Avaliação em massa de apartamentos com uso dos algoritmos Randon Forest e Gradient Boosting: estudo de caso de Florianópolis, Brasil
DOI:
https://doi.org/10.11606/eISSN.2236-2878.rdg.2024.212297Palavras-chave:
Avaliação em massa de imóveis, Imposto de propriedade, Aprendizado de máquina, Web scrappingResumo
O imposto sobre a propriedade imobiliária é um importante instrumento de política urbana e tem como base de cálculo o valor venal do imóvel, normalmente determinado por meio de avaliações em massa. Este estudo avalia o desempenho preditivo dos algoritmos de machine learning random forest e gradient boosting na avaliação em massa de imóveis urbanos, comparando-os à regressão linear clássica. Foram coletados 8.694 dados do mercado imobiliário usando técnicas de web scraping e, após um processamento inicial com critérios de inclusão, 1.572 dados de apartamentos da região central de Florianópolis, Brasil, foram selecionados para modelagem. Os resultados indicaram que o modelo gradient boosting superou todos os demais em métricas como RMSE, MAE, MAPE, COD, PRD e R², com predições até 30% mais precisas, confirmando seu potencial para estimar o valor venal de apartamentos de forma robusta e equitativa. Esses achados reforçam o gradient boosting como uma alternativa viável para a geração da base de cálculo do imposto imobiliário, possibilitando uma tributação mais justa e equânime, alcançando, assim, justiça fiscal e transparência tributária.
Downloads
Referências
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 14653-2: Avaliação de Bens. Parte 2: Imóveis Urbanos. Rio de Janeiro, 2011. 53 p.
ANTIPOV, E.A.; POKRYSHEVSKAYA, E.B. Mass appraisal of residential apartments: An application of Random forest for valuation and a CART-based approach for model diagnostics. Expert Systems with Applications, v. 39, p. 1772–1778, 2012. https://doi.org/10.1016/j.eswa.2011.08.077.
BALDOMINOS, A.; BLANCO, I.; MORENO, A.J.; ITURRARTE, R.; BERNÁRDEZ, Ó.; AFONSO, C. Identifying Real Estate Opportunities Using Machine Learning. Applied Sciences, v. 8, p. 2321, 2018. Disponível em: https://doi.org/10.3390/app8112321
BASHA, A.M.; ANKAIAH, B.; SRIVANI, J.; DADAKALANDER, U. Real Estate Analytics With Respect To Andhra Pradesh: Machine Learning Algorithm Using R-Programming. International Journal of Scientific & Technology Research, v. 9, n. 4, 2020.
BRASIL. Constituição (1988). Constituição da República Federativa do Brasil. Brasília, DF, 1988.
BOURASSA, S.C.; HOESLI, M. Hedonic, residual, and matching methods for residential land valuation. Journal of Housing Economics, v. 58, Part A, p. 101870, 2022. Disponível em: https://doi.org/10.1016/j.jhe.2022.101870.
BREIMAN, L. Bagging predictors. Machine Learning, v. 24, p. 123–140, 1996.
BREIMAN, L. Random forests. Machine Learning, Springer, v. 45, n. 1, p. 5–32, 2001.
BREUER, W.; STEININGER, B.I. Recent trends in real estate research: a comparison of recent working papers and publications using machine learning algorithms. 2020. Disponível em: https://doi.org/10.1007/s11573-020-01005-w.
CARRANZA, J.P; PIUMETTO, M.A.; LUCCA, C.M.; DA SILVA, E. Mass appraisal as affordable public policy: open data and machine learning for mapping urban land values. Land Use Policy, v. 119, p. 106211, 2022. https://doi.org/10.1016/j.landusepol.2022.106211.
CEH, M.; KILIBARDA, M.; LISEC, A.; BAJAT, B. Estimating the Performance of Random Forest versus Multiple Regression for Predicting Prices of the Apartments. ISPRS International Journal of Geo-Information, v. 7, p. 168, 2018. https://doi.org/10.3390/ijgi7050168.
CHENG, C.; CHENG, X.; YUAN, M.; CHAO, K.; ZHOU, S.; GAO, J.; XU, L.; ZHANG, T. A Novel Architecture and Machine Learning Algorithm for Real Estate. In: Sun, S., et al. (eds.), Signal and Information Processing, Networking and Computers, Lecture Notes in Electrical Engineering, v. 473, 2018. Disponível em: https://doi.org/10.1007/978-981-10-7521-6_60.
DANTAS, R.A. Engenharia de avaliações: uma introdução à metodologia científica. 3. ed. São Paulo: Pini, 2014.
DELFINO, D.; SPANIOL, E.; BUGLIONE, S. O setor imobiliário de Florianópolis na perspectiva da nova sociologia econômica e das inserções sociais como categoria de análise. 2016. Disponível em: https://periodicos.ufsc.br/index.php/geosul/article/download/2177-5230.2016v31n62p367/32611/156702.
