Vous êtes sur la page 1sur 22

UTL – UNIVERSIDADE TÉCNICA DE LISBOA

ISEG – INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO

Preços e factores
condicionantes nos mercados
imobiliários
- Efeitos no Mercado da Habitação de Lisboa e
Viseu

Ana Rita Lemos Matos

Ana Rita Sobral Lopes Gonçalves

Helena Isabel Lopes Gonçalves

Isabel Cristina da Silva Duarte

Tutor: Dr. Carlos Pestana Barros

[Neste estudo procuramos definir quais as variáveis que influenciam o preço das casas nos
mercados de Lisboa e Viseu, duas cidades completamente diferentes, cujo único ponto em
comum é o país onde se situam: Portugal. A par com a modelização dos preços nestes
mercados, a comparação destas duas realidades é o objectivo principal deste estudo que aplica
uma regressão de quantis (modelo hedónico de preços) no processo de modelização.]
Índice

1. Introdução

2. Revisão de leitura

3. Contexto

3.1 Lisboa

3.2 Viseu

4. Método

5. Dados

6. Resultados

7. Discussão e Conclusão

Referências

Anexos
1. Introdução

Sector imobiliário, frequentemente designado por Mediação Imobiliária, é uma actividade


legalmente regulada, definida como “aquela em que, por contrato, uma empresa se obriga a
diligenciar no sentido de conseguir interessado na realização de negócio que vise a
constituição ou aquisição de direitos reais sobre imóveis, a permuta, o trespasse ou o
arrendamento dos mesmos ou a cessão de posição em contratos cujo objecto seja um bem
imóvel” (n.º 1 do art. 2º do DL n.º 211/2004). É este sector económico que nos propomos a
estudar, sendo que o nosso objectivo é aferir quais as características que mais influenciam o
preço das habitações e que tipo de influência é essa: negativa, positiva ou irrelevante, muito ou
pouco intensa, etc. Mais especificamente, analisaremos os mercados de Lisboa e de Viseu, duas
cidades portuguesas, com backgrounds muito diferentes, quer pela sua importância histórica no
país quer pelo seu passado mais próximo, como poderemos constatar no capítulo 3 –
Contextualização.
Como existem muito poucos estudos feitos sobre o sector imobiliário português, é muito
parco é o conhecimento que temos acerca das variáveis que influenciam o preço das casas.
Intuitivamente, podemos identificar algumas características que supomos influenciar o preço
dos imóveis mas, na realidade, essa intuição não constitui um conhecimento empírico. Foi com
o intuito de estabelecer esse conhecimento que realizamos um estudo neste âmbito, onde
procuramos a modelizar os preços dos imóveis com base nas características destes e no
ambiente em que se inserem.
A escolha do mercado de habitação prende-se com o facto de existir um interesse comum
entre os elementos do grupo em estudar esta matéria, sendo que aproveitamos esta oportunidade
para estudar um dos mercados que mais contribuí para a economia portuguesa.
Por fim, a percepção de que cada mercado tem as suas próprias características, levou-nos a
concluir que não podíamos aplicar as funções já estimadas em outros estudos aos nossos
mercados, o que constituiu mais um motivo para dedicarmos este estudo à estimação de
modelos apropriados aos mercados de Lisboa e Viseu. Na mesma lógica, iremos estimar um
modelo para cada um destes mercados.
Na secção seguinte apresenta-se uma breve sumarização da literatura lida, relevante a este
estudo, na secção 3 contextualizam-se os mercados em estudo, para situar o leitor nas realidades
de cada cidade. Posteriormente, nas secções 4 e 5, descreve-se o método e apresentam-se os
dados utilizados, respectivamente, e os resultados serão expostos na secção 6. Por fim, na
secção 7, a análise do ponto anterior permite-nos apresentar as conclusões deste estudo.
2. Revisão da literatura

