Künstliche Intelligenz in der Immobilienbewertung: Eine Einführung
30. Juni 2026Künstliche Intelligenz in der Immobilienbewertung: Eine Einführung
30. Juni 2026Von der Regressionsanalyse zum Large Language Model: Die historische Entwicklung des Einsatzes künstlicher Intelligenz in der Immobilienbewertung
1. Einleitung: Warum ein Blick in die Geschichte lohnt
Wer heute über den Einsatz künstlicher Intelligenz (KI) in der Immobilienbewertung diskutiert, bewegt sich auf einem Terrain, das älter ist, als es auf den ersten Blick erscheint. Die Debatte ist keine Erscheinung des KI-Booms der 2020er Jahre – sie reicht zurück bis in die frühen 1990er Jahre, als erste Forscher begannen, neuronale Netzwerke auf Immobiliendaten anzuwenden (Do & Grudnitski, 1992, S. 38; Tay & Ho, 1992, S. 526). Seither hat sich die wissenschaftliche Diskussion in mehreren Wellen entwickelt: Phasen intensiver Forschungsaktivität wechselten sich mit Phasen des Rückgangs ab, neue Verfahren lösten ältere ab, und die Anforderungen an Genauigkeit, Transparenz und Datenverfügbarkeit veränderten sich grundlegend.
Das Verständnis dieser historischen Entwicklung ist für Praktiker aus mehreren Gründen wertvoll. Erstens zeigt es, dass viele der heute diskutierten Herausforderungen – etwa der „Black-Box"-Charakter komplexer Modelle oder die Frage der Datenverfügbarkeit – keine neuen Probleme sind, sondern die Forschung seit Jahrzehnten begleiten. Zweitens verdeutlicht es, welche Verfahren sich in der Praxis bewährt haben und welche trotz vielversprechender Ansätze wieder in den Hintergrund getreten sind. Drittens erlaubt es eine fundierte Einschätzung des aktuellen Stands und der künftigen Entwicklungsrichtung.
Dieser Beitrag zeichnet die historische Entwicklung des Einsatzes von KI in der Immobilienbewertung in fünf Phasen nach – von den hedonischen Regressionsmodellen der 1970er Jahre bis zu den Large Language Models der Gegenwart.
2. Vorbemerkung: Was die Forschungsgeschichte abbildet
Bevor die einzelnen Phasen beschrieben werden, ist eine wichtige methodische Einschränkung zu benennen: Die historische Entwicklung, die im Folgenden dargestellt wird, basiert auf der wissenschaftlichen Literatur zur KI in der Immobilienbewertung. Sie bildet damit primär die Erforschung von KI-Modellen ab – nicht zwingend deren praktische Anwendung. Der Zeitraum der Erforschung und des praktischen Einsatzes können dabei abweichen (Bell, 2026, S. 98, Fn. 10). Zudem haben sich die bisherigen Studien nahezu ausschließlich auf Wohnimmobilien konzentriert; gewerbliche Immobilien wurden bislang kaum untersucht (Bell, 2026, S. 103).
Zwei übergreifende Trends lassen sich im Zeitverlauf beobachten: Erstens hat der Stichprobenumfang je Studie im Zeitverlauf deutlich zugenommen – insbesondere seit 2021, was auf gesteigerte Rechenleistung (Sastry et al., 2024, S. 16), das gewachsene Interesse an KI (Abidoye & Chan, 2017a, S. 555) sowie den erleichterten Zugang zu großen Datensätzen über Online-Plattformen zurückzuführen ist (Bastos & Paquette, 2025, S. 8; Iban, 2022, S. 3). Zweitens ist die Modellgenauigkeit im Zeitverlauf gestiegen: Der minimale mittlere absolute Prozentfehler (MAPE) je Jahr sank von anfänglich rund 4,0 % im Jahr 1991 strukturell auf rund 0,3 % bis 2024. Der durchschnittliche MAPE hingegen sank nur geringfügig von rund 10 % auf 9,8 % – ein Befund, der verdeutlicht, dass „die Entwicklung eines KI-Modells mit Herausforderungen einhergeht und die Ergebnisqualität auch in erheblichem Maße davon abhängt, wie das Modell konstruiert wird" (Bell, 2026, S. 102). Entscheidend sind dabei Parameter wie das geeignete Verhältnis zwischen Trainings- und Testdaten, die Anzahl der Neuronen sowie weitere modellspezifische Einstellungen (Mora-Garcia et al., 2022, S. 12–14; Soltani & Lee, 2024, S. 3–5).
