Hedonische Preismodelle in der Immobilienwirtschaft: die Zukunft der Immobilienanalyse?

Hedonische Preismodelle in der Immobilienwirtschaft: die Zukunft der Immobilienanalyse?

Für welchen Preis kann ich meine Immobilie verkaufen? Ist die veranschlagte Miete für die Wohnung angemessen? Ist die Performance meines Wohnungsportfolios über oder unter Marktniveau? All dies sind verschiedene Facetten ein und derselben Frage: Was ist eine Immobilie wert? Diese Frage steht im Zentrum der Immobilienwirtschaft – und es geht um viel Geld. Der Gesetzgeber hat deshalb die Verordnung über die Grundsätze für die Ermittlung der Verkehrswerte von Grundstücken (ImmoWertV) beschlossen und damit das Sachwert-, Ertragswert- und Vergleichswertverfahren etabliert. Der theoretisch ermittelte Verkehrswert entspricht jedoch nicht unbedingt dem tatsächlich erzielten Marktwert. Die Digitalisierung und erhöhte Datenverfügbarkeit haben jedoch einer Methode der Immobilienwertermittlung zu neuer Popularität verholfen, die eigentlich schon fast 100 Jahre alt ist. In diesem Beitrag werden hedonische Preismodelle erklärt und spannende Anwendungsmöglichkeiten diskutiert, die das Zeug haben, die Branche umzukrempeln.

Von Automobilen zu Immobilien

Die Ursprünge dieser Methode liegen nicht im Bereich der Immobilien, sondern in der Automobilindustrie. Für diese wollte in den 1930er Jahren der bei General Motors angestellte Ökonom Andrew Court einen Preisindex aufstellen. Dabei stieß er jedoch auf ein Problem: Die Fahrzeuge waren zu unterschiedlich, um sie in einem einzigen Index abzubilden. Manche Fahrzeuge waren besonders leistungsstark und hatten große Fenster, andere waren dafür geräumig und sicher mit hervorragenden Bremsen. Als Ökonom erkannte er jedoch, dass sich die Preise der Automobile durch Analyse erfolgter Kauftransaktionen womöglich in Abhängigkeit von deren jeweiligen Eigenschaften darstellen und auf diese Weise homogenisieren ließen. [1] Er war erfolgreich, doch seine Veröffentlichung erhielt nicht viel Aufmerksamkeit. Die Ökonometrie war zum damaligen Zeitpunkt sehr auf makroökonomische Fragestellungen konzentriert, zudem war die Datenverfügbarkeit eingeschränkt und Berechnungen mit den mechanischen Rechenmaschinen der damaligen Zeit enorm aufwändig, sodass er für etwa zwei Jahrzehnte keine Nachahmer fand. [2] Erst Anfang der 60er Jahre wurde das Verfahren von Zvi Griliches [3] wieder entstaubt und später von Kelvin Lancaster [4] und Sherwin Rosen [5] in die neoklassische ökonomische Theorie integriert.

Was ist Ökonometrie?
Ragnar Frisch, der erste Herausgeber der Fachzeitschrift Econometrica, erkannte, dass erst die Kombination von Statistik, Mathematik und ökonomischer Theorie es ermöglichen würde, moder-ne Wirtschaftsbeziehungen quantitativ zu verstehen. Diese Verbindung von theoretischen mit er-fahrungsbasierten (empirischen) Ansätzen, zusammen mit der Rigorosität naturwissenschaftlicher Methoden, bilden den Kern der Ökonometrie. Sie wird heute genutzt, um wirtschaftliche Bezie-hungen nachzuvollziehen, ökonomische Modelle zu testen, sowie Politik und Geschäftspraktiken zu bewerten und zu implementieren. Darüber hinaus können auch Vorhersagen mittels ökonomi-scher Zeitreihen getätigt werden.

Es handelt sich hierbei um die hedonische Preisanalyse, auch hedonische Bewertung oder manchmal kurz Hedonik genannt. Der Begriff leitet sich vom griechischen Wort für Lust oder Freude ab, kann in diesem Fall aber besser mit Nutzen übersetzt werden. Es wird nämlich im Rahmen der hedonischen Preisanalyse davon ausgegangen, dass Produkte sich als sogenannte Nutzenbündel betrachten lassen. Das bedeutet, dass Produkte sich aus einzelnen Eigenschaften zusammensetzen und jede einzelne Eigenschaft für den Kunden einen bestimmten Nutzen stiftet. Zudem hat jede Eigenschaft einen bestimmten Preis, den der Kunde zu zahlen bereit ist und zu dem der Produzent bereit ist, diese Eigenschaft zur Verfügung zu stellen. Dieser Preis kann sich dabei von Eigenschaft zu Eigenschaft unterscheiden. So steigt der Preis eines Autos beispielsweise in der Regel mit der Leistung des Motors und der Geräumigkeit, aber der Preis für einen Kubikzentimeter Hubraum ist höher als für einen Kubikzentimeter Fahrgastzelle. Die einzelnen Preise für die jeweiligen Eigenschaften werden hedonische oder implizite Preise genannt. Die Summe [6] der impliziten Preise ergibt den Gesamtpreis für die jeweilige Kombination von Eigenschaften, also das Produkt. Somit lässt sich eine einfache Gleichung aufstellen, bei der der Gesamtpreis eines Produktes (P) in Abhängigkeit von seinen Eigenschaften ( X1, X2, …, Xn) und deren impliziten Preisen ( p1, p2, …, pn) betrachtet wird:

