Immobilien-Risiko-Scorings: Neue Anforderungen an eine bekannte, aber unterschätzte Entscheidungsunterstützung - PATRICK KRIEGER CARSTEN LAUSBERG
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
PATRICK KRIEGER CARSTEN LAUSBERG Immobilien-Risiko-Scorings: Neue Anforderungen an eine bekannte, aber unterschätzte Entscheidungsunterstützung
Patrick Krieger1, Carsten Lausberg2
IMMOBILIEN-RISIKO-SCORINGS:
NEUE ANFORDERUNGEN AN EINE BEKANNTE, ABER UNTER-
SCHÄTZTE ENTSCHEIDUNGSUNTERSTÜTZUNG
Arbeitspapier Nr. 4/2014
Oktober 2014
Zusammenfassung: Scoring ist eine weit verbreitete, lang bewährte, universell anwendbare
und leicht verständliche Methode zur Messung von Risiken. Leider wird sie in der
immobilienwirtschaftlichen Praxis oft fehlerhaft eingesetzt und in der Wissenschaft
unterschätzt. Eine „Risikoscoring-Theorie“ könnte dem abhelfen, doch die gibt es noch nicht.
Es ist auch nicht unsere Absicht, sie zu schreiben. Wir möchten allerdings die Literatur um
einen Vorschlag bereichern, nach welchen Regeln Scorings konstruiert und validiert werden
sollten, damit sie als Risikoinstrumente taugen. Hierzu übertragen wir zunächst die Axiome
für kohärente Risikomaße von Pedersen/Satchel (1998) und anderen auf Scores. Anschließend
schlagen wir Verfahren zur Erstellung von Risiko-Scorings vor.
Keywords: Immobilien; Risiko; Scoring; Entscheidungsunterstützung
Herausgeber:
Campus of Real Estate an der Hochschule für Wirtschaft und Umwelt Nürtingen-Geislingen e.V.
Parkstr. 4, 73312 Geislingen
Homepage: www.campus-of-real-estate.de
E-Mail: immobilienwirtschaft@hfwu.de
Telefon: 07331 / 22 -555
Autoren:
1) Patrick Krieger, M.Sc., Immobilienwirtschaftliches Institut für Informationstechnologie der
Hochschule für Wirtschaft und Umwelt Nürtingen-Geislingen (IMMIT), Kontakt:
patrick.krieger@hfwu.de, Tel. 07331 / 22 -478
2) Prof. Dr. Carsten Lausberg, Immobilienwirtschaftliches Institut für Informationstechnologie der
Hochschule für Wirtschaft und Umwelt Nürtingen-Geislingen (IMMIT), Kontakt:
carsten.lausberg@hfwu.de, Tel. 07331 / 22 -5741 Einleitung
In Deutschland hat sich das Scoring-Verfahren zur Messung von Immobilienrisiken in vie-
len Unternehmen verbreitet. Als eher qualitatives Verfahren versucht es anhand von Ge-
bäudemerkmalen und Markteinschätzungen das Risiko einer Immobilie mit Punkten zu
bewerten. Die Methode hat insofern Charme, da das Risiko in operationalisierbare Fakto-
ren zerlegt wird. Dies bietet im Gegensatz zu einer Risikokennzahl den Vorteil, dass ein
Problem relativ schnell eingegrenzt werden kann.
Die Verfahren nach Lowe (2003) und VÖB (2006) sind besonders verbreitet. Es handelt
sich dabei im Prinzip um Leitfäden für die Praxis. Im angelsächsischen Raum hat dieses
Verfahren zwar seinen Ursprung, doch gibt es dazu dort kaum wissenschaftliche Untersu-
chungen. Eine Ausnahme bilden Adair und Hutchison (2005).
Bei einer Studie über die Validität in der Praxis eingesetzter Risiko-Scorings stellten Laus-
berg und Kröll (2012) fest, dass die Verfahren erhebliche Mängel aufweisen. Alle unter-
suchten Verfahren messen nicht das Immobilienrisiko – jedenfalls nicht nach den gängigen
Risikodefinitionen. Dies liegt zum einen daran, dass für Immobilien-Risiko-Scorings we-
sentlich mehr Gütekriterien notwendig sind, um die Validität des Messinstruments sicher-
zustellen. Zum anderen liegt es auch an den Verfahren, die zur Erstellung herangezogen
werden.
