Previsão de demanda no mercado imobiliário

Prévia do material em texto

0 
 
CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS 
 BACHARELADO EM ENGENHARIA DE PRODUÇÃO CIVIL 
 
 
 
 
 
 
Gabriel Soares de Oliveira e Hugo Paiva Andreoni 
 
 
 
 
 
 
 
PREVISÃO DE DEMANDA NO MERCADO IMOBILIÁRIO: 
Uma investigação empírica para o Estado de São Paulo 
 
 
 
 
 
 
 
 
 
Belo Horizonte 
2022 
 
 
1 
 
 
Gabriel Soares de Oliveira e Hugo Paiva Andreoni 
 
 
 
 
 
 
 
 
 
 
 
 
 
PREVISÃO DE DEMANDA NO MERCADO IMOBILIÁRIO: 
Uma investigação empírica para o Estado de São Paulo 
 
 
 
 
 
 
 
 
Trabalho de Conclusão de Curso apresentado 
no Curso de Engenharia de Produção Civil do 
Centro Federal de Educação Tecnológica de 
Minas Gerais como requisito parcial para 
obtenção do título de Bacharel em Engenharia 
de Produção Civil. 
 
Prof. Orientador: Dr. Jefferson Souza Fraga 
 
 
 
 
Belo Horizonte 
2022 
 
2 
 
 
RESUMO 
 
O planejamento econômico das construtoras no Brasil vem se tornando um fator cada vez mais 
relevante e importante para o sucesso das empresas dentro de um mercado com 
competitividade crescente. É diante desse cenário, que a análise da flutuação do mercado, 
assim como o entendimento dos fatores macroeconômicos que regem essa flutuação se tornam 
essenciais para que os projetos de longo prazo das empresas sejam assertivos. Com isso, foi 
proposto para esse trabalho a elaboração de uma regressão múltipla entre variáveis 
macroeconômicas e a demanda por imóveis no estado de São Paulo. As variáveis 
independentes que foram escolhidas a partir de análises estatísticas para composição do 
modelo foram: Renda per capita, Índice Nacional de Custo da Construção (INCC), Custo 
Unitário Básico da construção para o estado de São Paulo para residências multifamiliares de 
padrão médio (CUB-SP R-8N), Valor de crédito concedido a pessoas físicas e a taxa SELIC. 
Para dar robustez aos resultados, a regressão gerada corrigida pelo procedimento iterativo de 
Cochrane-Orcutt foi comparada com o modelo de séries temporais de longo prazo normalizado 
por Johansen. Foi constatado que todas as variáveis possuem uma influência direta pela 
demanda por imóveis no estado de São Paulo, de forma que a variação positiva do INCC e da 
taxa Selic influenciam negativamente na demanda, enquanto CUB, Valor de Crédito concedido 
a pessoas físicas e a Renda per capita influenciam positivamente. 
 
Palavras-chave: Mercado imobiliário, Regressão múltipla, Macroeconomia, Correlação. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
3 
 
 
ABSTRACT 
 
The economic planning of the construction companies in Brazil is becoming a factor 
increasingly relevant and important for the success of companies inside a Market of growing 
competitiveness. It is with that scenery, that the analysis of the Market movement as well as 
the understanding of the macroeconomic factors that conduct this movement become essential 
in an assertive business planning in the long term. Seeing this, it was proposed for this paper, 
the formulation of a multiple regression between macroeconomic variables and the real estate 
demand in the state of São Paulo. The independent variables, that were chosen based of 
statistical analysis for the proposed model were: Monthly income per person, National index 
of the construction cost (INCC), Unitary basic cost of a square meter constructed in the state 
of São Paulo for multifamiliary Buildings in the mid range standard (CUBSP R-8N), credit 
value conceded to private individuals, and the SELIC rate (weighted average interest rate of 
the overnight interbank operations). In order to generate robustness in results, the regression 
was compared with long term time series analysis normalized by the Johansen method (VEC). 
It was observed that all the variables used have a direct influence on the real estate demand so 
that the positive fluctuation of the INCC and the Selic rate actuate negatively on the demand, 
insofar CUB, Credit Value conceded to private individuals and Monthly income per person 
influence positively. 
 
 
Keywords: Real Estate, Multiple Regression, Macroeconomics, Correlation. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
4 
 
 
SUMÁRIO 
1. Introdução 7 
1.1. Tema 9 
1.2. Questão de pesquisa 9 
1.3. Objetivo Geral 9 
1.4. Objetivos Específicos 9 
1.5. Justificativa 10 
2. Referencial Teórico 10 
3.1 Método dos Mínimos Quadrados 12 
3.2 Regressão Linear Simples 12 
3.3 Regressão Linear Múltipla 15 
3.4 P-Valor e definição de predecessoras. 16 
3.5 Teste F 16 
3.6 Teste RESET de Ramsey 17 
3.7 Teste de normalidade de resíduos (Jarque-Bera) 17 
3.8 Teste de Heterocedasticia ou Homocedasticia de White 17 
3.9 Teste D de Durbin Watson para auto-correlação 18 
3.10 Grau de multicolinearidade 19 
3.11 Modelo de série temporal 19 
3.12 Critério de Informação de Akaike 20 
3.13 Critério de Informação de Schwarz 20 
3.14 Teste Dickey Fuller Aumentado 20 
3.15 Teste de Co-Integração de Johansen 21 
4. Resultados esperados 22 
5. Desenvolvimento 22 
5.1 Fonte de dados e análise descritiva 22 
5.2 Resultados: Modelos de MQO 29 
5.3 Resultado: Modelos de Vetor de Co-integração 31 
5.4 Resultado: Comparação entre MQO e Vetor de Co-integração 32 
6. Considerações Finais 35 
7. Referências Bibliográficas 36 
8.1 Anexo 1 – Dados para elaboração do modelo 39 
8.2 Anexo 2: Resultados Regressão Linear (MQO) 42 
8.3 Anexo 3: Resultados para o Processo Iterativo de Cochrane-Orcutt 42 
8.4 Anexo 4: Teste de Johansen de co-integração 42 
8.5 Anexo 5: Teste de seleção de defasagem 43 
 
5 
 
 
TABELAS 
 
 
Tabela 1: Regressão Múltipla (Modelo Inicial)................................................................................30 
Tabela 2: Regressão Múltipla (Modelo corrigido por Cochrane-Orcutt)......................................31 
Tabela 3: Série Temporal (normalizada por Johansen).................................................................32 
Tabela 4: Comparação entre os modelos..........................................................................................33 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
6 
 
 
GRÁFICOS 
 
Gráfico 1: Demanda…………………………………………………………………………………25 
Gráfico 2: INCC……………………………………………………………………………......……26 
Gráfico 3: CUB SP R-8N……………………………………………………………………………27 
Gráfico 4: Taxa SELIC……………………………………………………………………...………28 
Gráfico 5: Valor concedido de crédito a pessoas físicas..……………….…………………………29 
Gráfico 6: Renda per capita..…………………………………….…………………………………29 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
7 
 
 
1. Introdução 
A habitação é uma das necessidades vitais aos seres humanos. Além disso, possui grande 
relevância para a economia, ao movimentar os mercados imobiliário e de construção civil, 
sendo este último um dos setores que mais emprega mão de obra formal no Brasil. Conforme 
Huang et al. (2011), o mercado imobiliário identifica-se como uma indústria de investimento, 
a qual seu retorno é de longo prazo. 
Nesse contexto, conforme Oliva e Granja (2015), por se tratar de um produto de alto valor 
agregado, leva consigo elevadas restrições orçamentárias. Portanto, o mercado imobiliário é 
fortemente condicionado ao mercado financeiro e a fatores econômicos (ANGHEL e 
HRISTEA, 2015; MORO et al., 2015). 
Com relação ao mercado imobiliário nacional, a partir de 2003 observou-se um 
crescimento, com a implantação do programa Minha Casa Minha Vida pelo governo federal, 
além de reduções de juros e facilidades de créditos destinados à aquisição e construção de 
imóveis (RESENDE e RUSENO, 2009).1 
O mercado de São Paulo se apresenta como o mais representativo do país, visto que é a 
maior cidade e o mais importante centro comercial do Brasil. De acordo com o Sindicato da 
Habitação de São Paulo (Secovi-SP, 2022) foram lançadas mais de 63.000 unidadesentre 
janeiro e novembro de 2021 no estado de São Paulo, o que significa o dobro da quantidade em 
2020 e o triplo de 2018 no mesmo período. Já a informação sobre vendas é de 57.000 imóveis 
novos vendidos, 15.000 a mais que em 2020 e 2019.2 
O setor de construção civil acrescido ao mercado imobiliário possui grandes impactos na 
economia, uma vez que impacta no preço de imóveis, na formulação de políticas econômicas, 
geram demanda de outros setores, um poder multiplicador na economia desses investimentos 
sobre a renda e emprego. Estudos apontam tendências econômicas a partir do impulsionamento 
desses setores (SOUZA et. al., 2009). 
Segundo MEYER (2008), para compreender a dinâmica deste mercado dito econômico, é 
necessária a utilização de métodos de investigação adequados ao estudo do mercado 
imobiliário formal. Visto que, hoje, normalmente são utilizados, pelas incorporadoras, estudos 
 
1 Vale observar que, a partir do ano de 2014 o setor começou a sofrer com reduções consideráveis nas vendas de 
imóveis, impactando em um crescimento exponencial de unidades em estoque. 
2 Números consideráveis, já que que neste período há a pandemia do coronavírus. 
8 
 
 
de oferta de mercado realizados por consultorias ou imobiliárias. Porém, no Brasil, raramente 
são executados estudos de oferta e demanda para o desenvolvimento de projetos. 
Também, conforme MEYER (2008), este tipo de análise é somente um dos níveis de 
investigação da “Análise de Mercado Imobiliário” – AMI, que por sua vez é um campo de 
conhecimento com metodologias próprias, e tem sido adotado internacionalmente para estudos 
de viabilidade e planejamento de projetos por construtoras, incorporadoras, consultores e 
acadêmicos. 
Sob este panorama, justifica-se esta monografia, que possui como tema a previsão de 
demanda no mercado imobiliário do Estado de São Paulo. Propõe-se estimar uma regressão 
múltipla utilizando o modelo de Mínimos Quadrados Ordinários (MQO) e suas devidas 
correções estatísticas, a fim de identificar o modelo de melhor acurácia para o mercado 
imobiliário paulista e os principais fatores determinantes dessa demanda. 
Inicialmente são apresentadas as questões relacionadas à pesquisa, como os objetivos e a 
justificativa, seguidos da fundamentação teórica com uma revisão bibliográfica e 
contextualização da metodologia aplicada. Posteriormente, são expostos os resultados e as 
considerações finais. Por fim, após as considerações finais, alguns questionamentos são feitos, 
com intuito de auxiliar estudos futuros correlacionados ao tema deste trabalho. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
9 
 
 
1.1. Tema 
 
O tema da pesquisa abordada neste trabalho é: “Previsão de Demanda no Mercado Imobiliário: 
Uma investigação empírica para o Estado de São Paulo”. Com esse tema, pretendemos analisar 
as características do mercado imobiliário deste estado e, assim, analisar como ocorrem as 
flutuações do mercado imobiliário. 
 
