Der Wohnungsmarkt in Deutschland ist generell von gegensätzlichen Tendenzen gekennzeichnet: Regionale Immobilienmärkte mit zum Teil ausgeprägter Wohnungsknappheit stehen Märkten mit hohen Leerständen gegenüber. Die Leerstandsquote bildet daher einen zentralen Indikator für die Bewertung von Marktrisiken. Hohe Leerstandsquoten stellen ein grundsätzliches Risiko für private Hausbesitzer und Investoren dar. Stehen zu viele Wohnungen leer, hat das erhebliche Auswirkungen auf Mieten und Preise. Objekte lassen sich in der Folge nicht zu einem angemessenen Preis oder innerhalb einer marktüblichen Zeit (Vermarktungsdauer) vermarkten.
Leerstand ist jedoch nicht per se negativ zu bewerten. Wenn Wohnungen leer stehen, sind diese potenziell verfügbar, können auf dem Wohnungsmarkt angeboten werden und Nachfrage bedienen. Ein Leerstand von 2 bis 3 Prozent ist also notwendig, damit der Markt funktionieren kann. Die Leerstandsquote ist ständig im Fokus wohnungspolitischer und städtebaulicher Debatten. Der Leerstand ist eine zentrale Bezugsgröße in den Diskussionen rund um steigende Mieten, Wohnungsknappheit und Gentrifizierung. Hierbei werden niedrige Leerstandsquoten von zwei oder drei Prozent als Belege für Wohnungsknappheit herangezogen. Weiterhin wird der Leerstand als ein Indikator diskutiert, mit dem sich die Anspannung von Wohnungsmärkten als Kriterium für mietrechtliche Regulierungen messen lässt.
Wie ein Großteil der deutscher Kommunen weist auch ein überwiegender Teil der Städte und Gemeinden in Nordrhein-Westfalen eine angemessene Leerstandsquote zwischen 3 und 5 Prozent auf. Denn auf den Wohnungsmärkten ist eine gewisse Quote leerstehender Wohnungen erforderlich, um eine Fluktuation zu ermöglichen. Die Gemeinden mit den geringsten ausgewiesenen Quoten sind Niederkassel, Pulheim, Lohmar (alle bei Köln) sowie Swisttal und Meckenheim (beide in der Nähe von Bonn). Die Städte Köln, Bonn sowie der Zukunftsstandort Münster verfügen über Leerstandsquoten von unter 3 Prozent, während Düsseldorf bei 3,1 Prozent liegt. Die Quoten der Städte Werdohl, Altena und Gelsenkirchen liegen hingegen bei über 7 Prozent und signalisieren damit ein erhöhtes Leerstandsrisiko.
In vielen Fällen ist die Rentabilität einer Wohnimmobilie, gemessen am Kaufpreisfaktor (Vervielfältiger), ebenfalls ein Spiegelbild des Leerstandes und in diesem Kontext zu betrachten. Ein sehr niedriger Kaufpreisfaktor ist häufig ein Signal dafür, dass es in einer bestimmten Region keine ausgeprägte Nachfrage von Miet- oder Kaufinteressenten gibt. Darüber hinaus ist es wichtig, die Leerstandsquote bei der Bewertung des Investmentpotenzials auch mit den weiteren Indikatoren der städtischen Wirtschafts- und Immobilienentwicklung zu kombinieren. Das zählen etwa das BIP, die Beschäftigung und die Bevölkerungsentwicklung (Zukunftspotenzial).
Die Stadt und das Umland von Altena haben einen prognostizierten Leerstand von 7,8 Prozent. Dass es sich dabei um einen strukturschwachen Wohnungsmarkt handelt, wird auch anhand weiterer Indikatoren deutlich. Der Kaufpreisfaktor für Bestandswohnungen beträgt aktuell 12,7 Jahre. Im wenigen Kilometer entfernten Hagen liegt der Wert bei 19,1 Jahren. Die durchschnittliche Vermarktungsdauer für Mietangebote lag darüber hinaus im Januar 2021 bei knapp 52 Tagen. Der Wert ist damit fast doppelt so hoch wie in der Gesamtbetrachtung des Märkischen Kreises (28 Tage). Die Situation in Werdohl ist sogar noch etwas angespannter: Der Leerstand wird mit 8,1 % ausgewiesen und die Vermarktungsdauer beträgt durchschnittlich 71 Tage für Mietangebote.
Für Gelsenkirchen ist aktuell eine Leerstandsquote von 7,2 Prozent ausgewiesen. Wie schwierig der Markt aktuell für Investoren ist, zeigt auch die Vermarktungsdauer. In den Stadteilen Schalke und Schalke-Nord lag die Vermarktungsdauer bei knapp 56 Tagen (Mietangebote im Januar 2021), der Wert ist also annähernd doppelt so hoch wie in Deutschland inssgesamt (23, 6 Tage) im gleichen Zeitraum. Der Kaufpreisfaktor für Bestandswohnungen liegt in Gelsenkirchen-Schalke bei 15,2 Jahren, im wenige Kilometer entfernten Gladbeck beträgt der Wert im Vergleich 19,5 Jahre.
