1. bookVolume 75 (2017): Issue 5 (October 2017)
Journal Details
License
Format
Journal
eISSN
1869-4179
First Published
30 Jan 1936
Publication timeframe
6 times per year
Languages
German, English
access type Open Access

The impact of urban green space on real estate prices: A hedonic analysis for the city of Berlin

Published Online: 31 Oct 2017
Volume & Issue: Volume 75 (2017) - Issue 5 (October 2017)
Page range: 429 - 438
Received: 22 Mar 2016
Accepted: 28 Feb 2017
Journal Details
License
Format
Journal
eISSN
1869-4179
First Published
30 Jan 1936
Publication timeframe
6 times per year
Languages
German, English
Abstract

Urban green space represents a key aspect for the sustainable development of urban areas. The benefit of urban green space can also be reflected in higher property and land prices. Although a high number of international studies prove the impact of urban green on real estate prices, the empirical basis in Germany is still very limited. The overall purpose of this study is to investigate the impact of urban green space on real estate prices in Germany. The data set contains transaction data for single family homes (1996-2012) provided by the Committee of Valuation Experts (GAA, Gutachterausschuss für Grundstückswerte) for the city of Berlin and cross section geo-coded data for urban green drawn from the European Urban Atlas (EUA) of the European Environment Agency. In order to control for additional open space categories we further incorporated geo-coded data on water bodies, forest, farmland and fallow land. The analysis shows a positive impact of urban green on real estate prices. The results provide helpful information on the capitalization of urban green space in real estate prices.

Keywords

Einleitung

Grünflächen und Grünstrukturen in Städten steigern das menschliche Wohlbefinden in hohem Maße und auf vielfältige Weise. Für die nachhaltige Entwicklung von Städten sind sie unentbehrlich. Sie stehen für eine Fülle positiver Effekte auf den Klima- und Biodiversitätsschutz, die Luftqualität und die Erholung (Rowntree/Nowak 1991; Kuhn/Brandl/Klotz 2004; Nowak/Crane/Stevens 2006). Folgerichtig werden in der „Nationalen Strategie zur biologischen Vielfalt“ der Bundesregierung eine deutliche Erhöhung des Anteils grüner Flächen und Strukturen, ihre Vernetzung und eine qualifizierte Innenentwicklung von Siedlungen sowie eine verminderte Flächeninanspruchnahme gefordert (BMUB 2007). Um eine naturverträgliche Stadtentwicklung sicherzustellen, sollte bei stadtplanerischen Entscheidungen neben bestehenden Planwerken auch die ökonomische Bedeutung von urbanen grünen Infrastrukturen berücksichtigt werden.

Der Nutzen von städtischen Grünstrukturen können sich auch in höheren Immobilien- und Grundstückpreisen widerspiegeln. Viele Studien auf internationaler Ebene haben in diesem Zusammenhang den Einfluss städtischer Grünflächen auf den Wert von Immobilien mittels der Immobilienwertmethode (Hedonische Preismethode) nachgewiesen (u.a. Acharya/Bennett 2001; Irwin 2002; Morancho 2003; Kong/Yin/Nakagoshi 2007). Die Immobilienwertmethode basiert auf der Annahme, dass sich ein Gut durch viele Eigenschaften beschreiben lassen kann und der Wert der Immobilien durch verschiedene strukturelle (intrinsische) Variablen wie Größe und Alter der Immobilie sowie extrinsische Variablen wie die Lage der Immobilie bestimmt wird. Im Rahmen der extrinsischen Faktoren können auch spezifische Umweltfaktoren wie die Lärm- und Feinstaubbelastung oder aber die Verfügbarkeit von urbanen Grünflächen Auswirkungen auf die Preise von Immobilien haben.

In den letzten Jahren wurde eine nennenswerte Anzahl Artikel veröffentlicht, die verschiedene hedonische Analysen des deutschen Wohnungsmarktes zum Thema haben (Ahlfeldt/Maennig 2010a; Ahlfeldt/Maennig 2010b; Kholodilin/Mense 2012; Promann 2012; Brandt/Maennig/Richter 2013; Mense/Kholodilin 2014). Ziel der vorliegenden Untersuchung ist die Analyse des Einflusses von urbanen Grünflächen auf die Immobilienpreise mittels der Immobilienwertmethode. Dazu wurden im Rahmen eines durch das Bundesamt für Naturschutz (BfN) geförderten Projektes

FKZ: 3512 82 1400.

Daten der Kaufpreissammlung des Gutachterausschusses für Grundstückswerte (GAA)

Vgl. http://www.berlin.de/gutachterausschuss/ (12.01.2017).

für die Stadt Berlin mit georeferenzierten Daten zur Grünausstattung des Urban Atlas der European Environment Agency (EEA) analysiert und der Einfluss von urbanen Grünflächen auf die Preisbildung von Immobilien systematisch untersucht. In Kapitel 2 dieses Beitrags erfolgt eine Analyse bisheriger Studien zur Bewertung von urbanen Grünflächen mittels hedonischer Analyse. In Kapitel 3 werden die Datenbasis und das methodische Vorgehen beschrieben und in Kapitel 4 die Ergebnisse der Untersuchung dargestellt. Kapitel 5 enthält ein Fazit sowie einen Ausblick.

Die Bewertung von urbanem Grün mittels Immobilienwertmethode

Die Immobilienwertmethode basiert grundlegend auf der Annahme, dass eine Immobilie ein heterogenes Gut ist, dessen Preis durch eine Vielzahl von intrinsischen und extrinsischen Variablen bestimmt wird und sich wie folgt beschreiben lässt:

P=f(S1...Sk,N1...Nm,Z1...Zn)$$ P=f\left( {{S}_{1}}...{{S}_{k}},\,{{N}_{1}}...{{N}_{m}},\,{{Z}_{1}}...{{Z}_{n}} \right)$$

Dabei steht S für die strukturellen oder intrinsischen Charakteristika (Größe des Hauses, Anzahl der Zimmer, Alter etc.), N bezeichnet geographische Variablen wie die Anzahl der Schulen oder die Qualität des öffentlichen Nahverkehrs und Z repräsentiert spezifische Umweltqualitäten (Luftqualität, Lärm) oder aber die Lagebeziehung zu spezifischen Landschaften bzw. Flächen (Bateman 1993: 55; Morancho 2003: 36). Nach Bateman (1993: 54 f.) fußt die hedonische Preismethode auf verschiedenen Prinzipien, wie zum Beispiel der Annahme, dass die Zahlungsbereitschaft eine angemessene Einheit ist, um den Nutzen abzubilden. Eine weitere Grundannahme ist, dass Individuen in der Lage sind, Veränderung von Umweltqualität wahrzunehmen und diese Veränderungen einen Einfluss auf den Nutzen, den Immobilien stiften, haben. Weiterhin wird angenommen, dass die gesamte Studienregion einen vollständigen Markt darstellt, in dem alle Informationen bezüglich der Hauspreise und Umweltcharakteristika vorliegen und der sich zudem in einem Gleichgewicht befindet. Darüber hinaus besteht die Annahme, dass der Nutzen aus dem urbanen Grün über die Zeit konstant ist.

