Cientistas do Reino Unido empregaram uma técnica de aprendizado de máquina (ML) para avaliar se as propriedades com painéis solares estão associadas a preços de venda mais altos no mercado imobiliário britânico e descobriram que as casas equipadas com painéis fotovoltaicos têm um preço premium.
“Há um consenso de que a eficiência energética e ser rotulado como ‘verde’ são valorizados favoravelmente no mercado imobiliário”, disseram os pesquisadores. “As evidências que se concentram exclusivamente no efeito dos painéis solares, no entanto, permanecem relativamente escassas e se concentram no mercado imobiliário dos EUA e da Austrália. Nosso foco está no efeito dos sistemas solares fotovoltaicos nos preços de venda no mercado imobiliário do Reino Unido, para os quais não existem evidências anteriores.
Os pesquisadores executaram algoritmos de meta-aprendizagem em cerca de 5 milhões de observações e dados de propriedade da Zoopla, um dos principais fornecedores de listagens de propriedades do Reino Unido, e os dados de preço pago (PPD) do Registro de Terras do governo de 2012-2018. Equipando os algoritmos com palavras-chave como “painel fotovoltaico” e “solar”, eles categorizaram as listagens de casas com ou sem produção solar. Então, eles poderiam combinar 80% dessas listagens com PPD real.
“No procedimento de seleção da amostra, excluímos imóveis com mais de três banheiros ou mais de cinco dormitórios”, destacou o grupo. “Além disso, como os apartamentos nos prédios compartilham o mesmo telhado, retiramos os apartamentos de nossa amostra, pois os proprietários de apartamentos podem não conseguir instalar painéis solares. Por fim, excluímos as propriedades cujos preços de venda estão no 1% superior e inferior da distribuição de preços para remover valores discrepantes nos dados.”
Os acadêmicos também empregaram cinco algoritmos de meta-aprendiz, ou seja, S-aprendiz, T-aprendiz, X-aprendiz, R-aprendiz e DR-aprendiz. Meta-aprendiz é uma técnica de ML que combina vários modelos – ou aprendizes básicos – para melhorar o desempenho preditivo.
De acordo com os pesquisadores, o S-Learner e o T-Learner utilizam apenas alunos básicos e, portanto, são considerados mais simplistas. Os outros três utilizam informações adicionais e, por conseguinte, são considerados mais sofisticados.
“O efeito médio do tratamento calculado usando o algoritmo S-learner é de 0,055, indicando que as casas com painéis solares têm um prêmio de preço de venda de 5,5%”, afirmou a equipe. “Quando usamos meta-aprendizes mais sofisticados, os prêmios associados aos painéis solares aumentam para mais de 6%, variando entre 6,1% com o X-learner e 7,1% com o DR-learner.”
Por meio de uma análise mais aprofundada, os pesquisadores também foram capazes de explorar as diferenças entre anos, regiões e quintis de preço e identificaram uma tendência de declínio nos retornos dos painéis solares ao longo dos anos. Além disso, os retornos mais altos são observados no País de Gales e Yorkshire e no Humber, seguidos pelas regiões noroeste e sudoeste.
“O efeito dos painéis solares nos preços das casas é mais pronunciado nos quintis de preços mais baixos e mais altos, com os maiores prêmios observados neste último”, disseram eles. “Os prêmios que observamos para o quintil de preço mais baixo apóiam nosso argumento sobre a economia potencial de energia e a importância de custos operacionais mais baratos para compradores com renda mais baixa. Os prêmios observados no segmento superior do mercado podem, em vez disso, refletir o ‘brilho quente’ associado ao investimento em propriedades ecologicamente corretas, bem como a sinalização ‘verde’ e o efeito de conservação conspícuo.
Por fim, para verificar a robustez dos resultados, o modelo proposto foi comparado a modelos mais tradicionais, nomeadamente o modelo de precificação hedónica e o matching exato grosseiro (CEM). O primeiro é comumente usado para estimar até que ponto cada fator afeta o preço de mercado da propriedade e o segundo é utilizado em dados observacionais.
Os cientistas descobriram que o modelo de precificação hedônica mostrou um prêmio de 5,6% e o CEM de 3,5%. “Os resultados são de alguma forma sensíveis aos métodos que usamos”, destacaram. “Em comparação com os modelos hedônicos, os algoritmos de metaaprendizagem são mais capazes de explicar questões relacionadas à complexidade do tratamento, alta dimensionalidade, a relação não linear entre as características da propriedade e os preços das casas e a presença de fatores de confusão.”
Suas descobertas foram apresentadas em “Returns to solar panels in the housing market: A meta learner approach“, publicado na Energy Economics. A equipe incluiu cientistas da Universidade de Swansea e da Universidade de Birmingham.
Este conteúdo é protegido por direitos autorais e não pode ser reutilizado. Se você deseja cooperar conosco e gostaria de reutilizar parte de nosso conteúdo, por favor entre em contato com: editors@pv-magazine.com.
Ao enviar este formulário, você concorda com a pv magazine usar seus dados para o propósito de publicar seu comentário.
Seus dados pessoais serão apenas exibidos ou transmitidos para terceiros com o propósito de filtrar spam, ou se for necessário para manutenção técnica do website. Qualquer outra transferência a terceiros não acontecerá, a menos que seja justificado com base em regulamentações aplicáveis de proteção de dados ou se a pv magazine for legalmente obrigada a fazê-lo.
Você pode revogar esse consentimento a qualquer momento com efeito para o futuro, em cujo caso seus dados serão apagados imediatamente. Ainda, seus dados podem ser apagados se a pv magazine processou seu pedido ou se o propósito de guardar seus dados for cumprido.
Mais informações em privacidade de dados podem ser encontradas em nossa Política de Proteção de Dados.