Operating Costs Of Real Estate Models And Cost Indicators For A Holistic Cost Planning Benjamin Lasshof

Operating Costs Of Real Estate Models And Cost
Indicators For A Holistic Cost Planning Benjamin
Lasshof download
https://ebookbell.com/product/operating-costs-of-real-estate-
models-and-cost-indicators-for-a-holistic-cost-planning-benjamin-
lasshof-51136084
Explore and download more ebooks at ebookbell.com

Here are some recommended products that we believe you will be
interested in. You can click the link to download.
Operating Costs Of Real Estate Models And Cost Indicators For A
Holistic Cost Planning Benjamin Lasshof
https://ebookbell.com/product/operating-costs-of-real-estate-models-
and-cost-indicators-for-a-holistic-cost-planning-benjamin-
lasshof-36475852
Operating And Support Costestimating Guide Department Of Department Of
Defense
https://ebookbell.com/product/operating-and-support-costestimating-
guide-department-of-department-of-defense-46515544
Production Economics Evaluating Costs Of Operations In Manufacturing
And Service Industries 1st Edition Anoop Desai Author Aashi Mital
Author
https://ebookbell.com/product/production-economics-evaluating-costs-
of-operations-in-manufacturing-and-service-industries-1st-edition-
anoop-desai-author-aashi-mital-author-12054566
The Economics Of Addictive Behaviours The Private And Social Costs Of
Overeating And Their Remedies Joshua
https://ebookbell.com/product/the-economics-of-addictive-behaviours-
the-private-and-social-costs-of-overeating-and-their-remedies-
joshua-6753034

Costs Of Inaction On Key Environmental Challenges Papele Oecd
Organisation For Economic Cooperation And Development
https://ebookbell.com/product/costs-of-inaction-on-key-environmental-
challenges-papele-oecd-organisation-for-economic-cooperation-and-
development-2179808
International Regulatory Cooperation And Trade Understanding The Trade
Costs Of Regulatory Divergence And The Remedies Oecd
https://ebookbell.com/product/international-regulatory-cooperation-
and-trade-understanding-the-trade-costs-of-regulatory-divergence-and-
the-remedies-oecd-6685624
The Costs Of Managing Fisheries Oecd
https://ebookbell.com/product/the-costs-of-managing-fisheries-
oecd-6779174
Ops Victory At All Costs Operations Over Hitlers Reich With The Crews
Of Bomber Command 19391945 Their War Their Words Simpson
https://ebookbell.com/product/ops-victory-at-all-costs-operations-
over-hitlers-reich-with-the-crews-of-bomber-command-19391945-their-
war-their-words-simpson-6633922
Practical Guide To Azure Cognitive Services Leverage The Power Of
Azure Openai To Optimize Operations Reduce Costs And Deliver
Cuttingedge Ai Solutions 1st Edition Christopher Seferlis
https://ebookbell.com/product/practical-guide-to-azure-cognitive-
services-leverage-the-power-of-azure-openai-to-optimize-operations-
reduce-costs-and-deliver-cuttingedge-ai-solutions-1st-edition-
christopher-seferlis-50294974

Benjamin Lasshof
Operating Costs of Real Estate

Schriftenreihe Bauökonomie
herausgegeben von
Prof. Dr. Christian Stoy
Band 5

Benjamin Lasshof
Operating Costs of
Real Estate
Models and Cost Indicators for a Holistic Cost Planning

Dissertation, Universität Stuttgart (D 93), 2017
ISBN 978-3-11-059514-7
e-ISBN (PDF) 978-3-11-059608-3
e-ISBN (EPUB) 978-3-11-059616-8
Library of Congress Control Number: 2018934294
Bibliografische Information der Deutschen Nationalbibliothek
Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen
Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über
http://dnb.dnb.de abrufbar.
© 2018 Walter de Gruyter GmbH, Berlin/Boston
Druck und Bindung: CPI books GmbH, Leck
♾ Gedruckt auf säurefreiem Papier
Printed in Germany
www.degruyter.com

Table of Contents
List of AbbreviationsÊIX
List of FiguresÊXI
List of TablesÊXIII
AbstractÊXVII
ZusammenfassungÊXIX
1 IntroductionÊ1
1.1 Background and problem statementÊ1
1.2 Scope and objectiveÊ2
1.3 State of the artÊ3
1.4 Manuscript structureÊ8
2 MethodologyÊ11
2.1 Quantitative approachÊ11
2.2 Denition of key variablesÊ14
2.2.1 Response variablesÊ14
2.2.2 Predictor variablesÊ18
2.3 Statistical methodsÊ23
2.3.1 Pre-analysis of data sampleÊ23
2.3.2 Regression analysisÊ25
2.3.3 Articial neural network analysisÊ33
2.3.4 Classication tree analysisÊ37
2.3.5 Cost indicatorsÊ41
2.3.6 Performance measuresÊ43
3 Data sampleÊ47
3.1 OverviewÊ47
3.2 Presentation of the sampleÊ48
3.2.1 Response variablesÊ48
3.2.2 Predictor variablesÊ51
3.3 Test sampleÊ53
3.4 RepresentativenessÊ54

VIË Table of Contents
4 Analysis resultsÊ57
4.1 Operating costs (CG 300)Ê57
4.1.1 Theoretical basis and variablesÊ57
4.1.2 Model design and specicationsÊ61
4.1.3 Categorised cost indicatorsÊ66
4.1.4 Performance validationÊ67
4.1.5 SummaryÊ69
4.2 Utilities (CG 310)Ê69
4.2.1 Theoretical basis and variablesÊ69
4.2.2 Model design and specicationsÊ72
4.2.3 Categorised cost indicatorsÊ77
4.2.4 Performance validationÊ78
4.2.5 SummaryÊ80
4.3 Water (CG 311)Ê81
4.3.1 Theoretical basis and variablesÊ81
4.3.2 Model design and specicationsÊ82
4.3.3 Categorised cost indicatorsÊ88
4.3.4 Performance validationÊ89
4.3.5 SummaryÊ90
4.4 Heating (CG 312-316)Ê91
4.4.1 Theoretical basis and variablesÊ91
4.4.2 Model design and specicationsÊ94
4.4.3 Categorised cost indicatorsÊ99
4.4.4 Performance validationÊ100
4.4.5 SummaryÊ102
4.5 Electricity (CG 316)Ê102
4.5.1 Theoretical basis and variablesÊ102
4.5.2 Model design and specicationsÊ105
4.5.3 Categorised cost indicatorsÊ109
4.5.4 Performance validationÊ110
4.5.5 SummaryÊ112
4.6 Disposal (CG 320)Ê112
4.6.1 Theoretical basis and variablesÊ112
4.6.2 Model design and specicationsÊ114
4.6.3 Categorised cost indicatorsÊ119
4.6.4 Performance validationÊ120
4.6.5 SummaryÊ122

Table of ContentsË VII
4.7 Cleaning and care of buildings (CG 330)Ê122
4.7.1 Theoretical basis and variablesÊ122
4.7.2 Model design and specicationsÊ125
4.7.3 Categorised cost indicatorsÊ129
4.7.4 Performance validationÊ131
4.7.5 SummaryÊ132
4.8 Cleaning and care of outdoor facilities (CG 340)Ê133
4.8.1 Theoretical basis and variablesÊ133
4.8.2 Model design and specicationsÊ135
4.8.3 Categorised cost indicatorsÊ139
4.8.4 Performance validationÊ140
4.8.5 SummaryÊ142
4.9 Operation, inspection and maintenance (CG 350)Ê142
4.9.1 Theoretical basis and variablesÊ142
4.9.2 Model design and specicationsÊ146
4.9.3 Categorised cost indicatorsÊ151
4.9.4 Performance validationÊ152
4.9.5 SummaryÊ154
4.10 Inspection and maintenance of building construction (CG 352)Ê155
4.10.1 Theoretical basis and variablesÊ155
4.10.2 Model design and specicationsÊ157
4.10.3 Categorised cost indicatorsÊ162
4.10.4 Performance validationÊ163
4.10.5 SummaryÊ164
4.11 Inspection and maintenance of technical installations (CG 353)Ê165
4.11.1 Theoretical basis and variablesÊ165
4.11.2 Model design and specicationsÊ167
4.11.3 Categorised cost indicatorsÊ172
4.11.4 Performance validationÊ173
4.11.5 SummaryÊ175
4.12 Inspection and maintenance of outdoor facilities (CG 354)Ê175
4.12.1 Theoretical basis and variablesÊ175
4.12.2 Model design and specicationsÊ177
4.12.3 Categorised cost indicatorsÊ182
4.12.4 Performance validationÊ183
4.12.5 SummaryÊ184

VIIIË Table of Contents
4.13 Inspection and maintenance of furniture (CG 355)Ê185
4.13.1 Theoretical basis and variablesÊ185
4.13.2 Model design and specicationsÊ186
4.13.3 Categorised cost indicatorsÊ191
4.13.4 Performance validationÊ192
4.13.5 SummaryÊ193
4.14 Security and surveillance (CG 360)Ê194
4.14.1 Theoretical basis and variablesÊ194
4.14.2 Model design and specicationsÊ195
4.14.3 Categorised cost indicatorsÊ200
4.14.4 Performance validationÊ201
4.14.5 SummaryÊ203
4.15 Statutory charges and contributions (CG 370)Ê203
4.15.1 Theoretical basis and variablesÊ203
4.15.2 Model design and specicationsÊ204
4.15.3 Categorised cost indicatorsÊ209
4.15.4 Performance validationÊ210
4.15.5 SummaryÊ211
5 Results summaryÊ213
5.1 Identied reference quantitiesÊ213
5.2 Identied predictor variablesÊ214
5.3 Cost estimation performanceÊ218
6 ImplementationÊ223
6.1 Example facilityÊ223
6.2 Regression modelÊ225
6.3 Binary classication tree modelÊ227
6.4 Categorised cost indicatorsÊ229
6.5 Implementation summaryÊ231
7 ConclusionÊ235
ReferencesÊ239
Appendix: Data sampleÊ245

List of Abbreviations
ANN Articial neural network
APE Absolute percentage error
approx. Approximately
BCIS Building Cost Information Service of the Royal Institution of Chartered
Surveyors RICS
BCT Binary classication tree
BKI Cost Information Centre of the German Chamber of Architects (Ger-
man: Baukosteninformationszentrum Deutscher Architektenkammern)
BMUB German Federal Ministry for the Environment, Nature Conservation,
Building and Nuclear Safety (German: Bundesministerium für Umwelt,
Naturschutz, Bau und Reaktorsicherheit)
BMVBS German Federal Ministry of Transport, Building and Housing (German:
Bundesministerium für Verkehr, Bau und Stadtentwicklung)
BNB Evaluation System for Sustainable Building (German: Bewertungssys-
tem nachhaltiges Bauen)
cf. Compare
CG Cost group
cGIFA Regularly cleaned gross internal floor area
CN Continuous numeric variable
Coef. Coecient
Coef. SE Coecients standard error
CRT Classication and regression tree
CV(RMSE) Normalised root mean square error
DESTATIS German Federal Statistical Oce (German: Statistisches Bundesamt)
DIN German Institute for Standardisation
DN Discrete numeric variable
e.g. For example
et al. And others
FMBW Ministry of Finance of the German Federal State Baden-Wuerttemberg
(German: Finanzministerium Baden-Württemberg)
GBV Gross building volume
GEFA Gross external floor area
https://doi.org/10.1515/9783110596083-009