3. Phase 1 (bis 2005): Das Fundament – Hedonische Modelle und die Pioniere der neuronalen Netzwerke
3.1 Hedonische Modelle als Ausgangspunkt
Der Einsatz von KI in der Immobilienbewertung gründet auf dem Einsatz hedonischer Modelle, insbesondere multipler linearer Regressionsanalysen (MLR). Diese werden seit den 1970er Jahren und dem Aufkommen verbesserter Rechenleistung eingesetzt (Rosen, 1974, S. 34–36). Das hedonische Preismodell geht davon aus, dass der Preis eines Gutes – hier einer Immobilie – durch die Summe der impliziten Preise seiner einzelnen Eigenschaften bestimmt wird. Rosen (1974, S. 34) beschreibt diesen Ansatz als die Möglichkeit, „hedonic prices" als „the implicit prices of attributes" zu identifizieren, die sich aus beobachteten Marktpreisen ableiten lassen.
Aufgrund ihrer vergleichsweise einfachen Erstellung und der Verständlichkeit des Ergebnisses werden MLR bis heute als hedonische Modelle – auch in der Praxis – eingesetzt (Geerts et al., 2023, S. 8–9). Gleichzeitig ist ihr Stellenwert gesunken: Seit 2005 stellen sie nicht mehr das dominierende Verfahren in der Forschung dar (Bell, 2026, S. 98).
3.2 Die Pioniere: Erste Artificial Neural Networks in der Immobilienbewertung
Seit den frühen 1990er Jahren kamen erste Anwendungen von Artificial Neural Networks (ANN) in der Immobilienbewertung auf. Tay und Ho (1992) gehören zu den Pionieren dieses Ansatzes. Sie kritisierten die bis dato eingesetzten klassischen Verfahren „aufgrund ihrer inhärenten Subjektivität" (Bell, 2026, S. 98) und entwickelten ein ANN zur Bewertung von Eigentumswohnungen in Singapur. Auf Basis eines Datensatzes von 1.055 Verkaufsfällen aus dem Jahr 1989 verglichen sie die Ergebnisse mit einer multiplen linearen Regression: Das ANN erzielte einen MAPE von 3,9 % gegenüber 7,5 % bei der MLR sowie eine Standardabweichung des prozentualen Fehlers von 31,9 % gegenüber 44,4 % bei der MLR (Tay & Ho, 1992, S. 537–538).
Do und Grudnitski (1992) gingen einen Schritt weiter: Sie entwickelten ihr ANN nicht nur aufbauend auf den Schwachstellen klassischer Verfahren, sondern explizit auf der Kritik an hedonischen Modellen – insbesondere hinsichtlich der „Nicht-Linearität immobilienbewertungsrelevanter Zusammenhänge, Multikollinearität und Heteroskedastizität" (Do & Grudnitski, 1992, S. 38). Damit legten sie eine methodische Grundlage, die die Forschung der folgenden Jahrzehnte prägen sollte.
Im Anschluss an diese Pionierarbeiten folgten weitere Studien zu ANN. Das Interesse schwand jedoch zunächst wieder, bevor es ab 2010 erneut auflebte (Abidoye & Chan, 2017a, S. 564–565; Geerts et al., 2023, S. 9; Sing et al., 2022, S. 651–652). Parallel dazu wurden ANN in dieser ersten Phase bereits praktisch eingesetzt: in der steuerlichen Massenbewertung in den Niederlanden, Litauen, Kanada und den USA (Grover, 2016, S. 197–199).
4. Phase 2 (2005–2010): Fuzzy-Logik – ein vielversprechender, aber begrenzter Ansatz
4.1 Aufstieg der Fuzzy-Logik-Modelle
Zwischen 2005 und 2010 dominierten Modelle auf Basis von Fuzzy-Logik und Fuzzy Neural Networks die Forschung zur KI in der Immobilienbewertung. Der Ansatz der Fuzzy-Logik erlaubt es, mit unscharfen, nicht klar abgrenzbaren Kategorien zu arbeiten – ein Merkmal, das für die Immobilienbewertung attraktiv erschien, da viele wertrelevante Eigenschaften (z. B. Lagequalität, Zustand) nicht binär, sondern graduell ausgeprägt sind.
