View
12
Download
0
Category
Preview:
Citation preview
UNIVERSITATEA TEHNICĂ DE CONSTRUCȚII
BUCUREȘTI FACULTATEA DE GEODEZIE
DEPARTAMENTUL DE TOPOGRAFIE ȘI CADASTRU
TEZĂ DE DOCTORAT
Contribuții privind informatizarea procesului
de evaluare a proprietăților imobiliare
Conducător de doctorat
Prof. Univ. Dr. Ing. Dumitru Onose
Doctorand
Ing. Silvia Zeicu (căs. Chiorean)
București
2018
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
1
CUPRINS
Cuvânt înainte ............................................................................................................................................................... 6
1. Introducere .......................................................................................................................................................... 7
1.1. Actualitatea temei ........................................................................................................................................ 7
1.2. Obiectivele tezei de doctorat ....................................................................................................................... 7
1.3. Structura tezei de doctorat .......................................................................................................................... 8
2. Evaluarea proprietaților imobiliare ................................................................................................................ 11
2.1. Considerații generale ................................................................................................................................ 11
2.2. Procesul de evaluare ................................................................................................................................. 11
2.3. Reglementări la nivel național .................................................................................................................. 12
2.4. Abordări utilizate în evaluarea proprietăților imobiliare ......................................................................... 12
2.5. Concluzii cu privire la procesul de evaluare a proprietăților imobiliare................................................. 16
3. GIS în evaluarea proprietăților imobiliare..................................................................................................... 17
3.1. Introducere în GIS ..................................................................................................................................... 17 3.1.1. Noțiuni generale ................................................................................................................................... 17 3.1.2. Întocmirea unei aplicații GIS în zone urbane ....................................................................................... 17 3.1.3. Date geospațiale .................................................................................................................................... 18
3.2. Standarde utilizate în procesul de întocmire a unui model automat de evaluare ..................................... 19
3.3. Concluzii .................................................................................................................................................... 20
4. Statistică aplicată in procesul de evaluare a propriețiilor imobiliare .......................................................... 21
4.1. Introducere ................................................................................................................................................ 21
4.2. Statistica aplicată în evaluarea proprietăților imobiliare ........................................................................ 21 4.2.1. Eșantion și populație............................................................................................................................. 21 4.2.2. Procedee probabilistice de eșantionare ................................................................................................. 23 4.2.3. Statistica descriptivă ............................................................................................................................. 23 4.2.4. Analiza de regresie ............................................................................................................................... 27 4.2.5. Dezvoltarea modelelor statistice ........................................................................................................... 28 4.2.6. Aplicații ale statisticii în practica evaluării .......................................................................................... 29
4.3. Rețele neuronale ........................................................................................................................................ 29
4.4. Concluzii .................................................................................................................................................... 32
5. Studiu de caz ...................................................................................................................................................... 33
5.1. Prezentare generală .................................................................................................................................. 33
5.2. Prezentarea zonei de studiu ...................................................................................................................... 34 5.2.1. Localizarea și delimitarea zonei de studiu ............................................................................................ 34 5.2.2. Descrierea zonei de studiu .................................................................................................................... 35
5.3. Întocmirea bazei de date ........................................................................................................................... 36 5.3.1. Scurtă descriere .................................................................................................................................... 36 5.3.2. Structura bazei de date .......................................................................................................................... 37 5.3.3. Completarea bazei de date cu tranzacții disponibile pe piață ............................................................... 38 5.3.4. Baza de date .......................................................................................................................................... 38
5.4. Perfecționarea preluării informațiilor necesare procesului de evaluare a proprietățiilor imobiliare .... 40
5.5. Analiza statistică a bazei de date .............................................................................................................. 42 5.5.1. Calculul și interpretarea indicatorilor tendintei centrale si a indicatoriilor dispersiei .......................... 42
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
2
5.5.2. Analiza grafică și analiza acestora........................................................................................................ 44 5.5.3. Regresie liniară simplă ......................................................................................................................... 53 5.5.4. Regresie liniară multiplă ....................................................................................................................... 58
5.6. Rețele neuronale ........................................................................................................................................ 61
5.7. Vizualizarea bazei de date realizate în GIS .............................................................................................. 67
5.8. Conceperea unui interfete grafice si interactive pentru beneficiari sau utilizatori .................................. 69
5.9. Concluzii .................................................................................................................................................... 75
6. Concluzii și perspective de cercetare............................................................................................................... 75
6.1. Considerații finale ..................................................................................................................................... 76
6.2. Contribuții personale ................................................................................................................................ 77
6.3. Direcții de cercetare in viitor .................................................................................................................... 78
Bibliografie .................................................................................................................................................................. 79
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
3
Listă de figuri
Figura 2.1 Principalele componente ale procesului de evaluare a unei proprietăți imobiliare ..................... 11 Figura 3.1 Componente GIS ....................................................................................................................... 17 Figura 3.2 Standarde pentru modele automate de evaluare ......................................................................... 19 Figura 4.1 Abordarea științifică în statistică ............................................................................................... 21 Figura 4.2 Etapele cercetării prin sontaj statistic ........................................................................................ 22 Figura 4.3 Măsurile tendinței centrale pentru distribuții simetrice ............................................................... 25 Figura 4.4 Măsurile tendinței centrale pentru distribuții asimetrice la stânga .............................................. 25 Figura 4.5 Măsurile tendinței centrale pentru distribuții asimetrice la dreapta ............................................ 26 Figura 4.6 Corespondența rețele neuronale biologice și rețele neuronale artificiale ................................... 30 Figura 4.7 Structura procesului unei rețele neuronale artificiale ............................................................... 31 Figura 5.1 Etapele parcurse in dezvoltarea studiului de caz ......................................................................... 33 Figura 5.2 Poziția geografică a Municipiului Cluj-Napoca ........................................................................... 34 Figura 5.3 Delimitarea Municipiului Cluj-Napoca și localizarea acestuia în cadrul județului Cluj ............... 34 Figura 5.4 Delimitarea cartierelor din Municipiului Cluj-Napoca ................................................................ 35 Figura 5.5 Evidențierea cartierelor din Cluj-Napoca analizate în baza de date ............................................. 36 Figura 5.6 Structura bazei de date ................................................................................................................ 37 Figura 5.7 Completarea bazei de date .......................................................................................................... 38 Figura 5.8 Preluarea informațiilor – coordonatele geografice a proprietățiilor imobilaire ......................... 38 Figura 5.9 Vizualizarea chestionarului pentru inspecție – varianta desktop ................................................. 40 Figura 5.10 Instalarea chestionarului pentru inspecție – varianta mobil ...................................................... 41 Figura 5.11 Descrierea chestionarului pentru inspecție – varianta mobil ..................................................... 41 Figura 5.12 Întocmirea unui model de evaluare prin regresie liniară simplă ................................................ 53 Figura 5.13 Sumarul modelul - retele neuronale (rulat prin programul SPSS).............................................. 64 Figura 5.14 Informatii despre reteaua neronala artificială intocmită ........................................................... 64 Figura 5.15 Sumarul modelului intocmit ...................................................................................................... 64 Figura 5.16 Retea neuronala ANN intocmit de catre autor ........................................................................... 65 Figura 5.17 Localizarea proprietăților imobiliare utilizând ArcGis Online .................................................. 67 Figura 5.18 Vizualizarea atributelor din baza de date pentru fiecare prorietate imobiliară utilizând ArcGis
Online .................................................................................................................................................. 67 Figura 5.19 Hărți tematice a) În funcție de localizare - distribuirea în funcție de cartier b) În funcție de vârsta
cronologică a proprietăților imobiliare ................................................................................................. 68 Figura 5.20 Hărți tematice a) În funcție de prețul de tranacție (Eur/mp) b) În funcție de localizarea -
distribuirea pe cartiere și prețul de tranacție (Eur/mp) ......................................................................... 68 Figura 5.21 Hărți tematice - prețul de tranzacție previzionat (Eur/mp) utilizând ArcGis Online .................... 68 Figura 5.22 S.NewLatitudes - Interfață grafică creată de autor .................................................................... 69 Figura 5.23 S.NewLatitudes - Interfață grafică creată de autor- Localizarea proprietăților imobiliare din baza
de date - Cartier Gheorgheni ................................................................................................................ 69 Figura 5.24 S.NewLatitudes - Interfață grafică creată de autor- Localizarea proprietăților imobiliare din baza
de date - Cartier Mănăștur ................................................................................................................... 70 Figura 5.25 S.NewLatitudes - Interfață grafică creată de autor- Localizarea proprietăților imobiliare din baza
de date - Cartier Mărăști ...................................................................................................................... 70 Figura 5.26 S.NewLatitudes - Interfață grafică creată de autor- Localizarea proprietăților imobiliare din baza
de date - Cartier Zorilor ....................................................................................................................... 71 Figura 5.27 S.NewLatitudes - Interfață grafică creată de autor- Localizarea proprietăților imobiliare din baza
de date - Zona Centrală ........................................................................................................................ 71 Figura 5.28 S.NewLatitudes - Interfață grafică creată de autor- Selectarea caracteristicilor tehnice și spațiale
............................................................................................................................................................. 72
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
4
Listă grafice
Grafic 1-1 Structura tezei de doctorat ............................................................................................................. 9 Grafic 5-1 – Evoluția numărului de locuitori în județul Cluj (Wikipedia, 2017) ............................................. 35 Grafic 5-2 - Evolutia numărului de locuințe în județul Cluj (Wikipedia, 2017) .............................................. 36 Grafic 5-3 Indicatorii tendinței centrale și a indicatorilor dispersiei pentru variabila Suprafață Utilă .......... 42 Grafic 5-4 Indicatorii tendinței centrale și a indicatorilor dispersiei pentru variabila Pret de tranzactie ....... 43 Grafic 5-5 Frecventa repartitiei proprietatilor imobiliare in functie de suprafata utila .................................. 44 Grafic 5-6 Box- and-whiskers pentru variabila suprafata utila ...................................................................... 44 Grafic 5-7 Steam and leaf pentru variabila suprafata utila ........................................................................... 45 Grafic 5-8 Digrama de normalitate pentru variabila suprafata utila ............................................................ 45 Grafic 5-9 Frecventa repartitiei proprietatilor imobiliare in functie de variabila Preț de vânzare ................. 46 Grafic 5-10 Box- and-whiskers pentru variabila Preț de tranzacție ............................................................... 46 Grafic 5-11 Steam and leaf pentru variabila Preț de tranzacție .................................................................... 46 Grafic 5-12 Digrama de normalitate pentru variabila Preț de tranzacție....................................................... 47 Grafic 5-13 Distribuirea proprietăților imobiliare în funcție de localizare (cartier) ...................................... 47 Grafic 5-14 Distribuirea proprietăților imobiliare în funcție de finisaje ........................................................ 47 Grafic 5-15 Distribuirea proprietăților imobiliare în elementele suplimentare care influențează valoarea de
piață (dotarea cu garaj sau cu parcare) ................................................................................................ 48 Grafic 5-16 Frecventa repartitiei proprietatilor imobiliare in functie de suprafata utila ................................ 49 Grafic 5-17 Box- and-whiskers pentru variabila suprafata utila .................................................................... 49 Grafic 5-18 Digrama de normalitate pentru variabila Suprafață utilă ........................................................... 49 Grafic 5-19 Frecventa repartitiei proprietatilor imobiliare in functie de Preț de vânzare .............................. 50 Grafic 5-20 Box- and-whiskers pentru variabila Preț de tranzacție ............................................................... 50 Grafic 5-21 Digrama de normalitate pentru variabila Preț de tranzacție....................................................... 51 Grafic 5-22 Distribuirea proprietăților imobiliare în funcție de localizare (cartier) ...................................... 51 Grafic 5-23 Distribuirea proprietăților imobiliare în funcție de etaj .............................................................. 52 Grafic 5-24 Distribuirea proprietăților imobiliare în funcție de finisaje ........................................................ 52 Grafic 5-25 Distribuirea proprietăților imobiliare în elementele suplimentare care influențează valoarea de
piață (dotarea cu garaj sau cu parcare) ................................................................................................ 52 Grafic 5-26 Diagrama de dispersie preț de vânzare / suprafață utilă ............................................................. 54 Grafic 5-27 Histograma valorilor reziduale - regresie simplă ....................................................................... 55 Grafic 5-28 Scatter plot valori reziduale și suprafață utilă (mp) .................................................................... 57 Grafic 5-29 Scatter plot valori reziduale și preț de vânzare previzionat (Euro) ............................................. 57 Grafic 5-30 Scatter plot valori reziduale și timp ............................................................................................ 58 Grafic 5-31 Histograma valorilor reziduale - regresie multiplă..................................................................... 60 Grafic 5-32 Scatter plot valori reziduale și suprafață utilă (mp) .................................................................... 60 Grafic 5-33 Histrograma valorilor reziduale (Training)................................................................................ 62 Grafic 5-34 Histrograma valorilor reziduale (Testing) .................................................................................. 62 Grafic 5-35 Scatter plot - Valori actuale vs. Predicție ................................................................................... 63 Grafic 5-36 Scatter plot - Valori actuale vs. Predicție ................................................................................... 63 Grafic 5-37 Importanța variabilelor în modelul de predicție ......................................................................... 66 Grafic 5-38 Scatter plot - Valori de predicție pentru variabila dependentă Preț de tranzacție ....................... 66
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
5
Listă tabele
Tabel 4-1 Corespondența rețele neuronale biologice și rețele neuronale artificiale ....................................... 30 Tabel 4-2 Functii de activare a retelelor neuronale artificiale....................................................................... 31 Tabel 5-1 Prezentarea - extras - din bazei de date ......................................................................................... 39 Tabel 5-2 Testarea parametrului 𝑏0 ............................................................................................................. 54 Tabel 5-3 Analiza de regresie simplă ............................................................................................................ 54 Tabel 5-4 Testarea parametrului 𝑏1 ............................................................................................................. 55 Tabel 5-5 Analiza semnificației modelului ..................................................................................................... 55 Tabel 5-6 Analiza valorilor reziduale ............................................................................................................ 56 Tabel 5-7 Analiza de regresie multiplă .......................................................................................................... 58 Tabel 5-8 Testarea parametrilor ecuației de regresie multiplă ...................................................................... 59 Tabel 5-9 Analiza semnificației modelului ..................................................................................................... 59 Tabel 5-10 Comparația model determinat prin regresie simplă vs. regresie multiplă .................................... 61 Tabel 5-11 Sumarul modelului de testare a datelor din baza de date ............................................................ 61 Tabel 5-12 Tabel comparativ Predicție liniară vs. Rețea neuronală ............................................................. 62 Tabel 5-13 Importanța variabilelor în modelul de predicție.......................................................................... 66 Tabel 5-14 Grilă de calcul - Abordarea prin piață ....................................................................................... 73 Tabel 5-15 Explicații ajustări aplicate prin abordarea prin piață ................................................................. 74 Tabel 5-16 Tabel comparativ ...................................................................................................................... 75
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
6
Cuvânt înainte
Lucrarea Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
prezintă preocupările și cercetările efectuate de către autor, în perioada anilor 2014 și 2018, în
calitate de student al Școlii Doctorale a Universității Tehnice de Construcții București. Teza are
ca principal scop analizarea metodelor actuale de evaluare a proprietăților imobiliare, precum și
propuneri pentru îmbunătățirea, dar și informatizarea acestui proces.
Mulțumesc conducătorului de doctorat Prof. Univ. Dr. Ing. Dumitru ONOSE pentru îndrumare,
dar și pentru sprijinul și timpul acordat pe parcusul elaborării prezentei lucrări.
Domnilor profesori din Departamentul de Topografie și Cadastru, le mulțumesc pentru remarcile
și aprecierile științifice elaborate cu ocazia prezentării tezei de doctorat în catedra. Mulțumesc
membrilor comisiei de îndrumare pentru sfaturile primite în vederea finalizării tezei de doctorat:
Prof. Univ. Dr. Ing. Constantin COȘARCĂ, Conf. Univ. Dr. Ing. Ana Cornelia BADEA, Conf.
Univ. Dr. Ing. Adrian SAVU.
Le sunt foarte recunoscătoare membrilor comisiei și este o onoare pentru mine acceptarea
propunerii ca domniile lor să facă parte din comisie:
• Prof. Univ. Dr. Ing. Gheorghe BADEA;
• Prof. Univ. Dr. Ing. Dumitru ONOSE;
• Prof. Univ. Dr. Ing. Maricel PALAMARIU;
• Prof. Univ. Dr. Ing. Victor DRAGOTĂ;
• Prof. Univ. Dr. Ing. Petre DRAGOMIR.
Mulțumesc întregului colectiv din cadrul Universității de Științe Agricole și Medicină Veterinară
Cluj-Napoca, în special domnului Prof. Univ. Dr. Ing. Mircea ORTELECAN, pentru sprijinul și
suportul acordat.
De asemenea, doresc să îmi prezint întreaga recunoștință întregului colectiv didactic din cadrul
Universitații Tehnice de Construcții București, Facultatea de Geodezie, pentru îndrumare, dar și
frumoasa colaborare.
În încheiere, doresc să mulțumesc familiei mele și în special soțului meu, pentru ajutorul și
înțelegerea acordată în acești ani.
București, 2018 Ing. Silvia Zeicu (căs. Chiorean)
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
7
1. Introducere
1.1. Actualitatea temei
Ultimii ani au cunoscut o vastă evolutie a societătii umane ceea ce a condus implicit la cresterea
nevoilor populatiei. Tehnologia a trebuit să tină pasul cu progresul rapid si astfel au apărut noi ramuri
ale diferitelor domenii care să faciliteze satisfacerea populatiei.
Procesul de evaluare a proprietăților imobiliare este o procedură sistematică pe care o urmează, de
regulă, o persoană cu pregătirea aferentă, pentru a răspunde la intrebărilor referitoare la valoarea de
piață (în cele mai frecvente cazuri) aferente unei proprietăți imobiliare. De asemenea, acest proces
poate fi utilizat, eventual cu unele modificări, pentru a răspunde unor întrebări nelegate direct de
valoare, cum ar fi cazul verificării evaluării, precum și în misiunile de consultanță imobiliară.
În ultimii ani, datorită evoluției rapide a tehnologiei, a apărut și necesitatatea prelucrării datelor
utilizate în procesul de evaluare a proprităților imobiliare, într-un mod automatizat, pentru ușurința
calculelor, precum și economia timpului aferent acestor tipuri de prelucrări a datelor. Astfel, avantajele
imediate si foarte evidente ale aplicării acestor solutii în evaluarea proprietăților imobiliare sunt
automatizarea procesului de evaluare, dar si existenta metodelor de control al rezultatelor obtinute.
Dezavantajul principal constă în complexitatea aplicării solutiilor propuse, fiind necesar un colectiv
de specialisti din diferite domenii - programatori, statisticieni, matematicieni, evaluatori, analisti de
piată - pentru a concepe si pune în functiune sisteme de asemenea natură si anvergură.
În contextul evoluției tehnologice, principala metoda de accesare a datelor este bazată pe sisteme
informatice geografice. Practic, sistemele informatice geografice reprezintă pricipalele unelte de a ține
sub control volumul tot mai mare de informații și a fluxului mare de noi cerințe. Această tehnologie a
sistemelor geografice informatice se poate aplica în diverse domenii, de exemplu cartografie, diferite
studii ale mediului, managementul resurselor, planificarea unor rute etc.
Importanța informatizării procesul de evaluare imobiliară, precum și combinarea acestui domeniu cu
alte domenii conexe, cum ar fi cadastru sau diferite sisteme informatice geografice, este deosebit de
importantă, atât pentru diverși utilizatori, specialiști, cât și pentru beneficiarii acestor lucrări sau
rapoarte de evaluare a unor proprietăți imobiliare.
1.2. Obiectivele tezei de doctorat
Ultima decadă a cunoscut o dezvoltare semnificativă în domeniul digital, astfel influențele moderne
au apărut și în domeniul evaluării de proprități imobiliare. În continuare, se prezintă, pe scurt,
obiectivele prezentei lucrări de doctorat.
Pentru început s-au analizat metodele de colectare a informațiilor necesare în cadrul procesului de
evaluare a unei proprietăți imobiliare. Practic, pentru s-au analizat metodele prin care se poate
automatiza procesul de inspecție al unei proprietăți imobiliare, precum și metode informatice actuale
de a colecta date și informații despre proprietatea imobiliară analizată.
Pentru a se putea forma o imagine de ansamblu, generală, despre piața imobiliară din zona studiată,
dar și pentru a se analiza și aplica întocmi anumite analize, s-a întocmit o bază de date care cuprinde
diferite caracteristici ale proprităților imobiliare (caracteristici spațiale, tehnice și economice). Această
bază de date a fost creată pe o perioadă îndelungată de timp, între anii 2016 și 2018 și cuprinde peste
250 de repere și facilitează exploatarea, stocarea, dar și analiza eficientă a procesului de evaluare a
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
8
unor proprietăți imobiliare. Această parte îl ajută pe specialist să înteleagă cum interactionează
principiile, forțele și factorii care determină valoarea de piață a unei proprietăți imobiliare, într-o
anumită arie de piață.
În vederea analizării bazei de date întocmite, s-au aplicat anumite teste statistice, în special pentru
determinarea valorilor aberante (extreme). Astfel, utilizarea modelelor statistice, mai exact a regresiei
matematice și a unor aplicații mai speciale ale proceselor statistice oferă un suport în plus pentru
formularea unei opinii mai precise asupra valorii de piață. Mai mult, analiza de statistică este o tehnică
prin care se obține o ecuație matematică în scopul cuantificării relației dintre o variabilă dependentă și
una sau mai multe variabile independente sau de intrare. După cum se poate observa și în capitolul
unde este prezentat studiul de caz, toate etapele sunt organizate minuțios, iar respectarea acestora
conduce la eficientizarea procesării și obținerii celor mai bune rezultate.
În prezent, se pot aplica o multitudine de solutii pe care statistica matematică le oferă pentru a fi
aplicate si în acest domeniu (evaluarea proprietăților imobiliare), și anume: analiza prin regresie
multiplă, serii de timp, tehnici de logică fuzzy, retele neuronale artificiale, sisteme neuro-fuzzy, dar si
altele. Astfel, în prezenta lucrare s-a analizat rețeaua neurală artificială, care este o metodă care a fost
transferată la tehnologia informatică inspirată de structura rețelei neuronale din creierul uman. În plus,
o rețeaua neurală artificială este un procesor care constă din unități de procesare simple și care
funcționează într-o ordine foarte densă, paralelă și distribuită.
Un sistem GIS este un cadru pentru colectarea, gestionarea și analizarea datelor. Prin urmare,
întocmirea unui GIS în domeniul evaluării imobiliare, s-a dovedit extrem de util în conturarea studiului
de caz din prezenta lucrare. Întocmirea unui program, adică a unui model automat de evaluare a
reprezentat o provocare și s-a realizat pe baza informațiilor preluate din baza de date de date întocmită.
Modelele automate de evaluare (AVM-urile) reprezintă soft-urile matematice ce produc un estimator
al valorii de piată pe baza analizei de piată a locatiei, conditiilor de piată si a caracteristicilor
proprietătilor imobiliare, din informatiile din analiza de piată, colectate în prealabil.
Mai mult, realizarea unei analize a tuturor proiectelor caracteristice lucrărilor de evaluare a
proprietăților imobiliare, a condus la concluzia că procedeele actuale asupra colectării, respectiv a
inspecției proprietăților imobiliară, procesării si exploatării, dar și analizei informatiilor pot fi
optimizate, dar mai ales automatizate în functie de cerintele fiecărui proiect.
1.3. Structura tezei de doctorat
Lucrarea de doctorat este strucuturată în șase capitole. Capitolele sunt numite după cum urmează:
Introducere, al doilea capitol – Evaluarea proprietăților imobiliare, al treilea capitol – GIS în evaluarea
proprietăților imobiliare, al patrulea capitol - Statistică aplicată în procesul de evaluare a proprietăților
imobiliare, al cincilea capitol - Studiu de caz și în ultimul capitol sunt prezentate concluziile.
Mai mult, prezenta lucrare este structurată în două părți, mai exact, o parte teroretică și o parte practică
(studiul de caz). Astfel, structura tezei de doctorat subiect este prezentată, sugestiv, în cele ce urmează,
în graficul de mai jos.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
9
Grafic 1-1 Structura tezei de doctorat
După cum se poate, în Graficul 1.1, de mai sus, partea de studiu de caz cuprinde 46% din teza de
doctorat subiect și 18% partea de Anexe, care cuprinde în mare parte, baza de date întocmită de către
autor, iar partea teoretică cuprinde 36% din lucrarea subiect.
În continuare sunt prezentate, pe scurt, capitolele prezentei teze de doctorat, după cum urmează:
Capitolul 1 - Introducere cuprinde definirea, pe scurt a procesului de evaluare a proprietăților
imobiliare și importanța automatizării acestui proces de evaluare, obiectivele prezentei lucrări, precum
și o descriere a structurii tezei de doctorat.
Capitoul 2 - Evaluarea proprietăților imobiliare prezintă descriera acestui proces de evaluare a
proprietăților imobiliare, precum și reglementările la nivel național și internațional în domeniul
evaluărilor imobiliare. Tot în acest capitol sunt prezentate și abordările aplicate în evaluarea
proprietăților imobiliare, precum și standardele de evaluare a bunurilor utilizate în România.
Capitolul 3 - GIS în evaluarea proprietăților imobiliare prezintă, într-o primă etapă, aspectele
teoretice ale întocmirii unei aplicații GIS în domeniul evaluărilor imobiliare, precum și prezentarea
tipurilor de date geospațiale, dar și prezentarea aspectelor teoretice legate de bazele de date.
Capitolul 4 - Statistică aplicată în procesul de evaluare a proprietăților imobiliare prezintă
următoarele aspecte: o surtă introducere în statistică, prezentarea aspectelor teoretice legate de
statistica aplicată în evaluarea proprietăților imobiliare (eșantion, populație și procedeee probabilistice
de eșantionare), elemente teoretice de statistică descriptivă (mărimi ale tendinței centrale, mărimi ale
dispersiei și mărimi ale formei distribuției), analiza de regresie (regresie liniară simplă și regresie
liniară multiplă), dezvoltarea unui model statistic, aplicații ale statisticii în domeniul evaluărilor
imobiliare.
5%
8%
4%
13%
46%
3%
3%
18%Capitolul 1-Introducere
Capitolul 2 -Evaluarea proprietăților
imobiliare
Capitolul 3 -GIS în evaluarea
proprietăților imobiliare
Capitolul 4 -Statistică aplicată în
procesul de evaluare a proprietăților
imobiliareCapitolul 5 -Studiu de caz
Capitolul 6 -Concluzii
Bibliografie
Anexe
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
10
De asemenea, în acest capitol sunt prezentate aspectele teoretice referitoare la întocmirea unui model
automat de evaluare, prin implementarea rețelelor neuronale artificiale.
Capitolul 5 - Studiu de caz prezintă descrierea generală a zonei în care s-a realizat studiul de caz, mai
exact întocmirea unei analize de piață pentru Municipiul Cluj-Napoca, după care s-a prezentat pe larg
zona de studiu, adică localizarea și delimitarea acesteia, precum și descrierea ei.
Capitolul continuă cu prezentarea bazei de date întocmită (scurtă descriere, structura bazei de date și
completarea bazei de date), mai apoi se prezintă contribuțiile privind perfecționarea preluării
informațiilor necesare în cadrul unei inspecții a unei proprietăți imobiliare. Tot în acest capitol, se
prezintă și partea de statistică efectuată, adică întocmirea unui model de evaluare prin aplicarea
regresiei liniare simple, regresiei liniare multiple, dar și a rețelelor neuronale.
Acest capitol se încheie cu realizarea unei interfețe, instrument software, care poate fi utilizat pentru
determinarea valorii de piață a unei proprietăți imobiliare. Ceea ce este important de menționat, această
interfață combină analiza statistică (regresia liniară multiplă) cu analiza grafică (vizualizarea localizării
proprietăților imobiliare într-un mod interactiv, utilizând un program GIS).
Capitoul 6 - Concluzii. Sunt prezentate concluziile generale, precum și contribuțiile originale aduse
în prezenta lucrare, dar și perspectivele viitoare de cercetare avute în vedere de către autor.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
11
2. Evaluarea proprietaților imobiliare
2.1. Considerații generale
Prin evaluarea proprietăților imobiliare, conform legislației din România, la ora actuală, se înțelege
activitatea de estimare a unei valori de piață, a unui bun imobil, materializată prin emiterea unui
raport de evaluare, realizat în conformitate cu standardele în vigoare, dar și cu deontologia
profesională, de către un specialist în domeniu.
Astfel, evaluarea proprietăților imobiliare este un domeniu foarte actual și important pentru piața
imobiliară și utilizat pentru diverse scopuri, cum ar fi evaluarea pentru impozitare, garantarea unui
împrumut, raportare financiară, evaluare pentru instanțe judecătorești, în caz de fuziune a două sau
mai multe companii, achiziții sau delistare, insolvență sau faliment a companiilor sau diverse
altele. După cum s-a arătat, evaluarea proprietăților imobiliare este folosită pentru diverse scopuri
și este folosită de catre diverși participanți de pe piață, cum ar fi: cumpărători, vânzători, chiriași,
locatori sau locatari, creditori sau debitori ipotecari, dezvoltatori, constructori sau investitori etc.
2.2. Procesul de evaluare
Procesul de evaluare reprezintă precedeul prin care se parcurg următorii pași esențiali (conform
figurii 2.1): identificarea și definirea problemei de evaluare, analiza culegerea și selectarea
informațiilor, analiza celei mai bune utilizări, aplicarea abordărilor în evaluarea și estimarea valorii
finale.
Figura 2.1 Principalele componente ale procesului de evaluare a unei proprietăți imobiliare
(Sursa: Standardele de evaluare a Bunurilor)
Reconcilierea rezultatelor și estimarea valorii finale
Aplicarea abordărilor in evaluare
(Abordarea prin piață, abordarea prin venit și abordarea prin cost)
Analiza celei mai bune utilizari (CMBU)
Analiza, culegerea si selectarea informațiilor
Informații generale Informații specifice Analiza de piață specifică
Identificarea si definirea problemeiIdentificarea
clientuluiScopul
evaluăriiProprietatea
subiectTipul valorii Data evaluării Ipoteze speciale
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
12
Identificarea și definirea problemei de evaluare cuprinde indentificarea clientului, a dreptului de
proprietate deținut, scopul evaluării, identificarea proprietății subiect, tipul valorii estimat, data
evaluării și data raportului și ipotezele evaluării și ipotezele speciale.
Analiza, culegerea și selectarea informațiilor cuprinde analiza de piață efectuată de către specialist,
mai exact analiza cererii, a ofertei și a echilibrului între cerere și ofertă, dar și descrierea
proprietății imobiliare subiect din punct de vedere al localizării, dar și din punct de vedere juridic
și tehnic.
Analiza celei mai bune utilizări reprezintă premisa evaluării propriu-zise și va fi dezbatută, pe larg
în capitolele următoare. Aplicarea abordărilor în evaluare cuprinde decizia sau mai bine spus,
judecata specialistului care decide aplicarea uneia sau a mai multor abordări pentru evaluarea unei
proprietăți imobiliare.
2.3. Reglementări la nivel național
În prezent, în România sunt emise de către Asociația de Națională a Evaluatorilor din România
(pe scurt, ANEVAR), Standardele de evaluare a bunurilor.
În aceste standarde, se precizează definiția valorii de piață care reprezintă prețul cel mai probabil,
la o anumită dată specifică, exprimat în numerar sau în echivalent de numerar sau în alta formă,
corespunzator precizată, la care ar putea fi vândute drepturile specificate asupra proprietații
imobiliare, după ce acestea au fost expuse, într-o măsură rezonabilă, pe o piață concurențială,
atunci când se întrunesc toate condițiile unei vânzari oneste, și în care cumpărătorul și vânzătorul
acționează prudent, în cunoștiință de cauză, în interesul propriu, presupunând că niciunul din
aceștia nu este supus unor constrângeri exagerate.
Tipul de valoare estimată, conform scopului prezentei lucrări este valoarea de piață. Conform
SEV1 100 Cadrul general “29. Valoarea de piață este suma estimată pentru care un activ sau o
datorie ar putea fi schimbat(ă) la data evaluării, între un cumpărător hotarât și un vânzător
hotarât, într-o tranzacție nepărtinitoare, după un marketing adecvat și în care părțile au acționat
fiecare în cunoștință de cauză, prudent și fără constrangere.”
2.4. Abordări utilizate în evaluarea proprietăților imobiliare
Conform SEV 100 - Cadrul general – ‘’32. Valoarea de piață a unui activ va reflecta cea mai bună
utilizare a acestuia. Cea mai bună utilizare este utilizarea unui activ care îi maximizează
potențialul si care este posibilă, permisă legal si fezabilă financiar. Cea mai bună utilizare poate fi
continuarea utilizării curente a activului sau poate fi o altă utilizare. Aceasta este determinată de
utilizarea pe care un participant de pe piață ar intenționa sa o dea unui activ, atunci cand stabileste
prețul pe care ar fi dispus sa îl ofere.”
Evaluarea proprietăților imobiliare la valoarea de piață pornește de la conceptul de cea mai bună
utilizare (CMBU) care reprezintă alternativa de utilizare a proprietății selectată din diferite
variante posibile care ar trebui sa constituie baza de pornire și să genereze ipotezele de lucru
necesare procesului de evaluare.
1 Standarde de evaluare a bunurilor emise de către Asociația Națională a Evaluatorilor din România (pe scurt, ANEVAR)
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
13
Analiza se poate realiza în două cazuri: cea mai bună utilizare a terenului considerat liber și cea
mai bună utilizare a proprietății construite (testarea continuării/modificării utilizării existente a
proprietății ca fiind construită și/sau testarea demolării proprietății și a redezvoltării).
Cea mai bună utilizare a unui teren liber sau a unei proprietăți construite trebuie să îndeplinească
următoarele criterii: permisă legal, fizic posibilă, fezabilă financiar și maxim productivă.
Cea mai buna utilizare a terenului considerat a fi liber
Testul permisibilității legale a terenului considerat a fi liber. Stabilește care sunt utilizările permise
de zonarea curentă, ce utilizări ar putea fi permise în cazul în care se obține o schimbare a zonării
și ce utilizări sunt limitate de restricțiile private de pe teren.
Testul pentru posibilitatea fizică a terenului considerat liber. Analizează caracteristicle fizice ale
amplasamentului care pot afecta cea mai bună utilizare a acestuia: mărimea, forma, solul,
accesibilitatea, gradul de risc în eventualitatea producerii unor dezastre naturale.
Testul fezabilității financiare a terenului considerat a fi liber. Cât timp o utilizare potențială are
valoare în comparație cu costurile acesteia și respectă primele două criterii, utilizarea este fezabilă
financiar.
Testul productivității maxime a terenului considerat a fi liber. Dintre utilizările financiar fezabile,
cea mai bună utilizare este utilizarea care produce cea mai mare valoare reziduală a terenului, în
concordanță cu riscul acceptat de piață și cu rata rentabilității pretinsă de piață pentru aceasta.
Cea mai bună utilizare a proprietății imobiliare ca fiind construită
Testarea continuării utilizării existente a proprietății ca fiind construită:
o Utilizarea existentă a proprietății ca fiind construită este adesea implicit permisă din punct
de vedere legal și fizic posibilă. În cazul în care utilizarea existentă va rămane fezabilă din
punct de vedere financiar și este mai profitabilă decât o modificare sau o dezvoltare, atunci
utilizarea existentă va rămâne cea mai bună utilizare a proprietății ca fiind construită.
Testarea modificării utilizării existente a proprietății ca fiind construită:
o Modificarea construcției existente trebuie sa îndeplinească toate cele patru teste ale celei
mai bune utilizări.
Testarea demolării proprietății ca fiind construită și a redezvoltării
o Demolarea poate fi considerată forma extremă de modificare a utilizării existente a
proprietății construite. Atunci când o utilizare alternativă a terenului este mai bună decât
cea curentă, atunci utilizarea alternativă va fi cea mai bună utilizare a proprietății ca fiind
construită.
Așa cum s-a arătat mai sus, pentru a obține valoarea definită de tipul valorii adecvat se pot utiliza
una sau mai multe abordări în evaluare. Cele trei abordări descrise și definite în Cadrul General
(SEV 100) din Standardele de evaluare a bunurilor, sunt abordările principale utilizate în evaluare.
Ele sunt fundamentate pe principiile economice ale prețului de echilibru, anticipării beneficiilor
sau substituției. Atunci când nu există suficiente date de intrare reale sau observabile încât să se
poată obține o concluzie credibilă din aplicarea unei singure metode, se recomandă, în mod special
utilizarea a cel puțin două abordări.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
14
Mai exact, pentru estimarea valorii unei proprietăți imobiliare pot fi aplicate:
• abordarea prin piață;
• abordarea prin venit;
• abordarea prin cost care reprezintă procesul de obținere a unei indicații asupra valorii
proprietății imobiliare subiect prin deducerea din costul de nou al construcției a deprecierii
cumulate și adăugarea la acest rezultat a valorii estimate a terenului la data evaluării.
Alegerea unei abordări în evaluarea unei proprietăți imobiliare este strict legată de scopul evaluării.
Astfel, conform SEV 310 Evaluări ale drepturilor asupra proprietății imobiliare pentru
garantarea împrumutului: Toate abordările, utilizate pentru formatarea și fundamentarea unei
opinii asupra valorii de piață, se bazează pe informațiile culese în urma analizei de piață. Deși în
formularea unei concluzii asupra valorii de piață în scopul garantării împrumutului, pot fi utilizate
cele trei abordări indicate în SEV 100 Cadrul general, dacă proprietatea imobiliară este atât de
specializată, încât nu există date suficiente pentru a se utiliza fie abordarea prin piață, fie abordarea
prin venit, nu este adecvat ca proprietatea imobiliară să fie privită ca fiind o garanție admisibilă.
Ca urmare, abordarea prin cost este rareori utilizată în evaluările pentru acest scop, fiind numai un
mijloc de verificare a veridicității valorii determinate prin utilizarea altei abordări. În continuare,
sunt prezentate cele trei abordări utilizate în evaluarea proprietăților imobiliare.
Abordarea prin piață
Abordarea prin piață este deosebit de utilă atunci când pe piață s-au vândut recent sau există la
vânzare mai multe proprietăți cu caracteristici similare celorlalte proprietăți analizate. Prin această
abordare, un specialist își formează o opinie asupra valorii comparând proprietatea suspusă
analizei cu altele similare, numite vânzări comparabile.
Conform GEV 630 Evaluarea bunurilor imobile, abordarea prin piață:
• Reprezintă procesul de obținere a unei indicații asupra valorii proprietății imobiliare
subiect, prin compararea acesteia cu proprietăți similare care au fost vândute recent sau
care sunt oferite pentru vânzare.
• Este aplicabilă tuturor tipurilor de proprietăți imobiliare, atunci când există suficiente
informații credibile privind tranzacții și/sau oferte recente credibile.
Fluxul de lucru în vederea aplicării abordării prin piață este următorul:
• analiza prețurilor proprietăților comparabile se aplică în funcție de criteriile de comparație
adecvate specificului proprietății subiect;
• se analizează asemănările și diferențele între caracteristicile proprietăților comparabile și
cele ale proprietății subiect și se fac ajustările necesare în funcție de elementele de
comparație;
• elementele de comparație recomandate includ, fără a se limita la acestea: drepturile de
proprietate transmise, condițiile de finanțare, condițiile de vânzare, cheltuielile necesare
imediat după cumpărare, condițiile de piață, localizarea, caracteristicile fizice,
caracteristicile economice, utilizarea, dar și componentele non-imobiliare ale proprietății
imobiliare;
• selectarea concluziei asupra valorii este determinată de proprietatea imobiliară
comparabilă care este cea mai apropiată din punct de vedere fizic, juridic și economic de
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
15
proprietatea imobiliară subiect și asupra prețului căreia s-au efectuat cele mai mici și puține
ajustări;
• toate ajustările aplicate prețurilor proprietăților comparabile sunt argumentate în evaluare,
fiind prezentat și modul de estimare al acestora.
Abordarea prin venit
Conform GEV 630 Evaluarea bunurilor imobile, abordarea prin venit:
• Reprezintă procesul de obținere a unei indicații asupra valorii proprietății imobiliare
subiect, prin aplicarea metodelor pe care un specialist le utilizează pentru a analiza
capacitatea proprietății subiect de a genera venituri și pentru a transforma aceste venituri
într-o indicație asupra valorii proprietății prin tehnici de actualizare.
• Este aplicabilă oricărei proprietăți imobiliare care generează venit, la data evaluării sau
care are acest potențial în contextul pieței, de la momentul evaluării.
Fluxul de lucru în vederea aplicării abordării prin venit include două metode, și anume:
a) Capitalizarea venitului
• se utilizează când există informații suficiente de piață, când nivelul chiriei și cel al gradului
de neocupare sunt la nivelul pieței și când există informații despre tranzacții sau oferte de
vânzare de proprietăți imobiliare comparabile;
• constă în împărțirea venitului stabilizat, dintr-un singur an, cu o rată de capitalizare
corespunzătoare;
• venitul care se capitalizează reprezintă venitul net din exploatare și este egal cu venitul brut
efectiv din care se scad cheltuielile de exploatare aferente proprietății care cad în sarcina
proprietarului;
• venitul brut efectiv este egal cu venitul brut potențial (venitul total generat de proprietatea
imobiliară în condițiile unui grad de ocupare de 100%), din care se scad pierderile aferente
gradului de neocupare;
b) Fluxul de numerar actualizat
• se utilizează pentru evaluarea proprietăților imobiliare pentru care se estimează ca
veniturile și/sau cheltuielile se modifică în timp;
• constă în convertirea în valoare prezentă prin tehnici de actualizare a veniturilor și
cheltuilelilor previzionate într-o anumită perioadă, precum și a valorii terminale;
• previziunile sunt de regulă puse la dispoziția evaluatorului de către client și sunt
argumentate.
Abordarea prin cost
Conform GEV 630 Evaluarea bunurilor imobile, abordarea prin cost:
• Reprezintă procesul de obținere a unei indicații asupra valorii proprietății imobiliare
subiect prin deducerea din costul de nou al construcției/construcțiilor a deprecierii
cumulate și adăugarea la acest rezultat a valorii estimate a terenului la data evaluării.
• Este aplicabilă atunci când proprietatea imobiliară include: construcții noi sau relativ nou
construite, construcții mai vechi, cu condiția să existe date suficiente și adecvate pentru
estimarea deprecierii acestora, construcții aflate în faza de proiect, construcții care fac
parte din proprietatea imobiliară specializată.”
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
16
Evaluarea terenului. Tehnicile de evaluare a terenului liber sunt următoarele:
• Comparația directă. Este cea mai utilizată tehnică pentru evaluarea terenului și cea mai
adecvată metodă atunci când există informații disponibile despre tranzacții/oferte
comparabile. În procesul de comparație sunt luate în considerare asemănările și deosebirile
dintre loturi, acestea fiind analizate în funcție de elementele de comparație. Elementele de
comparație includ, fără a se limita la acestea: restricții legale, utilizări disponibile, zonarea
și cea mai bună utilizare.
• Tehnici alternative:
o Alocarea – se bazează pe principiul echilibrului și pe principiul contribuției care
afirmă că există un raport tipic sau normal între valoarea terenului și valoarea
construcției, pentru anumite categorii de proprietăți imobiliare, din anumite
localizări.
o Extracția – este o variantă a tehnicii alocării, în care valoarea terenului este extrasă
din prețul de vânzare al unei proprietăti construite prin scăderea valorii construcției,
estimată prin metoda costului de înlocuire net.
• Tehnici de capitalizare a venitului:
o Aceste tehnici nu sunt în general utilizate ca tehnici principale de evaluare deoarece
utilizarea lor se bazează pe informații care adesea sunt dificil de obținut de către
specialist și sunt dificil de estimat și de argumentat.
o Tehnica reziduală poate fi utilizată atunci când valoarea construcției, venitul net
din exploatare anual generat de proprietate și ratele de capitalizare pentru teren și
construcție sunt cunoscute sau pot fi estimate cu precizie.
2.5. Concluzii cu privire la procesul de evaluare a proprietăților imobiliare
În acest capitol s-a prezentat procesul de evaluare a proprităților imobiliare, a abordărilor utilizate
în evaluare, dar și a standardelor aflate în vigoare, la nivel național și internațional. Pe lângă
prezentarea standardelor de evaluare a bunurilor, s-au prezentat și standardele sau recomandările
făcute în vederea întocmirii unui model automat de evaluare.
Pentru a prezenta toate noțiunile esențiale, într-un mod cât mai ușor de parcurs, în primă faza, s-a
expus ce presupune un proces de evaluare imobiliară și care sunt scopurile evaluării. Astfel,
evaluarea proprietăților imobiliare poate fi împărțită în evaluare pentru impozitare, garantarea unui
împrumut, raportare financiară, evaluare pentru instanțe judecătorești, în caz de fuziune a două sau
mai multe companii, achiziții sau delistare, insolvență sau faliment a companiilor sau diverse
altele. În continuarea capitolului, s-au prezentat etapele care trebuie parcurse pentru rezolvarea
unui proces de evaluare. Mai exact, în primă fază are loc identificarea și definirea problemei de
evaluare, mai apoi analiza culegerea și selectarea informațiilor, analiza celei mai bune utilizări,
aplicarea abordărilor în evaluarea și estimarea valorii finale.
În subcapitolul Abordări utilizate în procesul de evaluare a proprietăților imobiliare, sunt
prezentate, pe rând, abordarea prin piață, abordarea prin venit și abordarea prin cost, inclusiv
evaluarea terenului. Astfel, în acest capitol, s-au prezentat standardele și recomandările pentru
parcurgerea procesului de evaluare a proprietăților imobiliare.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
17
3. GIS în evaluarea proprietăților imobiliare
3.1. Introducere în GIS2
3.1.1. Noțiuni generale
În cele ce urmează, se prezintă o succintă prezentare a sistemelor informatice geografice (GIS),
precum și o privire de ansumblu asupra schimbărilor de tehnologie și cum au influențat acestea
evoluția GIS.
Un sistem GIS este un cadru pentru colectarea, gestionarea și analizarea datelor. Înrădăcinată în
știința geografiei, GIS integrează multe tipuri de date. Analizează localizarea spațială și
organizează straturi de informații, pentru a se putea efectua diferite tipuri de vizualizări folosind
hărți și scene 3D. Cu această capacitate unică, GIS dezvăluie o înțelegere mai profundă a datelor,
cum ar fi modelele, relațiile și situațiile - ajutând utilizatorii să ia decizii mai inteligente.
Un sistem GIS este alcătuit dintr-un set de instrumente și metode specifice care permit vizualizarea
și analiza unei multitudini de date, care pot fi de mai multe tipuri, de la datele sociale, la cele
economice până la datele empirice. Componența GIS este prezentată în figura următoare:
Figura 3.1 Componente GIS
Schimbările semnificative în colectarea și utilizarea datelor, în tipurile de software disponibil,
hardware-ul necesar pentru derularea programelor, dar și tipurile de analize geospațiale care pot fi
efectuate, au influențat atât mediul de afaceri, cât și mediul de cercetare.
Tehnologia GIS aplică știința geografică cu instrumente pentru înțelegere și colaborare. Îi ajută
pe oameni să ajungă la un obiectiv comun: să obțină inteligență acționabilă din toate tipurile de
date.
3.1.2. Întocmirea unei aplicații GIS în zone urbane
În vederea întocmirii, precum și a organizării unei aplicații GIS în zone urbane sunt necesare atât
componente hardware, cât și software. Componentele hardware includ elemente precum: servere,
calculator, dar și alte periferice, de exemplu scanner sau plotter etc. Componentele software
cuprind următoarele elemente:
• Sistemul de gestiune a bazelor de date (SGBD3 – engl. DBMS4);
2 (engl.) Geographic Information System, (română) Sistem Informațional Geografic 3 Sistemul de Gestiune al Bazei de Date 4 Database Management System
Resursa umană Data (Baza de date)
Software și Hardware
Procesul de analiză
GIS
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
18
• Funcțiile de bază care presupun introducerea și validarea datelor, stocarea datelor și
managementul bazei de date, analiza și procesarea datelor, precum și producerea datelor
de ieșire. (Badea, 2013)
Introducerea datelor reprezintă un pas foarte important pentru întocmirea unei aplicații GIS.
Rezultatul depinde de existența, acuratețea și omogenitatea datelor. Modalități de introducere a
datelor în GIS sunt următoarele: hărți sau planuri, fotograme aeriene, senzori, măsurători în teren,
diverse alte baze de date etc. Procurarea acestor date este un proces provocator, în sensul că, de
multe ori informațiile nu sunt disponibile pe piață, dar și costisitor, deoarece se estimează că aceste
date pot reprezenta chiar și până la 70% din costurile necesare realizării produsului final. (Badea,
2013)
Astfel, procesul de achiziție a datelor se poate face prin mai multe metode, de exemplu prin
măsurători topografice efectuate în teren, prin folosirea unor imagini aeriene sau satelitare, prin
scanarea laser teresetră sau aeriană, vectorizarea hărților analogice, diverse alte baze de date socio-
economice, diverse statistici efectuate, baze de date fiscale sau date din recensământ etc. (Badea,
2013) Pentru a înțelege mai bine aceste aspecte legate de procesul de achiziție a datelor, în cele ce
urmază vor fi explicate mai amănunțit.
