ARTÍCULO ORIGINAL
ALVES, Vinícius do Carmo [1]
ALVES, Vinícius do Carmo. Método comparativo directo de datos de mercado: Influencia de pilotis en el valor unitario. Revista Científica Multidisciplinar Núcleo do Conhecimento. Año 05, Ed. 10, Vol. 05, pp. 65-80. Octubre de 2020. ISSN: 2448-0959, Enlace de acceso: https://www.nucleodoconhecimento.com.br/ingenieria-ambiental-es/influencia-de
RESUMEN
Este estudio tiene como objetivo estimar la influencia de la variable pilotis en la formación del valor unitario del metro cuadrado promedio en apartamentos ubicados en el Asa Sul, Brasília-DF, a través de herramientas de análisis estadístico disponibles en el Software TS-Sisreg. Los datos utilizados para el desarrollo de este estudio fueron recolectados del mercado inmobiliario en Brasilia y la muestra consistió en 30 datos de oferta, sin embargo, para el desarrollo del modelo value-r, se utilizaron 28 datos. Para el desarrollo del modelo, se adoptó el método comparativo directo de datos de mercado. El método comparativo es el más ampliamente adoptado en la evaluación de los bienes y sirve para identificar el valor de mercado del bien a través del tratamiento técnico de los atributos de los elementos comparables, constituyentes de la muestra. Las variables consideradas en el modelo fueron: área útil, pilotis, garaje y habitaciones. Los resultados mostraron que los pilotis son una variable relevante en el desarrollo del modelo de formación de valores. Por lo tanto, se concluye que el método comparativo de datos de mercado demostró ser adecuado para el objetivo propuesto, que las variables inicialmente planteadas fueron relevantes para la formación del modelo y que la ausencia de pilotis tiene efectos perjudiciales en la formación del valor unitario de los apartamentos ubicados en edificios ubicados en Asa Sul, Brasilia-DF.
Palabras clave: Valoración de activos, inferencia estadística, método comparativo.
1. INTRODUCCIÓN
Diseñado por Lucio Costa, siguiendo preceptos modernistas, Brasília fue construida entre 1956 y 1960. Las zonas residenciales de la ciudad, conocidas como Superquadras, son zonas verdes de aproximadamente 250m por 250m, en las que el suelo es público y no hay presencia de vallas y muros, tal situación es posible gracias a la presencia de pilotis que son el uso de pilares que elevan el edificio desde el suelo, permitiendo la circulación por debajo del mismo (ARIOLI et al., 2015).
Según Amorim y Flores (2005) las Superquadras forman cuatro carriles lineales, paralelos al eje vial, y las pistas al oeste del eje albergan los bloques 100 y 300 mientras que los del este, los bloques 200 y 400. Cada uno de los cuatro conjuntos está numerado del 1 al 16, desde el cruce de los ejes hacia el final de las alas.
A pesar de la predicción inicial de suelo público y libre, en algunas Superquadras de las Asa Sul hay ejemplos de tipología de remolino sin pilotis, conocidos popularmente como bloques JK. Por lo tanto, surge la siguiente pregunta, ¿influye la ausencia de pilotis en la formación del valor unitario del metro cuadrado en los apartamentos ubicados en el Sur de Asa en el Plan Piloto de Brasilia?
Según Holanda (2007) los bloques “JK”, en la fila de los “400” bloques del Asa Sul, no existían en el diseño original del Plan Piloto. Tiene tres plantas, pero sin pilotis, sin ascensores, sin garajes
Así, el presente trabajo ofrece una contribución en el área de la Ingeniería de Evaluación, con un papel clave en la determinación del peso de una característica arquitectónica disonante cuando se considera como una variante en un modelo de regresión lineal.
La NBR-14653-1 define la evaluación de bienes como el análisis técnico, realizado por un ingeniero de evaluación, para identificar el valor de un bien, sus costos, frutos y derechos, así como para determinar indicadores de la viabilidad de su uso económico, para un propósito, situación y fecha dados.
