Private Geldanlage am Immobilienmarkt

Inhaltsverzeichnis

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1 Einleitung

2 Die Immobilie als Investition
2.1.1 Begriffserklärungen
2.1.2 Definition Investition
2.1.3 Definition Immobilie
2.2 Der Investmentmarkt der Immobilie
2.2.1 Direkte Immobilieninvestition
2.2.2 Indirekte Immobilieninvestitionen
2.2.2.1 Offene Immobilienfonds
2.2.2.2 Geschlossene Immobilienfonds
2.2.2.3 Real Estate Investment Trusts
2.2.2.4 Immobilienaktiengesellschaften
2.2.3 Zusammenfassung

3 Theoretische Betrachtung
3.1 Das makroökonomische Modell
3.2 Identifikation potentieller Determinanten
3.2.1 Determinanten des Wohnimmobilienmarktes
3.2.2 Determinanten des Gewerbeimmobilienmarktes
3.3 Zusammenfassung der Determinanten der Teilmärkte
3.4 Hypothesen

4 Empirische Betrachtungen
4.1 Die VAR-Methode
4.2 Der Datensatz
4.3 Aufbereitung des Datenmaterials
4.3.1 Theoretische Grundlagen
4.3.1.1 Deterministische Trends
4.3.1.2 Stochastische Trends
4.3.1.3 Testen auf Einheitswurzeln
4.3.1.4 Autokorrelationsfunktionen
4.3.1.5 Saisonalität
4.3.2 Praktische Umsetzung
4.3.2.1 Vermögen
4.3.2.2 Arbeitslosigkeit
4.3.2.3 Zinssatz
4.3.2.4 Auftragseingänge im Bauhauptgewerbe
4.3.2.5 Konstruktionskosten
4.3.2.6 Wechselkurs
4.3.2.7 Inflation
4.3.2.8 Geldmenge
4.3.2.9 Einkommen
4.3.2.10 DAX
4.3.2.11 Rendite aus privaten Immobilieninvestitionen
4.4 Analyse des Datenmaterials
4.4.1 Vorbetrachtungen
4.4.2 Modellbildung, Spezifikation und Überprüfung
4.4.3 Analyse der Granger-Kausalitäten
4.4.4 Interpretation ausgewählter exogener Variablen
4.4.5 Impulsreaktionsanalyse
4.4.5.1 Zinsschock
4.4.5.2 Schock auf den Aktienmärkten
4.4.5.3 Kostenschock
4.4.6 Prognosefehlervarianzzerlegung

5 Zusammenfassung

Literaturverzeichnis

Quellenverzeichnis

Eidesstattliche Erklärung

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abbildung 1: Vier-Quadranten-Modell; Quelle: Eigene Darstellung in Anlehnung an Schulte (2008), S.141 12

Abbildung 2: Wirkung einer Bestandserhöhung; Quelle: Eigene Darstellung in Anlehnung an Schulte (2008), S.141 19

Abbildung 3: Wirkung einer Steigerung der Nachfrage; Quelle: Eigene Darstellung in Anlehnung an Schulte (2008), S.141 20

Abbildung 4: Wirkung eine Zinserhöhung; Quelle: Eigene Darstellung in Anlehnung an Schulte (2008), S.141 21

Abbildung 5: Wirkung einer Kostensteigerung für Neubau; Quelle: Eigene Darstellung in Anlehnung an Schulte (2008), S.141 22

Abbildung 6: Vergleich der Indizes mit monatlicher Frequenz; Quelle: Eigene Darstellung 29

Abbildung 7: Rohdaten Vermögen; Quelle: Eigene Darstellung 36

Abbildung 8: Erste Differenzen mit/ohne Modifizierung; Quelle: Eigene Darstellung 37

Abbildung 9: ACF Vermögen (L,SA); Quelle: Eigene Darstellung 38

Abbildung 10: Rohdaten Arbeitslosigkeit; Quelle: Eigene Darstellung 39

Abbildung 11: Saisonale Adjustierung Arbeitslosigkeit; Quelle: Eigene Darstellung 40

Abbildung 12: ACF Arbeitslosigkeit (D1,SA,TB); Quelle: Eigene Darstellung 41

Abbildung 13: Arbeitslosigkeit (D1,SA,TB); Quelle: Eigene Darstellung 42

Abbildung 14: Zinssatz (D1); Quelle: Eigene Darstellung 43

Abbildung 15: ACF Zinssatz (D1); Quelle: Eigene Darstellung 44

Abbildung 16: Auftragseingänge (D1); Quelle: Eigene Darstellung 45

Abbildung 17: ACF Auftragseingänge (D1); Quelle: Eigene Darstellung 46

Abbildung 18: Heteroskedastizität Konstruktionskosten (D1); Quelle: Eigene Darstellung 47

Abbildung 19: Heteroskedastizität Konstruktionskosten (L,D1); Quelle: Eigene Darstellung 48

Abbildung 20: ACF Konstruktionskosten (L,D1); Quelle: Eigene Darstellung 49

Abbildung 21: ACF Wechselkurs; Quelle: Eigene Darstellung 50

Abbildung 22: ACF Inflation (TB); Quelle: Eigene Darstellung 51

Abbildung 23: Inflation (D1,TB); Quelle: Eigene Darstellung 52

Abbildung 24: Geldmenge (D1); Quelle: Eigene Darstellung 53

Abbildung 25: Saisonale Adjustierung Einkommen; Quelle: Eigene Darstellung 54

Abbildung 26: Einkommen (SA,TB); Quelle: Eigene Darstellung 55

Abbildung 27: Einkommen (SA,D1); Quelle: Eigene Darstellung 56

Abbildung 28: Einkommen (L,D1,SA); Quelle: Eigene Darstellung 56

Abbildung 29: ACF Einkommen (SA,L,D1); Quelle: Eigene Darstellung 57

Abbildung 30: ACF Einkommen (L,D2,SA); Quelle: Eigene Darstellung 58

Abbildung 31: Heteroskedastizität DAX; Quelle: Eigene Darstellung 59

Abbildung 32: DAX (L,D1); Quelle: Eigene Darstellung 60

Abbildung 33: ACF DAX (L,D1); Quelle: Eigene Darstellung 61

Abbildung 34: Rendite private Immobilieninvestments; Quelle: Eigene Darstellung 62

Abbildung 35: ACF Rendite aus privaten Immobilieninvestments; Quelle: Eigene Darstellung 63

Abbildung 36: Vergleich DAX und DIMAX; Quelle: Eigene Darstellung 64

Abbildung 37: Datenwolken der Regression; Quelle: Eigene Darstellung 65

Abbildung 38: Residuen des Regressionsmodells, Quelle: Eigene Darstellung 66

Abbildung 39: Autokorrelation der Residuen des Regressionsmodells; Quelle: Eigene Darstellung 67

Abbildung 40: Wirkung eines Zinsschocks auf RPI; Quelle: Eigene Darstellung 76

Abbildung 41: Wirkung eines Zinsschocks auf ld1DAX; Quelle: Eigene Darstellung 77

Abbildung 42: Wirkung eines Zinsschocks auf ld1KKOST; Quelle: Eigene Darstellung 78

Abbildung 43: Wirkung einesSchocks an den Aktienmärkten auf RPI; Quelle: Eigene Darstellung 79

Abbildung 44: Wirkung eines Schocks auf den Aktienmärkten auf Zins; Quelle: Eigene Darstellung 80

Abbildung 45: Wirkung eines Kostenschocks auf RPI; Quelle: Eigene Darstellung 81

Abbildung 46: Wirkung eines Kostenschocks auf ld1DAX; Quelle: Eigene Darstellung 82

Abbildung 47: Wirkung eines Kostenschocks auf Zins; Quelle: Eigene Darstellung 82

Abbildung 48: Prognosefehlervarianzzerlegung; Quelle: Eigene Darstellung 83

Tabellenverzeichnis

Tabelle 1: Zusammenfassung der Testergebnisse X-12-ARIMAs auf Saisonalität, Quelle: Eigene Darstellung X

Tabelle 2: LM-Tests der Modelle; Quelle: Eigene Darstellung X

Tabelle 3: Granger Kausalitäten Modell 1; Quelle: Eigene Darstellung X

Tabelle 4: Granger-Kausalitäten Modell 2; Quelle: Eigene Darstellung X

Tabelle 5: Granger Kausalitäten Modell 3, Quelle: Eigene Darstellung X

Tabelle 6: Zusammenfassung der Determinanten, Quelle: Eigene Darstellung 11

Tabelle 7: Zusammenfassung der Testergebnisse X-12-ARIMAs auf Saisonalität, Quelle: Eigene Darstellung 12

Tabelle 8: Aufbereitung der Daten zum Vermögen, Quelle: Eigene Darstellung 13

Tabelle 9: Aufbereitung der Daten zum Arbeitslosigkeit, Quelle: Eigene Darstellung 14

Tabelle 10: Aufbereitung der Daten zum Zinssatz, Quelle: Eigene Darstellung 15

Tabelle 11: Aufbereitung Daten zum Neubau, Quelle: Eigene Darstellung 16

Tabelle 12: Aufbereitung Daten zu Konstruktionskosten, Quelle: Eigene Darstellung 17

Tabelle 13: Aufbereitung der Daten zum Wechselkurs, Quelle: Eigene Darstellung 18

Tabelle 14: Aufbereitung der Daten zur Inflation, Quelle: Eigene Darstellung 19

Tabelle 15: Aufbereitung der Daten zur Geldmenge, Quelle: Eigene Darstellung 20

Tabelle 16: Aufbereitung Daten zum Einkommen Teil1, Quelle: Eigene Darstellung 21

Tabelle 17: Aufbereitung Daten zum Einkommen Teil 2, Quelle: Eigene Darstellung 22

Tabelle 18: Aufbereitung der Daten zum DAX, Quelle: Eigene Darstellung XXIII

Tabelle 19: Aufbereitung der Daten zur RPI, Quelle: Eigene Darstellung XXIV

Tabelle 20: Modellbildung; Quelle: Eigene Darstellung XXV

Tabelle 21: LM-Tests der Modelle; Quelle: Eigene Darstellung XXVI

Tabelle 22: Granger Kausalitäten Modell 1; Quelle: Eigene Darstellung XXVI

Tabelle 23: Granger-Kausalitäten Modell 2; Quelle: Eigene Darstellung XXVII

Tabelle 24: Granger Kausalitäten Modell 3, Quelle: Eigene Darstellung XXVIII

Tabelle 25: Darstellung der Teilgleichung „RPI“ des VAR-Modells, Quelle: Eigene Darstellung XXIX

1 Einleitung

Wachsende Unsicherheit an den Börsen und ein stetig sinkendes Zinsniveau für Staatsanleihen führten im vergangenen Jahr zu einer Renaissance des Immobilieninvestments. Allein seit 2007 stiegen die Immobilienpreise in manchen Großstädten um über 25%.^[1] Möglicherweise ist dies das Ergebnis dessen, dass ein Investment im Immobilienbereich gemeinhin immer noch als verhältnismäßig sichere Anlage gesehen wird. Im Vergleich zu anderen Assetklassen bergen Immobilien jedoch eine überdurchschnittlich hohe Intransparenz und Inhomogenität, die Investitionsentscheidungen zu komplexen Aufgaben machen können.^[2] Erschwerend kommt hinzu, dass für eine Gesamtbetrachtung des deutschen Immobilienmarktes nur eine sehr begrenzte Informationsmenge verfügbar ist. Während für viele Teilmärkte umfassende Analysen wie beispielsweise von LUDWIG (2005), DEMARY (2008), oder GÜRTLER und REHAN (2009) durchgeführt wurden, konnten für den Gesamtmarkt nur wenige Studien gefunden werden. Insbesondere für indirekte Anlageformen, die über mehrere Bereiche des Immobilienmarktes hinweg investieren, sollte es für einen Laien, unter angemessenem Aufwand kaum möglich sein, eine gut begründete Investitionsentscheidung zu treffen.