Grundform der hedonischen Preisfunktion
Formel 1: Grundform der hedonischen Preisfunktion

So lässt sich auch erklären, warum diese Methode für die Immobilienwirtschaft so interessant ist. Immobilien sind von Natur aus sehr heterogen, sie unterscheiden sich also stark. Jede Immobilie ist zwangsläufig ein Unikat, allein weil nach bisherigem Kenntnisstand der Physik dieselbe Wohnung nicht zweimal am selben Ort zur selben Zeit existieren kann. Immobilien unterscheiden sich daher immer in ihrer räumlichen Komponente, aber auch in Sachen Grundriss, Ausstattung, Lage und so weiter gibt es zahllose Unterschiede. Diese Unterschiede einzeln mit Preisen zu versehen ermöglicht somit verschiedene praktische Anwendungen. Durch die Homogenisierung können zum Beispiel Preisindizes für Immobilien erstellt werden, es lassen sich Verkaufspreise für Projektentwicklungen ermitteln, die noch nicht am Markt sind und die Ist-Miete einer Immobilie kann mit Marktmieten vergleichen werden. Kurz: Man kann herausfinden, was eine Immobilie wert ist. Im Folgenden soll zunächst die Methode der hedonischen Immobilienbewertung näher erläutert werden. Wer sich nicht mit Statistik anfreunden kann, kann dies überspringen und sich direkt dem darauffolgenden Abschnitt mit den Anwendungen in der Immobilienwirtschaft widmen.

Methodischer Hintergrund: Regression

Wer schon einmal mit Statistik oder Ökonometrie in Berührung gekommen ist, wird vielleicht schon die Ähnlichkeit von Formel 1 mit einer Regressionsfunktion erkennen. Die Regression zählt zu den am weitesten verbreiteten Methoden in der Ökonometrie und kommt auch hier zum Einsatz. Der Ursprung des Begriffs liegt etwa 50 Jahre vor Andrew Courts Entwicklung der hedonischen Preismodelle in der Arbeit des britischen Wissenschaftlers (und Cousins von Chalres Darwin) Francis Galton um 1885. Dieser untersuchte die Größe von 928 erwachsenen Kindern in Abhängigkeit vom Durchschnitt der Größe ihrer beiden Eltern. Er stellte fest, dass man diese grafisch gegeneinander abtragen und eine Gerade durch diese Datenwolke zeichnen kann.

Wie kann man diese Gerade nun interpretieren? Man erkennt in Abbildung 1 zunächst sofort, dass die Gerade eine positive Steigung hat, dass größere Eltern in der Regel also auch größere Kinder haben. Man erkennt jedoch auch, dass die Gerade eine Steigung von weniger als Eins hat. Bei einer Steigung von Eins würde man erwarten, dass bei einer Erhöhung der durchschnittlichen Größe der Eltern um ein Zoll auch die Größe der Kinder proportional um ein Zoll zunimmt. Bei einer durchschnittlichen Größe der Eltern von 65 Zoll liegt die durch die Gerade angegebene Größe der Kinder jedoch bei ca. 66 Zoll, während bei einer durchschnittlichen Größe der Eltern von 75 Zoll eher eine Größe der Kinder von etwa 73 Zoll angezeigt wird. Bei durchschnittlich 70 Zoll großen Eltern wird hingegen eine Größe der Kinder von ebenfalls 70 Zoll bestimmt. Demzufolge sind die Kinder außergewöhnlich großer Eltern eher kleiner als diese, während die Kinder besonders kleiner Eltern eher größer als ihre Eltern sind. Kinder durchschnittlich Großer Eltern sind ebenfalls tendenziell durchschnittlich groß. Galton nannte dies eine Regression (Rückkehr) zum Mittelwert. [7]

Streudiagramm von Galtons Daten inklusive Regressionsgerade
Abbildung 1: Streudiagramm von Galtons Daten inklusive Regressionsgerade [8]