3.1.3. Date geospațiale
Majoritatea datelor de intrare au referințe geospațiale, implicând localizarea geografică.
Managementul acestor date geospațiale devine din ce în ce mai important pentru instituțiile publice
precum administrația publică, organizații de mediu, unități de sănătate, diverse servicii financiare
etc.
Aplicațiile GIS utilizate de către aceste instituții oferă posibilitatea colectării, stocării, organizării,
gestionării și utilizării informațiilor geospațiale într-o formă grafică, care să permită vizualizarea,
căutarea, planificarea dar și analiza eficientă a acestora. Prin intermediul acestor aplicații GIS se
pot realiza interogări complexe și analize avansate, putând exploata atât datele și informațiile
geospațiale, ci și datele și informațiile tehnice și economice, prin integrarea cu diverse alte
platfome informatice. (Badea, 2013)
Realizarea unei aplicații GIS presupune în primă fază întocmirea și întreținerea unei baze de date.
Una dintre sarcinile cele mai dificile, dar și consumatoare de timp și resurse ale unui GIS o
constituie colectarea datelor. Astfel, aceste date pot fi colectate prin două modalități principale:
achiziția și transferul datelor. Datele necesare în vederea încărcării unei baze de date într-o
aplicație GIS pot proveni din următoarele surse: hărți analogice, hărți digitale existente, date
obținute din imagini fotogrametrice sau imagini satelitare, tehnologie LIDAR5, dar și date
provenite din ridicări topografice, măsurători GPS sau scanare laser terestră.
Astfel, la crearea unei aplicații GIS este foarte important produsul software ales, pentru a putea
integra cât mai multe și diverse date, în formate diferite. După etapa de colectare a datelor este
5 Tehnologia LIDAR (Light Detection and Ranging), reprezintă o tehnică activă de teledetecție cu ajutorul căreia putem obține date
de o acuratețe ridicată despre topografia terenului, vegetație, clădiri etc.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
19
necesară o prelucrare preliminară, pentru ca datelele să fie transpuse într-o formă care poate fi
gestionată, cu succes, de către sistemul, respectiv soft-ul ales.
3.2. Standarde utilizate în procesul de întocmire a unui model automat de
evaluare
Datorită faptului că evaluarea bunurilor imobiliare este folosită în diverse scopuri, dar și datorită
evoluției tehnologiei au apărut modelele automate de evaluare. Aceste modele de evaluare au
apărut și datorită impunerii unui control al calității evaluărilor, o nevoie de transparență pentru
prevenirea fraudelor, dar și din cauza noilor cerințe ale managementului de risc. Acest proces de
întocmire a unui model automat de evaluare este prezentat în Standardul pentru modele automate
de evaluare6 elaborat de către International Association of Assessing Officers, ca fiind un proces
complex care necesită o colaborare strânsă între evaluatori, analisti ai pietei imobiliare, statisticieni
si dezvoltatori de soft-uri.
Figura 3.2 Standarde pentru modele automate de evaluare
Sursa: International Association of Assessing Officers (IAAO)
Pornind de la recomandările făcute în acest standard, se poate propune următoarea succesiune de
etape necesare pentru construirea modelului automat de evaluare:
1. identificarea proprietătilor subiect (portofoliul de garantii bancare de evaluat);
2. stabilirea ipotezelor și ipotezelor speciale;
3. managementul datelor si analiza calitătii datelor;
4. stratificarea esantionului (în cazul în care acesta nu a fost construit prin esantionare
stratificată);
5. stabilirea specificatiilor modelului;
6. calibrarea modelului;
6 Standard on Automated Valuation Models (AVMs), IAAO, 2003
1. Identificarea proprietăţilor subiect
(portofoliul de garanţii bancare de
evaluat)
2. Stabilirea ipotezelor și
ipotezelor speciale
3. Managementul datelor
şi analiza
calităţii datelor
4. Stratificarea
eşantionului
5. Stabilirea specificaţiilor
modelului
6. Calibrarea
modelului
7. Testarea modelului şi asigurarea
calităţii sale
8. Validarea
modelului
9. Aplicarea
modelului
10. Verificarea
periodică a
acurateţei modelului
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
20
7. testarea modelului si asigurarea calitătii sale;
8. validarea modelului;
9. aplicarea modelului;
10. verificarea periodică a acuratetei modelului.
Modelele automate de evaluare AVM reprezintă, practic, niște soft-uri matematice ce produc un
estimator al valorii de piată pe baza analizei de piată a locatiei, conditiilor de piată si a
caracteristicilor proprietătilor, din informatii de piată colectate în prealabil. Utilizarea de către
evaluatori a tehnologiei informației și procesarea automată a datelor, au dus la reducerea efectului
negativ al AVM-urilor asupra practicii de evaluare a proproprietăților imobiliare rezidențiale, prin
micșorarea perioadei de analiză și prin îmbunătățirea eficienței.
3.3. Concluzii
În multe țări dezvoltate, stabilirea valorii de piață depinde de un temei juridic. Astăzi, tehnologiile
informaționale, în special tehnologiile GIS, dar și domeniile lor de implementare s-au dezvoltat pe
scară largă. Aceste evoluții au evidențiat utilizarea tehnologiei GIS în domeniul evaluărilor
imobiliare. Metodele de evaluare imobiliară și crearea unei baze de date, în care predomină
informațiile spațiale, privind evaluările imobiliare, a sporit rolul GIS.
Evaluarea imobiliară este un proces foarte complex. Exactitatea evaluării este influențată de
exactitatea informațiilor obținute din analiza de piață efectuată de către specialist, tehnologia
personalului și mărimea erorilor cauzate de diferiți factori în procesul de evaluare. (Bing-hua,
2006) GIS are o tehnologie vastă pentru utilizarea bazelor de date, o interfață grafică, o capacitate
de analiză spațială și oferă o platformă cuprinzătoare și precisă a tehnologiei informației pentru
industria de evaluare imobiliară. (Da-zhi, 2002) Tehnologia GIS utilizează tehnologia digitală,
care combină hardware și software pentru a satisface nevoile utilizatorilor în manipularea datelor
spațiale.
Sistemele de evaluare automatizată bazate pe GIS, vor schimba în mod inevitabil și profund
industria de evaluare a proprietăților imobiliare. (Castle, 1998). Implementarea GIS în domeniul
imobiliar ajută, practic, la integrarea, analiza, precum și prezentarea unor informații, în special
despre localizare proprităților imobiliare incluse în baza de date. Sistemele informatice geografice
GIS ajută la efectuarea examinărilor și analizelor spațiale și pot fi folosite ca instrument în
elaborarea hărților tematice, dar și în implementăriile interdisciplinare ale altor profesii.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
21
4. Statistică aplicată in procesul de evaluare a propriețiilor imobiliare
4.1. Introducere
Statistica a fost definită ca știința informației care implică culegerea, clasificarea, sintetizarea,
organizarea, analizarea și interpretarea informației numerice. (James T. McClave, 2005) Statistica
implică tehnici ale statisticii descriptive, teoria probabilităților, precum și eșantionarea. Toate
aceste trei ramuri ale statisticii utilizează următoarea abordare științifică (Figura 4.1), care constă
în respectarea unor cinci pași de bază.
Figura 4.1 Abordarea științifică în statistică
4.2. Statistica aplicată în evaluarea proprietăților imobiliare
În procesul de evaluare, înțegerea statisticii a devenit importantă odată cu fuzionarea metodologiei
de evaluare a fiecărei proprietăți în parte cu tehnologiile de evaluare globală. Astfel, utilizarea
modelelor statistice și a unor aplicații mai speciale ale proceselor statistice oferă un suport în plus
pentru formularea unei opinii mai precise asupra valorii de piață. (Appraisal Institute, 2011)
Metodele tradiționale din evaluarea proprietătii imobiliare au facut întotdeauna parte din statistică
și s-au utilizat metode de analiză și interpretare a informațiilor. În acest context și datorită evoluției
tehnologiei, procesul de evaluare a evoluat, iar evaluatorii trebuie să dețină cunoștințe despre
statistică, modele statistice, precum și modelare statistică a evaluării. Astfel, o definiție mai exactă
a statisticii se poate rezuma în felul următor: mărimi de sintetizare calculate prin relativ puține
date, care au fost obținute prin selectare dintr-o selecție mult mai mare de date, numită populație.
(Kohler, 2002)
Se poate afirma faptul că statistica este clasificată în două categorii: statistică descriptivă și
statistică inferențială. Astfel, statistica descriptivă se ocupă cu utilizarea graficelor, tabelelor și a
mărimilor de sintetizare a datelor, pentru a putea descrie un eșantion sau o populație de date.
Statistica inferențială include, printre altele, estimarea tendinței centrale și a dispersiei unei
populații curente, dar necunoscute, precum și previziunea rezultatelor și detectarea structurii care
stă la baza relațiilor de tip cauza-efect. (Appraisal Institute, 2011)
4.2.1. Eșantion și populație
Așa cum s-a arătat mai sus, statistica poate fi aplicată pentru interpretarea informațiilor disponibile
și pentru a susține o valoarea de piață finală. În limbaj statistic, o populație este definită ca fiind
1•Definirea cu atenție a problemei. Stabilirea clară a scopului studiului sau analizei.
2•Formularea unui plan pentru colectarea datelor corespunzătoare.
3•Colectarea datelor.
4•Analiza și interpretarea datelor.
5
•Raportarea concluziilor și a altor constatări într-un mod ușor de înțeles de către cei care vor folosi rezultatele în luarea unor decizii.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
22
toate elementele dintr-o anumită categorie. (Appraisal Institute, 2004) De exemplu, toate casele
din Municipiul Cluj-Napoca, Județul Cluj reprezintă o populație statistică. Un alt exemplu de
populație statistică este următorul: toate apartamentele cu 2 camere, de închiriat, localizate în bloc,
dintr-o anumită arie de piață sau dintr-un anumit cartier din Municipiul Cluj-Napoca.
În cazul populațiilor, mărimea de sintetizare folosită pentru a descrie o caracteristică se numește
parametru, adică variabilă. Un exemplu de parametru în care variabila este suprafața utilă a
apartamentelor și parametrul este media aferentă populației, este suprafața medie a tuturor
apartamentelor din zona subiect.
Eșantionul este un subset al unei populații, selectat pentru analiză. În cazul eșantioanelor,
mărimea de sintetizare derivată din datele eșsantionului se numește statistică. (Appraisal Institute,
2004) Un exemplu de statistică este suprafața medie a apartamentelor dintr-un eșantion selectat
din populația de apartamente din zona analizată.
Cel mai utilizat mod de obtinere a datelor necesare analizei statistice este în prezent sondajul
statistic (Figura 4.2). Sondajul statistic poate fi de tip probabilist (sau aleator) si de tip non-
probabilist (sau nealeator).
Figura 4.2 Etapele cercetării prin sontaj statistic
(T. Andrei, 2002)
Diferentele dintre cele două tipuri de sondaje constau în faptul că, la procedeele probabiliste,
selectarea unitătilor necesare pentru esantionare este aleatoare, sub acest aspect fiecare unitate are
o probabilitate cunoscută p si diferită de zero de a se afla în esantion, în timp ce procedeele non-
probabiliste selectează unitătile în mod judicios pentru că esantionul să prezinte cât mai bine
caracteristicile esentiale ale populatiei din care este extras, dar nu se poate cunoaste probabilitatea
unitătii de a se afla în acel esantion. (ANEVAR GEV 520 - Asociația Naționala a Evaluatorilor
Autorizați din România, 2015)
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
23
4.2.2. Procedee probabilistice de eșantionare
Procedeele probabilistice de eșantionare sunt următoarele:
a) Eşantionarea simplă se pretează, în special, pentru populatii omogene formate din unităti
simple; esantionul poate fi selectat aplicând procedeul prin revenire (procedeul bilei
revenite) sau fără revenire (procedeul bilei nerevenite). Prin revenire, unitatea selectată la
un moment dat se plasează înapoi în populatie, astfel încât fiecare unitate a populatiei are
sansa de a fi realeasă la fiecare selectie, deci probabilitatea este constantă. Prin selectare
fără revenire, unitatea aleasă nu mai este returnată în populatie, probabilitatea fiind
variabilă, în sensul cresterii ei pe măsura formării esantionului. Dintre cele două procedee,
cea mai adecvată în cazul evaluării proprietătilor imobiliare ar fi esantionarea fără revenire.
(Bruce L. Bowerman, 2007)
În acest caz, un eșantion nu va cuprinde o proprietate imobiliară de mai multe ori. Însă, ambele
procedee au o deficiență majoră și anume, aceea că selectia este conditionată de abilitatea prin care
sunt amestecate elementele populatiei. Prin urmare, în general, esantionarea simplă nu se aplică în
evaluarea propriețățiilor imobiliare. (Pasca, 2008)
b) Eşantionarea cu tabele de numere aleatoare;
c) Eşantionarea sistematică sau mecanică;
d) Eșantionarea stratificată. Populatia de date este divizată în straturi cu caracteristici
comune, ca de exemplu: proprietăti imobiliare rezidentiale – apartamente, vile, case s.a.;
proprietăti imobiliare industriale; proprietăti imobiliare comerciale – spatii birouri,
magazine etc.
Acest tip de esantionare se pretează cel mai bine domeniului imobiliar si este deja utilizat de către
evaluatori pentru esantionarea manuală a datelor de piată necesare în evaluare, de exemplu, în
functie de vârsta clădirilor, de dimensiunile proprietătii sau de locatie.
Prin stratificare se asigură un grad mai ridicat de comparabilitate a proprietătilor comparabile cu
proprietatea subiect si se pot elimina erorile sistematice sau de selectare inadecvată a acestora. Pe
de altă parte, o stratificare exagerată a datelor poate duce la imposibilitatea aplicării analizei
statistice a datelor. (ANEVAR GEV 520 - Asociația Naționala a Evaluatorilor Autorizați din
România, 2015)
În vederea stabilirii volumului eșantionului pe baza căruia se va realiza analiza, se vor ține cont
de următorii coeficienți: eroarea limită maximă admisă de reprezentativitate a eșantionului (𝑒 =
0,3), nivelul de semnificație 𝛼 (prestabilit uzual la 5%), dar și de dispersia (varianța) caracteristicii
în populație.
4.2.3. Statistica descriptivă
Așa cum am menționat anterior, la începutul prezentului subcapitol, statistica descriptivă se ocupă
cu colectarea datelor, prezentarea și cunatificarea acestora. De exemplu, în cazul unui eșantion,
statistica descriptivă poate fi reprezentată de mărimea eșantionului, de metoda de colectare a
datelor și de dată, dar și cuantificarea numerică a dispersiilor și tendințelor centrale ale variabilelor
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
24
eșantionului, prin determinarea valorilor minime și maxime, a amplitudinilor, curtilelor, abaterilor
standard, mediilor, medianelor sau a modelor.
Diagrame descriptive, grafice sau tabele specifice sunt histogramele, diagramele circulare,
diagramele de tip bară, graficele de tip linie, diagramele de împraștiere, seriile ordonate,
distribuțiile de frecvențe relative și distribuțiile procentuale.
1.1.1.1 Mărimi ale tendinței centrale
Tendința centrală se referă la o valoare tipică ce descrie o variabilă a unui eșantion sau a unei
populații. Astfel, trei mărimi ale tendinței centrale, cel mai frecvent utilizate sunt mediana, media
și moda.
Mediana este valoarea situată la mijlocul unei serii ordonate de date, serie prin care se înțelege un
set de date ordonat numeric de la cea mi mică valoarea la cea mai mare sau invers. Mediana nu
este efectată de valorile extreme din setul de date, prin urmare, este adesea utilizată atunci când
una sau mai multe valori extreme distorsonează abilitatea mediei de a descrie cu acuratețe tendința
centrală.
𝑴𝒆𝒅𝒊𝒂𝒏𝒂 = {
𝒏 + 𝟏
𝟐, 𝒏 𝒊𝒎𝒑𝒂𝒓
𝒏 + (𝒏 + 𝟏)
𝟐 , 𝒏 𝒑𝒂𝒓
, 𝒏 − 𝒎ă𝒓𝒊𝒎𝒆𝒂 𝒆ș𝒂𝒏𝒕𝒊𝒐𝒏𝒖𝒍𝒖𝒊 (4.1)
Așa cum se poate observa, în Formula (4.1), de mai sus, mediana reprezintă observația aflată pe
poziția (n+1)/2 în setul ordonat de date, atunci când setul de date conține un număr impar de
observații, iar n reprezintă mărimea eșantionului. Iar dacă setul de date conține un număr par de
observații, atunci mediana este valoarea aflată între cele două observații din zona centrală a setului
– media celor observații.
De exemplu, dacă setul de date conține 23 de observații, mediana este a 12-a valoare din setul
ordonat de date, iar dacă setul de date conține 22 de observații, mediana va fi media dintre cea de-
a 11-a și cea de-a 12-a valoare din setul de date ordonat.
Media aritmetică este masura tentinței centrale cel mai frecvent raportată. Este ca medie a
eșantionului sau ca medie a populației, ori pur și simplu ca și medie. Media eșantionului se
reprezintă prin simbolul x.
𝒙 =
∑ 𝒙𝒊𝒏𝒊=𝟏
𝒏
(4.2)
Astfel, așa cum se arată în Formula (4.2), de mai sus, media eșantionului se calculează prin
însumarea valorilor tuturor observațiilor unei variabile și apoi împărțirea acestei sume la mărimea
eșantionului (n). Spre deosebire de media eșantionului, media populației se calculează prin
însumarea valorilor tuturor elementelor dintr-o populație și apoi împărțirea acestei sume la
mărimei populației (N). Media populației este simbolizată prin litera grecească 𝜇, iar matematic
se exprimă astfel:
�� =
∑ 𝒙𝒊𝒏𝒊=𝟏
𝑵
(4.3)
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
25
Datorită faptului că media aritmetică include toate observațiile unei variabile, rezultatul este
afectat de orice valoare extremă, astfel că descrierea tendința centrale poate fi distorsionată. Deci,
se poate concluziona că media populației nu constituie cea mai buna reprezentare a tendinței
centrale.
Moda este observația care apare cel mai frecvent dintr-un set de date. Nu este afectată de valori
extreme și poate fi diferită de la eșantion la eșantion. În cazul în care există mai mult de o singură
modă, seria respectivă se numește serie multinodală. Dacă, de exemplu, un set are două mode,
acesta se numește set bimodal.
În Figura 4.3. media, mediana și moda sunt egale, iar această egalitate a măsurilor tendinței
centrale pentru distribuții simetrice este reprezentată în figura de mai jos:
Figura 4.3 Măsurile tendinței centrale pentru distribuții simetrice
În cazul în care distribuția frecvenței relative este asimetrică la stânga, atunci valoarea mediei va
fi mai mică decât a medianei, iar valoarea mediei va fi mai mică decat valoarea modei, așa cum se
arată în Figura 4.4.
Figura 4.4 Măsurile tendinței centrale pentru distribuții asimetrice la stânga
În cazul în care distribuția frecvenței relative este asimetrică la dreapta, atunci valoarea mediei va
fi mai mare decât a medianei, iar valoarea medianei va fi mai mare decat valoarea modei, conform
Figurii 4.5.
Media
Mediana
Moda
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
26
Figura 4.5 Măsurile tendinței centrale pentru distribuții asimetrice la dreapta
1.1.1.2 Mărimi de dispersie
Mărimile de dispersie determină ce variație poată să apară într-o variabilă. Aceste mărimi sunt
utile pentru că pot fi comparate cu caracteristicile unei distribuții cunoscute - distrubuția normală,
pentru a determina dacă poate fi folosit un anumit set de statistici inferențiale asupra parametrilor.7
Parametrii de varație sau parametrii de dispersie descriu împrăștierea variabilelor ce formează
populația statistică. Astfel, acești parametrii indică gradul de uniformitate a variabilelor și reflectă
calitatea datelor ca bază pentru formularea unei concluzii. (Appraisal Institute, 2011)
O modalitate de cuantificare a dispersiei variabilelor este amplitudinea (R). Acesta reprezintă
diferența dintre variabilele cele mai mari și variabilele cele mai mici.
𝑹 = 𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒂 𝒎𝒂𝒙𝒊𝒎ă − 𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍ă 𝒎𝒊𝒏𝒊𝒎ă (4.4)
Luând în considerare acest parametru de variație, amplitudinea are o utilizare limitată deoarece ia
în considerare doar variația dintre valoarea maximă și cea minimă și nu variația din cadrul valorilor
rămase. Mai mult, amplitudinea nu conduce ea însăși la analize statistice ulterioare.
Un alt parametru folosit pentru măsurarea variației populației statistice este abaterea medie, care
este cunoscută și abatere medie absolută, deoarece semnele plus și minus sunt ignorate. Abaterea
medie este un parametru care măsoară cât de mult deviază față de medie valorile actuale ale unei
populații sau a unui eșantion. Astfel, abaterea medie reprezintă este media sumelor diferențelor
absolute ale fiecărei variabile de la media variabilelor. Ca și amplitudinea, abaterea standard nu
conduce ea însăși la analize statistice ulterioare. (Appraisal, 2004)
Cele două mărimi fundamentale prin care se descrie dispersia - abaterea standard sau abaterea
medie pătratică și varianța sau dispersia, iau în considerare tipul de distribuție a datelor. Mai
mult, asupra abaterii standard se pot opera mai departe analize statistice, permițând realizarea de
inferențe și deducerea concluziilor privind gradul de incertitudine asociat infernței respective.
Astfel, abaterea standard este o statistică referitoare la eșantion și este exprimată prin litera S
(Formula 2.6) , iar cea a populației se exprimă prin intermediul literei grecești 𝜎 (Formula 4.5).
𝝈 = √∑(𝒙𝒊 − 𝝁)𝟐
𝑵
(4.5)
7 De exemplu, dacă setul de date analizat are o distribuție suficient de apropiată de distribuția normală, atunci se pot
folosi metode statistice bazate pe distribuția normală pentru a face inferențe despre parametrii populației din care
face parte eșantionul analizat.
Moda
Mediana
Media
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
27
𝑺 = √∑(𝒙𝒊 − 𝒙)𝟐
𝒏
(4.6)
În formulele prezentate mai sus - Formula 4.5 și Formula 4.6, N reprezintă mărimea populației și
n reprezintă mărimea eșantionului.
Varianța este pur și simplu pătratul abaterii standard. Varianța eșantionului se notează cu 𝑆2, iar
varinața populației se noteză cu 𝜎2.
1.1.1.3 Mărimi ale formei distribuției
Mărimile care descriu forma distribuției sunt esențiale pentru a stabili cât de aproape de distribuția
normală este distribuit setul de date analizat, precum și intensitatea cu care valorile extreme
deplasează mediana față de medie.
Distribuția normală sau curba normală este un instrument important în inferența statistică.
Curba normală este obținută în momentul în care se face raportarea într-un grafic care arată
distribuția datelor. Deși setul original de date poate să nu fie distribuit normal, rezultatele unei
eșantionări aleatoare repetate poate aproxima distribuția normală. Curba normală ia forma unui
clopot. Una din caracteristicile cele mai importante ale curbei clopot este simetria acesteia. Ambele
jumătăți ale curbei au aceași formă și conțin același număr de observații. Media, mediana și modul
sunt una și aceași valoare, care se poziționează în punctul de mijloc.
4.2.4. Analiza de regresie
Analiza de regresie este o tehnică statistică prin care se obține o ecuație matematică în scopul
cuantificării relației dintre o variabilă dependentă și una sau mai multe variabile independente sau
de intrare. De obicei, atunci când se aplică analiza de regresie în evaluare, variabila dependentă
este considerată prețul de vânzare sau chiria obtenabilă pentru o proprietate imobiliară. Variabilele
independente pot fi considerate variabile cu implicații sociale, economice sau variabile care
reprezintă caracteristicile fizice ale proprietății imobiliare. În cele mai multe cazuri, colectarea
datelor se concentrază fie asupra vânzărilor de proprietăți imobiliare sau chiria acestora, dar care
fac subiectul acelorași influențe sociale și economice sau legate de mediul înconjurător. De
asemenea, în anumite situații este nesar să fie inclusă o variabilă sau un set de variabile care să
reflecte data vânzării, pentru a putea cuantifica evoluția economică a pieței imobiliare din zona
studiată.
