Zusammenfassung
Anders als den steigenden Neuvertragsmieten in vielen deutschen Großstädten wird den nur langsam steigenden Bestandsmieten wenig Raum in der öffentlichen Debatte um bezahlbaren Wohnraum eingeräumt. In diesem Beitrag zeigen Bernd Raffelhüschen und Sebastian Will auf Basis der Einkommens- und Verbrauchsstichprobe, dass die Einkommen in den zurückliegenden Jahren stärker gestiegen sind als die Bestandsmieten. In ganz Deutschland ist die Erschwinglichkeit des Wohnens zur Miete in den vergangenen zehn Jahren konstant geblieben. Die Autoren beleuchten die Verteilungsaspekte der Mietkostenbelastung durch Differenzierung nach Einkommen, Alter, Erwerbsstatus und Haushaltsstruktur. Aus der Heterogenität der subjektiven und objektiven Belastung können gesellschaftliche Spannungen entstehen.
Literaturverzeichnis
Amt für Statistik Berlin-Brandenburg (2020), Statistischer Bericht A I 11 – j/19: Ergebnisse des Mikrozensus im Land Berlin 2019.Search in Google Scholar
Amt für Statistik Berlin-Brandenburg (2021a), Statistischer Bericht A III 2 – j/20: Wanderungen im Land Berlin 2020.Search in Google Scholar
Amt für Statistik Berlin-Brandenburg (2021b), Statistischer Bericht F I 1 – j/20: Fortschreibung des Wohngebäude- und Wohnungsbestandes in Berlin am 31. Dezember 2020.Search in Google Scholar
Amt für Statistik Berlin-Brandenburg (2022), Statistischer Bericht P I 10 – j/20: Primäreinkommen und Verfügbares Einkommen der privaten Haushalte im Land Berlin 1991 bis 2020.Search in Google Scholar
Baba, L. et al. (2016), Potenziale und Rahmenbedingungen von Dachaufstockungen und Dachausbauten, BBSR-Online-Publikation 08/2016.Search in Google Scholar
Baldenius, T., S. Kohl und M. Schularick (2020), Die neue Wohnungsfrage: Gewinner und Verlierer des deutschen Immobilienbooms, Leviathan 48(2), S. 195–236.10.5771/0340-0425-2020-2-195Search in Google Scholar
Blum, A. et al. (2022), Bauland- und Innenentwicklungspotenziale in deutschen Städten und Gemeinden, BBSR-Online-Publikation 11/2022.Search in Google Scholar
Brausewetter, L., S. Thomsen und J. Trunzer (2022): Explaining regional disparities in housing prices across German districts, IZA Discussion Paper 15199.10.2139/ssrn.4114772Search in Google Scholar
Breidenbach, P., L. Eilers und J. Fries (2022), Temporal dynamics of rent regulations – the case of the German rent control, Regional Science and Urban Economics 92, 103737.10.1016/j.regsciurbeco.2021.103737Search in Google Scholar
Deutsche Bundesbank (2022), Indikatorensystem zum deutschen Wohnimmobilienmarkt, online verfügbar unter https://www.bundesbank.de/de/statistiken/indikatorensaetze/indikatorensystem-wohnimmobilienmarkt.Search in Google Scholar
Diamond, R., T. McQuade und F. Qian (2019), The effects of rent control expansion on tenants, landlords, and inequality: Evidence from San Francisco, American Economic Review 109(9), S. 3365–94.10.1257/aer.20181289Search in Google Scholar
Dustmann, C., B. Fitzenberger und M. Zimmermann (2022), Housing expenditure and income inequality, The Economic Journal 132(645), S. 1709–36.10.1093/ej/ueab097Search in Google Scholar