2 Qualität als Risikoindikator
In der Praxis ähneln sich die verwendeten Risiko-Scorings trotz ihrer zum Teil sehr indivi-
duellen Gestaltung. Denn zur Messung des Risikos werden in der Regel mehrere Merkmale
herangezogen, die Auskunft über die Qualität der Immobilie und andere mehr oder weni-
ger schwierig zu messende Einflussfaktoren geben. Die Qualität ist jedoch aus mehreren
Gründen ein unpassender Indikator für das Risiko einer Immobilie. Zwei davon erscheinen
uns besonders wichtig:
• Weder im allgemeinen Sprachgebrauch noch in Wissenschaft und Praxis werden
die Begriffe Risiko und Qualität synonym, antonym oder in einer sonstigen ein-
Krieger/Lausberg, Immobilien-Risiko-Scoring 21
deutigen Beziehung verwendet. Vielmehr gibt es komplexe, variable Beziehun-
gen zwischen den beiden Begriffen. Beispiel 1: Umgangssprachlich würde man
sagen, dass es ein Zeichen schlechter Qualität ist, wenn ein Bauteil häufig kaputt
geht. In Fachsprache übersetzt bedeutet dies, dass das Risiko bzw. die Eintritts-
wahrscheinlichkeit eines Defekts ein Indikator für Qualität ist. (Andere Indikato-
ren könnten zum Beispiel das Herstellungsland, die Marke oder das verwendete
Material sein.) Die Qualität kann wiederum als Indikator für das Reparaturkosten-
risiko des Bauteils dienen. (Als weitere Indikatoren bieten sich Garantiebedingun-
gen, Reparaturdauer und Preis des Bauteils an.) Qualität und Risiko können also
als Teil des jeweils anderen verstanden werden. Beispiel 2: Die Taunusanlage im
Frankfurter Bankenviertel ist eine der deutschen Top-Lagen für Büros. Sie hat un-
bestreitbar eine sehr hohe Lagequalität, u.a. weil sie eine sehr gute Anbindung an
den öffentlichen und individuellen Nah- und Fernverkehr bietet. Die Lage ist ein-
zigartig und stark gesucht, was sich in einem relativ geringen Leerstandsrisiko äu-
ßert. (Clamor et al. 2011) Gleichzeitig ist das Risiko schwankender Marktmieten
im Frankfurter Bankenviertel sehr hoch. (IPD Investment Property Databank
2012) Die Qualität kann sich also auf unterschiedliche Risiken unterschiedlich
auswirken. Sie kann sich auch auf unterschiedliche Assets unterschiedlich auswir-
ken: während die eine Immobilie von der guten Lage profitiert, weil ein Leerstand
schnell beseitigt wird, leidet die andere darunter, weil ihre Mieter sinkende
Marktmieten als Druckmittel zur Anpassung der Vertragsmieten verwenden.
• Die unklare Beziehung zwischen Risiko und Qualität ist auch darauf zurückzufüh-
ren, dass die beiden Begriffe uneinheitlich verwendet und bewertet werden. Für
Immobilienrisiken sind in den letzten Jahren einige Vorschläge zur Vereinheitli-
2
chung gemacht worden , doch haben diese bisher noch nicht den Stellenwert ei-
nes Standards erreicht. Noch gravierender ist die Situation bei den Qualitätsbe-
griffen, denn es existieren keine Kataloge, sondern nur Definitionsansätze für ein-
3
zelne Begriffe.
Eine etwas technischere Begründung ist bei hedonischen Regressionansätzen zu finden.
Die einfließenden Faktoren können zum einen in die Nutzung der Immobilie und zum
1
Eine Ausnahme bildet Meier (2004), für den Qualität und Risiko zwei Seiten einer Medaille sind, dessen Sicht-
weise sich aber bis heute nicht durchsetzen konnte.
2
Beispielhaft seien die Risikolisten in Trotz 2004, Urschel 2010 oder Arlt und Meggeneder 2014 genannt.
3
Beispielhaft seien Franck und Franck 2008 für architektonische Qualität, Wetzel 2010 für Lagequalität und die
„Oscar“-Studie der Firma Jones Lang Lasalle für Ausstattungsqualität genannt.
Krieger/Lausberg, Immobilien-Risiko-Scoring 3anderen in die Art der Zielvariablen unterschieden werden. Für Gewerbe bzw. Büro wird in
der Regel der Mietpreis pro m² herangezogen (Glascock et al. 1990; Fisher et al. 1994;
Hodgson et al. 2006; Nitsch 2006). Bei Wohnraum wird meist unterschieden in Eigennut-
zung, dann steht der Immobilienwert im Vordergrund, und in gewerbliche Nutzung, dann
steht der Mietpreis im Vordergrund (Denton 1984; Tsoodle und Turner 2008; Löchl und
Axhausen 2010).