Der Indikator zur Leerstandsquote gibt an, in welchem Umfang an einem Standort Wohnungen und Gebäude aus strukturellen Gründen leer stehen. Daraus lässt sich eine Einschätzung des Investmentrisikos im Hinblick auf die Gegebenheiten des lokalen Wohnungsmarktes ableiten.
In QUIS wird der Leerstand deutschlandweit für jede Gemeinde oder Stadt angegeben, jährlich fortgeschrieben und weiterhin mit folgenden Grenzwerten kategorisiert:
Zur Berechnung der Leerstandsquote in QUIS werden Ensemble-Methoden aus dem Bereich Machine Learning einsetzt, mit denen Prognosen zum Leerstand erstellt werden. Es fließt dort eine Vielzahl von Variablen ein: neben Daten zur Beschaffenheit der vorherrschenden Wohnungen und Häuser (Baualter, Zimmeranzahl) auch Daten zu Miet- und Kaufpreisen sowie Angaben zur Erwerbstätigkeit und Arbeitslosigkeit. Weiterhin werden Bevölkerungsdichte, Altersstruktur, Bautätigkeit und Wohnmarkttypen berücksichtigt. Die Definition lautet: Leerstand = (Anzahl der leeren Wohnungen/Gesamtzahl der Wohnungen)*100. Die Gesamtzahl der Wohnungen beinhaltet dabei Objekte, die von Eigentümern bewohnt oder zu Wohnzwecken (auch mietfrei) vermietet werden sowie Ferien- oder Freizeitwohnungen.
Ausgangspunkt für die Prognose der Leerstandsquote ist der Zensus 2011, bei dem die tatsächliche Leerstandsquote in diesem Jahr erhoben wurde. Diese allgemein verfügbaren Daten zur Leerstandsquote sind aber stark veraltet und der geplante Zensus wurde inzwischen auf 2022 verschoben. Daher bietet das maschinelle Lernen eine sehr gute Methode, um auf Basis des Status-Quo von 2011 prädiktive Modelle zu erstellen, die Prognosen zu aktuellen Leerstandsquoten erlauben. Dabei wird Reverse Engineering betrieben, um herauszufinden, welche Merkmale und Variablen für die Bestimmung der historischen Leerstandsquoten einflussgebend waren. Ist der Zusammenhang erst einmal hergestellt, können die Merkmalsdaten gesammelt und auf einen aktuellen Stand gebracht werden. Anschließend trainiert QUIS ein maschinelles Lernmodell mit Ground Truth, um die Leerstandsquote jeder Stadt und Gemeinde bestimmen zu können.
Durch das Bereitstellen von Trainings- und Beispieldaten kann der Algorithmus Muster und erkennen und mit den Wohnungsmarktdaten weiter lernen (Modelltraining). Maschinelles Lernen wird häufig mit den Begriffen Data Mining und Predictive Analytics in Verbindung gebracht, weil beide die Methoden des maschinellen Lernens verwenden. Dank der Kooperation mit dem GdW, dem Bundesverband der deutschen Wohnungswirtschaft, hat QUIS die Quoten verprüft, um eine hohe Treffergenauigkeit (Accuracy) des Verfahrens festzustellen. Die - selbstverständlich komplett anonymisierten und aggregierten - Realwerte mit den Leerstandsquoten aus QUIS zu vertesten ist deshalb möglich, weil die Wohnungsunternehmen regelmäßig Zwischenstände an ihren Dachverband melden (Leerstandsquote bei westdeutschen Wohnungsunternehmen steigt an).
Die Leerstandsquote als Teil des Indikatoren-Sets in QUIS hilft bei der Bewertung des Wohnungsmarktes und unterstützt bei der Einschätzung von Investitionsrisiken. Die demografische Entwicklung einer Region beeinflusst den Wohnungsmarkt erheblich, viele schrumpfende Regionen haben daher mit hohen Leerständen zu kämpfen. Jedoch auch in Regionen mit konstanter Bevölkerungsentwicklung entstehen Leerstände, wenn am Markt vorbeit gebaut wird, d.h. Wohnungen erreichtet werden, die zum Beispiel zu teuer für die angestammte Bevölkerung sind. Generell verursachen Leerstände hohe ökonomische und gesellschaftliche Kosten, unter anderem durch eine Verringerung der Attraktivität der betroffenen Wohnungsmärkte und einen Anstieg der Infrastrukturkosten pro Haushalt. Den wichtigsten Lösungsansatz für die Vermeidung und Abbau von Leerstand stellt eine nachhaltige Quartiersentwicklung dar. Die Reduzierung von Leerständen muss für Kommunen mit sinkender Bevölkerung und auch für Investoren, welche die regionalen Strukturen des Wohnungsmarktes stärken wollen, ein wichtiges strategisches Ziel darstellen.