Mietausfallrisiken in sieben A-Cities

Erste KI-Analyse sieht München gefährdet _ Künstliche Intelligenz (KI) ersetzt zunehmend Erfahrung und Know-how. Dabei führen KI-Modelle bei Mietrisiken aktuell durchaus zu Einschätzungen des gesunden Menschenverstandes. Große Vermieter melden bislang eher wenig Mietausfälle. Inwieweit als Forderungen gebuchte Mietrückstände zu Ausfällen führen, ist ebenso offen wie die tatsächliche Mietbelastbarkeit vieler Mieter in einem unsicheren wirtschaftlichen Umfeld bzw. in von Corona stark betroffenen Branchen.

PREA, nach eigenen Angaben das führende Unternehmen für digitale Investmentberatung in Deutschland, hat vor dem Hintergrund der Corona-Rezession und dem damit verbundenen, immer noch hohen Anteil an Arbeitnehmern in Kurzarbeit oder mit drohendem Jobverlust erstmals eine KI-Analyse zu den Mietausfallrisiken in den 7 A-Städten vorgelegt. PREA unterteilt die Städte in Lagen mit „keinem“, „moderatem“ und „hohem“ Risiko. Spitzenreiter mit dem höchsten Risiko von über 97% moderat oder hoch betroffenen Lagen ist München, vor Stuttgart (92% betroffene Lagen), Frankfurt (88%), Köln, Hamburg (je 72%), Düsseldorf (69%) und Berlin (43%).

Ausschlaggebend sei die Mikrolage. Dabei überrasche, dass es v. a. die Innenstadtlagen wie Münchener City, Berlin-Mitte, Frankfurter Westend und städtische Premiumlagen wie Hamburg-Winterhude oder Berlin-Dahlem seien, die stark betroffen sein könnten. Die Kleinteiligkeit in Bezug auf die Bewertung von Mietausfallrisiken mache deutlich, dass klassische Risikoanalysen auf Basis von Comparables nicht die nötige Präzision aufweisen. Hierbei seien KI-Modelle in Verbindung mit einer granularen Bewertung weitaus überlegen. Die Studie zeige, dass klassische Core-Lagen in den etablierten innerstädtischen Vierteln oft größeren Risiken ausgesetzt seien als B- oder sogar C-Lagen. Da die Toplagen bei Handel und Büro regelmäßig oligopolistisch mit wenigen hart kämpfenden Anbietern und Nachfragern geprägt sind, stützt die KI-Analyse unsere Hinweise auf die unterschätzte Mietvolatilität in Toplagen.