Sobre o mercado imobiliário e os condicionantes dos preços das habitações já muito foi
dito. Chen, Kuan and Chia (2007) analisaram a relação entre os preços das casas e as taxas de
poupança das famílias em Taiwan, nas décadas de 80 e 90 concluindo que, em termos
agregados, uma redução na poupança provoca uma desvalorização dos imóveis, o que tem
graves consequências ao nível da formação de capital (investimento) e, consequentemente, ao
nível do crescimento económico, do saldo da balança de pagamentos e do bem-estar a longo
prazo. Para isto, estimaram uma regressão de quantis, muito útil em casos como este, em que o
objectivo é comparar propensões a poupar com a variação do rendimento, ou seja, comparar
segmentos da amostra.
Com a mesma regressão, Zietz’s e Sirmars (2007) concluiram que a regressão de
quantis, quando comparada com outros métodos, é a que melhor traduz os efeitos das
características das casas na formação do preço.
When, Jia e Guo (2005) estudaram também a relação entre características e preço das
habitações no sector imobiliário chinês. Através da estimação de um modelo e da análise dos
coeficientes, concluíram que a influência da localização da habitação no preço ronda os 20%,
sendo que não seria este o factor mais condicionante na compra de casa.
Allen C. Goodman (1977) já tinha adoptado o mesmo método no seu trabalho Hedonic
prices, price indicies and housing markets. Goodman demonstrou que os diferenciais dos preços
entre habitações em zonas urbanas e subúrbios eram significativos, concluindo depois do seu
estudo que a análise das co-variâncias mostra a heterogeneidade dos coeficientes calculados e
que a melhor forma para estudar os preços das habitações em zonas centrais e subúrbios das
Áreas Metropolitanas, seria adoptar dois modelos distintos, num estudo de curto-prazo do
mercado.
Em 2007, Keil e Zabel avaliaram a influência da localização no preço das casas, e
concluíram que este era o factor mais importante. Estudaram-no em três dimensões: infra-
estruturas disponíveis, cidade e rua, numa aplicação a que chamaram 3L (location, location,
location, pelas três dimensões já referidas). Para este estudo usaram, também, um modelo
hedónico de preços, sem quantis.
Wenzheng Li, Marc Prud’homme e Kam Yu abordam em Studies in Hedonic Resale
Housing Price Indexes (2006) o modelo hedónico, pretendendo avaliar a relação entre a
qualidade das zonas em que se situam os imóveis e os índices de preços. Utilizaram então para o
seu estudo o NHPI (New Housing Price Índex), que desempenha um papel importante no Índice
de Preços do Consumidor e, acima disso, na Contabilidade Nacional. Portanto, em termos
contabilísticos o NHPI é utilizado, excluindo o terreno dos imóveis, para deflacionar o valor das
construções e o valor do stock de habitações. Para além deste índice, os autores consideraram
relevante utilizar também o modelo hedónico. Quando as características das habitações são
expressas como função linear do seu preço, os coeficientes estimados dessas características
podem ser interpretados como sendo os seus preços implícitos. Os autores concluíram após o
estudo que os índices hedónicos de preços – utilizados no modelo - são insensíveis a mudanças
estruturais ao longo dos anos e às diferenças existentes entre índices de Laspeyres de índices de
Paasche.
Olympia Bover e Pilar Velilla em Hedonic House Prices without characteristics: the case
of new multiunit housing (2002) propõem uma alternativa aos tradicionais modelos hedónicos
ao estudar o mercado da habitação em Espanha, na década de 90. As autoras focam-se em
factores como a localização exacta dos imóveis, transportes, proximidade a serviços e qualidade
das construções que são indicadores por vezes postos de parte, mas que são também bastante
relevantes em estudos baseados em modelos como este. A alternativa que estas autoras propõem
baseia-se nas variações dos preços de imóveis pertencentes à mesma Imobiliária.
Anne Laferrère utiliza de novo o modelo hedónico de preços, em Hedonic Housing
Price Indexes: the French Experience (2003). O método por ela utilizado baseia-se na estimação
econométrica do valor de um conjunto fixo de apartamentos ou moradias em 300 zonas
geográficas. Cada zona tem o seu modelo hedónico de preços.
Em An Hedonic Model for House Prices in Malaysia (s.d.), Tan Yen Keng pretende
analisar os factores que estão correlacionados com o preço das casas e depois estimar os preços
futuros, aplicando o modelo de preços de regressão que incorpore esses factores. Os resultados a
que Keng chegou comprovam a hipótese de que os preços das habitações são determinados
pelos factores económicos e financeiros, relevantes à procura e à oferta no mercado imobiliário
da Malásia. Ou seja, o rendimento real per capita e os preços de habitação vão ter uma
correlação muito elevada (quase perfeita). Já a taxa de desemprego tem uma correlação negativa
com este índice de preços, ao contrário do total de empréstimos bancários à habitação, que tem
uma correlação positiva muito forte.
Stephen Sheppard foi o autor de Hedonic Analysis of Housing Markets (1997). Para
além da utilização de um modelo hedónico, o autor dá grande importância à análise do bem-
estar do consumidor, que procura um bem que neste caso é a habitação. Para além disso,
Sheppard considera três características dos mercados imobiliários:
i. Envolvem procura (um consumidor ao querer comprar casa vai
primeiro recolher informações acerca de vários imóveis, antes de
adquirir um deles – continua à procura até que o aumento esperado na
utilidade é inferior a esse custo de procura);
ii. São espaciais entre eles (as habitações envolvem quantidades
diferentes de terreno e possuem localizações diferentes);
iii. Envolvem habitações novas e usadas (a fracção de oferta de
habitações novas é muito pequena em quase todos os mercados).
Não podemos deixar de referir que o modelo hedónico de preços se aplica a outros sectores
para além deste, como podemos ver vem Combris, Licocq e Visser (1997), que aplicaram este
modelo ao estudo da influência da qualidade do vinho de Bordeaux no seu preço. No entanto,
devido à heterogeneidade da amostra, não encontraram relação entre estas duas variáveis.

3. Contexto
3.1 Lisboa
Lisboa é a capital portuguesa, sendo uma das cidades com mais habitantes por m2.
Lisboa é uma cidade de contrastes, desde sociais, culturais como económicos. Lisboa é como
tantas outras capitais, um centro de oportunidades e onde predomina o sector terciário da
economia, sendo assim os seus habitantes têm uma oferta variada a diversos níveis, desde
interfaces de transportes, comércio, escolas, actividades, etc.
É, também, uma cidade muito diferenciada no que toca à oferta de habitações, visto que
há habitações de uma gama considerada muito baixa até ao topo da gama, ou seja, há desde
bairros sociais, habitações deveras degradadas e prédios devolutos até condomínios de luxo e
palácios. Cada vez mais tem-se assistido a uma reestruturação do panorama citadino da cidade,
onde as moradias e os prédios baixos têm dado lugar a edifícios altos.
Em Lisboa, em parte devido aos efeitos do Novo Regime de arrendamento Urbano e
Regime Extraordinário de Apoio e Reabilitação Urbana, existe duas realidades distintas no
ornamento do território, pois ocorre tanto a reabilitação de prédios degradados (concentrando-se
mais nas zonas do Chiado, Lapa, Bairro Alto, zonas históricas) como ocorre a comercialização
de habitações novas (Parque das Nações e Avenidas Novas). No ano passado de 2009, houve
uma variação de 20% nas promoções das construções novas.
Continuamente, tem-se observado um aumento da proporção das habitações próprias em
detrimento da opção de arrendamento, sendo que no ano passado, 76% da procura optou pela
opção de compra de habitação-própria, em vez da opção de arrendamento. Em casos mais raros,
os consumidores têm a possibilidade de realizar o arrendamento com opção futura de compra,
como tal, podemos observar que existe uma importância crescente da modalidade de
arrendamento com opção de compra na comercialização de habitações familiares.
A maioria da oferta de habitações é de tipologia T2 e T3, representando mais de 50% da
oferta imobiliária da cidade. Tal como em outras capitais, a tipologia de construção está a
modificar-se, passando de tipologias maiores (T3 ou superior), para predominarem a ser T1 ou
T2. Como tal, esta reestruturação das tipologias e reabilitação dos imóveis originam a mudanças
tanto nos preços como em todo o mercado imobiliário.
A maioria da oferta de habitações é de tipologia T2 e T3, representando mais de 50% da
oferta imobiliária da cidade. Tal como em outras capitais, a tipologia de construção está a
modificar-se, passando de tipologias maiores (T3 ou superior), para predominarem a ser T1 ou
T2. Como tal, esta reestruturação das tipologias e reabilitação dos imóveis originam a mudanças
tanto nos preços como em todo o mercado imobiliário.