1.2. Questão de pesquisa 
 
Esta pesquisa procurou responder de que forma a variação de alguns índices macroeconômicos 
exercem influência na demanda por imóveis no Estado de São Paulo e, após esta análise, 
estimar um modelo com o método dos Mínimos Quadrados Ordinários (MQO) que auxiliou 
toda a análise. Além disso, para fins de robustez dos resultados, um Vetor de Correção de Erros 
(VEC) também foi estimado, o qual, contribuiu com o entendimento desta demanda por 
imóveis a longo prazo. 
A relevância desse estudo está em buscar compreender quais as principais variáveis 
impactam a demanda no mercado imobiliário, e, dessa forma, tentar contribuir com o 
planejamento das empresas de engenharia civil, considerando os vários nichos existentes 
dentro desse mercado. 
 
1.3. Objetivo Geral 
 
O objetivo geral dessa monografia é estimar a demanda por imóveis para o Estado de São 
Paulo por meio de uma regressão de Mínimos Quadrados Ordinários (MQO), buscando 
entender quais as principais variáveis macroeconômicas que influenciam essa demanda. 
 
 
1.4. Objetivos Específicos 
 
Os objetivos específicos são: 
✔ Verificar quais variáveis macroeconômicas são as mais relevantes para explicar a 
variação da demanda no mercado imobiliário paulista; 
✔ Definir um modelo para previsão da demanda baseado nos fatores relevantes apontados 
pela literatura empírica; 
10 
 
 
✔ Testar a robustez do modelo de MQO comparando com um modelo de série temporal; 
✔ Analisar, os resultados dos modelos, ressaltando as variáveis que mais afetam o 
mercado imobiliário paulista. 
 
1.5. Justificativa 
 
Evidencia-se que, há uma limitada literatura empírica sobre os determinantes da demanda por 
imóveis para o Brasil. Ainda, outro fator que também reduz os estudos empíricos sobre o tema 
no Brasil, é a falta de dados específicos sobre o mercado imobiliário, associados aos 
demandantes e ofertantes desse mercado. 
Nesse contexto, Adami e Gough (2008) mostram que, a incerteza em relação à renda e às 
despesas de saúde pode causar taxas mínimas de poupança entre as famílias de baixa renda. 
Além disso, a educação pode fornecer aos indivíduos o conhecimento financeiro necessário 
para criar orçamentos domésticos, iniciar planos de poupança e tomar decisões de investimento 
para sua aposentadoria, bem como na compra do imóvel. 
Partindo de pressupostos como o de Adami e Gough, podemos analisar quais fatores 
influenciam na demanda por imóveis em uma sociedade, utilizando como variáveis 
explicativas: renda, escolaridade, custos de construção, inflação, entre outras.3 
 
2. Referencial Teórico 
 
A influência do mercado imobiliário sobre a economia pode ser explorada com o auxílio de 
modelos econométricos, como modelo de previsão de cenários ou estimações via Mínimos 
Quadrados Ordinários (MQO). Nesse sentido, deve-se considerar que estes modelos passam a 
ter utilidade não só para as incorporadoras, mas também para todo o setor de construção civil 
envolvido, financiadoras e até mesmo setores governamentais (MATOS e BARTKIW, 2013). 
Tendo isto em mente, pode ser dito que o desenvolvimento saudável e ordenado do 
mercado imobiliário tem grande influência na economia, uma vez que impacta, não só no preço 
de imóveis, como na formulação de políticas (XU et al.; 2010; HUANG; WANG; GAI, 2011). 
Um estudo com foco na flutuação deste mercado permite identificar possíveis tendências e 
variações, desta forma, todos os envolvidos (investidores, construtoras, compradores e etc.) 
 
3 Por exemplo, ver Huang et al. (2011) e Liu e Li (2009) estudos para economia chinesa e Meyer (2008) e 
Varandas Junior (2010) para economia brasileira. 
11 
 
 
podem obter benefícios destas informações, considerando que os resultados mostrem de forma 
confiável o desempenho esperado deste mercado e as relações econômicas que este possui 
(SOUZA; AMORIM; LYRIO, 2009). 
Huang et al. (2011) analisaram o mercado imobiliário chinês, por meio de modelos de 
regressão linear e concluíram que os principais fatores que possuem influência nas vendas de 
imóveis são a renda per capita e o preço dos imóveis. Também na China, Liu e Li (2009), 
utilizaram uma regressão múltipla para analisar os fatores que afetaram este mercado em 
Pequim após os Jogos Olímpicos de 2008. A renda per capita e o preço dos imóveis apareceram 
novamente como as principais variáveis influenciadoras, acompanhados desta vez pelo 
tamanho da população. Ainda na Ásia, Hyung e Jung (2013), ressaltam que o crescimento das 
famílias monoparentais está gerando alterações no padrão de compra de imóveis na Coréia do 
Sul. 
Com relação à economia brasileira, Resende e Rosendo (2009), destacam um 
movimento crescente na compra de imóveis a partir de 2003, movimento este que se manteve 
até 2008, quando houve uma leve influência de uma crise econômica internacional. No entanto, 
com as ações de incentivo ao setor implantadas pelo Governo Federal, como o programaMinha 
Casa Minha Vida (2009) e iniciativas com o intuito de reduzir os juros, facilitando a aquisição 
de créditos para construção e aquisição de imóveis, o setor manteve o crescimento, 
minimizando assim os impactos da crise do subprime. 
Varandas et al. (2009), empregaram os modelos de previsão de demanda de DW (1992) 
e o modelo de Cowel (2002). Os autores concluíram que seria exigida uma série histórica de 
dados que até então não estava disponível para o Brasil, ainda, evidenciaram uma carência de 
pesquisas relacionadas à previsão de demanda do mercado imobiliário brasileiro. 
Considerando potenciais variáveis independentes para um modelo de previsão e 
demanda, Meyer (2008) e Varandas Junior (2010), conduziram pesquisas em que analisavam 
para o estado de São Paulo utilizando como variáveis: renda, preço, custos de financiamento, 
oferta de recursos, formação de domicílios, entre outros. Nesse sentido, este trabalho pretende 
contribuir com esse campo de estudo ao apresentar um modelo aplicável para a previsão de 
demanda para o Estado de São Paulo. 
 
 
 
 
12 
 
 
3. Metodologia 
3.1 Método dos Mínimos Quadrados 
 
Em muitos casos, a explicação para um fenômeno de interesse pode estar associada a outros 
fatores ou variáveis que contribuem de algum modo para a ocorrência desse fenômeno. Quando 
dados são analisados estatisticamente, sugerindo a existência de uma relação funcional entre 
duas ou mais variáveis, torna-se existente então o problema de se analisar qual a relação de 
causalidade entre as variáveis. Uma análise que tenha esse objetivo é comumente chamada de 
equação de regressão. 
 
O Método dos Mínimos Quadrados (MMQ), ou Mínimos Quadrados Ordinários 
(MQO) é uma técnica de otimização matemática que procura encontrar o melhor ajuste para 
um conjunto de dados tentando minimizar a soma dos quadrados das diferenças entre o valor 
estimado e os dados observados, que podem ser considerados como “erros” de aproximação a 
um modelo perfeito (tais diferenças são chamadas resíduos). Assim, o MMQ é uma das formas 
de estimação mais amplamente utilizada na econometria. Consiste em um estimador que 
minimiza a soma dos quadrados dos resíduos da regressão, de forma a maximizar o grau de 
ajuste do modelo aos dados observados. 
 
Um requisito para que o método dos mínimos quadrados tenha um resultado 
considerado consistente, é que o fator imprevisível (erro) seja distribuído aleatoriamente e essa 
distribuição seja normal. Isso faz com que possamos aplicá-lo aos modelos pressupostos no 
trabalho, já que assumimos que as diferenças observadas, são de certa forma, naturais, e com 
isso seguem, teoricamente, o modelo Gaussiano de distribuição, utilizado para demonstrar 
distribuições de probabilidade não induzidas. Credita-se a Gauss, o desenvolvimento do 
método, publicando suas conclusões, em 1809.4 
 
3.2 Regressão Linear Simples 
 
Estima-se valores de determinada variável “𝑦”. Para isso, considera-se os valores de outra 
variável “𝑥”, que presumimos ter poder de variação sobre “𝑦” conforme a explicação: 
 𝑦 = 𝛼 + 𝛽𝑥 + 𝜇 
 
4 As próximas seções são escritas com base em Wooldridge (2011). 
13 
 
 
Onde: 
𝛼: Parâmetro do modelo chamado de constante. (Não depende de 𝑥, valor para quando 𝑥 = 0) 
𝛽: Parâmetro do modelo chamado de coeficiente da variável “𝑥” (Inclinação da reta, quanto 
uma alteração em 𝑥) 
𝜇: Termo de erro = representa a variação de 𝑦 que não é explicada pelo modelo. 
 