Die vorliegende Arbeit soll einen Teil zur Lösung dieses Problems beitragen. Die Analyse ist hierbei auf den deutschen Immobilienmarkt fokussiert und hat den Anspruch die bisher nicht erforschten, wichtigen Einflussfaktoren und deren Wirkung auf Renditen des Gesamtmarktes zu identifizieren.

Um diesem Anspruch gerecht zu werden, war die Wahl eines Indikators für die Entwicklung der Immobilienwerte von zentraler Bedeutung. Diese Wahl sollte nicht leichtfertig getroffen werden. Daher wurde der Markt für private Immobilieninvestments analysiert um auf die Proportion der einzelnen Teilmärkte eingehen zu können. Erst dann konnte der Teilmarktindex ausgewählt werden, der die höchste Deckung mit den ermittelten Verhältniswerten zeigte. Der nächste Schritt lag in der Aufstellung eines theoretischen Modells, welche die Hypothesen für die spätere empirische Untersuchung liefern sollte. Da für den Gesamtmarkt kein numerisches Modell gefunden werden konnte, wurde das Vier-Quadranten-Modell von CIELEBACK (2008) übernommen. In dieser Schrift wurde jedoch nur eine unzureichende Anzahl an Variablen vorgeschlagen. Um einen umfassenderen Überblick bieten zu können mussten weitere Determinanten der Rendite identifiziert werden. Es bot sich an, Modelle anderer Autoren, in diesem Fall BALL (2012) und MEEN (2000), für die Immobilienteilmärkte hinsichtlich der einfließenden Variablen zu vergleichen. Variablen die in beiden Schriften eine Rolle spielten, wurden in das Modell von CIELEBACK (2008) übernommen und dort auf ihre Wirkung getestet. Auf diese Weise konnten Hypothesen für die folgende Empirische Untersuchung gebildet werden.

Der dritte Schritt lag in der Operationalisierung der gefundenen Variablen und der Aufbereitung des Datensatzes. Der letzte Schritt führte über die Bildung eines VAR-Modells, zu einer Analyse der Granger-Kausalitäten zwischen den Variablen, der Analyse der Impulsantwortfunktionen und der Prognosefehlervarianzzerlegung. Mithilfe dieser statistischen Werkzeuge konnten die Hypothesen überprüft werden, um die Frage nach den Determinanten und deren Einfluss auf die Immobilienrendite zu beantworten.

2 Die Immobilie als Investition

2.1.1 Begriffserklärungen

Um Missverständnisse und Ungenauigkeiten zu vermeiden sollen die wichtigsten Begriffe zu Beginn definiert werden.

2.1.2 Definition Investition

Wie vielschichtig der Begriff der „Investition“ ist, wird unmittelbar klar, wenn eine Entscheidung über die Zuordnung des Tatbestandes „Erwerb eines Hauses zur Eigennutzung“ gefällt werden muss. Speziell diese Frage muss auch für unsere Studie geklärt werden.

Die Literatur unterscheidet drei Interpretationen des Begriffes „Investition“:

Nach der zahlungsorientierten Definition liegt dann eine Investition vor, wenn am Anfang eine Auszahlung getätigt wird und über den Zeitablauf hinweg weitere Aus- und Einzahlungen auftreten. Im Gegensatz hierzu genügen bei der wertorientierten Definition auch nicht-monetäre Einzahlungen, die als Folge der ersten Auszahlung auftreten. Die dritte Definition versteht den Begriff im Zusammenhang mit Vermögensbildung. Hier ist die Investition durch eine langfristige Bindung finanzieller Mittel in einem Sachvermögen definiert. Im Folgenden soll die zahlungsorientierte Definition genutzt werden.^[3] Unter dieser Festlegung gelten private Immobilienkäufe nur dann als Investition, wenn Sie mit dem Ziel der Generierung finanzieller Mittel getätigt wurden.

Um sich am Immobilienmarkt als Investor zu beteiligen, gibt es die Möglichkeit eine Immobilie zu erwerben (direkte Anlage) oder sich mittelbar an Projekten anderer Markteilnehmer zu beteiligen (indirekte Anlage).^[4]

2.1.3 Definition Immobilie

Wirtschaftswissenschaftlich betrachtet, gibt es zwei mögliche Sichtweisen auf die Immobilie.

Der investitionstheoretische Ansatz sieht die Immobilie als Sachvermögen. Hier wird die Immobilie als abgeschlossener Raum betrachtet, der über eine gewisse zeitliche Dauer hinweg Nutzen generiert. Im Zentrum dieser Definition steht also der monetäre und nicht-monetäre Nutzen, den die Immobilie stiftet und den andere Markteilnehmer nachfragen können. Vom produktionstheoretischen Standpunkt aus sind (Unternehmens-) Immobilien Produktionsfaktoren, die ein Ressourcen- bzw. Nutzungspotential innehaben. Sie werden im Produktionsprozess als Betriebsmittel gebraucht, bilden aber eher eine Voraussetzung für die Erstellung des Produktes, als dass sie Bestandteil des Produktes werden. Diese Sichtweise erscheint aber wenig zielführend, wenn auch privat genutzte Immobilien betrachtet werden.^[5]

Auch deshalb soll im Rahmen der vorliegenden Arbeit der investitionstheoretische Ansatz zur Abgrenzung des Begriffes dienen. Im Zusammenhang mit der oben gewählten Definition zur Investition, wird sowohl private, als auch institutionelle Immobiliennutzung vollständig erfasst, da der gebrauchte Nutzenbegriff sehr allgemein gefasst ist.

2.2 Der Investmentmarkt der Immobilie

Für die in Abschnitt 3 folgende VAR-Analyse benötigen wir ein Renditemaß. Dieses sollte die Rendite der einzelnen Teilmärkte in den richtigen Proportionen widerspiegeln. Diese Proportionen und die zugrundeliegenden Märkte zu analysieren ist das Ziel des folgenden Abschnittes.

Privatanlegern steht eine große Auswahl an Möglichkeiten frei, sich an dem Immobilienmarkt zu beteiligen. Sie können die Immobilie entweder auf eigene Rechnung erwerben oder indirekt an den Geschäften der institutionellen Investoren teilhaben.

2.2.1 Direkte Immobilieninvestition

Der Großteil der Privatinvestitionen wird als Direktinvestition in Ein –und Zweifamilienhäuser getätigt. Der Wiederbeschaffungswert der Bauten im Privatbesitz Deutscher betrug 2012 etwa 4302 Mrd. Euro, wobei ca. 3888 Mrd. Euro dem Sektor Wohnbauten zuzuordnen sind.^[6] Der Bestand der Wohnbauten wird nur zu 23,2% durch professionelle Anbieter gemanagt. Während 40,1% der Selbstnutzung dienen, werden ganze 36,6% der Wohnungen durch Amateurvermieter angeboten.^[7] Führt man sich vor Augen, dass die Direktinvestition in Immobilien durch die höchste Komplexität aller Anlageformen gekennzeichnet ist, erhält dieser Fakt Brisanz. Ein Großteil der Marktteilnehmer sieht sich also mit hohen Anforderungen bezüglich der Markttransparenz, Bewertung und Transaktionskomplexität konfrontiert.^[8] Wie die obigen Zahlen zeigen, tritt der private Investor meist gleichzeitig als Nachfrager des Wohnraums auf. Diese Tatsache könnte die Investitionsentscheidung ganz empfindlich beeinflussen. Der Erwerb könnte neben betriebswirtschaftlichen Aspekten auch von stark individuellen Faktoren wie z.B. Sympathie mit dem Objekt, Lage zu dem Arbeitgeber u.a. abhängen.^[9] Da zwischen dem Investor und seiner Investition keine natürliche oder juristische Person steht, die das Risiko begrenzen könnte, ist der Anleger hier auch vollständig haftbar und trägt, aufgrund des natürlicherweise hohen Fremdfinanzierungsgrades, ein erhöhtes Risiko der Überschuldung.^[10] Während im Falle der Eigennutzung keine Ertragsteuern zu zahlen sind, fallen bei der Vermietung Einkünfte aus Vermietung und Verpachtung an, die im Rahmen der Einkommensteuerberechnung erfasst und besteuert werden.

2.2.2 Indirekte Immobilieninvestitionen

Der folgende Abschnitt wird auf die einzelnen Möglichkeiten indirekter Immobilieninvestition eingehen um einen vollständigen Überblick über die privaten Immobilieninvestitionen geben zu können.

2.2.2.1 Offene Immobilienfonds

Offene Immobilienfonds beschreiben Immobiliensondervermögen, welche durch Kapitalanlagegesellschaften verwaltet werden, um Erträge für die Anteilseigner des oben genannten Vermögens zu erwirtschaften. Dabei unterliegen sie der Kontrolle der Bundesanstalt für Finanzdienstleistungsaufsicht, sowie den Regelungen des Investment-gesetzes. Gegen einen Ausgabeaufschlag, der die Bewirtschaftungskosten des Sondervermögens decken soll, kann ein Anleger Eigenkapital in das Fondsvermögen einbringen, mit welchem die Kapitalanlagegesellschaft Erträge auf dem Immobilienmarkt generiert.^[11] Für das Sondervermögen gelten zahlreiche Sicherheitsvorschriften, wie beispielsweise die Diversifikation (§73 Abs.1 S.2 InvG), Beteiligungen (§68 Abs.6 InvG), Liquidität (§80 InvG) und Transparenz (§44 InvG und §79 InvG) um Anlegerschutz zu gewährleisten. Zudem garantiert die Kapitalanlagegesellschaft dem Anleger ständig, den Anteil zum jeweiligen Verkehrswert des Vermögensanteils zurückzukaufen. (§37 Art.1 InvG). Eine wichtige Einschränkung ist, dass eine Obergrenze bei 49% für in liquiden Assets angelegtes Sondervermögen festgesetzt ist. (§80 InvG) Häufig liegt die Liquiditätsquote bei ca. 25-30%.^[12] Im Immobiliensondervermögen werden meist gewerbliche Immobilien gehalten. So sind Büroräume, Immobilien für Handel/Gastronomie und Hotel die größten Posten mit insgesamt 87,8% am Gesamtbestand.^[13] Offene Immobilienfonds diversifizieren sich räumlich und agieren international, bleiben aber weitgehend auf Europa fixiert. Nur rund 10% der Liegenschaften der Fonds werden im außereuropäischen Ausland gehalten. Deutsche Immobilien stehen zu 31% in den Büchern.^[14] Die Besteuerung des Sondervermögens erfolgt nach dem Transparenzprinzip. Der Anleger in indirekter Anlage soll dem Direktanleger gleichgestellt sein, sodass Erträge aus dem Sondervermögen nur beim Anteilseiner im Rahmen der Abgeltungssteuer erfasst werden. Um eine Doppelbesteuerung zu verhindern, ist das Sondervermögen als Zweckvermögen von Körper- und Gewerbesteuer befreit.^[15]

Mit einem Anlagevermögen der offenen Immobilienfonds von über 81 Mrd. Euro im September 2013 , sind offene Immobilienfonds die größte Anlageform im Bezug auf die Öffnung des Immobilienmarktes für Kleinanleger in indirekter Anlage.^[16] Vergleicht man diese Zahl mit dem Gesamtmarkt der Investment-Publikumsfonds fällt auf, dass Immobilienfonds mit einem Anteil von 11,2% für das letze Jahr aber immer noch eine geringe Rolle spielen. Bezüglich des verwalteten Vermögens bringen Sie es auf nur 34,95% des Vermögens der Aktienfonds bzw. 36,54% der Rentenfonds, welche die beiden größten Fondsgruppen sind.^[17]

