori delle sue componenti. Se lo scopo è quello di identificare il valore di mercato, si dovrebbe prendere in considerazione il fattore di commercializzazione;
  • Metodo di capitalizzazione del reddito: identifica il valore del bene, basato sull’attuale capitalizzazione del suo reddito netto atteso, considerando scenari praticabili.

Definito il metodo da utilizzare, la scelta delle variabili è un fattore estremamente importante per la generazione di modelli rappresentativi.

Secondo NBR-14653-2 (2011) le variabili possono essere indipendenti che sono quelle che danno contenuto logico alla variazione dei prezzi di mercato raccolti nel campione o dipendenti che sono quelli il cui comportamento è destinato a essere spiegato dalle variabili indipendenti. Inoltre, lo standard definisce ancora le variabili in quelle quantitative che sono quelle che possono essere misurate o contate e qualitative che sono quelle che non possono essere misurate o contate, ma solo ordinate o gerarchiche, in base ad attributi inerenti al bene.

Per quanto riguarda la scelta delle variabili nel metodo comparativo diretto dei dati di mercato, NBR 14653-2 (2011) raccomanda l’adozione di variabili quantitative quando possibile. Per quanto riguarda le variabili qualitative indipendenti, lo standard determina il seguente ordine di priorità:

  • Uso di tutte le variabili dicotomiche necessarie, specialmente quando la quantità di dati è abbondante e i gradi di libertà necessari per la modellazione statistica possono essere preservati;
  • Uso di variabili proxy che sono le variabili utilizzate per sostituire un’altra variabile difficile da misurare e che presume di mantenere con essa una relazione di pertinenza, ottenuta attraverso indicatori pubblicati o dedotti in altri studi di mercato;
  • Per mezzo di codici rettificati, quando i valori vengono estratti dal campione utilizzando i coefficienti delle variabili dicotomiche che rappresentano ciascuna delle caratteristiche;
  • Attraverso codici allocati, che sono scale logiche ordinate per differenziare le caratteristiche qualitative degli immobili.

In ogni caso, questo lavoro mira a stimare l’influenza della variabile pilotis sulla formazione del valore unitario del metro quadrato medio negli appartamenti situati nell’Asa Sul, Brasília-DF, attraverso strumenti di analisi statistica disponibili nel software TS-SISREG.

2. SVILUPPO

Considerando l’eccentricità dei blocchi noti come JK, situati specificamente in Superblocchi Sul 408, 409, 411, 412 e 413, questo studio ha cercato di identificare un’equazione di formazione del valore attraverso un modello di regressione lineare che comprendeva la singolarità delle suddette strutture edilizie, secondo campioni raccolti nel mercato immobiliare, per questo motivo è stato utilizzato il metodo comparativo diretto dei dati di mercato. Vale la pena ricordare che questo studio non riguarda la valutazione di una determinata proprietà.

Figura 1 – Edifici senza pilotis, conosciuti come Blocchi JK

Fonte: (HOLANDA, 2007:17)

2.1 METODOLOGIA

Il metodo comparativo dei dati di mercato è il metodo più utilizzato per la valutazione dei beni, poiché viene eseguito sulla base del confronto di dati di mercato che hanno attributi simili a quelli del bene valutato.

2.1.1 SITUAZIONE E UBICAZIONE DEI DATI CAMPIONE

L’indagine sui dati di mercato che compongono il campione è stata effettuata nel periodo dal 01/11/2018 al 07/12/2018, delimitata come area di interesse della regione Asa Sul, poiché si tratta dell’unico quartiere del Plano Piloto che ha edifici senza pilotis. Sono state utilizzate informazioni sull’offerta dal mercato immobiliare di Brasília disponibili su Internet.

2.1.2 DEFINIZIONE DELLE VARIABILI

Per la costruzione del modello, sono state identificate quattro variabili indipendenti di costruzione del valore, specificate di seguito:

2.1.2.1 VARIABILE DIPENDENTE

Valore unitario: variabile dipendente espressa in R$/m², destinata ad esprimere la formazione del valore del contatore quadrato.

2.1.2.2 VARIABILI QUANTITATIVE INDIPENDENTI

Area Utile: variabile numerica di tipo quantitativo, espressa in m², progettata per indagare le aree degli immobili e l’influenza sulla costituzione del valore dell’immobile.

Camere: variabile numerica, tipo quantitativo, espresso in unità, destinato ad esprimere il numero di stanze dell’immobile e l’influenza sulla costituzione del valore dell’immobile.