Para uma amostra com um número “𝑛” de dados, e 2 variáveis tem-se: 
MMQ: 
∑ 𝑒𝑖
2
𝑛
𝑖=1
 
 
 
Com a equação inicial, substitui-se por 𝑦 = 𝛼 + 𝛽𝑥 
𝑆(𝑎, 𝑏) = ∑(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖)
2
𝑛
𝑖=1
 
Para minimizar o erro, é feita a derivação em relação a 𝛼 e 𝛽 e iguala-se a 0. Essa 
derivação é feita por meio da regra da cadeia: 
𝜕𝑆
𝜕𝑎
=
𝜕𝑆
𝜕𝑥
∗
𝜕𝑥
𝜕𝑎
 
𝜕𝑆
𝜕𝑥
= 2 ∑(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖)
𝑛
𝑖=1
 
𝜕𝑥
𝜕𝑎
= −1 
𝜕𝑆
𝜕𝑎
= −2 ∑(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖) = 0 
𝑛
𝑖=1
 
𝜕𝑆
𝜕𝑎
= −2 ∑ 𝑥𝑖(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖) = 0
𝑛
𝑖=1
 
 
Distribuindo e dividindo a primeira expressão por 2n temos: 
 
−2 ∑ 𝑦𝑖
𝑛
𝑖=1 
2𝑛
+
2 ∑ 𝑎𝑛𝑖=1 
2𝑛
+
2 ∑ 𝑏𝑥𝑖
𝑛
𝑖=1 
2𝑛
=
0
2𝑛
 
∑ 𝑦𝑖
𝑛
𝑖=1 
𝑛
+
∑ 𝑎𝑛𝑖=1 
𝑛
+
𝑏 ∑ 𝑥𝑖
𝑛
𝑖=1 
𝑛
= 0 
−𝑦 + 𝑎 + 𝑏𝑥 = 0 
14 
 
 
𝑎 = 𝑦 − 𝑏𝑥 
𝑦: média amostral de 𝑦 
 𝑥: média amostral de 𝑥 
Podemos substituir o valor encontrado de 𝛼 na segunda equação de derivação: 
−2 ∑ 𝑥𝑖(𝑦𝑖 − 𝑦 + 𝑏𝑥 − 𝑏𝑥𝑖) = 0 
𝑛
𝑖=1
 
∑[𝑥𝑖(𝑦𝑖 − 𝑦) + 𝑥𝑖𝑏(𝑥 − 𝑥𝑖)] = 0 
𝑛
𝑖=1
 
∑ 𝑥𝑖(𝑦𝑖 − 𝑦) + 𝑏
𝑛
𝑖=1
∑ 𝑥𝑖(𝑥 − 𝑥𝑖) = 0 
𝑛
𝑖=1
 
𝑏 =
∑ 𝑥𝑖(𝑦 − 𝑦𝑖)
𝑛
𝑖=1 
∑ 𝑥𝑖(𝑥𝑖 − 𝑥)
𝑛
𝑖=1
 
 
O coeficiente de determinação, também chamado de 𝑅² é uma medida de qualidade do 
modelo em relação à sua habilidade de estimar corretamente os valores da variável resposta 𝑦, 
conforme a fórmula abaixo: 
𝑅2 = 1 −
𝑆𝑄𝑟𝑒𝑠
𝑆𝑄𝑡𝑜𝑡
 
 
Onde: 
 
𝑆𝑄𝑟𝑒𝑠í𝑑𝑢𝑜𝑠: Somatório dos quadrados dos resíduos; 
 𝑆𝑄𝑡𝑜𝑡: Somatório dos quadrados dos totais. 
 
resultando então em: 
𝑅2 = 1 −
∑ [𝑦𝑖 − (𝑏𝑥 + 𝑎)]² 
𝑛
𝑖=1
∑ (𝑦𝑖 − 𝑦)²
𝑛
𝑖=1
 
 
 
 
 
 
 
 
15 
 
 
3.3 Regressão Linear Múltipla 
 
Considerando o que foi apresentado anteriormente sobre a regressão linear simples, onde 𝑦 é 
o resultado que queremos prever, 𝑥 é a variável de predição e está associada à 𝛽, que representa 
a inclinação da reta, ou a influência da variável de predição, 𝛼 constante, ou valor de 𝑦 para 
quando 𝑋 = 0, e 𝜇 o Termo de erro que não pode ser explicado pelo modelo. 
 
Para a regressão linear múltipla, temos uma fórmula bem parecida, precisando apenas 
acrescentar a quantidade de variáveis, preditoras ou independentes, necessárias ou desejadas 
de serem analisadas: 
 
𝑦 = 𝛼 + 𝛽1𝑥1 + 𝛽2𝑥2 + ⋯ + 𝛽3𝑥3 + 𝜇 
 
As elasticidades (coeficientes), que são encontradas na regressão apresentada, com os 
coeficientes 𝛽s, representam quanto da alteração de uma variável independente trará de 
alteração em uma variável dependente. Dado nosso objetivo de pesquisa apresentado 
inicialmente, de se relacionar fatores macroeconômicos (variável independente) com o 
mercado imobiliário: o fator de regressão 𝑅² indica com que certeza podemos dizer que uma 
alteração desses valores provoca uma alteração do mercado, e a elasticidade define o valor 
dessa alteração do mercado a partir do valor da alteração dos indicadores. 
 
Todas as bases de dados serão transformadas em valores logarítmicos para a elaboração 
dos testes iniciais. A transformação de valores absolutos para valores logarítmicos possibilita 
que o entendimento sobre os resultados e as equações encontradas sejam expressas por meio 
de variações. Ao invés de falar que uma variável macroeconômica tem seu valor x num dado 
período analisado, todos os dados serão expressos e testados sobre variações de “y%” em 
relação ao valor da variável em t-1. As consequências dessa alteração serão estudadas, e 
possivelmente algumas das variáveis pode ser apresentada considerando seu valor absoluto 
com base num índice, se isso for mais interessante para o modelo. 
 
As análises que serão feitas ao final do trabalho, expressarão quanto a variação das 
variáveis macroeconômicas impactam na demanda por imóveis. 
 
 
 
16 
 
 
3.4 P-Valor e definição de predecessoras. 
 
O P-Valor, associado a cada uma das variáveis independentes numa equação de regressão 
múltipla, é uma medida quantitativa que auxilia no processo de tomada de decisão sobre a 
evidência de uma regressão. Esse teste analisa quanto de evidência que existe a favor da 
hipótese nula, ou seja, quanto menor o seu valor, mais forte é a evidência que a análise não 
pode ser descartada, e que os dados são, provavelmente, aceitáveis. Esse valor será 
determinante para a análise de se alguma das variáveis predecessoras deveser retirada ou 
mantida no modelo, pois um valor alto indica uma maior possibilidade de hipótese nula sobre 
a variável.5 Desse modo, o valor-p é definido como a probabilidade de se observar um valor 
da estatística de teste maior ou igual ao encontrado. Tradicionalmente, o valor de corte para 
rejeitar a hipótese nula é de 5 a 10% o que significa que, quando não há nenhuma diferença, 
um valor tão extremo para a estatística de teste é esperado em menos de 5% ou 10% das vezes. 
Assim, com o intuito de aprofundar nossa análise para o mercado imobiliário, serão 
feitas uma série de testes estatísticos e correções ao longo da estimação do exercício 
econométrico, os quais serão explicados abaixo. 
 
3.5 Teste F 
 
O teste F, batizado em homenagem ao matemático que o criou, Sir Ronald Fisher, representa 
uma razão entre duas variâncias, buscando analisar a significância da regressão. Nesse teste é 
calculado um fator, considerando um numerador e um denominador com diferentes graus de 
liberdade, e um grau de significância desejado. Espera-se que esse numerador e denominador 
sejam os mais semelhantes possíveis sob a hipótese nula, aproximando esse valor de 1. 
O valor encontrado, é então comparado com um valor tabelado, de acordo com os graus 
de liberdade analisados e com a significância aceita para o modelo em questão. Caso o F seja 
maior que o valor tabelado, a hipótese nula é descartada sob a significância adotada e a 
regressão é mais provável do que improvável de explicar o comportamento, aumentando de 
confiança de acordo com quão maior esse número é em relação ao valor tabelado. 
 
5 Como saber se a variável independente é estatisticamente significativa? Normalmente é realizado um teste de 
hipótese entre a estatística calculada a partir do modelo estimado e a estatística tabelada. Sob a hipótese nula, 
esperamos que o valor da estatística de teste seja pequeno, mas há uma pequena probabilidade que essa seja 
grande, somente por acaso. Uma vez calculada a estatística de teste, a utilizamos para calcular o valor-p. 
17 
 
 
 
Caso o resultado desse teste seja positivo, a regressão continua válida sob o ponto de 
vista da análise de significância, e progride-se para o próximo teste. 
3.6 Teste RESET de Ramsey 
 
O teste RESET de Ramsey (Regression Specification Error Test), é utilizado para verificar 
erros de especificações em modelos. Isso pode ocorrer por omissão de variável relevante, 
inclusão de variável irrelevante, adoção de forma funcional errada (adoção de modelos lineares 
para séries explicadas por modelos não lineares por exemplo) ou erros de medida. 
Calcula-se um fator F como resultado desse teste se Fcrít > Fcalc, aceita-se a hipótese 
nula de que o modelo original não tem erro de especificação. Ou seja, o F calculado não é 
altamente significativo, indicando que o modelo original, chamado de velho, não está 
incorretamente especificado. 
 
3.7 Teste de normalidade de resíduos (Jarque-Bera) 
O teste de Jarque-Bera para a normalidade dos resíduos aceita a normalidade como hipótese 
nula. Compara-se o valor encontrado no teste com a significância esperada para o modelo, 
assim como é feito na análise do P-Valor. 
Esse teste indica que existe ou não existe violação da distribuição normal dos termos 
de erro na amostragem utilizada para elaboração da regressão múltipla, como espera-se que 
não exista numa amostra que se pretende analisar o modelo, assim como é observado em 
fenômenos naturais. 
Caso o valor encontrado seja maior do que a significância esperada, o valor da 
normalidade dos resíduos é aceito, e a hipótese nula não pode ser rejeitada. 
 
