Geospatial Analysis of Property Values Using Spatial & Social Ratings Data

Abstract

Wohnen in städtischen Zentren ist sowohl politisch als auch im Marktkontext ein heikles Thema. Dies gilt insbesondere für den Wohnungsmarkt in Berlin, wo weit verbreitete Spekulationen und internationale Investitionen in kurzer Zeit zu einem starken Anstieg der Immobilien- und Mietkosten geführt haben. Für alle Beteiligten in dieser Gleichung (Politiker, Anwohner, Immobilieninvestoren / Entwickler) ist es wichtig zu verstehen, was Preis und Nachfrage in diesem einzigartigen Umfeld antreibt. Um diese Dynamik zu modellieren, verwendet diese Arbeit eine geographically-weighted Regression (GWR) und erweitert die hedonische Preismethode (HPM) um Merkmale wie Beliebtheit einer Nachbarschaft, Zugang zur Natur (Parks, Flüsse, usw.), Zugang zu öffentlichen Verkehrsmitteln, und Nähe zu Einkaufsmöglichkeiten und Einkaufsmöglichkeiten Schulen, unter anderem. Google Ortsdaten und Rezensionen repräsentieren die allgemeine Beliebtheit von Standorten. Öffentliche Daten des Berliner Senats und des VBB liefern räumliche Informationen zu natürlichen Ressourcen bzw. zum Zugang zu öffentlichen Verkehrsmitteln. Kernel-Dichteschätzung (KDE) wird verwendet, um räumliche Muster und die Verteilung von Orten von Interesse (POIs) zu analysieren, wobei die Hotspot-Analyse unter Verwendung der Getis-Ord-Statistik durchgeführt wird. Die Immobiliendaten stammen aus einem Datensatz von Buchungen, die auf einer lokalen Plattform für möblierte Mietwohnungen vorgenommen wurden. Die GWR-Ergebnisse zeigen eine hohe Korrelation zwischen POI-Clustering und Preis sowie signifikante Verbesserungen der Modellleistung. Dem GWR gelingt es insbesondere, die räumliche Heterogenität von Merkmalseffekten zu erfassen, die von der globalen OLS-Regression übersehen werden. Diese Studie bietet eine einzigartige Verbindung von öffentlichen und privaten Datenquellen, um zu einer neuartigen Analyse des Berliner Immobilienmarktes zu gelangen.

Housing in urban centres is a sensitive issue both politically and in a market context. This is particularly true for the housing market in Berlin, Germany, where widespread speculation and international investment have resulted in sharp increases in property and rental costs in a short period of time. For all stakeholders in this equation (politicians, residents, property investors/developers), it is important to understand what drives price and demand in this unique environment. To model these dynamics, this thesis employs a geographically weighted regression(GWR) and extends the hedonic pricing method (HPM) to include features involving neighbourhood popularity, access to nature (parks, rivers), access to public transportation, and proximity to shopping and schools, among other kinds of locations. Google place data & review counts represent general popularity of locations. Public data from the Berlin Senate and the VBB provide geospatial information on natural resources and access to public transportation, respectively. Kernel density estimation (KDE) is employed to analyse spatial patterns and distribution of places of interest (POIs), with hotspot analysis performed using the Getis-Ord statistic. Property data comes from a dataset of bookings made on a local platform for furnished apartment rentals. GWR results show a high correlation between POI clustering and price as well as significant improvements in model performance. The GWR notably succeeds in capturing spatial heterogeneity in feature effects that global OLS regression overlooks. This study provides a unique marriage of public and private data sources to arrive at a novel analysis of the Berlin property market.