Metodele statistice care se bazează pe analiza de regresie au fost utilizate de către evaluatori, în
scopul estimării valorii impozabile, în special în zonele în care piețele rezidențiale sunt foarte bine
dezvoltate. Astfel, modelarea prin regresie este mai eficientă și poate oferi rezultate mai precise
decât cele obținute prin evaluarea tradițională sau sistematică a fiecărei proprietăți imobiliare în
parte.8
8 În prezent, în România, evaluarea pentru determinarea valorii impoabile se face respectând GEV 500 -
Determinarea valorii impozabile a clădirilor din Standardele de evaluare a bunurilor, ediția 2018. În accepțiunea
acestui Ghid, valoarea impozabilă este un tip al valorii estimat în scopul impozitării clădirilor nerezidențiale deținute
de persoane fizice sau juridice și a clădirilor rezidențiale deținute de persoane juridice.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
28
De asemenea, modelele de regresie (ca și sistemele expert și rețelele neuronale) reprezintă baza de
realizare a multor modele automate de evaluare (AVM9), care vor fi descrise pe larg în capitolul ,
din care fac parte și modelele de evaluare globală.
1.1.1.4 Regresia liniară simplă
În cea mai simplă formă a sa, regresia liniară captează relația (4.7) dintre o singură variabilă
independentă (predictor) și variabila dependentă.
𝒀𝒊 = 𝜶 + 𝜷𝒙𝒊 + 𝜺 (4.7)
Această relație reflectă o relație liniară de tip determinist de forma 𝑌 = 𝛼 + 𝛽𝑥 plus o componentă
(𝜀) stohastică (întâmplătoare). Panta liniei liniei de regresie este b și interceptul acesteia este a.
Imapactul altor variabile în afara variabilei independente, care ar putea influența valoarea
variabilei dependente, nu este inclus într-un model de regresie liniară simplă. În domeniul
evaluărilor imobiliare, Y ar putea fi valoarea de piață, prețul de vânzare sau chiria de piață și x ar
putea fi, de exemplu, suprafața utilă a unui apartament. Componența întâmplătoare reflectă eroarea
de eșantionare plus imperfecțiunea piețelor imobiliare, indusă de influența factorilor de tipul
avantajului informării, compentenței în negociere a părților implicate într-o vânzare sau închiriere,
precum și a altor variabile neincluse în model. Astfel, modelul de regresie liniară simplă produce
un estimator al ecuației 4.8, de forma:
��𝒊 = 𝒂 + 𝒃𝒙𝒊 + 𝒆 (4.8)
în care a este un estimator a lui 𝜶, b este un estimator a lui 𝛽 și e este un estimator al lui 𝜀. Variabila
rezultată reprezintă prețul de piață așteptat.
1.1.1.5 Regresia liniară multiplă
Analiza regresiei multiple este efectuată cu aceleași metode de bază, folosite în regresia liniară
simplă, însă analiza, în cazul acesta este mai extinsă, deoarece include două sau mai multe variabile
independente. În prezent, unele programe de calcul sunt programate pentru a calcula regresii
folosind două sau trei variabile independente, însă regresiile multiple sunt afectate, în general, cu
ajutorul sistemelor de calcul avansate. Regresia în trepte reprezintă o îmbunătățire adusă metodei
regresiei standard, deoarece poot fi adăugate sau eliminate variabile din ecuația de regresie. Acest
tip de model de regresie oferă o combinație optimă a variabilelor prin reținerea numai a celor mai
semnificative dintre ele. (Appraisal Institute, 2004)
Un beneficiu al puterii explicative mai mari a modelului de regresie liniară multiplă, spre deosebire
de modelul de regresie liniară simplă, constă într-o precizie mai mare de previzionare, așa cum
arată intervalele de confidență mai restrânse.
4.2.5. Dezvoltarea modelelor statistice
Specificarea modelului reprezintă procesul de dezvoltare a modelelor statistice. În vederea
utilizării unor astfel de modele statistice în domeniul evaluării proprietăților imobiliare,
specificarea modelului cuprinde două elemente cheie: forma funcțională a relației dintre variabila
dependentă și variabilele independente și alegerea variabilelor care vor fi incluse în model.
Specialistii evaluatori apelează, în prezent, la diverse metode statistice pentru evaluarea
proprietătilor imobiliare, o multitudine de solutii pe care statistica matematică le oferă pentru a fi
9 AVM (engleză) - Automated valuation model
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
29
aplicate si în acest domeniu: MRA - analiza prin regresie multiplă, serii de timp, tehnici de logică
fuzzy, ANN - retele neuronale artificiale, NFS - sisteme neuro-fuzzy si altele.
Pe plan international, emerg din diferite colturi ale lumii si din ambele zone de expertiză, atât din
mediul academic (universităti, institutii de cercetare) cât si din industrie (bănci, firme de
evaluatori, agentii imobiliare), solutii bazate pe statistica matematică, si chiar mai mult, simbioze
ale acestora cu Sisteme Informatice Geografice (GIS) sau cu aplicatii web.
4.2.6. Aplicații ale statisticii în practica evaluării
Dezvoltarea calculatoarelor personale, a programelor de tip spreadsheet si a programelor de
prelucrare statistică, permite evaluatorilor sa încorporeze ușor și precis statistica în analizele lor,
precum și în rapoartele de evaluare. In primii ani de la apariția calculatoarelor personale, analiza
statistică era, în general, limitată la generarea statisticilor descriptive și a digramelor
corespunzătoare, a tabelelor și a graficelor. Pe măsură ce în sistemele de operare au început să
predomine interfetele grafice, programele statistice precum SPSS, Minitab si SAS au devenit mai
prietenoase, în special datorită faptului că nu mai era necesar ca utilizatorul să scrie coduri de
programare.
De asemenea, pe măsură ce nevoile utilizatorilor de calculatoare au devenit mai mari, au fost
adăugate noi instrumente statistice programelor de tip spreadsheet pentru a putea face nevoilor. În
prezent Microsoft Excel include un pachet de instrumente statistice care generează ca rezultate
matrici de corelație, teste F de varianță, teste t pentru medii, precum și modele de regresie liniară.
Totuși, Excel oferă foarte puțin din punct de vedere al indicatorilor de diagnoză care însoțesc
aceste instrumente statistice.
4.3. Rețele neuronale
În știința inteligenței artificiale, rețelele neuronale se caracterizează prin ansambluri de elemente
de procesare simple, puternic interconectate și operând în paralel, care urmăresc să interacționeze
cu mediul înconjurător într-un mod asemănător creierelor biologice și care prezintă capacitatea de
a învăța. Nu există o definiție general acceptată a acestor tipuri de sisteme, dar majoritatea
cercetătorilor sunt de acord cu definirea rețelelor artificiale ca rețele de elemente simple, puternic
interconectate prin intermediul unor legături numite interconexiuni prin care se propagă
informația numerică.
Originea acestor rețele trebuie căutată în studierea rețelelor bioelectrice din creierul uman, fiind
formate de neuroni și sinapse le acestora. Principala trăsătură a acestor rețele este capacitatea de a
învața pe bază de exemple, folosindu-se de experiența anterioară pentru a-și îmbunătății
performanțele.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
30
Figura 4.6 Corespondența rețele neuronale biologice și rețele neuronale artificiale
Pentru a înțelege mai bine acest proces, în tabelul de mai jos și în figura prezentă anterior se arată
corespondența între rețele neuronale biologice și rețele neuronale artificiale.
Tabel 4-1 Corespondența rețele neuronale biologice și rețele neuronale artificiale
RN Biologică RN Artificială
Soma (corpul celulei) Neuron
Dendrite Intrări
Axon Ieșire
Sinapsă Pondere (weight)
Principala deosebire a rețelelor neuronale față de alte sisteme de prelucrare a informațiilor îl
constituie capacitatea de învățare în urma interacțiunii cu mediul înconjurător, precum și
îmbunătățirii performanțelor.
O reprezentare corectă a informațiilor, care să permită interpretarea, predicția, precum și răspunsul
la stimulul extern, poate permite rețelei să construiască un model al procesului analizat. Acest
model va putea raspunde astfel unor stimuli neutilizati în procesul de învățare. Informațiile
utilizate în procesul de învațare pot fi: informatii diponibile a priori sau pereche intrare-ieșire (care
stabilesc relații de tipul cauza-efect), iar modul de reprezentare internă urmărește un set de reguli
bine documentat.
Acești algoritmi pot fi clasificași după mai multe criterii, după cum urmează:
o disponibilitatea răspunsului dorit la ieșirea rețelei;
o existența unui model analitic;
o tipul aplicației în care sunt utilizați, dar cele mai multe documențatii se rezumă la două
mari clase: învațare supravegheată (care presupune existența în orice moment a unei valori
dorite a fiecarui neuron din stratul de ieșire) și invățare nesupravegheată (în care rețeaua
extrage singura anumite caracteristici importante ale datelor de ieșire, în urma unui gen de
compețitie între neuronii elementari).
Rețeaua neurală artificială este o metodă care a fost transferată de la tehnologia informatică
inspirată de structura rețelei neuronale din creierul uman. În plus, "rețeaua neurală artificială este
un procesor care constă din unități de procesare simple și care funcționează într-o ordine foarte
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
31
densă, paralelă și distribuită". Are caracteristici pentru stocarea informațiilor experimentale, dae
și mai apoi poate aduce o utilizare tuturor informațiilor adunate.
Rețelele neuronale artificiale au fost propuse ca un instrument alternativ de evaluare datorită
capacității lor în domenii cu relații neliniare sau modele inițial necunoscute. Cu toate acestea,
dezavantajul major al rețelelor neuronale este explicația predicțiilor sale. În general, RN-urile sunt
numite "cutii negre" din cauza lipsei unui model simplu și explicit de cartografiere a relațiilor
dintre intrări și ieșiri, ceea ce este important în unele scopuri ale evaluării, cum ar fi evaluarea în
vederea impozitării (González, 2008).
Rețelele neuronale sunt sisteme de procesare paralelă masiv distribuită. Ele folosesc mecanisme
de învățare pentru dobândirea de cunoștințe și salvează aceste cunoștințe în conexiuni ponderate
(Rumelhart și McClelland, 1995; Haykin, 1999). O rețea neuronală artificială este compusă dintr-
un set de neuroni (noduri) și un număr de conexiuni ponderate între ele, conform Figurii 4.7.
Neuronii au două părți: o sumă inițială a intrărilor ponderate și o funcție de activare (în general
neliniară), care dă ieșirea neuronului.
Figura 4.7 Structura procesului unei rețele neuronale artificiale
Structura de rețea a ANN este aplicată în două moduri, ca structură neuronală cu feed-forward și
structură neuronală de feedback.
o Structura neuronală feed-forward avansează ca date de intrare, proces punct de nod și
proces de ieșire;
o Structura neuronală a feedback-ului este repetarea proceselor într-o parte în timp ce fluxul
de proces continuă Feed-forward.
În viața reală, multe probleme sunt structuri neliniare. MLP sau Perceptron multistrat este un
model ANN cel mai adesea folosit pentru a rezolva probleme neliniare.
Există mulți algoritmi de învățare care sunt utilizați. Acești algoritmi de învățare au mai mult de o
sută de tipuri de varietăți în funcție de arhitectura rețelelor neuronale artificiale și caracteristicile
problemei întâlnite, iar cea mai populară structură de rețea pentru MLP este rețeaua de propagare
în spate (Elmas, 2003). Funcțiile adecvate de activare ar trebui să fie determinate într-un proces
numit cutie neagră ANN.
Tabel 4-2 Functii de activare a retelelor neuronale artificiale
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
32
4.4. Concluzii
În acest capitol s-au prezentat noțiunile teoretice ale modelării statistice aplicate în evaluarea
proprietăților imobiliare, dar și elemente teoretice ale modelării și predicției utilizând rețelele
neuronale.
Principalele direcții ale calculului inteligent sunt:
o Calculul neuronal - este folosit în rezolvarea problemelor de asociere, bazându-se pe
extragerea prin învațare, a unui model pornind de la exemple. Sursa de inspirație o
reprezintă structura și funcționarea creierului uman.
o Calculul evolutiv - este folosit în rezolvarea problemelor bazate pe căutarea soluției într-
un spațiu mare de soluții potențiale. Sursa de inspirație o reprezintă principiile
evoluționismului darwinist.
o Calculul fuzzy - este folosit atunci când datele problemei (și relațiile dintre acestea) nu pot
fi decrise exact, ci se caracterizează printr-un grad de incertitudine (fuziness). Ideea
principală este a a înlocui valorile exacte cu valori fuzzy descrise prin funcții de aparență.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
33
5. Studiu de caz
5.1. Prezentare generală
În prezentul capitol, am prezentat, într-o primă etapă, zona analizată și anume Municipiul Cluj-
Napoca. Mai apoi, în cadrul razei acestui municipiu am întocmit baza de date și am desfășurat o
serie de analize, precum și prelucrări statistice, dar și alte studii, în vederea întocmirii unui model
automat de evaluare.
Etapele parcurse în realizarea studiului de caz sunt prezentate în figura urmatoare:
Figura 5.1 Etapele parcurse în vederea dezvoltării studiului de caz (întocmit de autor)
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
34
5.2. Prezentarea zonei de studiu
5.2.1. Localizarea și delimitarea zonei de studiu
Pentru demararea studiului de caz, în primă fază am analizat localizarea Municipiul Cluj-Napoca,
dar și piața imobiliară din cadrul acestui municipiu. Cluj-Napoca este municipiul de reședință al
județului Cluj, Transilvania, România. La recensământul din 2011 era al doilea oraș al României
ca populație. Pe plan geografic, se află la distanțe aproximativ egale de București (324
kilometri), Budapesta (351 km) și Belgrad (322 km). Situat pe valea râului Someșul Mic, orașul
este considerat capitala neoficială a regiunii istorice Transilvania. (Wikipedia, 2017)
Figura 5.2 Poziția geografică a Municipiului Cluj-Napoca
(Maps, 2017)
Figura 5.3 Delimitarea Municipiului Cluj-Napoca și localizarea acestuia în cadrul județului Cluj
(Maps, 2017) (Wikipedia, 2017)
În prezent municipiul Cluj-Napoca este împărțit în urmatoarele cartiere: Centru, Zorilor, Manăștur,
Grigorescu, Gheorgheni, Andrei Mureșanu, Mărăști, Iris, Bulgaria, Dâmbul Rotund, Someșeni,
Plopilor, Gruia, Intre Lacuri, Bună Ziua, Europa, Colonia Sopor, Colonia Faget, Colonia Borhanci,
Colonia Becaș si zona limitrofă, după cum sunt prezentate în figura 5.4.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
35
Figura 5.4 Delimitarea cartierelor din Municipiului Cluj-Napoca
5.2.2. Descrierea zonei de studiu
Pentru a putea determina nevoile, dorințele, puterea de cumpărare și preferințele consumatorilor
din municipiul Cluj-Napoca, am pornit de la analizarea cererii, adică am identificat utilizatorii
potențiali (cumpărători sau chiriași).
În analiza cererii de pe piața locuințelor sunt importanți următorii factori: populația din aria de
piață, nivelul veniturilor și a salariilor, tipologia locurilor de muncă precum și rata somajului,
raportul între spațiile ocupate de proprietari și cele ocupate de chiriași, considerente financiare,
cum ar fi nivelul economiilor, factorii ce afectează atractivitatea fizica a vecinatatii, structura
taxelor locale și a administrației, dar și disponibilitatea facilitățiilor și serviciilor de interes public
(instituții de cultură, instituții de invățământ și calitatea școlilor, facilități sanitare și medicale etc.).
În continuare, s-au analizat factorii considerați importanți în analiza și descrierea Municipiului
Cluj-Napoca. Numărul de locuitori a crescut constant în perioada 1930-2011, conform graficului
de mai jos :
Grafic 5-1 – Evoluția numărului de locuitori în județul Cluj (Wikipedia, 2017)
În paralel cu creșterea populației, a crescut și numărul de locuințe din judetul Cluj, conform
Graficului 5.2.
475,533520,073
580,344629,746
715,507 736,301702,755 691,106
1930 1948 1956 1966 1977 1992 2002 2011
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
36
Grafic 5-2 - Evolutia numărului de locuințe în județul Cluj (Wikipedia, 2017)
Astfel, se poate considera dinamica populației ca fiind una activa, existând un aport anual format
din studenți care vin la studii, studenți care iși încheie ciclul de studii și obțin un loc de muncă,
precum și familii tinere. Cererea se referă la acest segment al populației, fără însă a se limita la
acesta, cu un nivel de venituri medii stabilizate, în curs de stabilizare sau în creștere.
5.3. Întocmirea bazei de date
5.3.1. Scurtă descriere
Baza de date este formată din tranzacții și rapoarte de evaluare simplificate efectuate în Municipiul
Cluj-Napoca, Județul Cluj, România, în perioada august 2016 până în august 2017. Cartierele
analizate din cadrul municipiului sunt următoarele: Mărăști, Mănăștur, Grigorescu, Gheorgheni,
Zorilor și Centru, așa cum este evidențiat în figura 5.5, de mai jos:
Figura 5.5 Evidențierea cartierelor din Cluj-Napoca analizate în baza de date
(Cluj-Napoca, 2017)
264,498 269,288 271,479 274,562 283,620 293,265 299,229317,898
2000 2002 2004 2006 2008 2010 2012 2013
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
37
5.3.2. Structura bazei de date
Pentru întocmirea bazei de date, am ținut cont de următoarele caracteristici, și anume:
caracteristici spațiale, caracteristici tehnice și caracteristici economice. Mai departe, fiecare
dintre aceste caracteristici au fost detaliate, adica s-au adăugat la caracteristicile spațiale informații
despre localizare, adică orașul, cartierul, adresa sau zona, precum și coordonatele geografice
(latitudine și longitudine). La caracteristicile tehnice s-au adăugat date despre tipul proprietății
imobiliare, numărul de camere, etajul la care este situată proprietatea (parter/intermediar/ultimul),
suprafața utilă (mp), finisajele de care dispun proprietățiile imobiliare
(inferioare/medii/superioare), vârsta cronologică, anul construcției (data PIF10), precum și faptul
dacă respectiva proprietate imobiliară este dotată cu lift, parcare sau garaj. Caracteristicile
economice au fost completate adăugând informații despre prețul de tranzacție, exprimat în euro și
euro/mp, data tranzacției – luna și anul, dar și tipul de informație introdusă în baza de date, fie
tranzacție, fie ofertă sau evaluare. Structura bazei de date este prezentată în schema logică
prezentată în figura 5.6, de mai jos:
Figura 5.6 Structura bazei de date
Sursă: Întocmită de către autor (lucidchart.com)
10 Data PIF – Data punerii în funcțiune (Anul construcției)
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
38
5.3.3. Completarea bazei de date cu tranzacții disponibile pe piață
Pentru completarea bazei de date, s-au utilizat informațiile preluate de pe portalul
analizeimobiliare.ro, așa cum este descris în imaginea de mai jos.
Figura 5.7 Completarea bazei de date
Sursă: (EPI, 2017)
În vederea completării locației exacte a proprietățiilor imobiliare, s-a utilizat GoogleMaps pentru
a putea prelua coordonatele geografice (latitudinea și longitudinea).
Figura 5.8 Preluarea informațiilor – coordonatele geografice a proprietățiilor imobilaire
Sursă: (Maps, 2017)
5.3.4. Baza de date
Astfel, întreaga baza de date conține 255 de tranzacții și este formată în principal din apartamente
de 2 camere, cu suprafețe cuprinse între 40 și 60 mp, localizate în diferite cartiere din Municipiul
Cluj-Napoca. Baza de date este prezentată, integral, în Anexa 1 a prezentei lucrări de doctorat.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
39
Tabel 5-1 Prezentarea - extras - din bazei de date
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
40
5.4. Perfecționarea preluării informațiilor necesare procesului de evaluare a
proprietățiilor imobiliare
În vederea perfecționării procesului de evaluare a proprietăților imobiliare, în special a
apartamentelor este necesara îmbunătățirea inspecției realizată de către persoana abilitată, adică
de către evaluatorul de proprietăți imobiliare. Este de precizat faptul ca inspecția proprietăților în
scopul evaluării permite identificarea stării fizice a imobilului subiect, dar și a trasăturilor sociale
și economice ale perioadei în care se exercită procesul de evaluare. (Șchiopu, 2007)
Astfel, pentru a putea automatiza acest proces și pentru a îmbunătății acest preces al inspecției, am
întocmit un chestionar digital. Acest chestionar poate înlocui tradiționala fișa de inspecție pe care
evaluatorii o folosesc, deci practic, înlocuiește un formular fizic cu unul digital.
Acest formular a fost întocmit cu ajutorul programului Survey 123 for ArcGis și poate fi accesat
de pe orice echipament electronic disponibil, cum ar fi calculator sau laptop, tabletă sau chiar
telefon mobil. În figurile de mai jos, am prezentat cum se poate vizualiza acest chestionar de pe
un calculator sau laptop personal (vezi Figura 5.9), dar și vizualizarea de pe un dispozitiv mobil.
Figura 5.9 Vizualizarea chestionarului pentru inspecție – varianta desktop
Un avantaj deosebit de important, la acest tip de chestionar este că poate fi folosit de pe un mobil,
iar informația salvată este stocată și poate fi vizualizată de la un birou. În continuare este prezentat
modul de operare cu acest tip de chestionar de pe un dispozitiv mobil. În primul rând, se introduce
numela utilizatorului si parola, după ce în prealabil a fost instalată aplicația în memoria telefonului
(Vezi Figura 5.10).
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
41
Figura 5.10 Instalarea chestionarului pentru inspecție – varianta mobil
După parcurgerea procesului descris mai sus, utilizatorul poate accesa chestionarul și completa
informațiile pe care le culege în timpul inspecției.
Figura 5.11 Descrierea chestionarului pentru inspecție – varianta mobil
Infomațiile care pot fi notate în chestionarul întocmit sunt foarte folositoare în procesul de
evaluare, și anume: numele clinetului, adresa exactă a proprietății imobiliare, tipul finisajelor,
numărul de camere, starea fizică a proprietății imobiliare (Vezi Figura 5.11). Chestionarul dispune
și de posibilitatea atașării fotografiilor culese în cadrul inspecției proprietății imobiliare analizate.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
42
5.5. Analiza statistică a bazei de date
În vederea întocmirii unei analize statistice a bazei de date prezentate anterior, s-au utilizat mai
multe programe software. Pentru analiza descriptică a bazei de date s-a utilizat, într-o primă etapă,
programul MiniTab și în a doua etapă programul SPSS. După efectuarea analizelor, am întocmit
un studiu comparativ între cele două programe și care dintre cele utilizate se poate utiliza mai bine
în domeniul evaluăriilor imobiliare.
5.5.1. Calculul și interpretarea indicatorilor tendintei centrale si a indicatoriilor
dispersiei
Pentru variabilele Pret de tranzactie si Supafata Utila s-au calculat indicatorii tendinței centrale,
precum și indicatorii dispersiei și după s-a calculat și coeficientul de corelație între cele două
variabile.
Grafic 5-3 Indicatorii tendinței centrale și a indicatorilor dispersiei pentru variabila Suprafață Utilă
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
43
Grafic 5-4 Indicatorii tendinței centrale și a indicatorilor dispersiei pentru variabila Pret de tranzactie
Aplatizarea (kurtosis) este o măsură a răspândirii fiecărei observații în jurul unei valori centrale -
aplatizarea curbei comparativ cu aplatizarea curbei normale (Gauss). Astfel, putem afirma că:
• curbele normale au coeficientul de aplatizare egal cu 0 si se numesc mezocurtice;
• curbele cu vârful mai ascutit (leptocurtice) au un coeficient de aplatizare mai mare
decât 0;
• curbele cu vârful mai plat (platicurtice) au un indice de aplatizare mai mic decât 0.
Se observă că aplatizarea în cazul variabilei Suprafață utilă este destul de apropiată de 0, deci
putem afirma că distribuția valorilor este aproape de normală, dar în cazul variabilei Pret de
tranzactie valorile obținute sunt mari, iar astfel distribuția valorilor nu este una normală. Prin
raportarea abaterii medii patratice la media esantionului este calculat coeficientul de variație ce
caracterizează seria de date. Nivelul acestuia poate indica gradul de dificultate al previziunii ce
urmează a fi realizata pe baza datelor din eșantion.
Coeficientul de corelatie poate să fie cuprin între valorile descrise mai jos, și anume:
• valoare apropiată de zero - cele două variabile prezintă o dependentă liniară foarte
slabă;
• dacă este zero - variabilele sunt independente;
• dacă este apropiată de 1 - variabilele au o dependentă liniară directă (pozitivă);
• dacă este apropiată de -1 - dependentă liniară inversă (negativă).