Allen gemein ist, dass für gewerbliche Zwecke nur der Mietpreis als Zielvariable herange-
zogen wird. Ein Marktteilnehmer bewertet das Risiko einer Immobilie anhand der erwar-
teten Einnahmen E[E] und dem Kaufpreis P. Diese Einschätzung muss dem inhärenten
Risiko der Immobilie entsprechen, welches vereinfachend mittels eines Single-Index-
Modells ausgedrückt werden kann. In einer Gleichung lässt sich diese Aussage formulieren
als
= + , (1)
wobei der risikolose Zins und das „intrinsische“ Risiko der Immobilie darstellt. Es sei
weiterhin davon ausgegangen, dass die Qualitätsmerkmale einer Immobilie die erklären-
den Faktoren für das Risiko sind. Gleichung (1) kann nun erweitert werden zu
( )
= + ,
( )
(2)
da aus der Literatur bekannt ist, dass nach dem hedonischen Ansatz Merkmale sowohl
Einfluss auf die Miete als auch auf den Kaufpreis haben. Der Preis einer Immobilie kann
auch durch die Einnahmen multipliziert mit der ewigen Rente dargestellt werden, wo-
durch sich
1
( ) = ( ) × , (3)
ergibt. Wird weiterhin davon ausgegangen, dass der Zins auf dem Investmentmarkt ist,
dessen Preis sich aus Angebot und Nachfrage ergibt, folgt nach dem Einsetzen und
Kürzen in Gleichung (2)
( , ) = + . (4)
Krieger/Lausberg, Immobilien-Risiko-Scoring 4Die Qualität kürzt sich aus der Gleichung heraus und nur Angebot und Nachfrage bleiben als Eingangsvariablen übrig. Aus diesem Grund wird die Cap-Rate in hedonischen Bewer- tungsmodellen immer separat modelliert. Diese Problematik kann aber auch plastisch an zwei Beispielen verdeutlicht werden. Dass Qualität für ein Risiko-Scoring unbrauchbar ist, soll mit dem folgenden Gedankenex- periment erläutert werden: Eine hochpreisige Immobilie kann an zwei Standorten errich- tet werden – in Stadt A und in Stadt B. Die jeweiligen Grundstücke sind von der Lage her qualitativ gleichwertig. Aus Stadt A sind mehrere Dienstleistungsunternehmen abgewan- dert, die sehr gut bezahlte Experten beschäftigt hatten. Die Abwanderung der Experten wird in kurzer Zeit ein Überangebot an hochpreisigem Wohnraum erzeugen. In Stadt B findet eine genau umgekehrte Entwicklung statt, so dass ein starker Zuzug von Experten zu erwarten ist. Auch ohne genauere Informationen zu den beiden Märkten bietet Stadt B wesentlich bessere Aussichten für den Bau einer Immobilie im Hochpreissegment. Daraus kann ein qualitativer Indikator konstruiert werden. Sowohl die Immobilie als auch das Grundstück sind qualitativ gleich, so dass beide Optionen einen identischen Score-Wert erhalten und ein Entscheider zwischen beiden indifferent sein muss. Dabei spielt natürlich eine Rolle, dass Qualität normalerweise auf die Ist-Situation, nicht auf die zukünftige Entwicklung bezogen wird. Wir wollen unser Gedankenexperiment nun etwas abwandeln. In Stadt A kann entweder eine hochpreisige Immobilie in sehr guter Lage oder eine einfache Immobilie in einer ein- fachen Lage gebaut werden. Es ist bekannt, dass die ansässigen Experten aufgrund der abwandernden Dienstleister die Stadt verlassen und ein Überangebot an hochpreisigem Wohnraum verursachen werden. Allerdings expandieren gleichzeitig mehrere Industrieun- ternehmen in Stadt A, die in steigendem Maße Hilfs- und Facharbeiter anlocken, so dass ein Unterangebot an günstigem Wohnraum zu erwarten ist. Auch bei diesem Beispiel liegt die subjektive Einschätzung eher bei der einfachen Immobi- lie. Die zukünftige Perspektive für die Immobilie ist insgesamt günstiger, und es wird ein geringeres Risiko assoziiert. Betrachtet man wieder ein Scoring, das aus Faktoren der Qua- lität konstruiert wird, ergibt sich jedoch ein paradoxes Bild. Da sowohl die hochpreisige Immobilie als auch das sehr gut gelegene Grundstück eine höhere Qualität aufweisen, Krieger/Lausberg, Immobilien-Risiko-Scoring 5
müsste ein rationaler Entscheider die hochpreisige Immobilie wählen. Insgesamt würde
diese Auswahlheuristik zu einer ausschließlichen Allokation in hochpreisige Immobilien
führen. Das entspricht natürlich nicht der Realität.
In VÖB (2006) zum Beispiel kann man jedoch erkennen, dass zwischen Risiko und Qualität
kein sachlicher Unterschied gemacht wird. Damit soll nicht ausgedrückt werden, dass die
Qualität der Bauteile keinerlei Bedeutung für die Immobilie hat, sondern, dass Ausreißer
u.a. durch überraschend aufgetretene Schäden und Instandsetzungskosten verursacht
werden. Des Weiteren ist dies auch eine relative Größe, wie aus Gleichung (4) ersichtlich
ist. Ein einfacher Punktwert für die Qualität von Ausstattungsmerkmalen gibt aber nur
Informationen zu einer nominalen Größe, so dass geringe Korrelationen resultieren.
3 Renditen als Risikoindikatoren
Ein Scoring ist ein allgemeines Instrument, das für die jeweilige Problemstellung angepasst
werden muss. Die Zielvorstellungen können sehr individuell definiert werden, was jedoch
für ein Immobilien-Risiko-Scoring nicht gelten kann. Zumindest in der Finanztheorie be-
steht darüber Konsens, dass Risiko die log-Rendite
= ln (5)
ist. ist der adjustierte Schlusskurs einer Aktie zum Zeitpunkt und der Vorperiode
− 1. Dies ist für Immobilien impraktikabel, weil sie selten gehandelt werden, so dass das
Risiko während der Haltezeit nicht beobachtbar ist. Eine Möglichkeit ein tieferes Ver-
ständnis der jeweiligen Risikopositionen (Immobilien) zu bekommen, ist die Verwendung
∗
einer Bewertungsgröße . Gleichung (1) kann dann zu
∗
# = ln $ ∗ % (6)
umformuliert werden, sofern angenommen wird, dass keine Mieteinnahmen fließen. Die
geometrische Rendite muss auch hier für die Risikomessung verwendet werden (Giliberto
1988; Geltner 1989). Clayton et al. (2001) zeigen jedoch, dass ein systematischer Fehler
Krieger/Lausberg, Immobilien-Risiko-Scoring 6auf dem Level der Einzelimmobilie besteht und nicht in der Berechnungsmethodik selbst.
