Zeitreihenanalyse der Herstellkosten in der Bauindustrie

Abstract

In der Bauindustrie gibt es mehrere Ansätze zur Bewältigung von Preisschwankungen: Pauschal- oder Festpreisverträge, bei denen das Risiko beim Auftragnehmer liegt und Preisgleitklauseln, bei denen der Preis an einen Index angepasst wird. Beide Varianten bergen finanzielle Risiken, die durch genauere Baukostenprognosen reduziert werden könnten. Ziel dieser Masterarbeit ist es, ein Modell zu entwickeln, das saisonale Schwankungen und Preistrends in der Bauindustrie berücksichtigt, um das Risiko bei Bauprojekten zu minimieren. Die Arbeit untersucht anhand von Daten der STRABAG AG und STATISTIK AUSTRIA die Baukostenentwicklung und erstellt Prognosemodelle. Forschungsfragen betreffen die Datenqualität, die Erfassung saisonaler Schwankungen und die Erstellung von Prognosemodellen. Der Aufbau der Arbeit umfasst die Analyse der Notwendigkeit von Prognosen, Risikobetrachtungen, die Datenaufbereitung und die Anwendung verschiedener Modelle zur Kostenprognose. Letztendlich wird ein Modell entwickelt, das saisonale Trends darstellt und zukünftige Baukosten besser einschätzbar macht. Die Zeitreihenanalyse ist eine statistische Methode zur Analyse von Mustern, Trends und Veränderungen in zeitlich geordneten Daten. Sie untersucht eine einzelne Variable über die Zeit, um langfristige Trends, saisonale und zyklische Muster sowie zufällige Schwankungen zu identifizieren. Ein wichtiges Ziel der Zeitreihenanalyse ist die Prognose zukünftiger Werte basierend auf historischen Daten. In der Bauindustrie kann die Zeitreihenanalyse verwendet werden um die Entwicklung von Baukosten im Hinblick auf Preisschwankungen und -trends zu untersuchen. Mit Modellen wie ARIMA (Auto Regressive Integrated Moving Avarage) oder Exponential Smoothing können Vorhersagen über zukünftige Preisentwicklungen getroffen werden, was zu genaueren Kalkulationen und einer Reduktion von Risiken bei Bauprojekten führt. Diese Methode unterstützt zudem langfristige Planungen und Budgetierungen. Weiters wird die Methode der "Seasonal-Trend Decomposition" (STL) verwendet um die Struktur von Zeitreihendaten besser zu verstehen und saisonale Effekte zu identifizieren. Im Rahmen der Analyse des Baukostenindex wird die saisonale Komponente untersucht, um festzustellen ob saisonale Muster vorliegen.

In the construction industry, there are several approaches to dealing with price fluctuations: lump-sum or fixed-price contracts, where the risk lies with the contractor, and price adjustment clauses, where the price is adjusted to an index. Both variants carry financial risks that could be reduced through more accurate construction cost forecasts. The aim of this master's thesis is to develop a model that accounts for seasonal fluctuations and price trends in the construction industry to minimize risk in construction projects. The thesis examines the development of construction costs using data from STRABAG AG and STATISTIK AUSTRIA and creates forecasting models. The research questions concern data quality, the identification of seasonal fluctuations, and the development of forecasting models. The structure of the thesis includes the analysis of the need for forecasts, risk considerations, data preparation, and the application of various models for cost forecasting. Ultimately, a model is developed that represents seasonal trends and makes future construction costs more predictable. Time series analysis is a statistical method for analyzing patterns, trends, and changes in time-ordered data. It examines a single variable over time to identify long-term trends, seasonal and cyclical patterns, as well as random fluctuations. A key goal of time series analysis is to forecast future values based on historical data. In the construction industry, time series analysis can be used to examine the development of construction costs concerning price fluctuations and trends. Models such as ARIMA (Auto Regressive Integrated Moving Average) or Exponential Smoothing can be used to make predictions about future price developments, leading to more accurate calculations and a reduction of risks in construction projects. This method also supports long-term planning and budgeting. Additionally, the "Seasonal-Trend Decomposition" (STL) method is used to better understand the structure of time series data and identify seasonal effects. As part of the analysis of the construction cost index, the seasonal component is examined to determine whether seasonal patterns are present.