Mapa 1: Cidade de Lisboa

3.2. Viseu
Viseu é uma das cidades do interior que verificou o maior desenvolvimento nos últimos
5 a 10 anos. É uma cidade que começou por ser mais ligada ao sector primário e secundário da
economia, sendo que nos últimos anos se tem verificado um afastamento progressivo da
agricultura (actualmente o sector agrícola ocupa apenas 2% da população activa, em especial na
produção hortícola). O desenvolvimento do sector terciário levou ao aparecimento de novos
serviços e consequentemente ao desenvolvimento económico da cidade em termos de
acessibilidades, comércio e espaços de lazer.
Viseu, tal como Lisboa, tem algumas disparidades entre a oferta de imóveis, havendo
prédios antigos com uma qualidade inferior a prédios novos e modernos, sendo que é uma
cidade genericamente caracterizada por prédios relativamente baixos (altura média de 3 pisos) o
que leva um panorama alargado das vistas.
A cidade não era muito dada à reabilitação de edifícios, mas nos últimos anos tem-se
verificado um investimento na reabilitação das zonas históricas, nomeadamente, na Sé.
Num estudo feito pela APEMIP (Associação dos Profissionais e Empresas de Mediação
Imobiliária de Portugal) 82,6% da procura residencial é direccionada para a compra da
habitação completada por uma procura de 36.5% de apartamentos em detrimento das moradias.
É um mercado cuja tipologia mais procurada é o T3 (28,8%) seguido da preferência por T2 e
T4, respectivamente 18,7% e 18,3%.
Viseu não escapou à recessão imobiliária que se vive a nível mundial, tendo tido um
abrandamento nos últimos dois anos. Contudo, actualmente, já se verifica um crescimento da
procura prevendo-se que a partir de 2011 se venha a verificar uma procura de imóveis para
venda positiva. O mercado está estagnado no que toca ao lançamento de novos
empreendimentos devendo-se prolongar até ao próximo ano, sendo previsível que em 2011
surjam novos empreendimentos com características mais modernas não sendo, no entanto,
susceptível que se venha a verificar inflação nos preços de oferta.

Mapa 2: Cidade de Viseu

4. Método
Neste estudo, utilizaremos um modelo hedónico, mais especificamente o método de
regressão de quantis, Por função hedónica entende-se uma função onde a variável dependente
varia em função dos diferentes níveis de qualidade do objecto de estudo. É uma “função de
qualidade”, onde se assume que as características são os factores que mais influênciam o
objecto em estudo. Neste caso, termos uma variável dependente - o preço - que evolui segundo
as características do objecto de estudo - as casas. De considerara, ainda, que a amostra em
estudo é extremamente heterogénea, logo a relevância que cada característica tem na formação
de preços vai variando nos vários segmentos da amostra, sendo essa a principal razão que nos
levou à escolha do método de regressão de quantis, que nos permite estudar os efeitos marginais
da amostra. Um modelo do tipo OLS não traduz esta realidade pois apresenta os valores médios
da amostra, dissolvendo a heterogeneidade que caracteriza este tipo de mercados. Mesmo
optássemos por estimar 9 OLS, um para cada segmento da amostra, como fazem Newsome e
Ziets (1992), isso acarretaria resultados enviesados como Heckman prova no seu trabalho de
1979. Como estudaremos amostras heterogéneas, a relevância que cada característica tem na
formação de preços vai variando nos vários segmentos da amostra, sendo essa a principal razão
que nos levou à escolha deste modelo.
O modelo poderá ser escrito como:

ln pricei   X i  i ,
(1)
com Quant (ln pricei )   X i

onde Xi representa o vector das variáveis exógenas e  é o vector dos parâmetros estimados no
quantil .

Quant (ln pricei ) representa o -ésimo quantil condicionante de ln price dado X.

O -ésimo quantil de regressão, 0<<1, é definido como sendo a solução para o problema:

 
mink   ln pricei    X i   (1   ) ln pricei    X i  (2)
 R
i:ln pricei  X i i:ln pricei  X i 

Esta equação é, normalmente, representada por:

min   (ln pricei   X i ) , (3)


i

em que () é a check function definida como ()= se   0 ou ()=(-1) se <0. Este
problema pode ser resolvido aplicando métodos de programação linear. (Koenker, 2005).

Com este modelo, é-nos possível seccionar a amostra em pequenos grupos e, desta
forma, podemos analisar as preferências ao longo da mesma. No nosso caso específico,
seccionaremos a amostra em decís. Com esta divisão podemos ver quais as preferências dos
consumidores para cada segmento de imóveis, visto os decís serem dispostos por ordem
crescente de preços. Cada decil representa a amostra até determinado ponto, por exemplo, o
decil 0,10 representa a amostra, ordenada pelos preços, quando já percorremos 10% desta, assim
como o decil 0,20 representa a mesma amostra, mas já a 20% desta, e assim sucessivamente.
5. Dados
Para este estudo utilizamos duas bases de dados, integralmente elaborada por nós, com
base em dados recolhidos junto de imobiliárias. A base de Lisboa contém 657 observações e a
base referente à cidade de Viseu 589. Revendo os resultados obtidos, podemos visualizar o
estado geral das cidades em termos de número de observações, média, erro padrão, mínimo e
máximo.

Lisboa
No quadro a seguir podemos ver as características da cidade de Lisboa.

Quadro 1: Sumário das características da amostra de Lisboa


Seguidamente, apresenta-se o quadro equivalente para a amostra de Viseu:

Quadro 2: Sumário das características da amostra de Viseu

Relativamente às variáveis, optámos por separa-las por área de estudo, se assim


podemos dizer. Em primeiro lugar, definimos a variável dependente (VD), ou seja, a que
queremos explicar. Em segundo lugar, falamos das variáveis que se referem a características do
imóvel em si, como a área, a tipologia, nº de casas de banho, habitação nova ou usada, ano de
construção, elevador, garagem ou lugar, etc. Em terceiro lugar, as variáveis que qualificam o
ambiente circundante, tais como a localização, a distância a escolas, hospitais, espaços verdes,
comércio e serviços, transportes e acessibilidades e índice de criminalidade. Depois de uma
análise cuidada a todas as variáveis passíveis de influenciar o preço dos imóveis, decidimos que
as mais significantes são:
Variável Definição