Bei der Betrachtung dieser Annahmen wird schnell klar, dass sie sehr restriktiv sind und so in der Realität nur selten vorliegen. Ein Kaufinteressent wird sicher selten über alle Informationen bezüglich bestehender Hauspreise, zukünftige Entwicklungen sowie aller preisbildenden Faktoren (z. B. urbanes Grün) verfügen. Auch ist nur schwer vorstellbar, dass sich ein Immobilienmarkt in einem absoluten Gleichgewicht befindet, da Wohnungsmärkte in der Regel sehr unflexibel reagieren. Kommt es beispielsweise zu einem rasanten Anstieg der Bevölkerung in einer Stadt, kann der plötzlich gestiegenen Nachfrage nur stark zeitverzögert durch verstärkte Investitionen in den Wohnungsbau begegnet werden.

Die Bewertung von urbanen Frei- und Grünflächen mittels der Immobilienwertmethode hat eine lange Tradition in der wissenschaftlichen Literatur (u.a. Kitchen/Hendon 1967; Acharya/Bennett 2001; Lutzenhiser/Netusil 2001; Irwin 2002; Morancho 2003; Melichar/Vojáček/Rieger et al. 2009). Ergebnisse dieser Bewertungsstudien weisen dabei häufig eine Kapitalisierung von urbanem Grün in Haus- und Grundstückspreisen nach. In diesem Zusammenhang konnte zudem gezeigt werden, dass Qualitäten von Grünflächen wie die Größe und Naturnähe auch einen Einfluss auf den Preis von Immobilien ausüben können (Lutzenhiser/Netusil 2001; Morancho 2003; Panduro/Lausted Veie 2013).

Morancho (2003) analysiert basierend auf einer Stichprobe von 810 Beobachtungen den Einfluss von städtischem Grün auf die Immobilienpreise in Castellón (Spanien) und betrachtet als Lagevariablen die Existenz von Parks oder öffentlichen Gärten, die Distanz der Immobilie zur nächstgelegenen Grünfläche und die Größe dieser Fläche. Morancho (2003: 38) zeigt, dass strukturelle Variablen den stärksten Einfluss innerhalb der Preisfunktion ausüben und eine negative Korrelation zwischen dem Immobilienpreis und der Distanz zur nächstgelegenen Grünfläche existiert. Melichar, Vojácek, Rieger et al. (2009: 16) verwenden einen Datensatz von 1.701 Transaktionen in Prag (Tschechien) für den Zeitraum von 2005 bis 2008. Ihre Ergebnisse zeigen, dass die Wohnungsgröße den größten Einfluss innerhalb der Preisfunktion auf den Kaufpreis der Immobilie ausübt (Melichar/Vojáček/Rieger et al. 2009: 19). Zudem konnte eine inverse Beziehung zwischen der Distanz zur nächstgelegenen Waldfläche und dem Immobilienpreis nachgewiesen werden, was darauf hindeutet, dass eine höhere Zahlungsbereitschaft für solche Immobilien existiert, die näher an Waldflächen gelegen sind. Panduro und Lausted Veie (2013: 121) analysieren den Einfluss von acht verschiedenen Grünflächenkategorien auf die Preise von Immobilien in Aalborg (Dänemark) und nutzen dafür insgesamt 12.928 Immobilientransaktionen im Zeitraum von 2000 bis 2007. Als Ergebnis ihrer Analysen halten Panduro und Lausted Veie (2013: 126) fest, dass insbesondere solche Grünflächen einen Einfluss auf den Immobilienpreis ausüben, die einen guten Zugang und einen guten Erhaltungszustand aufweisen. Lutzenhiser und Netusil (2001: 293) zeigen anhand einer Analyse von Hauspreisen in Portland (Oregon) zwischen 1990 und 1992, dass Hauspreise in der Nähe von städtischen Parks vergleichsweise niedriger sind, liegen die Immobilien jedoch näher an Parks mit natürlicher Vegetation, steigen deren Preise. Zudem können sie einen positiven Zusammenhang zwischen der Größe städtischer Parks und den Kaufpreisen für Immobilien nachweisen (Lutzenhiser/Netusil 2001: 295).

Die bisher vorliegenden Studien zum Einfluss von Stadtgrün auf die Preise von Immobilien geben auch einen Hinweis auf die Höhe der Kapitalisierung von urbanem Grün in den Immobilienpreisen. So zeigt eine Untersuchung zum Einfluss von Stadtgrün auf die Immobilienpreise am Beispiel von 590 Reihenhäusern in der Stadt Salo (Finnland), dass ein 1.000m-Anstieg der Distanz zu Waldflächen zu durchschnittlichen Preisabschlägen bei den Hauspreisen von 5,9 % führen würde (Tyrväinen/Miettinen 2000: 215). Morancho (2003: 39) zeigt in der bereits erwähnten Studie für Castellón (Spanien), dass ein 100m-Anstieg der Distanz zum nächstgelegenen Park zu mittleren Preisabschlägen bei den Immobilien von 1.800 Euro führen würde. Kong, Yin und Nakagoshi (2007: 249) weisen für einen Anstieg der Grün-Abdeckung im 300m-Umkreis um die Immobilie in Jinan (China) einen durchschnittlichen Preisanstieg von 2,1 % nach.

Aufgrund der analysierten Studien bleibt festzuhalten, dass intrinsische Faktoren wie die Größe der Wohnung und die Anzahl der Zimmer einen wesentlich stärkeren Einfluss auf den Kaufpreis von Immobilien ausüben als extrinsische Faktoren wie die Lage zu Bildungseinrichtungen, Infrastruktur und eben auch städtische Grünflächen.

In Deutschland gibt es bisher vergleichsweise wenige Anwendungen der hedonischen Preismethode zur Bewertung von städtischem Grün (u. a. Promann 2012). Ein Grund dafür könnte sein, dass die deutsche Wertermittlungspraxis durch große Beurteilungsspielräume für Sachverständige, univariate Verfahren oder die Tendenz zur Arbeit mit Einzel- und Vergleichsfällen (vgl. z. B. § 558a Abs. 2 BGB oder der sogenannte Tabellenmietspiegel) geprägt ist. Bei den Erstellern von Regressionsmietspiegeln liegen zwar sowohl Daten als auch wissenschaftlich qualifizierte Auswertungen vor, deren Erkenntnisse werden jedoch vor dem Hintergrund der Anwendung in mietrechtlichen Auseinandersetzungen selten publiziert (Wüstemann/Kolbe/von Malottki et al. 2016).