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
44
În practică, se consideră ca un coeficient de corelatie ce ia o valoare peste 0,8 defineste o legătură
liniară puternică, iar dacă ia o valoare sub 0,5 defineste o corelatie liniară slabă. Astfel că, între
variabila dependenta Pret de tranzactie și variabila independentă Suprafata există o corelație
puternică.
5.5.2. Analiza grafică și analiza acestora
Pentru variabila Preț de tranzacție și Suprafată utilă am realizat următoarele tipuri de grafice
prezentate mai jos, pentru a putea analiza baza de date întocmită.
Grafic 5-5 Frecvența repartiției proprietăților imobiliare în funcție de Suprafața utilă
a) Histograma realizată in SPSS
b) Histrograma realizată în MiniTab
Conform graficului de mai sus și a celui de mai jos, distribuția valorilor pentru variabila Suprafata
Utila se apropie de o distribuție normală.
Grafic 5-6 Box- and-whiskers pentru variabila Suprafața utilă
a) Box- and-whiskers realizat in SPSS
b) Box- and-whiskers realizat în MiniTab
După cum se poate observa din graficul Box-and-whiskers, de mai sus, Graficul 5-4, al variabilei
Suprafața Utilă există valori care ies din tipar. Acest lucru rezultând din faptul că nu toate valorile
observațiilor se încadrează între limitele extreme.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
45
Grafic 5-7 Steam and leaf pentru variabila Suprafața utilă
Pentru evidențierea valorilor extreme ale variabilei Suprafața utilă, s-a efectuat diagrama de
împrăștiere a datelor, după cum urmează:
Grafic 5-8 Digrama de normalitate pentru variabila Suprafața utilă
a) Diagrama de normalitate realizată in SPSS
b) Diagrama de normalitate realizată în MiniTab
c) Evidențierea valorilor extreme (aberante) din variabila Suprafața utilă
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
46
Analiza grafică a variabilei Preț de tranzacție este prezentată în cele ce urmează:
Grafic 5-9 Frecvența repartiției proprietăților imobiliare în funcție de variabila Preț de vânzare
a) Histograma realizată in MiniTab
b) Histrograma realizată în SPSS
După cum se poate observa din graficul Box-and-whiskers de mai jos, Graficul 5-9 și din graficul
Steam and leaf de mai jos, Graficul 5-10 al variabilei Preț de tranzacție există valori ce ies din
tipar, mai exact 6 astfel de valori. Acest lucru rezultând din faptul ca nu toate valorile observațiilor
se încadreaza între limitele extreme.
Grafic 5-10 Box- and-whiskers pentru variabila Preț de tranzacție
a) Box- and-whiskers realizat in MiniTab
b) Box- and-whiskers realizat în SPSS
Grafic 5-11 Steam and leaf pentru variabila Preț de tranzacție
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
47
Pentru evidențierea valorilor extreme ale variabilei Preț de tranzacție, s-au efectuat următoarele
grafice: Grafic 5-12 Digrama de normalitate pentru variabila Preț de tranzacție
a) Diagrama de normalitate realizată in
MiniTab
b) Diagrama de normalitate realizată în SPSS
c) Evidențierea valorilor extreme (aberante) din variabila Suprafața utilă
În continuare, s-au analizat și următoarele variabile Cartier, Finisaje, Lift, Garaj sau Parcare.
Astfel, în această etapă, proprietățile imobiliare care formează baza de date sunt distribuite, după
cum urmează: 20,1% dintre proprietățile imobiliare sunt situate în cartierul Gheorgheni, 15,7%
sunt situate în cartierul Grigorescu, 18,9% sunt situate în cartierul Mănăștur, 15,4% în cartierul
Mărăști, 19,3% în cartierul Zorilor și 10,6% sunt situate în centrul municipiului Cluj-Napoca.
Grafic 5-13 Distribuirea proprietăților imobiliare în funcție de localizare (cartier)
Proprietățile imobiliare rezidențiale, care formează baza de date analizată, au fost analizate și din
punct de vedere al finisajelor. Astfel, 2,0% (5 apartamente) sunt semi-finisate, 7,1% (18
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
48
apartamente) dintre proprietățile imobiliare dispun de finisaje inferioare, 63,4% (161 apartamente)
finisaje medii și 27,6% (70 apartamente) dintre proprietățile imobiliare dispun de finisaje
superioare.
Grafic 5-14 Distribuirea proprietăților imobiliare în funcție de finisaje
În continuare, s-au analizat și următoarele variabile, și anume Garaj și Parcare. Astfel, doar 8,3%
dintre proprietățile imobiliare rezidențiale analizate beneficiază de garaj, restul de 91,7% nu
beneficiază de această facilitate. Iar 26,0% dintre proprietățile imobiliare rezidențiale analizate
beneficiază de loc de parcare inclus în prețul de tranzacție, iar 74% nu beneficiază de loc de parcare
inclus în prețul de tranzacție. Conform analizei de piață efectuată, locul de parcare și garajul
reprezintă niște facilități care sunt separate de prețul de tranzacție al unui apartament, acestea
putând fi comercializate individual.
Grafic 5-15 Distribuirea proprietăților imobiliare în elementele suplimentare care influențează valoarea
de piață (dotarea cu garaj sau cu parcare)
După eliminarea valorilor aberante (extreme) pentru cele două variabile Suprafață utilă și Preț de
tranzacție, s-au obținut următoarele grafice și analize:
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
49
Grafic 5-16 Frecvența repartiției proprietăților imobiliare în funcție de Suprafața utilă
a) Histograma realizată in MiniTab
b) Histrograma realizată în SPSS
Conform graficului de mai sus, Graficul 5-16, distribuția valorilor pentru variabila Suprafața utilă
reprezintă o distribuție normală.
Grafic 5-17 Box- and-whiskers pentru variabila Suprafața utilă
a) Box- and-whiskers realizat in MiniTab
b) Box- and-whiskers realizat în SPSS
După cum se poate observa din graficul Box-and-whiskers de mai sus, al variabilei Suprafata Utila
nu mai există valori ce ies din tipar, acest lucru rezultând din faptul că toate valorile observațiilor
se încadrează între limitele extreme.
Grafic 5-18 Digrama de normalitate pentru variabila Suprafață utilă
a) Diagrama de normalitate realizată in
MiniTab
b) Diagrama de normalitate realizată în SPSS
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
50
c) Evidențierea valorilor extreme (aberante) din variabila Suprafața utilă
Grafic 5-19 Frecventa repartitiei proprietatilor imobiliare in functie de Preț de vânzare
a) Histograma realizată in MiniTab
b) Histrograma realizată în SPSS
Conform graficului de mai sus, distribuția valorilor pentru variabila Preț de tranzacție reprezintă
o distribuție normală.
Grafic 5-20 Box- and-whiskers pentru variabila Preț de tranzacție
a) Box- and-whiskers realizat in MiniTab
b) Box- and-whiskers realizat în SPSS
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
51
Grafic 5-21 Digrama de normalitate pentru variabila Preț de tranzacție
a) Diagrama de normalitate realizată in
MiniTab
b) Diagrama de normalitate realizată în SPSS
c) Evidențierea valorilor extreme (aberante) din variabila Preț de tranzacție
În continuare, s-au analizat și următoarele variabile Cartier, Finisaje, Lift, Garaj sau Parcare.
Astfel, în această etapă, proprietățile imobiliare care formează baza de date sunt distribuite, după
cum urmează: 20,2% (48 apartamente) dintre proprietățile imobiliare sunt situate în cartierul
Gheorgheni, 16,8% (40 apartamente) sunt situate în cartierul Grigorescu, 18,5% (44 apartamente)
sunt situate în cartierul Mănăștur, 16,4% (39 apartamente) în cartierul Mărăști, 19,7% (47
apartamente) în cartierul Zorilor și 8,4% (20 apartamente) sunt situate în centrul municipiului Cluj-
Napoca.
Grafic 5-22 Distribuirea proprietăților imobiliare în funcție de localizare (cartier)
Astfel, după eliminarea valorilor aberante, proprietățile imobiliare rezidențiale, care formează baza
de date analizată, au fost analizate, din nou și din punct de vedere al distribuirii pe veriticală din
cadrul imobilului. Astfel, 64,7% (154 apartamente) sunt situate la etaje intermediare, 14,3% (34
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
52
apartamente) dintre proprietățile imobiliare sunt situate la parter și 21,0% (50 apartamente) dintre
proprietățile imobiliare sunt situate la ultimul etaj.
Grafic 5-23 Distribuirea proprietăților imobiliare în funcție de etaj
După eliminarea valorilor aberante, proprietățile imobiliare rezidențiale, care formează baza de
date analizată, au fost analizate, din nou și din punct de vedere al finisajelor. Astfel, 2,1% (5
apartamente) sunt semi-finisate, 6,7% (16 apartamente) dintre proprietățile imobiliare dispun de
finisaje inferioare, 64,7% (154 apartamente) finisaje medii și 26,5% (63 apartamente) dintre
proprietățile imobiliare dispun de finisaje superioare.
Grafic 5-24 Distribuirea proprietăților imobiliare în funcție de finisaje
Grafic 5-25 Distribuirea proprietăților imobiliare în elementele suplimentare care influențează valoarea de piață (dotarea cu garaj sau cu parcare)
Mai sus, s-au analizat și următoarele variabile, și anume Garaj și Parcare. Astfel, doar 8,8% dintre
proprietățile imobiliare rezidențiale analizate beneficiază de garaj, restul de 91,2% nu beneficiază
de această facilitate. Iar 27,7% dintre proprietățile imobiliare rezidențiale analizate beneficiază de
loc de parcare inclus în prețul de tranzacție, iar 72,3% nu beneficiază de loc de parcare inclus în
prețul de tranzacție. Conform analizei de piață efectuată, locul de parcare și garajul reprezintă niște
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
53
facilități care sunt separate de prețul de tranzacție al unui apartament, acestea putând fi
comercializate individual.
5.5.3. Regresie liniară simplă
Modelele de regresie oferă estimări ale variabilelor dependente care ar trebui să fie însoțite de un
raport asupra gradului de incertitudine asociată cu estimarea în cauză. Mai mult, aceste modele
oferă estimări și ale coeficientului variabilei independente b, care, de asemenea, încorporează un
grad de incertitudine.
Baza de date întocmită cuprinde atât prețul de tranzacție al proprietăților imobiliare, cât și
suprafața utilă (aria locuibilă) pentru acestea. În continuare, s-au utilizat aceste două variabile
pentru a demonstra un model de regresie liniară simplă. Baza de date integrală este prezentată în
Anexa 1 a prezentei lucrări de doctorat.
În vederea întocmirii unui model de evaluare prin regresie liniară simplă s-au parcurs următoarele
etape de lucru, așa cum sunt expuse în figura de mai jos:
Figura 5.12 Întocmirea unui model de evaluare prin regresie liniară simplă
1.1.2.1 Stabilirea ecuației de regresie liniară simplă
Prin intermediul interceptului și a pantei se face modelarea structurală. Prin această modelare se
descoperă structura relației dintre variabila dependentă și variabila independentă. În cazul
modelului de regresie simplă liniară, modelarea structurală permite dezvoltarea în spațiul
bidimensional a celei mai bune linii de regresie, linie ce poate fi ilustrată printr-o diagramă de
dispersie a datelor pentru a arăta variația variabilei dependente, în acest caz variația variabilei Preț
de tranzacție.
Aplicarea modelului de regresie pentru evaluarea proprietăților subiect
Analiza valorilor reziduale
Analiza semnificației modelului (test ANOVA)
Estimarea parametrului 𝑏1 și testarea lui
Analiza de regresie
Stabilirea ecuației de regresie liniară simplă
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
54
Grafic 5-26 Diagrama de dispersie preț de vânzare / suprafață utilă
Diagrama de dispersie arată faptul că, în general, prețul de tranzacție crește liniar odată cu
suprafața utilă a proprietăților imobiliare analizate. Linia de regresie reprezintă cea mai bună linie
dreaptă care minimizează pătratele erorilor dintre date și linia care aproximează aceste date.
Diferențele dintre prețurile curente și linia de regresie se datorează uneia dintre cele două cauze,
și anume: stabilirea întâmplătoare a prețurilor (elementul stohastic din preț) sau o altă variabilă
care nu a fost luată în considerare, care este, de asemenea, importantă pentru stabilirea prețului de
tranzacție. Astfel de elemente ar putea include alte caracteristici ale apartamentelor analizate, de
exemplu, anul construcției al imobilului, finisajele aparatamentului, precum și localizarea etc.
Regresia liniară simplă devine regresie liniară multiplă atunci când în model sunt incluse mai mult
de o singură variabilă independentă.
Tabel 5-2 Testarea parametrului 𝑏0
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%
Intercept
𝑏0 27.510,69 3.895,52 7,06 0,0000 19.837,7 35.183,7
854,90 76,09 11,24 0,0000 705,0 1.004,8
Rezultatul obținut conform Graficului 5.26 și Tabelului 5.2., de mai sus, ne spune că cea mai bună
relație liniară între prețul de tranzacție și aria locuibilă (suprafața utilă) este descrisă printr-o linie
definită de un intercept de 27.510 și o pantă de 850,67. Conform tabelului de mai sus, Statistica t
calculată pentru suprafața utilă este foarte semnificativă, indicând faptul că suprafața utilă este un
factor important în estimarea prețului de tranzacție. Interceptul liniei de regresie nu este
semnificativ pentru modelul stabilit și în continuare îl vom exclude din model. Astfel, valoarea
unui proprietăți imobiliare va fi definită în felul următor:
𝑽𝒂𝒍𝒐𝒂𝒓𝒆 𝒅𝒆 𝒑𝒊𝒂ță𝒑𝒓𝒐𝒑 = 𝟏. 𝟑𝟖𝟖, 𝟐𝟔 (𝒆𝒖𝒓𝒐) ∗ 𝑺𝒖𝒕𝒊𝒍ă (5.1)
1.1.2.2 Analiza de regresie
Coeficientul de determinare, 𝑅2, poate varia între 0 și 1, 0 indicând faptul că modelul nu are nici
absolut nici o putere explicativă și 1 indicând faptul că modelul are o putere explicativă perfectă
y = 850.67x + 27754
30,000
40,000
50,000
60,000
70,000
80,000
90,000
100,000
30 35 40 45 50 55 60 65 70
Preț
de v
ân
zare (
Eu
ro)
Suprafața utilă (mp)
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
55
(un model deterministic). Coeficientul de determinare 𝑅2 este 0,987 ne spune că 98,7% din variația
prețului de închiriere este explicată de variația suprafeței utile. Coeficientul de determinare ajustat
este util când se dorește compararea mai multor modele competitive, formate din seturi diferite de
variabile independente. În acest caz, nu poate fi generat niciun alt model competitiv, deoarece
există o singură variabila independentă.
Tabel 5-3 Analiza de regresie simplă
Regression Statistics
Multiple R 0,99352
R Square 0,98708
Adjusted R Square 0,98301
Standard Error 8.148,84
Observations 247
1.1.2.3 Estimarea parametrului 𝒃𝟏 și testarea lui
Conform tabelului de mai jos, panta liniei de regresie este corect determinată și este semnificativă
pentru modelul stabilit și datorită valorii p-value, probalitatea ca testul să fie eronat este foarte
mică. Intervalul de confidență pentru pantă este cuprins între 1.368 Euro și 1.408 Euro.
Tabel 5-4 Testarea parametrului 𝑏1
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%
Intercept 0
Suprafață utilă 𝑏1 (mp) 1.388,26 10,13 137,08 0,000 1.368,31 1.408,21
1.1.2.4 Analiza semnificației modelului
În vederea analizării semnificației modelului realizat, s-a aplicat testul ANOVA realizat cu ajutorul
programului de analiză și calcul SPSS, conform tabelului de mai jos:
Tabel 5-5 Analiza semnificației modelului
df SS MS F Significance
F
Regression 1 1,2478E+12 1,24778E+12 18.790,83 1,365E-233
Residual 246 1,6335E+10 66.403.603,37
Total 247 1,2641E+12
Comparând valoarea obținută F cu valoarea critică F, rezultă că modelul este valid din punct de
vedere statistic, iar datorită valorii P-value, probabilitatea ca testul să fie eronat este foarte mică.
1.1.2.5 Analiza reziduală
Verificarea ipotezei normalității s-a făcut utizând următorul grafic Histograma valorilor reziduale
(Graficul 5-27). Astfel, valorile sunt distribuite cornform curbei normale (Gauss) și nu există o
abatere de la ipoteza normalității.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
56
Grafic 5-27 Histograma valorilor reziduale - regresie simplă
Tabel 5-6 Analiza valorilor reziduale
Statistica desciptiva - Valori reziduale
Mean 377,84
Standard Error 519,16
Median 672,17
Mode 33,91
Standard Deviation 8.142,66
Sample Variance 66.302.871
Kurtosis 0,67
Skewness -0,22
Range 46.512,17
Minimum -25.877,83
Maximum 20.634,35
Sum 92.948,46
Count 246,00
Confidence Level(95,0%) 1.022,58
0%
20%
40%
60%
80%
100%
120%
0
5
10
15
20
25
30
35
40
45F
recven
ța
Intervale valori
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
57
Grafic 5-28 Scatter plot valori reziduale și suprafață utilă (mp)
Grafic 5-29 Scatter plot valori reziduale și preț de vânzare previzionat (Euro)
Așa cum este demonstrat în Graficele de mai sus, valorile reziduale se încadrează aproximativ într-
o bandă de valori. Pentru a putea descoperi valorile aberante din setul de date analizat, s-a aplicat
Testul Grubbs.
𝑯𝟎: 𝒖 < 𝒖𝒄𝒓𝒊𝒕𝒊𝒄 − 𝑵𝒖 𝒆𝒙𝒊𝒔𝒕ă 𝒗𝒂𝒍𝒐𝒓𝒊 𝒂𝒃𝒆𝒓𝒂𝒏𝒕𝒆 (5.9)
𝑯𝟎: 𝒖 ≥ 𝒖𝒄𝒓𝒊𝒕𝒊𝒄 − 𝑬𝒙𝒊𝒔𝒕ă 𝒄𝒆𝒍 𝒑𝒖ț𝒊𝒏 𝒐 𝒗𝒂𝒍𝒐𝒂𝒓𝒆 𝒂𝒃𝒆𝒓𝒂𝒏𝒕ă
(5.10)
𝒖 = |𝒙𝒂 − ��
𝒔|
(5.11)
Astfel, pentru 𝛼=0,05 și seria de 247 de date, 𝑢𝑐𝑟𝑖𝑡𝑖𝑐 = 3,496, nu există valori aberante și nici o
proprietate imobiliară nu trebuie exclusă din analiză.
Pentru a verifica dacă valorile reziduale sunt independente, s-a aplicat testul Durbin-Watson, cu
următoarele ipoteze statistice:
𝑯𝟎: 𝒅 < 𝒖𝒄𝒓𝒊𝒕𝒊𝒄 − 𝑬𝒓𝒐𝒓𝒊𝒍𝒆 𝒏𝒖 𝒔𝒖𝒏𝒕 𝒂𝒖𝒕𝒐𝒄𝒐𝒓𝒆𝒍𝒂𝒕𝒆 (5.12)
𝐻0: 𝑑 < 𝑢𝑐𝑟𝑖𝑡𝑖𝑐 − 𝐸𝑟𝑜𝑟𝑖𝑙𝑒 𝑠𝑢𝑛𝑡 𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑒𝑙𝑎𝑡𝑒 (5.13)
-30,000.0
-20,000.0
-10,000.0
0.0
10,000.0
20,000.0
30,000.0
30 35 40 45 50 55 60 65 70
Valo
ri
rezi
du
ale
Suprafață utilă (mp)
-30,000.0
-20,000.0
-10,000.0
0.0
10,000.0
20,000.0
30,000.0
40,000 50,000 60,000 70,000 80,000 90,000 100,000
Valo
ri
rezi
du
ale
Preț de vânzare previzionat (Euro)
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
58
𝒅 =
∑ (𝒆𝒕 − 𝒆𝒕−𝟏)𝟐𝒏𝒕=𝟐
∑ 𝒆𝒕𝟐𝒏
𝒕=𝟏
(5.14)
Astfel, pentru 𝛼=0,05 și seria de 247 de date, d a fost calculat la valoarea de 1,7944 și valorile
obținute sunt independente.
Grafic 5-30 Scatter plot valori reziduale și timp
5.5.4. Regresie liniară multiplă
Regresia liniară multiplă exprimă relatia dintre o variabilă dependentă si cel putin două variabile
explicative, iar modelul acesteia este:
imimiii xxxy +++++= ...22110
ni ,1=
(5.15)
în care:
β0 – termenul liber;
β1, β2,…, βm – coeficientii regresiei multiple;
εi – termenul rezidual.
Etapele si ipotezele luate în calcul, pentru realizarea modelului de regresie multiplă, sunt aceleasi
ca cele specificate în cazul regresiei simple. Coeficientul de determinare 𝑅2 este 0,995 ne spune
că 99,5% din variația prețului de vânzare este explicată de variația suprafeței utile, a anului de
construcție, precum și a faptului că proprietatea imobiliară este sau nu dotată cu parcare, garaj sau
lift.
Tabel 5-7 Analiza de regresie multiplă
Regression Statistics
Multiple R 0,99480
R Square 0,98963
Adjusted R Square 0,98535
Standard Error 7.358,64
Observations 248
-30,000
-20,000
-10,000
0
10,000
20,000
30,000
1 11 21 31 41 51 61 71 81 91 101 111 121 131 141 151 161 171 181 191 201 211 221 231 241
Valo
ri
rezi
du
ale
Timp
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
59
1.1.2.6 Estimarea parametrilor și testarea acestora
Conform tabelului de mai jos, panta liniei de regresie este corect determinată și este semnificativă
pentru modelul stabilit și datorită valorii p-value, probalitatea ca testul să fie eronat este foarte
mică. Intervalul de confidență pentru pantă este diferit pentur fiecare parametru.
Tabel 5-8 Testarea parametrilor ecuației de regresie multiplă
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%
Intercept 0
Suprafata utila 834,78 74,02 11,28 0,00 688,99 980,58
An constructie 14,18 1,93 7,34 0,00 10,38 17,98
Lift 260,28 952,49 0,27 0,78 -1.615,90 2.136,46
Parcare 562,70 1.042,67 0,54 0,59 -1.491,12 2.616,52
Garaj 4.775,66 1.709,93 2,79 0,01 1.407,48 8.143,83
În vederea analizării semnificației modelului realizat, s-a aplicat testul ANOVA realizat cu ajutorul
programului de analiză și calcul SPSS, conform tabelului de mai jos:
Tabel 5-9 Analiza semnificației modelului
df SS MS F
Significance
F
Regression 5 1,2563E+12 2,5126E+11 4640,0588 4,701E-238
Residual 243 1,3158E+10 54149528,1 Total 248 1,2694E+12
𝑽𝒂𝒍𝒐𝒂𝒓𝒆 𝒅𝒆 𝒑𝒊𝒂ță𝒑𝒓𝒐𝒑 (𝑬𝒖𝒓)
= 𝟖𝟑𝟒, 𝟕𝟖 ∗ 𝑽𝒂𝒓_𝑺𝒖𝒕𝒊𝒍ă + 𝟏𝟒, 𝟏𝟖 ∗ 𝑽𝒂𝒓_𝑨𝒏_𝒄𝒐𝒏𝒔𝒕𝒓𝒖𝒄ț𝒊𝒆
+ 𝟐𝟔𝟎, 𝟐𝟖 ∗ 𝑽𝒂𝒓_𝑳𝒊𝒇𝒕 + 𝟓𝟔𝟐, 𝟕𝟎 ∗ 𝑽𝒂𝒓_𝑷𝒂𝒓𝒄𝒂𝒓𝒆 + 𝟒𝟕𝟕𝟓, 𝟔𝟔∗ 𝑽𝒂𝒓_𝑮𝒂𝒓𝒂𝒋
(5.16)
1.1.2.7 Analiza reziduală
Valorile reziduale obținute prin aplicarea modelului de evaluare prin regresie liniară multiplă sunt
prezentate în cele ce urmează. Verificarea ipotezei normalității s-a făcut utizând următoarele
grafice. Astfel, valorile sunt distribuite conform curbei normale (Gauss) și nu există o abatere de
la ipoteza normalității.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
60
Grafic 5-31 Histograma valorilor reziduale - regresie multiplă
Grafic 5-32 Scatter plot valori reziduale și suprafață utilă (mp)
Așa cum este demonstrat în graficele de mai sus, valorile reziduale se încadrează aproximativ într-
o bandă de valori.