Lprice logaritmo do preço de venda do imóvel - variável dependente


Price preço de venda do imóvel

Flat =1 se for apartamento, =0 se for moradia


Area área útil da casa, em m2
T0 tipologia da habitação quando é T0 - dummy
T1 tipologia da habitação quando é T1 - dummy
T2 tipologia da habitação quando é T2 - dummy
T3 tipologia da habitação quando é ≥ T3 - dummy
Andar piso da habitação, em valor absoluto
Ano idade do imóvel, em anos
New =1 se a habitação for nova, =0 caso contrário
Bathroom número de casas-de-banho do imóvel
qualidade do imóvel numa escala de 0 a 5
Quality (0 - "precisa de obras”, 5 -"excelente")
=1 se a habitação pertencer a um condomínio fechado,
Condominio =0 caso contrário
Lift =1 se possuir elevador, =0 caso contrário
=1 se a habitação inclui garagem/ lugar de estacionamento,
Garage =0 caso contrário
Terrace =1 se a habitação possui terraço, =0 caso contrário
Varanda =1 se a habitação possui varanda, =0 caso contrário
Climatizacao =1 se a habitação possui climatização, =0 caso contrário
Lareira =1 se a habitação possui lareira, =0 caso contrário
Arrecadacao =1 se a habitação inclui arrecadação, =0 caso contrário
Hospital =1 se a distância entre habitação e o hospital for ≤1km
Comercio =1 se a distância entre habitação e comércio/serviços for ≤1km
Escolas =1 se a distância entre habitação e escolas for ≤1km
Verdes =1 se a distância entre habitação e espaços verdes for ≤1km
Transportes =1 se a distância entre habitação e transportes for ≤1km
Aeroporto =1 se o imóvel pertence à zona do Aeroporto, =0 caso contrário
Centro =1 se o imóvel pertence à zona Centro, =0 caso contrário
Lisboa

Centro_lit_l =1 se o imóvel pertence à zona Centro Litoral, =0 caso contrário


Nordeste =1 se o imóvel pertence à zona do Nordeste, =0 caso contrário
Sudoeste =1 se o imóvel pertence à zona Sudoeste, =0 caso contrário
Noroeste =1 se o imóvel pertence à zona do Noroeste, =0 caso contrário
Centro =1 se o imóvel pertence à zona Centro, =0 caso contrário Viseu
Cada uma das variáveis de localização referidas no quadro anterior inclui um conjunto
de freguesias, tal como é descrito seguidamente:

Lisboa
 Aeroporto – Ameixoeira, Charneca, Lumiar;
 Centro – Alvalade, Campo Grande, Campolide, Nossa Senhora de Fátima, São João de
Brito, São Sebastião da Pedreira;
 Centro Litoral – Anjos, Beato, Castelo, Coração de Jesus, Encarnação, Graça, Lapa,
Madalena, Mártires, Mercês, Pena, Prazeres, Sacramento, Santa Catarina, Santa
Engrácia, Santa Isabel, Santa Justa, Santiago, Santos, Santo Estêvão, Santos-o-Velho,
São Cristóvão e São Lourenço, São José, São Mamede, São Miguel, São Nicolau, São
Paulo, São Vicente, Sé, Socorro;
 Nordeste – Alto do Pina, Marvila, Penha de França, Santa Maria dos Olivais, São João,
São João de Deus, São Jorge de Arroios;
 Noroeste – Benfica, Carnide, São Domingos de Benfica;
 Sudoeste – Ajuda, Alcântara, Santa Maria de Belém, Santo Contestável, São Francisco
Xavier,
Viseu
 Centro – Santa Maria de Viseu, São José, Coração de Jesus;
 Periferia – Abraveses, Campo, Fragosela, Mundão, Orgens, Ranhados, Repeses, Rio de
Loba, São Salvador, São João de Lourosa;

Por pragmatismo, estabelecermos algumas hipóteses simplificadoras que não alterarão


de forma perversa os resultados obtidos:
1. Estudaremos apenas o mercado de compra e venda, excluindo o mercado de
arrendamento.
2. Os preços considerados serão os preços a que oferta se propõe a vender e não os que
realmente foram praticados no mercado. O desvio entre ambos é mínimo e desta forma
garantimos dados fiáveis.
3. Os dados serão recolhidos por zonas para facilitar a análise e condensar os resultados,
pois isto não acarretará erros de conclusão.
6. Resultados
Como podemos ver no quadro 1, os preços da amostra de Lisboa variam muito, o que
revela que o mercado sofre de grandes disparidades nos imóveis disponíveis e que a procura é
extremamente heterogénea. O mesmo acontece em relação à área útil, que apresenta valores
muito díspares, o que reforça, mais uma vez, a ideia de que o mercado não é homogéneo. A
idade dos imóveis revela que Lisboa é um mercado antigo mas que não parou no tempo:
existem casas antigas, sendo que a mais antiga de todas tem mais de dois séculos, e casa novas a
estrear. A variável transportes apresenta apenas um valor, 1, o que traduz a extensa rede de
transportes (metropolitano e autocarros, especialmente) que existe em Lisboa. Em anexo
seguem os outputs das regressões, em todos os quantis.
Já o quadro 2, diz-nos que Viseu é uma cidade um pouco menos heterogénea do que
Lisboa a vários níveis. Em termos de preços, vimos que estes variam numa escala menor sendo
que tanto o valor mínimo como o valor máximo são, respectivamente, superior e inferior aos
registados em Lisboa. Na mesma medida a área útil disponível segue a mesma tendência, sendo
que o intervalo de variação em Viseu é menor do que em Lisboa. Podemos ver, também, que
Viseu é um mercado relativamente novo, visto termos uma grande percentagem de casas novas
(cerca de 70%) e a casa mais antiga, constante da amostra, tem apenas 31 anos. Em termos de
pisos podemos ver que a construção mais alta tem 7 andares, e que a média é aproximadamente
de 3 (2.70), o que reflecte bem que Viseu não é uma cidade vertical, como Lisboa começa a ser
cada vez mais, tal como é descrito no capítulo 3 – Contexto. Em nenhuma das variáveis
descritivas do ambiente externo podemos dizer que algo é um dado adquirido (como acontece
com os transportes em Lisboa) pois nenhuma das infra-estruturas está ao dispor de todos os
imóveis.
Seguidamente, apresentam-se os resultados de estimação de ambas as cidades, com os
respectivos valores de significância (estatítica-teste t). Os valores dos coeficientes significativos,
isto é, os que realmente influenciam a formação dos preços, encontram-se sombreados para que
a sua identificação se torna mais fácil para os leitores.

