ARTICLE ORIGINAL
ALVES, Vinícius do Carmo [1]
ALVES, Vinícius do Carmo. Méthode de comparaison directe des données de marché: Influence du pilotis sur la valeur unitaire. Revista Científica Multidisciplinar Núcleo do Conhecimento. An 05, Ed. 10, vol. 05, p. 65 à 80. Octobre 2020. ISSN: 2448-0959, Lien d’accès: https://www.nucleodoconhecimento.com.br/ingenierie-de-lenvironnement-fr/influence-du-pilotis
RÉSUMÉ
Cette étude vise à estimer l’influence de la variable pilotis sur la formation de la valeur unitaire du mètre carré moyen dans les appartements situés dans le Asa Sul, Brasília-DF, grâce à des outils d’analyse statistique disponibles dans le Software TS-Sisreg .Les données utilisées pour le développement de cette étude ont été collectées sur le marché immobilier à Brasília et l’échantillon se composait de 30 données d’offre, cependant, pour le développement du modèle valeur-r, 28 données ont été utilisées. Pour l’élaboration du modèle, la méthode de comparaison directe des données de marché a été adoptée. La méthode comparative est la plus largement adoptée dans l’évaluation des marchandises et sert à déterminer la valeur marchande du bien grâce au traitement technique des attributs des éléments comparables, constituants de l’échantillon. Les variables prises en compte dans le modèle étaient les suivantes : zone utile, pilotis, garage et pièces. Les résultats ont montré que les pilotis sont une variable pertinente dans le développement du modèle de formation de valeur. Par conséquent, il est conclu que la méthode comparative des données de marché s’est avérée adéquate pour l’objectif proposé, que les variables initialement soulevées étaient pertinentes pour la formation du modèle et que l’absence de pilotis a des effets délétères sur la formation de la valeur unitaire des appartements situés dans des immeubles situés à Asa Sul, Brasília-DF.
Mots-clés : Évaluation des actifs, inférence statistique, méthode comparative.
1. INTRODUCTION
Conçu par Lucio Costa, suivant les préceptes modernistes, Brasilia a été construit entre 1956 et 1960. Les zones résidentielles de la ville, connues sous le nom de Superquadras, sont des zones vertes d’environ 250m sur 250m, dans lesquelles le sol est public et il n’y a pas de présence de clôtures et de murs, une telle situation est possible grâce à la présence de pilotis qui sont l’utilisation de piliers qui élèvent le bâtiment du sol, permettant la circulation en dessous (ARIOLI et al. , 2015).
Selon Amorim et Flores (2005), les Superquadras forment quatre voies linéaires, parallèles à l’axe routier, et les voies à l’ouest de l’axe abritent les blocs 100 et 300 tandis que celles à l’est, les blocs 200 et 400. Chacun des quatre ensembles est numéroté de 1 à 16, à partir du croisement des axes vers l’extré mité des ailes.
Malgré la prédiction initiale d’un sol public et libre, dans certains Superquadras des Asa Sul, il existe des exemples de typologie de tourbillons sans pilotis, populairement connus sous le nom de blocs JK. Ainsi, la question suivante se pose, l’absence de pilotis influence-t-elle la formation de la valeur unitaire du mètre carré dans les appartements situés dans l’Asa sud dans le plan pilote de Brasilia?
Selon Holanda (2007), les blocs « JK », dans la rangée des blocs « 400 » de l’Asa Sud, n’existaient pas dans la conception originale du plan pilote. Il a trois étages, mais pas de pilotis, pas d’ascenseurs, pas de garages
Ainsi, le présent travail offre une contribution dans le domaine de l’ingénierie de l’évaluation, avec un rôle clé dans la détermination du poids d’une caractéristique architecturale dissonante lorsqu’elle est considérée comme une variante dans un modèle de régression linéaire.
Le NBR-14653-1 définit l’évaluation des marchandises comme l’analyse technique, effectuée par un ingénieur d’évaluation, pour identifier la valeur d’un bien, ses coûts, ses fruits et ses droits, ainsi que pour déterminer des indicateurs de la faisabilité de son utilisation économique, à une fin, une situation et une date données.
