StudiumAbschlussarbeiten
Bayesisches Vergleichswertverfahren unter Nutzung zusätzlicher Geofachdaten

Bayesisches Vergleichswertverfahren unter Nutzung zusätzlicher Geofachdaten

Betreuung:  Alexandra Weitkamp, Sebastian Zaddach, Winrich Voß
Bearbeitung:  Johanna Göbel
Jahr:  2013
Laufzeit:  2013
Ist abgeschlossen:  ja

Immobilien gelten in Deutschland trotz der letzten Finanz- und Immobilienkrise nach wie vor als sichere Geldanlage. Grundvoraussetzung ist eine präzise und zuverlässige Bewertung einzelner Immobilien. Um eine Weiterentwicklung der Wertermittlungsmethoden auf Basis eines Bayesischen Ansatzes zu erproben, liegt der Fokus der Arbeit auf der Er­weiterung dieser Modelle, indem zunächst die klassischen Einflussgrößen der Wertermittlung um zusätzliche Geofachdaten erweitert werden. Neben der Modellerweiterung wird untersucht, ob ein Bayesischer Regressionsansatz bessere Ergebnisse erzielt als ein vergleichbarer Ansatz im klassischen linearen Regressionsmodell. Ein weiterer Schwerpunkt liegt in der Anwendbarkeit der entwickelten Modelle in kaufpreisarmen Lagen. Der Bayesische Ansatz bietet gegenüber der klassischen Regression Vorteile, da zusätzliches Vorwissen integriert wird und sich die Modellspezifikation verbessert. Insgesamt zeigt sich durch die Untersuchungen jedoch, dass die erzielbaren Verbesserungen im bayesischen Modell (durch die zusätzlichen Einflussgrößen einerseits sowie im Vergleich zu den klassischen Regressionsmodellen andererseits) zumindest für die vorliegenden Daten gering ausfallen oder in einigen Varianten des Modells nicht vorhanden sind. Trotzdem kann der Bayesische Ansatz für die Anwendung in der Wertermittlung empfohlen werden, da die Schätzergebnisse in dem von der deutschen Rechtsprechung akzeptierten Rahmen von 20% Abweichung liegen und für die Prädiktion in allen Fällen bessere Ergebnisse als bei den jeweiligen Vergleichsmodellen erzielt werden. Für den bayesischen Ansatz spricht zusätzlich, dass auch vor allem bei den Berechnungen zu kaufpreisarmen Lagen bessere Prädiktionsergebnisse erreicht werden als im vergleichbaren klassischen Modell, selbst wenn nicht genügend Daten für die Erzeugung des Vorwissens aus einer klassischen Regression zur Verfügung stehen