DIMOPOULOS, T.; BAKAS, N. Sensitivity Analysis of Machine Learning Models for the Mass Appraisal of Real Estate. Case Study of Residential Units in Nicosia, Cyprus. Remote Sensing, v. 11, p. 3047, 2019. https://doi.org/10.3390/rs11243047.
DUARTE, D.C.O. Análise multicritério e geoestatística aplicadas na avaliação em massa de imóveis urbanos. 2019. 150 f. Tese (Doutorado em Engenharia Civil) - Universidade Federal de Viçosa, Viçosa, 2019.
FARIA FILHO, R.F.; GONÇALVES, R.M.L.; LUIZ, H.T.G. Statistical models for generating the plants of generic values: an application in a small municipality. Urbe - Revista de Gestão Urbana, v. 11, 2019. https://doi.org/10.1590/2175-3369.011.001.e20180192.
FILHO, C.M.; BIN, O. Estimation of hedonic price functions via additive nonparametric regression. Empirical Economics, v. 30, p. 93–114, 2005. https://doi.org/10.1007/s00181-004-0224-6.
FORTI, M. Técnicas de machine learning aplicadas na recuperação de crédito do mercado brasileiro. 74 f. Dissertação (Mestrado em Economia) – Faculdade de Economia da Fundação Getúlio Vargas, 2018.
FREUND, Y.; SCHAPIRE, R.; ABE, N. A short introduction to boosting. Journal Japanese Society for Artificial Intelligence, v. 14, p. 771–780, 1999.
GERON, A. Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. O'Reilly Media, Inc., 2017.
GHASEMAGHAEI, M.; CALIC, G. Assessing the impact of big data on firm innovation performance: big data is not always better data. Journal of Business Research, v. 108, p. 147-162, 2020. Disponível em: https://doi.org/10.1016/j.jbusres.2019.09.062.
GROVER, P. Gradient Boosting from scratch. 2017. Disponível em: https://medium.com/mlreview/gradient-boosting-from-scratch-1e317ae4587d.
GRUS, J. Data Science from Scratch. Sebastopol: O’Reilly, 2015.
GUJARATI, D.N.; PORTER, D.C. Econometria básica. 5. ed. Porto Alegre: AMGH Bookman, 2018.
HO, T.K. Random Decision Forests. In: Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, QC, 1995, p. 278–282.
HONG, J.; CHOI, H.; KIM, W.S. A house price valuation based on the random forest approach: the mass appraisal of residential property in South Korea. International Journal of Strategic Property Management, v. 24, n. 3, p. 140–152, 2020. https://doi.org/10.3846/ijspm.2020.11544.
HORNBURG, R.A.; HOCHHEIM, N. Avaliação em massa de imóveis usando geoestatística e krigagem bayesiana: um estudo de em Balneário Camboriú/SC. RECC - Revista Eletrônica de Engenharia Civil, v. 13, n. 1, 2017. https://doi.org/10.5216/reec.v13i1.42347.
IAAO - International Association of Assessing Officers. Standards on Ratio Studies. Missouri: IAAO, 2013.
IBM. IBM-Bringing Big Data to the Enterprise. 2015.
JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. An introduction to statistical learning: with applications in R. 2013.
JAROSZ, M.; KUTRZYŃSKI, M.; LASOTA, T.; PIWOWARCZYK, M.; TELEC, Z.; TRAWIŃSKI, B. Machine Learning Models for Real Estate Appraisal Constructed Using Spline Trend Functions. Intelligent Information and Database Systems. ACIIDS 2020. Lecture Notes in Computer Science, v. 12033, Springer, 2020. https://doi.org/10.1007/978-3-030-41964-6_55.
LEE, J.; PARK, S.C.; KIM, S.H. Comparison of Models to Forecast Real Estates Index Introducing Machine Learning. Journal of the Architectural Institute of Korea, v. 37, n. 1, p. 191, 2021. https://doi.org/10.5659/JAIK.2021.37.1.191.
LIAW, A.; WIENER, M. Classification and regression by randomForest. R News, v. 2, p. 18–22, 2002.
MARSLAND, S. Machine Learning: An Algorithmic Perspective. 2. ed. Taylor & Francis Group, 2015.
MAYRINK, V.T.M. Avaliação do algoritmo Gradient Boosting em aplicações de previsão de carga elétrica a curto prazo. 91 f. Dissertação (Mestrado em Modelagem Computacional) - Universidade Federal de Juiz de Fora, 2016.
MCCLUSKEY, W.J.; ANAND, S. The application of intelligent hybrid techniques for the mass appraisal of residential properties. Journal of Property Investment and Finance, v. 17, n. 3, p. 218–238, 1999. https://doi.org/10.1108/14635789910270495.
MITCHELL, T.M. Machine Learning. McGraw-Hill, 1997.
MURPHY, K.P. Machine learning: a probabilistic perspective. MIT Press, 2012.