XË List of Abbreviations
GIFA Gross internal floor area
hGIFA Heatable gross internal floor area
LN Natural logarithm
LR Linear regression
MAPE Mean absolute percentage error
MAPE (aggr.) Aggregated mean absolute percentage error
MLP Multilayer perceptron
MV Median value
N Population size
n Sample size
nbSAR Non-built site area
NLR Non-linear regression
No. var. Number of variables
NPV Net present value
Obs. Observation
OLS Ordinary least squares
PE Percentage errors
PE (aggr.) Aggregated percentage error
pSAR Planted site area
R² Coecient of determination
R²(adj.) Adjusted coecient of determination
REFQ Reference quantity
RMSE Root mean square error
SAR Site area
SQ Square
SQR Square root
SSE Sum of squared errors
St. Coef. Standardised coecient
Transf. Transformation
UFA Usable floor area
VAT Value added tax
VIF Variance inflation factor

List of Figures
Figure 1.1Scope of cost planningÊ1
Figure 2.1Interrelationships between variablesÊ11
Figure 2.2General description of the research processÊ13
Figure 2.3Classication of building areas and volumeÊ21
Figure 2.4Classication of site areasÊ21
Figure 2.5Example of a simple linear regression functionÊ27
Figure 2.6Box-Cox plot of optimal transformation of variableÊ32
Figure 2.7Histograms of untransformed and LN-transformed variableÊ32
Figure 2.8Schematic architecture of a MLP articial neural network ANNÊ35
Figure 2.9Schematic structure of a binary classication tree BCTÊ39
Figure 2.10Partitions of a binary classication tree BCTÊ39
Figure 3.1Locations of the analysed facilitiesÊ47
Figure 3.2Box plots of operating cost indicatorsÊ50
Figure 4.1Residuals for non-linear regression model NLR(ind)300Ê64
Figure 4.2Tree diagram of binary classication tree model BCT(ind)300Ê65
Figure 4.3APE values for CG 300 estimation methodsÊ68
Figure 4.4Residuals for non-linear regression model NLR(ind)310Ê76
Figure 4.5Tree diagram of binary classication tree model BCT(ind)310Ê77
Figure 4.6APE values for CG 310 estimation methodsÊ80
Figure 4.7Residuals for non-linear regression model NLR(ind)311Ê86
Figure 4.8Tree diagram of binary classication tree model BCT(ind)311Ê87
Figure 4.9APE values for CG 311 estimation methodsÊ90
Figure 4.10Residuals for non-linear regression model NLR(ind)312-316Ê97
Figure 4.11Tree diagram of binary classication tree model BCT(ind)312-316Ê98
Figure 4.12APE values for CG 312-316 estimation methodsÊ101
Figure 4.13Residuals for non-linear regression model NLR(ind)316Ê108
Figure 4.14Tree diagram of binary classication tree model BCT(ind)316Ê109
Figure 4.15APE values for CG 316 estimation methodsÊ112
Figure 4.16Residuals for non-linear regression model NLR(ind)320Ê117
Figure 4.17Tree diagram of binary classication tree model BCT(ind)320Ê118
Figure 4.18APE values for CG 320 estimation methodsÊ121
Figure 4.19Residuals for non-linear regression model NLR(ind)330Ê128
Figure 4.20Tree diagram of binary classication tree model BCT(ind)330Ê129
Figure 4.21APE values for CG 330 estimation methodsÊ132
Figure 4.22Residuals for non-linear regression model NLR(ind)340Ê138
https://doi.org/10.1515/9783110596083-011

XIIË List of Figures
Figure 4.23Tree diagram of binary classication tree model BCT(ind)340Ê139
Figure 4.24APE values for CG 340 estimation methodsÊ142
Figure 4.25Residuals for non-linear regression model NLR(ind)350Ê149
Figure 4.26Tree diagram of binary classication tree model BCT(ind)350Ê150
Figure 4.27APE values for CG 350 estimation methodsÊ154
Figure 4.28Residuals for non-linear regression model NLR(ind)352Ê160
Figure 4.29Tree diagram of binary classication tree model BCT(ind)352Ê161
Figure 4.30APE values for CG 352 estimation methodsÊ164
Figure 4.31Residuals for non-linear regression model NLR(ind)353Ê170
Figure 4.32Tree diagram of binary classication tree model BCT(ind)353Ê171
Figure 4.33APE values for CG 353 estimation methodsÊ175
Figure 4.34Residuals for non-linear regression model NLR(ind)354Ê180
Figure 4.35Tree diagram of binary classication tree model BCT(ind)354Ê181
Figure 4.36APE values for CG 354 estimation methodsÊ184
Figure 4.37Residuals for non-linear regression model NLR(ind)355Ê189
Figure 4.38Tree diagram of binary classication tree model BCT(ind)355Ê190
Figure 4.39APE values for CG 355 estimation methodsÊ193
Figure 4.40Residuals for non-linear regression model NLR(ind)360Ê198
Figure 4.41Tree diagram of binary classication tree model BCT(ind)360Ê199
Figure 4.42APE values for CG 360 estimation methodsÊ202
Figure 4.43Residuals for non-linear regression model NLR(ind)370Ê207
Figure 4.44Tree diagram of binary classication tree model BCT(ind)370Ê208
Figure 4.45APE values for CG 370 estimation methodsÊ211
Figure 5.1APE and MAPE for 1st, 2nd, and 3rd level cost estimationÊ221
Figure 6.1Overview of selected example facilityÊ224
Figure 6.2Implementation of the binary classication tree BCT modelÊ228
Figure A.1Box plots of absolute operating costsÊ245
Figure A.2Percentage distribution on 1st level operating costsÊ246
Figure A.3Percentage distribution on 2nd level operating costsÊ247
Figure A.4Box plots of operating cost indicatorsÊ248

List of Tables
Table 1.1Relevant studies and publicationsÊ5
Table 2.1Structure of analysed operating costsÊ15
Table 2.2Predictor variable groupsÊ19
Table 3.1Operating cost indicatorsÊ49
Table 3.2Qualitative candidate predictor variable type of facilityÊ53
Table 3.3Comparison of the total, test, and training samplesÊ54
Table 4.1Absolute cost models of CG 300Ê61
Table 4.2Cost indicator models of CG 300Ê62
Table 4.3Coecients of non-linear regression model NLR(ind)300Ê63
Table 4.4Specications of binary classication tree model BCT(ind)300Ê66
Table 4.5Categorised CG 300 cost indicatorsÊ67
Table 4.6Comparison of PE and MAPE of CG 300Ê68
Table 4.7Absolute cost models of CG 310Ê73
Table 4.8Cost indicator models of CG 310Ê73
Table 4.9Coecients of non-linear regression model NLR(ind)310Ê75
Table 4.10Specications of binary classication tree model BCT(ind)310Ê76
Table 4.11Categorised CG 310 cost indicatorsÊ78
Table 4.12Comparison of PE and MAPE of CG 310Ê79
Table 4.13Absolute cost models of CG 311Ê83
Table 4.14Cost indicator models of CG 311Ê83
Table 4.15Coecients of non-linear regression model NLR(ind)311Ê85
Table 4.16Specications of binary classication tree model BCT(ind)311Ê86
Table 4.17Categorised CG 311 cost indicatorsÊ88
Table 4.18Comparison of PE and MAPE of CG 311Ê89
Table 4.19Absolute cost models of CG 312-316Ê94
Table 4.20Cost indicator models of CG 312-316Ê95
Table 4.21Coecients of non-linear regression model NLR(ind)312-316Ê96
Table 4.22Specications of binary classication tree model BCT(ind)312-316Ê99
Table 4.23Categorised CG 312-316 cost indicatorsÊ100
Table 4.24Comparison of PE and MAPE of CG 312-316Ê101
Table 4.25Absolute cost models of CG 316Ê105
Table 4.26Cost indicator models of CG 316Ê106
Table 4.27Coecients of non-linear regression model NLR(ind)316Ê107
Table 4.28Specications of binary classication tree model BCT(ind)316Ê108
Table 4.29Categorised CG 316 cost indicatorsÊ110
https://doi.org/10.1515/9783110596083-013

XIVË List of Tables
Table 4.30Comparison of PE and MAPE of CG 316Ê111
Table 4.31Absolute cost models of CG 320Ê115
Table 4.32Cost indicator models of CG 320Ê115
Table 4.33Coecients of non-linear regression model NLR(ind)320Ê116
Table 4.34Specications of binary classication tree model BCT(ind)320Ê119
Table 4.35Categorised CG 320 cost indicatorsÊ120
Table 4.36Comparison of PE and MAPE of CG 320Ê121
Table 4.37Absolute cost models of CG 330Ê125
Table 4.38Cost indicator models of CG 330Ê126
Table 4.39Coecients of non-linear regression model NLR(ind)330Ê127
Table 4.40Specications of binary classication tree model BCT(ind)330Ê128
Table 4.41Categorised CG 330 cost indicatorsÊ130
Table 4.42Comparison of PE and MAPE of CG 330Ê131
Table 4.43Absolute cost models of CG 340Ê135
Table 4.44Cost indicator models of CG 340Ê136
Table 4.45Coecients of non-linear regression model NLR(ind)340Ê137
Table 4.46Specications of binary classication tree model BCT(ind)340Ê138
Table 4.47Categorised CG 340 cost indicatorsÊ140
Table 4.48Comparison of PE and MAPE of CG 340Ê141
Table 4.49Absolute cost models of CG 350Ê146
Table 4.50Cost indicator models of CG 350Ê147
Table 4.51Coecients of non-linear regression model NLR(ind)350Ê148
Table 4.52Specications of binary classication tree model BCT(ind)350Ê150
Table 4.53Categorised CG 350 cost indicatorsÊ152
Table 4.54Comparison of PE and MAPE of CG 350Ê153
Table 4.55Absolute cost models of CG 352Ê157
Table 4.56Cost indicator models of CG 352Ê158
Table 4.57Coecients of non-linear regression model NLR(ind)352Ê159
Table 4.58Specications of binary classication tree model BCT(ind)352Ê160
Table 4.59Categorised CG 352 cost indicatorsÊ162
Table 4.60Comparison of PE and MAPE of CG 352Ê163
Table 4.61Absolute cost models of CG 353Ê168
Table 4.62Cost indicator models of CG 353Ê168
Table 4.63Coecients of non-linear regression model NLR(ind)353Ê169
Table 4.64Specications of binary classication tree model BCT(ind)353Ê172
Table 4.65Categorised CG 353 cost indicatorsÊ173
Table 4.66Comparison of PE and MAPE of CG 353Ê174
Table 4.67Absolute cost models of CG 354Ê178
Table 4.68Cost indicator models of CG 354Ê178
Table 4.69Coecients of non-linear regression model NLR(ind)354Ê179
Table 4.70Specications of binary classication tree model BCT(ind)354Ê181