3.8 Teste de Heterocedasticia ou Homocedasticia de White 
Heterocedasticidade é o fenômeno observado quando um modelo matemático possui 
variâncias diferentes entre suas observações. A heterocedasticidade pode ocorrer pela presença 
18 
 
 
de dados discrepantes, erros de especificação, omissão de variáveis relevantes ou assimetria 
na distribuição de uma ou mais regressoras. Mais uma vez, o valor do resultado desse teste 
será comparado à significância esperada para o modelo. 
Caso o valor de probabilidade da estatística qui-quadrado for maior do que a 
significância aceita, a hipótese nula de variância constante não pode ser rejeitada ao nível 
estipulado de significância, implicando que não há a presença de heterocedasticidade nos 
resíduos. Caso o resultado seja o esperado (qui-quadrado > significância), continuamos com a 
análise da regressão, pelo contrário, o modelo deverá ser reajustado por erros padrão robustos, 
mínimos quadrados ponderados ou por heterocedasticidade corrigida. 
 
3.9 Teste D de Durbin Watson para auto-correlação 
O teste estatístico de Durbin Watson busca a autocorrelação entre variáveis em uma análise de 
regressão, que pode ocorrer devido a vários fatores, como a inércia no modelo ou viés de 
especificação. O teste sempre retorna um valor entre 0 e 4, em que um valor igual a 2.0 indica 
uma autocorrelação encontrada na amostra. Valores entre 0 e 2 indicam uma autocorrelação 
positiva e entre 2 e 4 indicam uma autocorrelação negativa. 
A autocorrelação pode ser um problema significante na análise de uma série histórica 
caso ela não seja encontrada e corrigida. Caso essa autocorrelação seja encontrada e possua 
um valor significante (usualmente maior que 2,4 ou menor que 1,6) será aplicado o 
procedimento iterativo de Cochrane-Orccut e reaplicado o teste D de Durbin Watson para nova 
verificação. 
O procedimento de Cochrane-Orccut é nomeado a partir dos seus criadores: Donald 
Cochrane e Guy Orcutt e é um procedimento usado na econometria para ajustar um modelo 
linear para a correlação serial em relação ao termo de erro. Esse procedimento consiste em um 
processo iterativo que se desenrola até que a iteração apresente um resultado “rho” o mais 
próximo possível da estatística DW que é tabelada segundo os parâmetros da regressão 
utilizada. 
Caso o valor continue fora dos limites aceitáveis, deve ser adotado um método diferente 
para a correção. 
 
19 
 
 
3.10 Grau de multicolinearidade 
A multicolinearidade é um problema extremamente comum em análises de regressão. Ela 
consiste em um problema onde diferentes variáveis independentes possuem relações lineares 
exatas ou similares. Esse fator pode mascarar o resultado do R², elevando seu valor, porém 
sem trazer significância na análise conceitual do resultado. 
O grau de multicolinearidade é analisado numa regressão a partir do Fator de Inflação 
da variância (FIV). Um FIV = 1 indica ausência de colinearidade. Greene (2002) recomenda o 
FIV < 20 e Santana (2003) recomenda o FIV < 5 para indicação da não rejeição da regressão 
por multicolinearidade. Caso o parâmetro FIV encontrado seja aceitável para uma dessas 
literaturas, a análise continuará rejeitando a hipótese nula em relação ao FIV para a regressão 
analisada. 
 
3.11 Modelo de série temporal 
Alternativamente ao modelo utilizado da regressão múltipla, foi proposto para esse trabalho, a 
análise de séries temporais, com objetivo de dar robustez ao primeiro método empregado. 
 Diferentemente do modelo de Regressão Linear, em que cada observação é analisada 
individualmente dentro da série, o modelo de séries temporais não desconsidera a estrutura de 
dependência entre as observações. Nesse modelo, fatores como: sazonalidade, identificação de 
períodos de crescimento/decrescimento e correlação entre observações em períodos temporais 
adjacentes. Dessa forma, esse modelo é calculado de maneira estocástica e sequencial, 
existindo dependência serial entre os valores das observações. 
 Esse tipo de modelo é amplamente utilizado para previsões futuras de dados, e existem 
aplicações que são muito utilizadas no cotidiano, como a previsão de temperaturas de uma 
cidade ao longo do ano, ou a previsão da quantidade de casos de covid, dada uma série já 
existente a ser analisada. Portanto,a proposta é fazer uma breve análise desse modelo em 
relação a Regressão Múltipla. 
 
 
 
20 
 
 
3.12 Critério de Informação de Akaike 
O critério de informação de Akaike (AIC) é um estimador do erro de previsibilidade e 
consequentemente da qualidade relativa de um modelo estatístico para uma certa análise 
proposta. Dada uma coleção de modelos que podem ser analisados para aqueles dados, como 
regressão múltipla, séries temporais, etc., o AIC estima a qualidade de cada um desses modelos 
e por isso serve como um indicador de qual o melhor grau de desfasagem a ser utilizada pelas 
variáveis individuais (testes de raiz unitária) ou na estimação do modelo. 
O melhor resultado para o AIC é quando o seu número é o menor possível, que indica 
um melhor equilíbrio de ajuste do modelo e generalizabilidade e, consequentemente, 
aplicabilidade do mesmo. 
Serão inseridas as mesmas variáveis predecessoras em um modelo de séries temporais 
e compararemos os AICs entre os modelos, de forma a certificar de qual modelo descreve 
melhor e com mais simplicidade os dados analisados. 
 
3.13 Critério de Informação de Schwarz 
O critério de informação de Schwarz (SBIC), ou critério Bayesiano de informação, 
similarmente ao AIC é um indicador usado para escolher entre modelos para uma mesma série 
de dados, que também será utilizado para definirmos o melhor modelo. 
Ambos os critérios são similares e pode-se considerar o SBIC como sendo a 
probabilidade de sucesso do modelo testado, ele leva em consideração tanto a minimização do 
erro nas séries analisadas quanto a quantidade de parâmetros dos modelos analisados. 
 Portanto, por critério de parcimônia, será utilizado o modelo com os menores AIC e 
SBIC indicados pelos testes. 
 
3.14 Teste Dickey Fuller Aumentado 
O teste de Dickey Fuller Aumentado (ADF) parte da presunção de que os erros das equações 
não apresentam autocorrelação. Ou seja, são igualmente e independentemente distribuídos. A 
hipótese nula desse teste significa que existe pelo menos uma raiz unitária entre os erros da 
regressão. 
21 
 
 
 Os valores críticos para cada caso se encontram em DICKEY e FULLER (1979 e 
1981). O resultado do teste é melhor quanto mais negativo seu valor absoluto, e tem objetivo 
de rejeitar a hipótese nula de que existam raízes unitárias num modelo de séries temporais. 
 
3.15 Teste de Co-Integração de Johansen 
Para que duas séries sejam co-integradas é necessário que estas tenham a mesma ordem de 
integração. Assim, antes da realização de qualquer teste afim de verificar a existência de uma 
relação de longo prazo entre as variáveis, é necessário certificar-se de que as mesmas são 
integradas de mesma ordem (através de testes de estacionaridade como ADF e Phillips-
Perron). Após esta apuração passa-se à aplicação do teste de Johansen o qual é baseado no 
teste do Traço e no Teste de Máximo Autovalor. 
A existência de co-integração depende do rank da matriz, se r = 0, não há combinações 
lineares entre as variáveis, ou seja, não há co-integração. Se r = pleno, a solução é dada por n 
equações, sendo cada uma delas uma restrição independente da solução de longo prazo. Neste 
contexto, a estatística traço mostra-se útil à medida que através desta podemos testar a hipótese 
nula de que r = 0 contra a hipótese alternativa de que r =1. Esta, juntamente com a estatística de 
máximo autovalor, que testa a hipótese nula de que r = 0 contra a hipótese alternativa especifica 
de que r = 1, reúnem evidências estatísticas suficientes para encontrar o número de vetores de co-
integração do modelo. 
Confirmada a existência de co-integração no modelo parte-se para a estimação do modelo 
de longo prazo. Logo, aceita a existência de co-integração no modelo parte-se para a estimação do 
modelo de longo prazo. 
 
 
 
 
 
 
 
 
22 
 
 
4. Resultados esperados 
De acordo com alguns estudos, como os de Meyer (2008) e Varandas Junior (2010), dentre 
outros, selecionamos algumas variáveis que podem exercer relação com a variação da demanda 
por imóveis. 
Espera-se que o modelo estimado indique a renda como a variável de maior impacto 
sobre a variação da demanda por imóveis, ou seja, quanto maior o nível de renda, maior é a 
variação incremental nesta demanda, conforme estudos realizados por Huang et al. (2011) e 
Liu e Li (2009). 
É esperado também, levando em consideração o estudado por Resende e Rosendo 
(2009) e Adami e Gough (2008), que os fatores inflacionários e o custo de construção tenham 
impacto negativo no modelo final, visto que o primeiro geraria maiores gastos com questões 
de subsistência, o que permitiria que menos capital fosse destinado à aquisição de imóveis, e 
o segundo aumentaria o preço desses imóveis, desencorajando a compra dos mesmos pela 
população. 
 
5. Desenvolvimento 
5.1 Fonte de dados e análise descritiva 
 
A análise descritiva e os exercícios econométricos seguem o período de 2012 a 2021 (dados 
mensais). A escolha das variáveis e o período do estudo seguiu a disponibilidade de dados 
existentes. De fato, A busca dos dados para a variável dependente, que é a demanda por 
imóveis através do tempo, se mostrou um desafio para a elaboração deste trabalho, devido à 
escassez de dados. 
 Os dados relacionados à demanda de imóveis foram encontrados no Registro de 
Imóveis do Brasil, um órgão composto por 20 associações estaduais representantes de 3500 
registradores de imóveis de 20 estados. A divulgação dos dados relacionados à demanda por 
imóveis, depende da iniciativa de cada cartório de fazer a divulgação dos dados de registro, e 
por isso, em grande parte do Brasil esses dados não são divulgados, ou são divulgados com 
defasagens (por exemplo, utilizando a demanda apenas por imóveis lançados no período, ou 
outros critérios específicos de seleção). 
 A FIPE, fundação instituto de pesquisas econômicas, faz trimestralmente a reunião dos 
dados divulgados pelo Registro de imóveis do Brasil e cria um report para o público 
23 
 
 
interessado. A partir desses reports, foi percebido que a série histórica que melhor representaria 
a demanda por imóveis, seria a de número de registros de compra e venda para o estado de São 
Paulo. 
 Foi selecionada essa série, pois os cartórios de outras regiões não fazem a divulgação 
desses dados, e muitas das que fazem, iniciaram a divulgação a menos tempo, como Recife, 
Fortaleza e Campo Grande por exemplo, que iniciaram a divulgação dos dados em 2018. Logo, 
a utilização da série do estado de São Paulo no período de 10 anos se apresentou a mais 
fidedigna para análise, com 120 observações. 
 Vale ressaltar, que como os resultados serão expressos por meio de variações, e o 
cenário legislativo e econômico do estado de São Paulo, assim como o comportamento do 
mercado para a região, possuem semelhanças em relação ao restante do Brasil, o modelo pode 
ser aplicado com parcimônia para outras partes do país. Isso desde que se entenda que estarão 
sendo usados os dados de apenas um estado para representar um comportamento que 
possivelmente pode ser reaplicado para outras regiões semelhantes. 
 Os dados apresentados como demanda incluem registros de: 
● Compra e venda; 
● Permuta; 
● Cessão de direitos; 
● Arrematação em hasta pública. 
Ficam de fora dos dados analisados, para não gerar discordância entre o resultado real 
e o que realmente é representado pela demanda no mercado imobiliário, os seguintes tipos de 
registro (cada um desses processos gera também um novo registro nos cartórios): 
● Adjudicação; 
● Dação em pagamento; 
● Desapropriação; 
● Dissolução de sociedade; 
● Distrato; 
● Doação; 
● Doação em adiantamento da legítima; 
● Herança; 
● Legado ou Meação; 
● Incorporação e Loteamento; 
● Integralização Subscrição de capital; 
24 
 