Ein prominentes Beispiel ist das Adaptive Neuro-Fuzzy Inference System (ANFIS), ein Hybridmodell zwischen ANN und Fuzzy-Modell. Guan et al. (2008, S. 397–412) erzielten mit einem ANFIS bei der Analyse eines Datensatzes von 363 Einfamilienhäusern in den USA einen MAPE von 17,6 % – im Vergleich zu 16,8 % bei der MLR. Auch weitere Studien dieser Phase konnten nur begrenzte Genauigkeiten vorweisen: Graczyk et al. (2009), González und Formoso (2006) sowie Amri und Tularam (2012) erzielten lediglich mittlere absolute Prozentfehler von rund 14–16 % oder ein Bestimmtheitsmaß von nur rund 0,38. Eine Ausnahme bildete eine Studie von Lughofer et al. (2011), die auf Basis von 5.303 polnischen Transaktionen einen MAPE von lediglich 3,9 % auswies (Bell, 2026, S. 100).
4.2 Praktische Anwendung und Grenzen
Zur praktischen Anwendung kamen Modelle auf Basis der Fuzzy-Logik in Birmingham (Schwartz, 1995, S. 64–65). Insgesamt jedoch zeigte sich, dass der Großteil der Studien, die mittels Fuzzy-Logik Immobilienwerte schätzten, recht hohe MAPE-Werte und geringe Bestimmtheitsmaße aufwiesen (Bell, 2026, S. 100). Dies bereitete den Boden für eine Rückkehr zu ANN in der dritten Phase.
5. Phase 3 (2010–2022): Renaissance der neuronalen Netzwerke – größere Daten, komplexere Modelle
5.1 Rückkehr zu ANN und methodische Weiterentwicklung
Da der Großteil der Fuzzy-Logik-Studien nur begrenzte Genauigkeiten erzielen konnte, erfolgte in der dritten Phase eine Rückkehr zu ANN. Diese waren seit den ersten Arbeiten von Tay und Ho (1992), Do und Grudnitski (1992) sowie Borst (1991) durchgängig weiterhin erforscht worden und konnten geringe MAPE – meist im einstelligen, teilweise im geringen zweistelligen Bereich – sowie hohe Bestimmtheitsmaße vorweisen (Ge & Runeson, 2004, S. 133; Selim, 2009, S. 2851; J. Zurada et al., 2011, S. 382).
Die dritte Phase, die maßgeblich zwischen 2010 und 2018 stattfand und sich bis in das Jahr 2022 erstreckte, grenzt sich von den frühen ANN-Studien insbesondere dadurch ab, dass größere Datensätze ausgewertet wurden und die ANN weiter optimiert wurden. Einhergehend mit dieser Optimierung und gesteigerter Rechenleistung steigerte sich die Komplexität der Modelle: von anfänglichen ANN mit einer versteckten Schicht hin zu ANN mit multiplen versteckten Schichten (Baldominos et al., 2018, S. 13–14; García et al., 2008, S. 734–735).
5.2 Das zentrale Problem: Der „Black-Box"-Charakter
Zur praktischen Anwendung kamen Modelle auf Basis der Fuzzy-Logik in Birmingham (Schwartz, 1995, S. 64–65). Insgesamt konnte sich die Fuzzy-Logik aufgrund der beschriebenen methodischen Schwächen jedoch nicht durchsetzen (Bell, 2026, S. 100). Dies bereitete den Boden für eine Rückkehr zu ANN in der dritten Phase.
6. Phase 4 (2018–2022): Tree-Based-Verfahren – Genauigkeit trifft Erklärbarkeit
6.1 Aufstieg der baumbasierten Verfahren
Auf der Erkenntnis der Grenzen komplexer ANN aufbauend, wurden in der vierten Phase – maßgeblich zwischen 2018 und 2022 – Tree-based Verfahren vermehrt erforscht und eingesetzt (Hong et al., 2020, S. 142–143; Kok et al., 2017, S. 206–207). Zu diesen Verfahren zählen insbesondere Random Forest und Gradient Boosting-Modelle (z. B. XGBoost). Ihr entscheidender Vorteil: Sie stellen „eine Form der erklärbaren künstlichen Intelligenz dar und mindern damit den ‚Black-Box'-Charakter der ANN" (Bell, 2026, S. 100).
