Introdução ao Dataset

A cidade do Recife, capital de Pernambuco, possui um dos mercados imobiliários mais dinâmicos do Brasil. O IPTU (Imposto Predial e Territorial Urbano) é uma das principais fontes de receita da cidade, e sua análise permite compreender diversos aspectos, desde o desenvolvimento urbano até a justiça fiscal. Por isso, vamos explorar os dados coletados do IPTU do ano de 2023 para obter insights sobre a capital pernambucana.

Link do Dataset

Introdução ao Problema

A análise do dataset de IPTU tem como objetivo identificar padrões de tributação, avaliar a equidade na cobrança do imposto e entender o impacto de diferentes características dos imóveis sobre o valor do imposto nos diferentes bairros do Recife. Também buscamos explorar a relação entre os valores de mercado dos imóveis e as diferentes características construtivas, geográficas e de uso.

Colunas Selecionadas

Colunas utilizadas:

Normalização dos dados

Foi necessário formatar a data de cadastramento e filtrar algumas construções por Tipo de Empreendimento e Regime de Tributação.

# Filtrar o dataset para manter apenas o regime de tributação "Normal"
# e os tipos de empreendimento "Casa" ou "Apartamento"
iptu_limpo <- iptu_limpo %>%
  filter(`Regime de Tributacao do iptu` == "Normal" & 
         `Tipo_de_Empreendimento` %in% c("Casa", "Apartamento"))

Distribuição do Valor Total por m²

A análise da distribuição do valor por metro quadrado ajuda a identificar a faixa de valores predominante no mercado. Para isso, foi criada a variável valor_m2_total que é a soma entre o valor do m² do terreno e o valor da construção.

iptu_dataset <- iptu_dataset %>%
  mutate(valor_m2_total = `valor do m2 do terreno` + `valor do m2 de construcao`)

# Gráfico de Distribuição do valor total por m²
ggplot(iptu_dataset, aes(x = valor_m2_total)) +
  geom_histogram(bins = 30, fill = "blue", color = "black") +
  labs(title = "Distribuição do Valor Total por m²", x = "Valor Total por m²", y = "Frequência")

É possível perceber neste histograma que há uma distribuição assimétrica à direita, com a maioria dos imóveis concentrados em valores menores. Isso indica que a maioria dos imóveis possui um valor por m² relativamente baixo, enquanto há um número reduzido de imóveis com valores muito mais altos. Essa constatação parece óbvia, mas é importante destacar a disparidade socioeconômica vigente na metrópole pernambucana.

Ranking de Bairros

Podemos, também, ver quais bairros são mais caros ou baratos em termos de valor do m².

# Calculando o valor médio do m² por bairro
ranking_bairros_valor_m2 <- iptu_dataset %>%
  group_by(bairro) %>%
  summarise(valor_medio_m2 = mean(valor_m2_total, na.rm = TRUE))

# Exibindo a tabela de bairros mais caros
kable(ranking_bairros_valor_m2 %>% arrange(desc(valor_medio_m2)) %>% head(10),
      caption = "Top 10 Bairros Mais Caros") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = F) %>%
  column_spec(1, bold = T)

# Exibindo a tabela de bairros mais baratos
kable(ranking_bairros_valor_m2 %>% arrange(valor_medio_m2) %>% head(10),
      caption = "Top 10 Bairros Mais Baratos") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = F) %>%
  column_spec(1, bold = T)

Vemos que Santo Antônio é o bairro mais caro, com um valor médio de aproximadamente R$ 43 mil e Passarinho é o bairro mais barato, com um valor médio de aproximadamente R$ 1050.

Índice de Equidade Tributária

Esse índice é obtido pela razão entre o valor do IPTU e o valor total do imovel. Esse dado permite avaliar a justiça fiscal por bairro, identificando disparidades.

Para melhor visualização, foram selecionados os 10 bairros com mais registros no dataset.

# Variável 'indice_equidade_tributaria': relação do valor cobrado de IPTU com o valor total do imóvel
iptu_dataset <- iptu_dataset %>%
  mutate(indice_equidade_tributaria = `valor cobrado de IPTU` / `valor total do imovel estimado`)

# Filtrar para os 10 bairros com maior número de registros
bairros_mais_frequentes <- iptu_dataset %>%
  count(bairro, sort = TRUE) %>%
  top_n(10, n) %>%
  pull(bairro)

# Filtrar o dataset para incluir apenas os bairros mais frequentes
iptu_filtrado <- iptu_dataset %>%
  filter(bairro %in% bairros_mais_frequentes)

# Gráfico: Índice de Equidade Tributária para os Top 10 bairros mais frequentes
ggplot(iptu_filtrado, aes(x = reorder(bairro, -indice_equidade_tributaria), y = indice_equidade_tributaria)) +
  geom_boxplot(fill = "lightblue") +
  labs(title = "Índice de Equidade Tributária por Bairro", x = "Bairro", y = "Índice de Equidade Tributária") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Em geral, é possível perceber que os bairros com maiores números de registro de IPTU, são, também bairros mais desenvolvidos e caros. Apesar disso, percebemos, a partir do boxplot, a presença de outliers. O que pode sugerir algumas coisas: * Características específicas: Imóveis particulares, como grandes áreas, localização privilegiada ou construções históricas, podem ter valores de IPTU diferentes dos demais. * Mudanças recentes no mercado imobiliário: Aumentos ou reduções recentes nos valores dos imóveis podem gerar outliers temporários.

E os bairros com um grande índice, como as Graças, Boa Viagem e Madalena, possuem uma caixa mais alta. Em outras palavras, esses bairros tendem a ter valores mais altos de IPTU em relação ao valor total do imóvel, indicando uma maior carga tributária.

Índice de Renovação Urbana

# Variável 'indice_renovacao_urbana': inverso da idade média das construções
iptu_dataset <- iptu_dataset %>%
  mutate(idade_construcao = 2023 - `ano da construcao corrigido`)

# Filtrar o dataset para incluir apenas os bairros mais frequentes
iptu_filtrado <- iptu_dataset %>%
  filter(bairro %in% bairros_mais_frequentes)

# Visualização do Índice de Renovação Urbana dos 10 maiores bairros por IPTU
ggplot(iptu_filtrado, aes(x = reorder(bairro, -idade_construcao), y = idade_construcao)) +
  geom_boxplot(fill = "lightgreen") +
  labs(title = "Idade Média das Construções por Bairro", x = "Bairro", y = "Idade das Construções (anos)") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

• Distribuição da Idade das Construções:
  • O bairro da Boa Vista apresenta construções com idades medianas maiores, indicando que há muitas construções antigas. Isso pode sugerir uma menor taxa de renovação urbana, com menos edifícios novos sendo construídos ou substituídos.
  • Bairros como Cordeiro e Iputinga têm medianas de idade das construções mais baixas, o que sugere que esses bairros possuem construções mais recentes em média, indicando uma maior taxa de renovação urbana.
• Variação Dentro dos Bairros:
  • Há uma variação considerável nas idades das construções dentro de cada bairro. Por exemplo, Boa Vista apresenta uma ampla faixa de idades, desde construções bastante novas até muito antigas, o que indica diversidade no desenvolvimento urbano.
  • Em contrapartida, bairros como Cordeiro e Madalena apresentam uma menor variação nas idades das construções, sugerindo que as propriedades foram construídas em períodos mais concentrados e, como podemos ver, mais recentes.