Die vorliegende Masterarbeit befasst sich mit der Anwendung von räumlich-zeitlichen Clustermethoden zur Abgrenzung von Submärkten auf der Basis von Immobilienkaufpreisen. Immobilienteilmärkte sind räumliche Gebiete, die in sich ähnliche Merkmale aufweisen, sich aber von anderen Submärkten unterscheiden. Da Transaktionspreise eine räumliche Autokorrelation aufweisen und zeitlich miteinander verbunden sind, können durch die Verwendung von raum-zeitlichen Methoden die Bildung von Immobilienteilmärkten verbessert und stabilere Submärkte erstellt werden. Das Ziel dieser Arbeit war es, zwei raum-zeitliche Clustering-Methoden, nämlich Coclustering with Clustering Geodata Cubes (CGC) und Multidimensional Spatio-Temporal DBSCAN (MDST-DBSCAN), für die Bildung von Kaufpreis-Submärkten zu vergleichen. Da die beiden Methoden keine zufriedenstellenden Ergebnisse lieferten, wird ein neuer Ansatz zur Abgrenzung von Clusters vorgeschlagen, der als Multidimensional Spatio- Temporal Change DBSCAN (MDSTC-DBSCAN) bezeichnet wird. Bei dieser Methode wird die zeitliche Veränderung der Transaktionspreise mit räumlicher Nähe berücksichtigt, um räumliche Bereiche mit ähnlichen Transaktionspreisen zu identifizieren. Die Methode stellt gegenüber MDST-DBSCAN eine Verbesserung für diesen Anwendungsfall dar, da sie die zeitliche Veränderung als Information und nicht als Einschränkung verwendet. In Wien wurden sechzehn Kaufpreis-Submärkte identifiziert. Der 19. Bezirk wies die höchsten Preise auf, während bestimmte Clusters in den Außenbezirken niedrigere Preise, aber höhere Preissteigerungsraten aufwiesen. Die Ergebnisse, die auf unterschiedliche Preissteigerungsraten hindeuten, bestätigen, wie wichtig es ist, die räumlich unterschiedlichen, zeitlichen Veränderungen der Transaktionspreise zu berücksichtigen. Des Weiteren wurde für das Jahr 2022 ein niedrigerer Moran’s I-Wert als in den Vorjahren festgestellt, was auf ein höheres Maß an Homogenität der Transaktionspreise im Jahr 2022 hinweist. Dieses Ergebnis wurde auch durch die Clusteranalyse bestätigt, da die weniger teureren Clusters zum Großteil höhere Preissteigerungsraten aufwiesen als die teureren Clustern. Die mit der vorgeschlagenen Methode MDSTC-DBSCAN erzielten Ergebnisse sind vielversprechend. Künftige Forschungsarbeiten könnten sich auf die weitere Entwicklung und Verbesserung dieser Methode konzentrieren. Darüber hinaus könnte die Anwendung des Verfahrens auf Transaktionspreisdaten aus anderen Regionen und seine potenzielle Verwendung für andere Daten wertvolle Erkenntnisse über die Verwendbarkeit des Algorithmus liefern. Des Weiteren können künftige Forschungsarbeiten den Algorithmus verbessern und seine potenziellen Anwendungsfälle erweitern.

This master’s thesis focuses on the utilization of spatio-temporal clustering methods to delineate submarkets based on real estate transaction prices. Real estate submarkets are spatial areas that exhibit similar characteristics within themselves while differing from other submarket areas. Considering that transaction prices possess spatial autocorrelation and are temporally interconnected, the incorporation of spatio-temporal methods enhances the creation of real estate submarkets. By incorporating the temporal dimension, the resulting submarket areas become more stable. The aim of this thesis was to compare two spatio-temporal clustering methods, namely Co-clustering with Clustering Geodata Cubes (CGC) and Multidimensional Spatio- Temporal DBSCAN (MDST-DBSCAN), for the creation of transaction price submarkets. However, these two methods failed to yield satisfactory results. Therefore, a novel approach is proposed to delineate these clusters, referred to as Multidimensional Spatio-Temporal Change DBSCAN (MDSTC-DBSCAN). This method incorporates the temporal change in transaction prices along with spatial proximity to identify spatial areas with similar transaction prices. It represents an advancement over MDST-DBSCAN for this use case as it considers the change over time as valuable information rather than a constraint. Sixteen transaction price submarkets were identified in Vienna. The 19th district exhibited the highest prices, while certain clusters in the outskirts displayed lower prices but with higher rates of price increase. The results, indicating variations in price growth rates, confirm the importance of considering the temporal changes in transaction prices, which exhibit spatial diversity. Additionally, a lower Moran’s I value was observed for 2022 compared to previous years, indicating a higher level of homogeneity in transaction prices in 2022. This finding was also supported by the cluster analysis, as less expensive clusters demonstrated higher rates of price increase compared to many of the more expensive clusters. The results obtained from the proposed method MDSTC-DBSCAN were promising. Future research could focus on further development and improvement of this method. Additionally, applying it to transaction price data from other regions and its potential use for other data could provide valuable insights into the algorithm’s usability. Future research can enhance the algorithm and broaden its potential use cases.