List of TablesË XV
Table 4.71Categorised CG 354 cost indicatorsÊ182
Table 4.72Comparison of PE and MAPE of CG 354Ê183
Table 4.73Absolute cost models of CG 355Ê187
Table 4.74Cost indicator models of CG 355Ê187
Table 4.75Coecients of non-linear regression model NLR(ind)355Ê188
Table 4.76Specications of binary classication tree model BCT(ind)355Ê191
Table 4.77Categorised CG 355 cost indicatorsÊ192
Table 4.78Comparison of PE and MAPE of CG 355Ê193
Table 4.79Absolute cost models of CG 360Ê196
Table 4.80Cost indicator models of CG 360Ê196
Table 4.81Coecients of non-linear regression model NLR(ind)360Ê197
Table 4.82Specications of binary classication tree model BCT(ind)360Ê200
Table 4.83Categorised CG 360 cost indicatorsÊ201
Table 4.84Comparison of PE and MAPE of CG 360Ê202
Table 4.85Absolute cost models of CG 370Ê205
Table 4.86Cost indicator models of CG 370Ê205
Table 4.87Coecients of non-linear regression model NLR(ind)370Ê206
Table 4.88Specications of binary classication tree model BCT(ind)370Ê208
Table 4.89Categorised CG 370 cost indicatorsÊ209
Table 4.90Comparison of PE and MAPE of CG 370Ê210
Table 5.1Identied reference quantitiesÊ213
Table 5.2Identied predictor variables (Quantities)Ê215
Table 5.3Identied predictor variables (Characteristics)Ê216
Table 5.4Identied predictor variables (Utilisation, location, strategy)Ê217
Table 5.5Comparison of MAPE for developed statistical methodsÊ219
Table 5.6Comparison of MAPE for 1st, 2nd, and 3rd level cost estimationÊ220
Table 6.1Implementation of categorised CG 370 cost indicatorsÊ230
Table 6.2Observed and estimated values for example facilityÊ231
Table 6.3PE and MAPE for example facilityÊ232
Table A.1Absolute operating costsÊ245
Table A.2Percentage distribution on 1st level operating costsÊ246
Table A.3Percentage distribution on 2nd level operating costsÊ247
Table A.4Operating cost indicatorsÊ248
Table A.5Candidate reference quantitiesÊ249
Table A.6Candidate predictor variables: Specic areasÊ249
Table A.7Candidate predictor variables: CompactnessÊ249
Table A.8Candidate predictor variables: FunctionÊ250
Table A.9Candidate predictor variables: ConditionÊ250

XVIË List of Tables
Table A.10Candidate predictor variables: StandardÊ251
Table A.11Candidate predictor variables: LocationÊ253
Table A.12Candidate predictor variables: UtilisationÊ254
Table A.13Candidate predictor variables: Management strategyÊ254

Abstract
In order to assess the economic impact of decisions in a planning process holistically,
the entire life cycle of real estate should be considered. The approach of life cycle
costing includes therefore not only the initial investment costs but takes likewise the
consequential costs incurred during the operation and occupancy of real estate into
account. The operating costs cause a signicant amount of the total nancial expen-
ditures over the entire life cycle as illustrated in various studies and publications. Ac-
cordingly, a considerable potential of cost savings is provided by the expenditures for
the operation. To ensure economic viability, it is an essential task for participants in-
volved in the planning process to consider the determination of operating costs as
early as possible. Therefore, construction, renovation, or modernisation measures in-
cluding all available planning alternatives can be assessed holistically by respective
cost-benet analyses. Besides, the iterative process of cost control and management
during the operation of real estate can be considered as a fundamental task of cost
planning. Consequently, the determination of operating costs and knowledge about
signicant inuential variables on these costs are a crucial foundation for decision
making and budgeting.
Although the nancial relevance of operating costs and the substantial potential
of cost savings for property owners and leaseholders is illustrated in various studies
and publications, cost planning is to a large extent still limited to the determination
of construction costs. Previous research on operating costs focuses on specic utili-
sations (in particular oce and education facilities) and employs mainly regression
analyses as statistical method for the examination of empirical data. In this context,
there remains a lack of research on the determination of operating costs of real estate
under consideration of a wide range of utilisations based on the evaluation of a vari-
ety of statistical methods. The current research study is dedicated to the development,
validation, and evaluation of statistical models for an examination of causal interre-
lationships between operating costs and a variety of potential inuential variables on
these costs. The objective of the study is the provision of essential information, mod-
els, and adequate cost indicators for an accurate determination of operating costs for
a practical application in the eld of cost planning of real estate.
The quantitative approach of the current research study is based on empirical
data of more than 250 operated facilities located in Germany. Besides the operating
cost data, the investigation includes a wide range of variables with potential inu-
ence on these costs as for example quantities, conditions, standards, utilisations, lo-
cations, and management strategies. An extensive review of relevant research stud-
ies and publications serves as basis for the denition of key variables and the selec-
tion of the employed statistical methods. The classication of the analysed cost data
into cost groups is conducted according to the German standard DIN 18960:2008-02.
Thereafter, regression, articial neural network, and classication tree models are de-
https://doi.org/10.1515/9783110596083-017

XVIIIË Abstract
veloped and validated for 15 cost groups. The outcome includes the determination of
adequate reference quantities, the identication of signicant inuential variables,
and the introduction of categorised cost indicators. Likewise, the developed statisti-
cal models are evaluated and the most accurate operating cost estimation methods
are determined. In a detailed implementation example, the practical application of
the statistical models is demonstrated in a step-by-step presentation on the example
of a randomly selected and independent observation. Finally, the limitations and re-
strictions of the conducted investigation are critically discussed and addressed in an
outlook on further research.
The main ndings of the current investigation reveal a signicant interrelation-
ship between the utilisation of the facilities and their operating costs. The largest ef-
fect on the variance of the costs of nearly all cost groups is indicated for the type of fa-
cility as variable giving information on the utilisation. Further signicant inuence is
in particular revealed for the variable groups of quantities, conditions, and standards.
On the most detailed estimation level, a combination of the developed statistical mod-
els with the best performance provides an operating cost estimation with an error rate
of under 13 %. For 8 of the total 15 cost groups, regression models with transformed
variables for a correction of non-normality of the data distribution oer the highest
accuracy of cost estimation. Classication tree models reveal the best estimation per-
formance for 4 of the analysed cost groups including the heating energy costs (about
23 % of the operating costs) and the cleaning costs (about 35 % of the operating costs).
The results serve as a basis for the assessment of planning alternatives, decision mak-
ing, and budgeting and are directed towards architects, planners, and the real estate
management.

Zusammenfassung
Um in einem Planungsprozess die ökonomischen Auswirkungen von Entscheidun-
gen ganzheitlich bewerten zu können, sollte der gesamte Lebenszyklus einer Immo-
bilie berücksichtigt werden. Aus diesem Grund umfasst eine Lebenszykluskosten-
betrachtung nicht ausschlieÿlich die anfänglichen Investitionskosten, sondern be-
rücksichtigt gleichermaÿen die im Betrieb und während der Nutzung von Immobilien
anfallenden Folgekosten. Wie in verschiedenen Untersuchungen bereits festgestellt
wurde, haben Betriebskosten auf das Immobilienleben bezogen einen wesentlichen
Anteil an den gesamten nanziellen Aufwendungen. Demzufolge bieten die Betriebs-
kosten beträchtliche Einsparpotentiale und es ist eine maÿgebliche Aufgabe für alle
Planungsbeteiligten, diese Kosten so früh wie möglich zu berücksichtigen. Neu-
bau-, Umbau- oder Modernisierungsmaÿnahmen können so mit allen verfügbaren
Planungsalternativen durch entsprechende Kosten-Nutzen-Analysen ganzheitlich
bewertet werden. Ebenso können die Kosten von Immobilien während der Betriebs-
phase als unerlässlicher Teil der Kostenplanung in einem iterativen Prozess kontrol-
liert und gesteuert werden. Aus diesem Grund ist die Ermittlung der Betriebskosten
unƷ daɁ Wissen ?ber signikantǮ FaktorenC diǮ diesǮ Kosten beeinussen, f?Ɠ diǮ
EntscheidungsndunF unƷ Budgetbestimmung unumg?nglichČ
Obwohl die Relevanz von Betriebskosten und das erhebliche Kosteneinsparpo-
tential für Eigentümer und Mieter von Immobilien in einer Vielzahl von Studien
beschrieben ist, beschränkt sich die Kostenplanung zu einem groÿen Teil auf die
Baukosten. Die bisherige Forschung zu Betriebskosten legt den Schwerpunkt auf
die Untersuchung von einzelnen Gebäudenutzungsarten (insbesondere Büro- und
Bildungsimmobilien) und wendet dabei hauptsächlich die Regressionsanalyse als
statistische Methode zur Auswertung von empirischen Daten an. In diesem Zusam-
menhang mangelt es an Forschung, die sich mit der Bestimmung der Kosten für den
Betrieb unter Berücksichtigung von unterschiedlichen Gebäudenutzungen auf der Ba-
sis von verschiedenen statistischen Methoden befasst. Die vorliegende Forschungsar-
beit widmet sich der Entwicklung und Bewertung von statistischen Modellen zur
Untersuchung von Ursache-Wirkungs-Zusammenhängen zwischen Betriebskosten
unƷ m?glicheǦ Einussfaktoren. DiǮ ZielsetzunF deƓ Studie isḠ diǮ Bereitstellung
von grundlegenden Informationen, Modellen und geeigneten Kostenkennwerten für
eine genaue Bestimmung der Betriebskosten für die praktische Anwendung in der
Kostenplanung von Immobilien.
Der quantitative Ansatz der vorliegenden Forschungsarbeit basiert auf den em-
pirischen Daten von mehr als 250 Immobilien, die sich in Betrieb benden. Neben den
Betriebskosten enthält die Studie eine Vielzahl von Variablen, die möglicherweise
EinusɁ auƸ diǮ Kosten haben. Zu deǦ VariableǦ geh?reǦ beispielsweise MengenC
Zustandsbeschreibungen, Standards, Angaben zur Gebäudenutzung, Umfeldeigen-
schaften und Managementstrategien. Als Grundlage für die Auswahl der Variablen
https://doi.org/10.1515/9783110596083-019

XXË Zusammenfassung
und der verwendeten statistischen Methoden dient eine umfassende Literaturrecher-
che. Die Auswertung der Kostendaten erfolgt nach der Einteilung in die entsprechen-
den Kostengruppen nach der Norm DIN 18960:2008-02. Anschlieÿend werden für 15
Kostengruppen Regressionsmodelle, künstliche neuronale Netzwerke und Entschei-
dungsbaummodelle entwickelt und validiert. Als Ergebnisse werden geeignete Refe-
renzmengen für die Betriebskosten, signikante Einussfaktoren und kategorisierte
Kostenkennwerte präsentiert. Ebenso werden die entwickelten statistischen Modelle
hinsichtlich ihrer Genauigkeit bewertet. Anhand einer zufällig ausgewählten und un-
abhängigen Immobilie wird in einem detaillierten Beispiel die praktische Anwendung
der entwickelten Modelle dargestellt. Die Einschränkungen und Anwendungsgrenzen
der durchgeführten Untersuchung werden schlussendlich kritisch diskutiert und es
wird ein Ausblick auf mögliche zukünftige Forschung gegeben.
Die Ergebnisse der Untersuchung zeigen eine signikante Abhängigkeit der Be-
triebskosten von der Nutzungsart der Immobilien. Aus der statistische Analyse wird
ersichtlich, dass die Gebäudenutzung in nahezu allen Kostengruppen die gröÿte Va-
rianz der jeweiligen Kosten verursacht. Weitere signikante Einussfaktoren zeigen
sich insbesondere in den Variablengruppen der Mengen, Zustandsbeschreibungen
und Standards. Auf der detailliertesten Ebene der Kostenschätzung ermöglicht eine
Kombination der genauesten entwickelten statistischen Modelle eine Fehlerrate von
unter 13 % für die Ermittlung der Betriebskosten. Regressionsmodelle mit trans-
formierten Variablen zum Ausgleich einer nicht vorhandenen Normalverteilung bi-
eten die höchste Genauigkeit der Kostenschätzung für 8 von insgesamt 15 Kosten-
gruppen. Entscheidungsbaummodelle ermöglichen die genaueste Kostenschätzung
für 4 der analysierten Kostengruppen, wie zum Beispiel für die Heizenergiekosten
(Betriebskostenanteil ungefähr 23 %) und für die Reinigungskosten (Betriebskos-
tenanteil ungefähr 35 %). Die Ergebnisse dienen als Basis für die Bewertung der
Wirtschaftlichkeit von Planungsalternativen, zur Entscheidungsndung und für die
Budgetbestimmung. Die Studie richtet sich dabei an Architekten, Fachplaner und das
Immobilienmanagement.

1 Introduction
1.1Background and problem statement
The term life cycle costing for the determination of the total costs incurred during the
service life of a system was initially introduced in 1965 by the US Logistics Management
Institute in order to assess military systems economically as for example described
by Dhillon (2009). The rst guideline for the assessment of construction projects was
published by the US Department of Commerce in 1978 (Ruegg et al.). Within the context
of the rst global energy crisis, the guideline describes the determination and evalu-
ation of life cycle costs for alternatives of energy saving measures for public building
projects. In general, the life cycle costing approach in the eld of construction includes
not only the initial investment costs but takes likewise consequential costs into ac-
count. As illustrated in various studies and publications, the costs incurred during
the operation and occupancy of real estate cause a signicant amount of the total -
nancial expenditures over the entire life cycle. Consequently, a considerable potential
of cost savings for property owners and leaseholders is provided by the expenditures
for the operation of real estate.
Cost planning is to a large extent still limited to the determination of the initial
construction costs, even though the nancial relevance of operating costs and the re-
spective potential of cost savings is illustrated in various studies and publications. The
determination of operating costs at an early stage of the planning process is therefore
an essential task in order to ensure the economic viability of construction projects.
As a substantial element of cost planning, alternatives of construction, renovation, or
modernisation measures can be assessed holistically by respective cost-benet anal-
yses under consideration of operating costs. Likewise, the iterative processes of cost
control and cost management can be conducted on the basis of a holistic determi-
nation of costs. The general scope of cost planning according to the standard DIN
18960:2008-02 is illustrated in Figure 1.1.Cost planning
Cost determination Cost control Cost management
Intervention in the pr
ocess of
- planning,
- execution,
- occupancy, or
- operation
to meet the requirement
speci!cations and for an
optimisation if necessary.
Comparison of current costs
with earlier cost determinations
and requirement speci!cations,
e.g. comparison with benchmarks.
Estimation of future costs and
assessment of incurred costs on
various levels:
- First projection
- Preliminary estimate
- Approximate estimate
- Final estimate
- Final statement
Figure 1.1.Scope of cost planning according to DIN 18960:2008-02
https://doi.org/10.1515/9783110596083-021

2Ë 1 Introduction
Cost planning comprises the iterative processes of cost determination, cost control,
and cost management. The process of cost determination can be distinguished into
ve levels, whereby the rst projection, the preliminary estimation, the approximate
estimation, and the nal estimation intend to predict future expenditures and the -
nal statement intends to assess the costs incurred during the operation phase. The
various levels of cost determination can by be carried out for construction, renova-
tion, or modernisation measures. In contrast, the process of cost control is applied in
order to compare incurred costs to earlier cost determinations or requirement speci-
cations. The intervention in the processes of planning, execution, occupancy, and
operation is accomplished by the cost management as outlined in the standard DIN
18960:2008-02. The scope of cost management includes optimisations in the opera-
tion or in the planning that are carried out in order to meet the initial requirement
specications. Throughout all these iterative processes of cost planning, the involved
architects, planners, and the real estate management face the challenge to provide an
accurate determination of operating costs. Likewise, there is a lack of knowledge on
signicant inuential factors for a holistic assessment of measures. Against this back-
ground, the operating cost planning is currently subject to the following problems:
What are signicant inuential factors on operating costs and how do they aect
these costs?
What are appropriate methods for an accurate determination of operating costs
for a holistic cost planning?
1.2Scope and objective
In the illustrated context of cost planning, the current research study is dedicated to
the provision of relevant essentials for the determination, control, and management
of expenditures for the operation of real estate. Therefore, a quantitative approach is
employed in order to analyse empirical data of operated facilities and explain operat-
ing costs systematically. The current study intends to reveal and describe the causal
interrelationships between operating costs and a variety of variables with potential
inuence on these costs. Furthermore, the study aims to introduce and evaluate ap-
propriate tools for an accurate determination of operating costs. The main objective is
the provision of an essential basis of information for the practical application in the
eld of life cycle cost planning of real estate. The results aim to provide the founda-
tion for a holistic assessment of planning alternatives of construction, renovation, or
modernisation measures and have the objective to support decision making and bud-
geting under consideration of operating costs. The research study is directed towards
architects, planners, and the real estate management.
An extensive review of relevant research studies and publications in the elds
of operating cost estimation and cost modelling provides the foundation for the def-
inition of relevant key variables and for the selection of multiple statistical methods

1.3 State of the artË 3
for the analysis. In the course of the statistical analysis, signicant interrelationships
between the costs and adequate reference quantities are identied and respective op-
erating cost indicators are introduced. Based on the cost indicators, further statistical
models are developed and presented in detail. The statistical models intend to iden-
tify signicant inuential variables and give an accurate estimation of operating costs.
The most signicant inuential variables are employed in order to present categorised
cost indicators. Finally, the most accurate operating cost estimation method is deter-
mined by a comparison and evaluation of the developed statistical models and cate-
gorised cost indicators. In conclusion, the main objectives of the current research on
operating cost planning can be summarised as follows:
Identication of adequate reference quantities
Identication of signicant inuential variables
Introduction of categorised cost indicators
Introduction, comparison, and evaluation of cost estimation methods
1.3State of the art
The calculation and determination of costs in the eld of construction has a relatively
long tradition as summarised in an extensive review of literature on cost modelling
published by Newton (1991). The rst approaches of cost modelling are initially based
on the techniques of regression analysis and simulation and were introduced in the
1970s as described by Ashworth and Perera (2015). Based on the availability of com-
puters as a common tool in the construction industry, a more reliable and accurate
estimation of construction costs was expected by the employment of the new tech-
niques. Simultaneously, the evaluation of dierent designs and planning alternatives
under consideration of the initial construction costs has become an important matter
in construction economics. The rst regression models as tools for the estimation of
construction costs are presented in the studies of Kouskoulas and Koehn (1974), Mc-
Caer (1975), and Bowen and Edwards (1985). With the life cycle costing approach in
the 1980s and in particular with the whole life costing approach at the beginning of
the 2000s, the consideration of costs incurred during the operation and occupancy
of real estate has become signicantly more important. With the shift away from the
focus on the initial construction costs, the whole life cycle of real estate is considered
for the calculation and determination of costs in a long-term perspective (cf. Ashworth
and Perera, 2015).
A selection of relevant studies and publications in the context of operating cost
determination is presented in Table 1.1. The list of studies and publications includes
a description of the type of conducted investigation, the employed data sample, the
scope of analysed costs, and a summary of the main results. The focus of the review
of literature lies both on literature providing tools for an estimation of operating costs
and on literature analysing the causal interrelationships between the costs and inu-

4Ë 1 Introduction
ential factor groups. The rst investigation addressing the consequential costs of real
estate in Germany is published by Siegel and Wonneberg (1977). The empirical analy-
sis employs the data of 110 oce facilities and presents an extensive documentation of
management and operating costs under consideration of building characteristics as
an inuential factor group. A further investigation of the data basis of Siegel and Won-
neberg is conducted by Kalusche (1991) in an analysis of capital, object management,
operating, and maintenance costs.
In 1998, the study of Al-Hajj and Horner provides an approach to model operat-
ing and maintenance costs by application of the Pareto principle in order to identify
the most signicant components of these cost types. The rst approach to employ a
relatively large data basis of approximately 14,000 residential facilities in the United
States in a statistical analysis is presented by the Graduate School of Design of the
Harvard University GSD (2003). Focussing on internal factors, building characteris-
tics, and the location as inuential factors, the variance of management and operating
costs is analysed utilising regression models. Based on 116 oce facilities located in
Switzerland, Stoy (2005) provides regression models and cost indicators for capital,
management, and maintenance costs. The statistical analysis determines strategies
and building characteristics as the main factors inuencing these cost types. Further
statistical models for the identication of signicant variables with inuence on the
energy consumption and operating costs of school facilities are introduced by Beusker
(2012). The research study is based on 130 observations and identies the utilisation,
functional and technical characteristics, and strategies as signicant factor groups
with impact on costs. Likewise, Hawlik (2015) conducts a statistical analysis of 125
child day care facilities and determines the utilisation, building characteristics, and
technical characteristics as relevant factor groups.
Besides the approaches to analyse the operating costs of real estate statistically,
various studies oer cost indicators based on empirical data for the estimation of con-
sequential costs. For example, the Building Cost Information Service of the Royal In-
stitution of Chartered Surveyors provides a compilation of occupancy cost indicators
from various sources for the British market since 1999 (BCIS, 2007a,b). The scope of
costs includes the management, utilities, cleaning, and maintenance with a categori-
sation according to multiple utilisations, locations, building characteristics, and tech-
nical characteristics. On an international level, further data is published by the Inter-
national Facility Management Association including categorised management, oper-
ating, and maintenance cost indicators based on the data of more than 1,400 facili-
ties (IFMA, 2009). The cost indicators are dierentiated by the utilisation, character-
istics, the location, and the management strategy. For the Swiss market, pom+ (2016)
publishes categorised management, operating, and maintenance cost indicators em-
ploying a data basis of currently more than 15,000 facilities. The utilisation, building
characteristics, and the location are employed for a categorisation of the indicators
presented in the publication.