Glaeser, E. und E. Luttmer (2003), The misallocation of housing under rent control, American Economic Review 93(4), S. 1027–46.10.1257/000282803769206188Search in Google Scholar
Göddecke-Stellmann, J., T. Lauerbach und A. Milbert (2018), Zuwanderung in die Städte, BBSR-Analysen KOMPAKT 09/2018.Search in Google Scholar
Gornig, M. und L. Pagenhardt (2023), Construction boom coming to an end: Change in policy strategy needed, DIW Weekly Report 13(1/2), S. 3–14.Search in Google Scholar
Henger, R. et al. (2019), Wohnen in der Stadt: Wege zur Lösung eines Knappheitsproblems, Wirtschaftsdienst 99(9), S. 603–24.10.1007/s10273-019-2502-0Search in Google Scholar
Henger, R. und M. Voigtländer (2019), Ist der Wohnungsbau auf dem richtigen Weg? Aktuelle Ergebnisse des IW-Wohnungsbedarfsmodells, IW-Report 28/2019.Search in Google Scholar
Just, T. (2023), Aufschwung vorbei – Zinsen belasten Wohnungsbau schwer, Wirtschaftsdienst 103(1), S. 20–23.Search in Google Scholar
Kholodilin, K. (2022), Mietbelastungsquote in Städten der G20- und OECD-Länder (interaktive Grafik), online verfügbar unter https://www.diw.de/de/diw_01.c.820434.de/seiten/mietbelastungsquote_in_staedten_der_g20-_und_oecd-laender__interaktive_grafik.html.Search in Google Scholar
Michelsen, C. (2023), Steigende Zinsen ziehen der Baukonjunktur den Stecker, Wirtschaftsdienst 103(1), S. 16–19.10.2478/wd-2023-0009Search in Google Scholar
OECD (2022), Affordable Housing Database, online verfügbar unter http://oe.cd/ahd.Search in Google Scholar
Raffelhüschen, B. und R. Witkowski (2019), Soziodemografischer Wandel und regionale Immobilienmärkte, Universität Freiburg.Search in Google Scholar
Schmandt, M. (2021), Zur Bezahlbarkeit von Wohnraum in Berlin, Zeitschrift für amtliche Statistik Berlin-Brandenburg 3+4/2021, S. 66–73.Search in Google Scholar
SOEP – Sozio-oekonomisches Panel (2022), Daten von 1984–2020: v37 SOEP-Core.Search in Google Scholar
Statistisches Bundesamt (2005), Qualitätsbericht Einkommens- und Verbrauchsstichprobe 2003, Wiesbaden.Search in Google Scholar
Statistisches Bundesamt (2012), Qualitätsbericht Einkommens- und Verbrauchsstichprobe 2008, Wiesbaden.Search in Google Scholar
Statistisches Bundesamt (2016), Qualitätsbericht Einkommens- und Verbrauchsstichprobe 2013, Wiesbaden.Search in Google Scholar
Statistisches Bundesamt (2019a), Bevölkerung im Wandel: Annahmen und Ergebnisse der 14. koordinierten Bevölkerungsvorausberechnung, Wiesbaden.Search in Google Scholar
Statistisches Bundesamt (2019b), Wohnen in Deutschland: Zusatzprogramm des Mikrozensus 2018, Wiesbaden.Search in Google Scholar
Statistisches Bundesamt (2021), Qualitätsbericht Einkommens- und Verbrauchsstichprobe 2018, Wiesbaden.Search in Google Scholar
Statistisches Bundesamt (2022), Gebäude und Wohnungen: Bestand an Wohnungen und Wohngebäuden 2021, Wiesbaden.Search in Google Scholar
Techem (2019), Energiekennwerte 2019: Erhebungen und Analysen zum Energieverbrauch für Heizung und Warmwasser in deutschen Mehrfamilienhäusern, online verfügbar unter: https://www.techem.com/content/dam/techem/downloads/newsroom/studien/Techem-Energiekennwerte-Studie-2019.pdf.Search in Google Scholar