2.2.2.2 Geschlossene Immobilienfonds

Geschlossene Immobilienfonds sind Personengesellschaften und werden meist als GbR oder KG aufgelegt, wobei das Vermögen dem Miteigentum der Gesellschafter untersteht. Mangels spezieller gesetzlicher Regelungen wird die Gesetzgebung des BGB und HGB genutzt.^[18] Zu dem Geschäftsbetrieb geschlossener Immobilienfonds gehören der Erwerb, die Bebauung und Verwaltung von Grundstücken. Hier ist der Investitionsplan von vornherein festgelegt, und das benötigte Kapital wird als Kapitalanlage angeboten bzw. eingesammelt.^[19] Die KG ist die am häufigsten genutzte Rechtsform für geschlossene Immobilienfonds. Hier ist die KG, juristisch gesehen, Immobilieneigentümerin, das aber Vermögen Gesamthandsvermögen der Gesellschafter. Komplementäre, oft die Initiatoren des Projektes, haften über die Einlage hinaus. Kommanditisten, meist die Anleger, haften nur beschränkt. (§161 Abs.1 HGB) Der Kommanditist ist zwar von der Haftung über seine Einlage hinaus freigestellt, ist jedoch auch nicht zur Führung von Geschäften berechtigt. Mitspracherechte hat er nur in Bezug auf Fragen, die das Gesellschaftsverhältnis betrifft.^[20] Die GbR entsteht in diesem Zusammenhang meist über die Vereinbarung mehrerer Gesellschafter, gemeinschaftlich eine Immobilie zu erwerben bzw. zu bewirtschaften. Die Geschäftsführung obliegt den Gesellschaftern grundsätzlich nur gemeinschaftlich. Auch im Bezug auf die Haftung wird jeder Gesellschafter vollständig einbezogen, werden nicht vertragliche Einschränkungen vorgenommen.^[21] Transparenz ist bei Geschlossenen Immobilienfonds nur sehr schwach ausgeprägt. Lediglich bei der KG herrschen Buchführungs- bzw. Bilanzierungspflichten.^[22] Da geschlossene Immobilienfonds in Personengesellschaften organisiert sind, gilt das Transparenzprinzip. Die Einkünfte werden also nicht auf Ebene der Gesellschaft, sondern der Gesellschafter steuerlich erfasst.^[23] Unterstellen wir, dass sich die Tätigkeit des Fonds auf das bloße Erwerben, Halten und Bewirtschaften von Immobilienvermögen beschränkt, liegt steuerlich eine Vermögensverwaltung vor und es werden Einkünfte aus Vermietung und Verpachtung generiert.^[24] Auch fallen bei bloßer Vermögensverwaltung keine Gewerbe- oder Körperschaftssteuern an.^[25]

Geschlossene Immobilienfonds spielen am Immobilienmarkt eine eher geringe Rolle. Derzeit werden nach Angaben des Verbandes geschlossener Fonds 46,3 Mrd. Euro in deutschen Immobilienwerten gehalten. Im Jahr 2012 konnten 1,38 Mio. Euro für deutsche Fonds dieser Gruppe von privaten Kapitalanlegern eingesammelt werden.^[26]

2.2.2.3 Real Estate Investment Trusts

Wie bereits durch den offiziellen Namen des REIT-Gesetzes (Gesetz über deutsche Immobilien-Aktiengesellschaften mit börsennotierten Anteilen) angedeutet, handelt es sich bei REITs nicht um eine eigenständige Klasse, sondern um eine spezielle Sonderform der Aktiengesellschaften. Demnach ist das REIT Gesetz nur als „lex specialis“ im Bezug auf das Aktienrecht zu beurteilen.^[27] Die Rechtsform des REITs ist an strikte Bedingungen hinsichtlich des Unternehmensgegenstandes gebunden. Das Hauptgeschäftsfeld hat klar im Bereich der Immobilien zu liegen. So muss das Gesamtvermögen zum Marktwert nach Abzug von Ausschüttungsverpflichtungen und Rücklagen zu mindestens 75% aus direktem Immobilienbesitz bestehen, sowie 75% der Umsatzerlöse ausschließlich aus Vermietung, Verpachtung, dem Verkauf von Immobilien und Ähnlichem stammen. (§12 Abs.2a und Abs.3a REITG) Hierbei ist jedoch zu beachten, dass Bestandswohnimmobilien, zum Schutze des Mietwohnraumes nicht erworben werden dürfen.^[28] Der Anleger ist über Aktien am Grundkapital des Unternehmens beteiligt. Aktien haben den Vorteil besonderer Liquidität sowie geringer Transaktionskosten. Zudem werden Teile der Kontrolle des Unternehmens auf den Markt übertragen.^[29] Bezüglich der Anteilsscheine sind spezielle Sicherheitsvorschriften u.a. für Stimmrechte aus dem Aktienbesitz (§5 Abs.1 REITG) und Diversifikation (§11 Abs.4 REITG) zu beachten. Nach ihrem US-amerikanischen Vorbild ist für REITs sowohl Gewerbe- als auch Körperschaftssteuerpflicht ausgesetzt. (§16 Abs.1 REITG) Die Besteuerung ist somit auf die Ebene des Anlegers verschoben, womit die Steuerlast, besonders im Vergleich zu Nicht-REITs sinkt. Gleichzeitig wird das Steuersystem an dieser Stelle vereinfacht und an internationale Standards angeglichen.^[30] Auf Anlegerebene werde Ausschüttungen in Abstimmung auf ihren Bruttowert mittels Kapitalsteuereinbehalt mit 25% (zzgl. Solidaritätszuschlag) gem. §20 Abs.2 REITG besteuert. Veräußerungsgewinne werden regelmäßig nach §22 Nr.2, 23 Abs1 Nr.2 EStG zu den Einkünften aus privaten Veräußerungsgeschäften gezählt.^[31] Derzeit existieren laut Handelsregister nur vier REIT-AGs. Schon aus dieser geringen Anzahl wird deutlich, dass sich diese Anlageklasse bisher nicht etablieren konnte. Addiert man die Marktwerte der vier deutschen REITs auf, kommt man auf eine Summe von 1,252 Mrd. Euro.^[32] Damit spielt die diese Anlageklasse derzeit die kleinste Rolle.

2.2.2.4 Immobilienaktiengesellschaften

Eine Aktiengesellschaft wird Immobilien-Aktiengesellschaft genannt, wenn der Unternehmensgegenstand zu großen Teilen in der Entwicklung und Verwaltung von Immobilienvermögen besteht. Im Übrigen weist sie die Eigenschaften einer normalen Aktiengesellschaft auf und kann so nicht als eigenständige Anlageklasse gesehen werden.^[33] Ihrer Rechtform nach sind Anleger über Aktien am Grundkapital der Gesellschaft beteiligt und partizipieren so an den Entwicklungen des Unternehmens (§1 Abs.2 AktG). Immobilien-AGs entstehen auf verschiedene Art und Weise. So können sie entweder tatsächlich zur Kapitalanlage gegründet worden sein oder ein historisch gewachsenes Immobiliengeschäft als Aktiengesellschaft weiterführen. Immobilien-AGs können aber auch im Zuge von Outsourcing der Immobilienwirtschaft allgemeiner Unternehmen entstehen. Genauso kommen aber auch Unternehmen mit Schwierigkeiten auf ihren originären Geschäftsfeldern in Betracht, wenn sie Werte für den Aktionär im Zuge der Sanierung fast ausschließlich mit dem Immobilienbesitz generieren.^[34] Einnahmen aus diesen Geschäften werden nach dem Trennungsprinzip besteuert. Auf Gesellschaftsebene leistet die Immobilien-AG als Kapitalgesellschaft gem. §1 Abs.1 Nr.1 KStG und §1 Abs.2 KStG unbeschränkt Körperschaftssteuer. Daneben muss sie aber auch Gewerbesteuer (§2 Abs. 2 GewStG), Grunderwerbsteuer, Umsatzsteuer und andere Steuerarten an den Fiskus abführen.^[35] Auf Anlegereben werden Dividenden und Veräußerungsgewinne aus Aktien als Einkünften aus Kapitalvermögen (§20 Abs.1 Nr.1 und Abs.2 Nr.1 EStG) vollversteuert. Übernimmt man die Definition der Immobilienaktiengesellschaften des Immobilienaktienindizes E&G DIMAX, so kommt man auf eine Gesamtmarktkapitalisierung von 24,635 Mrd. Euro dieser Unternehmen.^[36] Der E&G DIMAX ist ein Performanceindex der Bank Ellwanger & Geiger. Er umfasst alle börsennotierten Unternehmen, die über 75% ihres Ertrages bzw. Umsatzes im Immobiliengeschäft generieren.^[37]

2.2.3 Zusammenfassung

Ein Großteil des privaten Baubestandes besteht in Wohnungsbauten. Diese Wohnbauten sind zu 40,2% in Eigennutzung und zu 36,6% durch private Investoren vermietet und damit zu 76,8% im Direkteigentum. Die verbleibenden 23,2% sind im Besitz institutioneller Investoren und können somit im indirekten Besitz privater Anleger sein. Wird die schon erwähnte zahlungsorientierten Definition der Investition verwendet, kann der Anteil des Wohnungsbestandes zum Eigenbedarf vernachlässigt werden. Unter Berücksichtigung dieser Tatsache kann die Größenordnung der direkten und indirekten privaten Investition in Wohnimmobilien auf 59,8% und damit auf etwa 2325 Mrd. Euro des gesamten Wohnungsbaubestandes geschätzt werden. Gewerbliche Immobilien im direkten Privatbesitz betragen ca. 414 Mrd. Euro, wobei hier keine weitere Aufschlüsselung möglich war.^[38] Neben den direkten Investitionen haben Private etwa 82 Mrd. Euro in offene Immobilienfonds, 46,3 Mrd. Euro in geschlossene Immobilienfonds, 1,3 Mrd. Euro in REITs und 25,6 Mrd. Euro in Immobilienaktien investiert. Diese indirekten Investitionen, welche zu großen Teilen in den gewerblichen Sektor fließen, summieren sich zu etwa 155 Mrd. Euro auf.^[39] Es ist offensichtlich, dass sich private Immobilieninvestoren auf den Sektor der Wohnimmobilien konzentrieren.

Das Renditemaß für den Gesamtmarkt sollte dementsprechenden Wert auf den Sektor der Wohnimmobilien legen. Dieses Ergebnis werden wir jedoch erst im Abschnitt 3.2, der Erfassung des Datensatzes, nutzen. Bevor wir eine passende Indexgröße auswählen, sollen die übrigen Variablen des VAR-Modells identifiziert werden um den Prozess der Datensammlung in einem Kapitel abhandeln zu können.

3 Theoretische Betrachtung

In den folgenden Abschnitten sollen nun die potentiellen Einflussfaktoren gefunden werden, die im Folgenden in das VAR-Modell eingehen sollen. Um eine fundierte und systematische Betrachtung zu ermöglichen soll ein makroökonomisches Modell genutzt werden, das eine treffende Beschreibung aller Teilmärkte ermöglicht. Das gewählte Modell muss damit allgemein genug sein, um für alle Sektoren gelten zu können.

Darüber hinaus werden auch Variablen angeboten, die in den Modellen zwar keine Anwendung finden, die jedoch ebenfalls eine Rolle spielen könnten und in anderen Studien Anwendung fanden.

3.1 Das makroökonomische Modell

Die folgenden Betrachtungen sollen auf einem Modell fußen, dass in Anlehnung an die sich ähnelnden Modelle der Autoren DiPasquale/Wheaton (1992), Fischer (1992) und Fischer/Hudson-Wilson/Wurtzbach (1993) von Cieleback (2008) entworfen wurde.^[40] Hierbei werden verschiedene Teilmarktmodelle zu einem Vier-Quadranten Modell zusammengefasst. (Abbildung 1) Mithilfe dieses Aufbaus ist es möglich, Zusammenhänge zwischen Bestandsanpassungen sowie Entwicklungen auf dem Nutzermarkt, Investmentmarkt und Neubaumarkt genauer zu beleuchten. Hierbei werden wir von einem simultanen Gleichgewichtszustand ausgehen und Reaktionen auf eine Störung dieses Gleichgewichtes untersuchen.^[41]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Vier-Quadranten-Modell; Quelle: Eigene Darstellung in Anlehnung an Schulte (2008), S.141

Auf dem Nutzermarkt wird der Zusammenhang zwischen Miete und Immobilienbestand als einfaches Preis-Mengen-Diagramm dargestellt. Hierbei wird die Menge durch den Immobilienbestand und der Preis durch Miete charakterisiert. Die Nachfragekurve kann als inverse Beziehung zwischen Preis und Bestand in das Diagramm eingezeichnet werden. Es erschließt sich intuitiv, dass bei höheren Preisen eine geringere Nachfrage nach Wohn- oder Gewerbefläche nachgefragt wird. Aufgrund einer gewissen Starrheit des Angebots aufgrund langer Produktionszeiten müssen jedoch kurz- und langfristige Sicht getrennt betrachtet werden. Auf kurze Sicht ist das Angebot unabhängig vom Preis fix. Steigende Nachfrage induziert somit stark steigende Preise. Auf lange Sicht wäre das Angebot variabel. Der Preis stiege nur gemäßigt an. Die ermittelte Miete im Gleichgewicht von Angebot und Nachfrage geht auf den Investmentmarkt ein. Der Preis der Immobilie entspricht dem Barwert der Mieterträge der Zukunft, wobei der hierbei verwendete Kapitalisierungszins mittels Riskpricing ermittelt werden kann. Da die Berechnung des Barwerts durch Multiplikation mit dem Kehrwert des berechneten Zinssatzes erfolgt, herrscht ein positiver Zusammenhang zwischen Miete und Immobilienpreis. Der Neubaumarkt betrachtet die Beziehungen zwischen Immobilienwert und Neubau. Es scheint nachvollziehbar, dass zwischen den Variablen ein positiver Zusammenhang besteht. Für Projektentwickler spielt der Immobilienwert eine Rolle, da er den Herstellungskosten zzgl. Gewinn entspricht. Dies erklärt, warum die grafische Darstellung der Beziehung nicht im Koordinatenursprung beginnen kann. Die grafische Darstellung des Zusammenhangs wird von SCHULTE (2008) vereinfachend als Gerade eingezeichnet. Die Darstellung wurde hier jedoch in Anlehnung an SCHMOLL (2005) modifiziert. Der Zusammenhang kann besser durch eine Kurve beschrieben werden, da es durch Ressourcenveknappung auch bei höheren Immobilienwerten zu zunehmend schwächeren Neubauraten kommt.^[42] Da wir von einer Gleichgewichtssituation ausgehen, muss der Immobilienbestand konstant sein. Dies kann nur der Fall sein, wenn der Neubau genau der Abschreibung entspricht. Da die Abschreibungen mit Höhe des Bestandes wachsen, kann der Zusammenhang auch über eine positive Beziehung zwischen Bestand und Neubau dargestellt werden.^[43]

3.2 Identifikation potentieller Determinanten

Bevor das Gleichgewicht unter Einfluss von Störungen untersucht werden kann, müssen zunächst potentielle Kanäle ermittelt werden. Da der Markt aufgrund seiner Eigenschaften stark inhomogen und segmentiert ist, kann vorerst auch nicht davon ausgegangen werden, dass Determinanten der einzelnen Teilmärkte auch für den Gesamtmarkt eine äquivalente Bedeutung haben. Um Variablen zu identifizieren, die potentiell Bedeutung für den Gesamtmarkt haben, sollen Faktoren gefunden werden, die auf möglichst viele Teilmärkte wirken. Wir werden die von GONDRING (2009) vorgeschlagene Segmentierung des Immobilienmarktes in Gewerbe-, Wohn-, Mischimmobilien und Sonstiges übernehmen.^[44] Wenn wir die Kategorie „Sonstiges“ vernachlässigen, müssen wir somit nur gewerblich und wohnlich genutzte Immobilien auf ihre Einflussgrößen hin untersuchen. Die folgenden Modellansätze gehen von den Zusammenhängen auf dem Neubaumarkt aus, um die Immobilienpreisbildung abzubilden.

3.2.1 Determinanten des Wohnimmobilienmarktes

Ein Modell, das über die Einflussfaktoren des Wohnungsmarktes Aufschluss geben kann, entstand unter anderem durch die Arbeit von Dougherty/Van Order (1982). Hier wird angenommen, dass Angebot und Nachfrage durch gesamtwirtschaftliche Faktoren beeinflusst werden. Man versucht die Zusammenhänge in einem Gleichgewichtszustand zu modellieren.^[45] Die Nachfrage wird hierbei durch die Kapitalnutzungskosten ermittelt, welche nach der Methode von Poterba (1992) berechnet werden können. Kapitalnutzungskosten ( ) und damit der durch die Nachfrage determinierte Gleichgewichtsmietpreis werden hier als Funktion von effektivem, nominalem Hypothekenzinsatz nach Steuern ( ), Vermögenssteuersatz auf Eigenheime ( ), Abschreibung ( ), dem Verhältnis zwischen Instandhaltungskosten und dem Wert der Immobilie ( ), einer Risikoprämie ( ) sowie dem erwarteten Wohnpreiswachstum ( ) und Hauspreis ( ) gebildet.^[46]

Durch einfache Umformungen kommen wir zu dem Arbitrage Zusammenhang

in dem die zu zahlenden Bruttomiete beschreibt. Auf einer etwas abgewandelten Form dieser Gleichung aufbauend entwickelte MEEN (2000) über den Ansatz des „Excess Return to Housing“ ein Modell, in welches direkt oder indirekt die Faktoren Abschreibungsrate, Kapitalertrag, Inflation, Vermögen, Zinsniveau, Anzahl der Haushalte, Immobilienbestand und Einkommen einfließen.^[47] Das Angebot wird in dem von MEEN (2000) genutzten Model durch den Zusammenhang^[48]

mit = Hauspreisindex neuer Bauten = Anzahl Baubeginne = kurzfristiger Zins = Konstruktionskosten

= lineare Koeffizienten

approximiert. Da wir uns hier in dem dritten Quadranten des Modells bewegen, erfassen wir in der Angebotsfunktion nur die Anzahl der neu erbauten Immobilien.

Obwohl das obige Modell im Rahmen einer Analyse des britischen Wohnimmobilienmarktes entstand, sollen die Variablen in unsere Auswertungen zum deutschen Immobilienmarkt einfließen. Die beiden Märkte sind räumlich und kulturell nicht unähnlich und sollten durch die fortschreitende Globalisierung weiter angenähert worden sein.

3.2.2 Determinanten des Gewerbeimmobilienmarktes

Im Gegensatz zu dem Markt der Wohnimmobilien, wurden die Prozesse der Preisbildung der Gewerbeimmobilien nur spärlich und bevorzugt für kleine Teilmärkte untersucht.^[49] Für den Gesamtmarkt existiert bisher kein im Konsens anerkanntes Modell.^[50] Zusammenhänge den gesamten Gewerbeimmobilienmarkt betreffend, können beispielsweise über Modellierung der Nachfrage auf dem Nutzermarkt, Anzahl der Neubauten, Miethöhe und über den Kapitalisierungssatz abgebildet werden. Im Folgenden werden nur die Grundformen von häufig auf Teilmärkten verwendeten Gleichungssystemen dargestellt. Allgemein wird angenommen, dass die Nachfrage ( ) auf dem Nutzermarkt eine Funktion des Outputs ( ), der Realmiete ( ) und der von den Angestellten benötigten Fläche ist ( ).^[51]

Hierbei gilt im Gleichgewicht:

mit = risikoloser Zins = Risikoprämie = Abschreibung = Kosten für Instandhaltung = erwartete Wertsteigerung Gewerbeimmobilie = Realmiete = Nutzungskosten

Damit hängt die Nachfrage indirekt von weiteren Faktoren ab.

Der Neubaumarkt sorgt bei entsprechender Nachfrage für zusätzliches Angebot. Es kommt zu Neubau, wenn der Wert des Immobilienbestandes ( ) die Kosten der Wiederbeschaffung ( ) übersteigt. Unter Einbeziehung des Wertes der Möglichkeit mit dem Baubeginn zu warten ( ), der Risikoprämie ( ) und der Tatsache, dass es sich um Erwartungswerte handelt, kann der Zusammenhang wie folgt dargestellt werden.^[52]

Dementsprechend beeinflussen erwartete Landkosten ( ), Konstruktionskosten ( ), sowie die erwarteten tatsächlichen Kapitalkosten ( ), der Wert der Option des Aufschiebens des Baubeginns und die Risikoprämie die Anzahl der Neubauten.

3.3 Zusammenfassung der Determinanten der Teilmärkte

Im Folgenden sollen die potentiellen Determinanten des Immobilienbestands der obigen Modelle verglichen und ausgewertet werden. Dies wird zum Teil dadurch erschwert, dass die Variablen des Modells gewerblicher Immobilien teilweise allgemeiner gehalten sind, da speziell dieser Markt große Inhomogenität aufweist. In Tabelle 1 werden die oben herausgearbeiteten Variablen zusammenfassend gelistet.

Vergleicht man die angebotsseitigen Faktoren der Tabelle fällt auf, dass die Variablen ähnlich ausfallen. Auf beiden Teilmärkten spielt das Zinsniveau eine Rolle. Der Kapitalertrag aus dem Halten der Immobilie des Wohnungsmarktes sollte mit den erwarteten Wertsteigerungen abzüglich der Instandhaltungskosten korrespondieren. Die Produktion der Besitzer von Gewerbeimmobilien könnte sich in den Einkommen bzw. dem Vermögen der Haushalte widerspiegeln. Allerdings sind manche Variablen schwer einzubeziehen. So werden Faktoren, wie die von den Angestellten benötigen Flächen, sowie die Abschreibungsrate, Nutzkosten und Kapitalertrag nicht in die folgenden Analysen eingehen können, da es an Datensätzen mangelt. Auch soll die Anzahl der Haushalte hier nicht einfließen, da der betrachtete Zeitraum zu kurz für ausgeprägte Änderungen der Bevölkerung ist.

Ähnliche sind sich auch die potentiellen Determinanten des Angebotes. Auf beiden Seiten spielen hier finanzielle und materielle Kosten sowie die aggregierten Immobilienpreise und der Neubau eine Rolle. In der Risikoprämie und dem Wert der Option zu warten, sind auch hier wieder Variablen genannt, zu denen keine Datensätze zu finden sind. Die Wiederbeschaffungskosten sollten sich in den Konstruktionskosten widerspiegeln. Variablen, die direkt oder approximativ messbar sind und bei der Preisbildung auf beiden Teilmärkten eine Rolle spielen sollten, sind also:^[53]

- Immobilienbestand
- Vermögen und Einkommen
- Zinsniveau
- Inflation
- Konstruktionskosten
- Kosten für Bauland
- Neubau

Neben den oben genannten Einflussgrößen sollen jedoch auch die für den Wohnungsmarkt von GÜRTLER und REHAN (2009) vorgeschlagene Arbeitslosigkeit mit erwähnt werden.^[54] Auch die Geldmenge ist von Interesse und wurde von BELKE (2009) als Determinante der Preisentwicklung an den Immobilienmärkten identifiziert und soll demnach auch in die vorliegende Studie eingehen.^[55] Eine weitere Variable, deren Einfluss geprüft werden könnte ist der Wechselkurs, da er die Direktinvestitionen des Auslandes in das Inland beeinflussen kann.^[56] Aus technischen Gründen soll auch der DAX 30, im Folgenden abkürzend als DAX bezeichnet, in das Modell einfließen.^[57]

3.4 Hypothesen

Kommen wir nun zu dem ursprünglichen theoretischen Modell zurück, können die identifizierten Einflussfaktoren in der Modellwelt getestet werden. Mit dieser Methode können Hypothesen gebildet werden, die im Verlauf der Analyse einem empirischen Test unterzogen werden sollen.

Aus Abbildung 2 kann geschlossen werden, dass sich eine Erhöhung des Immobilienbestandes auf dem Nutzermarkt zu einer geringeren gleichgewichtigen Miete führen, und damit negativ auf den Immobilienpreis auswirken sollte. Die geminderte Miete führt zu geringeren Immobilienwerten. Dies wiederum wirkt sich negativ auf den Neubau aus, was nach einer Bestandsanpassung zu einem geringeren Immobilienbestand, und damit einem Nachfrageüberhang führt. Nun steigen die Mieten und damit Immobilienpreise wieder. Die sich in dieser Art vollziehenden Über- und Untertreibungen sollten nach und nach zu einer Rückkehr zum alten Immobilienbestand führen. Steigender Neubau hingegen, sollte sich negativ auf Immobilienwerte auswirken, da verzögert eine Bestandsanpassung, hin zu einem höheren Immobilienbestand erfolgt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Wirkung einer Bestandserhöhung; Quelle: Eigene Darstellung in Anlehnung an Schulte (2008), S.141

Eine Einkommens- oder Vermögenserhöhung verschiebt die Nachfragekurve auf dem Nutzermarkt nach außen, was zu höherer Miete und über Barwertberechnungen zu höheren Immobilienwerten auf dem Investmentmarkt führt.^[58] Dies ist in Abbildung 3 dargestellt. Da der DAX als Zusammenfassung großer Aktienunternehmen bei einem Kursanstieg für höhere Vermögen der Aktieninhaber sorgt bzw. Wachstum in den Unternehmen erwartet wird, kann vermutet werden, dass es auch hier zu einer Außenverschiebung der Nachfragekurve kommt.

Auch steigende Inflation sollte zu einer Stärkung der Nachfrage nach Immobilien auf dem Nutzermarkt führen. Mietverträge sind oft an die Inflation gekoppelt.^[59] Haushalte können sich durch den Kauf von Immobilien gegen Inflation absichern. Die Nachfragekurve sollte sich auf dem Nutzermarkt nach außen verschieben. Wie schon gezeigt, hat dies einen positiven Effekt auf die Preisentwicklung der Immobilien. Die gleiche Argumentation könnte man für eine steigende Geldmenge M3 nutzen, wenn angenommen wird, dass eine steigende Geldmenge die Inflation erhöht.

Für einen Anstieg in der Arbeitslosigkeit erwarten wir eine Verschiebung der Nachfragekurve nach innen, da Arbeitslosigkeit auf der einen Seite mit einem geringeren Einkommen einhergeht und auf der anderen Seite weniger Räumlichkeiten in den Unternehmen benötigt werden. An dieser Stelle wird jedoch nur die Verschiebung nach außen explizit gezeigt.

Steigende Zinsen führen zu einem Anstieg des Kapitalisierungszinssatzes, was in Abbildung 4 dargestellt ist. Zukünftige Mieteinnahmen sind damit heute weniger wert^[60]. Es kommt zu einer Drehung der Gerade auf dem Investmentmarkt und einem Sinken der Immobilienwerte.^[61]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Wirkung einer Steigerung der Nachfrage; Quelle: Eigene Darstellung in Anlehnung an Schulte (2008), S.141

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Wirkung eine Zinserhöhung; Quelle: Eigene Darstellung in Anlehnung an Schulte (2008), S.141

Im Gegensatz hierzu kommt es bei höheren Konstruktions– bzw. Landkosten zu höheren Aufwendungen für den Bau neuer Immobilien. (Abbildung 5) Die Hemmschwelle zur Aufnahme eines Bauprojektes sollte damit höher liegen, da ein höherer interner Zins erwirtschaftet werden müsste, um die Rentabilität des Projektes sicherzustellen. Bei gleichem Immobilienwert werden nun also weniger Bauprojekte angestoßen als vor der Kostenerhöhung. Der Graph im dritten Quadranten verschiebt sich nach links. Der Markt ist nun nicht mehr im Gleichgewicht – die Anzahl der Neubauten und, nach Bestandsanpassung, auch der Immobilienbestand sinkt. Dieses Absinken des Bestandes führt nun, wie schon gezeigt, zu höheren Immobilienpreisen, was den Neubau nun wieder beflügelt, wobei es zu einer Übertreibung kommt und der Baubestand ansteigt. Die graphische Analyse legt nahe, dass diese Übertreibungen nach und nach zum Erreichen eines neuen Gleichgewichts führen. Analog dazu sollte ein Ansteigen des Wechselkurses der Form mit der ausländischen Währung bzw. der inländischen Währung bei gleichen Immobilienwerten zu höherem Neubau führen und damit zu einer Rechtsverschiebung der Kurve des dritten Quadranten führen. Der Grund ist, dass ein günstigerer Wechselkurs für ausländische Investoren die Investitionsauszahlung in Euro vermindert.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5: Wirkung einer Kostensteigerung für Neubau; Quelle: Eigene Darstellung in Anlehnung an Schulte (2008), S.141

Da wir die Renditeentwicklung für Investoren betrachten, die ein bestimmtes Immobilienportfolio halten, können die Aussagen über den Wert der Immobilien in Aussagen über Renditen der Immobilieninvestition umgedeutet werden.^[62]

So erwarten wir, dass ein positiver Schock im

- Immobilienbestand die obige Rendite nur kurzfristig erschüttert, jedoch langfristig nicht verändert,
- DAX, Vermögen und Einkommen die obige Rendite positiv beeinflussen,
- Zinsniveau die Rendite negativ beeinflusst,
- Inflation die Rendite positiv beeinflusst,
- Geldmenge die Rendite positiv beeinflusst,
- Konstruktionskosten und Kosten für Bauland die Rendite zunächst erschüttern aber längerfristig positiv wirken,
- Neubau negativ auf die Rendite wirkt,
- Arbeitslosigkeit negativ auf Renditen aus Immobilieninvestitionen wirkt,
- Wechselkurs positiv auf die Renditen wirkt,

4 Empirische Betrachtungen

Nachdem die Zusammenhänge auf den Immobilienmärkten in einer Modellwelt erfasst wurde, sollen die theoretischen Ergebnisse empirisch überprüft werden. Hier werden wir in mehreren Schritten vorgehen. Zunächst werden die theoretischen Grundlagen des VAR-Modells und das Verfahren zur Überprüfung der Stationarität erklärt. In dem folgenden Schritt, kommen die Erkenntnisse aus Abschnitt 1.2.3 sowie 2.3 zum Einsatz. Wir werden potentiellen Einflussfaktoren, sowie die Rendite des Gesamtmarktes durch geeignete Datensätze operationalisieren um Sie für das empirische Modell nutzbar zu machen. In einem dritten Schritt wird der gebildete Datensatz zur Nutzung im VAR-Modell aufbereitet. Der darauf folgende Abschnitt konzentriert sich auf die Bildung und Überprüfung des Modells. Der letzte Absatz dieses Kapitels befasst sich mit der Auswertung des Modells bzw. den empirischen Tests zu den ermittelten möglichen Determinanten.

4.1 Die VAR-Methode

Eine Möglichkeit der Schätzung von Zusammenhängen der realen Welt besteht in der Nutzung univariater linearer Modelle. Vor der Erstellung eines solchen Modells müssen jedoch große Teile der Beziehungen der Variablen richtig eingeschätzt werden. So unter anderem, in welcher kausalen Richtung die Einflussnahme erfolgt. Beim VAR-Modell ist dies einfacher, da hier nicht explizit zwischen exogenen und endogenen Variablen unterschieden werden muss und somit die Daten anstatt des Forschenden die Struktur des Modells bestimmen.^[63] Zunächst müssen Variablen ausgewählt werde, die in das System einfließen sollen. In einem zweiten Schritt muss die nötige Anzahl der Verzögerungen eben dieser Variablen gewählt so werden, dass sie einen Großteil der Information des Datenmaterials erfassen können.^[64] Ist das Modell richtig spezifiziert, kann es genutzt werden um auf Zusammenhänge der Variablen zu schließen. Für diesen Zweck bieten sich Impuls-Antwort-Reaktionen, Vorhersagefehler-Varianz-Zerlegungen und die Analyse der Variablen auf Granger Kausalitäten an.^[65]

Ein VAR-Modell der Ordnung p mit K Variablen hat die Form:

Hierbei ist eine Matrix der Residuen und die Koeffizentenmatrizen der Form . Man nimmt hier an, dass Residualterme verteilt und damit weiß rauschend sind.^[66] Diese Annahme bedingt, dass die Koeffizienten Matrizen, Standartfehler etc. unverzerrt mit der OLS-Methode schätzbar sind.^[67]

Oft werden nur I(0)- Prozesse in VAR-Modelle einbezogen, sodass für . Das Modell wird dann als stabil bezeichnet. Unter der Einbeziehung von Daten mit einer oder mehr Einheitswurzeln, könnte es zu Kointegration kommen, womit ein VECM-Modell zu bevorzugen wäre, welches Kointegration explizit modelliert.^[68] In solch einem Modell wären auch langfristige Zusammenhänge zu testen, während unter Ausschluss von Kointegration nur kurzfristige Zusammenhänge modellierbar sind.^[69] Es wird jedoch allgemein gerne mit stationären Reihen gearbeitet, da fehlende Rücksichtnahme auf Abweichungen von den Eigenschaften der Stationarität zu dem Problem der „Spurious Regression“ führen kann. Dieser Begriff umschreibt plausibel wirkende Ergebnisse, die verfälscht und im schlimmsten Falle völlig invalide sind. Gründe für derartige Konstellationen können vor allem in deterministischen oder stochastischen Trends gesehen werden, die in dem erstellten Modell nicht berücksichtig wurden. Neben Trends können als Ursache aber auch instabile Varianzen und Kovarianzen gesehen werden.^[70]

Zusammenfassend muss also beachtet werden, dass

- die in das Modell einfließenden Variablen Stationarität aufweisen
- das die Residuenterme des Modells erfüllen

Stationarität im engeren Sinne steht für die Konstanz der gesamten Verteilung der Variablen über den Zeitablauf. Es ist jedoch üblich, sich auf die Überwachung der Eigenschaften schwacher Stationarität zu beschränken.^[71] Die Reihen müssen demnach folgende Eigenschaften erfüllen:^[72]

1. Der Erwartungswert bleibt über die Zeit hinweg konstant, womit für alle der Reihe gelten muss.
2. Varianzstationarität: Die Varianz bleibt über die Zeit hinweg konstant. Es gilt für alle .
3. Kovarianzstationarität: Zwischen allen Zufallsvariablen muss von unabhängige Kovarianz herrschen, womit gilt:

Die Restriktionen der Bedingung der Residualterme fordern eine Normalverteilung der Residuen, wobei der Mittelwert zusätzlich auf 0 festgelegt wird.^[73]

Im Normalfall muss bei der Spezifikation des VAR-Modells neben der Anzahl der einzubeziehenden verzögerten Variablen auch auf Trendmodellierung, Rang der Kointegration und mögliche Restriktionen zur Reduzierung der Komplexität geachtet werden. Da wir jedoch nur stationäre Variablen einfließen lassen und auf Restriktionen verzichten wollen, wird in diesem Fall nur die Anzahl der einzubeziehenden Lags bestimmt werden müssen. Die Komplexität wird durch Reduzierung endogener Variablen eigeschränkt werden, welche dann jedoch als exogene Variablen Eingang in das Modell finden werden. Diese Vereinfachung birgt jedoch den Nachteil, dass nicht alle Variablen unbeschränkt aufeinander Einfluss nehmen können. Die allgemeine Formel des VAR-Modells erweitert sich unter dieser Modifikation zu:^[74]

Wobei für die exogen einbezogenen Variablen steht. Ist das Modell erstellt und richtig spezifiziert, kann es mithilfe der drei schon genannten Mittel untersucht werden. Impuls-Antwort-Reaktionen bieten einfacher interpretierbare Ergebnisse an, als das geschätzte Gleichungssystem allein. Es wird angenommen, dass die Koeffiziententerme die Reaktion einzelner Variablen auf Schocks widerspiegeln. Das Modell wird nun als MA(q)- Prozess notiert, wobei und mit und damit als angegeben werden kann. Wird nun eine Veränderung um eine Einheit in der Variable unterstellt und vergangene konstant gehalten, stellen die einzelnen Elemente der Matrizen ein Funktionen von s dar, welche die Reaktion der Variablen beschreiben. Hierbei wird die Schock in durch gemessen. Oft soll auch der Gesamteffekt einer solchen Veränderung auf lange Sicht betrachtet werden, welcher durch berechnet werden kann.^[75]

Soll das erstellte Modell mithilfe der Granger Kausalität untersucht werden, wird ausgewertet inwiefern helfen kann vorherzusagen. Man schreibt Die linke Seite der Gleichung bezeichnet hier die bestmögliche Voraussage von im Zeitpunkt t für h Zeitschritte in die Zukunft, unter der Voraussetzung aller relevanter Information in . Der Ausdruck auf der rechten Seite gibt die Voraussagequalität unter der Bedingung wieder, dass die durch transportierte Information von ausgeschlossen wird. Resultiert die Gleichung in einer wahren Aussage, verbessert die Einbeziehung der Variable die Vorhersage von nicht. Für ein VAR-Modell kann der Zusammenhang als mit notiert werden. Die Vorhersage von kann nicht durch die Einbeziehung der Variablen verbessert werden, wenn die Verzögerung nicht in der Gleichung vorkommt. Die obige Gleichung kann auf unbeschränkt viele Verzögerungen und Variablen ausgeweitet werden.^[76] Der Zusammenhang kann mithilfe des Wald-Testes auf Signifikanz geprüft werden. Die Nullhypothese nimmt hier an, dass die Koeffizienten der der jeweiligen Variable bzw. deren Verzögerungen insgesamt nicht von Null verschieden sind.^[77]

Eine dritte Möglichkeit der Gewinnung von Information aus dem fertigen Modell ist die Vorhersagefehler-Varianz-Zerlegung. Hierbei wird die Fehlervarianz der Vorhersage auf verursachende Variablen aufgeschlüsselt.^[78]

4.2 Der Datensatz

Die Besonderheiten des Immobilienmarktes wirken sich auch in Bezug auf die Verfügbarkeit von und Qualität der beschreibenden Datensätze aus. Werden auch viele plausible Variablen durch theoretische Modelle vorgegeben, fällt es doch schwer, nutzbare Datensätze für die Durchführung einer empirischen Analyse zu finden. Explizit tritt das Problem bei der Suche nach einem Preisindex, dem aktuellen Baubestand und dem Preis von Bauland auf. Für den Immobilienmarkt mit Schwerpunkt Wohnungssektor kommen zunächst zwei etablierte Indizes in Betracht, die die Entwicklung der Immobilienpreise widerspiegeln: Der German Property Index (DIX) der IPD und der BulwienGesa Immobilienindex. Insbesondere letzerer wäre zur Nutzung optimal, da hier Daten zur Wertentwicklung für Wohnungs- und Gewerbeimmobilien getrennt vorliegen.^[79] Wie schon gezeigt, konzentrieren sich private Immobilieninvestitionen auf den Sektor der Wohnimmobilien, sodass der BulwienGesa-Index für Wohnimmobilien die präferierte Wahl wäre. Da die Indizes jedoch auf jährlicher Basis berechnet werden, erscheinen sie für den Zweck unserer statistischen Analyse als ungeeignet. Als Proxyvariable fallen insbesondere drei schon vorhandene Datenreihen mit ausreichend hoher Frequenz auf, die zwar nicht den Anspruch haben die Entwicklungen des Gesamtmarktes zusammenzufassen, unter Umständen aber für letzteren Zweck brauchbar sein könnten. Es handelt sich um den OFIX, RX REIT Index und den E&G-DIMAX. Der schon kurz vorgestellte OFIX beschreibt täglich den gewichteten Durchschnittswert des Sondervermögens der offenen Immobilienfonds.^[80] Da der gesetzliche Rahmen des immobilienfernen Sondervermögens nur auf 49% beschränkt ist und offene Immobilienfonds präferiert im Gewerbesektor investiert sind, ist der OFIX für unsere Zwecke kaum nutzbar. Eine zweite Möglichkeit wäre die Nutzung des RX-REIT Index. Da die Klasse der REITs in Deutschland bisher nur einen sehr geringen Anteil am Gesamtmarkt ausmacht, scheint auch der Einsatz dieses Indexes als nicht repräsentativ für den Gesamtmarkt. Die dritte und gleichzeitig vielversprechendste Methode ist der Einsatz des E&G-DIMAX für Immobilienaktiengesellschaften. Das relativ hohe Marktvolumen der als Immobilienaktiengesellschaften definierten Unternehmen und deren gemischte Portfolios sorgen für ein ausreichendes Maß an Marktrepräsentanz. Da der Immobilienbestand der Immobilienaktiengesellschaften gleichmäßig auf Gewerbe- und Wohnimmobilien verteilt ist, ist der Index in der Lage, ein breites Spektrum von möglichen privaten Immobilieninvestitionen widerzuspiegeln.^[81] In den E&G-DIMAX werden alle Aktiengesellschaften einbezogen, deren Umsatz und Ertrag zu 90% aus dem Immobiliengeschäft besteht. Als Immobiliengeschäft werden hier Vermietung und Verpachtung, Immobilienhandel, Immobilienverwaltung, Projektentwicklung und Immobilienberatung genannt.^[82] Ein Problem liegt in der Tatsache, dass in die Definition der Immobilienaktiengesellschaften nach Ellwanger & Geiger auch Immobilienhandel sowie immobiliennahe Dienstleistungen in die Renditeberechnung eingehen. Da der Anteil der Dienstleister 2006 nur 1,1% betrug, sollte Dieser vernachlässigbar sein.^[83] Zum Ausmaß der Handelsaktivitäten konnten jedoch keine Werte gefunden werden. Da der E&G-DIMAX die Performance auf Basis der Aktien misst, werden hier nicht die Wertveränderungen der Immobilien, sondern auch die Einschätzungen der Anleger beeinflusst. Rational handelnde Individuen vorausgesetzt, sollte der Unterschied zu vernachlässigen sein, da nur die Erwartungen an zugrundeliegenden Werte und damit der Immobilienbestand und die Fähigkeiten des Managements betrachtet werden würde. Betrachtet man jedoch die zum Teil starken Übertreibungen an den Aktienmärkten, kann man annehmen, dass sich die Nachfrage der Aktie als Investmentform auch unabhängig vom zugrundeliegenden Unternehmen variieren könnte. Um die Effekte der Börse nicht aus den Augen zu verlieren, soll auch der DAX30 in das Modell einbezogen werden. Die Kursverläufe der Indizes bestätigen die obige Vermutung durch eine weit höhere Volatilität der börsennahen Indizes. (Abbildung 6) Die durchgängig höhere Rendite des OFIX erklärt sich aus der Wahl des betrachteten Zeitabschnittes und ist kein allgemein gültiges Faktum.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 6: Vergleich der Indizes mit monatlicher Frequenz; Quelle: Eigene Darstellung

Nach GILIBERTO (1993) könnte dieses Problem durch die Nutzung eines Hedged-E&G-DIMAX gelöst werden. Dieser Schritt erübrigt sich jedoch durch die Nutzung einer VAR Analyse, da der Einfluss von Schocks einzelner Variablen isoliert betrachtet werden kann. Damit erscheint der E&G-DIMAX als brauchbare Proxyvariable für die Preisentwicklung auf den Immobilienmärkten.

Zu den meisten restlichen Variablen konnten Datensätze mit monatlicher Frequenz gefunden werden. Die Daten wurden ausschließlich über Datastream von verschieden Quellen bezogen. Datastream ist ein Produkt der Gruppe Thomson Reuters und sammelt unter Anderem Datensätze verschiedenster Quellen um dem Nutzer den Zugang zu erleichtern. Da die kürzesten Datenreihen bis zum Januar 1991 zurückreichen, wird die Analyse dahingehend Begrenzung finden. Die Datenreihen wurden dahingehend zunächst gekürzt und dann auf Januar 1991 basiert. Dieser Schritt kann zum einen zur Vereinfachung der grafische Darstellungen beitragen und das Problem unterschiedlicher Maßeinheiten lösen, und übt auf der anderen Seite zu keinen Einfluss auf Schätzmethoden oder die genutzten Modelle aus.

Für die Arbeitslosigkeit konnte ein Datensatz der Deutschen Bundesbank in die Analysen übernommen werden. Das Einkommen wurde durch die saisonal adjustierten Löhne der Gesamtwirtschaft approximiert berechnet.^[84] Die Variable Vermögen wurde durch die aus den Monatsberichten der Deutschen Bundesbank stammende Summe der Sichteinlagen privater Personen und wohltätiger Organisationen approximiert. Für die Messung der Inflation wurden saisonal bereinigte Daten der Deutschen Bundesbank zum CPI verwendet. Die Inflation wurde über den Zusammenhang

berechnet. Der Zinssatz wurde durch den Frankfurter Interbankenzins für 12 monatige Kredite beschrieben. In Bezug auf die Variable „Wechselkurs“ wurde der Wechselkurs des Euro zum Dollar als Weltwährung, in der Form $ zu €, einbezogen. Die Daten hierzu wurden von der Europäischen Zentralbank bereitgestellt. Um die Variable Geldmenge mit einzubeziehen, wurde der von der Deutschen Bundesbank bereitgestellte, saisonal adjustierte Datensatz zur der allgemein gefassten Geldmenge M3 verwendet. Die Konstruktionskosten wurden durch die saisonbereinigten Löhne im Baugewerbe approximiert, da einzubeziehende Rohstoffe ihrer Vielfalt wegen nur schwer erfassbar sind. Die Daten hierzu konnten vom Statistischen Bundesamt bezogen werden.

Bei „Neubau“ müssen Kompromisse eingegangen werden. Da direkte Daten hierzu nicht auffindbar waren, soll der Neubau im Folgenden durch die von der Deutschen Bundesbank herausgegebenen, saisonal adjustierten Daten zu den Auftragseingängen im Bauhauptgewerbe operationalisiert werden. Die Differenz zwischen Auftragseingang und Auftragsabbrüchen scheint vernachlässigbar. Für die Variable „Preis des Baulandes“ sowie auch „Baubestand“ liegen die Daten nur quartalsweise vor, sodass hier zu wenige Beobachtungen zur Verfügung stehen. Da auch keine Proxyvariable in Betracht gezogen werden konnte, wird die Variable nicht in die Analyse eingehen können. Die beiden herausgelassenen Variablen sollten bei der Interpretation der Ergebnisse kritisch beachtet werden, da der Omitted Variable Bias eine größere Rolle spielen könnte. Auf der anderen Seite ist fraglich, wie präzise, die gesamtwirtschaftliche Schätzung dieser Variablen sein kann. Aufgrund der Eigenschaften von Immobilien und damit auch der Grundstücke, kommt es schon bei einzelnen Objekten zu Komplikationen. Auf aggregierter Ebene könnte die Unsicherheit noch größer sein.

4.3 Aufbereitung des Datenmaterials

4.3.1 Theoretische Grundlagen

Um die im Abschnitt 3.1 angesprochenen Probleme des Einsatzes nicht-stationärer Datenreihen zu umgehen, werden die einfließenden Variablen auf Stationarität überprüft und gegebenenfalls modifiziert. Da sich die Arbeitsschritte zur Aufbereitung des Datensatzes zum Teil oft wiederholen, sollen im folgenden Abschnitt einmalig die Erklärungen der genutzten Schritte vermittelt werden.

4.3.1.1 Deterministische Trends

Um die obige Festlegung einzuhalten dürfen die in der Analyse eingesetzten Datenreihen keinen signifikanten Zeittrend aufweisen. Um dies zu überprüfen, wird im Folgenden die Regression

genutzt.^[85] In einem ersten Schritt werden die Zufallsvariablen auf die Zeit regressiert, um die Variable im zweiten Schritt durch die Residuen der Schätzung des ersten Schrittes zu ersetzen, sofern signifikant von 0 verschieden ist. Der Effekt ist, dass der identifizierte Einfluss der Zeit auf die Ausprägungen der Zufallsvariablen ausgesondert wird und die restliche im Datensatz verbleibende Information isoliert in spätere Analysen eingeht.

4.3.1.2 Stochastische Trends

Neben den oben genannten Zeittrends bzw. Deterministischen Trends, gibt es eine weitere Art von Trends, die die Eigenschaften der schwachen Stationarität zerstört. Es handelt sich um stochastische Trends. Der hier verwendete Ansatz betrachtet Zeitreihen als „Realisationen einer Folge von Zufallsvariablen“^[86] Der Fokus liegt auf den Beziehungen der einzelnen Variablen zu bzw. den Residuen und nicht mehr zu anderen Variablen oder .Es werden autoregressive Prozesse (AR(p)-Prozesse) und Moving-Average-Prozesse (MA(q)- Prozesse) unterschieden, wobei jedoch auch Kombinationen der Prozesse möglich sind (ARMA(p,q) ^[87]

MA(q)- Prozess:

AR(p)- Prozess:

Betrachten wir den MA-Prozess, ist dieser bei endlicher Ordnung immer stationär, da er sich aus mehreren White Noise Prozessen zusammensetzt.^[88] Für einen AR-Prozess muss jedoch gelten, dass . In diesem Fall bezeichnet man den Prozess als integriert zu Ordnung 0 und damit als einen I(0)-Prozess. Gilt dies nicht, so kann der Prozess durch ein – oder mehrmaliges Differenzieren stationarisiert werden. Bei d -maliger Differenzierung bis zum Erreichen von Stationarität, wird der Prozess als I(d)- Prozess bezeichnet.^[89] Der Prozess besitzt dann d Einheitswurzeln.^[90]

4.3.1.3 Testen auf Einheitswurzeln

Das obige Merkmal der Einheitswurzel wurde eingeführt, da es in zwei in der vorliegenden Arbeit benutzten Tests auf Stationarität verwendet wird. Der ADF-Test testet in der verwendeten Spezifikation die Nullhypothese des Vorliegens eines integrierten Prozesses gegen die Alternativhypothese eines trendstationären Prozesses. Die verwendete Regressionsgleichung und das Hypothesenset sind hier:

und

vs. .

In jeden Test wurden p zusätzliche Verzögerungen, sowie Zeittrend und eine Konstante mit in den Test einbezogen um die Validität der Testergebnisse sicher stellen zu können. Insbesondere die genutzten Verzögerungen sorgen dafür, dass es in den Residuen der Regression des Tests nicht zu Autokorrelation kommen kann. Die Auswahl von p ist ein Trade-Off zwischen wachsender Autokorrelation in den Residuen und der Aussagekraft des Tests.^[91] In dieser Arbeit wurde das ein die Statistiksoftware Stata integriertes Tool genutzt, welches mehrere Modellspezifikationen automatisiert testet und mittels AIC und BIC Vorschläge zur Anzahl der Verzögerungen macht. AIC und BIC bieten Vergleichswerte an, die das Verhältnis zwischen Erklärungsgüte und Komplexität von verschiedenen Modellen vergleichbar machen. Im Vergleich zum BIC neigt AIC neigt höhere Erklärungsqualität zu Lasten der Einfachheit des Modells zu favorisieren.^[92] Wird AIC als Richtmaß für einbezogene Anzahl an verzögerten Variablen in das Testmodell verwendet, entscheidet man sich demnach zulasten der Schärfe des Testes, für mehr Sicherheit vor Autokorrelation in den Residuen der Testregression.^[93] Aufgrund dieser Zusammenhänge werden wir meist beide Testspezifikationen nutzen.

Um entscheiden zu können, ob nur Trendstationarität oder tatsächlich Stationarität vorliegt, wird die zu testende Variable zunächst auf die Zeit regressiert und bewertet inwieweit die Beziehung signifikant erscheint.

Der KPSS Test testet die Nullhypothese des Vorliegens eines stationären Prozesses gegen die Alternativhypothese der Nicht-Stationarität der Zeitreihe. Die einfachste Ausführung sieht die folgende Regression vor:

mit

und

sowie die Hilfsregression

und testet das Hypothesenset vs. . Sofern die Nullhypothese korrekt ist, ist stationär, da es sich aus einer Konstanten und einem ebenfalls stationären Prozess zusammensetzt.^[94] Mit dem KPSS-Test steht uns ein praktisches Mittel zur Verfügung, um bei kritischen Entscheidungen des ADF-Testes eine Gegenprüfung vornehmen zu können.

4.3.1.4 Autokorrelationsfunktionen

Neben den oben genannten Mitteln nutzen wir auch die Autokorrelationsfunktion zur Analyse der Stationaritätseigenschaften.^[95]

Da Sie für jede Verzögerung dem Verhältnis der schon oben eingeführten Autokovarianz zur Varianz entspricht, ist sie gut geeignet um zu schätzen wie stark Schocks in vergangen Perioden auf folgende Daten nachwirken. Die in der Arbeit dargestellten Grafiken der Autokorrelationen zeigen zusätzlich auch die von Bartlett vorgeschlagenen 95% Signifikanzbänder. Die grafische Darstellung kann über die Natur der gegebenenfalls vorhandenen Autokorrelation Aufschluss geben. Um das Vorliegen einer stationären Reihe zu bestätigen, sollten die Autokorrelationen für wachsende Ordnung der Verzögerung, schnell oder zumindest verhältnismäßig schnell auf ein konstantes Niveau abfallen.^[96]

Verwendet man die Autokorrelationsfunktion in Verbindung mit der partiellen Autokorrelationsfunktion, kann sie auch zur Bestimmung der vorliegenden datengenerierenden Prozesse genutzt werden. Der partielle Autokorrelationskoeffizient ist als Schätzung des Koeffizienten eines AR(k)-Modells definiert. Damit wird die zusätzliche Korrelation zwischen und unter Bedingung der Korrelationen der dazwischen liegenden gemessen^[97]

4.3.1.5 Saisonalität

Während der Überprüfung Stationaritätseigenschaften trat eine weitere Problematik auf. In einigen Zeitreihen waren saisonale Einflüsse nachweisbar. Dies war zu erwarten, da in dieser Arbeit mit Daten monatlicher Frequenz gearbeitet wurde. Saisonalität im Datensatz führt zu Problemen, da durch die regelmäßigen Schwankungen der Daten Abhängigkeiten in den entsprechenden Matrizen auftreten, die eine OLS Schätzung unmöglich machen.^[98] Ein gängiges Mittel zur Analyse und Bereinigung ist die X-12-ARIMA Software des statistischen Bundesamtes der USA. Das hinterlegte statistische Verfahren wird als eigenständiges Programm zur Verfügung gestellt, kann jedoch in andere Datenverarbeitungsprogramme implementiert werden. In dieser Arbeit wurde das Excel Add-In NumXL verwendet, welches eine einfache Bedienung des Programmes des X-12-ARIMA ermöglicht. Die Software führt zunächst vier verschiedene Tests auf Saisonalität durch und gibt eine Handlungsempfehlung ab, um bei der Entscheidung über die Durchführung einer Bereinigung des Datensatzes zu unterstützen. Die verwendete Spezifikation des Testes beinhaltete eine Konstante und Komponenten für die Effekte Osterns sowie der Handelstage-Problematik. Die Zeitreihen wurden vor Durchführung des Tests automatisch logarithmiert. Bei der Entscheidung für die Bereinigung der Zeitreihe ist die Software in der Lage die Zeitreihe saisonal zu adjustieren. In einigen Fällen wurde Saisonalität schon durch visuelle Analyse der grafischen Darstellungen der Rohdaten erwartet. Hier unterstützten auch die Tests die Vermutung. Bei mehreren, sonst stationären Datenreihen waren saisonale Schwankungen zu erahnen, da die Autokorrelationsfunktionen regelmäßige Schwankungen aufwiesen.^[99] Die Testprozedur erkannte in dem Großteil der Variablen jedoch keine signifikante Saisonalität und riet von der Bereinigung ab.^[100] Hier sollen die jeweiligen Reihen trotzdem zunächst zur Modellbildung genutzt werde, auch weil viele der Daten schon in saisonbereinigter Form vorlagen. Fällt in den Residuen des schließlich geschätzten Modells Autokorrelation auf, sollen Dummy-Variablen genutzt werden um die verbleibenden Saisonmuster zu modellieren.

4.3.2 Praktische Umsetzung

In diesem Abschnitt werden detailliert Schritte zur Analyse und gegebenenfalls Erzwingung stationärer Eigenschaften im verwendeten Datensatz erläutert. Die Arbeitsschritte wurden mit der Statistiksoftware STATA ausgeführt. Die Vorbereitung der Daten erfolgte in Microsoft Excel.

4.3.2.1 Vermögen

Der Blick auf die grafische Darstellung der Rohdaten der Zeitreihe verrät, dass keine Stationarität vorliegen kann. Der Graph steigt zu regelmäßig an. (Abbildung 7)

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 7: Rohdaten Vermögen; Quelle: Eigene Darstellung

Die Frage nach der Art des Trends wurde mit einem ADF-Test unter Einbeziehung einer Trendkomponente sowie einer Konstanten getestet.^[101] Auf dem in Abschnitt 4.1 beschriebenen Weg wurde die Anzahl der in den Test mit einzubeziehenden Verzögerungen mittels AIC und BIC bestimmt. Die Höchstgrenze der Ordnung der zu testenden Modelle wurde immer weiter erhöht, da der AIC Wert jeweils den gewählten Höchstwert als optimale Ordnung vorschlug. Der Test wurde schließlich mit 16 einbezogenen, verzögerten Variablen durchgeführt. Das Testergebnis konnte keine Trendstationarität nachweisen. Auf Grundlage dieses Testergebnisses wurde ein stochastischer Trend unterstellt. Die zur Trendbereinigung durchgeführte Differenzenbildung ergab ein Bild regelmäßig auftretender Schwankungen, die auf das Vorliegen eines saisonalen Einflusses folgern ließ. Die daraufhin durchgeführten Tests der Software X-12-ARIMA bestätigten die vermutete Saisonalität der Rohdaten in allen durchgeführten Tests. Die Differenzenbildung wurde nun mit dem saisonalitätsbereinigten Datensatz wiederholt. Das Ergebnis wies nun zwar keinen saisonalen Charakter mehr auf, zeigte jedoch heteroskedastische Tendenzen, da die Varianz mit dem Zeitablauf anstieg. Um dem entgegenzuwirken wurden die saisonal adjustierten Rohdaten logarithmiert.^[102] Die erneute Bildung der ersten Differenzen ergab das Bild einer annähernd stationären Zeitreihe.(Abbildung 8)

[...]

---

^[1] Handelsblatt, Flucht zum "Betongold", 2014

^[2] Gondring, H., Immobilienwirtschaft, 2009, S. 4

^[3] Witte, H., Allgemeine Betriebswirtschaftslehre, 2009, S. 226

^[4] Gondring, H., Immobilienwirtschaft, 2009, S. 20–21

^[5] Schulte, K.-W., Immobilienökonomie, 2005, S. 10

^[6] Volkswirtschaftliche Gesamtrechnung 2012, Datenblatt 1.1.2

^[7] Hegenbarth, C./Nädele, T. S./Beck, H.-J., Immobilienmarkt Deutschland 2012/2013, S. 4

^[8] Schulte, K.-W./Bone-Winkel, P. S./Thomas, M., Handbuch Immobilien-Investition, 1998

^[9] Schulte, K.-W./Bone-Winkel, P. S./Thomas, M., Handbuch Immobilien-Investition, 1998, S. 506

^[10] Haight, G. T./Singer, D., The real estate investment handbook, 2005, S. 10

^[11] Pilz, G., Immobilienaktien und REITs, 2007, S. 29

^[12] Nowak, M., Offene Immobilienfonds, Immobilienaktien und REITs für die private Vermögensbildung und Altersvorsorge, S. 71

^[13] BVI Bundesverband Investment und Asset Management e.V., Quartalsauswertung offener Immobilienfonds zum Stichtag 30.06.2013, S. 3

^[14] BVI Bundesverband Investment und Asset Management e.V., Quartalsauswertung offener Immobilienfonds zum Stichtag 30.06.2013, S. 4

^[15] Gstädtner, T., Die Besteuerung privater Kapitalanlagen, 2008, S. 137

^[16] BVI Bundesverband Investment und Asset Management e.V., Status und Fondsvermögen zum Stichtag 31.9. 2013, S. 1

^[17] BVI Bundesverband Investment und Asset Management e.V., Jahrbuch 2013, S. 8

^[18] Opitz, G., Geschlossene Immobilienfonds, 1998, S. 63

^[19] Schulte, K.-W., Immobilienökonomie, 2005, S. 678

^[20] Opitz, G., Geschlossene Immobilienfonds, 1998, S. 73

^[21] Opitz, G., Geschlossene Immobilienfonds, 1998, S. 63–67

^[22] Schulte, K.-W., Immobilienökonomie, 2005, S. 688

^[23] Gstädtner, T., Die Besteuerung privater Kapitalanlagen, 2008, S. 172

^[24] Gstädtner, T., Die Besteuerung privater Kapitalanlagen, 2008, S. 174–175

^[25] Schulte, K.-W., Immobilienökonomie, 2005, S. 690

^[26] bsi Bundesverband Sachwerte und Investmentvermögen e.V., VGF Branchenzahlen 2012

^[27] Schäfer, J., Real Estate Investment Trusts, 2007, S. 107

^[28] Schacht, U./Wimschulte, J., German property investment vehicles and the introduction of G-REITs: an analysis, 2008, S. 239

^[29] Schäfer, J., Real Estate Investment Trusts, 2007, S. 53

^[30] Schacht, U./Wimschulte, J., German property investment vehicles and the introduction of G-REITs: an analysis, 2008, S. 239

^[31] Schäfer, J., Real Estate Investment Trusts, 2007, S. 158

^[32] Ellwanger & Geiger, Titelliste E&G-DIMAX

^[33] Klug, W., Offene Immobilienfonds, 2004, S. 19

^[34] Matthias Schreier, Immobilienaktiengesellschaften als alternatives Investment, S. 8–10

^[35] Matthias Schreier, Immobilienaktiengesellschaften als alternatives Investment, S. 165

^[36] Ellwanger & Geiger, Titelliste E&G-DIMAX

^[37] Bankhaus Ellwanger & Geiger KG, Pressemeldung zum Dimax

^[38] Siehe Abschnitt 1.2.2.1

^[39] Siehe Abschnitt 1.2.2.4

^[40] Marcus Cieleback, Einführendes Immobilienmarktmodell, 2008, S. 136

^[41] Marcus Cieleback, Einführendes Immobilienmarktmodell, 2008, S. 141

^[42] Schmoll, F., Staat und Markt - die volkswirtschaftliche Perspektive, 2005, S. 1208)

^[43] Marcus Cieleback, Einführendes Immobilienmarktmodell, 2008, S. 136–140

^[44] Gondring, H., Immobilienwirtschaft, 2009, S. 17

^[45] Gürtler, M./Rehan, C., Preisbildende Faktoren von Privaten Immobilien, 2009, S. 2

^[46] {Lee 2008 #44: 293}

^[47] Gürtler, M./Rehan, C., Preisbildende Faktoren von Privaten Immobilien, 2009, S. 3

^[48] Meen, G., Housing Cycles and Efficiency, 2000, S. 117–118

^[49] Ball, M./Lizieri, C./MacGregor, B. D., The economics of commercial property markets, 2012, S. 148

^[50] Thomson, R./Tsolacos, S., Projections in the Industrial Property Market using a Simultaneous Equation System, S. 225

^[51] Thomson, R./Tsolacos, S., Projections in the Industrial Property Market using a Simultaneous Equation System, S. 225

^[52] Thomson, R./Tsolacos, S., Projections in the Industrial Property Market using a Simultaneous Equation System, S. 226

^[53] Anm. d. Verf.: Die oben genannten Immobilienpreise werden nun als endogene Variable einbezogen während der Immobilienbestand zur exogenen Variable wechselt.

^[54] Gürtler, M./Rehan, C., Preisbildende Faktoren von Privaten Immobilien, 2009, S. 4

^[55] Belke, A., Die Auswirkungen der Geldmenge und des Kreditvolumens auf die Immobilienpreise: ein ARDL-Ansatz für Deutschland, 2009, S. 24

^[56] Klein, M. W./Rosengren, E., The real exchange rate and foreign direct investment in the United States: Relative wealth vs. relative wage effects, 1994, S. 374

^[57] Siehe hierzu Absatz 3.2

^[58] Schulte, K.-W., Immobilienökonomie, 2008, S. 137

^[59] Rottke, N. B./Voigtländer, M., Immobilienwirtschaftslehre, 2011, S. 219

^[60] Ein steigender Kapitalisierungszinssatz führt über das Abdiskontieren der Zahlungsströme zu niedrigeren Barwerten.

^[61] Schulte, K.-W., Immobilienökonomie, 2008, S. 138

^[62] Steigende Konstruktionskosten beispielsweise, tangieren ihre Rendite somit nur indirekt über den Immobilienwert.

^[63] Verbeek, M., A Guide to modern econometrics, 2008, S. 336

^[64] Pindyck, R. S./Rubinfeld, D. L., Econometric models and econometric forecast, 1991, S. 354

^[65] Lütkepohl, H./Krätzig, M., Applied time series econometrics, 2004, S. 6

^[66] Lütkepohl, H./Krätzig, M., Applied time series econometrics, 2004, S. 88

^[67] Verbeek, M., A Guide to modern econometrics, 2008, S. 337

^[68] Lütkepohl, H./Krätzig, M., Applied time series econometrics, 2004, S. 88–89

^[69] Verbeek, M., A Guide to modern econometrics, 2008, S. 328

^[70] Poddig, T./Dichtl, H./Petersmeier, K., Statistik, Ökonometrie, Optimierung, 2000, S. 341

^[71] Verbeek, M., A Guide to modern econometrics, 2008, S. 272

^[72] Poddig, T./Dichtl, H./Petersmeier, K., Statistik, Ökonometrie, Optimierung, 2000, S. 96

^[73] Komlos, J./Süssmuth, B., Empirische Ökonomie, 2010, S. 161

^[74] Lütkepohl, H./Krätzig, M., Applied time series econometrics, 2004, S. 92

^[75] Lütkepohl, H./Krätzig, M., Applied time series econometrics, 2004, S. 166

^[76] Lütkepohl, H./Krätzig, M., Applied time series econometrics, 2004, S. 145–146

^[77] Lütkepohl, H./Krätzig, M., Applied time series econometrics, 2004, S. 148

^[78] Lütkepohl, H./Krätzig, M., Applied time series econometrics, 2004, S. 180

^[79] BulwienGesa AG, BulwieGesa-Immobilienindex Guide, 2012, S. 3

^[80] Investment Property Databank Ltd., OFIXMethodology

^[81] Schäfer, J., Real Estate Investment Trusts, 2007, S. 77

^[82] Ellwanger & Geiger, Pressemitteilung zum deutschen Immobilienaktienindex, 2008

^[83] Schäfer, J., Real Estate Investment Trusts, 2007, S. 77

^[84] Statistisches Bundesamt, Verbraucherpreisindizes für Deutschland, 2014, S.4

^[85] Komlos, J./Süssmuth, B., Empirische Ökonomie, 2010, S. 169

^[86] Poddig, T./Dichtl, H./Petersmeier, K., Statistik, Ökonometrie, Optimierung, 2000, S. 348

^[87] Verbeek, M., A Guide to modern econometrics, 2008, S. 275

^[88] Verbeek, M., A Guide to modern econometrics, 2008, S. 280

^[89] Verbeek, M., A Guide to modern econometrics, 2008, S. 283–284

^[90] Verbeek, M., A Guide to modern econometrics, 2008, S. 280

^[91] Verbeek, M., A Guide to modern econometrics, 2008, S. 287

^[92] Verbeek, M., A Guide to modern econometrics, 2008, S. 61

^[93] Verbeek, M., A Guide to modern econometrics, 2008, S. 287

^[94] Lütkepohl, H./Krätzig, M., Applied time series econometrics, 2004, S. 63–64

^[95] Verbeek, M., A Guide to modern econometrics, 2008, S. 273

^[96] Komlos, J./Süssmuth, B., Empirische Ökonomie, 2010, S. 163

^[97] Verbeek, M., A Guide to modern econometrics, 2008, S. 298

^[98] Komlos, J./Süssmuth, B., Empirische Ökonomie, 2010, S. 146

^[99] Lütkepohl, H./Krätzig, M., Applied time series econometrics, 2004, S. 75

^[100] Siehe Tabelle 2

^[101] Die Testergebnisse zu diesem Kapitel sind in Tabelle 4 im Anhang nachzulesen.

^[102] Komlos, J./Süssmuth, B., Empirische Ökonomie, 2010, S. 94