NBR 14653:1 (2001) identifica los procedimientos generales de evaluación con el fin de identificar el valor de un bien, sus frutos y derechos, siendo:
- Método comparativo directo de datos de mercado: identifica el valor de mercado del bien mediante el tratamiento técnico de los atributos de elementos comparables, componentes de la muestra;
- Método involutivo: identifica el valor de mercado del bien, a partir de su uso eficiente, a partir de un modelo de estudio de factibilidad técnica y económica, a través de una hipotética empresa compatible con las características del bien y con las condiciones de mercado en las que se inserta, considerando escenarios viables para la ejecución y comercialización del producto;
- Método evolutivo: identifica el valor del bien por la suma de los valores de sus componentes. Si el propósito es identificar el valor de mercado, debe considerarse el factor de comercialización;
- Método de capitalización de la renta: identifica el valor del bien, a partir de la capitalización actual de su utilidad neta esperada, considerando escenarios viables.
Definido el método a utilizar, la elección de las variables es un factor extremadamente importante para la generación de modelos representativos.
Según la NBR-14653-2 (2011) las variables pueden ser independientes que son aquellas que dan contenido lógico a la variación de precios de mercado recogidas en la muestra o dependientes que son aquellas cuyo comportamiento se pretende explicar por las variables independientes. Además, el estándar sigue definiendo las variables en cuantitativas que son las que se pueden medir o contar y cualitativas que son aquellas que no se pueden medir o contar, sino solo ordenadas o jerárquicas, según atributos inherentes al bien.
En cuanto a la elección de variables en el método comparativo directo de datos de mercado, la NBR 14653-2 (2011) recomienda que se adopten variables cuantitativas siempre que sea posible. En cuanto a las variables cualitativas independientes, el estándar determina el siguiente orden de prioridad:
- Uso de tantas variables dicotómicas como sea necesario, especialmente cuando la cantidad de datos es abundante y se pueden preservar los grados de libertad necesarios para el modelado estadístico;
- Uso de variables proxy que son las variables utilizadas para sustituir a otra variable difícil de medir y que presume de mantener con ella una relación de pertinencia, obtenida a través de indicadores publicados o inferidos en otros estudios de mercado;
- Mediante códigos ajustados, cuando los valores se extraen de la muestra utilizando los coeficientes de variables dicotómicas que representan cada una de las características;
- A través de códigos asignados, que son escalas lógicas ordenadas para diferenciar las características cualitativas de los bienes inmuebles.
En cualquier caso, este trabajo tiene como objetivo estimar la influencia de la variable pilotis en la formación del valor unitario del metro cuadrado medio en apartamentos ubicados en Asa Sur, Brasilia-DF, a través de herramientas de análisis estadístico disponibles en el Software TS-SISREG.
2. DESAROLLO
Considerando la excentricidad de los bloques conocidos como JK, ubicados específicamente en Superquadras Sul 408, 409, 411, 412 y 413, este estudio buscó identificar una ecuación de formación de valor a través de un modelo de regresión lineal que abarcara la singularidad de las estructuras de construcción antes mencionadas, de acuerdo con muestras recogidas en el mercado inmobiliario, por esta razón se utilizó el método comparativo directo de datos de mercado. Vale la pena mencionar que este estudio no se trata de evaluar una propiedad determinada y determinada.
Figura 1 – Edificios sin pilotis, conocidos como bloques JK
2.1 METODOLOGÍA
El Método Comparativo de Datos de Mercado es el método más utilizado para la valoración de bienes, ya que se realiza en base a la comparación de datos de mercado que tienen atributos similares a los del bien evaluado.
2.1.1 SITUACIÓN Y UBICACIÓN DE LOS DATOS DE LA MUESTRA
El relevamiento de los datos de mercado que componen la muestra se realizó en el periodo del 01/11/2018 al 07/12/2018, delimitado como área de interés la región Asa Sul, ya que este es el único barrio del Plan Piloto que cuenta con edificios sin pilotis. Se utilizó información de la oferta del mercado inmobiliario de Brasilia disponible en Internet.