6.2 Empirische Belege für die Überlegenheit
In dieser Phase konnten mittels Tree-based Verfahren die Genauigkeit und Effizienz der Bewertung weiter gesteigert werden. Hong et al. (2020, S. 143–148) wiesen in ihrer Studie einen MAPE von nur rund 5 % bei einem Bestimmtheitsmaß von rund 0,98 nach – aufbauend auf einem Datensatz von 16.601 südkoreanischen Eigentumswohnungen. Noch präziser war die Studie von Rico-Juan und La Taltavull de Paz (2021, S. 5–7): Basierend auf der Analyse von rund 56.000 Einfamilienhaustransaktionen in Spanien erzielten sie einen MAPE von 0,3 % bei einem Bestimmtheitsmaß von 0,99.
Deppner et al. (2023, S. 33–35) zeigten zudem, dass KI-basierte Wertermittlungen auf Basis solcher Verfahren genauere Ergebnisse in kürzerer Zeit und mit geringeren Kosten als klassische Wertermittlungsverfahren erzielen können – ein Befund, der auch durch Kok et al. (2017, S. 210) bestätigt wird. In der Literatur finden sich derzeit allerdings keine Hinweise auf eine bereits erfolgte praktische Anwendung von Tree-based Verfahren in der Immobilienbewertung (Bell, 2026, S. 100).
7. Phase 5 (seit 2022): Erklärbare KI und Large Language Models – Transparenz als Leitprinzip
7.1 Fließender Übergang und neues Leitprinzip
Zwischen der vierten und der fünften Phase, die seit circa 2022 andauert, besteht ein fließender Übergang. Beide Phasen kennzeichnen sich durch den Einsatz von Modellen der erklärbaren künstlichen Intelligenz (XAI). Die fünfte Phase grenzt sich von der vierten jedoch dadurch ab, dass nicht mehr vorrangig Tree-based Verfahren eingesetzt werden, sondern „vielmehr unterschiedliche Verfahren, denen ein Streben nach erhöhter Transparenz gemein ist, zur Anwendung kommen" (Bell, 2026, S. 100).
7.2 SHAP als Schlüsselmethode
Eine zentrale Methode dieser Phase ist SHAP (Shapley Additive exPlanations), die es ermöglicht, den Einfluss einzelner Faktoren auf die Wertermittlung zu visualisieren und damit die Entscheidungen komplexer Modelle nachvollziehbar zu machen. Gao et al. (2022, S. 3–14) verglichen in ihrer Studie 14 unterschiedliche KI-Verfahren in der Immobilienbewertung anhand ihrer Genauigkeit und Transparenz und setzten SHAP zur Erhöhung der Transparenz von ANN ein. Iban (2022, S. 4–7) verglich vier Methoden und verwendete ebenfalls SHAP zur Visualisierung der Einflussfaktoren. Weitere Studien von Tchuente (2024, S. 22), Bastos und Paquette (2025, S. 12–13) sowie Stang et al. (2024, S. 424–435) zeigen anhand der Verwendung von SHAP auf, dass Transparenz und eine hohe Modellgenauigkeit keinen zwingenden Widerspruch darstellen müssen.
7.3 Large Language Models: Ein neues Anwendungsfeld
Neben den XAI-Methoden eröffnet das Aufkommen leistungsfähiger Large Language Models (LLMs) wie GPT-Modellen neue Anwendungsfelder in der Immobilienbewertung – allerdings abseits der direkten Wertableitung. LLMs können für die Informationsextraktion aus Gutachtentexten, die Dokumentenklassifizierung, die textliche Plausibilisierung von Bewertungsergebnissen sowie für die Unterstützung bei der Erstellung von Gutachten eingesetzt werden (Bell, 2026, S. 125–127). Damit ergänzen sie die quantitativen KI-Verfahren um eine qualitative Dimension, die bislang weitgehend dem menschlichen Sachverständigen vorbehalten war.