NIU, J.; NIU, P. An Intelligent Automatic Valuation System for Real Estate Based on Machine Learning. ACM, 2019. ISBN 978-1-4503-7633-4/19/12…$15.00.
OLIVEIRA, A.A.F. Avaliação em massa com modelos de aprendizado de máquina aplicados aos terrenos urbanos do município de Fortaleza. 80 f. Dissertação (Mestrado em Economia) - Universidade Federal do Ceará, Fortaleza, 2020.
OLIVEIRA, A.A.F.; REYES-BUENO, F.; GONZÁLEZ, M.A.S.; DA SILVA, E. Comparing traditional and machine learning techniques in apartments mass appraisal in Fortaleza, Brazil. Aestimum, Just Accepted, 2024. https://doi.org/10.36253/aestim-15344.
PAI, P.-F.; WANG, W.-C. Using Machine Learning Models and Actual Transaction Data for Predicting Real Estate Prices. Applied Sciences, v. 10, p. 5832, 2020. https://doi.org/10.3390/app10175832.
PELLI NETO, A. Redes neurais artificiais aplicadas às avaliações em massa: estudo de caso para a cidade de Belo Horizonte/MG. 111 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal de Minas Gerais, Belo Horizonte, 2006.
PINTER, G.; MOSAVI, A.; FELDE, I. Artificial Intelligence for Modeling Real Estate Price Using Call Detail Records and Hybrid Machine Learning Approach. Entropy, v. 22, p. 1421, 2020. https://doi.org/10.3390/e22121421.
RAFIEI, M.H.S.; ADELI, H. A Novel Machine Learning Model for Estimation of Sale Prices of Real Estate Units. Journal of Construction Engineering and Management, v. 142, n. 2, 2016. https://doi.org/10.1061/(ASCE)CO.1943-7862.0001047.
RAVE, J.I.P.; MORALES, J.C.C.; ECHAVARRÍA, F.G. A machine learning approach to big data regression analysis of real estate prices for inferential and predictive purposes. Journal of Property Research, 2019. https://doi.org/10.1080/09599916.2019.1587489.
SAMUEL, A.L. Some Studies in Machine Learning Using the Game of Checkers. IBM Journal of Research and Development, p. 210–229, 1959. https://doi.org/10.1147/rd.33.0210.
SELIM, H. Determinants of house prices in Turkey: Hedonic regression versus artificial neural network. Expert Systems with Applications, v. 36, p. 2843–2852, 2009. https://doi.org/10.1016/j.eswa.2008.01.044.
THEODORO, L.T.C.; UBERTI, M.S.; ANTUNES, M.A.H.; DEBIASI, P. Avaliação em massa de imóveis rurais através da regressão clássica e da geoestatística. Revista Brasileira de Cartografia, v. 71, n. 2, p. 459-485, 2019. https://doi.org/10.14393/rbcv71n2-47458.
TRAWIŃSKI, B., et al. Comparison of expert algorithms with machine learning models for real estate appraisal. IEEE International Conference on Innovations in Intelligent Systems and Applications, p. 51-54, 2017. https://doi.org/10.1109/INISTA.2017.8001131.
UBERTI, M.S.; ANTUNES, M.A.H.; DEBIASI, P.; TASSINARI, W. Mass appraisal of farmland using classical econometrics and spatial modeling. Land Use Policy, v. 72, p. 161-170, 2018. https://doi.org/10.1016/j.landusepol.2017.12.044.
VERIKAS, A.; LIPNICKAS, A.; MALMQVIST, K. Selecting neural networks for a committee decision. International Journal of Neural Systems, v. 12, n. 5, p. 351–362, 2002. https://doi.org/10.1142/S0129065702001229.
YILMAZER, S.; KOCAMAN, S. A mass appraisal assessment study using machine learning based on multiple regression and random forest. Land Use Policy, v. 99, 2020. https://doi.org/10.1016/j.landusepol.2020.104889.
YOO, S.; IM, J.; WAGNER, J.E. Variable selection for hedonic model using machine learning approaches: a case study in Onondaga County, NY. Landscape and Urban Planning, v. 107, p. 293–306, 2012. https://doi.org/10.1016/j.landurbplan.2012.06.009.
YU, Y.; LU, J.; SHEN, D.; CHEN, B. Research on real estate pricing methods based on data mining and machine learning. Springer-Verlag London Ltd., 2020. https://doi.org/10.1007/s00521-020-05469-3.
ZILLI, C.A.; BASTOS, L.C.; DA SILVA, L.R. Machine learning models in mass appraisal for property tax purposes: a systematic mapping study. Aestimum, v. 84, p. 31-52, 2024. https://doi.org/10.36253/aestim-15792.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2024 Carlos Augusto Zilli, Lia Caetano Bastos
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution BY-NC-SA que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista. A licença adotada enquadra-se no padrão CC-BY-NC-SA.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
