Estudo sobre o impacto das políticas públicas através da modelagem de preços aplicada ao mercado de Real Estate na cidade de São Paulo.

• Ano de defesa: 2023
• Autor(a) principal: Ribeiro, Celso Gabriel de Azevedo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado computacional; Investimentos públicos; Pricing; Public investment; Real estate; Real Estate; XGBoost
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3142/tde-16042024-101123/

O orçamento público dos entes federativos brasileiros comumente é visto como fonte de controvérsia, seja pela escolha das prioridades para alocação dos recursos, seja pela crise fiscal que o país passa. Este trabalho tem como objetivo principal proporcionar uma estimativa do impacto gerado por algumas políticas públicas quando implementadas no ambiente construído da cidade de São Paulo, sendo mensurado através da previsão do preço dos imóveis da cidade e consequente avaliação dos fatores que impactaram para a precificação. Esta predição será feita usando aprendizado de máquina, especificamente o modelo baseado em árvore XGBoost, comparado com um modelo hedônico de previsão de preços (Semi-Log Regression). Na parte de análise será utilizado o SHAP, que é um método Tree Explainer, para estimar o impacto das variáveis do modelo de predição de preços e avaliar suas importâncias. A modelagem feita considera variáveis intrínsecas (número de quartos, área construída, ano de construção, etc.), bem como variáveis extrínsecas (qualidade do pavimento, transportes públicos, arborização, etc.) e tem como parâmetro de treinamento o preço de mercado, obtido de anúncios online. Finalmente, concluída a análise, é possível identificar as variáveis extrínsecas, relacionadas ao investimento público, que trouxeram maior impacto positivo no preço dos imóveis, sugerindo sua escolha para o administrador público responsável.