Die Methode und Berechnungsmöglichkeiten haben sich seither enorm weiterentwickelt – das Prinzip bleibt jedoch bestehen. Im aktuellen Jargon würde man bei der Größe der Kinder in diesem Beispiel von der Zielvariable oder abhängigen Variable sprechen, während die durchschnittliche Größe der Eltern die unabhängige oder erklärende Variable darstellt. Die Gerade beschreibt jedoch offensichtlich nicht perfekt die Daten, was man daran sieht, dass jeder einzelne Datenpunkt mehr oder weniger von der Geraden abweicht. Diese Abweichung, gemessen als vertikaler Abstand zwischen Regressionsgerade und Datenpunkt, wird Störgröße, Fehlerterm oder Residuum (von lat. residere: zurückbleiben) genannt. [9] Es sind insbesondere diese Residuen, die dazu verwendet werden, eine entsprechende Regressionsgerade zu schätzen – denn je geringer die Abweichungen von der Gerade sind, desto besser ist sie offensichtlich. Diese kann dann – wie jede Gerade – mathematisch über den Y-Achsenabschnitt β0 und entsprechende Steigungsparameter (β1 bis βn, dies sind die hedonischen oder auch impliziten Preise) für die erklärenden Variablen, sowie die Störgröße ε beschrieben werden. Bei der weit verbreiteten Methode der kleinsten Quadrate werden dann diejenigen Werte für diese Parameter ermittelt, für die die Gesamtsumme der (quadrierten) Residuen aller Beobachtungen am kleinsten ist. So gelangt man am Ende zu einer Regressionsfunktion der Form:

Grundform der linearen Regression
Formel 2: Grundform der linearen Regression

Dabei sind X1 bis Xn die jeweiligen erklärenden Variablen, die zur Schätzung der abhängigen Variablen Y genutzt werden. Bei hedonischen Preismodellen ist entsprechend der jeweilige Immobilienpreis oder die Miete üblicherweise die abhängige Variable. Als erklärende Variablen werden oft beispielsweise die Wohnungsgröße, das Vorhandensein eines Balkons oder die Wohnlage verwendet. Unter Berücksichtigung zahlreicher Einflussvariablen und Zusammenhänge lassen sich so recht komplexe Modelle aufstellen, die die entsprechenden Immobilienpreise gut beschreiben können. Notwendig sind dafür jedoch ausreichend viele beobachtete Transaktionen. Damit das Modell mathematisch lösbar ist, müssen mindestens so viele Transaktionen wie Variablen vorliegen, um ein aussagekräftiges Modell zu erhalten sind jedoch hunderte, oft sogar tausende beobachtete Transaktionen notwendig. Aus diesem Grund wurden diese Modelle lang vernachlässigt – es gab keine ausreichende Datengrundlage. Dies hat sich jedoch verändert.

Heute kommen in der Immobilienwirtschaft verschiedene Arten von Regressionsanalysen zum Einsatz, die zu beschreiben an dieser Stelle den Rahmen sprengen würde. Dennoch lohnt es sich, einen kurzen Blick auf eine Auswahl einiger Methoden und deren mögliche Anwendungen in der Immobilienwirtschaft zu werfen:

Besonderheiten und Anwendungsgebiete verschiedener Regressionsarten
Tabelle 1: Besonderheiten und Anwendungsgebiete verschiedener Regressionsarten

Bei all diesen Modellen muss man einen Kompromiss zwischen einfacher Interpretierbarkeit und Komplexität machen. Lineare Regressionen sind recht einfach zu interpretieren, repräsentieren die Daten aber oftmals nicht hinreichend genau. Generalisierte additive Modelle sind oftmals komplexer in der Interpretation, können jedoch viele Arten von Daten recht genau beschreiben. Man noch weiter gehen und sogenannte Black Box Machine Learning Algorithmen verwenden (z.B. Random Forest, Neural Networks) und Modelle aufstellen, die die Daten sehr exakt nachvollziehen und unter Umständen sehr gute Prognosen abgeben können, dafür aber kaum noch nachvollziehbar sind. So lassen sich keine Gesetzmäßigkeiten mehr ableiten, was für manche Anwendungen akzeptabel sein mag, für andere weniger.

Dieser Abschnitt hat sich den Grundlagen der Regression als Fundament der hedonischen Preisanalyse gewidmet. Zudem haben wir einige weiterführende Methoden kennengelernt, die andere Zielvariablen als den Preis ermitteln und den Einsatz von Big Data und Machine Learning [10] ermöglichen. Im Folgenden sollen nun einige praktische Anwendungsmöglichkeiten hedonischer Preisanalysen in der Immobilienwirtschaft genannt werden.