Thomschke, L. (2022), Einfache Mietspiegel qualifizieren: Alternative Daten zur Ermittlung ortsüblicher Vergleichsmieten, Stadtforschung und Statistik: Zeitschrift des Verbandes Deutscher Städtestatistiker 35(1), S. 97–107.Search in Google Scholar
Thomsen, S.L., D. Vogt und L. Brausewetter (2020), Mietwohnungsknappheit in Deutschland: Ursachen, Instrumente, Implikationen, Wirtschaftsdienst 100(6), S. 461–67.10.1007/s10273-020-2680-9Search in Google Scholar
Anhang
A1 Individuelle Determinanten der Mietkostenbelastung
Diese weiterführende Analyse stützt sich auf Daten des Sozio-oekonomischen Panels (SOEP), anhand dessen wir schätzen, wie verschiedene sozioökonomische und für das Wohnen charakteristische Merkmale mit der Miete und der Mietkostenbelastung zusammenhängen. Das SOEP ist eine der ältesten und größten Panelstudien der Welt mit aktuell etwa 30.000 Befragten in rund 15.000 Haushalten jährlich. Es werden sowohl individuelle Charakteristiken wie Geschlecht, Einkommen und Erwerbstätigkeit als auch Haushaltszusammensetzung, Wohnsituation und damit verbundene Kosten abgefragt (Sozio-oekonomisches Panel 2022). Alle hier berechneten Werte wurden auf der Haushaltsebene gewichtet, sodass sie für die deutsche Bevölkerung repräsentativ sind.
Sofern im Folgenden nicht anders gekennzeichnet, bezeichnet der Begriff „Haushaltsmitglieder“ als Variable alle erwachsenen Mitglieder eines Haushalts. Variablen wie die Arbeitsanstellung sind auf individueller Ebene erfasst und wurden auf Haushaltsebene skaliert. Wenn also beispielsweise mindestens ein Haushaltsmitglied im Befragungsjahr in Vollzeit angestellt war, zeigt die Variable den Wert „Vollzeit“ für den gesamten Haushalt im betreffenden Jahr.
Für eine reine Betrachtung der Unterschiede zwischen Haushalten schätzen wir die Effekte der verschiedenen Determinanten mittels einer OLS-Regression, die lediglich die Durchschnitte über die Zeit betrachtet. Die folgende Gleichung beruht also nur auf der Varianz zwischen den Haushalten, nicht der zeitlichen:
(1)
ist die abhängige Variable, die entweder die durchschnittliche Bruttokaltmiete oder die Mietkostenbelastung für Haushalt i angibt. Sie wird linear geschätzt durch die Regressoren in Matrix
und Matrix
. Im Einzelnen sind dies die Variablen „Wohnfläche“ und „Gebäudeart“. Die Variable „Wohnfläche“ gibt eine Zahl in Quadratmetern an. Die kategoriale Variable „Gebäudeart“ kann entweder ein landwirtschaftliches Wohngebäude, ein freistehendes Ein- oder Zweifamilienhaus, ein Reihenhaus, ein Wohnhaus mit 3–4 Wohnungseinheiten, ein Wohnhaus mit 5–8 Einheiten, ein Wohnhaus mit 9 oder mehr Wohnungen, oder ein Hochhaus mit 9 oder mehr Stockwerken angeben.
(Sozio-)demografische Merkmale sind in der Matrix enthalten. Die Variable „Anzahl der Haushaltsmitglieder“ gibt eine natürliche Zahl an. „Anstellungsverhältnis“ zeigt, ob mindestens ein Haushaltsmitglied Vollzeit oder Teilzeit beschäftigt, arbeitslos, in Ruhestand oder in Ausbildung ist oder eine andere Anstellungsart hat. Die Alterskategorien nehmen jeweils den Wert 1 an, wenn das Durchschnittsalter der Haushaltsmitglieder in dieser Spanne liegt. Wenn zutreffend, nehmen die Indikatorvariablen „Akademikerhaushalt“, „Sozialleistungen“ sowie „Wohngeld“ jeweils 1 an.