Geltner et al. (2003) bietet eine ausführliche Darstellung über die Problematik der Bewer-
tungsglättung. „Unsmoothing“-Methoden scheinen jedoch auf dem aggregierten Level
ungeeignet, da sich der Fehler der Bewertungsglättung bei der Aggregation teilweise auf-
hebt (Lai und Wang 1998; Cheng et al. 2011; Bond et al. 2012). Aus diesen technischen
Gründen bieten Renditemaße auf Basis von Bewertungsgrößen ein entsprechendes Feh-
lerpotential. Dies ist zwar kein ausschließliches Problem eines Risiko-Scorings, jedoch für
die Messung von essentieller Bedeutung.
Es kann auch aus einem nutzentheoretischen Grund argumentiert werden, warum Rendi-
temaße auf Basis von Bewertungsgrößen eher problematisch für ein Risiko-Scoring sind. Es
sei davon ausgegangen, dass ⁄ die Erwartung an das Investment darstellt. Ginge
man von „flachen“ Erwartungen über die Haltezeit aus, so wäre der oben genannte Aus-
druck die Nettoanfangsrendite. Die kalkulierte Rendite eines Investmentmodells scheint
jedoch geeigneter, da in der Praxis „flache“ Erwartungen die Ausnahme bilden. Eine De-
komposition von
= + (7)
scheint jedoch insofern nicht plausibel, „[that a] first crude, but crucial, measurement of
the risk of a position will be whether its future value belongs or does not belong to the
subset of acceptable risks“ Artzner et al. (1999, S. 205). Dies entspricht eher
< + ∗
, (8)
so dass Risiko nur entsteht, wenn es zu einer Abweichung von der Erwartung kommt. ist
∗
wieder der risikolose Zins und ist nach Wheaton et al. (2001) das „intrinsische“ Risiko
eines Investments. Würde jedoch Gleichung (4) zur Messung verwendet werden, so wird
lediglich die a priori Erwartung des Investors zerlegt, jedoch nicht das „intrinsische“ Risiko.
Da die Bewertungsgröße ein erwartungstreuer Schätzer des Marktes sein soll, gilt
~ . (9)
Krieger/Lausberg, Immobilien-Risiko-Scoring 7Dies entspricht der Übereinstimmung des Marktwerts mit den Preisen, die ein Investor
bereit ist zu zahlen. Daher würde sich die Dekomposition eines Renditemaßes auf Basis
von Bewertungsgrößen nur auf die Erwartungshaltung des Wertermittlers beziehen. Diese
Maße sind nicht falsch, im Gegenteil. Diese Renditemaße spiegeln das Marktgleichgewicht
mit seinen theoretischen und statistischen Merkmalen wieder. Aber es scheint probat, ein
unvollkommenes Renditemaß (Marktmodell) innerhalb eines unvollkommenen Marktes
einzusetzen (Lusht 1988). Bei einem Risiko-Scoring steht das Management eines Immobili-
enportfolios im Vordergrund und nicht die Messung des Marktrisikos.
Daher sollten die Begriffe „Risiko“ und „historische Volatilität“ getrennt gesehen werden.
Risiko ist eine subjektive Wahrnehmung von ungewissen Ereignissen, während die histori-
sche Volatilität die Realisation von Ereignissen ist. Diese Ereignisse werden durch die Ent-
scheidungen des Investors und die Entscheidungen Dritter charakterisiert, die keineswegs
konsistent zur Erwartungshaltung sein müssen. Dieser Ansatz richtet sich wesentlich stär-
ker an Brunswicks (1952) Linsenmodell aus. Die historische Volatilität kann mit dem Rendi-
temaß
+ +
= )* +1
+,
(10)
gemessen werden. sind die Mieteinnahmen des aktuellen Jahres, -, sind Zinseszinser-
träge aus den Vorperioden, + ist der Gewinn aus der Veräußerung, ist der Kauf-
preis/Herstellungspreis inkl. Investitionen der Vorperioden sowie , getätigte Investitionen
zum Zeitpunkt . Dies entspricht einem adjustierten Return on Investment, wobei Transak-
tionskosten (Sullivan et al. 1991) und das Liquiditätsrisiko bei Veräußerung besondere
Berücksichtigung finden müssen (Cheng et al. 2013), um den von Wheaton et al. (2001)
bemängelten Schwächen zur Kalibrierung des Scorings zu begegnen.