*NOTA: considera-se estatisticamente relevante, todo e qualquer coeficiente, cujo valor da t seja maior ou igual a
1.96, dado estarmos a realizar um teste bilateral a 5% - consultar tabela normal de N(0,1)
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
flat -0,24111 -0,25767 -0,23671 -0,21182 -0,24968 -0,19335 -0,24706 -0,17509 -0,25675
(-3,84) (-4,23) (-0,342) (-3,84) (-4,26) (-3,22) (-3,19) (-2,24) (-2,05)
area 0,00133 0,00227 0,00250 0,00255 0,00289 0,00406 0,00455 0,00507 0,00498
(4,91) (7,87) (7,6) (10,34) (11,82) (17,45) (20,75) (21,67) (13,58)
bathroom 0,12401 0,11075 0,11189 0,10663 0,19933 0,09573 0,08903 0,09233 0,06452
(4,68) (4,59) (4,03) (4,91) (5,31) (4,36) (4,01) (3,76) (1,53)
t3 -0,00879 -0,09569 -0,06895 -0,03894 -0,07754 -0,10104 -0,05582 -0,01972 0,00822
(-0,17) (-2,02) (-1,26) (-0,91) (-1,73) (-2,27) (-1,18) (-0,38) (0,1)
t2 -0,13153 -0,16739 -0,15742 -0,12144 -0,12291 -0,11113 -0,06174 -0,00721 -0,05979
(-2,1) (-3,04) (-2,59) (-2,62) (-2,56) (-2,33) (-1,23) (-0,13) (-0,68)
t1 -0,33673 -0,04323 -0,40744 -0,39201 -0,37299 -0,32743 -0,25382 -0,16704 -0,21541
(-4,58) (-6,2) (-5,71) (-7,37) (-6,83) (-6,12) (-4,58) (-2,72) (-2,42)
t0 -0,43026 -0,47096 -0,48060 -0,49131 0,48817 -0,46248 -0,41774 -0,37075 -0,29998
(-3,78) (-4,9) (-4,14) (-5,34) (-5,26) (-4,91) (-4,31) (-3,39) -2,03)
andar 0,01144 0,01637 0,01392 0,01176 0,00982 0,00929 0,00686 0,00635 0,01102
(1,46) (2,43) (1,91) (2,09) (1,71) (1,65) (1,2) (1,05) (1,34)
age 0,00205 0,00098 -0,00008 -0,00052 -0,00004 -0,00024 -0,00028 -0,00029 -0,00104
(2,43) (1,31) (-0,08) (-0,69) (-0,05) (-0,28) (-0,35) (-0,33) (-0,66)
new 0,18540 0,11980 0,14620 0,12993 0,17984 0,01612 0,01742 0,18311 0,20689
(3,83) (2,66) (2,67) (3) (3,87) (3,43) (3,56) (3,51) (2,52)
quality 0,09953 0,06914 0,05242 0,03988 0,03567 0,03768 0,03449 0,01405 0,02193
(6,01) (4,93) (3,03) (2,93) (2,44) (2,49) (2,13) (0,77) (0,75)
condominio 0,02086 0,04724 0,03810 0,09553 0,14422 0,12341 0,10128 0,10610 0,14057
(0,51) (1,16) (0,77) (2,46) (3,58) (3,1) (2,36) (2,25) (1,88)
lift 0,16044 0,17438 0,14889 0,15793 0,18113 0,15278 0,13986 0,07547 0,02229
(4,28) (4,78) (3,23) (4,36) (4,73) (3,93) (3,51) (1,66) (0,33)
garage 0,29211 0,22924 0,15282 0,15344 0,15169 0,14780 0,14363 -0,18439 0,17052
(6,98) (6,06) (3,29) (4,26) (3,95) (3,88) (3,58) (4,21) (2,21)
terrace 0,18677 0,17911 0,17869 0,17062 0,15905 0,11361 0,08826 0,07879 0,11603
(4,63) (5,05) (4,11) (5,12) (4,56) (3,31) (2,48) (2,03) (2)
varanda 0,10608 0,09991 0,08257 0,10262 0,10211 0,07725 0,05435 0,05332 0,02633
(3,33) (3,47) (2,37) (3,71) (3,53) (2,68) (1,77) (1,57) (0,49)
climatizacao 0,04652 0,07416 0,11245 0,13672 0,14771 0,14074 0,14077 0,12667 0,09917
(1,32) (2,3) (2,81) (4,37) (4,45) (4,22) (4,12) (3,37) (1,65)
lareira 0,08838 0,06452 0,08506 0,09685 0,05719 0,06356 0,07761 0,05627 0,08293
(2,23) (1,71) (1,81) (2,59) (1,43) (1,6) (1,81) (1,1) (1,04)
arrecadacao 0,11851 0,06130 0,04068 0,02140 0,02479 0,03369 0,01469 -0,00530 -0,00098
(3,06) (1,81) (1,03) (0,7) (0,76) (1,02) (0,42) (-0,13) (-0,02)
hospital -0,01052 0,01475 0,01127 0,03494 0,00894 0,01649 0,01834 0,01901 0,05439
(-0,27) (0,43) (0,028) (1,12) (0,27) (0,5) (0,55) (0,52) (0,97)
comercio -0,02026 -0,02413 0,02104 -0,03037 -0,02074 0,04266 0,10955 0,03338 0,09693
(-0,27) (-0,36) (0,026) (-0,48) (-0,3) (0,62) (1,57) (0,45) (0,85)
escolas 0,07052 0,05632 -0,00495 0,00035 0,03538 0,02644 0,04988 0,07607 0,05410
(1,52) (1,33) (-0,09) (0,01) (0,82) (0,62) (1,16) (1,6) (0,77)
verdes 0,02390 0,03129 0,06487 0,04909 0,04870 0,06641 0,02560 0,00344 -0,01539
(0,5) (0,77) (1,37) (1,35) (1,26) (1,7) (0,65) (0,08) (-0,21)
aeroporto -0,14615 -0,12106 -0,14257 -0,14499 -0,19053 -0,17033 -0,12818 -0,08497 -0,07074
(-2,33) (-2,18) (-2,09) (-2,69) (-3,35) (-3,02) (-2,15) (-1,31) (-0,68)
centro 0,03572 0,03273 -0,21589 -0,01526 -0,04115 0,00826 0,06447 0,09461 0,12484
(0,56) (0,6) (-0,32) (-0,29) (-0,76) (0,15) (1,14) (1,55) (1,24)
centro_litoral -0,27984 -0,25979 -0,27583 -0,21685 -0,17314 -0,10781 -0,04724 -0,01108 0,06361
(-3,78) (-4,35) (-0,376) (-3,75) (-2,83) (-1,81) (-0,75) (-0,15) (0,58)
nordeste -0,34436 -0,34453 -0,40555 -0,37284 -0,39999 -0,25955 -0,20278 -0,16378 -0,12698
(-4,52) (-5,54) (-5,28) (-5,99) (-5,98) (-3,92) (-2,89) (-2,03) (-1,02)
noroeste -0,01246 -0,02264 -0,12313 -0,14537 -0,16857 -0,14844 -0,13379 -0,12029 -0,09140
(-0,19) (-0,4) (-1,78) (-2,7) (-3,03) (-2,72) (-2,38) (-1,97) (-0,98)
contante 11,03066 11,31072 11,53482 11,64113 11,67262 11,53000 11,53517 11,58547 11,77791
(73,35) (82,27) (74,64) (98,5) (95,34) (92,41) (88,52) (78,05) (51,29)

