Die Vorhersage von Immobilienpreisen stellt aufgrund der Heterogenität von Immobilien, der Komplexität von Städten und der zeitlichen Dynamik des Marktes nach wie vor eine Herausforderung dar. Zwar hat die bestehende Forschung die Modellierung von Immobilienbewertungen vorangetrieben, doch behandeln die meisten Ansätze räumliche Merkmale eher als zusätzliche Kontrollvariablen statt als strukturelle Determinanten, verwenden Validierungsstrategien, die die Vorhersageleistung aufgrund von zeitlichem „Leakage“ überschätzen, und lassen eine systematische Bewertung der zeitlichen und räumlichen Verallgemeinerbarkeit der Modelle vermissen. Diese Dissertation entwickelt einen räumlich orientierten Modellierungsrahmen zur Vorhersage von Immobilienpreisen, der auf die Einschränkungen und Unsicherheiten realer Märkte zugeschnitten ist. Unter Verwendung von 171.040 verifizierten Wohnimmobilientransaktionen aus Wien (2010–2022) erstellt diese Arbeit eine Datenpipeline, die Transaktionsdaten, sozioökonomische Indikatoren, Infrastrukturnetzwerke, Kriminalitätsstatistiken und „Points of Interest“ in einen einheitlichen Merkmalsraum mit 165 Variablen integriert. Neuartige geocomputational Methoden formalisieren den Nachbarschaftskontext durch Isochronen basierte Erreichbarkeitsmaße, aus Netzwerkgraphen abgeleitete Entfernungen und Beschreibungen der bebauten Fläche, die aus Gebäudeflächendaten abgeleitet werden. Der empirische Teil der Arbeit befasst sich mit fünf Forschungsfragen. Erstens wird die langfristige Modellstabilität anhand mehrjähriger Prognoseexperimente bewertet, die bei baumbasierten Modellen einen systematischen Anstieg des MAPE von 15 % nach einem Jahr auf über 36 % nach acht Jahren zeigen. Gleichzeitig reduzieren Ensemble-Architekturen den Fehler nach acht Jahren im Vergleich zu baumbasierten Basismodellen um etwa 11 Prozentpunkte. Zweitens wird der Validierungsbias durch den Vergleich herkömmlicher zufälliger Aufteilung mit einer streng vorausschauenden Bewertung quantifiziert, was zeigt, dass die herkömmliche Validierung die Beurteilung der Vorhersageleistung über denselben Zeitraum erheblich verzerren kann – ein Ensemble wies vielversprechende Validierungskennzahlen auf, verschlechterte sich jedoch bei zeitlicher Trennung deutlich. Drittens wird die Machbarkeit rein räumlicher Vorhersagen demonstriert: Der Verzicht auf sozioökonomische Variablen kostet im Durchschnitt weniger als 1 Prozentpunkt, während gleichzeitig die Notwendigkeit entfällt, diese Variablen selbst vorherzusagen; Isochronen basierte Merkmale erwiesen sich in den Wiener Experimenten bei einer Auflösung von 300 Metern als besonders robust. Viertens zeigen Transfer-Learning-Experimente, dass räumliche Modelle auf verschiedene städtische Kontexte verallgemeinert werden können – einschließlich eines städteübergreifenden Transfers von Wien nach Innsbruck mit einem negativen Transfer von typischerweise weniger als 5 Prozentpunkten –, obwohl Fehler auftreten, wenn vertikale Informationen fehlen oder sich die Verkehrsinfrastruktur erheblich unterscheidet. Fünftens zeigt ein kontrolliertes Experiment mit 13 Immobilienexperten, dass Modelle bei gleichen Informationsbedingungen in 63 % der Vergleiche besser abschneiden als Experten. Gleichzeitig verbessert die hybride Zusammenarbeit die Ergebnisse für 62 % der Experten, wenn die Vorhersagen zutreffend sind. Sind dies jedoch nicht der Fall, verstärken Verankerungseffekte die Fehler. Die Dissertation leistet einen Beitrag zu einer reproduzierbaren Pipeline für städtische Berechnungen, einer zeitlich robusten Bewertungsmethodik, systematischen Belegen für die Übertragbarkeit räumlicher Merkmale sowie einer empirischen Grundlage für algorithmische Vorhersagen im Vergleich zum fachlichen Urteil. Die zentrale Erkenntnis ist, dass räumliche Merkmale – Erreichbarkeit, Stadtmorphologie, Nachbarschaftsinfrastruktur – als stabile Grundlage für Preisprognosen dienen können und dass der Übergang von einer auf Interpolation basierenden Validierung zu einer echten prädiktiven Bewertung für eine ehrliche Beurteilung der Modellfähigkeiten unerlässlich ist.
de
Predicting real estate prices remains challenging due to the heterogeneity of real estate, the complexity of cities, and the temporal dynamics of the market. While existing research has advanced the modeling of real estate valuations, most approaches treat spatial characteristics as additional control variables rather than structural determinants, use validation strategies that overestimate predictive performance due to temporal leakage, and lack a systematic assessment of the temporal and spatial generalizability of the models. This dissertation develops a spatially oriented modeling framework for predicting real estate prices that is tailored to the constraints and uncertainties of real markets. Using 171,040 verified residential real estate transactions from Vienna (2010–2022), this work constructs a data pipeline that integrates transaction records, socioeconomic indicators, infrastructure networks, crime statistics, and points of interest into a unified feature space with 165 variables. Novel geocomputational methods formalize the neighborhood context through isochrone-based accessibility measures, network-derived distances, and descriptions of built-up area derived from building area data. The empirical part of the work addresses five research questions. First, long-term model stability is assessed through multi-year prediction experiments, which show systematic MAPE growth from 15% after one year to over 36% after eight years for tree-based models. Meanwhile, ensemble architectures reduce error by about 11 percentage points after eight years compared to tree-based baselines. Second, validation bias is quantified by comparing conventional random splitting with a strictly forward-looking evaluation, showing that conventional validation can substantially bias the assessment of predictive performance over the same period—an ensemble showed promising validation metrics but deteriorated significantly under temporal separation. Third, the feasibility of purely spatial predictions is demonstrated: removing socioeconomic variables costs less than 1 percentage point on average, while eliminating the need to predict these variables themselves, with isochrone-based features proving particularly robust at 300 meters in the Vienna experiments. Fourth, transfer learning experiments show that spatial models can be generalized across urban contexts—including a cross-city transfer from Vienna to Innsbruck with a negative transfer of typically less than 5 percentage points—although errors occur when vertical information is missing or the transportation infrastructure differs significantly. Fifth, a controlled experiment with 13 real estate experts shows that models outperform experts in 63% of comparisons when information is equal. Meanwhile, hybrid collaboration improves results for 62% of experts when predictions are appropriate. However, anchoring effects propagate errors when this is not the case. The dissertation contributes to a reproducible urban computation pipeline, a temporally robust valuation methodology, systematic evidence for the transferability of spatial features, and an empirical basis for algorithmic predictions compared to professional judgment. The key finding is that spatial features—accessibility, urban morphology, neighborhood infrastructure—can serve as a stable basis for price predictions and that the transition from interpolation-based validation to true predictive evaluation is essential for an honest assessment of model capabilities.
en
Additional information:
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft
