Räumliche Analyse & Visualisierung von Mietpreisdaten für Immobilienportale

1/33DGFK
© schernthanner·ifg·uni·potsdam 2016
DGFK|5.4.16
DGFK: Kartographisches Kolloquium
Räumliche Analyse
& Visualisierung von
Mietpreisdaten für
Immobilienportale
Harald Schernthanner|Geoinformatik |IfG

2/33DGFK
1. Status quo der Mietpreisanalyse und -Visualisierung
2. Räumliche Analysen als Alternative
3. Geovisualisierung als Alternative
4. Zusammenfassung
Inhalt
1. Status quo | 2. Räumliche Analysen | 3. Geovisualisierung | 4. Zusammenfassung

3/33DGFK
 Stellen Sie sich vor, Sie suchen
eine Mietwohnung ?

4/33DGFK
Zehlendorf 9,27 €/m²|Potsdams Innenstadt 8-10 €/m²?
Quelle: Wirtschaftswoche
Quelle: Immonet
Quelle: Immobilienscout24
Quelle: Immonet

5/33DGFK
Mietpreise >13€/m² in ganz Salzburg ?
Quelle: Willhaben.at

6/33DGFK
© schernthanner·ifg·uni·potsdam 2016 1. Status quo | 2. Räumliche Analysen | 3. Geovisualisierung | 4. Zusammenfassung
1900 US$ für eine 1-Zimmerwohung in ganz Manhattan?
Quelle: ImmonetQuelle: Trulia

7/33DGFK
Anteil am Warenkorb
- Kaltmiete 21%
- Warmmiete 31%
- Mieterquote: 48 %
Relevanz von Mietpreisen ?

8/33DGFK
 Research ??
 Mittelwert / Median
 Hedonische Regression
Status quo der Prozesskette

9/33DGFK
Wie kommen die dargestellten Preise zustande ?
 Immobilienportale betreiben unterschiedliche statistische Analysen ihrer
Angebotsdaten
 Immobilienindizes sind ein Geschäftsfeld vieler Portale

10/33DGFK
Hedonische Regression
 Nicht-räumliches Standardverfahren
 Funktioneller Zusammenhang zwischen zwischen
Immobilienpreis p und und Immobilieneigenschaften x
 Preis wird über intrinsischen Werte einer Immobilie und deren
Verfügbarkeit berechnet

11/33DGFK
 Abbildung modellierter Preise auf
fachfremd gewählten räumlichen
Bezugseinheiten abgebildet
 Postleitzahlen
 Stadtteilgrenzen
 Von den Portalen eingeführte
Nachbarschaften
 Infas Nachbarschaften:
 Deutschlandweit 75 000
Nachbarschaften,
basierend auf ehemaligen
Stimmbezirken (Infas,
2012)
 Zillow neighborhoods
Hedonische Regression

12/33DGFK
 Bekannte Maklerweisheit:
 Genau drei Dinge bei einer Immobilie sind
wichtig:
 1. die Lage, 2. die Lage und 3. die Lage
(Stroisch, 2010)
 „Nichtbeachtung von Tobler´s 1st law of
geography:
 "Everything is related to everything else, but
near things are more related than distant things
(Tobler, 1970).“
 Erhebliche Defizite in der Analyse und Visualisierung
von Mietpreisen bei Immobilienportalen
Wo bleibt die Lage ?

13/33DGFK
 Verfahrensidentifizierung und Methodenevaluierung
Räumliche Alternativen ?
Vorverarbeitung Maschinelles Lernen Räumliche
Schätzverfahren
Geovisualisierung
Autokorrelationstests:
Morans I/ Gearys C/
Getis-Ord Gi
Random Forest Trees Geographisch
gewichtete
Regression
Grid Maps
Hauptkomponenten-
analyse
Künstliche Neuronale
Netze
Ordinary Kriging Webkarten mit Map
APIs und Java Script
Kartenbibliotheken
Random Forest Trees Kriging with external
drift
Cloudbasierte
Geovisualisierungen
Ordinary Cokriging

14/33DGFK
Quantitative Datenquelle
 Einmalige „Big Data“ Datenquelle
 Alle auf Immobilienscout 24 gelisteten
Mietangebote der Stadt Potsdam von
01/2004 bis 09/2013: 80% Marktabdeckung
 Multivariater Datensatz: 74.098 geokodierte
Angebote
 64 immobilienspezifischen Variablen
 Zusätzlich: 5 45-minütige Interviews mit
Immobilienmarktexperten

15/33DGFK
Ordinary Kriging
 Räumliche-geostatistische
Interpolationsmethode
 Verbreitet in den Geowissenschaften
 Daniel D. Krige (1951)
entwickelte das Verfahren.
Einsatz im Bergbaubereich
 Kaum Anwendungen in
Mietpreisschätzung
 Räumlicher Zusammenhang über die
Abstandsvektoren Angebotspunkte

16/33DGFK
Ordinary Kriging – Validierung
Potsdam
1319 Angebote
1. Quartal 2013
 3 Kriging Verfahren und 3
Parameter in 5000 Modelläufen
 Validierung im Vergleich zum
hedonischen Standardverfahren
 5-fache Kreuzvalidierung und
Ableitung der Gütemaße
 Mean Error, RMSE / Fehler in %
/ Rechenzeit

17/33DGFK
Ordinary Kriging
 Das einfachste Kriging Verfahren Ordinary Kriging war allen
komplexeren und dem hedonischen Verfahren in allen
Modelläufen überlegen
30 ha
Infas Geodaten
Geometrie

18/33DGFK
Random Forest Trees
 Der von Breiman (2001) entwickelte Algorithmus "Random
Forest" (RF) ist eine Weiterentwicklung herkömmlicher
einfacher Entscheidungsbäume
 Die "Entscheidung" über das endgültige Resultat eines
Random Forest Modells wird über eine Anzahl an willkürlich
gewachsenen Entscheidungsbäumen bestimmt
 Nur wenige Studien zur Mietpeisschätzung nutzen Random
Forest Trees
Quelle: Imperial College London

19/33DGFK
Random Forest Trees
 Anwendung zur Sekundärvariablenwahl und zur Mietpreisschätzung
als Regressionsmodell an exemplarischen Datensatz aus 1. Quartal
2013 Untersuchungsraum Potsdam mit 1319 Objekten.
 Vorteil des Verfahrens Kann mit kategoriale Variablen angewendet
werden
Variablenauswahl
Einteilung in Training und Testdaten
70% Test / 15% Training / 15% „Out of the bag“
Modellläufe 100 – 500 Bäume
Validierung: MSE / lnMSE%/
Node Impurity

20/33DGFK
n
tree
150 350 400 300 450 250 500 200 100
MSE 1,1385 1,1391 1,1392 1,1397 1,1404 1,1407 1,1412 1,1436 1,1508
Random Forest Trees

21/33DGFK
Grid Maps
 Darstellung thematischer Sachverhalte auf Rasterzellen
 Vorreiter US Zensus Büro
 Irregulär geformte US Zensusblöcke wurden in
Rasterzellen umgewandelt
 Statistik Austria stellt Bevölkerungs-, Arbeitsmarkt-,
Gebäudestatisken in 100 m bis 10 km Grid dar
 Größere Vergleichbarkeit gegenüber Raumbezug auf
administrativer Ebene (Trainor, 2010)

22/33DGFK

23/33DGFK
 Was ist die ideale Zellengröße für eine Mietpreiskarte?
 Methodik des Gridmapping
Filterung
von (Wohn-)
Gebäudeblöcken:
Overpass API
Angebotsdistanz,
Punktdichte
& Grundfläche
von Wohngebäuden
Zellgrößen (m) Maßstab Zoomstufe in Webmap /
OpenStreetMap
110 1: 70 000 13
75 1: 35 000 und 1: 15 000 14 und 15
>= 50 >= 1:8000 >= 16
20 -50 Nur zur Berechnung /
feinmaschige Grids
Grid Maps

24/33DGFK

 Mietpreiskarten – Prototyp
 Zoomstufe 13 /1: 35.000
 Filterung nach Urban Atlas

 Mietpreiskarte Status
Quo des Portals
Immobilienscout 24
 Zoomstufe 13
 1: 36.000
Grid Maps

25/33DGFK
 Mietpreiskarte IS 24
 Zoomstufe 15
 1: 14.400
Infas Geodaten
Neighboorhood
 Mietpreiskarten –
Prototyp:
 Zoomstufe 16
 1: 13.000
Grid Maps

26/33DGFK
 Mietpreiskarten: Prototyp und
Status Quo:
 Zoomstufe 18 & 18
 1: 4500
Grid Maps

27/33DGFK
Gebäudescharfe Mietpreisschätzdarstellung in Carto DB





28/33DGFK
Thematische 2,5-dimensionale Darstellung (OSM Buildings)





29/33DGFK
Hexabins zur Visualisierung von Immobilienangeboten

30/33DGFK
Maßstabsabhängige Skalierung von Gridzellen mit leaflet.js
Quelle: Marius Humpert, ifg 2016

31/33DGFK
Zusammenfassung
 Erstmalige umfassende Erhebung des raumanalytischen
und geovisuellen Status Quo von Immobilienportalen
 Kriging Verfahren, Random Forest Trees und
Gridmapping Ansätze stellen eine deutliche Verbesserung
des Status Quo da und zeigen die wahre Preisverteilung
im Raum
 Weiterer Forschungsbedarf:
 Methodentransfer
 Kombination von Verfahren des maschinellen Lernens
mit Geostatistischen Verfahren
 Generalized additive modells
 Zielgruppenstudien
 ....

32/33DGFK
Publikationen & Vorträge
 Schernthanner, H. & L. Tyrallová (2010). FOS-GIS und Immobilienportale als Instrumente der
Wohnungsmarktanalyse. In Strobl, J., Blaschke, T. & G. Griesebner, eds., Angewandte Geoinformatik 2010. Beiträge
zum 22. AGIT-Symposium Salzburg, 7-9 Jul 2010. Universität Salzburg. Heidelberg.
 Schernthanner, H. (2012) Spatial analysis, forecasting and simulation of urban apartment rental markets. Vortrag
auf Einladung an das Department Landschaftsökologie / Computational Landscape Ecology des UFZ
(Umweltforschungszentrum), Leipzig.
 Schernthanner, H. & H. Asche (2012).Geosimulation of Urban Housing Market Conditions: A Preliminary
Investigation. eds. REAL-CORP 2012, Proc. 17th International Conference on Urban Planning, Regional Development
in the Information Society. Wien, Austria 14-26 May 2012.
 Schernthanner,H. (2012) Gastteilnahme am Expertengremium Potsdam 22, im Auftrag der
Stadtverordnetenversammlung der Stadt Potsdam, zur Untersuchung des Kostenanstiegs im Wohnen:
http://potsdam22.de
 Scheele, L. & Schernthanner, H. (2014). Eine räumliche Alternative der Modellierung und Darstellung von
Immobilienpreisen für Immobilienportale. In Strobl, J., Blaschke, T. & G. Griesebner, eds., Angewandte
Geoinformatik 2014. Beiträge zum 26. AGIT-Symposium Salzburg, 2-4 Jul 2014. Universität Salzburg. Heidelberg.
[ONLINE]
 Schernthanner, H. (2015): The spatial estimation of appartment rents: A brief introduction, Vortrag im Rahmen von
#Maptime Berlin
 Schernthanner, H. (2015). Untersuchungen zur räumlichen Analyse und Visualisierung von Mietpreisdaten für
Immobilienportale. XII, 134 Bl. : graph. Darst. Potsdam, Univ., Diss., 2015

33/33DGFK
Angebotsmieten Relevanz
 Angebotsmieten geben die aktuelle Marktlage wieder sind von der
Aussagekraft Neuvertragsmieten gleich zu setzen
 Sie spiegeln in angemessener Weise die aktuelle Marktlage wieder
(BBSR, 2014)
 Datensätze wie der vorliegende sagen jedoch nichts darüber aus, ob
die Wohnungen nach der Veröffentlichung im Immobilienportal
tatsächlich vermietet wurden

34/33DGFK
Experteninterviews Experten
 5 Experten in 45-minütigen teilstandardisierten, qualitativen Interviews
mit Interviewleitfragen:
 Peter Ache: Autor Immobilienmarktbericht Deutschland
 Jörn-Michael Westphal: Geschäftsführer der städtischen
Immobiliengesellschaft Pro Potsdam
 Jan Hebecker: LeiterAnalytics Insight Data, IS 24
 Arne Schwarz: Leiter Produktmanagment Immobilienbewertung IS
24
 Lars Holger Wilke: Head Automated Real Estate Evaluation, IS24

35/33DGFK
Experteninterviews Themen- und Problemfelder
Immobilienpreis-
karten
Immobilienpreismodellieru
ng
Daten Angebotskarten
Fachfremd
verwendete
Grenzen
Fachfremd verwendete
Grenzen
Hedonische
Regressionsm
odelle
Datenschutz Pin/Marker
Problematik
Legende
Datenpräprozessierung Daten
Homogenisier
-ung
Zusätzliche
Informationsebe-
nen
Datendifferenzierung
Dichteschwankungen Open Data Indikatoren basierte,
distanzabhängige
Suche
Visualisierung
der Distanzen
Lagemodellierung
Ableitung Bestandspreis

36/33DGFK
Anwendung Künstliche Neuronale Netzwerke
 Daten werden im Verhältnis 70% / 15%/ 15% von Test,- Trainings, und
Validierungsdaten unterteilt.
 Für Antwort vom neuronalen Netz nutzt man die Variablen:
Verweildauer der Anzeige / Wohnfläche / Baujahr / Objektalter /
Zimmeranzahl und Etage
 Validierungsmaß Pseudo R²: mit 0,192 sehr gering und großer Fehler
an den zu schätzenden Punkten

37/33DGFK
Interpolation
 Interpolation =„Die Ermittlung eines unbekannten Funktionswertes zu
einem Argument, das zwischen zwei Argumenten mit bekannten
Funktionswerten (Stützwerten) liegt“ (Geoinformatik-Service, 2002)
 Versuch Attributwerte an Punkten ohne Messergebnisse zu schätzen
 Schätzung aus Stützpunkten = Punkte mit bekannten Messwerten.
 “In real estate analysis, the kriging method is used to create
interpolated maps or continuous maps ”
 Anselin, L. (1998). GIS research infrastructure for spatial analysis of real estate markets.
Journal of Housing Research, 9(1), 113-133.

38/33DGFK
Umsetzungsoptionen 1 + 2

39/33DGFK
Umsetzungsoptionen 3

40/33DGFK
Map APIs
 Unter Webkarte wird in dieser Arbeit eine webbasierte, graphische
Repräsentierung eines Datenmodells verstanden.
 Präsentationskarten, in denen ein digitaler Datenbestand durch
Attribuierung mit graphischen Merkmalen sichtbar gemacht wird.
 Map APIs sind JavaScript-Bibliotheken, die Funktionalitäten zur
Interaktion mit der Kartengrafik bereitstellen und die Integration
von Karteninhalten von Kartenservern (meist Tiled Map Services)
ermöglichen.
 „Tiled Map Serving“ beruht dabei auf zwei Lösungsansätzen der
webbasierten Kartenbereitstellung (Peterson, 2014):
 Ajax und Map Tiles

41/33DGFK
Angebotsmieten Einflussfaktoren neben Lage (für Sekundärvariablenauswahl)
RF PCA Schnittmenge
mit Potsdam 22 Faktoren
Baujahr Baujahr Baujahr
Einbauküche Etage Zimmeranzahl
Wohnfläche Objektalter Einbauküche
Zimmeranzahl Verweildauer der Anzeige Etage
Etage Wohnfläche Wohnfläche

42/33DGFK
Räumliche Statistik und Kartendarstellung von Portalen
Immobilienport
al
(Räumliche) Statistik Kartendarstellung von
Immobilienpreisen
Zillow.com Hedonisches Regressionsmodell: Zillow
Price Estimate.
Pin Map der Angebotspreise.
Listendarstellung geschätzter
Preise
Trulia.com Hedonisches Regressionsmodell:
Monitoring von Miet- und Kaufpreisen
Pin map von Miet- und
Kaufpreisen
Homes.yahoo.c
om
Keine Angaben Pin map von Miet- und
Kaufpreisen
Immobilienscout
24.de
Hedonisches Regressionsmodell: IMX Mapping geschätzter Miet- und
Kaupreise gemappt auf
willkürliche geographischen
Bezugseinheit
Immowelt.de Keine Angaben Pin Map
Immonet.de Keine Angaben Keine Kartenansicht
Homegate.ch Hedonisches Regressionsmodell:
Mietindex
Pin Map

43/33DGFK
Method Nugget Partial sill Range Funct. RMSE t (sec)
OK 0.001 0.1 700 Exp 0.788 45.480
OK 0.001 0.1 600 Exp 0.789 50.440
OK 0.001 0.095 600 Exp 0.789 60.030
KED 0.001 0.06 200 Exp 1.069 40.250
OCK 1100 Sph 1.207 34350.4

44/33DGFK
Fragen? Kritik? Anregungen?
Kontakt: hschernt@uni-potsdam.de
Autor: Harald Schernthanner| IfG 2016

Räumliche Analyse & Visualisierung von Mietpreisdaten für Immobilienportale

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Andere mochten auch

Andere mochten auch (20)

Räumliche Analyse & Visualisierung von Mietpreisdaten für Immobilienportale