Quadro 3: Coeficientes e respectivos valores da estatística-teste t para a amostra de Lisboa


0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
flat -0,479971 -0,30978 -0,24122 -0,17035 -0,20416 -0,10224 -0,0597 0,002622 0,105407
(-14,5) (-10,99) (-4,42) (-2,54) (-3,78) (-2,01) (-1,14) (0,06) (1,84)
area 0,000589 0,000603 0,000818 0,000956 0,00125 0,001882 0,00197 0,002781 0,003697
(1,57) (3,59) (3,39) (4,44) (9,55) (13,9) (13,02) (18,91) (15,92)
bathroom 0,176976 0,181814 0,174179 0,169915 0,151688 0,128619 0,095797 0,069263 0,048784
(11,01) (17,95) (10,71) (10,06) (13,35) (10,39) (6,25) (4,41) (2,25)
t3 -0,07554 -0,03368 -0,00357 -0,06224 -0,05027 -0,03413 -0,04217 -0,04222 -0,02386
(-2,57) (-2,26) (-0,14) (-2,4) (-2,96) (-1,81) (-1,93) (-1,87) (-0,64)
t2 -0,13418 -0,08703 -0,06539 -0,1154 -0,10653 -0,09746 -0,13782 -0,13864 -0,08919
(-3,32) (-4,3) (-2,05) (-3,49) (-4,95) (-4,11) (-5,12) (-5,25) (-2,08)
t1 -0,21141 -0,16939 -0,13893 -0,20323 -0,2008 -0,1884 -0,2574 -0,22872 -0,15606
(-3,91) (-6,28) (-3,029) (-4,65) (-6,96) (-6,02) (-6,89) (-6,14) (-2,8)
t0 -0,43958 -0,41361 -0,39977 -0,46899 -0,49187 -0,47982 -0,57019 -0,58242 -0,4796
(-6,6) (-11,76) (-7,7) (-9,01) (-14,55) (-13,2) (-13,83) (-14,56) (-8,68)
andar 0,044882 0,173505 0,036473 0,037753 0,034689 0,035547 0,033031 0,028256 0,037795
(8,63) (10,82) (7,05) (6,85) (9,59) (8,55) (6,53) (5,73) (4,81)
age -0,00513 -0,00531 -0,00547 -0,00567 -0,00247 -0,00095 -0,00097 -0,00132 0,001879
(-2,88) (-5,23) (-3,73) (-3,63) (-2,3) (-0,8) (-0,72) (-0,94) (0,9)
new 0,225768 0,173505 0,194983 0,176464 0,179482 0,20358 0,237098 0,248064 0,29348
(8,88) (10,27) (7,37) (6,47) (9,63) (10,22) (9,76) (10,02) (8,69)
quality 0,053918 0,064354 0,048174 0,059688 0,052783 0,045141 0,048752 0,041883 0,012142
(3,31) (6,36) (3,05) (3,72) (4,95) (3,76) (3,27) (3,26) (0,66)
condominio 0,027625 0,021825 0,032166 0,278807 0,029052 0,02272 0,173561 -0,00372 0,000649
(1,6) (1,83) (1,74) (1,52) (2,35) (1,65) (1,07) (-0,22) (0,03)
lift -0,03989 -0,03642 -0,02804 -0,01164 0,000745 -0,00316 0,017239 -0,00383 -0,04497
(-1,45) (-1,94) (-0,96) (-0,4) (0,04) (-0,15) (0,65) (-0,15) (-1,12)
garage 0,132261 0,12059 0,128935 0,12484 0,122718 0,054178 0,085104 0,148593 0,943442
(4,76) (5,76) (3,42) (3,14) (4,62) (1,77) (2,38) (4,33) (2,37)
terrace 0,105357 0,086872 0,098389 0,101387 0,114229 0,122179 0,128136 0,143603 0,112239
(5,68) (6,69) (5,06) (5,15) (8,86) (8,72) (7,91) (8,71) (4,88)
varanda 0,029191 0,029548 0,03636 0,516882 0,081836 0,0774 0,045964 0,05415 0,827498
(1,31) (1,65) (1,31) (1,74) (4,04) (3,49) (1,7) (2,11) (2,3)
climatizacao -0,02338 0,036894 0,050419 0,63185 0,092443 0,140161 0,091768 0,019666 -0,00018
(-1,17) (2,03) (1,62) (1,88) (4,02) (5,08) (2,74) (0,65) (-0,00)
lareira 0,076673 0,083624 0,057873 0,044514 0,031688 0,059014 0,082042 0,895661 0,13286
(3,83) (6,29) (2,74) (2,07) (2,24) (3,78) (4,54) (4,92) (4,6)
arrecadacao 0,033684 0,038202 0,070137 0,098484 0,111958 0,144675 0,182506 0,204884 0,215878
(1,78) (3,35) (4,02) (5,56) (9,55) (11,18) (11,68) (13,04) (8,63)
hospital 0,031129 0,017335 0,040545 0,039834 0,0237 0,011524 -0,02504 -0,02302 -0,08282
(1,59) (1,31) (2,01) (1,87) (1,63) (0,07) (-1,27) (-1,07) (-2,64)
comercio 0,022743 -0,02441 -0,03118 -0,03297 -0,01496 0,043992 0,033031 0,017332 0,080481
(0,8) (-1,27) (-1,1) (-1,11) (-0,75) (1,94) (1,23) (0,64) (1,92)
escolas 0,011262 -0,00694 0,033488 0,044784 0,042693 0,044908 0,05263 0,073631 -0,11605
(0,53) (-0,39) (1,27) (1,59) (2,19) (2,02) (1,88) (2,55) (2,75)
verdes 0,019439 0,02141 -0,00903 -0,02238 -0,04949 -0,05234 -0,03384 -0,0386 -0,0243
(0,88) (1,27) (-0,035) (-0,81) (-2,66) (-2,49) (-1,29) (-1,43) (-0,51)
trasnpostes -0,22555 -0,01141 0,004945 0,023381 0,101807 0,151329 0,174661 0,237143 0,330016
(-4,98) (-0,38) (0,11) (0,51) (3,39) (4,67) (4,71) (6,84) (5,96)
centro 0,104139 0,020792 0,005804 -0,00263 0,017203 0,002137 0,01127 0,041559 0,022472
(4,36) (1,49) (0,255) (-0,3) (1,07) (0,12) (0,54) (1,95) (0,62)
constante 11,28425 11,00731 10,91708 10,85424 10,79665 10,60824 10,61801 10,48675 10,26666
(130,2) 209,12)( (122,02) (109,73) (147,98) (145,78) (138,48) (144,52) (108,15)
Quadro 4: Coeficientes e respectivos valores da estatística-teste t para a amostra de Viseu
7. Discussão e Conclusões
Algumas conclusões são já esperadas mas outras revelam-se bem diferentes do que
esperamos encontrar.
Começando por Lisboa, tal como seria de prever, as variáveis flat, area, bathroom, new,
são significativas a 5%, isto é, são relevantes para a formação dos preços. Este é um resultado
esperado na medida em que, como é de senso comum, uma casa nova é diferente de uma casa
usada, e isso tem relevância no montante que nos dispomos a dar por ela, ou que um
apartamento não é, de todo, igual a uma moradia, e que portanto têm preços diferentes. Da
mesma maneira, não é, de forma alguma, uma surpresa que flat tenha sempre coeficiente
negativo, ou seja, que o facto de ser um apartamento contribua para que o preço não suba tanto,
e que area, terrace, bathroom e new sejam sempre variáveis que contribuem para um aumento
do preço.
De certa forma, podemos afirmar que garage é uma surpresa, pois não esperávamos que