Methodisches Vorgehen
Datenbasis

Im Mittelpunkt der Untersuchung steht die Analyse des Einflusses von städtischen Grünstrukturen auf die Immobilienpreise mittels der Immobilienwertmethode. Dazu werden Daten der Kaufpreissammlung des Gutachterausschusses für Grundstückswerte (GAA) von Berlin verwendet. Der Gutachterausschuss führt nach § 193 Abs. 3 BauGB eine Kaufpreissammlung und wertet diese systematisch aus. Der für die Analysen verwendete Datensatz umfasst Verkäufe von 26.196 Einfamilienhäusern für die Stadt Berlin (Zeitraum: 1996-2012). Prinzipiell werden hier alle vom Berliner Gutachterausschuss erfassten Transaktionen in die Analysen einbezogen. Allerdings wurden aus dem Datensatz unter anderem paarweise identische Beobachtungen und Beobachtungen mit ungewöhnlich hohen oder niedrigen Kaufpreisen (bezieht sich auf den Preis pro Quadratmeter) entfernt. Auch wurden solche Transaktionen, für die besondere Umstände im Geschäftsverkehr ausgewiesen wurden (z. B. Erbauseinandersetzungen, geschäftliche Bindungen), gelöscht. Zudem wurden Transaktionen extrahiert, für die keine vollständigen Adressdaten bzw. Georeferenzierungen vorhanden waren, da für diese Beobachtungen kein räumlicher Zusammenhang mit den urbanen Grünflächen hergestellt werden kann. Um die zeitliche Vergleichbarkeit der Preise zu gewährleisten, wurden die Hauspreise auf ,Jahr 2000 Preise‘ mittels eines hedonischen Hauspreisindex

Vgl. Schulz/Werwatz (2011). Die Bereinigung der Hauspreise basiert auf einem vorher geschätzten hedonischen (qualitätsbereinigten) Hauspreisindex. Dieses Vorgehen ist für Immobilien wie für andere Konsumgüter (z. B. Computer) gebräuchlich (vgl. auch Goh/Costello/Schwann (2012: 649 f.).

zurückgerechnet. Abbildung 1 zeigt die Preisentwicklung der Berliner Einfamilienhäuser im Zeitraum 1996-2012. Neben der Georeferenzierung wird jede Beobachtung im Datensatz mittels verschiedener quantitativer und qualitativer Variablen (z. B. Größe der Immobilie, Alter, Geschossanzahl) ausführlich beschrieben (vgl. Tabelle 1).

Abbildung 1

Preisentwicklung der Berliner Einfamilienhäuser im Zeitraum 19962012

Beispiele für die betrachteten Variablen in der hedonischen Preisfunktion

Variablen
intrinsisch (strukturell)Größe der Immobilie, Alter der Immobilie, Grundstücksfläche, Dachform etc.
extrinsischAllgemeine LagevariablenBezirke, Ortsteile, Wohnlage nach Mietspiegel
Grünflächenbezogene VariablenGrünflächenanteil im 500m-Umkreis um die Immobilie in % (bezogen auf die gesamte Kreisfläche im 500m-Radius um die Immobilie)

Um Aussagen zum Einfluss von städtischen Grünflächen auf die Immobilienpreise machen zu können, wird der aufbereitete Datensatz der Kaufpreissammlung mit georeferenzierten Informationen zur urbanen Landnutzung in Berlin des Urban Atlas (Referenzjahr 2006) der Europäischen Umweltagentur verschnitten (EEA 2011). Als Flächennutzung werden die Themenbereiche „Urbanes Grün“, „Brachflächen“, „Wald“, „Wasser“ und „Landwirtschaft“ betrachtet.

Erklärende und abhängige Variablen

Als abhängige Variable wird entsprechend der Zielstellung der Untersuchung der absolute Kaufpreis der Immobilien angesetzt. Für das Hauspreissample der Stadt Berlin lagen zudem Informationen zu einer Vielzahl von strukturellen Variablen der Einfamilienhäuser (u. a. Geschossfläche, Alter der Immobilie, Grundstücksfläche, Dachform) vor, die

als Kontrollvariablen in der vorliegenden Untersuchung genutzt wurden. Die hier vorgestellten Regressionen beruhen auf Berechnungen mit allen verfügbaren strukturellen Variablen. Da es stärkere Variationen der durchschnittlichen Hauspreise für spezifische Stadtbezirke (z.B. aufgrund der unterschiedlichen Attraktivität der Bezirke) geben kann, wird in der Untersuchung auch für die jeweiligen Stadtbezirke, Ortsteile und Wohnlagen kontrolliert.

Im Fokus der hedonischen Analyse steht der Einfluss von urbanen Grünflächen auf die Immobilienpreise. Aus diesem Grund kommt der Betrachtung von grünflächenbezogenen Variablen im Rahmen der Untersuchung eine besondere Bedeutung zu. Um abschätzen zu können, welchen Einfluss der Anteil an städtischen Grünflächen auf die Kaufpreise von Immobilien hat, wird eine Variable ,Grünflächenanteil‘ (in %) in einem 500m-Radius um die Immobilie generiert. Um auch auf den Einfluss anderer urbaner Landnutzungen kontrollieren zu können, wurden auch Flächenanteilsvariablen für „Wasser“, „Landwirtschaft“, „Brachflächen“ und „Wald“ berechnet.

Das empirische Modell

Innerhalb der Immobilienwertmethode spielt die Betrachtung der hedonischen Preisfunktion eine zentrale Rolle. Funktionelle Formen zur Schätzung der hedonischen Preisfunktionen beinhalten unter anderem lineare, quadratische, semi-log-, log-log- und sogenannte Box-Cox-Transformationen (Appelbaum 1979: 450 ff.). In der hedonischen Theorie finden sich nur wenige Hinweise bezüglich der Spezifikation der funktionellen Form in der hedonischen Preisfunktion und die Bestimmung der geeigneten Schätzform erfolgt zumeist empirisch (Vanslembrouck/Van Huylenbroeck/Van Meensel 2005: 24). Viele Autoren bevorzugen zur Schätzung der hedonischen Preisfunktion ein sogenanntes semi-logarithmisches (semi-log) Modell (Malpezzi 2003: 77 ff.). Ein Grund dafür ist die vergleichsweise einfache Interpretation der geschätzten Koeffizienten. Diese lassen sich relativ einfach als prozentuale Preisänderungen bei der Berechnung der impliziten Preise interpretieren. Zur Schätzung der hedonischen Preisfunktion wurde aus den genannten Gründen ein Semi-log-Modell angewendet:

ln(Pn)=β0+c=1Cβcxcn+d=1Dγdxdn+n$$l\,n\left( {{P}_{n}} \right)={{\beta }_{0}}+\sum\limits_{c=1}^{C}{{{\beta }_{c}}{{x}_{cn}}}+\sum\limits_{d=1}^{D}{{{\gamma }_{d}}{{x}_{dn}}}+{{\in }_{n}}$$

Die Variablen xcn beschreiben die stetigen Eigenschaften der verkauften Immobilien (Fläche, Alter, Geschossfläche, Distanz zum Stadtzentrum, Flächennutzungsindikatoren), n = 1; :::;N und die Variablen xdn die diskreten Charakteristika (Wohnlage nach Mietspiegel, Kellertyp, Dachform, Ortsteile, Bezirke, Haustyp), die als Dummy-Variablen in die Formel eingehen. Den stetigen Variablen Fläche, Geschossfläche und Alter wird ein nichtlinearer Einfluss auf den Preis unterstellt, weswegen sie in der vorliegenden Untersuchung auch quadriert in die Gleichung eingehen. Weiterhin sind βc bzw. γd die Koeffzienten der jeweiligen Eigenschaften in diesem Regressionsmodell und werden, entsprechend der hedonischen Theorie, als implizite Preise interpretiert. Bei den Lagevariablen in unserem Modell

Deskriptive Statistik der strukturellen Variablen (Beispiele) und der Landnutzungsvariablen

Es handelt sich um mittels hedonischen Preisindex inflationsbereinigte Preise (vgl. Schulz/Werwatz 2011 sowie Kapitel 3.1).

VariableMittelwertMedianStandardabweichungMinimumMaximum
Preis (in Euro)314.088,20262.871,8217.312,9035.261,855.686.953,00
Geschossfläche (in m2)148,00137,0066,5830,003.612,00
Grundstücksfläche (in m2)560,15505,00338,7182,0016.250,00
Alter (in Jahren)41,8941,0030,270,00211,00
500m-Umkreis um die Immobiliein %

Grünflächenanteil im 500m-Umkreis um die Immobilie in % (bezogen auf die gesamte Kreisfläche im 500m-Radius um die Immobilie)

Parks5,392,567,270,0060,11
Wasser1,690,005,740,0061,56
Wald4,480,0010,810,0077,48
Landwirtschaft5,080,009,750,0073,80
Brachflächen0,200,000,580,005,83

handelt es sich um die Wohnlage nach dem Mietspiegel, den Bezirk und um den Ortsteil, in dem die jeweilige Beobachtung liegt. Durch die räumliche Gruppierung (Aggregation der Lage auf Ortsteilniveau) der Daten kommt es zu einer verzerrten Berechnung der Standardfehler im Regressionsmodell. Um diesem Effekt entgegenzuwirken, nutzen wir einen clusterrobusten Schätzer der Kovarianzmatrix auf der Aggregationsebene der Ortsteile (vgl. Moulton 1986; Moulton 1990).

Ergebnisse

Eine deskriptive Statistik der strukturellen Daten sowie der Landnutzungsdaten ist in Tabelle 2 zusammengestellt, die eigentlichen Regressionsergebnisse in Tabelle 3 Da die hedonische Preisfunktion dieser Studie eine Vielzahl von Regressoren

Insgesamt enthält die hedonische Preisfunktion dieser Studie 136 Regressoren.

beinhaltet, werden in Tabelle 3 nur die wichtigsten intrinsischen Variablen wie Geschoss, Grundstücksfläche und das Alter der Immobilien sowie die Berliner Bezirke als Lagevariablen wiedergegeben.

Regressionsergebnisse der hedonischen Preisfunktion für die Stadt Berlin

VariableKoeffizient
Grundstücksfläche0,00040***
Grundstücksfläche (quadriert)-0,00000008
Alter-0,013***
Alter (quadriert)0,000076***
Geschossfläche0,0029***
Geschossfläche (quadriert)-0,000007***
Charlottenburg-Wilmersdorf0,295***
Spandau-0,119***
Steglitz-Zehlendorf0,439***
Tempelhof-Schöneberg-0,031
Neukölln-0,098***
Treptow- Köpenick-0,155***
Marzahn-Hellersdorf-0,230***
Lichtenberg-0,177***
Reinickendorf-0,036**
Grünflächen0,001306*
Brachflächen-0,022**
Wald-0,000237
Wasser0,0051955***
Landwirtschaft-0,0006879
Konstante12,66***
Anzahl der Beobachtungen26.196
R20,71

Bei dem hier angegebenen R2 handelt es sich um ein R2 aus einer ,Standard-OLS-Regression‘, welches von der Statistiksoftware Stata ausgegeben wird, aber für unser Modell wegen des clusterrobusten Schätzers nicht korrekt berechnet werden kann.

Die abhängige Variable ist der logarithmierte absolute Kaufpreis; Signifikanzniveaus: *signifikant (p < 0,05); **sehr signifikant (p < 0,01); ***hoch signifikant (p < 0,001); nicht signifikant (p ≥ 0,05);

Referenzkategorien: Bezirk Pankow.

Insgesamt enthält die letztendliche hedonische Preisfunktion über 100 Kontrollvariablen (Grundstücksfläche, Alter, Ortsteile, Wohnlagen, Dachformen etc.), von denen hier beispielhaft aber nur die Geschoss- und Grundstücksfläche sowie das Alter der Immobilie aufgeführt werden. Um auch auf einen nichtlinearen Einfluss der Grundstücks- und Geschossfläche sowie des Alters der Immobilie kontrollieren zu können, wurden jeweils auch quadrierte Variablen mit in das Modell aufgenommen.

Abbildung 2 zeigt die durchschnittlichen Quadratmeterpreise des Hauspreissamples (Preis pro Quadratmeter Geschossfläche) für die Berliner Stadtbezirke. In Abbildung 3 ist hingegen der durchschnittliche Quadratmeterpreis pro Grundstücksfläche der Hauspreisstichprobe für die Stadtbezirke in Berlin dargestellt. Dabei sind Variationen der durchschnittlichen Preise pro Quadratmeter Geschoss- und Grundstücksfläche über die Stadtbezirke zu erkennen, mit besonders hohen Quadratmeterpreisen in den Bezirken Charlottenburg-Wilmersdorf und Steglitz-Zehlendorf sowie besonders niedrigen Preisen im Bezirk Treptow-Köpenick. Für die Bezirke Mitte und Friedrichshain-Kreuzberg waren in der Datenbasis insgesamt 34 Transaktionen von Einfamilienhäusern ausgewiesen. Diese betreffen zum großen Teil besondere Immobilien, die sich vereinzelt in der Nachbarschaft zu Mietshäusern befinden und nicht notwendigerweise Einfamilienhäuser darstellen, weshalb sie in der Analyse und den nachfolgenden Abbildungen nicht berücksichtigt worden sind.

Abbildung 2

Verteilung der durchschnittlichen Preise pro Quadratmeter Geschossfläche des Hauspreissamples über die Berliner Stadtbezirke Quelle: Gutachterausschuss für Grundstückswerte Berlin, Zeitraum 1996-2012

Abbildung 3

Verteilung der durchschnittlichen Quadratmeterpreise (Grundstücksfläche) des Hauspreissamples über die Berliner Stadtbezirke Quelle: Gutachterausschuss für Grundstückswerte Berlin, Zeitraum 1996-2012

Die Ergebnisse der statistischen Analysen sind in Tabelle 3 dargestellt. Die Koeffizienten in den Spalten geben die Stärke und – je nach Vorzeichen – die Richtung des Einflusses der Variablen auf den Immobilienpreis an. Der Einfluss der strukturellen Variablen entspricht den Erwartungen. So hat die Grundstücks- und Geschossfläche einen positiven Einfluss auf den Immobilienpreis. Das Alter der Immobilie hingegen beeinflusst deren Preis negativ. Ein Anstieg des Alters der Immobilie um ein Jahr würde hier beispielsweise zu durchschnittlichen Preisabschlägen von 0,68 % des Kaufpreises der Immobilie führen. Zudem zeigt die Kontrolle der quadrierten Geschossflächen und des Alters der Immobilie, dass hier ein nichtlinearer Zusammenhang zwischen dem Immobilienpreis und diesen Variablen vorliegt. Bei den Kontrollen für die Lage der Immobilien in den jeweiligen Berliner Stadtbezirken geht – im Vergleich zum Bezirk Pankow – ein positiver Einfluss von den Bezirken Charlottenburg-Wilmersdorf und Steglitz-Zehlendorf aus, ein negativer Einfluss hingegen unter anderem von den Bezirken Neukölln, Spandau und Treptow-Köpenick.

Einen positiven Einfluss der Landnutzung auf den Immobilienpreis bringen Grünflächen sowie Wasserflächen. Eine Erhöhung des Grünflächenanteils im 500m-Umkreis um die Immobilie um 1 % würde hier zu einer Erhöhung der Immobilienpreise um 0,13 % führen. Ein hoher Anteil an Brachflächen in der Nähe der Immobilien führt hingegen zu vergleichsweise deutlichen Preisabschlägen. So würde eine Erhöhung der Abdeckung an Brachflächen im 500m-Umkreis der Immobilie um 1 % Preisabschläge von 2,2 % des Immobilienpreises zur Folge haben. Für die Flächennutzungen ,Wald‘ und ,Landwirtschaft‘ konnten keine signifikanten Ergebnisse nachgewiesen werden. Eine Kontrolle der Variablen für ,Wald‘ und ,Landwirtschaft‘ in einem Regressionsmodell ohne korrigierte Standardfehler zeigt hingegen signifikante Ergebnisse. Dies deutet darauf hin, dass die Beobachtungen in den jeweiligen Randbezirken räumlich korreliert sind, also Bezirke am Rand von Berlin vergleichsweise hohe Anteile an Wald- und Landwirtschaftsflächen aufweisen.

Die Kapitalisierung der Landnutzung in den Immobilienpreisen kann auch anhand der impliziten Preise sichtbar gemacht werden (vgl. Tabelle 4). Der implizite Preis wird dabei aus den in der Tabelle 3 errechneten Koeffizienten (β) und dem Median (X˜)$\left( {\tilde{X}} \right)$der jeweiligen Variablen c nach der Formel

Implizite Preise der strukturellen Variablen und der Landnutzungsvariablen für die Stadt Berlin

Abdeckung im 500 m-Radius um die Immobilie
Variable% ÄnderungImpliziter Preis in €
Grundstücksfläche (m2)0,03192100,26
Alter (Jahr)-0,6768-2.125,75
Geschossfläche (m2)0,0982308,43
Grünflächen (%)0,1306410,20
Brachflächen (%)-2,2-6.909,94
Wald (%)n.s.n.s.
Wasser (%)0,519551.631,85
Landwirtschaft (%)n.s.n.s.

Durchschnittlicher Hauspreis in Berlin = 314.088,20 Euro; n.s. = nicht signifikant

βc+2βc2X˜c$$^{{{\beta }_{c}}+2\,*{{\beta }_{{{c}^{2}}}}\,*\,{{{\tilde{X}}}_{c}}}$$

abgeleitet und gibt an, wie hoch der durchschnittliche Preisanstieg bei einer Änderung der erklärenden Variablen (z. B. Grünflächenanteil) wäre. Zur Berechnung wird dabei der durchschnittliche Kaufpreis aller Hausverkäufe in Berlin von 314.088,20 Euro herangezogen. Eine Erhöhung der Grundstücksfläche um einen Quadratmeter würde beispielsweise den Immobilienpreis um 100,26 Euro (0,03 %) heben. Ein Anstieg des Alters der Immobilie um ein Jahr führt zu Preisabschlägen von durchschnittlich 2.125,75 Euro (-0,68 %). Würde die Abdeckung mit Grünflächen im 500m-Radius um die Immobilie um 1 % erhöht werden, würde dies zu einem durchschnittlichen Preisanstieg der Immobilie von 410,20 Euro (0,13 %) nach sich ziehen. Dies zeigt, dass eine höhere Zahlungsbereitschaft für solche

Immobilien besteht, die mit einem höheren Anteil an Grünflächen umgeben sind. Eine Erhöhung des Anteils an Brachflächen im Umkreis von 500m um die Immobilie würde zu Preisabschlägen von 6.909,94 Euro (-2,2 %) führen.

Fazit und Ausblick

Die hier vorgestellten Analysen zeigen deutlich, dass urbane Grünflächen in den Immobilienpreisen kapitalisiert sind, städtisches Grün aber nur ein Einflussfaktor unter vielen ist und im Vergleich zu den strukturellen Daten zum Teil einen eher geringen Einfluss auf die Preise von Immobilien ausübt. Die hier vorgestellten Ergebnisse zur Höhe des Einflusses von Grün auf die Immobilienpreise liegen im Bereich vergleichbarer Analysen zur Wertschätzung von städtischem Grün mittels hedonischer Preismethode (u. a. Tyrväinen/Miettinen 2000: 215; Morancho 2003: 38; Kong/Yin/Nakagoshi 2007: 249). Dabei sollte auch nicht vergessen werden, dass eine Vielzahl weiterer Ökosystemleistungen urbaner Grünflächen eine ökonomische Relevanz besitzen (z. B. Klimaschutz, Luftreinhaltung), der Nutzen der Grünanlagen im Rahmen der Immobilienwertmethode also wahrscheinlich deutlich unterschätzt wird.

Die hier gezeigten Ergebnisse werfen auch die Frage nach den stadtökonomischen Konsequenzen eines nachgewiesenen Preiseinflusses von Grünflächen auf, da sich zumindest die Nutzen öffentlicher Grünflächen dabei in Immobilien kapitalisieren, die sich zumeist in privater Hand befinden. Bei Neuentwicklungen von Baugebieten kann über das bauplanungsrechtliche Instrumentarium aus diesem Grund auch der Flächenerwerb und die Anlage von Grünflächen auf die Erwerber des Nettobaulands umgelegt werden. Im Bestand sollte die Instandhaltung der Grünflächen über die Grundsteuer abgedeckt sein, allerdings ist diese jedoch seit Jahren überarbeitungsbedürftig (Wüstemann/Kolbe/von Malottki et al. 2016).

Zudem legen die Ergebnisse zur Kapitalisierung von Grünflächen in Immobilienpreisen nahe, dass Menschen mit vergleichsweise hohem Einkommen einen besseren Zugang zu urbanem Grün haben, da ja Immobilien in unmittelbarer Nähe zu Grünflächen zumeist teurer sind. Dies wird in der Literatur unter Umweltgerechtigkeit diskutiert (Maschewsky 2001; Schröder-Bäck 2012). Erste empirische Untersuchungen in diesem Bereich bestätigen die Annahme, dass der Zugang zu Grünflächen in Deutschland ungleich verteilt ist (Kabisch/Haase 2014; Wüstemann/Kalisch/Kolbe 2016). Allerdings ist das Wissen in diesem Bereich noch sehr lückenhaft, auch weil aussagekräftige Indikatoren zum Zugang zu städtischem Grün und ein diesbezügliches Monitoring in Deutschland bisher fehlen (Wüstemann/Kolbe/von Malottki et al. 2016).

Abbildung 1

Preisentwicklung der Berliner Einfamilienhäuser im Zeitraum 19962012
Preisentwicklung der Berliner Einfamilienhäuser im Zeitraum 19962012

Abbildung 2

Verteilung der durchschnittlichen Preise pro Quadratmeter Geschossfläche des Hauspreissamples über die Berliner Stadtbezirke Quelle: Gutachterausschuss für Grundstückswerte Berlin, Zeitraum 1996-2012
Verteilung der durchschnittlichen Preise pro Quadratmeter Geschossfläche des Hauspreissamples über die Berliner Stadtbezirke Quelle: Gutachterausschuss für Grundstückswerte Berlin, Zeitraum 1996-2012

Abbildung 3

Verteilung der durchschnittlichen Quadratmeterpreise (Grundstücksfläche) des Hauspreissamples über die Berliner Stadtbezirke Quelle: Gutachterausschuss für Grundstückswerte Berlin, Zeitraum 1996-2012
Verteilung der durchschnittlichen Quadratmeterpreise (Grundstücksfläche) des Hauspreissamples über die Berliner Stadtbezirke Quelle: Gutachterausschuss für Grundstückswerte Berlin, Zeitraum 1996-2012

Beispiele für die betrachteten Variablen in der hedonischen Preisfunktion

Variablen
intrinsisch (strukturell)Größe der Immobilie, Alter der Immobilie, Grundstücksfläche, Dachform etc.
extrinsischAllgemeine LagevariablenBezirke, Ortsteile, Wohnlage nach Mietspiegel
Grünflächenbezogene VariablenGrünflächenanteil im 500m-Umkreis um die Immobilie in % (bezogen auf die gesamte Kreisfläche im 500m-Radius um die Immobilie)

Regressionsergebnisse der hedonischen Preisfunktion für die Stadt Berlin

VariableKoeffizient
Grundstücksfläche0,00040***
Grundstücksfläche (quadriert)-0,00000008
Alter-0,013***
Alter (quadriert)0,000076***
Geschossfläche0,0029***
Geschossfläche (quadriert)-0,000007***
Charlottenburg-Wilmersdorf0,295***
Spandau-0,119***
Steglitz-Zehlendorf0,439***
Tempelhof-Schöneberg-0,031
Neukölln-0,098***
Treptow- Köpenick-0,155***
Marzahn-Hellersdorf-0,230***
Lichtenberg-0,177***
Reinickendorf-0,036**
Grünflächen0,001306*
Brachflächen-0,022**
Wald-0,000237
Wasser0,0051955***
Landwirtschaft-0,0006879
Konstante12,66***
Anzahl der Beobachtungen26.196
R20,71

Bei dem hier angegebenen R2 handelt es sich um ein R2 aus einer ,Standard-OLS-Regression‘, welches von der Statistiksoftware Stata ausgegeben wird, aber für unser Modell wegen des clusterrobusten Schätzers nicht korrekt berechnet werden kann.

Deskriptive Statistik der strukturellen Variablen (Beispiele) und der LandnutzungsvariablenEs handelt sich um mittels hedonischen Preisindex inflationsbereinigte Preise (vgl. Schulz/Werwatz 2011 sowie Kapitel 3.1).

VariableMittelwertMedianStandardabweichungMinimumMaximum
Preis (in Euro)314.088,20262.871,8217.312,9035.261,855.686.953,00
Geschossfläche (in m2)148,00137,0066,5830,003.612,00
Grundstücksfläche (in m2)560,15505,00338,7182,0016.250,00
Alter (in Jahren)41,8941,0030,270,00211,00
500m-Umkreis um die Immobiliein %

Grünflächenanteil im 500m-Umkreis um die Immobilie in % (bezogen auf die gesamte Kreisfläche im 500m-Radius um die Immobilie)

Parks5,392,567,270,0060,11
Wasser1,690,005,740,0061,56
Wald4,480,0010,810,0077,48
Landwirtschaft5,080,009,750,0073,80
Brachflächen0,200,000,580,005,83

Implizite Preise der strukturellen Variablen und der Landnutzungsvariablen für die Stadt Berlin

Abdeckung im 500 m-Radius um die Immobilie
Variable% ÄnderungImpliziter Preis in €
Grundstücksfläche (m2)0,03192100,26
Alter (Jahr)-0,6768-2.125,75
Geschossfläche (m2)0,0982308,43
Grünflächen (%)0,1306410,20
Brachflächen (%)-2,2-6.909,94
Wald (%)n.s.n.s.
Wasser (%)0,519551.631,85
Landwirtschaft (%)n.s.n.s.

Acharya, G.; Bennett, L. L. (2001): Valuing Open Space and Land-Use Patterns in Urban Watersheds. In: The Journal of Real Estate Finance and Economics 22, 2, 221-237.10.1023/A:1007843514233AcharyaG.BennettL. L.2001Valuing Open Space and Land-Use Patterns in Urban WatershedsThe Journal of Real Estate Finance and Economics222221237Open DOISearch in Google Scholar

Ahlfeldt, G. M.; Maennig, W. (2010a): Impact of sports arenas on land values: evidence from Berlin. In: The Annals of Regional Science 44, 2, 205-227.10.1007/s00168-008-0249-4AhlfeldtG. M.MaennigW.2010aImpact of sports arenas on land values: evidence from BerlinThe Annals of Regional Science442205227Open DOISearch in Google Scholar

Ahlfeldt, G. M.; Maennig, W. (2010b): Substitutability and Complementarity of Urban Amenities: External Effects of Built Heritage in Berlin. In: Real Estate Economics 38, 2, 285-323.10.1111/j.1540-6229.2010.00268.xAhlfeldtG. M.MaennigW.2010bSubstitutability and Complementarity of Urban Amenities: External Effects of Built Heritage in BerlinReal Estate Economics382285323Open DOISearch in Google Scholar

Appelbaum, E. (1979): On the choice of functional forms. In: International Economic Review 20, 2, 449-458.10.2307/2526492AppelbaumE.1979On the choice of functional formsInternational Economic Review202449458Open DOISearch in Google Scholar

Bateman, I. (1993): Evaluation of the environment: A survey of revealed preference techniques. Norwich. = CSERGE Working Paper GEC 93-06.BatemanI.1993Evaluation of the environment: A survey of revealed preference techniquesNorwich= CSERGE Working Paper GEC 93-06Search in Google Scholar

BMUB – Bundesministerium für Umwelt, Naturschutz, Bau und Reaktorsicherheit (2007): Nationale Strategie zur biologischen Vielfalt. Berlin.BMUB – Bundesministerium für UmweltNaturschutz, Bau und Reaktorsicherheit2007Nationale Strategie zur biologischen VielfaltBerlinSearch in Google Scholar

Brandt, S.; Maennig, W.; Richter, F. (2013): Do places of worship affect housing prices? Evidence from Germany. Hamburg. = Hamburg Contemporary Economic Discussions 48.BrandtS.MaennigW.RichterF.2013Do places of worship affect housing prices? Evidence from GermanyHamburg= Hamburg Contemporary Economic Discussions 4810.2139/ssrn.2973307Search in Google Scholar

EEA – European Environment Agency (2011): Mapping Guide for a European Urban Atlas. https://cws-download.eea.europa.eu/local/ua2006/Urban_Atlas_2006_mapping_guide_v2_final.pdf (19.12.2016).EEA – European Environment Agency2011Mapping Guide for a European Urban Atlashttps://cws-download.eea.europa.eu/local/ua2006/Urban_Atlas_2006_mapping_guide_v2_final.pdf(19.12.2016)Search in Google Scholar

Goh, Y. M.; Costello, G.; Schwann, G. (2012): Accuracy and Robustness of House Price Index Methods. In: Housing Studies 27, 5, 643-666.10.1080/02673037.2012.697551GohY. M.CostelloG.SchwannG.2012Accuracy and Robustness of House Price Index MethodsHousing Studies275643666Open DOISearch in Google Scholar

Irwin, E. G. (2002): The Effects of Open Space on Residential Property Values. In: Land Economics 78, 4, 465-480.10.2307/3146847IrwinE. G.2002The Effects of Open Space on Residential Property ValuesLand Economics784465480Open DOISearch in Google Scholar

Kabisch, N.; Haase, D. (2014): Green justice or just green? Provision of urban green spaces in Berlin, Germany. In: Landscape and Urban Planning 122, 129-139.10.1016/j.landurbplan.2013.11.016KabischN.HaaseD.2014Green justice or just green? Provision of urban green spaces in Berlin, GermanyLandscape and Urban Planning122129139Open DOISearch in Google Scholar

Kholodilin, K. A.; Mense, A. (2012): Internet-Based Hedonic Indices of Rents and Prices for Flats. Example of Berlin. Berlin. = DIW Discussion Papers 1191.KholodilinK. A.MenseA.2012Internet-Based Hedonic Indices of Rents and Prices for Flats. Example of BerlinBerlin= DIW Discussion Papers 119110.2139/ssrn.2013076Search in Google Scholar

Kitchen, J. W.; Hendon, W. S. (1967): Land Values Adjacent to an Urban Neighborhood Park. In: Land Economics 43, 3, 357-360.10.2307/3145164KitchenJ. W.HendonW. S.1967Land Values Adjacent to an Urban Neighborhood ParkLand Economics433357360Open DOISearch in Google Scholar

Kong, F.; Yin, H.; Nakagoshi, N. (2007): Using GIS and landscape metrics in the hedonic price modeling of the amenity value of urban green space: A case study in Jinan City, China. In: Landscape and Urban Planning 79, 3-4, 240-252.KongF.YinH.NakagoshiN.2007Using GIS and landscape metrics in the hedonic price modeling of the amenity value of urban green space: A case study in Jinan City, ChinaLandscape and Urban Planning7934240-25210.1016/j.landurbplan.2006.02.013Search in Google Scholar

Kuhn, I.; Brandl, R.; Klotz, S. (2004): The flora of German cities is naturally species rich. In: Evolutionary Ecology Research 6, 5, 749-764.KuhnI.BrandlR.KlotzS.2004The flora of German cities is naturally species richEvolutionary Ecology Research65749764Search in Google Scholar

Lutzenhiser, M.; Netusil, N. R. (2001): The effect of open spaces on a home’s sale price. In: Contemporary Economic Policy 19, 3, 291-298.10.1093/cep/19.3.291LutzenhiserM.NetusilN. R.2001The effect of open spaces on a home’s sale priceContemporary Economic Policy193291298Open DOISearch in Google Scholar

Malpezzi, S. (2003): Hedonic Pricing Models. A Selective and Applied Review. In: O’Sullivan, A.; Gibb, K. (Hrsg.): Housing Economics and Public Policy. Oxford, 67-89.MalpezziS.2003Hedonic Pricing Models. A Selective and Applied ReviewO’SullivanA.GibbK.Housing Economics and Public PolicyOxford6789Search in Google Scholar

Maschewsky, W. (2001): Umweltgerechtigkeit, Public Health und soziale Stadt. Frankfurt am Main.MaschewskyW.2001Umweltgerechtigkeit, Public Health und soziale StadtFrankfurt am MainSearch in Google Scholar

Melichar, J.; Vojáček, O.; Rieger, P.; Jedlička, K. (2009): Measuring the Value of Urban Forest using the Hedonic Price Approach. In: regionální studia | Czech Regional Studies 2, 13-20.MelicharJ.VojáčekO.RiegerP.JedličkaK.2009Measuring the Value of Urban Forest using the Hedonic Price Approachregionální studia | Czech Regional Studies21320Search in Google Scholar