1.3 State of the artË 5
Table 1.1.Relevant studies and publicationsType ResultsData basis Analysed costs
Al-Hajj and Horner (1998)
Simple modelling:
Pareto principle
20 university facilities
(residential, teaching,
laboratory buildings)
Operating and
maintenance costs
Most signicant
cost components:
Cleaning, gas, electricity
Bahr (2008)
Calculation method 17 facilities
(school and oce
facilities)
Maintenance costs Influential factor groups:
Building characteristics
(age, standard, size, layout)
maintenance strategy,
utilisation, and location
BCIS (2007a) and BCIS (2007b)
Categorised
cost indicators
Facilities of
dierent utilisations,
data of various sources
Management,
utility,
cleaning, and
maintenance costs
Categorised cost indicators:
Utilisation, location,
building characteristics,
technical characteristics
Beusker (2012)
Statistical analysis:
Regression and
categorised indicators
130 school facilities Operating and
repair costs,
energy consumption
Reference quantities and
influential factor groups:
Utilisation,
functional characteristics,
technical characteristics,
strategy and operation
BMVBS (2013) and BMUB (2015)
Calculation method
for life cycle costs
(net present value NPV)
Capital,
operating, and
repair costs
Consideration of the
following parameters:
Water, heating energy,
electricity consumption,
cleaning level, and
service life of components
FMBW (2004)
Categorised cost and
consumption indicators
approx. 2,000
municipal facilities
Operating and
maintenance costs,
energy consumption
Categorised cost indicators:
Utilisation
GSD (2003)
Statistical analysis:
Regression
approx. 14,000
residential facilities
Management and
operating costs
Factor groups:
Internal factors (occupants),
building characteristics,
location
Hawlik (2015)
Statistical analysis:
Regression and
cost indicators
125 child day care
facilities
Operating,
repair, and
personnel costs
Factor groups:
Utilisation,
building characteristics
technical characteristics
(Table continued)

6Ë 1 IntroductionType ResultsData basis Analysed costs
IFMA (2009)
Categorised area and
cost indicators
1,422 facilities
of dierent utilisations
Management,
operating, and
maintenance costs
Categorised cost indicators:
Utilisation,
building characteristics,
location, strategy
JLL (2016)
Categorised
cost indicators
337 oce facilities Management,
operating, and
maintenance costs
Categorised cost indicators:
Building characteristics
(size, standard of the
construction and technical
installations), location
Kalusche (1991)
Empirical analysis Siegel and Wonneberg
(1977)
Capital,
object management,
operating, and
maintenance costs
Influential factor group:
Building characteristics
Kalusche (2008)
Remarks on the
DIN 18960:2008-02
Capital,
object management,
operating, and
repair costs
Relevant factor groups:
Characteristics, utilisation,
internal factors (owners,
operators, occupants),
external factors (social, legal,
economic, environmental)
Naber (2002)
Calculation method
based on cost indicators
Oce and
school facilities
Capital,
management,
operating, and
maintenance costs
Signicant cost components:
Maintenance, cleaning,
heating, electricity
Pelzeter (2006)
Case study
theoretical calculation
of life cycle costs
2 facilities Capital,
operating, and
maintenance costs
Variation of factor groups:
Location,
layout and characteristics,
environment
pom+ (2016)
Categorised area and
cost indicators
15,200 facilities
of dierent utilisations
Management,
operating, and
maintenance costs
Categorised cost indicators:
Utilisation,
building characteristics,
location
Riegel (2004)
Calculation method
and software tool
Validation based on
6 oce buildings
Management,
operating, and
repair costs
Influential factor groups:
Utilisation,
building characteristics,
technical characteristics,
management strategies
(Table continued)

1.3 State of the artË 7Type ResultsData basis Analysed costs
Rotermund (2016)
Cost, consumption,
and area indicators
2,925 facilities
of dierent utilisations
Management,
operating, and
repair costs
Categorised cost indicators:
Utilisation
Siegel and Wonneberg (1977)
Empirical analysis 110 oce facilities Management, and
operating costs
Influential factor group:
Building characteristics
Stoy (2005)
Statistical analysis:
Regression and
cost indicators
116 oce facilities Capital,
management,
operating, and
maintenance costs
Influential factor groups:
Strategies (net asset value,
amortisation, maintenance),
building characteristics
(standard and condition),
utilisation
Stoy et al. (2015) and Stoy et al. (2017)
Categorised
cost indicators
250 facilities
of dierent utilisations
Operating and
repair costs
Categorised cost indicators:
Utilisation
On the German market, various facility management companies aim to provide operat-
ing cost data since the 1990s. For example, an annual report published by Jones Lang
LaSalle oers data of service charges of oce facilities for the purpose of benchmark-
ing with a categorisation according to various factors since 1996. The current report
(JLL, 2016) is based on the data of 337 operated oce buildings and categorises cost
indicators according to various characteristics and the location. Likewise, Rotermund
(2016) provides management, operating, and repair cost indicators based on the data
of about 3,000 facilities as benchmarks. Specic consumption and cost indicators di-
rected towards the real estate management of public facilities are published by the
FMBW (2004) with a categorisation by the type of facility and based on a data sample
of approximately 2,000 observations. Furthermore, the Cost Information Centre of the
German Chamber of Architects BKI oers operating and repair costs of operated real
estate since 2010 (e.g. Stoy et al., 2015, 2017). Providing both detailed documentations
of individual facilities and statistical cost indicators, the publication series is directed
towards architects and planners and aims to provide the basis for an accurate cost
estimation.
Further studies and publications intend to provide calculation methods and are
partly based on empirical data. The research study of Naber (2002) introduces calcula-
tion methods for capital, management, operating, and maintenance costs and is based
on the utilisation of respective cost indicators. A software tool including calculation
methods for management, operating, and repair costs is provided by Riegel (2004).
The calculation methods are validated on the basis of 6 oce buildings and the utili-
sation, building characteristics, technical characteristics, and management strategies

8Ë 1 Introduction
are determined as relevant inuential factor groups. A detailed calculation method di-
rected towards the determination of maintenance costs is presented by Bahr (2008).
The study is based on the data of 17 operated school and oce facilities and identi-
es building characteristics, maintenance strategies, the utilisation, and the location
as factor groups with inuence on the maintenance costs. Furthermore, the Evalua-
tion System for Sustainable Building BNB by the BMVBS (2013) and the BMUB (2015)
introduces a calculation method for life cycle costs of teaching facilities, oce facili-
ties, and laboratories under consideration of operating costs. Therefore, water, heat-
ing energy, electricity, service levels, and the service live of components are included
as relevant parameters for the calculation.
The presented summary of relevant studies and publications gives a detailed
overview of the current state of the art in the eld of research. The review reveals
various limitations that are addressed in the current study. In general, only minor
importance is given to the investigation of adequate reference quantities for the cost
planning of operating costs. Therefore, one of the main objectives of the current study
is the determination of adequate reference quantities in order to provide foundations
for cost planning and accurate cost estimations. Furthermore, available studies and
publications are to a large extent restricted to an analysis of individual utilisations
and types of facilities (in particular oce and education facilities). Against this back-
ground, a variety of facility types with a wide range of utilisations are employed as
basis for the current investigation. Likewise, the focus of previous empirical research
lies primarily on the utilisation of regression analysis as statistical method. In con-
trast, the current study introduces and evaluates multiple statistical methods for
the identication of interrelationships between variables and for the estimation of
operating costs.
A further review of relevant studies and publications is presented as a basis for
the denition of the operating costs as analysed variables in Section 2.2.1. Likewise, a
wide range of potential inuential variables is determined on the basis of an extensive
review of relevant literature as presented in Section 2.2.2. Furthermore, the selection
and introduction of the employed statistical methods in Section 2.3 contains a presen-
tation of relevant research studies and publications.
1.4Manuscript structure
Chapter 2 gives an overview of the research methodology. This includes a general de-
scription of the approach to conduct a statistical analysis based on empirical data.
A denition of key variables of the investigation includes the description of relevant
studies describing variables in the eld of research. Moreover, the statistical meth-
ods and the procedure to develop statistical models are presented in detail. Finally,
performance measures for the evaluation and comparison of the performance of the
developed models are introduced.

1.4 Manuscript structureË 9
Chapter 3 introduces the data sample employed to conduct the current research.
This includes information on the collection of the data and an evaluation of their qual-
ity. Furthermore, the process of data preparation is presented in detail. In order to
draw unbiased conclusions about the performance of the developed models, the sam-
pling of the underlying data into a training and test sample is outlined. Likewise, the
representativeness and restrictions of the results of the investigation are discussed
under consideration of the scope of the sample.
Chapter 4 describes the results of the conducted data analysis. Based on an illus-
tration of the theoretical basis and the employed variables, the development of the
statistical models is presented in a summary. The performance of the models is dis-
cussed and the best models are described in detail. Categorised cost indicators are
introduced as an alternative estimation method. The performance of the statistical
methods is validated and compared by the independent test sample. The results of
the respective analyses are outlined in a short summary.
Chapter 5 summarises the main results of the investigation. This includes a de-
scription of the revealed causal interrelationships between the available variables.
Furthermore, the introduced statistical models and their estimation performance is
compared and outlined employing the total data sample.
Chapter 6 provides a step-by-step presentation of the implementation of the de-
veloped statistical methods with the best performance. Based on the example of a
randomly selected and independent observation, the practical applicability of the sta-
tistical methods is demonstrated in detail. This includes a discussion of the respective
amount of information required for a practical application.
Chapter 7 focuses on the limitations of the conducted research in a concluding
statement. This contains a discussion of the restrictions of the results under consider-
ation of the scope of the underlying data and the employed statistical methods. Fur-
thermore, an outlook addresses problems and objectives that may be considered in
future research in the current research eld.