0.00%
20.00%
40.00%
60.00%
80.00%
100.00%
120.00%
0
5
10
15
20
25
30
35
40
45
50F
recven
ta
Intervale valori
-30000
-25000
-20000
-15000
-10000
-5000
0
5000
10000
15000
20000
25000
30 35 40 45 50 55 60 65 70
Valo
ri
rezi
du
ale
Suprafața utilă (mp)
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
61
1.1.2.1 Prezentare rezultate obținute prin modelarea pe baza regresiei multiplă, în
comparație cu rezultatele obținute prin modelarea pe baza regresiei simple
Tabel 5-10 Comparația model determinat prin regresie simplă vs. regresie multiplă
Denumire coeficient Regresie
multiplă
Regresie
simplă
Multiple R 0,99480 0,99352
R Square 0,98963 0,98708
Adjusted R Square 0,98535 0,98301
Standard Error 7.358,64 8.148,84
Observations 248 248
Astfel, așa cum era de așteptat, rezultatele modelării statistice sunt mai bune în cazul regresiei
liniare multiple, așa cum este prezentat în tabelul anterior.
5.6. Rețele neuronale
Rețeaua neurală artificială este o metodă care a fost transferată la tehnologia informatică inspirată
de structura rețelei neuronale din creierul uman. În plus, "rețeaua neurală artificială este un
procesor care constă din unități de procesare simple și care funcționează într-o ordine foarte
densă, paralelă și distribuită".
În vederea aplicării modelării bazei de date prin aplicarea rețelelor neuronale, în primă fază s-a
efectuat testarea acesteia.
Tabel 5-11 Sumarul modelului de testare a datelor din baza de date
Summary
Net Information
Name Net Trained on Teza (2)
Configuration GRNN Numeric Predictor
Location This Workbook
Independent Category Variables 0
Independent Numeric Variables 1 (1)
Dependent Variable Numeric Var. (2)
Training
Number of Cases 198
Training Time 00:00:00
Number of Trials 52
Reason Stopped Auto-Stopped
% Bad Predictions (30% Tolerance) 3,0303%
Root Mean Square Error 7592,03
Mean Absolute Error 6039,70
Std. Deviation of Abs. Error 4600,10
Testing
Number of Cases 50
% Bad Predictions (30% Tolerance) 0,0000%
Root Mean Square Error 6540,94
Mean Absolute Error 5163,90
Std. Deviation of Abs. Error 4014,73
Data Set
Name Teza de doctorat
Number of Rows 248
Manual Case Tags NO
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
62
Tabel 5-12 Tabel comparativ Predicție liniară vs. Rețea neuronală
Linear Predictor vs. Neural Net
Linear Predictor Neural Net
R-Square (Training) 0,3276 --
Root Mean Sq. Error (Training) 7590,64 7592,03
Root Mean Sq. Error (Testing) 6653,44 6540,94
Grafic 5-33 Histrograma valorilor reziduale (Training)
Grafic 5-34 Histrograma valorilor reziduale (Testing)
În prima etapă, a analizelor preliminare efectuate, baza de date a fost divizată în două părți - testing
și training. Pentru efectuarea analizei testing au fost alocate 50 de repere din baza de date, iar
pentru efectuarea analizei training au fost alocate 198 de repere. Repartizarea valorilor din cele
două categorii, se poate observa în graficele de mai sus (Graficul 5-33 și 5-34).
0
10
20
30
40
50
60
-30000.0
0
-25000.0
0
-20000.0
0
-15000.0
0
-10000.0
0
-5000.0
0
0.0
0
5000.0
0
10000.0
0
15000.0
0
20000.0
0
25000.0
0
Fre
quen
cy
Histogram of Residuals (Training)
0
2
4
6
8
10
12
14
16
-15000.0
0
-10000.0
0
-5000.0
0
0.0
0
5000.0
0
10000.0
0
15000.0
0
20000.0
0
Fre
quen
cy
Histogram of Residuals (Testing)
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
63
Partea de predicție, în această etapă este reprezentă în Graficul 5-35 și Graficul 5-36, de mai jos:
Grafic 5-35 Scatter plot - Valori actuale vs. Predicție
Grafic 5-36 Scatter plot - Valori actuale vs. Predicție
În vederea întocmirii unei modelări cu ajutorul unor rețele neuronale pentru baza de date creată,
s-a divizat baza de date în felul urmator: 174 de proprietăți imobiliare în vederea rulării acestui
model și 71 de prorietăți imobiliare în vederea testării, conform figurii de mai jos.
0
10000
20000
30000
40000
50000
60000
70000
80000
900000
10000
20000
30000
40000
50000
60000
70000
80000
90000
100000
Pre
dic
ted
Actual
Predicted vs. Actual (Training)
0
10000
20000
30000
40000
50000
60000
70000
80000
90000
0
10000
20000
30000
40000
50000
60000
70000
80000
90000
100000
Pre
dic
ted
Actual
Predicted vs. Actual (Testing)
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
64
Figura 5.13 Sumarul modelul - retele neuronale (rulat prin programul SPSS)
Figura 5.14 Informatii despre reteaua neronala artificială intocmită
Straturile de intrare, în vederea întocmirii acestui model, s-au considerat următoarele: suprafata
utila si vârsta cronologică a proprietatilor imobiliare, prezentat în figura de mai sus. Funcția care
a stat la baza întocmirii modelului este: Hyperbolic Tangent.
Figura 5.15 Sumarul modelului intocmit
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
65
Figura 5.16 Retea neuronală ANN
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
66
Grafic 5-37 Importanța variabilelor în modelul de predicție
Tabel 5-13 Importanța variabilelor în modelul de predicție
Independent Variable Importance
Importance Normalized
Importance
Suprafata_utila 0,634 100,00%
Varsta_cronologica 0,366 57,80%
Importanța variabilelor introduse, în acestă fază a modelării, s-a determinat, iar importanța cea
mai mare o are variabila Suprafa utilă.
Grafic 5-38 Scatter plot - Valori de predicție pentru variabila dependentă Preț de tranzacție
0
0.2
0.4
0.6
0.8
Varsta_cronologica Suprafata_utila
Import
ance
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
67
5.7. Vizualizarea bazei de date realizate în GIS
Astfel, după completarea bazei de date ArcGis Online, putem observa cu ajutorul unei hărți
tematice locația, adică localizarea pentru fiecare proprietate de tip apartament din baza de date,
așa cum se evidențiază în figura următoare:
Figura 5.17 Localizarea proprietăților imobiliare utilizând ArcGis Online
De asemenea, se poate observă într-un mod foarte interactiv, principalele caracteristici ale fiecărei
proprietăți imobiliare din baza de date, așa cum se vede în figura de mai jos:
Figura 5.18 Vizualizarea atributelor din baza de date pentru fiecare prorietate imobiliară utilizând
ArcGis Online
Partea finală și rezultatul cel mai important sunt desenarea hărților tematice (Fig. 5.19 și Fig. 5.20),
precum și prognoza realizată în ArcGis Online. Prognoza valorilor de piață (euro/mp) reprezentată
în figura 5.21.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
68
Figura 5.19 Hărți tematice a) În funcție de localizare - distribuirea în funcție de cartier b) În funcție de
vârsta cronologică a proprietăților imobiliare
Figura 5.20 Hărți tematice a) În funcție de prețul de tranacție (Eur/mp) b) În funcție de localizarea -
distribuirea pe cartiere și prețul de tranacție (Eur/mp)
Figura 5.21 Hărți tematice - valori previzionate (Eur/mp) utilizând ArcGis Online
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
69
5.8. Conceperea unui interfete grafice si interactive pentru beneficiari sau
utilizatori
În continuare, este prezentată conceperea unei interfețe grafice și interactive care poate fi utilizată
atât de specialiștii din domeniu, cât și de alți utlizatori sau chiar persoane fizice pentru a putea afla
valoarea de piață a unui apartament. Această interfață a fost gândită de către autor și are la bază
calculul regresiei liniare multiple, așa cum a fost prezentat în capitolele anterioare.
Figura 5.22 S.NewLatitudes - Interfață grafică creată de autor
În figura anterioară (Figura 5-22) este prezentată această interfață a programului S.NewLatitudes.
În această figură se poate observa faptul că proprietățile imobiliare, respectiv apartamentele
introduse în baza de date se pot vizualiza, respectiv localizarea acestora.
Figura 5.23 S.NewLatitudes - Interfață grafică creată de autor- Localizarea proprietăților imobiliare din
baza de date - Cartier Gheorgheni
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
70
Figura 5.24 S.NewLatitudes - Interfață grafică creată de autor- Localizarea proprietăților imobiliare din baza de date - Cartier Mănăștur
Figura 5.25 S.NewLatitudes - Interfață grafică creată de autor- Localizarea proprietăților imobiliare din
baza de date - Cartier Mărăști
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
71
Figura 5.26 S.NewLatitudes - Interfață grafică creată de autor- Localizarea proprietăților imobiliare din baza de date - Cartier Zorilor
Figura 5.27 S.NewLatitudes - Interfață grafică creată de autor- Localizarea proprietăților imobiliare din baza de date - Zona Centrală
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
72
Figura 5.28 S.NewLatitudes - Interfață grafică creată de autor- Selectarea caracteristicilor tehnice și spațiale
Astfel, așa cum se arată în figura anterioară (figura 5.28), după selectarea caracteristicilor spațiale
și tehnice, se calculează în mod automat valoarea de piață a apartamentului subiect.
Pentru a putea efectua un control, s-a realizat evaluarea aceluiași apartament, prin abordarea prin
piață, adică metoda clasică sau tradițională de evaluare a unei proprietăți imobiliare. Astfel, s-a
realizat grila de calcul prezentată în cele ce urmează.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
73
Tabel 5-14 Grilă de calcul - Abordarea prin piață
Elementul de COMPARAŢIE Subiect/Comp.--> Co_1 Co_2 Co_3 Co_4
Aleea Clabucet, nr. 5 str. Ion Mester str. Campului Aleea Padin str. Primaverii
Suprafata principala Su 64,81 65 65 68 66
Data iunie-18 mai-18 mai-18 mai-18 mai-18
Pretul de vanzare € 91.000 € 90.000 € 92.000 € 93.000
Nonimobiliar si anexe € 1.000 € 2.000 € 1.000 € 1.000
Ajustare € 0 € 0 € 0 € 0
Preţul de Vânzare - fara TVA de 0% € 90.000 € 88.000 € 91.000 € 92.000
Pret/mp. € 1.385 € 1.354 € 1.338 € 1.394
Ajustare de la oferta la tranzactie oferta oferta oferta oferta
(absolut) -€ 4.000 -€ 4.000 -€ 2.000 -€ 2.000
(% ) -4% -4% -2% -2%
Preţ TRANZACTIE POTENTIALA € 86.000 € 84.000 € 89.000 € 90.000
Drepturi de proprietate absolut similare similare similare similare
Ajustare pentru Drepturi de proprietate € 0 € 0 € 0 € 0
Preţ ajustat € 86.000 € 84.000 € 89.000 € 90.000
Condiţii de finanţare cash cash cash cash cash
Ajustare pentru finanţare € 0 € 0 € 0 € 0
Preţ ajustat € 86.000 € 84.000 € 89.000 € 90.000
Condiţii de vânzare NORMALE normale normale normale normale
(Ajustare de la oferta la tranzactie) 0,0% 0,0% 0,0% 0,0%
Ajustare pentru condiţii de vânzare € 0 € 0 € 0 € 0
Preţ ajustat € 86.000 € 84.000 € 89.000 € 90.000
Condiţii ale pieţei (data vânzării) CURENT 0,0% 0,0% 0,0% 0,0%
Ajustare pentru condiţii ale pieţei € 0 € 0 € 0 € 0
Preţ ajustat € 86.000 € 84.000 € 89.000 € 90.000
Localizare Aleea Clabucet, nr. 5 str. Ion Mester str. Campului Aleea Padin str. Primaverii
Ajustare localizare IMOBIL APARTINATOR 0,0% 0,0% 0,0% 0,0%
Nivel in bloc 1/P+4E 3/S+P+4E 6/S+P+10E 4/S+P+4E 3/S+P+4E
similar similar inferior similar
Ajustare localizare in imobil 0,0% 0,0% 2,5% 0,0%
Ajustare CUMULATA pentru LOCALIZARE € 0 € 0 € 2.000 € 0
Preţ ajustat dupa LOCALIZARE € 86.000 € 84.000 € 91.000 € 90.000
PRET/MP € 1.323 € 1.292 € 1.338 € 1.364
CARACTERISTIFI FIZICE 64,81 65 65 68 66
Ajustare pentru dimensiuni Au/Ac -€ 300 -€ 200 -€ 4.300 -€ 1.600
Compartimentare decomandat decomandat decomandat decomandat decomandat
0,0% 0,0% 0,0% 0,0%
Ajustare pentru compartimentare € 0 € 0 € 0 € 0
Vechime/Stare tehnica 1980 similare similare similare similare
0,0% 0,0% 0,0% 0,0%
Ajustare pentru Stare tehnica € 0 € 0 € 0 € 0
Finisaj si Instalatii
Ajustare pentru arhitectură şi finisaj € 0 € 2.000 -€ 2.000 € 0
Anexe (balcoane, logii, terase) un balcon un balcon un balcon un balcon un balcon
€ 0 € 0 € 0 € 0
Anexe (pivnita)
€ 0 € 0 € 0 € 0
Anexe (depozitare, garaj, parcare) garaj
€ 0 € 0 € 0 -€ 4.000
Caracteristici economice similare similare similare similare
0,0% 0,0% 0,0% 0,0%
Ajustare pentru Caracteristici economice € 0 € 0 € 0 € 0
Utilizare rezidential similara similara similara similara
0,0% 0,0% 0,0% 0,0%
Ajustare pentru Utilizare € 0 € 0 € 0 € 0
PRETAJUSTAT € 86.000 € 86.000 € 85.000 € 84.000
Ajustare totală neta -5,5% -4,4% -7,6% -9,7%
Ajustare totală brută(absolut) 5% 7% 11% 8%
Valoare estimata(rotund) € 86.000
Pret euro/mp € 1.327
finisaje medii - centrala
termica proprie
finisaje medii, centrala termica
proprie
finisaje inferioare,
centrala termica
proprie
finisaje superioare,
centrala termica proprie
finisaje medii, centrala
termica proprie
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
74
Tabel 5-15 Explicații ajustări aplicate prin abordarea prin piață
Justificare ajustări:
Drept de proprietate: nu au fost necesare ajustări;
nu există aspecte care să inducă necesitatea unor ajustări ale dreptului
considerat deplin al subiectului
Pentru ajustările „ofertă” vs
„tranzactie potențială”
s-a avut în vedere potentialul de negociere la tranzactionare si conditiile actuale
ale pietei imobiliare
diferențierile sunt făcute în funcție de disponibilitatea de negociere a fiecărui
ofertant a comparabilei, în ideea unei perfectări finale a tranzacțiilor
Componente non– imobiliare ale
valorii:
ofertele tuturor comparabilelor fac trimitere și includ mobilier, dotări, sau alte
active asimilabile nonimobiliare. Am aplicat ajustare negativă de 1000-2000
EUR.
Conditii de finantare nu au fost necesare ajustări;
în cazul de față nu au fost aranjamente de plată atipice și/sau nonpiață care să
impună analiza unor astfel de ajustări
Conditii de vânzare nu au fost necesare ajustări;
tranzacțiile/ofertele comparabilelor sunt unele normale prin prisma
motivațiilor părților
Conditii ale pieței: nu au fost necesare ajustări, ofertele sunt actuale;
Localizare imobil aparținător
(strada, zona):
nu au fost necesare ajustări;
Localizare în bloc (etaj, poziție): comparabilele sunt asimilabile subiectului de la „etaj intermediar”
comparabila 3 este poziționată la ultimul etaj – cotată inferior – am aplicat o
ajustare poztivă de 2,5%.
Caracteristici fizice –
dimensiuni/arii principale:
ajustarea pentru „Dimensiuni/arii” s-a realizat aliniind ariile comparabilelor la
cea a subiectului. Acolo unde dimensiunile erau semnificat diferite si implică o
putere de cumpărare diferită s-a analizat și percepția piețe cu privire la
proporționalitatea inversă dimensiune –preț);
Caracteristici fizice – vechime
similara – stare tehnică bloc
nu au fost necesare ajustări pentru vechime - comparabilele sunt din imobile
vechi;
Caracteristici fizice – standard
dotări
s-au aplicat ajustări funcție de diferențele de finisaje și/sau dotări, percepția
unei cotații unitare dar și a sumelor absolute de diferențiere – a se vedea
mențiuni tabel personalizat pentru fiecare comparabilă
Caracteristici fizice – anexe
(balcoane, terase, pivnițe):
pentru diferențe mici de suprafețe de balcon nu s-au aplicat ajustări acestea
fiind nesesizate de piață (ele existând și fiind identificate ca număr);
Caracteristici fizice – anexe (garaj,
loc de parcare):
Comparabila 4 dispune de un loc de parcare în garaj – cotată superior – am
apllicat o ajustare negativă.
Caracteristici economice nu s-au aplicat ajustări, nefiind cazul la aceste apartamente, caracteristici
adiacente fiind analizate anterior la alte elemente;
Utilizare nu s-au aplicat ajustări, apartamentele fiind strict cu funcție rezidențială.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
75
Astfel, s-a făcut verificarea datelor obținute conform tabelului de mai jos:
Tabel 5-16 Tabel comparativ
Valoare obținută prin
abordarea prin piață
Valoare obținută prin model
automat de evaluare
(S.NewLatitudes)
Diferență
86,000 Eur 84,172 Eur 1,828 Eur
5.9. Concluzii
Dezvoltarea calculatoarelor personale, a programelor de tip spreadsheet și a programelor de
prelucrare statistică, permite specialiștilor să încorporeze ușor și precis statistica în analizele lor și
în rapoartele de evaluare. În primii ani de la apariția calculatoarelor personale, analiza statistică
era, în general, limitată la generarea statisticilor descriptive și a digramelor corespunzătoare, a
tabelelor și a graficelor. Pe masură ce în sistemele de operare au început să predomine interfetele
grafice, programele statistice precum SPSS, Minitab si SAS au devenit mai prietenoase, în special
datorita faptului ca nu mai era necesar ca utilizatorul să scrie coduri de programare.
Studiul de caz prezent nu se referă numai la prezentarea unor caracteristici simple ale unor
proprietăți imobiliare diferite. Acest studiu de caz oferă o imagine de ansamblu asupra pieței
imobiliare din Cluj Napoca și contribuie la îmbunătățirea evaluărilor imobiliare în general. Baza
de date creată include caracteristicile proprietăților imobiliare (caracteristici spațiale, caracteristici
tehnice și caracteristici economice). Este foarte important ca aceste trăsături să fie bine organizate
și mai apoi analizate.
Datorită faptului că accesul la datele tranzacțiilor nu este încă transparent, iar tranzacțiile
imobiliare de pe piața imobiliară din România nu sunt publice, pregătirea bazei de date a fost un
proces dificil. După introducerea acestor elemente în baza de date, găsim informații importante
despre proprietățile imobiliare analizate. Astfel, considerăm că această bază de date este un
puternic instrument analitic și de gestionare a datelor.
Practic, în acest capitol s-a analizat statistic baza de date, eliminându-se valorile aberante din baza
de date, mai apoi s-a aplicat modelarea prin regresie liniară simplă și regresie liniară multiplă, dar
și modelarea utilizând rețelele neuronale, iar partea de vizualizare a datelor a fost realizată
utilizând un program GIS.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
76
6. Concluzii și perspective de cercetare
6.1. Considerații finale
Dintre tehnologiile informaționale dezvoltate, GIS este cel mai bun instrument pentru a examina
distribuțiile spațiale. Prin urmare, GIS a contribuit la crearea unei baze pentru a fi utilizate pentru
a avea informații despre valoarea aproximativă a imobilelor rezidențiale cu valori necunoscute în
condițiile pieței. Prin urmare, nu există informații despre distribuția valorii unei regiuni fără
ajutorul sistemelor informatice în studiile de dezvoltare a metodelor pentru estimările de valoare.
Modelul ANN poate fi utilizat ca bază a proceselor privind evaluarea imobiliară rezidențială în
multe domenii cum ar fi impozitarea, socializarea, exproprierea și facilitățile de creditare din alte
regiuni în care urmează să fie produse hărți de evaluare. Conform rezultatelor studiului de caz
efectuat, modelul ANN produce rezultate mai apropiate de prețurile de piață în estimările de
valoare și este mai potrivit pentru evaluări. Cu ajutorul acestui model, valorile pot fi produse și
pentru alte regiuni sau orașe. În plus, integrarea sa în GIS poate constitui o bază pentru aplicarea
care necesită o evaluare. Combinația dintre ANN și GIS s-a dovedit a fi un instrument foarte util
și folositor pentru sarcina de evaluare pentru un apartament și aceste rezultate ar putea fi extinse
cu siguranță la orice tip de evaluare imobiliară.
Printre avantajele modelării statistice a evaluării proprietătilor imobiliare se numără:
o permite utilizarea de serii nelimitate de date;
o permite folosirea de variabile, într-un număr oricât de mare, dacă acestea sunt necesare si
relevante;
o permite determinarea acuratetei de estimare a valorii, care poate fi exceptional de bună
când sunt folosite suficiente date de piată;
o asigură evaluări uniforme;
o modelul rezultat se poate utiliza atât pentru evaluări punctuale (singulare), cât si pentru
evaluare globală;
o automatizarea procesului de evaluare, deci timp redus de prelucrare si analiză a datelor si
de stabilire a concluziei asupra evaluării;
o obiectivitate si eficientă;
Aceste avantaje pot fi atinse doar cu conditia esentială ca, la baza modelului, să stea un rationament
statistico-matematic foarte serios si coerent, baza de date să fie permanent actualizată, modelul să
fie testat înainte de a fi efectiv utilizat în evaluare. Dezavantajele modelării statistice sunt:
o nu poate fi aplicată pentru pietele restrânse, cu putine tranzactii sau pentru pietele atipice;
o intrucat rezultatele si concluziile generate în urma aplicarii modelarii statistice sunt
valabile numai la nivelul populatiei supuse studiului, evaluarea unor proprietati atipice
populatiei nu este credibila;
o necesitatea unui bagaj foarte dezvoltat de cunostinte în domeniul statisticii matematice si
al soft-urilor de specialitate.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
77
6.2. Contribuții personale
Prezenta lucrare de doctorat și-a propus studierea metodelor de evaluare a proprietăților imobiliare,
precum și automatizarea acestora, astfel pot fi apreciate drept contribuții ale autoarei următoarele
aspecte:
• Subiectul tezei este unul de actualitate în domeniul de cercetare al evaluării proprietățiilor
imobiliare.
• Documentarea în domeniul evaluărilor de proprietăți imobiliare, a standardelor utilizate în
vederea întocmirii unui model automat de evaluare.
• Am realizat o analiză a metodelor de colectarea a datelor și informațiilor în domeniu
evaluării imobiliare, practic la automatizarea sau ușurarea procesului de inspecție a
proprietăților imobiliare. Mai exact, am întocmit un chestionar pentru înlocuirea
chestionarului fizic completat manual cu un formular digital ce poate fi accesat online si
completat astfel încât erorile umane să fie reduse la minim.
• Am întocmit o bază de date cu peste 250 de repere, completând atributele pentru fiecare
proprietate imobiliară în parte, care au fost preluate în urma analizei pieței imobiliare din
Cluj-Napoca, în perioada anului 2016-2017. Pentru fiecare proprietate imobiliară s-au
completat caracteristici spațiale, tehnice și economice.
• Realizarea analizelor statistice asupra bazei de date realizate, utilizând mai multe metode
(regresia liniară simplă, regresia liniară multiplă).
• Realizarea unei vizualizări interactive a bazei de date subiect utilizând ArcGis Online,
precum și întocmirea diverselor hărți tematice;
• Întocmirea unui model automat de evaluare prin aplicarea regresiei simple si regresiei
multiple, prcum si a retelelor neuronale artificiale;
• Realizarea unui model automat de evaluare s.newlatitudine, care dispune de o interfață
prietenoasă, ușor de folosit și combină partea grafică (de vizualizare a localizării
proprităților imobiliare), cu o parte în care utilizatorul completeză câteva date despre o
proprietate de interes, rezultând, astfel, valoarea de piață.
• Începerea procesului de depunere a unei cereri de înregistrare a mărcii înregistrate
s.newlatitudine.
• Pe baza cercetărilor efectuate în această teză de doctorat, se propun direcții de cercetare de
actualitate și de interes.
