Digitale Immobilienbewertung

Erstmals lässt die BaFin mit der Novellierung der BelWertV computergestützte Bewertungsmodelle zu. Heike Gündling, CEO von 21st Real Estate, spricht im Interview über die Defizite klassischer Bewertungsmethoden und die Chancen, die digitale Bewertungsmodelle mit sich bringen.

The Property Post: Frau Gündling, im vergangenen Jahr wurde die Beleihungswertverordnung (BelWertV) novelliert. Können Sie kurz erläutern, was die Neuerung im Hinblick auf die Digitalisierung beinhaltet?

Heike Gündling: Die BaFin hat mit der Novellierung im Oktober 2022 erstmals die Möglichkeit geschaffen, computergestützte, datenbankbasierte Bewertungsmodelle anzuwenden. Jedoch wurde der Einsatz gleich mehrfach beschränkt. Erstens können die Modelle nur für die Wertermittlung im Vergleichswertverfahren genutzt werden. Zweits gilt die Regelung nur für Ein- und Zweifamilienhäuser sowie Eigentumswohnungen. Und drittens muss eine unabhängige Stelle einmal pro Jahr bestätigen, dass die Bewertungsmodelle und die zum Einsatz gekommenen Daten geeignet sind. Darüber hinaus hat eine Qualitätssicherung durch die Pfandbriefbank zu erfolgen.

TPP: Wo weisen die klassischen Bewertungsmethoden Defizite auf?

HG: Vor der Novellierung war es gemäß der BelWertV zwingend notwendig, zurückliegende Transaktionsdaten zur Bewertung heranzuziehen. Die Problematik darin bestand jedoch in der starken Orientierung auf die Vergangenheit und der mitunter schlechten Datenverfügbarkeit. Denn anders als in den USA oder Großbritannien fehlt es in Deutschland an einer umfassenden und frei verfügbaren Übersicht zu Transaktionsdaten. So war es insbesondere für Lagen und Regionen, in denen es nicht viele Transaktionen gab und gibt, schwer bis unmöglich, Vergleichswerte zu finden. Mit der Novellierung hat die BaFin nun die Möglichkeit geschaffen, beispielsweise Machine-Learning-Preise für die Bewertung von Immobilien heranzuziehen.

TPP: Worin liegt nun der Vorteil von Machine-Learning-Preisen?

HG: Der Clou an den Machine-Learning-Preisen ist natürlich einerseits, dass für Regionen, für die kaum Daten vorliegen, Vergleichsregionen ‚zu Rate gezogen‘ werden. Das heißt der Algorithmus schaut, wo gibt es Regionen mit ähnlicher demographischer, sozialer, ökonomischer und immobilienwirtschaftlicher Struktur, wie ist dort das Niveau und die Entwicklung von Mieten und Preisen in der Vergangenheit gewesen, und überträgt diese Erkenntnisse auf die zu untersuchende Region. Ein weiterer, großer Vorteil: Für die Bewertung nach den klassischen Verfahren braucht es gemäß ImmoWertV Transaktionsdaten vom Gutachterausschuss. Hier haben wir das erwähnte Problem von Verfügbarkeit, Menge und Aktualität. Im Gegensatz dazu lernt der Machine-Learning-Algorithmus aber auf Grundlage von Angebots- und Transaktionspreisen. Da Angebotspreise in viel größerer Zahl und deutlich aktueller vorliegen, kann der Algorithmus seine gelernten Schlüsse daraus ziehen, anhand der Transaktionsdaten falsifizieren und so eine belastbare Indikation für Miet- und Preisniveau liefern. Außerdem werden auch Lage- und Standortfaktoren auf ihre Effekte für Preisniveaus analysiert und in die Preisbildung einbezogen.

TPP: Wie reagiert die Branche in Deutschland auf (teil-)automatisierte Bewertungstools?

HG: Gerade in der aktuellen Marktsituation müssen viele Marktakteure den Wert ihrer Immobilien gründlich auf den Prüfstand stellen. Da bei klassischen Bewertungsmethoden die – immer wichtiger werdenden – Standort-, ESG- und Risikofaktoren nur unzureichend betrachtet werden, bin ich davon überzeugt, dass sich die Machine-Learning-Preise am Markt durchsetzen werden. Denn sie sind schnell verfügbar und präzise, das bekommen wir von unseren Nutzern immer wieder bestätigt.

Die Nutzungsrechte wurden The Property Post zur Verfügung gestellt von 21st Real Estate
Erstveröffentlichung: The Property Post, Februar 2023