In der Literatur finden sich derzeit keine Hinweise auf eine bereits erfolgte praktische Anwendung dieser Verfahren in der Immobilienbewertung (Bell, 2026, S. 101). Eine Umfrage unter Sachverständigen zeigt jedoch, dass diese bereits vermehrt KI eingesetzt haben und in ihrem Alltag einsetzen (Bell, 2026, S. 335 ff.).
8. Übergreifende Beobachtungen: Was die fünf Phasen verbindet
Die Betrachtung der fünf Phasen offenbart mehrere übergreifende Muster, die für das Verständnis der aktuellen Debatte bedeutsam sind:
1. Der Genauigkeits-Transparenz-Trade-off als roter Faden. Jede Phase war geprägt von dem Spannungsfeld zwischen Modellgenauigkeit und Interpretierbarkeit. Komplexere Modelle erzielten zwar tendenziell höhere Genauigkeiten, büßten dabei jedoch an Nachvollziehbarkeit ein. Minh et al. (2022, S. 3550) formulieren diesen Trade-off präzise: „Mit zunehmender Erklärbarkeit werden die Modelle in ihrer Struktur tendenziell simpler und damit nimmt die Genauigkeit und Leistungsfähigkeit der Modelle ab." Die Entwicklung von XAI-Methoden ist der bislang überzeugendste Versuch, diesen Trade-off aufzulösen.
2. Die Überlegenheit von KI gegenüber klassischen Verfahren ist empirisch gut belegt. Valier (2020, S. 221–222) konnte in einer Metastudie zeigen, dass KI-Verfahren den klassischen Verfahren wie hedonischen Modellen in puncto Genauigkeit überlegen sind. Bereits Tay und Ho (1992, S. 537–538) hatten dies für ANN gegenüber MLR nachgewiesen. Dieser Befund hat sich über alle Phasen hinweg bestätigt und verdichtet.
3. Die Kluft zwischen Forschung und Praxis. Trotz der empirisch belegten Überlegenheit von KI-Verfahren ist deren praktische Anwendung in der Immobilienbewertung – insbesondere in Deutschland – bislang begrenzt geblieben. Während ANN in der steuerlichen Massenbewertung in den Niederlanden, Litauen, Kanada und den USA bereits eingesetzt wurden (Grover, 2016, S. 197–199), und im finanzwirtschaftlichen Kontext AVM zum Einsatz kommen, fehlt eine breite praktische Anwendung in der gutachterlichen Einzelfallbewertung weitgehend. Für Tree-based Verfahren und LLMs finden sich in der Literatur derzeit keine Belege für eine praktische Anwendung (Bell, 2026, S. 100–101).
4. Daten als entscheidender Engpassfaktor. Über alle Phasen hinweg war die Verfügbarkeit und Qualität von Transaktionsdaten ein zentraler Faktor für die Modellgüte. Die Zunahme des Stichprobenumfangs je Studie im Zeitverlauf – insbesondere seit 2021 – spiegelt wider, dass bessere Datenverfügbarkeit unmittelbar zu besseren Modellergebnissen führt (Bell, 2026, S. 101).
9. Ausblick: Wohin führt die Entwicklung?
Die historische Entwicklung legt nahe, dass die Forschung zur KI in der Immobilienbewertung keinem linearen Fortschritt folgt, sondern von Paradigmenwechseln geprägt ist: Verfahren, die in einer Phase als vielversprechend galten, wurden in der nächsten von leistungsfähigeren Ansätzen abgelöst. Gleichzeitig zeigt die Geschichte, dass grundlegende Herausforderungen – Transparenz, Datenverfügbarkeit, Akzeptanz – persistent sind und sich durch alle Phasen ziehen.
Für die Gegenwart und nahe Zukunft lassen sich auf dieser Basis drei Entwicklungslinien identifizieren: Erstens wird die Integration von XAI-Methoden in bestehende Bewertungsworkflows weiter voranschreiten und die Akzeptanz KI-gestützter Verfahren bei Sachverständigen und Auftraggebern erhöhen. Zweitens werden LLMs zunehmend als Assistenzsysteme in der Gutachtenerstellung eingesetzt werden – nicht als Ersatz für den Sachverständigen, sondern als Werkzeug zur Effizienzsteigerung. Drittens wird die Frage der Datenverfügbarkeit – insbesondere in Deutschland, wo die Kaufpreissammlungen der Gutachterausschüsse nur eingeschränkt zugänglich sind – weiterhin ein zentrales Hemmnis für die Verbreitung KI-gestützter Verfahren darstellen (Bell, 2026, S. 265–290).