• Datorită cercetărilor efectuate în prezenta teză de doctorat, de furnizează o vastă
bibliografie în domeniul studiat.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
78
6.3. Direcții de cercetare în viitor
Următoarele aspecte sunt de interes pentru a fii studiate în viitoarul apropiat de catre autor, și
anume:
o Analiza, în continuare, a modelelor statistice aplicabile în domeniul evaluărilor imobiliare,
precum și aprofundarea studiului în ceea ce privește modelarea și predicția datelor cu
ajutorul rețelelor neuronale.
o Întocmirea unui model de evaluare care se bazează pe Analiza Monte-Carlo (analiza
seriilor de timp pentru evaluarea proprietăților imobiliare).
o Perfecționarea modelului de evaluare întocmit prin regresie liniară simplă și regresie liniară
multiplă, dar și prin rețele neuronale.
o Dezvoltarea modelului automat de evaluare s.newlatitudine, dar și dezvoltarea bazei de
date care stă la baza acestuia și actualizarea continuă a acesteia.
o Finalizarea procesului de depunere a unei cereri de înregistrare a mărcii înregistrate
s.newlatitudine.
o Extinderea modelului automat de evaluare la nivel de alte orașe sau chiar la nivel național.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
79
Bibliografie
1. Appraisal Institute, 2011. Evaluarea proprietății imobiliare. Ediția a 13-a ed. București: s.n.
2. James T. McClave, P. G. B. T. S., 2005. Statistics for Business and Economics. Ed. a 9-a ed.
Upper Saddle River: Prentice-Hall.
3. Appraisal Institute, 2004. Evaluarea proprietății imobiliare. Ed a 2-a canadiana ed. Bucurști:
s.n.
4. Paunescu V., Calin M., Manea R. Moscovici A., Salagean T. 2017. «GIS in Active Monitoring
of Green Spaces.» Modern Tehnologies for the 3rd Millenium 73-78.
5. Arcgis, Survey123. 2017. https://survey123.arcgis.com. https://survey123.arcgis.com. 12 de
12. Last access: 12 de 12 de 2017. https://survey123.arcgis.com
6. Badea, A.-C., 2013. Cadastru, Bănci de date și aplicații GIS în zone urbane. București:
Conspress.
7. Bing, G.: Theory and practice of real estate appraise. Beijing: Chemical Industry Press
(2008) in Chinese 3−4. Bing-hua, G.: The real estate appraisal. Wuhan: Huazhong University
of Science and Technology Press (2006) in Chinese 20−49.
8. Bruce L. Bowerman, R. T. O. M. H., 2007. Business Statistics in Practice. 4th edition ed.
s.l.:s.n.
9. Canan, S.: Yapay sinir agları ile GPS destekli navigasyon sistemi, Selcuk Universitesi, Fen
Bilimleri Enstitusu,
10. Doktora Tezi, (2006) Konya.
Castle, G.H.: (Ed.) GIS in Real Estate: Integrating, Analyzing and Presenting Locational
Information. Illinois: Appraisal Institute (1998).
11. Droj G., Droj. L. 2016. «GIS based automated valuation models – A GENUINE SOLUTION
FOR REAL ESTATE VALUATION IN ROMANIA.» RevCAD “1 Decembrie 1918” University
of Alba Iulia 20: 45-52.
12. Da-seng, W., Da-ming, Z., Chun-ya, T.: Real estate appraisal system based on GIS [J].
Surveying and Mapping (2006) in Chinese 22(1) 16−18.
13. Da-zhi, G.: Principle and application of GIS. Xuzhou: China University of Mining and
Technology (2002) in Chinese 34−90.
14. Deveci, E., Yılmaz, I.: Cografi Bilgi Sistemleri Yardımıyla Tasınmaz Mal Degerlemesi:
Afyonkarahisar il Merkezi Ornegi, Harita Teknolojileri Elektronik Dergisi Cilt: 1 No: 1
(2009) 33-47.
15. Mark R. Linné, MAI, SRA with Michelle M. Thompson,. 2010. Visual Valuation. The
Appraisal Institute.
16. Kohler, H., 2002. Statistics for Business and Economics. Ed. a 4-a ed. Stamford: Thomson.
17. ANEVAR GEV 520 - Asociația Naționala a Evaluatorilor Autorizați din România, 2015.
Standardele de evaluare a bunurilor - Evaluarea globală a portofoliilor de garantii bancare.
București: ANEVAR.
18. T. Andrei, S. S. D. T. P., 2002. Statistică: teorie și aplicații. Ediția a 2-a ed. s.l.:Editura
Economică.
19. Pasca, I., 2008. Statistică aplicată pentru modelarea evaluării imobiliare. s.l.:Editura
Politehnică
20. Șchiopu, C., 2007. Inspecția proprităților în scopul evaluării. 3 ed. București: Iroval.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
80
21. Elmas, C.: Bulanık Mantık Denetleyiciler (Kuram, Uygulama, Sinirsel Bulanık mantık),
Seckin Yayıncılık, (2003) Ankara.
22. Garcı a, N., Ga mez, M., Alfaro, E.: ANN+GIS: An automated system for property valuation,
Neurocomputing 71 (2008) 733–742.
23. Gonzalez, M.A.S.: Developing mass appraisal models with fuzzy systems, Mass Appraisal
Methods: An International Pers pective for Property Valuers. Blackwell Publishing Ltd. (2008)
pp.183-202.
24. Haykin, S.: Neural networks - A comprehensive foundation. (1999) Prentice-Hall.
Kauko, T.: Towards the 4th Generation – An Essay on Innovations in Residential Property
Value Modelling
25. Expertise. Journal of Property Research, 21(1) (2004) 75–97.
26. Khalafallah, A.: Neural Network Based Model for Predicting Housing Market Performance,
Tsinghua Science And Technology Volume 13 Number S1 (2008) pp325-328.
27. Kontrimas, V., Verikas, A.: The mass appraisal of the real estate by computational intelligence,
Applied Soft Computing 11 (2011) 443–448.
28. Lin, C.C.: Critical Analysis and Effectiveness of Key Parameters in Residential Property
Valuations, the Faculty of the Graduate School of the University at Buffalo, State University
of New York, Department of Civil, Structural, and Environmental Engineering, Doctor of
Philosophy, (2010) New York.
29. Li-qun, H.: Artificial neural network theory, design and application [M]. Beijing: Chemical
Industry Press, (2002) in Chinese 77−98.
30. Nas, B.B.: ANN ve DVM Yontemleri ile Tasınmaz Degerlemesi Icin Bir Yaklasım
Gelistirme”, Selcuk Universitesi, Fen Bilimleri Enstitusu, Yuksek Lisans Tezi, (2011) Konya.
31. Nguyen, N., Cripps, A.: Predicting Housing Value: A Comparison of Multiple Regression
Analysis and Artificial Neural Networks. Journal of Real Estate Research, 22(3) (2001) 313–
337.
32. Ozkan, G., Yalpır, S., Uygunol, O.: An Investigation on The Price Estimation of Residable
Real-Estates by Using ANN and Regression Methods, 12th International Conference on
ASMDA Chania (2007) Greece.
33. Pace, R.K., Barry, R., Sirmans, C.F.: Spatial statistics and real estate. Journal of Real Estate
Finance and Economics 17 (1998) 5–13.
34. Pagourtzi, E., Assimakopoulos, V., Hatzichristos, T., French, N.: Practice Briefing Real Estate
Appraisal: A Review of Valuation Methods, Journal of Property Investment & Finance Vol.
21 No. 4 (2003).
35. Ping-fan, Y., Chang-shui, Z.: The man-made neural network and simulate evolution calculate
[M]. Beijing: Tsinghua University Press, (2005) in Chinese 20−56.
36. Ping-heng Z.: Theory and practice of real estate appraise [M]. Dalian: Dongbei University of
Finance and Economics Press (2007) in Chinese 134−145.
37. Rumelhart, D.E., MacClelland, J.L.: Parallel distributed processing: Explorations in the
microstructure of cognition. Cambridge: MIT (1995).
38. Sarac, E.: Yapay Sinir Agları Metodu ile Gayrimenkul Degerleme, Istanbul Kultur
Universitesi, Fen Bilimleri Enstitusu, Yuksek Lisans Tezi, (2012) Istanbul.
39. Selim, H.: Determinants of house prices in Turkey: Hedonic regression versus artificial neural
network, Expert Systems with Applications 36 (2009) 2843–2852.
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
81
40. Tanaka, H., Shibasaki, R.: Creation of Spatial Information Database for Appraising the Real
Estate, 22nd Asian Conference on Remote Sensing, (2001) Singapore.
41. Tulkki, A.: Real Estate Investment Appraisal of Buildings Using SOM. In: Deboeck, G. and
Kohonen, T. (eds), Visual Explorations in Finance with Self-Organizing Maps. New York:
Springer, (1998) 128–140.
42. Xiao-sheng, L., Zhe, D., Ting-li, W.: Real estate appraisal system based on GIS and BP neural
network, Transactions Of Nonferrous Metals Society Of China, 21 (2011) s626-s630.
43. Xin-cai, W.: Principles and methods of GIS . Beijing: Electronic Industry Press, (2002) in
Chinese 50−69.
44. Yomralıoglu T.: A Nominal Asset Value-Based Approach for Land Readjustment and Its
implementation Using Geographical Information Systems, Phd thesis, Newcastle universities,
(1993) UK.
45. Yuan-bing, H., Jing-yi, D., Mei, W.: Neural network. Xi’an: Xidian University Press (2007)
in Chinese 88−107. Zeng, T.Q., Zhou, Q.: Optimal Spatial Decision Making Using GIS: A
Prototype of a Real Estate Geographical
46. Information System, Int. J. Geographical Information Science Vol. 15 No. 4 (2001) Pages 307-
321.
47. Wikipedia, 2017. Wikipedia. [Interactiv]
Available at: https://ro.wikipedia.org/wiki/Cluj-Napoca [Accesat 01 07 2017].
48. Maps, G., 2017. Google Maps. [Interactiv]
Available at: https://www.google.ro/maps/place/Cluj-Napoca [Accesat 2017].
49. Cluj-Napoca, P., 2017. Primăria Cluj-Napoca. [Interactiv]
Available at: http://www.primariaclujnapoca.ro [Accesat 01 07 2017].
50. EPI, A. i., 2017. Analize imobiliare EPI. [Interactiv]
Available at: http://acp.imobiliare.ro/epi [Accesat 01 07 2017].
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
82
Anexa 1
Nr. Crt. Cartier Adresa/Zona Latitudine Longitu
dine
Tip
imobil
Sup
rafata
util
a
An
constructie/
Data
PIF
Etaj Finisaje Pret de tranzac
tie
Luna An
1 Cartier
Marasti Piata Abator 46,7797 23,5959 Bloc 45 1990
Interme
diar
Superio
are 73.000 8 2017
2 Cartier
Marasti
Zona Str. 21
Decembrie 46,7756 23,6034 Bloc 58 1985
Interme
diar Medii 88.000 3 2017
3 Cartier
Marasti Zona Dorobantilor 46,7721 23,6037 Casa 64 1990 Parter Medii 78.500 2 2017
4 Cartier Marasti
Zona Str. Voltaire 46,7689 23,6020 Bloc 64 1990 Parter Medii 78.000 7 2017
5 Cartier
Marasti
Zona Str.
Scortarilor 46,7789 23,6032 Bloc 50 1989 Ultimul Medii 70.000 4 2017
6 Cartier Marasti
Zona Str. Scortarilor
46,7789 23,6035 Bloc 50 1989 Intermediar
Medii 78.000 7 2017
7 Cartier
Marasti Zona Str. Marasesti 46,7813 23,6021 Bloc 50 1977
Interme
diar Medii 59.000 3 2017
8 Cartier
Marasti
Zona Str.
Rasaritului 46,7860 23,6038 Bloc 45 2016
Interme
diar Medii 63.500 8 2017
9 Cartier
Marasti Zona Str. Livezii 46,7848 23,6044 Bloc 53 1989 Ultimul
Inferioa
re 68.000 3 2017
10 Cartier
Marasti Zona Str. Rosiori 46,7826 23,6058 Bloc 45 2004
Interme
diar Medii 59.900 3 2017
11 Cartier Marasti
Zona Str. 21 Decembrie
46,7783 23,6123 Bloc 56 1989 Intermediar
Medii 79.000 8 2017
12 Cartier
Marasti
Zona Str. 21
Decembrie 46,7784 23,6131 Bloc 58 1989 Ultimul Medii 78.000 7 2017
13 Cartier
Marasti Zona Str. Crinului 46,7787 23,6094 Bloc 54 1989
Interme
diar Medii 80.000 5 2017
14 Cartier
Marasti
Zona Str.
Dorobantilor 46,7750 23,6112 Bloc 53 1990
Interme
diar
Superio
are 80.000 8 2017
15 Cartier
Marasti
Zona Str.
Dambovitei 46,7825 23,6333 Bloc 57 1989
Interme
diar Medii 76.800 7 2017
16 Cartier Marasti
Zona Str. Fabricii de Zahar
46,7802 23,6156 Bloc 54 1990 Intermediar
Inferioare
66.500 5 2017
17 Cartier
Marasti
Zona Str. Fabricii
de Zahar 46,7810 23,6166 Bloc 54 1990
Interme
diar Medii 77.000 7 2017
18 Cartier Marasti
Zona Calea Someseni
46,7812 23,6423 Bloc 55 2017 Intermediar
Semifinisat
54.650 5 2017
19 Cartier
Marasti
Zona Str. Aurel
Vlaicu 46,7800 23,6253 Bloc 54 1989
Interme
diar Medii 78.000 8 2017
20 Cartier
Marasti Zona Str. Tulcea 46,7765 23,6368 Bloc 50 1990
Interme
diar Medii 68.000 3 2017
21 Cartier
Marasti Zona Str. Tulcea 46,7762 23,6363 Bloc 50 1989
Interme
diar
Superio
are 81.800 7 2017
22 Cartier
Marasti Zona Str. Tulcea 46,7765 23,6331 Bloc 48 1987
Interme
diar Medii 70.000 6 2017
23 Cartier Marasti
Zona Str. Dunarii 46,7783 23,6319 Bloc 50 1990 Ultimul Medii 75.000 3 2017
24 Cartier
Marasti Zona Str. Muresului 46,7782 23,6297 Bloc 52 1988 Ultimul Medii 74.000 3 2017
25 Cartier
Marasti Zona Str. Galati 46,7762 23,6283 Bloc 52 2000
Interme
diar Medii 79.000 3 2017
26 Cartier
Marasti
Zona Str. Alexandru
Vaida Voievod 46,7750 23,6202 Bloc 55 1990 Ultimul Medii 67.000 4 2017
27 Cartier
Marasti Zona Str. Venus 46,7761 23,6191 Bloc 60 2017
Interme
diar
Semifin
isat 88.600 7 2017
28 Cartier Marasti
Zona Str. Venus 46,7764 23,6196 Bloc 50 1982 Ultimul Medii 66.500 3 2017
29 Cartier
Marasti Zona Str. Muresului 46,7774 23,6227 Bloc 52 2016
Interme
diar Medii 68.250 3 2017
30 Cartier
Marasti
Zona Str. Teodor
Mihali 46,7780 23,6196 Bloc 53 1989
Interme
diar Medii 78.000 6 2017
31 Cartier
Marasti Zona Dorobantilor 46,7769 23,6142 Bloc 50 1990 Parter Medii 65.000 3 2017
32 Cartier
Marasti
Zona Sens giratoriu
Marasti 46,7779 23,6154 Bloc 60 1989
Interme
diar Medii 86.000 8 2017
33 Cartier Marasti
Zona Str. Fabricii de Zahar
46,7818 23,6188 Bloc 52 1989 Parter Medii 75.000 7 2017
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
83
34 Cartier Marasti
Zona Str. Teleorman
46,7821 23,6238 Bloc 52 1989 Intermediar
Medii 66.000 5 2017
35 Cartier
Marasti
Zona Str. Fabricii
de Zahar 46,7829 23,6235 Bloc 60 1990 Parter Medii 68.000 4 2017
36 Cartier
Marasti Zona Intre Lacuri 46,7774 23,6279 Bloc 49 1989
Interme
diar Medii 75.000 8 2017
37 Cartier
Marasti Zona Intre Lacuri 46,7776 23,6279 Bloc 41 1989 Parter
Superio
are 76.800 4 2017
38 Cartier
Marasti Zona Teodor Mihali 46,7773 23,6199 Bloc 44 2008
Interme
diar Medii 70.500 5 2017
39 Cartier Marasti
Zona Dambovitei 46,7797 23,6192 Bloc 54 1970 Ultimul Medii 75.000 6 2017
40 Cartier
Marasti Str. Gorunului 2 46,4645 23,3621 Bloc 57 1989
Interme
diar Medii 92.000 11 2017
41 Cartier
Marasti Str. Dorobantilor 46,4626 23,3620 Bloc 55 1989
Interme
diar Medii 81.000 1 2018
42 Cartier
Marasti Str. Dorobantilor 46,4636 23,3652 Bloc 55 1989
Interme
diar Medii 78.000 1 2018
43 Cartier
Marasti Str. Dorobantilor 46,4628 23,3624 Bloc 60 1980
Interme
diar Medii 95.000 4 2018
44 Cartier Gheorgheni
Zona Str. C-tin Brancusi
46,7661 23,6036 Bloc 55 1989 Intermediar
Medii 71.500 5 2017
45 Cartier
Gheorgheni
Zona Str. C-tin
Brancusi 46,7627 23,6097 Bloc 55 1989
Interme
diar
Superio
are 79.000 7 2017
46 Cartier
Gheorgheni
Zona Str.
Muncitorilor 46,7687 23,6113 Bloc 54 1990
Interme
diar Medii 81.000 6 2017
47 Cartier
Gheorgheni
Zona Bd. Nicolae
Titulescu 46,7687 23,6064 Bloc 53 1990
Interme
diar Medii 81.500 7 2017
48 Cartier
Gheorgheni
Zona Str. Alexandru
Vaida Voevod 46,7749 23,6200 Bloc 55 2008
Interme
diar
Superio
are 82.000 6 2017
49 Cartier Gheorgheni
Zona Aleea Herculane
46,7692 23,6200 Bloc 57 2016 Intermediar
Superioare
74.000 3 2017
50 Cartier
Gheorgheni
Zona Bd. Nicolae
Titulescu 46,7686 23,6057 Bloc 52 1989
Interme
diar Medii 81.000 7 2017
51 Cartier
Gheorgheni Zona Str. Stejarului 46,7567 23,6113 Bloc 53 1990
Interme
diar Medii 67.900 5 2017
52 Cartier
Gheorgheni Zona Str. Malinului 46,7602 23,6127 Bloc 53 1980
Interme
diar
Inferioa
re 67.900 6 2017
53 Cartier
Gheorgheni
Zona Str. C-tin
Brancusi 46,7627 23,6096 Bloc 54 1989
Interme
diar
Superio
are 76.500 8 2017
54 Cartier
Gheorgheni
Zona Str. Eftimie
Murgu 46,7567 23,6016 Bloc 60 2014
Interme
diar
Superio
are 90.000 3 2017
55 Cartier
Gheorgheni
Zona Aleea
Godeanu 46,7704 23,6147 Bloc 52 1980
Interme
diar Medii 80.000 8 2017
56 Cartier Gheorgheni
Zona Aleea Azuga 46,7628 23,6200 Bloc 60 1980 Intermediar
Medii 81.000 6 2017
57 Cartier
Gheorgheni
Zona Bd. Nicolae
Titulescu 46,7686 23,6061 Bloc 50 1978
Interme
diar Medii 87.200 5 2017
58 Cartier
Gheorgheni Zona Aleea Bizusa 46,7676 23,6216 Bloc 45 1989
Interme
diar
Inferioa
re 63.500 7 2017
59 Cartier
Gheorgheni
Zona Aleea
Baisoara 46,7672 23,6237 Bloc 43 1989
Interme
diar
Inferioa
re 74.000 7 2017
60 Cartier
Gheorgheni
Zona Bd. Nicolae
Titulescu 46,7696 23,6135 Bloc 44 1990
Interme
diar Medii 57.500 2 2017
61 Cartier Gheorgheni
Zona Str. Unirii 46,7682 23,6292 Bloc 45 1978 Intermediar
Medii 67.900 3 2017
62 Cartier
Gheorgheni
Zona Str. Alexandru
Vaida Voevod 46,7688 23,6292 Bloc 56 2017 Ultimul
Inferioa
re 82.400 6 2017
63 Cartier
Gheorgheni Zona Str. Zambilei 46,7656 23,6190 Bloc 44 1970
Interme
diar Medii 69.900 5 2017
64 Cartier
Gheorgheni Zona Aleea Slanic 46,7692 23,6182 Bloc 48 1978 Parter Medii 75.000 8 2017
65 Cartier
Gheorgheni
Zona Str. Nicolae
Pascaly 46,7717 23,6192 Bloc 45 1990
Interme
diar Medii 67.000 6 2017
66 Cartier Gheorgheni
Zona Fsega 46,7737 23,6210 Bloc 45 1978 Intermediar
Inferioare
67.000 8 2017
67 Cartier
Gheorgheni
Zona Str. Alexandru
Vaida Voevod 46,7711 23,6236 Bloc 44 1941 Parter Medii 67.000 6 2017
68 Cartier
Gheorgheni Zona Str. Malinului 46,7573 23,6091 Bloc 52 1978
Interme
diar
Inferioa
re 80.000 7 2017
69 Cartier
Gheorgheni Zona Aleea Azuga 46,7637 23,6185 Bloc 43 1978
Interme
diar
Superio
are 72.000 8 2017
70 Cartier
Gheorgheni Zona Str. Alverna 46,7594 23,6101 Bloc 52 1978
Interme
diar Medii 68.000 7 2017
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
84
71 Cartier Gheorgheni
Zona Str. Liviu Rebreanu
46,7674 23,6199 Bloc 58 1999 Parter Superioare
84.000 4 2017
72 Cartier
Gheorgheni Zona Aleea Bizusa 46,7672 23,6208 Bloc 50 1978 Parter Medii 64.000 8 2017
73 Cartier
Gheorgheni Zona Aleea Bizusa 46,7673 23,6222 Bloc 42 1978
Interme
diar
Superio
are 75.000 7 2017
74 Cartier
Gheorgheni
Zona Str. C-tin
Brancusi 46,7613 23,6120 Bloc 60 2008
Interme
diar
Superio
are 79.000 3 2017
75 Cartier
Gheorgheni Zona Aleea Meses 46,7672 23,6283 Bloc 50 1978 Ultimul Medii 62.000 3 2017
76 Cartier Gheorgheni
Zona Str. Borhanciului
46,7568 23,6198 Bloc 60 2000 Intermediar
Superioare
72.500 8 2017
77 Cartier
Gheorgheni
Zona Str. C-tin
Brancusi 46,7584 23,6145 Bloc 54 1978
Interme
diar
Superio
are 75.000 8 2017
78 Cartier
Gheorgheni
Zona Str.
Horticultorilor 46,7598 23,6174 Bloc 53 2000
Interme
diar
Superio
are 79.900 3 2017
79 Cartier
Gheorgheni Zona Aleea Borsec 46,7701 23,6234 Bloc 51 1978
Interme
diar
Superio
are 78.000 7 2017
80 Cartier
Gheorgheni
Zona Riviera
Beauty Spa 46,7726 23,6217 Bloc 37 2000
Interme
diar
Superio
are 69.000 8 2017
81 Cartier Gheorgheni
Zona Piata Fraternitatii
46,7735 23,6116 Bloc 51 1978 Parter Medii 72.000 8 2017
82 Cartier
Gheorgheni
Zona Str. Alexandru
Vaida Voevod 46,7759 23,6198 Bloc 55 2008
Interme
diar
Superio
are 82.000 6 2017
83 Cartier
Gheorgheni
Zona Aleea
Detunada 46,7664 23,6308 Bloc 46 1990 Ultimul Medii 65.000 5 2017
84 Cartier
Gheorgheni
Zona Aleea Mihail
Sadoveanu 46,7646 23,6324 Bloc 43 2016
Interme
diar
Superio
are 67.700 5 2017
85 Cartier
Gheorgheni
Zona Str. C-tin
Brancusi 46,7608 23,6137 Bloc 38 1978
Interme
diar
Inferioa
re 53.500 5 2017
86 Cartier Gheorgheni
Zona Str. Alexandru Vaida Voevod
46,7677 23,6309 Bloc 46 2016 Intermediar
Superioare
65.500 6 2017
87 Cartier
Gheorgheni Zona Str. Ariesului 46,7631 23,6146 Bloc 52 1978 Ultimul
Superio
are 64.500 6 2017
88 Cartier
Gheorgheni
Zona Str. Liviu
Rebreanu 46,7639 23,6204 Bloc 48 1989 Parter Medii 69.500 5 2017
89 Cartier
Gheorgheni
Zona Aleea
Scarisoara 46,7645 23,6209 Bloc 52 1989 Ultimul
Inferioa
re 60.400 4 2017
90 Cartier
Gheorgheni Zona Aleea Baita 46,7649 23,6207 Bloc 47 1978 Ultimul Medii 56.000 7 2017
91 Cartier
Gheorgheni Zona Aleea Baita 46,7655 23,6206 Bloc 48 1978 Parter
Superio
are 69.000 8 2017
92 Cartier
Manastur Zona Str. Campului 46,7501 23,5663 Bloc 55 2000
Interme
diar
Superio
are 63.000 2 2017
93 Cartier Manastur
Zona Str. Frunzisului
46,7539 23,5673 Bloc 51 2010 Intermediar
Superioare
61.000 3 2017
94 Cartier
Manastur
Zona Str.