Die Variable „Stadt“ zeigt an, ob sich der Haushalt im städtischen Raum befindet. Weiterhin wird das jährliche Haushaltsnettoeinkommen in Euro berücksichtigt, ebenso wie ein Indikator für eine Neuvertragsmiete, der den Wert 1 anzeigt, wenn der Haushalt innerhalb des zurückliegenden Jahres umgezogen ist. αi zeigt die fixen Effekte auf Haushaltsebene, die zeitlich konstant sind. ϵi ist der idiosynkratische Fehlerterm.
Aus den Ergebnissen, die in Tabelle A1 abgetragen sind, wird deutlich, dass mit zunehmendem Haushaltsnettoeinkommen zwar die Miete steigt, gleichzeitig aber auch die Mietkostenbelastung sinkt.[6] Dieser Befund und alle folgenden Effekte sind jedoch trotz unseres Versuchs, alle unbeobachteten Störfaktoren zu berücksichtigen, keineswegs kausal zu interpretieren. Dennoch geben sie analytische Anhaltspunkte.
Haushalte, die innerhalb des vergangenen Jahres umzogen, haben eine etwa 3,7 Prozentpunkte höhere Mietbelastung, zahlen aber auch eine höhere Miete. Haushalte, die in städtische Regionen ziehen, zahlen fast 90 Euro mehr Miete pro Monat als in ländlichen Regionen. Die Belastung steigt ebenfalls um knapp 3 Prozentpunkte. Es wird deutlich, dass sich sowohl die Wohnfläche als auch die Gebäudeart signifikant und positiv auf die Mietkostenbelastung auswirken. Eine Ausweitung der Wohnfläche um 10 Quadratmeter hat eine Erhöhung der Mietkostenbelastung von etwa 3,6 Prozentpunkten zur Folge, jedoch mit abnehmender Rate. Die Gebäudeart, in der sich die Wohnung befindet, hat – mit Ausnahme des landwirtschaftlichen Wohngebäudes – einen signifikanten Effekt sowohl auf die Miethöhe als auch auf die Mietbelastung. Im Vergleich zum Referenzwert „Ein- oder Zweifamilienhaus“ haben Mieter in anderen Gebäuden eine höhere Belastung zu schultern.
Der Zusammenhang des Sozialleistungsempfangs von Haushalten (Kinderzuschlag, Sozialhilfe, Hilfe in besonderen Lebenslagen, ALG 2, Unterstützung zum Lebensunterhalt, Grundsicherung im Alter, Leistungen aus der Pflegeversicherung) mit der Belastungsquote ist positiv. Wohngeld empfangende Haushalte haben dagegen durchschnittlich eine höhere Miete, aber auch eine geringere Belastung.
Das Durchschnittsalter der Haushaltsmitglieder ist ein bedeutender Faktor. Im Vergleich zur Referenzkategorie „31–40 Jahre“ haben Haushalte im Alter unter 20 Jahren eine rund 3,4 Prozentpunkte höhere Mietbelastung. Im Alter über 61 Jahren nehmen die Mietkosten und die Belastung ab. Auch das Anstellungsverhältnis übt offenbar einen signifikanten Einfluss auf die Mietbelastung aus. Zum Referenzwert „Vollzeitanstellung“ haben alle anderen Merkmale einen signifikant positiven Effekt auf die Mietkostenbelastung bei geringeren Mietzahlungen. Haushalte mit Akademikern weisen durchschnittlich eine höhere Mietzahlung, jedoch eine niedrigere Mietkostenbelastung auf.