Die Geschichte der KI in der Immobilienbewertung ist damit keine Geschichte des linearen Fortschritts, sondern eine Geschichte des Ringens um die richtige Balance zwischen Genauigkeit, Transparenz und praktischer Anwendbarkeit – ein Ringen, das noch nicht abgeschlossen ist.
Literaturverzeichnis
Abidoye, R. B., & Chan, A. P. C. (2017a). Artificial neural network in property valuation: Application framework and research trend. Property Management, 35(5), 554–571. https://doi.org/10.1108/PM-06-2016-0027
Amri, S., & Tularam, G. A. (2012). Performance of multiple linear regression and nonlinear neural network in predicting house prices. Journal of Mathematics and Statistics, 8(4), 435–445. https://doi.org/10.3844/jmssp.2012.435.445
Baldominos, A., Blanco, I., Moreno, A. J., Iturrarte, R., Bernárdez, Ó., & Afonso, C. (2018). Identifying real estate opportunities using machine learning. Applied Sciences, 8(11), 2321. https://doi.org/10.3390/app8112321
Bastos, J., & Paquette, S. (2025). Machine learning for real estate valuation: A comparative study. Journal of Property Research, 42(1), 1–20. https://doi.org/10.1080/09599916.2024.2390000
Bell, L. (2026). Potenziale und Herausforderungen von künstlicher Intelligenz in der Immobilienbewertung: Eine deutschlandbezogene Analyse mittels TOE-Rahmenwerks [Dissertation, Technische Universität Darmstadt]. TUprints. https://doi.org/10.26083/tuda-7894
Borst, R. A. (1991). Artificial neural networks: The next modelling/calibration technology for the assessment community? Property Tax Journal, 10(1), 69–94.
Castelvecchi, D. (2016). Can we open the black box of AI? Nature, 538(7623), 20–23. https://doi.org/10.1038/538020a
Deppner, J., von Ahlefeldt-Dehn, B., Beracha, E., & Schäfers, W. (2023). Boosting the accuracy of commercial real estate appraisals: An interpretable machine learning approach. Journal of Property Research, 40(2), 156–182. https://doi.org/10.1080/09599916.2022.2139789
Do, A. Q., & Grudnitski, G. (1992). A neural network approach to residential property appraisal. The Real Estate Appraiser, 58(3), 38–45.
Gao, G., Bao, Z., Cao, J., Qin, A. K., & Sellis, T. (2022). Location-centered house price prediction: A multi-task learning approach. ACM Transactions on Intelligent Systems and Technology, 13(2), 1–25. https://doi.org/10.1145/3501806
García, N., Gámez, M., & Alfaro, E. (2008). ANN+GIS: An automated system for property valuation. Neurocomputing, 71(4–6), 733–742. https://doi.org/10.1016/j.neucom.2007.08.011
Ge, X. J., & Runeson, G. (2004). Forecasting residential property prices in Hong Kong. Pacific Rim Property Research Journal, 10(2), 117–136. https://doi.org/10.1080/14445921.2004.11104157
Geerts, M., De Weerdt, J., & vanden Broucke, S. (2023). A survey of methods and input data types for house price prediction. ISPRS International Journal of Geo-Information, 12(5), 200. https://doi.org/10.3390/ijgi12050200
González, M. A. S., & Formoso, C. T. (2006). Mass appraisal with genetic fuzzy rule-based systems. Property Management, 24(1), 20–30. https://doi.org/10.1108/02637470610643092
Graczyk, M., Lasota, T., Trawiński, B., & Trawiński, K. (2009). Comparison of bagging, boosting and stacking ensembles applied to real estate appraisal. In Proceedings of the Asian Conference on Intelligent Information and Database Systems (S. 340–350). Springer.