4 Anforderungen an ein Risiko-Scoring
Oftmals werden bei der Konzeption von Scorings nur unzureichend die technischen
Grundlagen des Scoring-Verfahrens in der Praxis berücksichtigt. Es wurden jedoch für
Scorings Axiome eingeführt, die sicherstellen sollen, dass die Nutzung eines additiven
Krieger/Lausberg, Immobilien-Risiko-Scoring 8Präferenzfunktionals gestattet ist. Dieses ist nur anwendbar, „falls folgende 5 Vorausset-
zungen erfüllt sind:
a) ,>=‘ ist eine schwache Ordnung auf X.
b) Die Attribute sind gegenseitig präferenzunabhängig.
c) Unbegrenzte Substituierbarkeit gilt in jedem Attribut.
d) Jede strikt beschränkte Standardfolge ist endlich.
e) Jedes Attribut ist wesentlich.“ (Lillich 1992, S. 40)
Die schwache Ordnung auf X bewirkt, dass keine Inkonsistenzen bei der Rangfolge von
Alternativen auftreten. Die Präferenzunabhängigkeit gewährleistet, dass bei der Entschei-
dung ein „Framing“ der Alternativen sowie die Schiefe der Wahrscheinlichkeitsverteilung
der Alternativen keine Auswirkungen haben dürfen (Hastie und Dawes 2010). Die unbe-
grenzte Substituierbarkeit bedeutet, dass eine Reduktion in einem Faktor durch die Erhö-
hung eines anderen Faktors in gleicher Höhe zu einer indifferenten Präferenz der beiden
Alternativen führen muss. Das vierte Axiom, auch archimedisches Axiom genannt, führt
eine maßtheoretische Überlegung zur Skala ein, die in n gleichgroße Abschnitte unterteilt
wird. Das Axiom der Wesentlichkeit postuliert, dass eine Entscheidung nicht auf unwe-
sentlichen Kriterien beruhen darf. (Lillich 1992)
Da die ursprüngliche Methodik nicht auf Risiko-Scorings übertragbar ist, müssen die Axio-
me abgewandelt werden. Je nachdem wie Risiko betrachtet wird, kann ein Maß als Abwei-
chungsgröße oder Verlustgröße betrachtet werden (Albrecht 2003). Das eingeführte Sy-
stem für Scorings bezieht sich zum einen auf ein Präferenz-Nutzen-Verhältnis, und zum
anderen werden keinerlei Axiome für Risikomaße einbezogen. Im einfachsten Fall kann
das axiomatische System von Pedersen und Satchell (1998) mit der Erweiterung von
Rockafellar et al. (2002) herangezogen werden, so dass eine Überführung in das kohärente
System von Artzner et al. (1999) gewährleistet ist. Das System besteht aus den folgenden
Axiomen:
a) (.) > 0 ∀. ∈ Ω,
b) (4.) = 4 (.),
c) (5 ) + (56 ) ≥ (5 + 56 ) und
d) (5 + 4) = (5).
Krieger/Lausberg, Immobilien-Risiko-Scoring 9Das erste Axiom (a) besagt, dass Risiko nicht negativ werden darf. Die positive Homogeni-
tät (b) beschreibt, dass eine Erhöhung einer Risikoposition zu einer Erhöhung des Risikos
um den gleichen Faktor dieser Position führen muss. Die Subadditivität (c) besagt, dass die
Addition von Einzelrisiken größer oder gleich dem Risiko einer Verbundmessung ist. Dies
beschreibt die Korrelation zwischen Risiken. Die Shift-Invarianz (d) gibt an, dass das Hinzu-
fügen einer risikolosen Position zu einer risikobehafteten Funktion nicht zu einer Erhöhung
des Gesamtrisikos führen darf.
Hieraus kann ein einheitliches axiomatisches System für ein Risiko-Scoring abgeleitet wer-
den, indem beide Systeme miteinander kombiniert werden. Zusammenfassend ergibt sich
folgendes axiomatische System:
a) „≥“ ist eine schwache Ordnung auf X.
b) Die Risikofaktoren sind gegenseitig unabhängig.
c) Unbegrenzte Substitution der Risikofaktoren.
d) Die Subadditivität gilt in jedem Risikofaktor.
e) Jede strikt beschränkte Standardfolge ist endlich.
f) Jeder Risikofaktor ist positiv.
g) Jeder Risikofaktor ist wesentlich.
Als erstes muss die Präferenzunabhängigkeit in eine allgemeine Unabhängigkeit (b) der
Risikofaktoren abgewandelt werden, da nicht mehr die Präferenz, sondern ein Umweltzu-
stand im Vordergrund steht. Des Weiteren ist für die unbegrenzte Substituierbarkeit (c)
die positive Homogenität erforderlich, denn die unbegrenzte Substituierbarkeit fordert
einen linearen Zusammenhang zwischen zwei Risikofaktoren, der durch die positive Ho-
mogenität gewährleistet ist. Da die unbegrenzte Substituierbarkeit die positive Homogeni-
tät einschließt, kann letztere auch entfallen. Die Forderung positiver Risikofaktoren (f)
setzt zwar voraus, dass keine unwesentlichen Faktoren enthalten sein dürfen, schließt
jedoch nicht aus, dass wesentliche Risikofaktoren (g) nicht fehlen dürfen.
5 Dekomposition des Risikos
Auf Basis dieser Axiome kann ein entsprechendes Risiko-Scoring konstruiert werden, das
gewissen Qualitätsansprüchen genügt. Grove und Meehl (1996) sowie Grove et al. (2000)
Krieger/Lausberg, Immobilien-Risiko-Scoring 10konnten in einem umfassenden Vergleich von 136 Studien sowie einer Metaanalyse zei-
gen, dass „mechanische“ Schätzungen von Faktorgewichtungen im Mittel besser, aber
mindestens genauso gut sind wie Expertenschätzungen. Dies belegt die frühen Ergebnisse
von (Meehl 1954), dass statistische Schätzungen einer Expertenschätzung vorzuziehen ist.