Regressionsmodelle zur Schätzung von Bruttokaltmiete und Mietkostenbelastungsquote (between)
(1) |
(2) |
|
Bruttokaltmiete |
Mietkostenbelastung |
|
Monatliches Haushaltsnettoeinkommen |
0,000752*** |
–0,000000501*** |
(0,000104) |
(6,52e-08) |
|
Neuvertragsmiete |
24,78*** |
0,0374*** |
(5,236) |
(0,00329) |
|
Städtischer Raum |
89,72*** |
0,0299*** |
(2,905) |
(0,00183) |
|
Arbeitsverhältnis |
||
Arbeitslos |
–26,96*** |
0,121*** |
(5,307) |
(0,00335) |
|
Teilzeit |
–21,64*** |
0,0680*** |
(5,034) |
(0,00316) |
|
Ruhestand |
–58,58*** |
0,131*** |
(5,636) |
(0,00354) |
|
Ausbildung |
–38,31*** |
0,0938*** |
(5,402) |
(0,00340) |
|
Anderes |
–31,05 |
0,112*** |
(26,99) |
(0,0174) |
|
Durchschnittsalter der Haushaltsmitglieder |
||
≤20 Jahre |
14,31 |
0,0335*** |
(11,21) |
(0,00716) |
|
21–30 Jahre |
12,49*** |
0,0120*** |
(4,077) |
(0,00256) |
|
41–50 Jahre |
10,22** |
0,00368 |
(4,389) |
(0,00276) |
|
51–60 Jahre |
21,62*** |
–0,00493 |
(5,061) |
(0,00318) |
|
61–70 Jahre |
–18,42*** |
–0,0535*** |
(6,531) |
(0,00412) |
|
71–80 Jahre |
–14,93* |
–0,0779*** |
(7,791) |
(0,00491) |
|
> 80 Jahre |
–10,65 |
–0,0763*** |
(10,00) |
(0,00629) |
|
Sozialleistungen |
19,06*** |
0,0785*** |
(4,564) |
(0,00288) |
|
Wohngeld |
47,21*** |
–0,0309*** |
(6,310) |
(0,00396) |
|
Wohnfläche |
3,721*** |
0,000356*** |
(0,0893) |
(0,0000562) |
|
Wohnfläche² |
0,00290*** |
–0,000000261 |
(0,000270) |
(0,000000169) |
|
Anzahl der Haushaltsmitglieder |
42,28*** |
–0,0173*** |
(1,242) |
(0,000783) |
|
Akademikerhaushalt |
84,14*** |
–0,0191*** |
(3,096) |
(0,00195) |
|
Gebäudeart |
||
Landwirtschaftl. Wohngebäude |
–38,35*** |
0,0118 |
(13,15) |
(0,00832) |
|
Reihenhaus |
64,70*** |
0,0125*** |
(6,459) |
(0,00406) |
|
Wohnhaus mit 3–4 Einheiten |
59,67*** |
0,0144*** |
(5,271) |
(0,00331) |
|
Wohnhaus mit 5–8 Einheiten |
78,98*** |
0,0181*** |
(4,914) |
(0,00309) |
|
Wohnhaus mit 9 und mehr Einheiten, kein Hochhaus |
105,4*** |
0,0213*** |
(5,138) |
(0,00323) |
|
Hochhaus mit 9 und mehr Wohnungen |
86,58*** |
0,0414*** |
(8,961) |
(0,00564) |
|
Konstante |
–136,6*** |
0,246*** |
(14,54) |
(0,00913) |
|
Jahr-FE |
Nein |
Nein |
Haushalts-FE |
Ja |
Ja |
Beobachtungen |
68740 |
68438 |
Between-R2 |
0,255 |
0,0820 |
Anmerkung: Die Referenzkategorien sind „Ein- oder Zweifamilienhäuser“ für die Gebäudeart, „31–40 Jahre“ für die Alterskategorien und „Vollzeit beschäftigt“ für das Arbeitsverhältnis. Bis auf die Wohnfläche des Haushaltes, das Haushaltsnettoeinkommen und die Anzahl der Kinder sind die restlichen Variablen Indikatorvariablen, die den Wert 1 annehmen, sofern das Merkmal für den Haushalt i zutrifft. Indikatorvariablen, die das Arbeitsverhältnis darstellen, sind 1, wenn der Wert mindestens auf ein Haushaltsmitglied zutrifft. Die Standardfehler sind in Klammern angegeben. * p < 0,1, ** p < 0,05, *** p < 0,01.
Quelle: Eigene Berechnungen mit SOEP 2022
© 2023 Walter de Gruyter GmbH, Berlin/Boston