Anwendungen hedonischer Preismodelle in der Immobilienwirtschaft

Die klassischen Bewertungsverfahren nach ImmoWertV sind nach wie vor die am weitesten verbreiteten, da sie die Referenz für verschiedene rechtliche Vorgänge wie zum Beispiel Beleihung und Erbschaft bilden. Aus verschiedenen Gründen sind diese Verfahren jedoch nicht immer geeignet. Zum einen können die Einschätzungen von Immobilienbewertern verzerrt sein, da falsche Anreizstrukturen vorliegen können, Marktungleichgewichte nicht berücksichtigt werden, von genormten Prozessen abgewichen wird, usw. [11] Daher hat die Branche einen Bedarf an Methoden, die möglichst unvoreingenommen und objektiv sind, die Heterogenität von Immobilien berücksichtigen und ein Maß für die Qualität der Bewertung liefern können. Hedonische Preisanalysen können hier nützlich sein, da sie sich auf statistische Verfahren und (bestenfalls) eine unverzerrte Datenlage berufen. Selbstverständlich sind diese Methoden kein Allheilmittel. Sie erfordern eine gute Datenlage und einen gekonnten Umgang mit den statistischen Verfahren. Deshalb sind sie auch noch nicht so weit verbreitet, wie man meinen könnte. Einige der bisherigen Anwendungen in der Immobilienwirtschaft und weiteren möglichen Anwendungen in der Zukunft werden jedoch in diesem Abschnitt vorgestellt.

Preisindizes mit hedonischen Preismodellen

Eine der wichtigsten und etabliertesten Anwendungen hedonischer Preismodelle in der Immobilienwirtschaft ist die Erstellung von Preisindizes. Diese werden verwendet, um Preisentwicklungen über längere Zeiträume auf aggregierter Ebene zu beschreiben und so zum Beispiel makroökonomische Risiken wie Preisblasen frühzeitig erkennen zu können. Das ist vor dem Hintergrund der Heterogenität von Immobilien durchaus eine Herausforderung. Ein Index muss daher den Einfluss von objekt- und lagespezifischen Eigenschaften berücksichtigen, da diese sonst den Index verzerren würden. Würden beispielsweise in einem Jahr vor allem günstige Bestandswohnungen gehandelt werden, im nächsten Jahr jedoch eine große Anzahl teurerer Neubauwohnungen fertiggestellt und verkauft werden, so würde ein Index, der nicht für diesen Faktor kontrolliert, durch diesen Effekt deutlich stärker ansteigen, als durch die reine Preisentwicklung unabhängig von der Qualität zu erwarten wäre.

Heute gibt es verschiedene Indizes, die von unterschiedlichen Institutionen berechnet und jährlich – mittlerweile aber teilweise auch in deutlich höherer Frequenz – veröffentlicht werden. In Abbildung 2 sind einige der derzeit üblichen Preisindizes für Wohnimmobilien zu sehen. Dazu zählen der Index des Statistischen Bundesamtes (Destatis), der Index des Verbandes deutscher Pfandbriefbanken (VdP), der Index der deutschen Bundesbank sowie der Index der Hypoport AG. Dabei verwenden der VdP und die Hypoport AG hedonische Preisanalysen zur Erstellung der Indizes. Dennoch ist zu sehen, dass die Indizes zwar einen ähnlichen Verlauf haben, in den letzten Jahren jedoch immer weiter auseinanderdriften. So beträgt der Unterschied zwischen dem VdP-Index und dem Index der deutschen Bundesbank im Jahr 2018 ganze 17,5 Punkte.

Preisindizes für Wohnimmobilien in Deutschland
Abbildung 2: Preisindizes für Wohnimmobilien in Deutschland [12]

Wie kommen diese Unterschiede zustande? Zum einen verwenden die Indizes unterschiedliche Datengrundlagen. So verwendet die Bundesbank Daten der BulwienGesa AG, die auf 125 Städten basieren. Deren Repräsentativität kann durchaus in Frage gestellt werden. Das Statistische Bundesamt verwendet Daten der Gutachterausschüsse, die zwar alle Transaktionen, aber nur eingeschränkt Daten zu Gebäude und Lage erfassen. Die Hypoport AG und der VdP verwenden hingegen Daten aus proprietären Datenbanken, die möglicherweise ebenfalls nicht besonders gut den Gesamtmarkt widerspiegeln. Andere Institutionen, wie zum Beispiel das Rheinisch-Westfälische Institut für Wirtschaftsforschung verwenden Angebotsdaten der Plattform Immobilienscout24. Bei dieser Datenbasis ist es wiederum möglich, dass eine marktabhängige Preisverzerrung zugrunde liegt, da in schlechten Zeiten (wie zum Beispiel um 2008) die gewünschten Angebotspreise heruntergehandelt werden, während sich potenzielle Käufer in einem angespannten Marktumfeld (wie zum Beispiel 2019) eher noch gegenseitig überbieten. Beides wird jedoch nicht in Angebotspreisen erfasst, sodass tatsächliche Marktentwicklungen unterschätzt werden können. Darüber hinaus wurden Standorteigenschaften, abgesehen von der Stadt selbst, hier vernachlässigt. Zudem gibt es zahlreiche regionale und funktionale Teilindizes für Ein- und Zweifamilienhäuser, Eigentumswohnungen, Neubauimmobilien und so weiter. Die Wahl des richtigen Indizes und ihn zu verstehen ist enorm wichtig, um sicher damit umgehen und ihn korrekt interpretieren zu können.