Einhorn (1972) beschreibt jedoch die beste Strategie als eine Kombination aus statisti-
scher Schätzung zur Verbesserung der Validität und der Einschätzung von Experten als
Inputparameter, wie es für ein Scoring optimal ist. Ein häufiger Fehler in der Praxis ist die
Annahme einer allgemeinen Gültigkeit des Verfahrens. Ein Scoring wird einmalig erstellt
und die Gültigkeit über die Zeit nicht mehr überprüft. Dies ist insbesondere bei Experten-
schätzungen wichtig, da Erfahrung und somit Präzision in der Schätzung nur durch positi-
ves und negatives Feedback aufgebaut werden kann (Einhorn und Hogarth 1978). Des
Weiteren sind solche Scoring-Methoden kostengünstiger als Expertensysteme (Libby und
Libby 1989).
Ein naheliegender Einstiegspunkt ist Ross‘ (1976) Arbitrage Pricing Theory als Multi-
Faktormodell , auch wenn die Prämissen aus Short-Selling und der Ausnutzung von Arbi-
trage für Immobilien unzutreffend sind. Jedoch stimmt der Aufbau mit dem Linsenmodell
nach Brunswick (1952) überein, welches sehr gut dafür geeignet ist, die Validität zwischen
Umwelt und kognitiven System des Entscheiders herzustellen (Karelaia und Hogarth
2008). Hierzu dient im einfachsten Fall eine lineare Regression
<
8 = 9 : ;: +>, (11)
:=
so dass die Gewichte durch einen KQ-Schätzer ermittelt werden können. Hierbei ist auch
sicher gestellt, dass die Unabhängigkeit der Faktoren ;: gewährleistet ist, da ansonsten die
Kovarianzmatrix nahe der Singularität liegt und einen Schätzer unmöglich macht. Des
Weiteren muss ∑ : ≤ 1 sein, sofern eine entsprechende Transformation der Faktoren ;:
vorliegt. Dies steht im Konflikt mit üblichen Scoring-Methoden, aber durch die Forderung
der Subadditivität kann die Summe der Gewichte kleiner 1 sein, ohne das Wesentlich-
keitsaxiom zu verletzen. Des Weiteren muss jedes Gewicht : > 0 sein, was jedoch schon
durch die t-Statistik der Faktoren abgefangen wird. Karelaia und Hogarth (2008) konnten
in einer Meta-Studie zeigen, dass Experten bei einer großen Anzahl von Faktoren wesent-
lich mehr „Bias“ in die Schätzung einführen als bei einer sparsamen Anzahl von Faktoren.
Krieger/Lausberg, Immobilien-Risiko-Scoring 11Auch dies kann sehr gut über gängige Verfahren der Statistik, wie z.B. das Informationskri- terium nach Akaike (1998), gelöst werden. 6 Implikationen Es kann immer dann von einem nicht validen Risiko-Scoring ausgegangen werden, wenn die oben genannten Qualitätskriterien und Zielsysteme missachtet werden. Ein Investor sollte in seinem Regelwerk an das Asset Management sicherstellen, dass entsprechend valide Instrumente zur Steuerung und zum Reporting verwendet werden. Von einem nicht validen Scoring sollte immer dann ausgegangen werden, wenn das Risiko- Scoring keine harten Daten, wie Rendite oder Cashflow als Zielvariable operationalisiert. Qualität ist – auch gegen die mehrheitliche Meinung der Praxis – kein geeigneter Proxy für das Risiko einer Immobilie. Des Weiteren sollten solche Messumwege über Proxy- Variablen nur in Kauf genommen werden, wenn diese Messvorteile gegenüber den theo- retischen und praktischen Problemen der Rendite bringt. Uns ist derzeit keine geeignete Proxy-Variable bekannt. Des Weiteren sollten die Gewichte durch ein statistisches Verfahren anstatt durch Exper- ten geschätzt werden. Allein die Fixierung der Summe der Gewichte auf 1 kann die Forde- rung der Subadditivität bereits verletzen, sogar bei Erfüllung des Wesentlichkeitsaxioms. Aus diesem Grund sind Expertenschätzungen zu den Gewichten eher ungeeignet. Negative Gewichte dürfen – auch bei der statistischen Schätzung – keinen Eingang finden. Dies ist ein Anzeichen dafür, dass ein Faktor übergewichtet und durch die gleiche Information wieder reduziert wird. Dies kann bei Kennzahlen passieren, die sich im Erklärungsgehalt inhaltlich überschneiden und invers zueinander verlaufen. Abschließend muss auch noch einmal ausdrücklich darauf hingewiesen werden, dass ein Scoring regelmäßig validiert werden muss. Dies bedeutet, dass das Scoring mit einem Sample gemessen wird und die Prognosekraft mittels Out-of-time- und Out-of-Sample- Schätzungen überprüft wird. Krieger/Lausberg, Immobilien-Risiko-Scoring 12
7 Fazit und Ausblick
Es konnte gezeigt werden, dass ein Risiko-Scoring wesentlich mehr Qualitätsansprüchen
genügen muss als oftmals berücksichtigt wird (Lowe Oktober, 2003; VÖB 2006). Dies sollte
Auswirkung auf die Regelwerke von Investoren haben, sobald Dienstleister Risiko-Scorings
zur Steuerung von Immobilienportfolios einsetzen. Des Weiteren wurden für diese Pro-
bleme Lösungsansätze der Statistik vorgeschlagen, die bereits sehr gut erforscht sind.