2.1.2.3 VARIABILI INDIPENDENTI DICOTOMICHE

Pilotis: variabile dicotomatica isolata, progettata per identificare la presenza o l’assenza di pilotis nell’edificio. No = 0; Sì=1

Garage: variabile dicotomatica isolata, progettata per identificare l’esistenza del garage nell’edificio. No = 0; Sì = 1.

2.1.3 FORMAZIONE DEL CAMPIONE

In questa fase, sono stati raccolti e caratterizzati 30 dati in base alle variabili proposte, secondo la tabella seguente:

Tabella 1 – Dati selezionati per il campione

Fonte: Dati prodotti dall’autore (2018)

2.1.4 DI CARATTERIZZAZIONE DEL CAMPIONE

Per lo sviluppo del modello di regressione lineare, i dati sono stati inseriti nel software TS-SISREG e sono stati eseguiti i test di inferenza statistica adeguati. Considerando che due dati sono stati classificati come punti di influenza, questi sono stati presi in considerazione dell’adeguatezza del modello. Per quanto riguarda le variabili, tutte quelle inizialmente suggerite erano rilevanti per la formazione del valore.

Tabella 2 – Dati selezionati per il modello di valutazione

Fonte: Dati prodotti dall’autore tramite TS-SISREG (2018)

Di seguito è riportata la tabella con i dati effettivamente utilizzati per la formazione dell’equazione di formazione dei prezzi.

Tabella 3 – Dati selezionati per il modello di valutazione

Fonte: Dati prodotti dall’autore tramite TS-SISREG (2018)

Per evitare la micronumerosità, il numero minimo di dati effettivamente utilizzati (n) nel modello deve soddisfare i seguenti criteri, per quanto riguarda il numero di variabili indipendenti (k):

n ≥ 3 (k+1)

ni ≥ 5, fino a due variabili dicotomiche o tre codici assegnati alla stessa caratteristica;

ni ≥ 3, per 3 o più variabili dicotomiche o quattro o più codici assegnati alla stessa caratteristica dove ni è il numero di dati della stessa caratteristica, nel caso dell’uso di variabili dicotomiche o codici allocati, o numero di valori osservati diversi per ciascuna delle variabili quantitative. (NBR 14653-2, 2011) Va notato che per questo modello non c’erano micronumeri.

3. RISULTATI

I metodi di inferenza statistica consentono di stimare le caratteristiche sconosciute di una popolazione e di verificare se certe ipotesi su queste caratteristiche sconosciute sono plausibili. (REIS et al., 2015). Una volta definiti i dati, è stata eseguita l’inferenza statistica, i risultati raggiunti e il modello generato con l’aiuto del software TS-Sisreg sono presentati di seguito.

VU (R$/m²) = 860.310523 + 399068,631096 x 1/(Superficie del pavimento) + 2123.409955 x (pilotis) + 1456.252645 x (garage) + -4472.261084 x 1/(camere)

Presentata la funzione di formazione del valore, è seguita dalla discussione sui parametri statistici del modello.

3.1 DEI PARAMETRI STATISTICI

Tabella 4 – Parametri statistici del modello di regressione

Fonte: Dati prodotti dall’autore tramite TS-SISREG (2018)

3.1.1 COEFFICIENTE DI DETERMINAZIONE DEL MODELLO

Il coefficiente di determinazione, che varia da 0 a 1, indica quanto il modello può spiegare i valori osservati, quindi più vicino a 1 è il valore del coefficiente di determinazione, migliore è la regolazione della linea di regressione. Il coefficiente di determinazione del modello è stato di 0,89128 che esprime che l’89,12% della formazione di valori unitari può essere spiegato dal modello.

3.1.2 PARAMETRI DI ANALISI DELLE VARIABILI INDIPENDENTI

Tabella 5 – Parametri di analisi delle variabili indipendenti

Fonte: Dati prodotti dall’autore tramite TS-SISREG (2018)

Sopra sono riportati i parametri di analisi delle variabili indipendenti, in cui sono presentati i valori di t-Student Calcolato la significatività e il coefficiente di determinazione aggiustato di ciascuna delle variabili utilizzate nel modello.

La distribuzione t dello Student è la più importante delle distribuzioni quando si desidera dedurre i mezzi di popolazione con deviazioni standard sconosciute. Tuttavia, la sua applicazione merita credibilità solo quando ci sono prove favorevoli alla normalità della popolazione da cui proviene il campione. Il suo uso nell’ingegneria della valutazione è molto più alto della distribuzione normale, poiché in generale la deviazione standard della popolazione è stimata attraverso i dati del campione. (DANTAS, 2012, p. 83)

In relazione al comportamento delle variabili, sono stati generati grafici che dimostrano la relazione delle variabili indipendenti con la variabile dipendente – VU (R$/m²).

3.1.2.1 AREA USSERVICE

Figura 1 – Parametri di analisi dell’area utile variabile

Fonte: Dati prodotti dall’autore tramite TS-SISREG (2018)

La variabile quantitativa indipendente Area utile ha un impatto negativo sulla variabile dipendente Valore unitario, questo fatto si verifica, perché più grande è l’area utile di una proprietà, più piccolo è il valore unitario (R$/m²) di una proprietà. Va spiegato che i campioni raccolti presentava ampiezza da 33,0 m² a 115,0 m².

3.1.2.2 PILOTIS

Figura 2 – Parametri di analisi variabile Pilotis

Fonte: Dati prodotti dall’autore tramite TS-SISREG (2018)

La variabile dicotomatica indipendente isola Pilotis, che è al centro di questo studio, e il valore zero è stato adottato per l’assenza dei pilotis e il valore per la presenza dei pilotis. Vale la pena notare qui la differenza tra gli estremi che hanno raggiunto il 36,8% nella stima vu.

3.1.2.3 GARAGE

Figura 3 – Parametri di analisi variabile Pilotis

Fonte: Dati prodotti dall’autore tramite TS-SISREG (2018)

Il Garage isolato dichotomous variabile indipendente, essendo adottato il valore zero per rappresentare gli edifici senza garage e quello di valore per rappresentare gli edifici con garage.

3.1.2.4 CAMERE DA LETTO

Figura 3 – Parametri di analisi variabile Pilotis

Fonte: Dati prodotti dall’autore tramite TS-SISREG (2018)

La variabile quantitativa indipendente Rooms ha un impatto positivo sulla variabile dipendente Unit Value (R$/m²). Vale la pena spiegare che i campioni sono stati campionati con ampiezza da 1 a 3.

3.1.3 DISTRIBUZIONE NORMALE

L’importanza della distribuzione normale è data al fatto che man mano che la dimensione del campione cresce, indipendentemente dalla distribuzione della popolazione originale, la distribuzione del campione dei mezzi tende alla distribuzione normale. (DANTAS, 2012) La distribuzione normale è una delle distribuzioni più comunemente utilizzate per i fenomeni di modellazione.

La distribuzione normale, oltre alla sua attrattiva dovuta alla sua facilità di trattamento matematico, ha due ragioni pratiche che ne giustificano l’utilità. Il primo dice che la distribuzione normale è la più adatta per i modelli di popolazione in varie situazioni; e il secondo si riferisce al fatto che la distribuzione campionata di molte statistiche multivariate è approssimativamente normale, indipendentemente dalla forma della distribuzione della popolazione originale, a causa dell’effetto del limite centrale. (FERREIRA, 1996, p. 119)

È stato generato il grafico contenente l’istogramma dei residui standardizzato dalla curva normale standard. Il risultato presentato è simile alla curva normale.

Grafico 1 – Istogramma residuo standardizzato x curva normale standard

Fonte: Dati prodotti dall’autore tramite TS-SISREG (2018)

3.1.4 ADERENZA

Nel grafico grip, più i punti si avvicinano alla linea di riferimento, migliore è la vestibilità del modello. Nel grafico mostrato di seguito i punti hanno un’adeguata aderenza.

Grafico 2 – Grafico aderenza (valore osservato x valore calcolato)

Fonte: Dati prodotti dall’autore tramite TS-SISREG (2018)

3.1.5 ANALISI DEI RIFIUTI

I residui del modello sono presentati casualmente, come osservato nel grafico del valore calcolato rispetto ai residui standardizzati. Si può quindi concludere che non vi è alcuna violazione delle ipotesi di base per quanto riguarda l’omoscedasticità, cioè i punti sono distribuiti casualmente attorno alla linea orizzontale che passa all’origine, senza alcun modello definito, cioè indicando l’accettazione dell’ipotesi di varianza costante per l’errore, condizione fondamentale per la sicurezza dei test statistici eseguiti.

Grafico 3 – Distribuzione del valore (valori rettificati rispetto ai residui standardizzati)

Fonte: Dati prodotti dall’autore tramite TS-SISREG (2018)

Gli errori sono variabili casuali con varianza costante, cioè omocedatica.

3.1.6 STIMA DEI VALORI

Dopo aver presentato le premesse di base del modello, che si sono rivelate accettabili, abbiamo scelto di creare due scenari di valutazione teorica al fine di stimare l’impatto della variabile Pilotis sulla formazione del Valore Unitario (R$/m²), considerando le altre variabili fisse.