NBR 14653:1 (2001) identifie les procédures générales d’évaluation afin d’identifier la valeur d’un bien, de ses fruits et de ses droits, à être :
- Méthode de comparaison directe des données de marché: identifie la valeur marchande du bien grâce au traitement technique des attributs d’éléments comparables, constituants de l’échantillon;
- Méthode involutive: identifie la valeur marchande du bien, sur la base de son utilisation efficace, sur la base d’un modèle d’étude de faisabilité technique et économique, par le biais d’une entreprise hypothétique compatible avec les caractéristiques du bien et avec les conditions de marché dans lesquelles il est inséré, en tenant compte de scénarios viables pour l’exécution et la commercialisation du produit;
- Méthode évolutive: identifie la valeur du bien par la somme des valeurs de ses composantes. Si l’objectif est d’identifier la valeur marchande, le facteur de commercialisation doit être pris en compte;
- Méthode de capitalisation du revenu: identifie la valeur du bien, en fonction de la capitalisation actuelle de son revenu net prévu, en tenant compte de scénarios viables.
Défini la méthode à utiliser, le choix des variables est un facteur extrêmement important pour la génération de modèles représentatifs.
Selon NBR-14653-2 (2011), les variables peuvent être indépendantes, c’est-à-dire celles qui donnent un contenu logique à la variation des prix du marché recueillis dans l’échantillon ou les personnes à charge qui sont celles dont le comportement est destiné à être expliqué par les variables indépendantes. De plus, la norme définit toujours les variables en variables quantitatives qui sont celles qui peuvent être mesurées ou comptées et qualitatives qui sont celles qui ne peuvent pas être mesurées ou comptées, mais seulement ordonnées ou hiérarchiques, selon les attributs inhérents au bien.
En ce qui concerne le choix des variables dans la méthode de comparaison directe des données de marché, la NBR 14653-2 (2011) recommande que des variables quantitatives soient adoptées dans la mesure du possible. En ce qui concerne les variables qualitatives indépendantes, la norme détermine l’ordre de priorité suivant:
- L’utilisation d’autant de variables dichotomiques que nécessaire, en particulier lorsque la quantité de données est abondante et que les degrés de liberté nécessaires à la modélisation statistique peuvent être préservés;
- Utilisation de variables proxy qui sont les variables utilisées pour remplacer une autre difficilement mesurable et qui suppose de garder une relation de pertinence avec elle, obtenue à partir d’indicateurs publiés ou déduite d’autres études de marché
- Au moyen de codes ajustés, lorsque les valeurs sont extraites de l’échantillon à l’aide des coefficients de variables dichotomiques qui représentent chacune des caractéristiques;
- Grâce à des codes alloués, qui sont des échelles logiques ordonnées pour différencier les caractéristiques qualitatives de l’immobilier.
Dans tous les cas, ce travail vise à estimer l’influence de la variable pilotis sur la formation de la valeur unitaire du mètre carré moyen dans les appartements situés à Asa Sul, Brasília-DF, grâce à des outils d’analyse statistique disponibles dans le Software TS-SISREG.
2. DÉVELOPPEMENT
Compte tenu de l’excentricité des blocs connus sous le nom de JK, situés spécifiquement dans Superquadras Sul 408, 409, 411, 412 et 413, cette étude a cherché à identifier une équation de la formation de valeur à travers un modèle de régression linéaire qui englobait la singularité des structures de bâtiment susmentionnées, selon les échantillons recueillis sur le marché immobilier, pour cette raison, la méthode comparative directe des données de marché a été utilisée. Il convient de mentionner que cette étude ne porte pas sur l’évaluation d’une propriété donnée et certaine.
Figure 1 : bâtiments sans pilotis, appelés Blocs JK
2.1 MÉTHODOLOGIE
La Méthode comparative des données de marché est la méthode la plus utilisée pour l’évaluation des biens, car elle est effectuée en fonction de la comparaison des données de marché qui ont des attributs similaires à ceux du bien évalué.
2.1.1 SITUATION ET EMPLACEMENT DES DONNÉES DE L’ÉCHANTILLON
L’enquête sur les données de marché qui composent l’échantillon a été réalisée dans la période du 01/11/2018 au 07/12/2018, délimitée comme une zone d’intérêt la région d’Asa Sud, car c’est le seul quartier du plan pilote qui a des bâtiments sans pilotis. Des informations sur le marché immobilier de Brasilia disponibles sur Internet ont été utilisées.