2 Methodology
2.1Quantitative approach
A quantitative approach is based on empirical data and intends to explain an ob-
served phenomenon systematically. Empirical data consists of measurements on suit-
able scales and the collection of the data is built upon the ndings of previous re-
search as outlined by Fellows and Liu (2015). An analysis of the empirical data can
be conducted employing statistical, mathematical, or computational techniques. In
order to avoid interferences of the analyses and ndings, a precise denition of the
subject matter is required (Fellows and Liu, 2015). The current study has the objec-
tive to identify signicant interrelationships between the operating costs and factors
that inuence these costs. Furthermore, the study intends to introduce and evaluate
tools for an accurate estimation of operating costs. Therefore, various statistical mod-
els are developed and presented. Fellows and Liu (2015) describe models as a tool to
represent the reality as close as possible. Models can describe a design, actual object,
process, or system.Re
sponse variable
Predict
or variables
Figure 2.1.Interrelationships between variables (adapted from Tabachnick and Fidell, 2009)
In a statistical model, the response variable describes the quantity that varies underthe inuence of one or multiple predictor variables. In Figure 2.1, the interrelation-ships between one response variable and three predictor variables are illustrated ex-emplarily. The overlapping areas of the circles indicate the share of variance of theresponse variable that can be explained by the respective predictor variable. The sta-tistical models aim to cover as much variance of the response variable as possibleand provide consequently an accurate representation of the reality. The current Chap-ter describes the scope of the operating costs as the analysed response variables. Be-sides, a wide range of candidate predictor variables is presented including a review ofprevious research. Furthermore, the methods employed for statistical modelling aredescribed in detail.
https://doi.org/10.1515/9783110596083-031

12Ë 2 Methodology
A general illustration of the dynamic research process employed in the current
study is presented in Figure 2.2. Based on the denitions of the aim and objectives as
described in the previous Chapter, an initial preparation of the data sample is con-
ducted. A review of relevant research studies in the elds of operating cost estimation
and modelling of costs in construction serves as the basis for the denition of the key
variables to be analysed. Furthermore, suitable statistical methods are selected by the
literature review and by an initial analysis of the underlying data sample. After the
statistical pre-analysis, regression analysis is used to develop models for the estima-
tion of absolute operating costs. Primarily, the developed absolute cost models intend
to identify signicant interrelationships between the costs and candidate reference
quantities. After a validation of the developed regression models, the identied most
adequate reference quantities are employed to establish respective operating cost in-
dicators.
In the main analysis, the introduced cost indicators serve as response variables for
the development of various statistical models. Based on the underlying data and pre-
vious studies in particular in the eld of construction cost estimation, the statistical
methods for the analysis and model development are selected to be regressions, arti-
cial neural networks, and classication trees. In contrast to the absolute cost models,
these models are developed to give an accurate estimation of operating costs and to
reduce the extent of estimation error to a minimum. Further aim of the cost indicator
models and in particular of the regression and classication tree models is the identi-
cation of relevant predictor variables with signicant impact on the analysed costs.
The model development is conducted in an iterative process including a validation of
relevant parameters, a measure of t to the underlying data, and a comparison of the
results between individual models to ensure their correct specication.
Based on the results of the statistical analysis of both absolute costs and cost in-
dicators, the identied reference quantities and the signicant predictor variables are
employed to provide categorised operating cost indicators. The categorisation of the
indicators is conducted by the variables with the largest eect on the analysed costs,
as determined by the regression and classication tree analysis. The respective me-
dian values are introduced to provide a further method for cost estimation. In the nal
procedure of the main analysis, all developed models and the median values of cate-
gorised cost indicators are evaluated in regard to their estimation performance. There-
fore, an independent test sample is employed for unbiased conclusions to be drawn
on the estimation accuracy. Finally, the identied reference quantities, the signicant
predictor variables, and the most accurate cost estimation methods are summarised
and the practical application of the developed statistical models is presented in an
implementation example.

2.1 Quantitative approachË 13Development of
cost indicator models
Development of
ab
solute cost models
Measurement of
performance
Categorised
cost indicators
Initial data
preparation
Aim and
objectives
Lit
erature review
De!nition of
key variables
Selection of
statistical methods
Pr
e-analysis of data sample
Inp
ut:
Abso
lute costs /
candidate predictors
Line
ar regression
LR(abs) model
Model
validation
Inp
ut:
Cos
t indicators /
cand. predictors
Inp
ut:
Cos
t indicators /
cand. predictors
Inp
ut:
Cos
t indicators /
cand. predictors
Inp
ut:
Cos
t indicators /
cand. predictors
Line
ar
regre
ssion
LR(ind) model
Non-line
ar
regre
ssion
NLR(ind) model
Ar
ti!cial
neura
l network
ANN(ind) model
Bin
ary
cla
ss!cation tree
BCT(ind) model
Model
validation
Model
validation
Model
validation
Model
validation
R
eference quantities /
signi!cant
predictors
Median values of
categorised cost indicators
Indpendent
tes
t sample
C
omparison of observed
and es
timated values
Most accurate
estimation method
Signi!cant
predictor variables
Adequate
reference quantities
Outlook on further research
Implementation example
Results summary
Indicators for
cost estimation
P
erformance evaluation
of developed
models
Figure 2.2.General description of the research process

14Ë 2 Methodology
2.2Denition of key variables
2.2.1Response variables
The objective of the current study is the identication of signicant interrelationships
between predictor variables and the operating costs. Further aim is the development
of statistical models for an accurate estimation of these costs. The denition of re-
sponse variables as the variables under investigation is an essential tasks in order
to conduct this quantitative approach. The response variables describe the quanti-
ties that vary under the inuence of one or multiple predictor variables. Considering
that, the operating costs as dened in the standard Occupancy costs of buildings
(DIN 18960:2008-02) are determined as the response variables of the current study.
The standard is widely used in Germany and includes a classication structure for the
planning with occupancy costs and principles for their determination. The planning
with occupancy costs comprises the estimation, the control, and the management of
costs. The standard was rst introduced in 1976 and further developed since then in
the version of 1999 and the current version of 2008.
The standard DIN 18960:2008-02 generally describes the scope of occupancy
costs as all regularly and irregularly recurring costs of building structures and
their sites under consideration of the period of time from the begin of their occu-
pancy until their demolition (operating life). Occupancy costs include the period of
delivery and optimisation, the period of operation, the period of modernisation, and
the period of restitution until the beginning of the period of demolition. According to
the denition, occupancy costs do not include the costs for the construction, for the
conversion, and for the removal of buildings. Likewise the scope of occupancy costs
does not include the enterprise and production related costs for sta and equipment
if they can be determined separately. The structure of the standard DIN 18960:2008-02
classies occupancy costs into cost groups on three levels. The rst level comprises
the CG 100 of capital costs, the CG 200 of management costs, the CG 300 of operating
costs, and the CG 400 of repair costs. The second and third level cost groups cover a
more detailed sub-classication of the mentioned cost groups.
The scope of cost data under investigation in the current study includes the rst
level cost group CG 300 of operating costs and the respective sub-classied cost
groups. The cost data were obtained from multiple project partners as cash ows
for accounting periods of between one and ve years as described in Section 3.2.1.
A mean value of the data is determined if the data contain cash ows for more than
one year. The annual data are adjusted to rst quarter 2016 prices and include the
current value added tax rate VAT. The data are classied into 15 cost groups on all
three levels of the cost structure of DIN 18960:2008-02. The structure of the current
investigation is presented in Table 2.1. The cost groups are analysed in the respective
Sections of Chapter 4 as outlined in the Table. On the most detailed third level of the
cost structure, analyses are conducted for seven sub-groups of CG 310 (utility costs)

2.2 Denition of key variablesË 15
and CG 350 (operation, inspection and maintenance costs). On the second level, 7 cost
groups are analysed. The rst level cost group CG 300 of operating costs is aggregated
from the respective second level cost groups and is likewise analysed as illustrated in
Table 2.1.
Table 2.1.Structure of analysed operating costsCost group (DIN 18960:2008-02) Statistical analysis
CG 300 Operating costsSection
4.1
CG 310 UtilitiesSection
4.2
CG 311 Water Section 4.3
CG 312 OilCG 312-316:
Section 4.4

CG 316:
Section 4.5
CG 313 Gas
CG 314 Solid fuels
CG 315 District heating
CG 316 Electricity
CG 320 DisposalSection
4.6
CG 321 Sewage
CG 322 Waste
CG 330 Cleaning and care of buildingsSection
4.7
CG 331 Regular cleaning
CG 332 Glass cleaning
CG 333 Facade cleaning
CG 334 Cleaning of technical installations
CG 340 Cleaning and care of outdoor facilitiesSection
4.8
CG 341 Paved areas
CG 342 Planted and green areas
CG 343 Water areas
CG 344 Outdoor constructions
CG 345 Outdoor technical installations
CG 346 Outdoor equipment
CG 350 Operation, inspection and maintenanceSection
4.9
CG 352 Inspection and maintenance of building constructionSection 4.10
CG 353 Inspection and maintenance of technical installationsSection 4.11
CG 354 Inspection and maintenance of outdoor facilities Section 4.12
CG 355 Inspection and maintenance of furniture and equipmentSection 4.13
CG 360 Security and surveillanceSection
4.14
CG 361 Supervision according to public law regulations
CG 362 Property security and surveillance
CG 370 Statutory charges and contributionsSection
4.15
CG 371 Taxes
CG 372 Insurance contributions

16Ë 2 Methodology
The current study focuses on the scope of costs directly related to the operation of fa-
cilities. The capital costs depend on the construction costs (DIN 276-1:2008-12) and are
not related to the operation of facilities. Likewise, the management costs depend on
the organisational structure and services of the real estate management and are not
related to the operation period. The CG 100 of capital costs, the CG 200 of manage-
ment costs, and the CG 400 of repair costs are not included in the scope of costs under
investigation. The employed cost classication structure of the German standard DIN
18960:2008-02 is adjusted to the local practices and is directly related to other national
standards as for example the DIN 276-1:2008-12. A comparison or implementation of
the results of the current study on an international level is dependent on the denition
and classication of the investigated cost types. In the following, an overview of inter-
national standards and their cost classication structures is presented and compared
to the denition of operating costs according to DIN 18960:2008-02.
DIN 31051:2012-09: Fundamentals of maintenance (Germany)
Within a presentation of basic denitions, the German standard provides a dieren-
tiation of the term maintenance into preventive maintenance, inspection, repair, and
improvement. The respective terminology is translated according to the standard DIN
EN 13306:2010-12. The operating costs under investigation in the current study include
inspection and maintenance costs (CG 350). The denition of CG 350 corresponds with
the denitions of preventive maintenance (measures for the delay of the wear of op-
erated systems) and inspection (measures to determine and assess the state and con-
dition of operated systems) in the standard DIN 31051:2012-09. Further maintenance
costs dened in DIN 31051:2012-09 correspond with the repair costs of DIN 18960:2008-
02 and the construction costs described in DIN 276-1:2008-12 and are not included in
the scope of costs under investigation in the current study.
GEFMA 200:2004-07: Costs of facilities management (Germany)
The German standard provides a cost classication structure including four levels,
considers the entire life cycle, and targets the facility management. A dierentiation
on the rst level of the structure is made between the periods of conception, planning,
construction, marketing, procurement, operation and occupancy, conversion and ren-
ovation, vacancy, and liquidation. The standard is partially in conformity with the cost
classication structures of the DIN 276-1:2008-12 and the DIN 18960:2008-02. The op-
erating costs under investigation in the current study can be mapped to the period of
operation and occupancy as presented in the standard GEFMA 200:2004-07.