fosse significativo em todos os segmentos da amostra. Supomos que a significância de garage
se prenda com o facto de Lisboa ser uma cidade com graves problemas de estacionamento, o
que faz com que uma garagem à disposição da casa a valorize (para além de significativa, a
variável tem sempre coeficiente positivo).
Acerca das variáveis que traduzem o ambiente que envolve o imóvel, podemos dizer
que, apesar de ser um resultado que não esperávamos inicialmente, é intuitivo que assim seja:
nenhuma das variáveis (hospital, comercio, escolas e verdes) é significativa e transportes foi,
inclusive, excluído da estimação. É intuitivo pensar que, na cidade de Lisboa, onde tudo está
próximo de tudo, a distância entre os serviços e o imóvel não tivesse qualquer influência sobre o
preço.
Sem dúvida alguma que as maiores surpresas desta estimação são as variáveis age,
arrecadacao, lareira e andar. Seria intuitivo dizer que quanto mais velho fosse o edifício, mais
barata seria a casa, no entanto, vemos neste estudo, que a idade do imóvel nunca é significativa,
ou seja, não tem qualquer influência na formação dos preços (salvo no primeiro decil, o que não
basta para considerar que a variável tenha qualquer tipo de influência sobre os preços). Tal
resultado pode derivar da conjuntura actual, em que a idade do imóvel se torna uma
característica secundária na formação do preço. O mesmo acontece com a variável arrecadacao,
que é apenas significativa no primeiro decil. Esperávamos que tivesse relevância em mais decis,
para além do primeiro, apesar de já esperarmos que não tivesse qualquer importância nos decis
superiores. Quanto à variável lareira, constatamos que apenas é significativa em dois dos decis
mais baixos (0.10 e 0.40), o que contraria as nossas expectativas, pois esperávamos que tivesse
relevância pelo menos nos decis superiores, visto considerarmos inicialmente que é um
complemento a que os segmentos mais altos da amostra dariam mais importância.
Relativamente a andar, deparamo-nos com o mesmo cenário pois contávamos que quanto mais
alto fosse o andar mais valorizada ficaria a casa pela vista que proporcionaria, no entanto a sua
relevância acontece apenas em dois dos decis inferiores (0.20 e 0.40).
Em termos de quality e lift podemos ver que são condicionantes que só interessam aos
segmentos mais baixos da amostra ao contrário de condomínio que tem relevância, apenas, nos
segmentos mais altos. Qualquer uma destas três variáveis tem sempre coeficientes positivos, o
que não é de estranhar visto representarem “extras” que o imóvel pode ter.
No que se refere às localidades, a significância dos respectivos coeficientes, assim como
o sinal, estão de acordo com a pré-concepção que existe sobre a cidade. Essa análise de status
não cabe no âmbito deste estudo, ficando apenas a referência de que é o factor que melhor
explica o efeito da localização no preço da casa, no mercado de Lisboa.
Da mesma maneira que obtivemos resultados esperados relativamente a area, new, flat
e bathroom para Lisboa, também os obtivemos para Viseu. Area e bathroom são positivas
(contribuem para o aumento do preço do imóvel) e flat tem coeficiente negativo (contribui para
a descida de preço), excepto para os dois decis superiores, onde se revela que a amostra tem
preferência por apartamentos. As três são significativas em todos os coeficientes, excepto no
primeiro decil da variável area.
Tanto em Lisboa como em Viseu, deparamo-nos com valores negativos para as
variáveis correspondentes à tipologia do imóvel e comprovamos que as mesmas são fortemente
significativas. Viseu apresenta apenas não significância na metade superior da amostra, para a
variável t3 e Lisboa não apresenta quase nenhum valor significativo para t3 nem para os três
quantis superiores de t2. O sinal destas variáveis indica que tipologias baixas influenciam
negativamente o preço e que, para segmentos mais altos, tipologias altas tornam-se irrelevantes.
De certa forma vai ao encontro da premissa de que casas pequenas são preteridas a casas
maiores.
Ao contrário do que encontramos em Lisboa, o andar é sempre um factor relevante na
construção dos preços, pois encontramos indícios de relevância estatística em todos os quantis.
Para além disso, o sinal é sempre positivo, o que revela que todos os segmentos da amostra
valorizam o facto de a casa estar em pisos superiores.
Mais uma vez, a idade do imóvel é um factor relevante para os segmentos mais baixos
da amostra, que a consideram um factor depreciativo do imóvel.
Em termos de qualidade, podemos ver que é um factor significativo para todos os
segmentos da amostra, com excepção do último, o que não é um resultado de todo estranho
visto o estado da casa ser um factor bastante importante na concepção do preço. Da mesma
maneira, garage é factor sempre relevante, no entanto, por razões diferentes às que verificámos
em Lisboa. Neste caso, não é por haver graves problemas de estacionamento mas por ser
considerado um complemento importante.
Viseu não é uma cidade com muitos condomínios fechados, daí não ser um factor
relevante para a população (excepto para o quantil mediano).