2.1.2 DEFINICIÓN DE VARIABLES
Para la construcción del modelo, se identificaron cuatro variables independientes de creación de valor, que se especifican a continuación:
2.1.2.1 VARIABLE DEPENDIENTE
Valor Unitario: variable dependiente expresada en R$/m², destinada a expresar la formación del valor del metro cuadrado.
2.1.2.2 VARIABLES INDEPENDIENTES CUANTITATIVAS
Área útil: variable numérica de tipo cuantitativo, expresada en m², diseñada para investigar las áreas de las propiedades y la influencia en la constitución del valor de la propiedad.
Habitaciones: variable numérica, tipo cuantitativo, expresada en unidades, destinada a expresar el número de habitaciones de la propiedad y la influencia en la constitución del valor de la propiedad.
2.1.2.3 VARIABLES INDEPENDIENTES DICOTÓMICAS
Pilotis: variable dicotómica aislada, diseñada para identificar la presencia o ausencia de pilotis en el edificio. No = 0; Sí=1
Garaje: variable dicotómica aislada, diseñada para identificar la existencia de garaje en el edificio. No = 0; Sí = 1.
2.1.3 FORMACIÓN DE MUESTRAS
En esta etapa, se recogieron y caracterizaron 30 datos de acuerdo con las variables propuestas, de acuerdo con la siguiente tabla:
Tabla 1 – Datos seleccionados para la muestra
2.1.4 DE CARACTERIZACIÓN DE MUESTRAS
Para el desarrollo del modelo de regresión lineal, los datos fueron insertados en el software TS-SISREG y se realizaron las pruebas de inferencia estadística adecuadas. Considerando que dos datos fueron clasificados como puntos de influencia, estos fueron tomados con miras a la adecuación del modelo. En cuanto a las variables, todas las inicialmente sugeridas fueron relevantes para la formación del valor.
Tabla 2 – Datos seleccionados para el modelo de evaluación
A continuación se muestra la tabla con los datos utilizados eficazmente para la formación de la ecuación de formación de precios.
Tabla 3 – Datos seleccionados para el modelo de evaluación
Para evitar la micronumerosidad, el número mínimo de datos realmente utilizados (n) en el modelo debe cumplir los siguientes criterios, con respecto al número de variables independientes (k):
n ≥ 3 (k+1)
ni ≥ 5, hasta dos variables dicotómicas o tres códigos asignados a la misma característica;
ni ≥ 3, para 3 o más variables dicotómicas o cuatro o más códigos asignados a la misma característica, donde ni es el número de datos de la misma característica, en el caso de la utilización de variables dicotómicas o códigos asignados, o el número de valores observados diferentes para cada una de las variables cuantitativas. (NBR 14653-2, 2011) Cabe señalar que para este modelo no existían micronúmeros.
3. RESULTADOS
Los métodos de inferencia estadística permiten estimar las características desconocidas de una población y probar si ciertas hipótesis sobre estas características desconocidas son plausibles. (REIS et al., 2015). Una vez definidos los datos, se realizó la inferencia estadística, se presentan a continuación los resultados obtenidos y el modelo generado con la ayuda del software TS-Sisreg.
VU (R$/m²) = 860,310523 + 399068,631096 x 1/(Superficie construida) + 2123,409955 x (pilotis) + 1456,252645 x (garaje) + -4472,261084 x 1/(habitaciones)
Presentada la función de formación de valores, es seguida por la discusión sobre los parámetros estadísticos del modelo.
3.1 DE LOS PARÁMETROS ESTADÍSTICOS
Tabla 4 – Parámetros estadísticos del modelo de regresión
3.1.1 COEFICIENTE DE DETERMINACIÓN DEL MODELO
El coeficiente de determinación, que varía de 0 a 1, indica cuánto puede explicar el modelo los valores observados, por lo que cuanto más cerca de 1 sea el valor del Coeficiente de Determinación, mejor será el ajuste de la línea de regresión. El coeficiente de determinación del modelo fue de 0,89128, lo que expresa que el 89,12% de la formación de valores unitarios puede ser explicado por el modelo.