2.2 Denition of key variablesË 17
ISO 15686-5:2008-06: Buildings and constructed assets (International standard)
The international standard provides denitions, a basic structure, and a calculation
method for life-cycle costing of buildings and constructed assets. The exemplary clas-
sication structure dierentiates between construction costs, operation costs, main-
tenance costs, and end-of-life costs with examples for the respective cost types. Ac-
cording to the standard, the scope of the analysed costs is to be adjusted in order to
accommodate local practices. The scope of the operating costs under investigation in
the current study can generally be mapped to the operation and maintenance costs
according to the classication structure of the standard. The international standard is
adopted as a national standard in the United Kingdom (BS ISO 15686-5:2008-06) and
Sweden (SS-ISO 15686-5:2008-06).
ÖNORM B 1801-2:2011-04: Project and object management in construction (Austria)
The Austrian standard denes basic terms and a classication structure of occupancy
costs for the application in structural and civil engineering. The classication struc-
ture provides two levels and includes costs of management, technical operations of
buildings, utility and disposal, cleaning, security services, building management, re-
pair and conversion, miscellaneous, and demolition and removal. Furthermore, the
standard describes necessary data for the determination of occupancy costs and re-
spective cost-benet analyses.
PD 15686-5:2008-06 (2008): Standardized method of life cycle costing (UK)
As a supplement to the international standard ISO 15686-5:2008-06, the publication
provides a more detailed description of the exemplary cost classication structure un-
der consideration of specic national issues. The provided cost structure contains two
levels and dierentiates between construction costs, maintenance costs, operation
costs, occupancy costs, end of life costs, non-construction costs, and income. In con-
trast to the German standard, the British supplement denes occupancy costs as user
support costs relating to the occupation of the building. The building-related operat-
ing costs under investigation in the current study can be mapped to the maintenance
and operation costs according to the British supplement.
NS 3454:2013-03: Life cycle costs for construction works (Norway)
The Norwegian standard provides denitions, a detailed calculation method, and a
three level classication structure of life cycle costs for construction projects. The clas-
sication structure dierentiates between nine cost groups on the rst level: Procure-
ment and construction, management, operation and maintenance, repair and devel-
opment, utilities, cleaning services, service and support, occupancy-specic costs,
and revenues from renting or selling of values. In a comparison with the German stan-

18Ë 2 Methodology
dard DIN 18960:2008-02, the Norwegian standard covers a larger scope of costs and
includes for example investment costs. Further dierences can be observed in partic-
ular in the denition of operation and maintenance.
SIA 480:2016-03: Economic assessment of investments (Switzerland)
A description of methods and assumptions for the economic assessment of invest-
ments is provided in the Swiss standard. The management costs and the costs of oper-
ation and maintenance are described as annual expenditures to be included in an eco-
nomic assessment. The operating costs are dierentiated into utilities and disposal,
cleaning and care, operation of technical installations, inspection of building con-
struction and technical installations, security and surveillance, statutory charges and
contributions, and maintenance and care of outdoor circulation areas and green ar-
eas. The classication of operating costs corresponds generally with the classication
introduced in the German standard DIN 18960:2008-02.
2.2.2Predictor variables
Predictor variables describe the quantities that cause the variance of one or multiple
response variables in statistical models as described by Backhaus et al. (2011). In order
to conduct a statistical analysis, candidate predictor variables that explain or estimate
the response variables have to be selected (cf. Chatterjee and Hadi, 2006). The candi-
date predictor variables can be determined from theory and literature as outlined by
Fellows and Liu (2015).
A general overview of variables with potential inuence on operating costs is pre-
sented in the standard DIN 18960:2008-02. The standard describes functional, tech-
nical, and organisational system characteristics, the user behaviour, and the system
environment as relevant variables with inuence on occupancy costs. The standard
ISO 15686-5:2008-06 characterises the orientation, the building footprint, the loca-
tion, the site, the building height, and the building layout as major variables inuenc-
ing the life cycle costs. Furthermore, the indoor climate control, the ventilation and
solar design, and the air conditioning and heating system are described as technical
standards with signicant implications on operating costs. According to the publi-
cation of BCIS (2007b), occupancy costs may be aected by the following variables:
Utilisation, building size, building shape, building layout, design and specication,
intensity of use, and location. Further information on relevant predictor variables are
presented in the studies of Stoy (2005) and Beusker (2012). They employ strategies,
building characteristics, the location, and the utilisation as main variable groups in
their investigation of occupancy costs. The variable groups introduced in further rel-
evant studies are presented in detail in Section 1.3.

2.2 Denition of key variablesË 19
Based on the review of various studies, the main variable groups of the current
study are determined as the quantities, the characteristics, the utilisation, the loca-
tion, and the management strategy of facilities. A detailed illustration of these vari-
able groups and respective sub-groups is presented in Table 2.2. The variable group of
quantities is dierentiated into reference quantities, specic areas, compactness, and
function. A detailed description of the characteristics of the facilities if provided by
variable sub-groups giving information on the condition and standard of the building
construction, technical installations, outdoor facilities, and furniture and equipment.
The main variable group of utilisation contains both descriptions of the type of facility
and specic utilisations. Moreover, the main variable group location is dierentiated
into urban location and topography. Finally, the variable group management strategy
includes information on cleaning services of the facilities. A detailed description of
the analysed variables is presented in the theoretical basis of the analysis of the re-
spective cost groups in Chapter 4. The general classication of the predictor variables
into the variable groups and their expected interrelationships with the operating costs
is outlined in the following overview.
Table 2.2.Predictor variable groupsVariable group
Quantities Reference quantities
Specic areas
Compactness
Function
Characteristics Condition Condition of building construction
Condition of technical installationsCondition of outdoor facilitiesCondition of furniture and equipment
Standard Standard of building construction
Standard of technical installationsStandard of outdoor facilitiesStandard of furniture and equipment
Utilisation Type of facility, specic utilisation
Location Urban location, topography
Management strategy Cleaning services
Quantities
The employment of quantities for the normalisation of cost data is a common ap-
proach in order to generate cost indicators for the estimation and comparison of costs.
Indicators are provided by various publications as for example BKI (2016) for construc-
tion costs or BCIS (2007b), JLL (2016), Rotermund (2016), and Stoy et al. (2017) for op-
erating costs. The employed reference quantities are for example the gross external

20Ë 2 Methodology
oor area GEFA, the gross internal oor area GIFA, or the number of workplaces in a
building. The standard DIN 277-3:2005-04 denes a reference quantity as a measur-
able value with an unit and gives volumes, areas, lengths, or numbers as examples.
The current study employs various candidate reference quantities for the introduc-
tion of operating cost indicators. The most adequate reference quantity is selected by
a statistical analysis and further investigations are conducted with the respective cost
indicators as response variable.
The employed candidate reference quantities are measured and classied as de-
ned in the standards DIN 277-1:2016-01 and DIN 277-3:2005-04. A translation of the
terminology of the German standards was conducted according to the terms used by
the CEEC (2008) and the RICS (2013). Figure 2.3 illustrates the classication structure
of the building areas and the volume according to DIN 277-1:2016-01. In the current in-
vestigation, the gross external oor area GEFA, the gross internal oor area GIFA, the
usable oor area UFA, and the gross building volume GBV are included as candidate
reference quantities.
As described in the standard VDI 3807-1:2013-06, the heatable share of the build-
ing area is the preferable reference quantity for the energy consumption. Assuming
that the heatable area has also signicant inuence on the operating costs, the heat-
able gross internal oor area hGIFA is analysed as candidate reference quantity. Be-
sides, the regularly cleaned gross internal oor area cGIFA is considered for the nor-
malisation of costs of some of the analysed cost groups. For cost groups related to
outdoor facilities, the non-built site area nbSAR is analysed as a candidate reference
quantity. The classication structure of site areas according to the standards DIN 277-
1:2016-01 and DIN 277-3:2005-04 is illustrated in Figure 2.4.
Besides their utilisation as candidate reference units, various quantities are exam-
ined as candidate predictor variables in the current study. For example, the indicators
provided by JLL (2016) are dierentiated into multiple building sizes and indicate a
signicant variation of costs. Likewise, the amount of specic areas as for example
cleaning or sanitary areas is expected to cause an alteration of costs. Therefore, the
shares of the usable oor area UFA, circulation area CA, sanitary area sGIFA, and reg-
ularly cleaned area cGIFA as dened in the standards DIN 277-1:2016-01 and DIN EN
15221-6:2011-12 are included as candidate predictor variables. Furthermore, the shares
of the heatable area hGIFA and ventilated and air-conditioned area vGIFA according
to the standard VDI 3807-1:2013-06 are considered as predictors. The described shares
refer to the gross internal oor area GIFA as a percentage. The shares of the non-built
area nbSAR and planted area pSAR refer on the contrary to the site area as a percentage
and are likewise analysed describing outdoor facilities and grounds.
The design and shape of buildings has signicant inuence on the energy con-
sumption and aects consequently also the operating costs as for example outlined
in the study of Depecker et al. (2001). The impact of the geometry, the type of glazing,
and the glazing area of buildings is for example investigated in the study of Ourghi
et al. (2007), establishing a correlation between the design of buildings and the heat-

2.2 Denition of key variablesË 21
ing energy and electricity consumptions. In order to investigate the inuence of the
compactness of facilities on the operating costs, the average oor size, average storey
height, and number of oors are considered as candidate predictor variables in the
analysis. Furthermore, various quantities describing the function of the facilities are
analysed as candidate predictor variables, such as the number of elevator stops and
number of sanitary facilities. Likewise, the share of glass surfaces and share of double
or triple glass surfaces on the facades are included as candidate predictors describing
the design of the facilities.Gross external floor area
GEFA
Gross internal floor area
GIFA Construction area
CONA
Usable floor area
UFA
Technical area
TA
Circulation area
CA
Gross building volume
GBV
DIN 277-1:2016-01
Figure 2.3.Classication of building areas and volumeSite area
SAR
Non-built site area
nbSAR B
uilt site area
bSAR
Planted site area
pSAR
Paved site area
pvSAR
DIN 277-1:2016-01 / DIN 277-3:2005-04
Figure 2.4.Classication of site areas
CharacteristicsThe condition of the construction and technical installations has signicant impact onthe operating costs as for example outlined by IPBau (1995). Signicant correlationsbetween the conditions of the tments and technical installations and the mainte-nance costs of the construction and technical installations are likewise determined inthe study of Stoy (2005). Therefore, the current investigation includes various predic-tor variables that describe the conditions of the construction, technical installations,outdoor facilities and grounds, and furniture and equipments. Based on a detailedlevel of available data as described in Section 3.2.2, the condition of single compo-nents is aggregated for the specic requirements of the respective costs to be analysed.Consequently, a wide range of predictor variables is included in the investigation as

