Um pacote para dados do mercado imobiliário

Consumir os dados do mercado imobiliário brasileiro não é tarefa fácil. Pensando em simplificar este processo eu criei um pacote do R, que importa e limpa diversas bases de dados relacionadas ao mercado residencial.
tutorial-R
data-science
real-estate
Author

Vinicius Oike

Published

October 26, 2023

Real Estate Brazil

Consumir os dados do mercado imobiliário brasileiro não é tarefa fácil. Pensando em simplificar este processo eu criei um pacote chamado realestatebr que importa e limpa diversas bases de dados relacionadas ao mercado imobiliário. Atualmente, o pacote está majoritariamente focado no mercado residencial.

Para instalar o pacote é preciso ter o devtools ou remotes instalado.

# Instala (se necessário)
install.packages("remotes")
# Instala o pacote realestatebr
remotes::install_github("viniciusoike/realestatebr")

O pacote é estruturado em torno de funções get_* que importam bases de dados. O pacote cobre:

  • Abrainc: Indicadores

  • Abrainc: IAMI

  • Abrainc: Radar

  • Abrainc: Relatórios MCMV e MAP

  • Abecip: IGMI-R

  • Abecip: Indicadores de crédito

  • BIS: Residential Property Price Indices

  • Banco Central do Brasil: Estatísticas do Mercado Imobiliário

  • Banco Central do Brasil: Séries macroeconômicas

  • B3: Ações de empresas relacionadas ao mercado imobiliário

  • FipeZap: Índice FipeZap

  • FGV-Ibre: Séries macroeconômicas, IVAR, INCC, etc.

  • QuintoAndar: Índice QuintoAndar de Aluguel

  • Registro de Imóveis

  • SECOVI-SP: Panorama do Mercado Imobiliário

Para mais detalhes sobre o pacote consulte o repositório no GitHub.

Usando o pacote

Os exemplos abaixo demonstram alguns dos usos do pacote.

library(dplyr)
library(ggplot2)
library(RcppRoll)
library(realestatebr)

Índices de Preços

O Brasil tem diversos índices de preços imobiliários. A função get_rppi permite baixar tanto os índices de aluguel como de compra/venda. O código abaixo importa as séries do FipeZap, IGMI-R (FGV e Abecip) e IVG-R (BCB).

sale <- get_rppi("sale", stack = TRUE)

Os dados são importados em formato longitudinal identificados pela coluna source. A coluna chg traz a variação mensal do índice enquanto a coluna acum12m traz a variação acumulada em 12 meses.

O código abaixo mostra os três índices desde 2018. Note que há um descolamento interessante entre o IGMI-R e o IVG-R. O Índice FipeZap e o IVG-R, que historicamente costumam convergir, também apresentam comportamento divergente nesta janela de tempo.

# Filter only Brazil
rppi_brasil <- sale |> 
  filter(
    name_muni == "Brazil" | name_muni == "Índice Fipezap",
    date >= as.Date("2018-01-01"),
    date <= as.Date("2023-06-01")
  )

ggplot(rppi_brasil, aes(date, acum12m)) +
  geom_line(aes(color = source)) +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y") +
  scale_y_continuous(labels = scales::label_percent()) +
  scale_color_manual(
    name = "", values = c("#264653", "#2a9d8f", "#e9c46a")
    ) +
  labs(
    title = "Índices de Preço",
    x = NULL,
    y = "Acumulado 12 meses"
  ) +
  theme_light() +
  theme(legend.position = "top")

O gráfico abaixo mostra as séries num horizonte maior de tempo.

rppi_brasil <- sale |> 
  filter(
    name_muni == "Brazil" | name_muni == "Índice Fipezap",
    date >= as.Date("2009-01-01"),
    date <= as.Date("2023-06-01")
  )

ggplot(rppi_brasil, aes(date, acum12m)) +
  geom_line(aes(color = source)) +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y") +
  scale_y_continuous(labels = scales::label_percent()) +
  scale_color_manual(
    name = "", values = c("#264653", "#2a9d8f", "#e9c46a")
    ) +
  labs(
    title = "Índices de Preço",
    x = NULL,
    y = "Acumulado 12 meses"
  ) +
  theme_light() +
  theme(legend.position = "top")

Financiamento de Imóveis

Pode-se importar facilmente os dados da Abecip sobre financiamentos imobiliários. A função get_abecip_indicators é uma lista que retorna dados sobre o SBPE e o CGI.

# Import data from Abecip
abecip <- get_abecip_indicators()

names(abecip)
[1] "sbpe"  "units" "cgi"

O gráfico abaixo mostra o total de unidades financiadas a cada ano.

unidades <- abecip$units

tbl_unidades_ano <- unidades |> 
  mutate(ano = lubridate::year(date)) |> 
  summarise(total_ano = sum(units_total), .by = "ano")

ggplot(tbl_unidades_ano, aes(x = ano, y = total_ano)) +
  geom_col(fill = "#264653") +
  geom_hline(yintercept = 0) +
  scale_x_continuous(breaks = 2001:2023) +
  scale_y_continuous(labels = scales::label_number(big.mark = ".")) +
  labs(
    title = "Unidades Financiadas SBPE",
    x = NULL,
    y = "Unidades",
    caption = "Unidades de 2023 acumuladas até agosto."
    ) +
  theme_light() +
  theme(
    panel.grid.minor.x = element_blank(),
    panel.grid.major.x = element_blank(),
    axis.text.x = element_text(angle = 90)
  )

Preços de Imóveis

O Banco Central disponibiliza uma enorme variedade de séries relacionadas ao mercado imobiliário. A função get_bcb_realestate retorna mais de 3500 séries. Para agilizar o download destas bases, todas as funções oferecem a opção cached = TRUE. Usando esta opção o download é feito via GitHub e tende a ser mais rápido; o dado, contudo, corre o risco de estar levemente desatualizado.

bcb <- get_bcb_realestate(category = "all", cached = TRUE)

length(unique(bcb$series_info))
[1] 3656

Infelizmente, não é trivial usar esta base de dados. As colunas category, type e v1 a v5 tentam facilitar o trabalho de filtrar as linhas. Há seis grandes categorias.

count(bcb, category)
# A tibble: 6 × 2
  category            n
  <fct>           <int>
1 contabil          303
2 credito        285853
3 direcionamento   5223
4 fontes            604
5 indices           555
6 imoveis         25353

Cada série é identificada pela coluna series_info. Quebrando esta coluna em outras, fica um pouco mais fácil de encontrar as séries desejadas.

bcb |> 
  filter(category == "contabil") |> 
  count(series_info, type, v1)
# A tibble: 3 × 4
  series_info                           type          v1              n
  <chr>                                 <chr>         <chr>       <int>
1 contabil_bndu_imobiliario_br          bndu          imobiliario    81
2 contabil_financiamento_comercial_br   financiamento comercial     111
3 contabil_financiamento_residencial_br financiamento residencial   111

O gráfico abaixo mostra o preço mediano do imóvel financiado nos estados da região Sul. Note que estas séries possuem um comportamento irregular em 2019.

tbl_imoveis_sul <- bcb |> 
  filter(
    category == "imoveis",
    type == "valor",
    v1 == "compra",
    abbrev_state %in% c("RS", "SC", "PR")
    )

ggplot(tbl_imoveis_sul, aes(x = date, y = value, color = abbrev_state)) +
  geom_line() +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y") +
  scale_color_manual(
    name = "", values = c("#264653", "#2a9d8f", "#e9c46a")
    ) +
  labs(
    title = "Preço de financiamento",
    x = NULL,
    y = "R$"
  ) +
  theme_light() +
  theme(legend.position = "top")

Séries Macroeconômicas

A função get_bcb_series facilita a importação de séries macroeconômicas potencialmente relacionadas com o mercado imobiliário. Como há muitas séries, o argumento category facilita a seleção de temas específicos. A categoria de preços inlcui os principais índices de preço relacionados ao mercado, como o INCC, IPCA e IGPM.

macro <- get_bcb_series(category = "price")

unique(macro$name_pt)
[1] "Índice geral de preços do mercado (IGP-M)"                                         
[2] "Índice geral de preços-disponibilidade interna (IGP-DI)"                           
[3] "Índice nacional de custo da construção (INCC)"                                     
[4] "Índice nacional de preços ao consumidor-amplo (IPCA)"                              
[5] "Índice nacional de preços ao consumidor-Amplo (IPCA) - Habitação"                  
[6] "Índice nacional de preços ao consumidor (INPC) - Habitação"                        
[7] "Meios de pagamento - M1 (saldo em final de período) - Novo - sazonalmente ajustado"

O gráfico abaixo combina a série de preços do IGMI-R, importada anteriormente, com o IPCA. Os valores são acumulados em 12 meses e apresentados desde 2018. Nota-se como o preço dos imóveis cresceu acima da inflação a partir de 2020.

series_ipca <- macro |> 
  filter(name_simplified == "ipca") |> 
  mutate(
    acum12m = roll_prodr(1 + value / 100, n = 12) - 1,
    series = "ipca"
    ) |> 
  select(date, series, acum12m)

series_igmi <- sale |> 
  filter(
    source == "IGMI-R",
    name_muni %in% c("Porto Alegre", "Brazil")
    ) |> 
  select(date, series = name_muni, acum12m)

series_macro <- rbind(series_ipca, series_igmi)

series_macro <- series_macro |> 
  filter(date >= as.Date("2018-01-01"), date <= as.Date("2023-07-01")) |> 
  mutate(
    series = factor(series, levels = c("Brazil", "Porto Alegre", "ipca"))
  )

ggplot(series_macro, aes(x = date, y = acum12m, color = series)) +
  geom_line(linewidth = 0.8) +
  scale_y_continuous(labels = scales::label_percent()) +
  scale_color_manual(
    name = "",
    values = c("#264653", "#2a9d8f", "#e9c46a"),
    labels = c("Brasil (geral)", "Porto Alegre", "IPCA")
    ) +
  labs(
    title = "Preços de imóveis crescem acima da inflação",
    x = NULL,
    y = "Acumulado 12 meses"
  ) +
  theme_light() +
  theme(legend.position = "top")

Caminhos futuros

O desenvolvimento futuro do pacote será guiado pela incorporação de mais bases de dados e relatórios de mercado.