 
● Partilha amigável ou litigiosa; 
● Procuração em causa própria; 
● Promessa de cessão de direitos; 
● Promessa de compra evenda; 
● Retorno de capital próprio. 
Fazendo essa separação, estamos retirando da nossa variável dependente, dados que 
podem ser considerados como ruído, e que não trariam nenhum ganho para a avaliação 
sistêmica do modelo. Desse modo, segue a análise da demanda por imóveis no Estado de São 
Paulo. 
Gráfico 1: Demanda mensal por imóveis no Estado de São Paulo: 2012-2021 
 
Fonte: Registro de imóveis | Elaboração: Autor 
 
Como pode ser observado (Gráfico 1), apesar das oscilações, há uma tendência de 
queda na demanda por imóveis no Estado de São Paulo até 2016, com um período de 
estabilidade até 2019, para depois de uma forte queda voltar para uma tendência de crescimento 
após 2020. 
 
Nesse contexto, para a seleção das variáveis dependentes, foram utilizados os seguintes 
indicadores, de acordo com a disponibilidades dos dados, todos os valores foram analisados 
mensalmente, com 120 observações: 
 
● INCC (Índice Nacional de Custo da Construção); 
● CUB-SP (Custo Unitário Básico de Construção, com base no índice R-8N, 
residência multifamiliar padrão normal, com garagem, pilotis e oito 
pavimentos-tipo). 
● Renda per capita em reais (Brasil); 
 -
 10,000
 20,000
 30,000
 40,000
 50,000
 60,000
 70,000
 80,000
25 
 
 
● Taxa SELIC (Sistema especial de liquidação e custódia); 
● Valor em operações de crédito cedidas a pessoas físicas; 
Assim, as cinco variáveis independentes selecionadas foram: 
⮚ Índice Nacional de custo de construção (INCC) 
 
O Índice Nacional de custo de construção (INCC), é um índice que apresenta qual foi a inflação 
no setor de materiais da construção civil. Esse índice é amplamente usado para reajuste de 
contrato de compra de imóveis na planta. 
O desenvolvimento e a divulgação de seus dados se dão pela Fundação Getúlio Vargas. 
O indicador representa uma média aritmética da inflação em 4 fatores atrelados à construção: 
materiais, equipamentos, serviços e mão de obra. O índice é gerado com base nos preços de 7 
cidades: Belo Horizonte, Brasília, Porto Alegre, Recife, Rio de Janeiro, São Paulo e Salvador. 
 
Gráfico 2: O Índice Nacional de custo de construção (INCC) 
 
Fonte: Fundação Getúlio Vargas | Elaboração: Autor 
 
 Podemos observar que o custo nacional na construção civil teve aumento significativo 
na última década, o índice dobrou nos anos em tela (Gráfico 2). 
 
⮚ Custo Unitário Básico de Construção (CUB SP R-8N) 
 
O CUB, custo unitário básico, é calculado pelo sindicato dos construtores de cada estado em 
parceria com a Fundação Getúlio Vargas. Ele representa o custo por metro quadrado para a 
elaboração de cada tipo de edifício numa certa região, calculado utilizando dados de cerca de 
40 empresas mensalmente. Para a nossa amostra, decidimos utilizar o CUB SP R-8N, que 
80.00
100.00
120.00
140.00
160.00
180.00
200.00
26 
 
 
representa o CUB para São Paulo considerando a construção de edifícios multifamiliares com 
1 pavimento de garagem e 7 pavimentos tipo, com padrão normal de acabamento. 
O CUB é amplamente utilizado para a elaboração e reajuste de contratos de empreitada 
e construção de apartamentos, diferentemente do INCC, que usualmente é utilizado nos 
contratos de venda. 
Alguns itens não são considerados para o cálculo do CUB: fundações, submuramentos, 
paredes-diafragma, tirantes, rebaixamento de lençol freático; elevador(es); equipamentos e 
instalações, tais como: fogões, aquecedores, bombas de recalque, incineração, ar-
condicionado, calefação, ventilação e exaustão, outros; playground (quando não classificado 
como área construída); obras e serviços complementares; urbanização, recreação (piscinas, 
campos de esporte), ajardinamento, instalação e regulamentação do condomínio; e outros 
serviços; impostos, taxas e emolumentos cartoriais, projetos: projetos arquitetônicos, projeto 
estrutural, projeto de instalação, projetos especiais; remuneração do construtor; remuneração 
do incorporador. 
Gráfico 3: Custo Unitário Básico de Construção (CUB-SP) 
 
Fonte: SINDUSCON-SP e Fundação Getúlio Vargas | Elaboração: Autor 
Nota: o índice tem base janeiro de 2012. 
 
 
 Assim como ocorreu com o índice de inflação, o custo unitário da construção 
civil apresentou consistentes aumentos no período de 2012 a 2021. 
 
⮚ Sistema Especial de Liquidação e de Custódia (SELIC) 
 
O nome da taxa Selic é oriundo da sigla do Sistema Especial de Liquidação e de Custódia. Tal 
sistema é uma infraestrutura do mercado financeiro administrada pelo BC. Neste sistema são 
80.00
100.00
120.00
140.00
160.00
180.00
200.00
27 
 
 
transacionados títulos públicos federais. A taxa média ajustada dos financiamentos diários 
apurados nesse sistema corresponde à taxa Selic. 
 
 A Selic é a taxa básica de juros da economia. É o principal instrumento de política 
monetária utilizado pelo Banco Central (BC) para controlar a inflação. Ainda, ela influencia 
todas as taxas de juros do país, como as taxas de juros dos empréstimos, dos financiamentos e 
das aplicações financeiras. 
 
A taxa SELIC é utilizada como instrumento primário de política monetária do Comitê 
de Política Monetária (Copom), visando ao cumprimento da meta para inflação. Desse modo, 
a SELIC possui influência direta na inflação como um todo, e afeta os juros que compõem os 
contratos de financiamento. Vários investimentos de tesouro direto são atrelados à taxa SELIC. 
Gráfico 4: Taxa SELIC (2012-2021) 
 
Fonte: Banco Central | Elaboração: Autor 
 
 Como pode ser observado no Gráfico 4, após longo período de queda a taxa de 
juros da economia brasileira volta a ter trajetória positiva após 2020. 
 
⮚ Operações de crédito cedidas a pessoas físicas 
 
O valor em operações de crédito cedidas a pessoas físicas representa uma estatística do sistema 
financeiro nacional, e é divulgada mensalmente pelo Banco Central. As fontes de capital que 
compõem essas operações são oriundas de parcelas das captações de depósitos à vista e de 
caderneta de poupança, além de fundos e programas públicos. 
 
0.00%
2.00%
4.00%
6.00%
8.00%
10.00%
12.00%
14.00%
16.00%
28 
 
 
Gráfico 5: Valor concedido de crédito a pessoas físicas em milhões R$ 
 
Fonte: Banco Central | Elaboração: Autor 
 
As operações de crédito referem-se aos financiamentos com destinação específica, 
como setor imobiliário, infraestrutura e rural. 
 
⮚ Renda per capita 
 
A renda per capita é calculada dividindo-se o Produto Interno Bruto pela População de uma 
determinada localidade num período de tempo. Devido à série analisada, foi utilizada uma 
periodicidade mensal para o cálculo. Os dados do Produto Interno Bruto são divulgados 
mensalmente pelo Banco Central, e os da população são divulgados pelo IBGE, com base na 
Pesquisa Nacional por amostra de domicílios contínua. 
Gráfico 6: Renda per capita 
 
Fonte: IBGE e Banco Central | Elaboração: Autor 
 
 R$ 1,500
 R$ 6,500
 R$ 11,500
 R$ 16,500
 R$ 21,500
 R$ 26,500
 R$ 31,500
 R$ 36,500
 R$ 41,500
 R$ 46,500
 R$1,500.00
 R$2,000.00
 R$2,500.00
 R$3,000.00
 R$3,500.00
 R$4,000.00
29 
 
 
 Como observa-se (Gráfico 6), há um aumento quase que ininterrupto da renda per capta 
brasileira. 
 
Desse modo, após a definição das variáveis e suas fontes, passa-se a apresentação e 
discussão dos resultados dos exercícios econométricos. 
 
5.2 Resultados: Modelos de MQO 
 
O primeiro exercício econométrico (Tabela 1), apresentou um coeficiente de determinação (R²) 
de 67,25%, desse modo, quase 70% das variações da demanda podem ser explicadas pelas 
variáveis independentes do modelo. 
 