2.1.2 DÉFINITION DES VARIABLES
Pour la construction du modèle, quatre variables indépendantes de création de valeur ont été identifiées, qui sont spécifiées ci-dessous:
2.1.2.1 VARIABLE DÉPENDANTE
Valeur unitaire: variable dépendante exprimée en R$/m², destinée à exprimer la formation de la valeur du mètre carré.
2.1.2.2 VARIABLES QUANTITATIVES INDÉPENDANTES
Surface utile: variable numérique de type quantitatif, exprimée en m², conçue pour étudier les surfaces des propriétés et l’influence sur la constitution de la valeur de la propriété.
Pièces: variable numérique, type quantitatif, exprimée en unités, destinée à exprimer le nombre de pièces du bien et l’influence sur la constitution de la valeur du bien.
2.1.2.3 VARIABLES INDÉPENDANTES DICHOTOMIQUES
Pilotis: variable dichotomique isolée, conçue pour identifier la présence ou l’absence de pilotis dans le bâtiment. Non = 0; Oui=1
Garage: variable dichotomique isolée, conçue pour identifier l’existence d’un garage dans le bâtiment. Non = 0; Oui = 1.
2.1.3 FORMATION DE L’ÉCHANTILLON
À cette étape, 30 données ont été recueillies et caractérisées selon les variables proposées, selon le tableau ci-dessous:
Tableau 1 – Données sélectionnées pour l’échantillon
2.1.4 CARACTÉRISATION DE L’ÉCHANTILLON
Pour le développement du modèle de régression linéaire, les données ont été insérées dans le software TS-SISREG et les tests d’inférence statistique appropriés ont été effectués. Étant donné que deux données ont été classées comme points d’influence, elles ont été prises en vue d’assurer l’adéquation du modèle. En ce qui concerne les variables, toutes celles initialement suggérées étaient pertinentes pour la formation de la valeur.
Tableau 2 – Données sélectionnées pour le modèle d’évaluation
Vous trouverez ci-dessous le tableau présentant les données effectivement utilisées pour la formation de l’équation de formation des prix.
Tableau 3 – Données sélectionnées pour le modèle d’évaluation
Pour éviter la micronumérité, le nombre minimal de données effectivement utilisées (n) dans le modèle doit répondre aux critères suivants, en ce qui concerne le nombre de variables indépendantes (k):
n ≥ 3 (k+1)
ni ≥ 5, jusqu’à deux variables dichotomiques ou trois codes attribués à la même caractéristique;
ni ≥ 3, pour 3 variables dichotomiques ou plus ou quatre codes ou plus attribués à la même caractéristique lorsque ni est le nombre de données de la même caractéristique, dans le cas de l’utilisation de variables dichotomiques ou de codes attribués, ou le nombre de valeurs observées différentes pour chacune des variables quantitatives. (NBR 14653-2, 2011) Il convient de noter que pour ce modèle, il n’y avait pas de micronombres.
3. RÉSULTATS
Les méthodes d’inférence statistique permettent d’estimer les caractéristiques inconnues d’une population et de vérifier si certaines hypothèses sur ces caractéristiques inconnues sont plausibles. (REIS et al., 2015). Une fois les données définies, l’inférence statistique a été effectuée, les résultats obtenus et le modèle généré à l’aide du software TS-Sisreg sont présentés ci-dessous.
VU (R$/m²) = 860,310523 + 399068,631096 x 1/(Surface de plancher) + 2123,409955 x (pilotis) + 1456,252645 x (garage) + -4472,261084 x 1/(chambres)
Présenté la fonction de la formation de valeur, il est suivi de la discussion concernant les paramètres statistiques du modèle.
3.1 DES PARAMÈTRES STATISTIQUES
Tableau 4 – Paramètres statistiques du modèle de régression
3.1.1 COEFFICIENT DE DÉTERMINATION DU MODÈLE
Le coefficient de détermination, qui varie de 0 à 1, indique dans quelle mesure le modèle peut expliquer les valeurs observées, de sorte que plus la valeur du coefficient de détermination est proche de 1, meilleur est l’ajustement de la droite de régression. Le coefficient de détermination du modèle était de 0,89128, ce qui explique que 89,12% de la formation des valeurs unitaires peut être expliquée par le modèle.