Indizes auf Basis hedonischer Preisfunktionen haben also durchaus Vorteile, sollten jedoch nicht unhinterfragt konsumiert werden. Wie bei allen statistischen Verfahren und Indikatoren sind sowohl Kenntnis der Methode als auch der Datengrundlage notwendig, um die richtigen Schlüsse zu ziehen. Dies wird oft unter dem Begriff „Data Literacy“ zusammengefasst, einer der aus meiner Sicht wichtigsten Fertigkeiten im 21. Jahrhundert. Es reicht also nicht, sich einen einzigen Index anzuschauen – es sollten mehrere Indizes nach Verlauf und Hintergründen der Berechnung verglichen werden. Fortgeschrittene Regressionsmethoden könnten zudem helfen, genauere Aussagen treffen zu können, indem nichtlineare Zusammenhänge und räumliche Effekte stärker berücksichtigt werden.

Benchmarking mit hedonischen Preismodellen

Aktienfonds erfreuen sich großer Beliebtheit – in Zeiten anhaltend lockerer Geldpolitik scheinen die Märkte (abgesehen von der letzten Woche) nur noch eine Richtung zu kennen: nach oben. Wer beispielsweise am 4. März 2019 in Aktien der Allianz SE investiert hat, durfte sich genau ein Jahr später über einen Kursanstieg von 2,02% erfreuen. In Zeiten, wo es auf das Bankguthaben gar keine Zinsen mehr gibt, ist das gar nicht so schlecht. Diese Denkweise deutet jedoch bereits an, dass die 2,02% für sich betrachtet nicht besonders aussagekräftig sind, man muss sie mit einer Alternative vergleichen. Und da Aktieninvestments wohl deutlich riskanter sind als ein Bankguthaben, ist die Frage angebracht, ob dieser Vergleich so sinnvoll ist. Angemessener ist es vielleicht, die Entwicklung der Aktie mit dem übrigen Aktienmarkt zu vergleichen. Sieht man sich also die Performance der Allianz Aktie im Vergleich zum DAX Index, in dem die Aktie gelistet ist, an, erkennt man, dass dieser im gleichen Zeitraum 6,26% Kursgewinn verzeichnet hat. Hätte man also statt in die Allianz Aktie in den gesamten DAX investiert, hätte man im selben Zeitraum über 4% mehr Kursgewinn verzeichnet. Das eigene Investment hat also schlechter performt als der Markt.

Diesen Vergleich bezeichnet man als Benchmarking, der DAX als relevanter Marktindex ist hierbei der Benchmark, also die Vergleichsgröße, für die Performance der Allianz Aktie. Benchmarking ist enorm wichtig für die Interpretation von Kennzahlen wie Aktienkursen, da nur durch den Vergleich mit einem Benchmark klar wird, ob die Performance gut oder schlecht war. So kann beispielsweise – gerade im aktuellen instabilen Marktumfeld – auch ein Kursverlust eine gute Performance darstellen, wenn der relevante Marktindex noch stärkere Verluste einbüßen musste. Der Schlüssel zu einem guten Benchmark ist also zum einen die Auswahl der richtigen Kennzahl, die das messen sollte, was man auch messen will, und zum anderen die Auswahl des richtigen Benchmarks, der repräsentativ für das Umfeld der eigenen Performance sein sollte.

Kursentwicklung der Allianz SE Aktie und des DAX
Abbildung 3: Kursentwicklung der Allianz SE Aktie und des Dax [13]

Nun ist diese Art von Performancemessung bei Aktien relativ einfach – der Markt ist transparent, Daten sind problemlos verfügbar. Wie wir aber festgestellt haben, ist es für Immobilien gar nicht so einfach, überhaupt einen Index zu bilden. Zudem ist oft gar nicht klar, welchen Wert die Immobilie aktuell hat. Man muss also die unbekannte Performance der Immobilie mit der unbekannten Performance des relevanten Marktes vergleichen – gar nicht so einfach. Auch hier ist jedoch der Einsatz hedonischer Preisanalysen möglich. Indem die jeweiligen Gebäude- und Lageeigenschaften der Immobilie in ein hedonisches Modell eingetragen werden, kann deren aktueller Marktwert berechnet werden, solang die Datengrundlage stetig aktualisiert wird. Vergleicht man diesen Wert mit dem Preis, zu dem man die Immobilie gekauft hat, erfährt man die Performance. Diese kann dann zum Beispiel mit dem passenden Immobilienindex verglichen werden.