Frunzisului 46,7521 23,5701 Bloc 42 1978
Interme
diar
Superio
are 59.000 4 2017
95 Cartier
Manastur
Zona Str. Ion
Mester 46,7568 23,5623 Bloc 40 1978
Interme
diar
Superio
are 67.000 7 2017
96 Cartier
Manastur Zona Str. Campului 46,7551 23,5638 Bloc 47 1983
Interme
diar Medii 68.000 5 2017
97 Cartier
Manastur Zona Str. Campului 46,7508 23,5657 Bloc 51 1989
Interme
diar Medii 77.000 3 2017
98 Cartier Manastur
Zona Str. Izlazului 46,7552 23,5629 Bloc 54 1980 Ultimul Superioare
70.000 5 2017
99 Cartier
Manastur Zona Aleea Vidraru 46,7550 23,5630 Bloc 48 1978
Interme
diar Medii 67.000 6 2017
100 Cartier
Manastur Zona Aleea Vidraru 46,7533 23,5634 Bloc 52 1989
Interme
diar
Superio
are 71.700 8 2017
101 Cartier
Manastur
Zona Str. Edgar
Quinet 46,7443 23,5660 Bloc 51 2010
Interme
diar
Superio
are 64.000 3 2017
102 Cartier
Manastur Zona Str. Campului 46,7478 23,5676 Bloc 59 2010 Parter
Superio
are 61.000 8 2017
103 Cartier Manastur
Zona Aleea Vidraru 46,7528 23,5634 Bloc 43 1989 Parter Medii 47.900 4 2017
104 Cartier
Manastur Zona Str. Mehedinti 46,7519 23,5627 Bloc 40 1978
Interme
diar Medii 62.500 7 2017
105 Cartier
Manastur
Zona Str.
Mogosoaia 46,7557 23,5606 Bloc 50 1978
Interme
diar
Inferioa
re 70.000 7 2017
106 Cartier
Manastur Zona Str. Mehedinti 46,7549 23,5612 Bloc 48 1978 Ultimul
Superio
are 72.000 7 2017
107 Cartier
Manastur Zona Aleea Cioplea 46,7510 23,5637 Bloc 54 1989 Parter Medii 68.000 5 2017
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
85
108 Cartier Manastur
Zona Str. Ion Mester
46,7565 23,5576 Bloc 50 1978 Intermediar
Medii 70.000 6 2017
109 Cartier
Manastur
Zona Calea
Manastur 46,7600 23,5596 Bloc 52 1978
Interme
diar
Inferioa
re 60.900 3 2017
110 Cartier
Manastur
Zona Str.
Mogosoaia 46,7582 23,5603 Bloc 53 1980 Parter Medii 69.900 7 2017
111 Cartier
Manastur Zona Str. Sesului 46,7618 23,5588 Bloc 44 1978 Parter Medii 68.000 5 2017
112 Cartier
Manastur
Zona Calea
Manastur 46,7596 23,5559 Bloc 45 1978
Interme
diar
Inferioa
re 74.000 7 2017
113 Cartier Manastur
Zona Aleea Balea 46,7490 23,5641 Casa 51 2000 Parter Superioare
62.000 3 2017
114 Cartier
Manastur
Zona Aleea
Moldoveanu 46,7525 23,5619 Bloc 42 1989
Interme
diar Medii 59.400 8 2017
115 Cartier
Manastur
Zona Str. Cezar
Baltag 46,7461 23,5672 Bloc 35 1989 Parter Medii 48.000 4 2017
116 Cartier
Manastur Zona Str. Mehedinti 46,7515 23,5622 Bloc 40 1978
Interme
diar Medii 60.000 7 2017
117 Cartier
Manastur Zona Str. Mehedinti 46,7506 23,5612 Bloc 42 1989
Interme
diar Medii 60.000 8 2017
118 Cartier Manastur
Zona Str. Mehedinti 46,7534 23,5595 Bloc 44 1978 Parter Medii 56.000 6 2017
119 Cartier
Manastur Zona Str. Mehedinti 46,7506 23,5618 Bloc 40 1989
Interme
diar
Superio
are 62.000 7 2017
120 Cartier
Manastur
Zona Str. Edgar
Quinet 46,7445 23,5660 Bloc 48 2000 Ultimul
Superio
are 62.900 3 2017
121 Cartier
Manastur Zona Aleea Negoiu 46,7495 23,5617 Bloc 62 1989
Interme
diar
Superio
are 73.500 7 2017
122 Cartier
Manastur Zona Aleea Negoiu 46,7495 23,5615 Bloc 37 1978
Interme
diar Medii 49.000 3 2017
123 Cartier Manastur
Zona Str. Mehedinti 46,7505 23,5574 Bloc 62 1978 Intermediar
Superioare
68.000 6 2017
124 Cartier
Manastur Zona Str. Bucegi 46,7540 23,5595 Bloc 42 1980
Interme
diar Medii 59.000 8 2017
125 Cartier
Manastur
Zona Aleea
Moldoveanu 46,7521 23,5608 Bloc 43 1980
Interme
diar Medii 46.000 5 2017
126 Cartier
Manastur Zona Str. Bucegi 46,7549 23,5580 Bloc 48 1978 Ultimul Medii 72.000 5 2017
127 Cartier
Manastur Zona Aleea Retezat 46,7531 23,5589 Bloc 45 1978 Ultimul Medii 48.000 7 2017
128 Cartier
Manastur Zona Aleea Micus 46,7579 23,5557 Bloc 40 1978
Interme
diar
Superio
are 65.000 6 2017
129 Cartier
Manastur Zona Aleea Micus 46,7586 23,5559 Bloc 40 1978 Parter Medii 48.000 8 2017
130 Cartier Manastur
Zona Aleea Micus 46,7587 23,5556 Bloc 53 1978 Intermediar
Superioare
68.890 6 2017
131 Cartier
Manastur Zona Str. Izlazului 46,7559 23,5571 Bloc 48 1978 Parter Medii 70.000 7 2017
132 Cartier
Manastur Zona Str. Primaverii 46,7571 23,5562 Bloc 45 1978
Interme
diar Medii 73.000 7 2017
133 Cartier
Manastur Zona Str. Primaverii 46,7564 23,5567 Bloc 44 1978
Interme
diar Medii 73.000 6 2017
134 Cartier
Manastur Zona Aleea Micus 46,7591 23,5556 Bloc 53 1989
Interme
diar Medii 62.900 3 2017
135 Cartier Manastur
Zona Aleea Micus 46,7585 23,5559 Bloc 39 1989 Intermediar
Medii 59.000 7 2017
136 Cartier
Manastur Zona Aleea Micus 46,7591 23,5548 Bloc 40 1989
Interme
diar
Superio
are 65.000 4 2017
137 Cartier
Zorilor Zona Calea Turzii 46,7618 23,5980 Bloc 58 1989
Interme
diar Medii 79.000 5 2017
138 Cartier
Zorilor
Zona Str.
Observatorului 46,7547 23,5865 Bloc 57 2000
Interme
diar Medii 85.000 6 2017
139 Cartier
Zorilor
Zona Str. Mircea
Eliade 46,7513 23,5845 Bloc 54 2000
Interme
diar
Superio
are 69.000 7 2017
140 Cartier Zorilor
Zona Str. Frunzisului
46,7515 23,5761 Bloc 54 1978 Intermediar
Medii 77.000 7 2017
141 Cartier
Zorilor
Zona Str.
Luceafarului 46,7542 23,5768 Bloc 54 1985
Interme
diar Medii 75.000 6 2017
142 Cartier
Zorilor
Zona Str.
Observatorului 46,7548 23,5878 Bloc 56 1989 Ultimul Medii 82.000 5 2017
143 Cartier
Zorilor Zona Calea Turzii 46,7525 23,5956 Bloc 55 2015
Interme
diar Medii 68.000 3 2017
144 Cartier
Zorilor
Zona Str.
Observatorului 46,7530 23,5798 Bloc 54 1989
Interme
diar Medii 76.800 6 2017
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
86
145 Cartier Zorilor
Zona Str. Mircea Eliade
46,7514 23,5860 Bloc 54 1990 Intermediar
Medii 70.000 6 2017
146 Cartier
Zorilor
Zona Str. Ghe.
Dima 46,7529 23,5775 Bloc 55 2000 Ultimul Medii 68.000 3 2017
147 Cartier
Zorilor Zona Str. Ciresilor 46,7584 23,5910 Bloc 54 1978
Interme
diar Medii 75.000 7 2017
148 Cartier
Zorilor
Zona Str. Panait
Istrati 46,7505 23,5850 Bloc 57 2000 Parter
Superio
are 88.000 5 2017
149 Cartier
Zorilor
Zona Str.
Observatorului 46,7549 23,5897 Bloc 56 1989 Ultimul Medii 76.000 3 2017
150 Cartier Zorilor
Zona Str. Lunii 46,7524 23,5839 Bloc 57 2008 Intermediar
Superioare
86.500 3 2017
151 Cartier
Zorilor Zona Str. Lunii 46,7532 23,5849 Bloc 56 2006
Interme
diar
Superio
are 80.000 5 2017
152 Cartier
Zorilor
Zona Str.
Observatorului 46,7535 23,5795 Bloc 52 1978
Interme
diar
Inferioa
re 75.000 7 2017
153 Cartier
Zorilor
Zona Str.
Observatorului 46,7532 23,5800 Bloc 54 1978
Interme
diar Medii 75.000 7 2017
154 Cartier
Zorilor
Zona Str.
Constantin Noica 46,7506 23,5920 Bloc 51 1978
Interme
diar Medii 83.000 6 2017
155 Cartier Zorilor
Zona Calea Turzii 46,7437 23,5947 Bloc 58 2009 Intermediar
Superioare
80.000 7 2017
156 Cartier
Zorilor Zona Str. Republicii 46,7567 23,5935 Bloc 58 2008
Interme
diar Medii 73.900 3 2017
157 Cartier
Zorilor
Zona Str.
Observatorului 46,7530 23,5798 Bloc 59 1989
Interme
diar
Superio
are 73.900 6 2017
158 Cartier
Zorilor
Zona Str.
Observatorului 46,7528 23,5792 Bloc 60 1990
Interme
diar
Superio
are 73.500 3 2017
159 Cartier
Zorilor Zona Str. Rapsodiei 46,7523 23,5786 Bloc 53 1987 Parter
Superio
are 70.000 3 2017
160 Cartier Zorilor
Zona Str. Observatorului
46,7542 23,5861 Bloc 54 1985 Ultimul Superioare
72.000 7 2017
161 Cartier
Zorilor Zona Str. Padurii 46,7525 23,5874 Bloc 54 1978 Ultimul
Superio
are 74.000 8 2017
162 Cartier
Zorilor
Zona Str. Jozsef
Attila 46,7603 23,5965 Bloc 54 1985 Ultimul
Superio
are 81.000 7 2017
163 Cartier
Zorilor Zona Str. Viilor 46,7553 23,5846 Bloc 53 1978 Parter
Superio
are 72.000 6 2017
164 Cartier
Zorilor
Zona Str. Louis
Pasteur 46,7550 23,5760 Bloc 54 1980 Ultimul Medii 82.000 5 2017
165 Cartier
Zorilor
Zona Str.
Frunzisului 46,7493 23,5753 Bloc 56 2001 Ultimul Medii 68.300 4 2017
166 Cartier
Zorilor
Zona Str. Grigore
Moisil 46,7470 23,5899 Bloc 68 2000
Interme
diar Medii 85.900 7 2017
167 Cartier Zorilor
Zona Str. Meteor 46,7542 23,5937 Bloc 53 1978 Ultimul Medii 73.000 7 2017
168 Cartier
Zorilor
Zona Str. Ghe.
Dima 46,7538 23,5740 Bloc 66 2000 Ultimul Medii 80.000 7 2017
169 Cartier
Zorilor
Zona Str. Ghe.
Dima 46,7542 23,5735 Bloc 65 1989 Ultimul Medii 66.400 3 2017
170 Cartier
Zorilor
Zona Str.
Observatorului 46,7530 23,5801 Bloc 52 1978 Ultimul Medii 72.000 7 2017
171 Cartier
Zorilor Zona Str. Lunii 46,7536 23,5839 Bloc 59 2008 Ultimul
Superio
are 59.900 5 2017
172 Cartier Zorilor
Zona Str. Rapsodiei 46,7519 23,5780 Bloc 52 1985 Parter Medii 69.000 7 2017
173 Cartier
Zorilor
Zona Str.
Frunzisului 46,7508 23,5723 Bloc 52 1978 Ultimul
Superio
are 86.990 8 2017
174 Cartier
Zorilor Zona Str. Lunii 46,7532 23,5849 Bloc 52 1989 Parter Medii 71.700 6 2017
175 Cartier
Zorilor Zona Str. Mozard 46,7519 23,5970 Bloc 50 2016
Interme
diar Medii 61.500 3 2017
176 Cartier
Zorilor
Zona Str.
Observatorului 46,7524 23,5778 Bloc 51 1978 Ultimul Medii 72.000 5 2017
177 Cartier Zorilor
Zona Str. Observatorului
46,7550 23,5897 Bloc 52 1989 Ultimul Medii 73.500 4 2017
178 Cartier
Zorilor Zona Str. Viilor 46,7549 23,5842 Bloc 52 1984 Ultimul Medii 71.000 4 2017
179 Cartier
Zorilor Zona Str. Republicii 46,7567 23,5934 Bloc 52 1978 Ultimul Medii 73.000 7 2017
180 Cartier
Zorilor Zona Str. Rapsodiei 46,7521 23,5783 Bloc 52 1978 Parter Medii 69.000 7 2017
181 Cartier
Zorilor Zona Str. Tatra 46,7556 23,5757 Bloc 49 1984
Interme
diar Medii 82.000 6 2017
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
87
182 Cartier Zorilor
Zona Str. Rapsodiei 46,7525 23,5794 Bloc 44 1985 Intermediar
Medii 64.000 6 2017
183 Cartier
Zorilor Zona Calea Turzii 46,7586 23,5988 Bloc 37 1989
Interme
diar
Superio
are 50.000 3 2017
184 Cartier
Zorilor
Zona Str.
Observatorului 46,7537 23,5799 Bloc 42 1989
Interme
diar Medii 65.000 4 2017
185 Cartier
Grigorescu Zona Str. Donath 46,7718 23,5542 Bloc 55 1987
Interme
diar Medii 77.000 5 2017
186 Cartier
Grigorescu Zona Str. Plopilor 46,7624 23,5577 Bloc 57 1990
Interme
diar Medii 75.000 7 2017
187 Cartier Grigorescu
Zona Str. Eremia Grigorescu
46,7733 23,6536 Bloc 55 2017 Intermediar
Semifinisat
71.500 5 2017
188 Cartier
Grigorescu Zona Str. Sinaia 46,7694 23,5660 Bloc 54 1980
Interme
diar Medii 69.000 5 2017
189 Cartier
Grigorescu
Zona Str. Eremia
Grigorescu 46,7735 23,5635 Bloc 56 2017
Interme
diar
Semifin
isat 73.000 5 2017
190 Cartier
Grigorescu Zona Str. Arinilor 46,7628 23,5501 Bloc 57 1980
Interme
diar Medii 80.000 8 2017
191 Cartier
Grigorescu Zona Str. Petuniei 46,7687 23,5573 Bloc 50 1980
Interme
diar Medii 77.900 8 2017
192 Cartier Grigorescu
Zona Str. Donath 46,7718 23,5544 Bloc 50 1980 Intermediar
Medii 67.000 4 2017
193 Cartier
Grigorescu Zona Str. Buzau 46,7700 23,5532 Bloc 60 1990 Parter Medii 82.000 7 2017
194 Cartier
Grigorescu Zona Str. Donath 46,7724 23,5572 Bloc 54 1989
Interme
diar Medii 71.500 6 2017
195 Cartier
Grigorescu Zona Str. Fantanele 46,7662 23,5491 Bloc 51 1989
Interme
diar Medii 68.000 8 2017
196 Cartier
Grigorescu Zona Alea Brates 46,7605 23,5463 Bloc 52 1989
Interme
diar Medii 79.000 7 2017
197 Cartier Grigorescu
Zona Str. Donath 46,7652 23,5449 Bloc 54 1990 Intermediar
Medii 70.000 7 2017
198 Cartier
Grigorescu Zona Str. Donath 46,7728 23,5594 Bloc 50 1990
Interme
diar Medii 64.000 4 2017
199 Cartier
Grigorescu Zona Al. Vlahuta 46,7706 23,5607 Bloc 58 2009 Ultimul
Superio
are 87.000 6 2017
200 Cartier
Grigorescu Zona Str. Fantanele 46,7666 23,5503 Bloc 54 1977
Interme
diar Medii 72.000 8 2017
201 Cartier
Grigorescu Zona Str. Donath 46,7724 23,5573 Bloc 50 1989
Interme
diar Medii 69.500 7 2017
202 Cartier
Grigorescu Zona Str. Fantanele 46,7687 23,5538 Bloc 52 1989
Interme
diar
Superio
are 89.500 6 2017
203 Cartier
Grigorescu
Zona Str. Eremia
Grigorescu 46,7731 23,5660 Bloc 52 1990 Ultimul Medii 66.500 7 2017
204 Cartier Grigorescu
Zona Str. Mieraslau 46,7674 23,5486 Bloc 54 1990 Intermediar
Medii 70.000 5 2017
205 Cartier
Grigorescu Zona capat Donath 46,7639 23,5277 Bloc 53 2017
Interme
diar Medii 47.700 7 2017
206 Cartier
Grigorescu Zona Parc Rozelor 46,7645 23,5518 Bloc 64 1980
Interme
diar Medii 89.500 8 2017
207 Cartier
Grigorescu Zona Str. Vlahuta 46,7707 23,5622 Bloc 44 2000
Interme
diar Medii 59.500 3 2017
208 Cartier
Grigorescu Zona Str. Mieraslau 46,7675 23,5487 Bloc 50 1980
Interme
diar Medii 70.000 7 2017
209 Cartier Grigorescu
Zona Str. Eremia Grigorescu
46,7728 23,5678 Bloc 41 2010 Intermediar
Medii 56.500 7 2017
210 Cartier
Grigorescu Zona Str. Donath 46,7680 23,5476 Bloc 49 1990
Interme
diar Medii 63.000 3 2017
211 Cartier
Grigorescu
Zona Str. Tudor
Ciortea 46,7669 23,5518 Bloc 45 1989
Interme
diar Medii 64.000 3 2017
212 Cartier
Grigorescu Zona Str. Petuniei 46,7687 23,5550 Bloc 43 1989
Interme
diar
Superio
are 76.800 8 2017
213 Cartier
Grigorescu Zona Str. Fantanele 46,7657 23,5470 Bloc 49 1980
Interme
diar Medii 66.000 4 2017
214 Cartier Grigorescu
Zona Str. Donath 46,7652 23,5434 Bloc 50 1990 Ultimul Medii 64.000 6 2017
215 Cartier
Grigorescu Zona Str. Donath 46,7717 23,5535 Bloc 43 1980 Ultimul Medii 59.900 7 2017
216 Cartier
Grigorescu Zona Str. Hateg 46,7714 23,5625 Bloc 46 1990
Interme
diar Medii 60.000 3 2017
217 Cartier
Grigorescu
Zona Taietura
Turcului 46,7743 23,5621 Bloc 42 2016
Interme
diar
Semifin
isat 54.500 8 2017
218 Cartier
Grigorescu Zona Str. Hateg 46,7713 23,5608 Bloc 51 1989
Interme
diar Medii 65.500 5 2017
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
88
219 Cartier Grigorescu
Zona Al. Vlahuta 46,7703 23,5641 Bloc 46 1990 Intermediar
Superioare
65.000 4 2017
220 Cartier
Grigorescu Zona Str. Fantanele 46,7665 23,5473 Bloc 40 1989 Parter Medii 55.000 3 2017
221 Cartier
Grigorescu Zona Str. Fantanele 46,7672 23,5509 Bloc 45 1989
Interme
diar Medii 64.000 3 2017
222 Cartier
Grigorescu
Zona Str. Iancu de
Hunedoara 46,7692 23,5620 Bloc 47 1990
Interme
diar Medii 63.000 3 2017
223 Cartier
Grigorescu Zona Str. Fantanele 46,7682 23,5544 Bloc 46 1984 Ultimul Medii 65.000 8 2017
224 Cartier Grigorescu
Zona Str. Eremia Grigorescu
46,7734 23,5689 Bloc 48 1989 Ultimul Medii 63.000 4 2017
225 Centru Zona Str. Bisericii
Ortodoxe 46,7645 23,5891 Bloc 56 1941
Interme
diar
Superio
are 95.000 7 2017
226 Centru Zona Piata Unirii 46,7688 23,5907 Bloc 50 1978 Interme
diar Medii 73.000 7 2017
227 Centru Zona Str. Ploiesti 46,7755 23,5937 Bloc 53 2016 Interme
diar Medii 74.500 3 2017
228 Centru Zona Calea Motilor 46,7664 23,5794 Bloc 53 2017 Interme
diar Medii 75.000 4 2017
229 Centru Zona Str. Nicolae Balcescu
46,7756 23,5971 Bloc 50 1978 Parter Medii 80.000 3 2017
230 Centru Zona Str. Iasilor 46,7770 23,5924 Bloc 52 1978 Ultimul Medii 80.000 7 2017
231 Centru Zona Str. Hasdeu 46,7627 23,5751 Casa 68 1980 Parter Medii 76.000 5 2017
232 Centru Zona Str. Ploiesti 46,7768 23,5955 Casa 67 1941 Parter Inferioa
re 75.000 8 2017
233 Centru Zona Str. Iasilor 46,7770 23,5924 Bloc 52 1978 Ultimul Medii 79.900 7 2017
234 Centru Zona Str. Traian
Mosoiu 46,7705 23,6049 Bloc 42 1978
Interme
diar
Superio
are 78.000 7 2017
235 Centru Zona Str. Ion
Dragalina 46,7730 23,5828 Bloc 47 1976
Interme
diar Medii 73.000 6 2017
236 Centru Zona Str. Horea 46,7755 23,5876 Bloc 47 1978 Interme
diar Medii 70.000 3 2017
237 Centru Zona Str. Somesului 46,7781 23,5953 Bloc 38 1989 Intermediar
Medii 55.900 3 2017
238 Centru Zona Piata Garii 46,7839 23,5864 Bloc 46 1978 Interme
diar Medii 66.500 7 2017
239 Centru Zona Str. Ion Luca
Caragiale 46,7832 23,5864 Bloc 44 1978
Interme
diar Medii 66.500 7 2017
240 Centru Zona Bd. 21
Decembrie 46,7715 23,5922 Bloc 47 1978 Ultimul
Inferioa
re 66.000 7 2017
241 Centru Zona Str. Vasile
Alecsandri 46,7687 23,5840 Bloc 48 1978 Ultimul
Superio
are 82.500 7 2017
242 Centru Zona Str. Dacia 46,7754 23,5885 Bloc 45 1978 Ultimul Medii 61.500 3 2017
243 Centru Zona Bd. 21
Decembrie 46,7775 23,6087 Bloc 37 1978 Parter Medii 72.000 3 2017
244 Centru Zona Str.
Croitorilor 46,7756 23,5925 Bloc 48 1990 Ultimul Medii 75.000 7 2017
245 Centru Zona Piata Cipariu 46,7684 23,5997 Bloc 42 1941 Intermediar
Superioare
77.000 7 2017
246 Centru Zona Str. Lalelelor 46,7787 23,5954 Bloc 50 2016 Parter Medii 62.500 3 2017
247 Centru Zona Str. Iasilor 46,7756 23,5910 Bloc 48 1989 Ultimul Superio
are 73.000 8 2017
248 Centru Zona Str. Hermann
Oberth 46,7689 23,5933 Bloc 47 1941 Ultimul
Inferioa
re 62.000 7 2017
Contribuții privind informatizarea procesului de evaluare a proprietăților imobiliare
Recommended