3.1.2 PARAMÈTRES D’ANALYSE DES VARIABLES INDÉPENDANTES
Tableau 5 – Paramètres d’analyse des variables indépendantes
Ci-dessus sont les paramètres d’analyse des variables indépendantes, dans lesquels les valeurs de t-Student calculé la signification et le coefficient ajusté de détermination de chacune des variables utilisées dans le modèle sont présentées.
La distribution t de Student est la plus importante des distributions lorsque l’on souhaite déduire des moyennes de population avec des écarts-types inconnus. Cependant, son application ne mérite d’être crédible que lorsqu’il existe des preuves favorables à la normalité de la population d’où provient l’échantillon. Son utilisation dans l’ingénierie d’évaluation est beaucoup plus élevée que la distribution normale, car en général, l’écart type de la population est estimé à l’intermédiaire des données de l’échantillon. (DANTAS, 2012, p. 83)
En ce qui concerne le comportement des variables, des graphiques ont été générés montrant la relation entre les variables indépendantes et la variable dépendante – VU (R$/m²).
3.1.2.1 ZONE DE SERVICE AMÉRICAIN
Figure 1 – Paramètres d’analyse de la zone utile variable
La variable quantitative indépendante Zone Utile a un impact négatif sur la variable dépendante Valeur unitaire, ce fait se produit, car plus la surface utile d’une propriété est grande, plus la valeur unitaire (R$/m²) d’une propriété est petite. Il faut expliquer que les échantillons prélevés présentaient une amplitude de 33,0 m² à 115,0 m².
3.1.2.2 PILOTIS
Figure 2 – paramètres d’analyse des variables Pilotis
La variable dichotomique indépendante a isolé Pilotis, qui est au centre de cette étude, et la valeur zéro a été adoptée pour l’absence de pilotis et la valeur un pour la présence de pilotis. Il convient de noter ici la différence entre les extrêmes qui ont atteint 36,8% dans l’estimation de l’VU.
3.1.2.3 GARAGE
Figure 3 – Paramètres d’analyse des variables Pilotis
La variable indépendante dichotomique isolé Garage, étant adopté la valeur zéro pour représenter les bâtiments sans garage et la valeur un pour représenter les bâtiments avec garage.
3.1.2.4 CHAMBRES À COUCHER
Figure 3 – Paramètres d’analyse des variables Pilotis
La variable quantitative indépendante Rooms a un impact positif sur la variable dépendante Valeur unitaire (R$/m²). Il convient d’expliquer que les échantillons ont été échantillonnés avec une amplitude de 1 à 3.
3.1.3 DISTRIBUTION NORMALE
L’importance de la distribution normale est accordée au fait qu’à mesure que la taille de l’échantillon augmente, quelle que soit la distribution de la population d’origine, la distribution de l’échantillon des moyennes tend vers la distribution normale. (DANTAS, 2012) La distribution normale est l’une des distributions les plus couramment utilisées pour la modélisation des phénomènes.
La distribution normale, en plus de son attrait en raison de sa facilité de traitement mathématique, a deux raisons pratiques qui justifient son utilité. La première dit que la distribution normale est la plus appropriée pour les modèles de population dans diverses situations; et la seconde fait référence au fait que la distribution de l’échantillon de nombreuses statistiques multivariées est à peu près normale, quelle que soit la forme de la distribution de la population d’origine, en raison de l’effet de la limite centrale. (FERREIRA, 1996, p. 119)
Le graphique contenant l’histogramme des résidus normalisés par la courbe normale standard a été généré. Le résultat présenté est similaire à la courbe normale.
Graphique 1 – Histogramme résiduel normalisé x courbe normale standard
3.1.4 TACK
Dans le graphique de préhension, plus les points s’approchent de la ligne de référence, meilleur est l’ajustement du modèle. Dans le graphique ci-dessous, les points ont une adhérence adéquate.