3.1.2 PARÁMETROS DE ANÁLISIS DE VARIABLES INDEPENDIENTES
Tabla 5 – Parámetros de análisis de variables independientes
Arriba se presentan los parámetros de análisis de las variables independientes, en los que se presentan los valores de t-Student Calculados la Significancia y el Coeficiente ajustado de Determinación de cada una de las Variables utilizadas en el modelo.
La distribución t de Student es la más importante de las distribuciones cuando se desea inferir sobre las medias de la población con desviaciones estándar desconocidas. Sin embargo, su aplicación sólo merece credibilidad cuando existen evidencias favorables a la normalidad de la población de la que proviene la muestra. Su uso en ingeniería de evaluación es mucho mayor que la distribución normal, ya que en general la desviación estándar de la población se estima a través de los datos de la muestra. (DANTAS, 2012, p. 83)
En relación al comportamiento de las variables, se generaron gráficas que demuestran la relación de las variables independientes con la variable dependiente – VU (R$/m²).
3.1.2.1 ÁREA USSERVICE
Figura 1 – Parámetros de análisis del Área Útil Variable
La variable cuantitativa independiente Área Útil tiene un impacto negativo en la variable dependiente Valor unitario, este hecho ocurre, porque cuanto mayor es el área útil de una propiedad, menor es el Valor Unitario (R$/m²) de una propiedad. Cabe explicar que las muestras recogidas presentaron amplitud de 33,0 m² a 115,0 m².
3.1.2.2 PILOTIS
Figura 2 – Parámetros de análisis de Variables de Pilotis
La variable dicotómica independiente aisló a Pilotis, que es el foco de este estudio, y el valor cero fue adoptado para la ausencia del pilotis y el valor uno para la presencia del pilotis. Cabe destacar aquí la diferencia entre los extremos que alcanzaron el 36,8% en la estimación de la VU.
3.1.2.3 GARAJE
Figura 3 – Parámetros de análisis de variables de Pilotis
La variable independiente dicotómica aislada garaje, siendo adoptado el valor cero para representar los edificios sin garaje y el valor uno para representar los edificios con garaje.
3.1.2.4 DORMITORIOS
Figura 3 – Parámetros de análisis de variables de Pilotis
La variable cuantitativa independiente Habitaciones tiene un impacto positivo en la variable dependiente Valor Unitario (R$/m²). Vale la pena explicar que las muestras fueron muestreadas con amplitud de 1 a 3.
3.1.3 DISTRIBUCIÓN NORMAL
La importancia de la distribución normal se da al hecho de que a medida que el tamaño de la muestra crece, independientemente de la distribución de la población original, la distribución de la muestra de las medias tiende a la distribución normal. (DANTAS, 2012) La distribución normal es una de las distribuciones más utilizadas para modelar fenómenos.
La distribución normal, además de su atractivo debido a su facilidad de tratamiento matemático, tiene dos razones prácticas que justifican su utilidad. El primero dice que la distribución normal es la más adecuada para los modelos de población en diversas situaciones; y el segundo se refiere al hecho de que la distribución de la muestra de muchas estadísticas multivariantes es aproximadamente normal, independientemente de la forma de la distribución de la población original, debido al efecto del límite central. (FERREIRA, 1996, p. 119)
Se generó el gráfico que contiene el histograma de residuos estandarizados por la curva normal estándar. El resultado presentado es similar a la curva normal.
Gráfico 1 – Histograma residual estandarizado x curva normal estándar
3.1.4 TACHUELA
En el gráfico de agarre, cuanto más se acerquen los puntos a la línea de referencia, mejor se ajustará el modelo. En el gráfico que se muestra a continuación los puntos tienen adherencia adecuada.