Die Modellierung eines Risiko-Scorings kann jedoch vielfältig sein, und es ist eigentlich
kaum etwas über verschiedene Systeme bekannt, die entsprechende Gütekriterien ange-
ben. Einen ersten Schritt in diese Richtung haben Adair und Hutchison (2005) gemacht,
wobei hier noch Potential für zukünftige Forschung besteht. Des Weiteren ist nur wenig
bekannt über Kennzahlen bzw. Faktoren mit hohem Erklärungsgehalt, was ebenfalls eine
Richtung für zukünftige Forschung auf Ebene des Einzelobjekts bietet.
Literaturverzeichnis
Adair, A.; Hutchison, N. (2005): The reporting of risk in real estate appraisal property risk
scoring. In: Journal of Property Investment & Finance 23 (3), S. 254–268.
Akaike, Hirotogu (1998): Information Theory and an Extension of the Maximum Likelihood
Principle. In: Parzen, Tanabe und Kitagawa (Hg.): Selected Papers of Hirotugu Akaike:
Springer New York (Springer Series in Statistics), S. 199-213.
Albrecht, P. (2003): Zur Messung von Finanzrisiken. Universität Mannheim. In: Mannhei-
mer Manuskripte zu Risikotheorie, Portfolio Management und Versicher-
ungswirtschaft (143), S. 1–47.
Arlt, Manfred W.; Meggeneder, Günther (2014): Entwurf eines Risikoinventars zur Analyse
von Risikomanagementsystemen. In: DW Die Wohnungswirtschaft (4), S. 71–73.
Artzner, P.; Delbaen, F.; Eber, J.-M.; Heath, D. (1999): Coherent Measures of Risk. In:
Mathematical Finance 9 (3), S. 203–228.
Bond, S.; Hwang, S.; Marcato, G. (2012): Commercial Real Estate Returns: An Anatomy of
Smoothing in Asset and Index Returns. In: Real Estate Economics 40 (4), S. 637–661.
Brunswick, E. (Hg.) (1952): The conceptional framework of psychology. 1. Aufl. Chicago:
The University of Chicago Press (International Encyclopedia of Unified Sciences, 10).
Cheng, P.; Zhenguo, L.; Yingchun, L. (2011): Heterogeneous Information and Appraisal
Smoothing. In: Journal of Real Estate Research 33 (4), S. 443–469.
Cheng, P.; Zhenguo, L.; Yingchun, L. (2013): Liquidity Risk of Private Assets: Evidence from
Real Estate Markets. In: Financial Review 48 (4), S. 671–696.
Krieger/Lausberg, Immobilien-Risiko-Scoring 13Clamor, Tim; Haas, Heide; Voigtländer, Michael (2011): Büroleerstand – ein zunehmendes
Problem des deutschen Immobilienmarktes. Institut der deutschen Wirtschaft Köln
(IW-Trends, 4).
Clayton, J.; Geltner, D.; Hamilton, S. (2001): Smoothing in Commercial Property Valuations:
Evidence from Individual Appraisals. In: Real Estate Economics 29 (3), S. 337–360.
Denton, M. (1984): The Effect of Rent Control on the Price of Rental housing: An Hedonic
Approach. In: Land Economics 60 (1), S. 81–94.
Einhorn, H.; Hogarth, R. (1978): Confidence in Judgment - Persistence of the Illusion of
Validity. In: Psychological Review 85 (5), S. 395–416.
Einhorn, Hillel J. (1972): Expert measurement and mechanical combination. In: Organiza-
tional Behavior and Human Performance 7 (1), S. 86–106.
Fisher, J.; Geltner, D.; Webb, B. (1994): Value Indices of Commercial Real Estate: A Com-
parison of Index Construction Methods. In: Journal of Real Estate Finance and Eco-
nomics 9 (2), S. 137–164.
Franck, Georg; Franck, Dorothea (2008): Architektonische Qualität. München: Hanser.
Geltner, D. (1989): Bias in Appraisal-Based Returns. In: Journal of the American Real Estate
& Urban Economics Association 17 (3), S. 338–352.
Geltner, D.; MacGregor, B.; Schwann, G. (2003): Appraisal Smoothing and Price Discovery
in Real Estate Markets. In: Urban Studies 40 (5-6), S. 1047–1064.
Giliberto, M. (1988): A Note on the Use of Appraisal Data in Indexes of Performance
Measurement. In: Journal of the American Real Estate & Urban Economics Associa-
tion 16 (1), S. 77–83.
Glascock, J.; Johanian, S.; Sirmans, C. (1990): An Analysis of Office Market Rents: Some
Empirical Evidence. In: AREUEA Journal 18 (1), S. 105–119.
