TEZĂ DE DOCTORAT Contribuții privind informatizarea

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


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


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


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


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


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)


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


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.


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


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.


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


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)


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.


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


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:


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:


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.”


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.


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


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.


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


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.


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.


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)


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


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)


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


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


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.


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


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.


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


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


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.


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)


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.

https://ro.wikipedia.org/wiki/Municipiile_Rom%C3%A2niei

https://ro.wikipedia.org/wiki/Budapesta

https://ro.wikipedia.org/wiki/Belgrad

https://ro.wikipedia.org/wiki/R%C3%A2ul_Some%C8%99ul_Mic

https://ro.wikipedia.org/wiki/Regiuni_istorice_rom%C3%A2ne%C8%99ti

https://ro.wikipedia.org/wiki/Transilvania


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


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


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)


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.


39

Tabel 5-1 Prezentarea - extras - din bazei de date


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).


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.


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


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).


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.


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


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


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


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


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:


49

Grafic 5-16 Frecvența repartiției proprietăților imobiliare în funcție de Suprafața utilă



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



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


MiniTab



50


Grafic 5-19 Frecventa repartitiei proprietatilor imobiliare in functie de Preț de vânzare



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




51

Grafic 5-21 Digrama de normalitate pentru variabila Preț de tranzacție


MiniTab


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


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


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


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)


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


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.


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


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)


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


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


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.


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)


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


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)


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)


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


65

Figura 5.16 Retea neuronală ANN


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


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.


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


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


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


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


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.


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


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.


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.


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.


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.


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.


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.


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.


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].


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


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


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


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


Interme

diar

Superio

are 81.800 7 2017

22 Cartier


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


83

34 Cartier Marasti

Zona Str. Teleorman


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


Interme

diar Medii 78.000 1 2018

43 Cartier


Interme

diar Medii 95.000 4 2018

44 Cartier Gheorgheni

Zona Str. C-tin Brancusi


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


Zona Aleea Herculane


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


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


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


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


84


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


Zona Str. Borhanciului


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


Zona Piata Fraternitatii


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


Zona Str. Alexandru Vaida Voevod


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


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


Interme

diar Medii 68.000 5 2017

97 Cartier


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


85


Zona Str. Ion Mester


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


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


Interme

diar Medii 60.000 7 2017

117 Cartier


Interme

diar Medii 60.000 8 2017


Zona Str. Mehedinti 46,7534 23,5595 Bloc 44 1978 Parter Medii 56.000 6 2017

119 Cartier


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


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


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


Interme

diar Medii 62.900 3 2017


Zona Aleea Micus 46,7585 23,5559 Bloc 39 1989 Intermediar

Medii 59.000 7 2017

136 Cartier


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


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


Interme

diar Medii 68.000 3 2017

144 Cartier

Zorilor

Zona Str.


Interme

diar Medii 76.800 6 2017


86

145 Cartier Zorilor

Zona Str. Mircea Eliade


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.


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.


Interme

diar

Inferioa

re 75.000 7 2017

153 Cartier

Zorilor

Zona Str.


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.


Interme

diar

Superio

are 73.900 6 2017

158 Cartier

Zorilor

Zona Str.


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.


169 Cartier

Zorilor

Zona Str. Ghe.


170 Cartier

Zorilor

Zona Str.


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.


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


87

182 Cartier Zorilor

Zona Str. Rapsodiei 46,7525 23,5794 Bloc 44 1985 Intermediar

Medii 64.000 6 2017

183 Cartier


Interme

diar

Superio

are 50.000 3 2017

184 Cartier

Zorilor

Zona Str.


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


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


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


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


Zona Str. Donath 46,7652 23,5449 Bloc 54 1990 Intermediar

Medii 70.000 7 2017

198 Cartier


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


Interme

diar Medii 72.000 8 2017

201 Cartier


Interme

diar Medii 69.500 7 2017

202 Cartier


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


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




Medii 56.500 7 2017

210 Cartier


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


Interme

diar Medii 66.000 4 2017


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


88


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


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



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


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


Documents

TEZĂ DE DOCTORAT Contribuții privind informatizarea