Betreuung: Ioannis Giannopoulos, Gerhard Navratil

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 Vor-hersage 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.