3.1.6.1 PRIMO SCENARIO

Per il primo scenario è stata suggerita un’ipotetica proprietà di 50,0 m², 2 camere da letto e nessun garage, variabile solo in relazione ai pilotis.

Tabella 6 – Valori moda per una fiducia dell’80%

Fonte: Dati prodotti dall’autore tramite TS-SISREG (2018)

I risultati ottenuti mostrano che gli appartamenti presenti negli edifici costruiti su pilotis hanno un valore unitario medio di R$ 8.728,96, mentre gli appartamenti costruiti in edifici senza pilotis hanno presentato un valore unitario medio di R$ 6.605,55, quindi è stata osservata una variazione percentuale positiva di circa il 32% del valore unitario medio degli appartamenti situati negli edifici su pilotis, rispetto agli appartamenti situati in blocchi JK. La variazione identificata in questo scenario ipotetico è in linea con la percezione empirica che l’assenza di pilotis nei blocchi JK agisca come una caratteristica deleteria alla formazione di valore.

3.1.6.2 SECONDO SCENARIO

Per il secondo scenario è stata suggerita un’ipotetica proprietà di 40,0 m², 1 camera da letto e nessun garage, variabile solo in relazione ai pilotis.

Tabella 6 – Valori moda per una fiducia dell’80%

Fonte: Dati prodotti dall’autore tramite TS-SISREG (2018)

I risultati raggiunti non differiscono in modo significativo dal primo scenario ipotetico. La variazione percentuale del valore unitario medio dell’appartamento in un edificio con pilotis è stata di circa il 33% superiore, rispetto all’appartamento situato in un edificio senza pilotis.

Vale la pena ricordare che attualmente la normativa distrettuale prevede che in caso di demolizione totale di blocchi residenziali senza pilotis, sia possibile optare per la costruzione di un nuovo blocco residenziale su pilotis.

4. CONCLUSIONE

I risultati hanno confermato quella che una volta era una percezione empirica, cioè la variabile pilotis è rilevante nella formazione del valore unitario delle proprietà situate ad Asa Sul, Brasília-DF. Inoltre, si può confermare che l’assenza di pilotis ha un’influenza deleteria sulla formazione del valore. Inoltre, le altre variabili inizialmente identificate si sono rivelate rilevanti nella costruzione del modello presentato.

Se applicato in due diversi scenari, è stato osservato che il valore unitario degli appartamenti situati in edifici costruiti su pilotis è di circa il 32% superiore a quello degli appartamenti costruiti in blocchi JK, senza pilotis.

Un altro punto rilevante è che la metodologia adottata e il software utilizzato si sono dimostrati adeguati per l’esecuzione dello studio.

Il presente lavoro ha cercato di contribuire accademicamente all’area dell’Ingegneria della Valutazione.

RIFERIMENTI

ABNT, ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 14653-1 (2001): Avaliação de Bens – Parte 1: Procedimentos Gerais. Rio de Janeiro, 2001.

ABNT, ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 14653-2 (2001): Avaliação de Bens – Parte 2: Imóveis Urbanos. Rio de Janeiro, 2011.

AMORIM, Cláudia Naves. FLORES, Alice Leite. Edifícios residenciais das superquadras do plano piloto, brasília: aspectos de preservação e conforto ambiental. Maceió, 2005.

ARIOLI, Alessandra T. et al. Arquitetura moderna de Le Corbusier nas habitações populares brasileiras. Belo Horizonte, 2015.

BRAULIO, Silvia Neide. Proposta de uma metodologia para avaliação de imóveis urbanos baseado em métodos estatísticos multivariados. Curitiba, 2005.

DANTAS, Rubens Alves. Engenharia de Avaliações – Uma introdução à metodologia científica. São Paulo, 2012.

FERREIRA, Daniel Furtado. Análise Multivariada. Lavras, 1996.

HOLANDA, Frederico. Na contramão do apartaide (2007). Disponível em http://www.fredericodeholanda.com.br/textos/holanda_2007_na_contramao_do_apartaide.pdf Acesso em 19/12/2018 às 19:00

REIS, Elizabeth. et al. Estatística aplicada 1. Lisboa, 2015.

[1] Specialista in valutazioni, audit e perizie ingegneristiche – IPOG. Ingegnere forestale – Università federale di Viçosa.

Inviato: Giugno 2020.

Approvato: Ottobre 2020.

Rate this post
Vinicius do Carmo Alves

Leave a Reply

Your email address will not be published. Required fields are marked *

POXA QUE TRISTE!😥

Este Artigo ainda não possui registro DOI, sem ele não podemos calcular as Citações!

SOLICITAR REGISTRO
Pesquisar por categoria…
Este anúncio ajuda a manter a Educação gratuita