Ebenso lässt sich die momentane Miete mit dem Marktniveau vergleichen, indem die Gebäude- und Lageeigenschaften der Immobilie in ein hedonisches Mietpreismodell eingesetzt werden. Liegt die derzeitige Miete unter dem errechneten Wert, ist es möglicherweise Zeit für eine Mietsteigerung. Liegt sie über dem errechneten Wert, muss man gegebenenfalls davon ausgehen, dass die derzeitige Miete bei einer Neuvermietung nicht das derzeitige Niveau beibehalten wird. So lässt sich die Performance von Immobilien deutlich besser verfolgen, als es momentan verbreitet ist. Diese Methoden setzen sich gerade erst bei großen institutionellen Investoren wie der Patrizia AG durch.

In Zukunft werden diese Verfahren der Performancemessung für Immobilien noch wichtiger. Dies ist bedingt durch die zunehmende Professionalisierung der Immobilienwirtschaft, aber auch durch die immer einfachere Datenverfügbarkeit. In nicht allzu ferner Zukunft, wenn Immobilien dank Tokenisierung deutlich fungibler gehandelt werden können, lässt sich die Performance noch besser verfolgen und derartige Benchmarks werden zum absoluten Branchenstandard. Dann wird es nicht nur für institutionelle, sondern auch für private Investoren möglich, die eigene Immobilie in Echtzeit mit dem Markt zu vergleichen.

Projektentwicklung mit hedonischen Preismodellen

Projektentwickler stehen regelmäßig vor der schwierigen Entscheidung, die richtige Immobilie für den Standort herstellen zu müssen. Gerade bei Wohnimmobilien ist das oft schwer, da die späteren Nutzer in den seltensten Fällen zu diesem Zeitpunkt schon feststehen. Daher wird im Regelfall zunächst eine Markt- und Standortanalyse durchgeführt. Diese dient dazu, die derzeitige Situation und zukünftige Entwicklung des jeweiligen Umfeldes zu erfassen. Dabei werden die geografischen, soziodemografischen und (immobilien-)ökonomischen Besonderheiten erfasst. Dazu zählen zum Beispiel die verkehrliche Anbindung, prognostizierte Bevölkerungsentwicklung oder die Zusammensetzung des Gebäudebestandes. Aus den Ergebnissen der Markt- und Standortanalyse lassen sich im Regelfall Zielgruppen ableiten. Liegt das zu entwickelnde Grundstück beispielsweise in einem ruhigen, grünen Vorort mit zahlreichen Schulen, ist der Standort vermutlich eher für Familien als für Studenten geeignet. Auf Basis der ermittelten Zielgruppen lässt sich dann das Gebäude entsprechend planen.

Jedoch weiß man auch hier nicht genau, welche Eigenschaften nun zielgruppenspezifisch realisiert werden sollten – vor allem in Zeiten knapper Budgets und steigender Baukosten. Sollte bei der Raumaufteilung ein großzügiger Wohn- und Essbereich oder lieber ein zusätzliches Zimmer geplant werden? Ist die Zielgruppe bereit, für ein zweites Badezimmer – das in der Herstellung teurer ist als ein normales Zimmer – auch mehr zu zahlen? Diese Fragen stellt sich jeder Projektentwickler (und manche Architekten), sie zu beantworten ist jedoch momentan oft eher eine Frage des Bauchgefühls, statt der Daten.

Das muss jedoch nicht so sein. Auch hier können hedonische Preismodelle eine Möglichkeit darstellen, bessere Entscheidungen zu treffen. Zwar sind in einem hedonischen Modell unter keinen Umständen Variablen des Konsumenten (z.B. Einkommen, Alter oder sozioökonomisches Milieu) zu berücksichtigen, da diese bereits implizit eingehen und die Funktion verzerren würden, [14] aber es lassen sich durchaus hedonische Preisfunktionen für unterschiedliche Käufer- oder Mietersegmente ermitteln und nutzen. Streng genommen ist dies sogar notwendig, da hedonische Preismodelle homogene Präferenzen voraussetzen.