Grove, W.; Meehl, P. (1996): Comparative Efficiency of Informal (Subjective, Impression-
istic) and Formal (Mechanical, Algorithmic) Prediction Procedures: The Clinical-
Statistical Controversy. In: Psychology, Public Policy, and Law 2, S. 293–323.
Grove, William M.; Zald, David H.; Lebow, Boyd S.; Snitz, Beth E.; Nelson, Chad (2000):
Clinical versus mechanical prediction: A meta-analysis. In: Psychological Assessment
12 (1), S. 19–30.
Hastie, R.; Dawes, R. (2010): Rational Choice in an Uncertain World. The Psychology of
Judgement and Decision Making. 2. Aufl. London: Sage.
Hodgson, J.; Slade, B.; Vorkink, K. (2006): Constructing Commercial Indices: A Semipara-
metric Adaptive Estimator Approach. In: Journal of Real Estate Finance and Econom-
ics 32 (2), S. 151–168.
IPD Investment Property Databank (2012): Performancever-
gleich gewerblicher Immobilieninvestments in Deutschland nach Standort und Objekt
typen . Wiesbaden.
Karelaia, N.; Hogarth, R. (2008): Determinants of linear judgment: a meta-analysis of lens
model studies. In: Psychological bulletin 134 (3), S. 404–426.
Lai, T.; Wang, K. (1998): Appraisal Smoothing: The Other Side of the Story. In: Real Estate
Economics 26 (3), S. 511–535.
Krieger/Lausberg, Immobilien-Risiko-Scoring 14Lausberg, C.; Kröll, F. (2012): Measuring real estate risk with scoring models: Theoretical
background, empirical evidence and requirements for future use. 19th European Real
Estate Society. Edinburgh, 2012.
Libby, R.; Libby, P. (1989): Expert Measurement and Mechanical Combination in Control
Reliance Decisions. In: The Accounting Review 64 (4), S. 729–747.
Lillich, L. (1992): Nutzwertverfahren. 1. Aufl. Heidelberg: Physica-Verlag (3).
Löchl, M.; Axhausen, K. (2010): Modelling hedonic residential rents for land use and
transport simulation while considering spatial effects. In: The Journal of Transport
and Land Use 3 (2), S. 39–63.
Lowe, R. (Oktober, 2003): European Property and Market Rating: A Valuer's Guide. Hg. v.
The European Group of Valuer's Association. London.
Lusht, K. (1988): The Real Estate Pricing Puzzle. In: AREUEA Journal 16 (2), S. 95–104.
Meehl, P. (1954): Clinical versus Statistical Prediction. A Theoretical Analysis and a Review
of the Evidence. 1. Aufl. New York: Jason Aronson.
Nitsch, H. (2006): Pricing Location: A Case Study of the Munich Office Market. In: Journal
of Property Research 23 (2), S. 93–107.
Pedersen, C.; Satchell, S. (1998): An Extended Family of Financial-Risk Measures. In: The
Guineva Papers on Risk and Insurance Theory 23, S. 89–117.
Rockafellar, T.; Uryasev, S.; Zabarankin, M. (2002): Deviation Measures in Risk Analysis and
Optimization. Risk Management and Financial Engineering Lab, Center for Applied
Optimization. In: Research Report (7), S. 1–27.
Ross, Stephen A. (1976): The arbitrage theory of capital asset pricing. In: Journal of Eco-
nomic Theory 13 (3), S. 341–360.
Sullivan, M.; Cassidy, S.; Ermer, C. (1991): A Note on the Effect of Transaction Costs on
Real Estate Investment Returns. In: The Journal of Real Estate Research 6 (1), S. 113–
117.
Trotz, Raymond (2004): Immobilien-Markt- und Objektrating. Ein praxiserprobtes System
für die Immobilienanalyse. 1. Aufl. Köln: Immobilien Informationsverlag Rudolf Mül-
ler (Immobilien-Wissen).
Tsoodle, L.; Turner, T. (2008): Property Taxes and Residential Rents. In: Real Estate Eco-
nomics 36 (1), S. 63–80.
Urschel, Oliver (2010, 2010): Risikomanagement in der Immobilienwirtschaft. Ein Beitrag
zur Verbesserung der Risikoanalyse und -bewertung. Karlsruhe: KIT Scientific Publ.
(Karlsruher Schriften zur Bau-, Wohnungs- und Immobilienwirtschaft, 4).
VÖB (2006): VÖB-ImmobilienAnalyse: Instrument zur Beurteilung des Chance- / Risikopro-
fils von Immobilien. 1. Aufl. Meckenheim: DCM.
Wetzel, Claudia (2010): Konzeption eines Risikomanagementsystems für die Assetklasse
Immobilien im Portfolio eines Versicherungsunternehmens. Norderstedt: Books on
Demand (Reihe: Immobilienmanagement, 13).
Wheaton, W.; Torto, R.; Sivitanides, P.; Southard, J.; Hopkins, R.; Costello, J. (2001): Real
Estate Risk - A Forward-Looking Approach. In: Real Estate Finance 18 (3), S. 20–28.
Krieger/Lausberg, Immobilien-Risiko-Scoring 15Sie können auch lesen