Tabela 1: Demanda por imóveis no Estado de São Paulo: modelo 1 
 
Fonte: Elaborado pelos Autores 
 
 A análise dos P-valores sugeriu que todas as variáveis independentes estão dentro do 
intervalo de significância de 5%. O teste F, para testar a significância da Regressão, indicou 
rejeição da hipótese nula, ou seja, a regressão é válida com5% de significância. 
 O teste do RESET de Ramsey, sugeriu que o modelo não está incorretamente 
especificado, assim, não há omissão de variáveis. A hipótese nula foi aceita: FCalc = 0,6549, 
FCrit = 0,23.6 
 No teste de normalidade de resíduos de Jarque-Bera encontramos um Chi² de 0,72, que 
é superior ao limite de 0,05, dessa forma, a hipótese nula não pode ser rejeitada. Esse é um 
resultado positivo, já que para esse teste, tem-se a normalidade, que é o esperado, como 
hipótese nula. Dessa forma não há violação da suposição de distribuição normal dos termos de 
erro, pois os resíduos estão se tornando normais. 
 Analisando o teste de heterocedasticia, encontramos um resultado de 2,06 para Chi² e 
uma probabilidade da estatística de 0,1517 para Chi². Este resultado mostra que o valor de 
 
6 Esses resultados são apresentados em anexo. 
Coef Erro Padrão t P-Valor
logINCC -6,86301 1,17801 -5,83 0,000 -9,19665 -4,52938
logCUBsp 6,01822 1,32837 4,53 0,000 3,38675 8,64970
logSelic -0,11487 0,02241 -5,13 0,000 -0,15926 -0,07048
logRenda 1,04506 0,34434 4,66 0,000 0,92236 2,28665
logCréditoPF 0,17706 0,06132 2,89 0,005 0,05597 0,29853
_cons 9,60965 1,09044 8,81 0,000 7,44950 11,76979
Intervalo de Confiança
30 
 
 
probabilidade da estatística chi-quadrado é maior que 0,05. Portanto, a hipótese nula de 
variância constante não pode ser rejeitada ao nível de 5% de significância. Isso implica que 
não há a presença de heterocedasticidade nos resíduos. 
 A estatística DW calculada foi de 1,206, que é menor que o valor crítico para dL de 
1,421. Isso significa que a autocorrelação positiva entre as variáveis independentes. Por esse 
motivo, o procedimento iterativo de Cochrane-Orccut foi escolhido como medida corretiva 
para autocorrelação. Conclui-se que este procedimento corrigiu o problema de autocorrelação 
do modelo, caso contrário seria necessária a busca de outras medidas de correção (Tabela 2). 
 Para o novo modelo gerado, a utilização do CUB deixou de ser por meio de logaritmos, 
e decidiu-se por utilizar os dados em índice, dado o seu valor positivo no modelo anterior.7 
A Tabela 2 abaixo apresenta o modelo 2 após a aplicação do procedimento iterativo de 
Cochrane-Orccut com o problema de autocorrelação corrigida. De fato, após a aplicação do 
procedimento, a nova estatística DW do modelo é 2,027, maior que o valor crítico de dU, de 
1,6, e então foi corrigida a autocorrelação no modelo. 
 
Tabela 2: Demanda por imóveis no Estado de São Paulo: modelo 2 
 
Fonte: Elaborada pelos autores 
Nota: Modelo foi estimado pelo procedimento iterativo de Cochrane-Orccut como medida corretiva para 
autocorrelação. 
 
Os principais resultados são sumarizados abaixo: 
⮚ A cada aumento de 1% no INCC implica em um decréscimo de 5,757% na 
demanda por imóveis com 1% de significância; 
 
7 Conforme Wooldridge (2006, p. 181), variáveis que são proporções, percentagens ou índice podem usar ou não 
o logaritmo. 
Coef Erro Padrão t P>|t|
logINCC -5,75675 0,54525 -10,56 0,000 -6,83699 -4,67651
CUBsp 0,02491 0,00301 8,27 0,000 0,01894 0,03087
logSelic -0,07811 0,02052 -3,81 0,000 -0,11877 -0,03744
logRenda 1,86692 0,29671 6,29 0,000 1,27908 2,45477
logCréditoPF 0,08563 0,05085 1,68 0,095 0,01511 0,18637
_cons 28,07710 2,74025 10,25 0,000 22,64818 33,50603
Intervalo de Confiança
31 
 
 
⮚ A cada aumento de 1 ponto no índice do Custo Unitário Básico da Construção 
implica em um aumento de 2,4% na demanda por imóveis com 1% de 
significância;8 
⮚ A cada aumento de 1% na taxa SELIC implica em queda de 0,078% na demanda 
por imóveis com 1% de significância; 
⮚ A cada aumento de 1% na Renda per capita implica em um aumento de 1,86% 
na demanda por imóveis com 1% de significância; 
⮚ Por fim, a cada aumento de 1% no Crédito concedido à Pessoa Física implica 
em um aumento de 0,085% na demanda por imóveis com 10% de significância. 
 
 No modelo 2, estimou-se o fator de inflação da variância (VIF), que avalia o quanto a 
variância de um coeficiente de regressão estimado aumenta se as suas preditoras estiverem 
correlacionadas. O teste sugeriu um valor de 1,70, menor do que o valor crítico sugerido nas 
literaturas, dessa forma, é inferido que não há multicolinearidade na amostra. 
 De forma a aprofundar a análise e testar a robustez dos resultados anteriores, geramos 
o modelo de séries temporais para compararmos com o Modelo 2 de curto prazo com um 
modelo de longo prazo (Modelo 3). 
 
 
5.3 Resultado: Modelos de Vetor de Co-integração 
 
Primeiramente, antes do teste de estacionaridade, é necessário saber o número de defasagens 
da série através dos critérios de informação de Akaike e Schwarz. Vale observar que, se houver 
divergências entre AIC e BIC optou-se, embasado pelo princípio da parcimônia, pela utilização 
da menor defasagem indicada por um destes critérios. 
 A partir do Teste Dickey Fuller Aumentado (ADF) – e do teste de co-integração de 
Johansen, cujos resultados são apresentados nos anexos, foi constatado que as séries são 
estacionárias em primeira diferença e o teste de Co-integração de Johansen baseado no teste 
do Traço e no Teste de Máximo Autovalor mostrou que há combinações lineares entre as 
variáveis (até mais que um traço, dependendo do grau de defasagem do modelo) Desta forma, 
o modelo a longo prazo normalizado por Johansen (Vetor de Correção de Erros (VEC)) foi 
gerado (Tabela 3), considerando um posto de co-integração e uma defasagem. 
 
8 Esperava-se um sinal negativo dos custos em relação a demanda por imóveis, mas na nova versão estimada, o 
valor do sinal permaneceu positivo. 
32 
 
 
Tabela 3: Vetor de Co-integração: Modelo 3 
 
Fonte: Os próprios autores 
 
Considerando o resultado obtido após a aplicação do método de Johansen (VEC), 
podemos analisar os parâmetros da seguinte forma: 
⮚ A cada aumento de 1% no INCC implica em um decréscimo de 3,8% na 
demanda por imóveis com 1% de significância; 
⮚ A cada aumento de 1 no índice do Custo Unitário Básico da Construção implica 
em um aumento de 1,8% na demanda por imóveis com 1% de significância;9 
⮚ A cada aumento de 1% na taxa SELIC implica em queda de 0,08% na demanda 
por imóveis com 1% de significância; 
⮚ A cada aumento de 1% na Renda per capita implica em um aumento de 0,60% 
na demanda por imóveis, com 5% de significância; 
⮚ Por fim, a cada aumento de 1% no Crédito concedido à Pessoa Física implica 
em um aumento de 0,151% na demanda por imóveis com 1% de significância. 
 
5.4 Resultado: Comparação entre MQO e Vetor de Co-integração 
 
Para a discussão feita a seguir, foram considerados os resultados obtidos após o procedimento 
iterativo de Cochrane-Orcutt e o Vetor de Correção de Erros (VEC). De uma forma geral, os 
modelos de curto e longo prazo seguem o mesmo padrão, o que dá certa robustez aos 
resultados. Ainda, os valores absolutos maiores nos modelos de MQO mostram um impacto 
maior das variáveis independentes na demanda por imóveis no Estado de São Paulo no curto 
prazo do que a longo prazo. Isso pode sugerir que outras variáveis e fatores não contempladas 
pelos modelos passam a ter maior influência na demanda por imóveis a longo prazo. 
 
 
 
 
 
 
 
9 Vale observar que, o sinal da variável permaneceu positiva mesmo no modelo endógeno de longo prazo. 
Coef Erro Padrão z P>|z|
logINCC -3,80649 0,50911 -7,48 0,000 -2,80866 -4,80431
CUBsp 0,01863 0,00276 6,75 0,000 0,02404 0,01322
logSelic -0,08493 0,01804 -4,71 0,000 -0,04957 -0,12029
logRenda 0,60305 0,29237 2,06 0,039 1,16081 0,03002
logCréditoPF 0,15170 0,04815 3,15 0,002 0,24608 0,05732
_cons 25,46216 . . . . .
Intervalo de Confiança
33 
 
 
Tabela 4: Comparação entre os modelos 
 
Fonte: Os próprios Autores 
 
Mais especificamente, a taxa SELIC e o INCC seguiram o padrão esperado. A taxa 
SELIC influi diretamente no preço dos financiamentos bancários e um aumento dessa taxa 
tende a desincentivar a aquisição de imóveiscom financiamento. Por outro lado, o INCC é o 
principal indexador utilizado nos contratos de compra de imóveis na planta, e um valor alto 
para o INCC pode representar uma insegurança para o comprador em relação ao preço final 
que será pago pela unidade. Dessa forma, o INCC e a taxa Selic influem de forma similar. 
Outro dado que seguiu o padrão esperado foi o “valor em operações de crédito cedido 
às pessoas físicas”, o que mostra que a compra de imóveis por pessoas não jurídicas possui 
grande influência na demanda total por imóveis no estado de SP. Dessa forma, fica evidente 
que um aumento na concessão de crédito possui um impacto positivo no mercado imobiliário. 
Vale ressaltar, que esse valor de crédito cedido é para diversas destinações, como por exemplo: 
pagamento de dívidas, novos empreendimentos em geral, setor agrícola, entre outros, e não 
apenas para o setor imobiliário, porém influi diretamente sobre ele. 
O resultado do CUB, foi o mais surpreendente em relação aos resultados esperados 
pois esperava-se que o aumento no custo da construção gerasse um decréscimo na demanda. 
Supõe-se que a inflação do setor imobiliário, influi diretamente na demanda por imóveis, e 
vemos, que o coeficiente atrelado ao INCC é muito superior daquele que foi encontrado em 
relação ao CUB, dessa forma, pode-se entender que o INCC é o grande balizador dessa 
influência da inflação sobre a demanda. Supõe-se que o coeficiente obtido para o CUB pode 
ser considerado disruptivo por ser contrário ao que se acreditava, e possivelmente explicado 
por uma ação de investidores, onde ao se perceber o aumento no CUB pode-se esperar um 
aumento nos preços dos imóveis após um período curto de tempo, desta forma estes 
investidores podem fazer uma compra destes imóveis visando uma venda a curto prazo, 
criando assim um aumento na demanda. 
Coef P-Valor Coef P-Valor
logINCC -5,75675 0,000 -3,80649 0,000
CUBsp 0,02491 0,000 0,01863 0,000
logSelic -0,07811 0,000 -0,08493 0,000
logRenda 1,86692 0,000 0,60305 0,039
logCréditoPF 0,08563 0,095 0,15170 0,002
_cons 28,07710 0,000 25,46216 .
RL Corrigido RL Séries Temporais
34 
 