Mense, A.; Kholodilin, K. A. (2014): Noise expectations and house prices: the reaction of property prices to an airport expansion. In: The Annals of Regional Science 52, 3, 763-797.10.1007/s00168-014-0609-1MenseA.KholodilinK. A.2014Noise expectations and house prices: the reaction of property prices to an airport expansionThe Annals of Regional Science523763797Open DOISearch in Google Scholar

Morancho, A. B. (2003): A hedonic valuation of urban green areas. In: Landscape and Urban Planning 66, 1, 35-41.10.1016/S0169-2046(03)00093-8MoranchoA. B.2003A hedonic valuation of urban green areasLandscape and Urban Planning6613541Open DOISearch in Google Scholar

Moulton, B. R. (1986): Random group effects and the precision of regression estimates. In: Journal of Econometrics 32, 3, 385-397.10.1016/0304-4076(86)90021-7MoultonB. R.1986Random group effects and the precision of regression estimatesJournal of Econometrics323385397Open DOISearch in Google Scholar

Moulton, B. R. (1990): An Illustration of a Pitfall in Estimating the Effects of Aggregate Variables on Micro Units. In: The Review of Economics and Statistics 72, 2, 334-338.10.2307/2109724MoultonB. R.1990An Illustration of a Pitfall in Estimating the Effects of Aggregate Variables on Micro UnitsThe Review of Economics and Statistics722334338Open DOISearch in Google Scholar

Nowak, D. J.; Crane, D. E.; Stevens, J. C. (2006): Air pollution removal by urban trees and shrubs in the United States. In: Urban Forestry & Urban Greening 4, 3-4, 115-123.NowakD. J.CraneD. E.StevensJ. C.2006Air pollution removal by urban trees and shrubs in the United StatesUrban Forestry & Urban Greening434115-12310.1016/j.ufug.2006.01.007Search in Google Scholar

Panduro, T. E.; Lausted Veie, K. (2013): Classification and valuation of urban green spaces – A hedonic house price valuation. In: Landscape and Urban Planning 120, 119-128.10.1016/j.landurbplan.2013.08.009PanduroT. E.Lausted VeieK.2013Classification and valuation of urban green spaces – A hedonic house price valuationLandscape and Urban Planning120119128Open DOISearch in Google Scholar

Promann, J. (2012): Die Berücksichtigung des Wohnwertmerkmals Lage in den Mietspiegeln der deutschen Großstädte. Bestandsaufnahme, theoretische Einbettung und ein GIS-gestütztes Verfahren zur standardisierten Wohnlageermittlung. Lohmar. = Industrieökonomik 8.PromannJ.2012Die Berücksichtigung des Wohnwertmerkmals Lage in den Mietspiegeln der deutschen Großstädte. Bestandsaufnahme, theoretische Einbettung und ein GIS-gestütztes Verfahren zur standardisierten WohnlageermittlungLohmar= Industrieökonomik 8Search in Google Scholar

Rowntree, R. A.; Nowak, D. J. (1991): Quantifying the role of urban forests in removing atmospheric carbon dioxide. In: Journal of Arboriculture 17, 10, 269-275.RowntreeR. A.NowakD. J.1991Quantifying the role of urban forests in removing atmospheric carbon dioxideJournal of Arboriculture171026927510.48044/jauf.1991.061Search in Google Scholar

Schröder-Bäck, P. (2012): Ethische Kriterien der Gerechtigkeit für den Zusammenhang von Umwelt und Gesundheit. In: Bolte, G.; Bunge, C.; Hornberg, C.; Köckler, H.; Mielck, A. (Hrsg.): Umweltgerechtigkeit: Chancengleichheit bei Umwelt und Gesundheit. Konzepte, Datenlage und Handlungsperspektiven. Bern, 51-60.Schröder-BäckP.2012Ethische Kriterien der Gerechtigkeit für den Zusammenhang von Umwelt und GesundheitBolteG.BungeC.HornbergC.KöcklerH.MielckA.Umweltgerechtigkeit: Chancengleichheit bei Umwelt und Gesundheit. Konzepte. Datenlag. un. HandlungsperspektivenBern5160Search in Google Scholar

Schulz, R.; Werwatz, A. (2011): Is there an equilibrating relationship between house prices and replacement cost? Empirical evidence from Berlin. In: Journal of Urban Economics 69, 3, 288-302.10.1016/j.jue.2010.12.003SchulzR.WerwatzA.2011Is there an equilibrating relationship between house prices and replacement cost? Empirical evidence from BerlinJournal of Urban Economics693288302Open DOISearch in Google Scholar

Tyrväinen, L.; Miettinen, A. (2000): Property Prices and Urban Forest Amenities. In: Journal of Environmental Economics and Management 39, 2, 205-223.10.1006/jeem.1999.1097TyrväinenL.MiettinenA.2000Property Prices and Urban Forest AmenitiesJournal of Environmental Economics and Management392205223Open DOISearch in Google Scholar

Vanslembrouck, I.; Van Huylenbroeck, G.; Van Meensel, J. (2005): Impact of Agriculture on Rural Tourism: A Hedonic Pricing Approach. In: Journal of Agricultural Economics 56, 1, 17-30.10.1111/j.1477-9552.2005.tb00120.xVanslembrouckI.Van HuylenbroeckG.Van MeenselJ.2005Impact of Agriculture on Rural Tourism: A Hedonic Pricing ApproachJournal of Agricultural Economics5611730Open DOISearch in Google Scholar

Wüstemann, H.; Kalisch, D.; Kolbe, J. (2016): Towards a national indicator for urban green space provision and environmental inequalities in Germany: Method and findings. Berlin. = SFB 649 Discussion Paper 2016-022.WüstemannH.KalischD.KolbeJ.2016Towards a national indicator for urban green space provision and environmental inequalities in Germany: Method and findingsBerlin= SFB 649 Discussion Paper 2016-022Search in Google Scholar

Wüstemann, H.; Kolbe, J.; von Malottki, C.; Vaché, M. (2016): Stadtgrün und Immobilienwerte. In: Kowarik, I.; Bartz, R.; Brenck, M. (Hrsg.): Ökosystemleistungen in der Stadt. Gesundheit schützen und Lebensqualität erhöhen. Berlin/Leipzig, 197–202.WüstemannH.KolbeJ.von MalottkiC.VachéM.2016Stadtgrün und ImmobilienwerteKowarikI.BartzR.BrenckM.Ökosystemleistungen in der Stadt. Gesundhei. schütze. un. Lebensqualitä. erhöhenBerlin/Leipzig197–202Search in Google Scholar

Recommended articles from Trend MD

Plan your remote conference with Sciendo