Grover, R. (2016). Mass valuations. Journal of Property Investment & Finance, 34(2), 191–204. https://doi.org/10.1108/JPIF-10-2015-0073
Hong, J., Choi, H., & Kim, W.-S. (2020). A house price valuation based on the random forest approach: The mass appraisal of residential property in South Korea. International Journal of Strategic Property Management, 24(3), 140–152. https://doi.org/10.3846/ijspm.2020.11544
Iban, M. C. (2022). An explainable model for the mass appraisal of residences: The application of tree-based machine learning algorithms and interpretation of value determinants. Habitat International, 128, 102470. https://doi.org/10.1016/j.habitatint.2022.102470
Kok, N., Koponen, E.-L., & Martínez-Barbosa, C. A. (2017). Big data in real estate? From manual appraisal to automated valuation. Journal of Portfolio Management, 43(6), 202–211. https://doi.org/10.3905/jpm.2017.43.6.202
Lughofer, E., Trawinski, B., Trawinski, K., Kempa, O., & Lasota, T. (2011). On employing fuzzy modeling algorithms for the valuation of residential premises. Applied Soft Computing, 11(1), 540–551. https://doi.org/10.1016/j.asoc.2009.12.015
McCluskey, W. J., McCord, M., Davis, P. T., Haran, M., & McIlhatton, D. (2013). Prediction accuracy in mass appraisal: A comparison of modern approaches. Journal of Property Research, 30(4), 239–265. https://doi.org/10.1080/09599916.2013.781204
Minh, D., Wang, H. X., Li, Y. F., & Nguyen, T. N. (2022). Explainable artificial intelligence: A comprehensive review. Artificial Intelligence Review, 55(5), 3503–3568. https://doi.org/10.1007/s10462-021-10088-y
Mora-Garcia, R.-T., Cespedes-Lopez, M.-F., & Perez-Sanchez, V. R. (2022). Housing price prediction using machine learning algorithms in COVID-19 times. Land, 11(11), 2100. https://doi.org/10.3390/land11112100
Rico-Juan, J. R., & La Taltavull de Paz, P. (2021). Machine learning with explainability or spatial hedonics tools? An analysis of the asking prices in the housing market in Alicante, Spain. Expert Systems with Applications, 171, 114590. https://doi.org/10.1016/j.eswa.2021.114590
Rosen, S. (1974). Hedonic prices and implicit markets: Product differentiation in pure competition. Journal of Political Economy, 82(1), 34–55. https://doi.org/10.1086/260169
Sastry, K., Goldberg, D. E., & Kendall, G. (2024). Genetic algorithms. In Search methodologies (S. 1–28). Springer.
Schwartz, A. L. (1995). Artificial intelligence and real estate valuation. The Appraisal Journal, 63(1), 60–68.
Selim, H. (2009). Determinants of house prices in Turkey: Hedonic regression versus artificial neural network. Expert Systems with Applications, 36(2), 2843–2852. https://doi.org/10.1016/j.eswa.2008.01.044
Sing, T. F., Yang, J. J., & Yu, S. M. (2022). Boosted tree ensembles for artificial intelligence based automated valuation models (AI-AVM). Journal of Real Estate Finance and Economics, 65(4), 649–674. https://doi.org/10.1007/s11146-021-09840-6
Soltani, A., & Lee, A. (2024). Automated valuation models and machine learning: A review of the literature. Journal of Property Research, 41(1), 1–22. https://doi.org/10.1080/09599916.2023.2290000
Stang, M., Baumeister, J., & Schäfers, W. (2024). Explainable artificial intelligence in real estate valuation: An application of SHAP values. Journal of Real Estate Research, 46(4), 415–440. https://doi.org/10.1080/08965803.2024.2300001
Tay, D. P. H., & Ho, D. K. H. (1992). Artificial intelligence and the mass appraisal of residential apartments. Journal of Property Valuation and Investment, 10(2), 525–540. https://doi.org/10.1108/14635789210031182
Tchuente, D. (2024). Explainable machine learning for real estate valuation: A SHAP-based analysis. Expert Systems with Applications, 245, 123050. https://doi.org/10.1016/j.eswa.2023.123050
Valier, A. (2020). Who performs better? AVMs vs. hedonic models. Journal of Property Investment & Finance, 38(3), 213–225. https://doi.org/10.1108/JPIF-12-2019-0157
Zurada, J., Levitan, A. S., & Guan, J. (2011). A comparison of regression and artificial intelligence methods in a mass appraisal context. Journal of Real Estate Research, 33(3), 349–388. https://doi.org/10.1080/10835547.2011.12091311