 
Com relação à renda, percebeu-se um comportamento de acordo com o esperado, 
possivelmente explicado pelo fato de que o aumento da renda per capita permite melhores 
condições financeiras para a compra de um imóvel. 
Considerando as informações inseridas na seção 1.5 deste trabalho, Adami e Gough 
(2008) ressaltaram a importância de se levar em conta a educação para estudos relacionados 
ao âmbito financeiro, porém, os dados referentes à escolaridade não são amplamente 
divulgados para o estado de São Paulo, e os dados de taxa de matrícula não apresentaram alta 
influência no modelo. Acreditamos que isso se dê por uma possível defasagem temporal, que 
pode ser explicada pelo período entre a matrícula do aluno e a data em que ele passa a possuir 
o capital necessário para a aquisição de um imóvel. Por esse motivo, a escolaridade não foi um 
dos indicadores utilizados no modelo gerado. Outros indicadores também não foram inseridos 
aos modelos pela dificuldade de coletas de dados e ou inexistência destes. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
35 
 
 
6. Considerações Finais 
 
Assim como concluído por Varandas et Al. (2009), percebe-se que o Brasil ainda possui uma 
carência com relação a dados históricos do mercado imobiliário, algumas cidades como Recife, 
Fortaleza e Campo Grande começaram a reunir e divulgar estes dados apenas após 2018. Já o 
estado de São Paulo possui um registro histórico mais robusto com dados de diversas cidades 
e por um período maior de tempo. Por outro lado, os dados macroeconômicos são encontrados 
com maior facilidade e maior periodicidade para o âmbito nacional, enquanto os dados 
estaduais e municipais não são tão amplamente divulgados e registrados. 
Após a avaliação dos resultados obtidos com os métodos estatísticos propostos, r o 
modelo obtido após o procedimento iterativo de Cochrane-Orcutt e o modelo de longo prazo 
normalizada por Johansen (VEC), observou-se similaridades nos resultados, o que dá certa 
robustez as nossas conclusões. Assim, a partir os coeficientes encontrados possuem relevância 
prática tanto para empresas do ramo da construção civil quanto para órgãos governamentais, 
no estudo de fatores influentes ao mercado imobiliário e sua influência sobre toda a economia. 
Considerando as limitações impostas pela falta de divulgação de dados relacionados ao 
registro imobiliário, podemos considerar o resultado obtido como sendo satisfatório. 
Para futuras pesquisas neste campo de estudo, sugere-se uma captação e utilização de 
dados de demanda para outras regiões do Brasil. Visto que a inclusão digital e o avanço 
tecnológico estão permitindo um maior registro de dados com maior confiabilidade, é 
interessante que este estudo seja refeito com uma maior quantidade de dados e um número 
mais abrangente de localidades. Se possível, seria interessante a exclusão de dados durante o 
período pandêmico para evitar a influência de outliers. 
 
 
 
 
 
 
 
 
 
 
36 
 
 
7. Referências Bibliográficas 
ADAMI R. (2008), O. Pension reforms and saving for retirement: comparing the United 
Kingdom and Italy. Policy Studies, v. 29, n. 2, p. 119-135. DOI: 
https://doi.org/10.1080/01442870802033340. 
ANGHEL, I.; HRISTEA, A.M. (2015). Some considerations regarding the international real 
estate market – present and futurepredications. ProcediaEconomics and Finance, Vol. 32, pp. 
1442–1452. 
 
BAPTISTELLA, M. (2005). O uso de redes neurais e regressão linear múltipla na engenharia 
de avaliações: Determinação dos valores venais de imóveis urbanos, Curitiba/PR. 
 
GAUSS, C.F (1809). Theoria motus corporum coelestium in sectionibus conicis solem 
ambientum (em latim). Hamburgo: Frid. Perthes e I. H. Besser. 
 
HUANG, YUANSHENG; WANG, YUWEI; GAI, SHU (2011). The application and research 
of a new combinatorial analysis and forecasting method in real estate area based on Grey 
System Theory and Multivariate Linear Regression. Procedia Engineering, v. 15, p. 4532-
4537, 2011. 
 
HYUNG, C. J.; JUNG, J. U (2013). Simulation Model on Long-Term Housing Demand 
Forecasting for the Utilization of Real Estate Knowledge. Journal of CEO and Management 
Studies, v. 16, p. 119-139. 
 
LIU, L.; LI, WEIDONG (2009). Research on the forecast of Real Estate market demand in 
Beijing. In: International conference on construction & real estate management, 2009, Beijing, 
China. Anais... Beijing, ICCRSM,. Disponível em: 
<http://lib.hrbcu.edu.cn/auto/db/detail.aspx?db=502005&rid=214425&agfi=0&cls=0&uni=T
rue&cid=0&showgp=True&prec=False&md=4&pd=207&msd=4&psd=207&mdd=4&pdd=
207&count=10&reds=weidong%3Blin>. Acesso em: 25 jan. 2022. 
 
MATOS, D.; BARTKIW, P.I.N. (2013). Introdução ao mercado imobiliário. 1. ed. IFPR-E-
tec. 
 
37 
 
 
MEYER, J. F. P. (2008) Demanda residencial -Adequação da Análise de Mercado Imobiliário 
–O caso de São Paulo. 211 f. Tese (Doutorado) -Faculdade de Arquitetura e Urbanismo da 
Universidade de São Paulo, São Paulo, 2008. 
 
MORO, M.F.; REIS, C.C.C.; FLORES, A.A.; WEISE, A.D.; MENDES, A.A. (2015). 
Influência dos indicadores de vendas de imóveis em Santa Maria. IN: Congresso Brasileiro de 
Engenharia de Produção, Ponta Grossa, Brasil. Anais... Ponta Grossa, CONBREPRO. 
 
OLIVA, C. A.; GRANJA, A. D. (2015). Proposta para adoção do TarjetValue Design (TVD) 
na gestão do processo de projeto de empreendimentos imobiliários, Ambiente construído, Vol. 
15, n. 4, pp. 131-147. 
 
RESENDE, J. F.; ROSENDO, R.(2009) Tendências imobiliárias: análise da demanda e da 
oferta por imóveis residenciais em São Paulo utilizando survey e dados secundários. IN: 
Conferência Internacional da LARES, São Paulo, Brasil. Anais... São Paulo, LARES. 
 
SECOVI SP, (2022) Vendas de imóveis residenciais novos têm bom resultado em novembrode 2021. Disponível em: <https://www.secovi.com.br/noticias/vendas-de-imoveis-
residenciais-novos-tem-bom-resultadoem-novembro-de-2021/15586> 
 
SOUZA, L.L.A.; AMORIM, S.R.L.; LYRIO, A.M. (2009). Impactos do uso do bim em 
escritórios de arquitetura: oportunidades no mercado imobiliário. Gestão & Tecnologia de 
Projetos, Brasil, Vol. 4, No. 2, pp. 26-53. 
 
VARANDAS, J. E. R.; ALENCAR, C. (2009) T. de. Modelos de projeção de demanda 
aplicado ao mercado imobiliário. In: CONFERÊNCIA INTERNACIONAL DA LARES, IX, 
2009, São Paulo. Anais... São Paulo, LARES, 2009. Disponível em: < 
http://lares.org.br/2009/images/154-323-1-RV.pdf >. Acesso em: 25 jan. 2022. 
 
WOOLDRIDGE, J.M. (2011) Introdução à econometria. São Paulo: CENGAGE, 4.ed. 
 
XU, Q.; LI, H.. HUI, E. C. M.; CHEN, Z (2010). Evaluating the real estate market by 
confidence index in China: a case study oh Shenzhen. International Journal of Housing 
Markets and Analysis, Vol. 3, n. 4, p. 327-350. 
 
38 
 
 
SIMON, Carl P.. Matemática para economistas: Bookman, 2004. 920 p. 
 
GUJARATI, Damodar. Econometria Básica. 3. ed. Macron, 2004. 
 
FÁVERO, Luiz Paulo Lópes. O mercado imobiliário da região metropolitana de São Paulo: 
uma aplicação de modelos de comercialização hedônica de regressão e comercialização 
canônica. 2005. 350 f. Tese (Doutorado) - Curso de Economia, Administração, Usp, São Paulo, 
2005. 
 