Die Frage ist hier hauptsächlich: Wie lassen sich die einzelnen Segmente identifizieren? Hier ist sowohl ein Top-Down als auch ein Bottom-Up Ansatz möglich. Top-Down bedeutet hier, dass eine Segmentierung vorliegt und alle Transaktionen anhand der Käufermerkmale in die entsprechenden Segmente einsortiert werden, für die dann jeweils eine hedonische Preisfunktion geschätzt wird. Dazu kann beispielsweise das Familienlebenszyklusmodell nach Gilly und Enis dienen. [15] In diesem Modell werden Haushalte anhand der Variablen Alter (unter 35, zwischen 35 und 64, sowie über 64 Jahre alt, bei Paaren ist das Alter der Frau ausschlaggebend) und Haushaltsgröße (alleinstehend oder Paar, jeweils mit oder ohne Kinder) in eines von je nach Detailgrad 10 bzw. 13 Segmenten eingeteilt. Der Vorteil dieses Modells im Vergleich zu anderen Modellen ist, dass trotz einer einigermaßen überschaubaren Anzahl von Segmenten nur 2,8% der US-Bevölkerung (zum Zeitpunkt der Publikation) nicht in einem der Segmente erfasst wurden. Nicht erfasst wären beispielsweise Paare über 65, deren Kinder noch zuhause wohnen. Zudem lassen sich die Segmente mit nur 2-3 Variablen aufstellen, die leicht zu erheben sind. Darüber hinaus haben sich diese Lebenszyklusphasen als gute Indikatoren für Wohnentscheidungen herausgestellt. [16] Bottom-Up Ansätze würden hier typischerweise auf Basis vorhandener Daten mittels statistischer Methoden, z.B. Cluster-Analyse, Segmente aufgrund von Gemeinsamkeiten und Unterschieden in den Daten ermitteln. [17[

Ausgewählte Regressionskoeffizienten für Zielgruppen
Tabelle 2: Ausgewählte Regressionskoeffizienten für Zielgruppen [18]

In Tabelle 2 sind beispielhaft die Regressionskoeffizienten drei verschiedener hedonischer Preismodelle für bestimmte Gebäudeeigenschaften von Münchener Neubauten dargestellt. Man sieht die Koeffizienten des Gesamtmodells, basierend auf einem Datensatz von rund 600 Eigentumswohnungen, sowie zweier segmentspezifischer Modelle. Letztere sind jeweils Teilmengen des Gesamtdatensatzes, die die entsprechenden Kriterien für die Segmente des oben genannten Familienlebenszyklusmodells erfüllen (Paare ohne Kinder: Alter 35-64, Haushalt mit zwei Erwachsenen ohne Kinder; Volles Nest I/II: Alter unter 35, Haushalt mit zwei Erwachsenen und mindestens einem Kind). An diesem Beispiel erkennt man, dass das Geschoss mit 5,3% Preissteigerung pro Stockwerk einen relativ konstanten positiven Effekt auf die Preise hatte. Maisonettewohnungen hingegen wurden mit einem Preisabschlag gehandelt, der bei der Gruppe der Paare ohne Kinder besonders stark ausgefallen ist. Dafür waren Mitglieder des Segments Volles Nest I/II bereit, vergleichsweise mehr für einen Balkon oder eine Terrasse zu zahlen als im Gesamtmodell oder dem Segment Paare ohne Kinder zu beobachten war.

Erstellt man also für bestimmte Marktsegmente jeweils eigene hedonische Preismodelle (vorausgesetzt es liegen ausreichend Daten vor), so kann man den Preis einzelner Wohnungen zielgruppengerecht festlegen und auch die Gesamterlöse besser planen. Ebenso lässt sich bei bestehenden Immobilien anhand solcher Modelle diejenige Zielgruppe ermitteln, die für die jeweiligen vorhandenen Gebäude- und Standortmerkmale vermutlich die höchste Zahlungsbereitschaft aufweist. So lassen sich Erlöse maximieren und Marketing- und Vertriebsmaßnahmen durch zielgerichtete Kommunikation effizient und effektiv durchführen. Auch hier ist jedoch zu beachten, dass solche Modelle mit der Qualität der Daten und der Rigorosität der Analyse stehen und fallen. Falsch durchgeführte Analysen können schnell zu teuren Fehlentscheidungen führen.

Fazit

In diesem Beitrag ging es um die Hintergründe und Anwendungen hedonischer Preismodelle in der Immobilienwirtschaft. Von einer lang vernachlässigten und stiefmütterlich behandelten ökonometrischen Methode hat sich dieses Verfahren zu einer – zumindest in der Forschung – weit verbreiteten Methode entwickelt, die jedoch in der Praxis noch lange nicht ihren Zenit erreicht hat. In den nächsten Jahren wird es aufgrund verbesserter Datenverfügbarkeit, fortschreitender Digitalisierung und Professionalisierung, sowie nicht zuletzt aufgrund eines erhöhten Datenbewusstseins und verbesserter Data Literacy, weitere Fortschritte in diesem Bereich geben. Die Anwendungen, die hier gezeigt wurden, sind nicht einmal ansatzweise abschließend und stellen nur einen kleinen Teil des Möglichen dar. Insbesondere wenn man weitere Verfahren wie Cox-Regressionen und logistische Regressionen einbezieht, wird klar, welch mächtige Rolle Statistik in der Zukunft der Immobilienbranche spielen kann. Auf Finanzmärkten sind diese Methoden längst verbreitet, unsere Branche hinkt wie so oft leider hinterher. Dennoch bin ich sicher, dass sich in diesem Bereich große Chancen auftun werden und sich ganze Geschäftsmodelle um diese Methoden herum aufbauen werden, deren Erkenntnisse womöglich – insbesondere in Zeiten schrumpfender Immobilienmärkten – den Unterschied zwischen Erfolg und Scheitern ausmachen können.