Graphique 2 – Tableau d’Adhérence (valeur observée x valeur calculée)
3.1.5 ANALYSE DES DÉCHETS
Les valeurs résiduelles du modèle sont présentées de façon aléatoire, comme on l’observe dans le graphique des valeurs calculées par rapport aux valeurs résiduelles normalisées. Ainsi, on peut conclure qu’il n’y a pas violation des hypothèses de base en matière d’homoscédadticité, c’est-à-dire que les points sont répartis aléatoirement autour de la ligne horizontale qui passe à l’origine, sans aucun motif défini, c’est-à-dire indiquant l’acceptation de l’hypothèse de variance constante pour l’erreur, condition fondamentale pour la sécurité des tests statistiques effectués.
Graphique 3 – Distribution de la valeur (valeurs ajustées par rapport aux valeurs résiduelles normalisées)
Les erreurs sont des variables aléatoires avec une variance constante, c’est-à-dire homocédatiques.
3.1.6 ESTIMATION DES VALEURS
Après avoir présenté les prémisses de base du modèle, qui se sont avérées acceptables, nous avons choisi de créer deux scénarios d’évaluation théorique afin d’estimer l’impact de la variable pilotis sur la formation de la valeur unitaire (R$/m²), en tenant compte des autres variables fixes.
3.1.6.1 PREMIER SCÉNARIO
Pour le premier scénario, il a été suggéré une propriété hypothétique de 50,0 m², 2 chambres et pas de garage, ne variant que par rapport au pilotis.
Tableau 6 – Valeurs de mode pour un niveau de confiance de 80 %
Les résultats obtenus montrent que les appartements présents dans les bâtiments construits sur pilotis ont une valeur unitaire moyenne de R$ 8. 728,96, tandis que les appartements construits dans des bâtiments sans pilotis ont présenté une valeur unitaire moyenne de R$ 6. 605,55, de sorte qu’une variation positive en pourcentage d’environ 32% de la valeur unitaire moyenne des appartements situés dans des bâtiments sur pilotis a été observée, par rapport aux appartements situés dans des blocs JK. La variation identifiée dans ce scénario hypothétique est conforme à la perception empirique selon laquelle l’absence de pilotes dans les blocs JK agit comme une caractéristique de suppression de la formation de valeur.
3.1.6.2 DEUXIÈME SCÉNARIO
Pour le deuxième scénario, il a été suggéré une propriété hypothétique de 40,0 m², 1 chambre et pas de garage, ne variant que par rapport au pilotis.
Tableau 6 – Valeurs de mode pour un niveau de confiance de 80%
Les résultats obtenus ne diffèrent pas de manière significative du premier scénario hypothétique. La variation en pourcentage de la valeur unitaire moyenne de l’appartement dans un immeuble avec pilotis était environ 33 % plus élevée, comparativement à l’appartement situé dans un immeuble sans pilotis.
Il convient de rappeler qu’actuellement, la législation de district prévoit qu’en cas de démolition totale d’un bloc résidentiel sans pilotis, il est possible d’opter pour la construction d’un nouveau bloc résidentiel sur pilotis.
4. CONCLUSION
Les résultats ont confirmé ce qui était autrefois une perception empirique, c’est-à-dire que la variable pilotis est pertinente dans la formation de la valeur unitaire des propriétés situées à Asa Sul, Brasília-DF. En outre, il peut être confirmé que l’absence de pilotis a une influence déterminante sur la formation de la valeur. De plus, les autres variables initialement identifiées se sont révélées pertinentes dans la construction du modèle présenté.
Lorsqu’on l’applique dans deux scénarios différents, on a observé que la valeur unitaire des appartements situés dans des immeubles construits sur pilotis est environ 32 % plus élevée que celle des appartements construits dans des blocs JK, sans pilotis.
Un autre point pertinent est que la méthodologie adoptée et le logiciel utilisé se sont avérés adéquats pour l’exécution de l’étude.
Le présent travail a tenté de contribuer sur le plan académique au domaine de l’ingénierie de l’évaluation.
RÉFÉRENCES
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] Spécialiste de l’expertise en évaluation, audit et ingénierie – IPOG. Ingénieur forestier – Université fédérale de Viçosa.
Déposée : juin 2020.
Approuvé : octobre 2020.