SARTORE, Viviana Inácio. Análise de investimentos do mercado imobiliário: um estudo de 
caso. 2008. 69 f. TCC (Graduação) - Curso de Ciências Econômicas, Universidade Federal 
de Santa Catarina, Florianópolis, 2008. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
39 
 
 
8.1 Anexo 1 – Dados para elaboração do modelo 
 
 
Ano Mês Demanda SP Índice INCC Índice CUB-SP Taxa Selic Renda per Capita Crédito PF (em Milhoes de R$)
2012 Janeiro 46.029 100 100 10,50% 1.863,34R$ 10.584R$ 
2012 Fevereiro 50.290 100,30 100,36 10,50% 1.861,79R$ 9.638R$ 
2012 Março 59.645 100,81 100,76 9,75% 1.991,28R$ 12.186R$ 
2012 Abril 54.470 101,56 100,90 9,00% 1.933,12R$ 11.251R$ 
2012 Maio 60.164 103,47 104,21 8,50% 2.025,25R$ 14.002R$ 
2012 Junho 59.401 104,23 106,01 8,50% 2.015,87R$ 14.506R$ 
2012 Julho 63.709 104,92 106,52 8,00% 2.094,76R$ 12.857R$ 
2012 Agosto 65.740 105,19 106,67 7,50% 2.119,95R$ 18.738R$ 
2012 Setembro 61.310 105,43 106,75 7,50% 1.985,32R$ 15.216R$ 
2012 Outubro 67.315 105,65 106,96 7,25% 2.130,83R$ 17.714R$ 
2012 Novembro 59.399 106,00 107,15 7,25% 2.135,06R$ 17.106R$ 
2012 Dezembro 59.106 106,17 107,19 7,25% 2.130,40R$ 18.918R$ 
2013 Janeiro 68.503 106,86 107,18 7,25% 2.083,27R$ 13.566R$ 
2013 Fevereiro 52.345 107,50 107,18 7,25% 2.003,93R$ 12.465R$ 
2013 Março 53.996 108,04 107,43 7,25% 2.146,98R$ 16.258R$ 
2013 Abril 64.944 108,84 107,62 7,50% 2.202,91R$ 18.327R$ 
2013 Maio 61.311 111,29 112,40 8,00% 2.202,32R$ 19.531R$ 
2013 Junho 58.983 112,57 113,97 8,00% 2.219,80R$ 22.828R$ 
2013 Julho 64.587 113,11 114,32 8,50% 2.296,36R$ 19.067R$ 
2013 Agosto 65.395 113,46 114,51 9,00% 2.266,70R$ 21.940R$ 
2013 Setembro 62.665 113,95 114,65 9,00% 2.194,59R$ 19.863R$ 
2013 Outubro 63.933 114,25 114,84 9,50% 2.329,97R$ 20.766R$ 
2013 Novembro 56.210 114,65 114,95 10,00% 2.325,95R$ 20.036R$ 
2013 Dezembro 57.505 114,76 115,02 10,00% 2.363,52R$ 23.161R$ 
2014 Janeiro 60.613 115,77 115,07 10,50% 2.273,97R$ 16.363R$ 
2014 Fevereiro 52.478 116,15 115,34 10,75% 2.244,56R$ 16.710R$ 
2014 Março 48.166 116,47 115,43 10,75% 2.301,74R$ 15.853R$ 
2014 Abril 54.672 117,50 115,61 11,00% 2.333,00R$ 18.787R$ 
2014 Maio 56.642 119,91 117,59 11,00% 2.354,12R$ 22.709R$ 
2014 Junho 49.555 120,71 120,84 11,00% 2.278,75R$ 22.873R$ 
2014 Julho 60.873 121,61 121,55 11,00% 2.393,73R$ 20.732R$ 
2014 Agosto 58.792 121,70 122,12 11,00% 2.367,52R$ 23.645R$ 
2014 Setembro 60.397 121,89 122,13 11,00% 2.363,21R$ 24.124R$ 
2014 Outubro 63.686 122,10 122,28 11,25% 2.444,73R$ 22.960R$ 
2014 Novembro 53.064 122,64 122,30 11,25% 2.424,09R$ 20.582R$ 
2014 Dezembro 58.936 122,74 122,34 11,75% 2.473,77R$ 24.086R$ 
2015 Janeiro 57.414 123,87 122,74 12,25% 2.338,74R$ 17.940R$ 
2015 Fevereiro 46.492 124,25 122,86 12,25% 2.274,05R$ 13.714R$ 
2015 Março 55.219 125,02 122,93 12,75% 2.477,89R$ 17.775R$ 
2015 Abril 53.769 125,59 123,35 13,25% 2.401,45R$ 17.938R$ 
2015 Maio 55.913 126,79 126,07 13,25% 2.383,13R$ 15.626R$ 
2015 Junho 53.916 129,12 127,60 13,75% 2.398,26R$ 18.784R$ 
2015 Julho 54.662 129,83 127,96 14,25% 2.473,56R$ 18.628R$ 
2015 Agosto 52.647 130,59 127,91 14,25% 2.423,76R$ 20.610R$ 
2015 Setembro 50.908 130,88 128,14 14,25% 2.439,29R$18.497R$ 
2015 Outubro 48.441 131,34 128,12 14,25% 2.549,75R$ 15.652R$ 
2015 Novembro 43.173 131,79 128,15 14,25% 2.523,40R$ 16.190R$ 
2015 Dezembro 50.187 131,93 128,36 14,25% 2.561,40R$ 18.797R$ 
40 
 
 
 
 
 
 
 
 
 
 
 
 
Ano Mês Demanda SP Índice INCC Índice CUB-SP Taxa Selic Renda per Capita Crédito PF (em Milhoes de R$)
2016 Janeiro 47.644 132,44 128,88 14,25% 2.404,48R$ 10.578R$ 
2016 Fevereiro 38.971 133,15 128,94 14,25% 2.406,39R$ 11.306R$ 
2016 Março 43.964 134,00 128,96 14,25% 2.531,95R$ 14.750R$ 
2016 Abril 43.993 134,74 129,12 14,25% 2.486,52R$ 14.552R$ 
2016 Maio 45.624 134,85 129,15 14,25% 2.510,28R$ 15.065R$ 
2016 Junho 46.865 137,45 133,54 14,25% 2.621,91R$ 19.580R$ 
2016 Julho 45.809 138,13 135,17 14,25% 2.602,97R$ 14.278R$ 
2016 Agosto 52.800 138,54 135,17 14,25% 2.610,05R$ 17.708R$ 
2016 Setembro 47.250 139,00 135,47 14,25% 2.487,38R$ 14.859R$ 
2016 Outubro 40.459 139,30 135,53 14,00% 2.559,71R$ 14.055R$ 
2016 Novembro 45.004 139,52 135,53 14,00% 2.637,69R$ 16.041R$ 
2016 Dezembro 56.200 140,01 135,49 13,75% 2.753,94R$ 20.803R$ 
2017 Janeiro 49.045 140,58 135,56 13,00% 2.561,32R$ 12.101R$ 
2017 Fevereiro 36.453 141,50 135,61 12,25% 2.499,10R$ 11.921R$ 
2017 Março 45.366 141,72 135,68 12,25% 2.644,08R$ 14.912R$ 
2017 Abril 39.124 141,69 135,52 11,25% 2.549,70R$ 13.549R$ 
2017 Maio 51.183 142,58 136,92 11,25% 2.662,72R$ 16.692R$ 
2017 Junho 48.797 143,91 137,77 10,25% 2.699,22R$ 19.725R$ 
2017 Julho 49.990 144,35 137,81 9,25% 2.700,67R$ 14.913R$ 
2017 Agosto 55.479 144,86 137,98 9,25% 2.689,76R$ 20.347R$ 
2017 Setembro 47.080 144,95 138,34 8,25% 2.558,75R$ 16.874R$ 
2017 Outubro 46.810 145,40 138,61 7,50% 2.655,84R$ 16.778R$ 
2017 Novembro 43.153 145,85 138,66 7,50% 2.735,76R$ 15.818R$ 
2017 Dezembro 49.676 145,96 139,04 7,00% 2.843,46R$ 15.950R$ 
2018 Janeiro 49.942 146,41 139,59 7,00% 2.681,15R$ 12.248R$ 
2018 Fevereiro 36.739 146,60 139,98 6,75% 2.550,44R$ 11.303R$ 
2018 Março 44.894 146,95 139,96 6,50% 2.699,18R$ 14.179R$ 
2018 Abril 48.395 147,38 140,27 6,50% 2.693,74R$ 15.414R$ 
2018 Maio 52.758 147,72 141,05 6,50% 2.632,57R$ 16.513R$ 
2018 Junho 50.716 149,15 141,94 6,50% 2.792,84R$ 18.625R$ 
2018 Julho 49.564 150,07 142,42 6,50% 2.802,33R$ 16.345R$ 
2018 Agosto 58.040 150,29 142,88 6,50% 2.799,08R$ 22.259R$ 
2018 Setembro 49.192 150,64 142,84 6,50% 2.672,54R$ 19.148R$ 
2018 Outubro 54.967 151,16 143,05 6,50% 2.839,69R$ 20.408R$ 
2018 Novembro 45.785 151,36 143,46 6,50% 2.847,16R$ 17.775R$ 
2018 Dezembro 49.939 151,56 143,57 6,50% 2.889,53R$ 18.062R$ 
2019 Janeiro 53.382 152,31 144,35 6,50% 2.769,40R$ 11.395R$ 
2019 Fevereiro 42.616 152,44 144,76 6,50% 2.717,53R$ 13.818R$ 
2019 Março 43.883 152,92 144,99 6,50% 2.769,28R$ 14.158R$ 
2019 Abril 50.501 153,50 145,31 6,50% 2.833,18R$ 16.667R$ 
2019 Maio 53.190 153,55 145,40 6,50% 2.887,18R$ 19.331R$ 
2019 Junho 45.794 154,91 148,03 6,50% 2.855,17R$ 20.327R$ 
2019 Julho 52.924 155,80 149,32 6,50% 2.990,54R$ 18.963R$ 
2019 Agosto 55.439 156,46 149,42 6,00% 2.936,73R$ 21.589R$ 
2019 Setembro 50.552 157,19 149,59 5,50% 2.925,48R$ 21.727R$ 
2019 Outubro 58.488 157,47 149,74 5,00% 3.052,88R$ 23.465R$ 
2019 Novembro 53.066 157,53 149,89 5,00% 3.019,96R$ 20.489R$ 
2019 Dezembro 53.254 157,86 149,89 4,50% 3.072,82R$ 21.038R$ 
41 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Ano Mês Demanda SP Índice INCC Índice CUB-SP Taxa Selic Renda per Capita Crédito PF (em Milhoes de R$)
2020 Janeiro 57.557 158,45 150,37 4,50% 2.935,03R$ 14.753R$ 
2020 Fevereiro 42.444 158,98 150,36 4,25% 2.895,51R$ 14.601R$ 
2020 Março 48.207 159,38 150,49 3,75% 2.924,65R$ 18.314R$ 
2020 Abril 35.073 159,74 149,92 3,75% 2.633,80R$ 18.945R$ 
2020 Maio 34.828