[1] Court, Andrew T.: Hedonic Price Indexes with Automotive Examples. In: The Dynamics of Automobile Demand. Hrsg. General Motors Corporation. New York 1939.

[2] Goodman, Allen C.: Andrew Court and the Invention of Hedonic Price Analysis. In: Journal of Urban Economics, Vol. 44 Nr. 2 (1998), S. 291-298.

[3] Griliches, Zri: Hedonic prices for automobiles: An econometric analysis of quality change. In: The Price Statistics of the Federal Government, General Series Nr. 73 (1961), S. 137-196.

[4] Lancaster, Kelvin J.: A New Approach to Consumer Theory. In: Journal of Political Economy, Vol. 74, Nr. 2 (1966), S. 132-157.

[5] Rosen, Sherwin: Hedonic Prices and Implicit Markets: Product Differentiation in Pure Competition. In: Journal of Political Economy, Vol. 82, Nr. 1 (1974), S. 34-55.

[6] Je nachdem, welches statistische Modell verwendet wird, kann es sich auch um das Produkt einer Multiplikation handeln, bspw. bei logarithmischen Modellen. Zur Vereinfachung wird hier aber ein additives Modell angenommen.

[7] Fahrmeir, Ludwig; Kneib, Thomas; Lang, Stefan: Regression – Modelle, Methoden und Anwendungen. Berlin Heidelberg 2009.

[8] Eigene Darstellung. Quelle der Daten: Harvard Dataverse. Verfügbar unter: https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/T0HSJ1

[9] Störgröße und Residuum unterscheiden sich streng genommen voneinander. Während die Störgröße als unbeobachtbare Zufallsgröße die Abweichung zwischen Beobachtungspunkt und der wahren Regressionsfunktion darstellt, misst das Residuum den Abstand zwischen Beobachtungspunkt und der empirisch geschätzten Regressionsfunktion. Theoretisch spielt diese Unterscheidung eine wichtige Rolle, soll jedoch aus Gründen der Verständlichkeit an dieser Stelle vernachlässigt werden.

[10] Tatsächlich ist jede der vorgestellten Methoden als „Machine Learning“ zu klassifizieren, wenn die auf Basis eines Trainingsdatensatzes ermittelte Funktion dazu eingesetzt wird, die abhängige Variable (z.B. den Immobilienpreis) eines bestehenden Objektes durch Einsetzen der Werte für die unabhängigen Variablen (z.B. Wohnungsgröße und Wohnlage) zu schätzen.

[11] Salzman, Diego; Zwinkels, Remco C.J.: Behavioral Real Estate. In: Journal of Real Estate Literature, Vol. 25, Nr. 1 (2017), S. 77-106.

[12] Eigene Darstellung. Quelle der Daten: Deutsche Bundesbank. Verfügbar unter: https://www.bundesbank.de/dynamic/action/de/statistiken/zeitreihen-datenbanken/zeitreihen-datenbank/759778/759778?listId=www_s300_iswi_preise1

[13] Eigene Darstellung. Quelle der Daten: Yahoo Finance. Verfügbar unter: https://de.finance.yahoo.com/

[14] Edmonds, Radcliffe G.: A Theoretical Basis for Hedonic Regression: A Research Primer. In: AREUEA Journal, Vol. 12, Nr. 1 (1984), S. 72-85.

[15] Gilly, Mary C.; Enis, Ben M.: Recycling the Family Life Cycle: A Proposal for Redefinition. In: Advances in Consumer Research, Vol. 9 (1982), S. 271-276.

[16] Kroeber-Riel, Werner; Gröppel-Klein, Andrea: Konsumentenverhalten. München 2019.

[17] Feigl, Patricia: Zielgruppenbestimmung von Mietern – Eine Analyse der Wohnbedürfnisse auf Basis von Nutzenerwartungen. Köln 2007.

[18] Basierend auf eigenen Untersuchungen. Koeffizienten zur einfacheren Interpretation in Prozentzahlen angegeben, da es sich um ein semilogarithmisches Modell handelt.

Menü schließen