A total irrelevância da variável lift prende-se com o facto de ser uma cidade
maioritariamente composta por prédios baixos, onde o elevador não é estritamente necessário.
Varanda e climatizacao são duas variáveis esporadicamente significativas, pelo que não
vamos considerar que tenham relevância para a formação de preços.
Por contrapartida, lareira é sempre significativo, factor que pode ser explicado pelo
clima que regista mínimas muito baixas na estação de Inverno. Como é fácil de perceber, tem
sempre coeficiente positivo.
A proximidade de serviços não influencia o preço dado a abundância existente em toda
a cidade. No entanto, ao contrário de Lisboa, os transportes já têm alguma importância dado que
a cobertura não é homogénea pela cidade. As restantes variáveis de localização tomam
relevância esporadicamente o que revela que há bons acessos, o que torna a distância a estas
infra-estruturas um factor que não contribui para a formação dos preços.
Em termos de políticas camarárias que podiam ser aplicadas para potencializar a
dinâmica de mercados nas cidades em estudo seriam:
Lisboa:
 Baixar coeficiente de localização do imposto municipal sobre imóveis (IMI) das zonas
mais problemáticas (Nordeste e Aeroporto, por exemplo);
 Incentivos à utilização de materiais de construção com melhor qualidade e aplicação de
sistemas de climatização;
 Apoiar construções com garagem, nomeadamente, no que se refere á atribuição de
licenças e custos das mesmas.
Viseu:
 Comparticipação camarária nas transportadoras locais;
 Apoiar construções com lareiras, nomeadamente, no que se refere à atribuição de
licenças e custos das mesmas;
 Incentivos à utilização de materiais de construção com melhor qualidade;
 Apoio a novas construções.
Ambas:
 Redução do preço das Taxas Camarárias (TMU), de forma a que o preço do terreno por
fracção fique mais barato;
 Mais celeridade na apreciação e aprovação dos projectos, o que reduziria o tempo do
capital investido nos empreendimentos e consequente encargos financeiros.
Estas políticas visam incentivar o desenvolvimento dos factores que mais influenciam o
preço, para aumentar o bem-estar das populações, dinamizando mercados e promovendo a
eficiência, de forma sustentável.
Ressalva-se que toda a análise foi feita com base em dados actuais que estão sujeitos à
conjuntura actual, o que enviesa a amostra, pois na situação actual todos os preços são revistos
por baixo. Sugere-se que se faça este mesmo estudo noutro período.
Referências
Bibliografia
 Chen, Chien-Liang; Kuan, Chung-Ming; Lin, chu-Chia, (2007) Saving and housing of
Taiwanese households: New evidence from quantile regression analyses, Journal of
Housing Economics 16, 102-126
 Yong, Tu; Seow, Eng Ong; Ying, Hua Han (2008). Turnovers and Housing Price
Dynamics: Evidence from Singapore Condominium Market. Journal of Real Estate
Finance and Economics, 38: 254–274.
 Lages, Manuel Ferreira (et al.) (2005) Habitação e Mercado Imobiliário na Área
Metropolitana de Lisboa. Seixas, João. 2ª edição, Lisboa.(s.n.)
 Zietz, Joachim; Zietz, Emily Norman; e Sirmans, G. Stacy, Determinants of House
Prices: A quantile regression approach, Journal of Real Estate Finance and Economics
 Kiel, Katherine A. e Zabel, Jeffrey E. Zabel (2008), Location, location, location: The 3L
approach to house price determination, Journal of Housing Economics 17 (175-190)
 Combris, Pierre; Lecocq, Sebastien; Visser, Michael (2007), Estimation of a Hedonic
Price Equation for Bordeaux Wine: does quality matter?, The Economic journal,
Vol.107, nº411, pp 390-402
 Kam (2006), Studies in Hedonic Resale Housing Price Indexes, Canadian Economics
Association (pp 16-18, 19-20)
 Bover, Olympia; Velilla, Pilar (2002), Hedonic House Prices without characteristics:
the case of new multiunit housing, European Central Bank, Working Paper Series no.17
(pp 7-10, 15-18, 22-28)
 Laferrère, Anne (2003), Hedonic Housing Price Indexes: the French Experience, Bank
for International Settlements, no.21 (pp 273-276, 284-287)
 Keng, Tan Yen; A Hedonic Model for House Prices in Malaysia, Pacific Rim Real
Estate Society (PRRES), (s.d.). (pp 3-5, 7, 10)
 Sheppard, Stephen (1997), Hedonic Analysis of Housing Markets (pp 3-7, 12, 16-21)
 APEMIP (Nov/Dez.2009), Procura de Imóveis, Catálogo de Estudos de Mercado nº.04,
pp.26-66.
Netografia:
 http://habitacao.cm-lisboa.pt/
 http://mc.manuscriptcentral.com/cres
 http://www.era.pt
 http://ulisses.cm-lisboa.pt/data/002/006/pdf2/gnumfreg.pdf
 http://www.aguirrenewman.pt/
 http://www.consultan.pt
Anexos

Comandos utilizados no STATA para realização de quadros:


Lisboa:
Comando: qreg lprice flat area bathroom t3 t2 t1 t0 andar age new quality condominio lift
garage terrace varanda climatizacao lareira arrecadacao hospital comercio escolas verdes
transportes aeroporto centro centro_litoral nordeste sudoeste noroeste, quantile (0.X0)
Viseu:
Comando: qreg lprice flat area bathroom t3 t2 t1 t0 andar age new quality condominio lift
garage terrace varanda climatizacao lareira arrecadacao hospital comercio escolas verdes
transportes centro, quantile (0.X0)

Sendo que x toma valores entre 1 e 9.