Gráfico 2 – Gráfico de adherencia (valor observado x valor calculado)
3.1.5 ANÁLISIS DE RESIDUOS
Los residuos del modelo se presentan aleatoriamente, como se observa en el gráfico de valores calculados frente a los residuos estandarizados. Así, se puede concluir que no existe violación de los supuestos básicos con respecto a la homocedasticidad, es decir, los puntos se distribuyen aleatoriamente alrededor de la línea horizontal que pasa por el origen, sin ningún patrón definido, es decir, indicando la aceptación de la hipótesis de varianza constante para el error, condición fundamental para la seguridad de las pruebas estadísticas realizadas.
Gráfico 3 – Distribución de valores (valores ajustados frente a residuos estandarizados)
Los errores son variables aleatorias con varianza constante, es decir, homocedáticas.
3.1.6 ESTIMACIÓN DE VALORES
Después de presentar las premisas básicas del modelo, que resultaron aceptables, se optó por crear dos escenarios teóricos de evaluación para estimar el impacto de la variable Pilotis en la formación del Valor Unitario (R$/m²), considerando las otras variables fijas.
3.1.6.1 PRIMER ESCENARIO
Para el primer escenario se sugirió una hipotética propiedad de 50,0 m², 2 dormitorios y ningún garaje, variando sólo en relación con los pilotis.
Tabla 6 – Valores de moda para un 80% de confianza
Los resultados obtenidos muestran que los apartamentos presentes en edificios construidos sobre pilotis tienen un Valor Unitario Promedio de R$ 8.728,96, mientras que los apartamentos construidos en edificios sin pilotis presentaron un Valor Unitario Promedio de R$ 6.605,55, por lo que se observó un cambio porcentual positivo de aproximadamente 32% en el Valor Unitario Promedio de los apartamentos ubicados en edificios en pilotis, cuando comparados a los apartamentos ubicados en bloques JK. La variación identificada en este escenario hipotético está en línea con la percepción empírica de que la ausencia de pilotos en los bloques JK actúa como una característica de deleción para la formación de valores.
3.1.6.2 SEGUNDO ESCENARIO
Para el segundo escenario se sugirió una propiedad hipotética de 40,0 m², 1 dormitorio y ningún garaje, variando sólo en relación con los pilotis.
Tabla 6 – Valores de moda para un 80% de confianza
Los resultados obtenidos no difieren significativamente del primer escenario hipotético. La variación porcentual del Valor Unitario Promedio del apartamento en un edificio con pilotis fue aproximadamente 33% mayor, en comparación con el apartamento ubicado en un edificio sin pilotis.
Vale la pena recordar que actualmente la legislación distrital establece que en caso de demolición total de bloque residencial sin pilotis, es posible optar por la construcción de un nuevo bloque residencial en pilotis.
4. CONCLUSIONS
Los resultados confirmaron lo que una vez fue una percepción empírica, es decir, la variable pilotis es relevante en la formación del valor unitario de las propiedades ubicadas en Asa Sul, Brasilia -DF. Además, se puede confirmar que la ausencia de pilotis tiene una influencia despresente en la formación de valor. Además, las demás variables identificadas inicialmente resultaron relevantes en la construcción del modelo presentado.
Cuando se aplica en dos escenarios diferentes, se observó que el valor unitario de los apartamentos ubicados en edificios construidos sobre pilotis es aproximadamente 32% mayor que el de los apartamentos construidos en bloques JK, sin pilotis.
Otro punto relevante es que la metodología adoptada y el software utilizado demostraron ser adecuados para la ejecución del estudio.
El presente trabajo ha tratado de contribuir académicamente al área de Ingeniería de Evaluación.
REFERENCIAS
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] Especialista en evaluación, auditoría e ingeniería – IPOG. Ingeniero Forestal – Universidad Federal de Viçosa.
Enviado: Junio de 2020.
Aprobado: Octubre de 2020.