22Ë 2 Methodology
for example the share of defective electrical installations in percent providing infor-
mation on the technical installations of the facilities.
As for example determined in the study of Balaras et al. (2007), the standards of
the construction and technical installations such as the building automation and the
lighting systems cause a signicant alteration of the energy consumption and aect
consequently the utility costs. Likewise, the VDI 3807-2:2014-11 describes a signicant
correlation between district heating systems and energy consumption. For a facility
with district heating, no heat loses by heat distribution and therefore a dierence of
utility costs are expected. Consequently, multiple candidate predictor variables pro-
viding information on the standards of the construction, technical installations, out-
door facilities and grounds, furniture, and equipments are analysed in regard to their
variation of operating costs. The candidate predictors describe for example the ther-
mal mass, exibility, existence of building conservation regulations, standard, and
type of heating energy source.
Utilisation
The utilisation of facilities has signicant inuence on operating costs as for exam-
ple described by Kalusche (2008). Detailed parameters for the calculation of water
and energy consumptions are provided in the Swiss standard SIA 380/1:2016-12. The
standard outlines an essential dierence of room temperatures, air exchange rates,
and water consumptions for various types of utilisations. Consequently, a correlation
between the utilisation and the utility costs is assumed. Likewise, the cleaning inter-
vals, materials, and type of areas to be cleaned dier substantially in dependence of
the utilisation of facilities and are therefore expected to alter the cleaning costs as for
example described by Ashworth and Perera (2015). Based on an extensive review of lit-
erature, the current investigation considers the type of facility, the specic utilisation,
and the type of water usage as candidate predictor variables describing the utilisation
of the analysed facilities.
Location
Further interrelationships are expected between the candidate predictor variables of
the variable group location and the operating costs as determined by a review of lit-
erature. For example, the operating and maintenance cost indicators provided by JLL
(2016) dierentiate between multiple locations. The variation of costs in dependence
of the locations indicates a signicant correlation. Furthermore, the topography of
the site area of the facilities is expected to have signicant inuence on for example
the cleaning and maintenance costs of outdoor facilities. The investigation includes
therefore a dierentiation between urban location and rural location as a candidate
predictor variable. The type of topography is likewise examined as candidate predic-

2.3 Statistical methodsË 23
tor with a distinction between a at and a sloped topography of the site areas of the
analysed facilities.
Management strategy
A general impact of management strategies on operating costs is outlined in various
studies as for example by Riegel (2004) and Kalusche (2008). A interrelationship be-
tween the outsourcing level of cleaning services and cleaning and care costs is deter-
mined in the study of Stoy (2005). Therefore, the inuence of the management strategy
is examined by the analysis of a candidate predictor variable providing information
on the type of cleaning services with a dierentiation between internal cleaning ser-
vices, external contractors, and cleaning by tenants. Likewise, facilities cleaned on a
voluntary basis are represented by the variable. Further management strategies as for
example the level of outsourced facility services or service level agreements can not
be considered since respective data is not available in the current study as described
in detail in Section 3.4.
2.3Statistical methods
2.3.1Pre-analysis of data sample
The data sample employed in the current study is evaluated in a statistical pre-analysis
in order to determine the quality of the data and to search for basic patterns. As de-
scribed by Fellows and Liu (2015), a basic examination of the raw data may reveal dif-
ferences in the patterns and ndings from what is determined by for example previous
studies. With a basic examination, an unbiased analysis can be ensured. Furthermore,
a pre-analysis may reveal measurement mistakes, corrupted data, and missing data.
A screening of the data before the main analysis may therefore prevent a distortion of
the results as described by Tabachnick and Fidell (2009). The pre-analysis of the data
employed in the current study is conducted by descriptive statistics. Descriptive statis-
tics describe and summarize the characteristics of a data sample and aim to give infor-
mation on the data distribution, extreme values, and errors as described by Fahrmeir
et al. (2013). A rough overview of the conducted pre-analysis is presented in the cur-
rent Section and a summary of descriptive statistics of the data sample is illustrated
in the Appendix.
Central tendency
Measures for the central tendency of a sample describe the centre of a data distribu-
tion and are employed to give information on the average level of a characteristic as
presented by Toutenburg and Heumann (2008). The arithmetic mean represents the

24Ë 2 Methodology
average of a series of values. The mean is dened as the sum of the values divided by
the number of observations included in a sample. The mean value is not robust to out-
liers and is highly inuenced by extreme values and skewed data distributions. The
utilisation of the median value has the advantage of a certain robustness against out-
liers and skewed data. The median value describes the middle value and separates the
higher 50 % partition from the lower 50 % partition. With its robustness, the median
is a commonly used measure to describe a typical value of a data sample.
Dispersion and measures of spread
The utilisation of quantiles generalises the idea to separate a data sample into parti-
tions as described by Toutenburg and Heumann (2008). Quantiles describe the value
of a cut-point that divides the data sample into two partitions. In contrast to the me-
dian value that generates two partitions of the same size, quantiles can be selected for
an arbitrary point for partition. The most common used quantiles describe the lower
quartile that separates a data sample into a lower 25 % and upper 75 % partition and
the upper quartile that separates into a lower 75 % and upper 25 % partition. The stan-
dard deviation is a measure utilised to give information on the variance of the values
and allows conclusions to be drawn on the dispersion of a data sample. It is calcu-
lated as the root of the variance and is therefore measured in the unit of the examined
variable. The variance is determined as the mean of the squared deviation of an obser-
vation from the mean value for a data sample. Low values of the standard deviation
indicate a low spread of the observations around the mean whereas high values indi-
cate a wide spread.
Data distribution
The distribution of a data sample may aect the outcome of a statistical analysis as
described by Tabachnick and Fidell (2009). The skewness is a measure to describe
the asymmetry of the data distribution in respect of the mean. A negative skewness
describes a distribution with the most of the observations concentrated in the right
of the distribution curve with a longer left tail. A right tailed distribution displays a
positive skewness and has the observations concentrated in the left of the distribution
curve. The kurtosis of a distribution measures the shape of the curve and is used as
an indicator for the deviation of a data sample from normal distribution (Toutenburg
and Heumann, 2008). A kurtosis value of 0 indicates normality of data distribution
whereas a negative value indicates a at distribution and a positive value indicates a
peaked distribution as presented by Ryan et al. (2012).

2.3 Statistical methodsË 25
Outliers
Tabachnick and Fidell (2009) dene an outlier as an observation with an extreme
value that may distort the results of a statistical analysis. Identied outliers may in-
dicate a mistake in the measurement of the data or a corruption of the data. In the
current study, the interquartile range is employed for the identication of outliers.
The interquartile range describes the dierence between the upper and lower quartile
and measures therefore the range of the middle partition of 50 % of a data sample. If
an observations has a distance from the upper or lower quartile of more than 1.5 times
the interquartile range, it is considered as an outlier. With a distance from the upper
or lower quartile of more than 3 times the interquartile range, an observation is iden-
tied as extreme outlier (cf. Toutenburg and Heumann, 2008). Consequently, extreme
values of a data sample are identied and a detailed examination of the respective
observations can be conducted.
Graphical description
In an exploratory data analysis, graphical illustrations of the measures of descriptive
statistics are employed for an analysis of a data sample as described by Chatterjee and
Hadi (2006). The pre-analysis of the data sample of the current study is conducted by
box plots, histograms, and scatter plots. Box plots depict the central tendency and the
dispersion of data graphically by an illustration of the median value, the upper and
lower quartiles, the minimum and maximum values, and the outliers. Information on
the data distribution including the skewness and kurtosis is provided by histograms.
They illustrate the frequency of observations of a data sample in intervals and are
likewise used for the pre-analysis by descriptive statistics in the current study.
2.3.2Regression analysis
The analysis of data with regressions has a relatively long tradition as a research
method in the eld of construction. As for example introduced in the studies of Kousk-
oulas and Koehn (1974), McCaer (1975), and Bowen and Edwards (1985), regression
models serve as tools for the estimation of construction costs since the 1970s. Recent
studies as for example by Lowe et al. (2006), Stoy et al. (2012), and Dursun and Stoy
(2016) employ regression models for the identication of relevant predictors and for
the purpose of an early construction cost estimation. A rst approach to create a model
in order to estimate operating and maintenance costs of buildings under considera-
tion of relevant predictor variables is carried out by Al-Hajj and Horner (1998). Further
approaches as for example by Stoy (2005), use regression models for the analysis of
capital, object management, operating, and maintenance costs of oce buildings.
Recently, Beusker (2012) introduces various regression models for the identication
of variables with inuence on the energy consumption and operating and repair costs

26Ë 2 Methodology
based on the empirical data of 130 school facilities. Based on the review of litera-
ture presented in Section 1.3, regression analysis is employed as one of the statistical
methods for the execution of the current study.
Model development
As described by Chatterjee and Hadi (2006), regression analysis is a statistical method
to investigate functional interrelationships among variables. The developed regres-
sion models can be used for the description of a process, for the estimation and pre-
diction of values, and for the purpose of controlling the response variable. Using the
empirical data as described in detail in Chapter 3 as a basis, the statistical models de-
veloped in the current study aim to reveal and describe causal interrelationships be-
tween the operating costs and multiple variables. Therefore, the multiple regression is
selected as the method to explain the attributes of a response variable under consider-
ation of multiple predictor variables. Generally, the dependence of a response variable
Yof multiple predictor variablesX
iis explained by the following function (Backhaus
et al., 2011):
Y=
R
(X1;X2;X3; :::;X
i) +e
The error term"of the function denotes the discrepancy between an estimated value
and an observed value for an observation. The discrepancy can not be explained by
the function and describes the failure of the model to t to the underlying data sample.
The following equation illustrates exemplarily a simple linear regression functionY
with a single predictor variableX
iunder consideration of the error term":
Y=0+1X1+e
As presented in the diagram in Figure 2.5, the regression constant0species the
value ofYfor the predictorX
i= 0and illustrates therefore the intercept with the
Y-axis. The slope of the regression function is denoted by the regression coecient1
and is calculated as the variance ofYdivided by the variance ofX. Moreover, the
diagram provides an example for the determination of the error"for a single obser-
vationObs
k. The error term"
kof the single observationObs
k(residual) is calculated
as the dierence between the observed value of the response variabley
kand the cor-
responding estimated value^y
k.
As presented by Chatterjee and Hadi (2006), the linear relationship between one
response variable and multiple predictor variables can be explained by the following
generalised function of a multiple regression:
Y=0+1X1+2X2+3X3+:::+
iX
i+e

2.3 Statistical methodsË 27
where
Yis the response variable of the regression,
0is the regression constant to be determined,

iare the regression coecients to be determined,
X
iare the predictor variables, and
"is the error term of the regression.Response variable Y
Predictor variable X1
β0
∆Y
∆X
Function
Y
β1 = ∆Y / ∆X
Obsk
ŷk
yk
ɛk
= yk -
ŷk
Figure 2.5.Scatter plot and example of a simple linear regression function
For the determination of a regression function, the unknown parameters0and
i
are estimated by the so called ordinary least squares OLS method. As described by
Fahrmeir et al. (2013), the method keeps the sum of the squared error terms"for all
underlying observations (residuals) as small as possible. By the squaring of the resid-
uals, extreme deviations are weighted with a higher level of importance. Furthermore,
positive and negative values of the residuals can not compensate each other and there-
fore distort the results.
The selection of the predictor variables of the multiple regression models is con-
ducted in a stepwise and bidirectional procedure under consideration of alpha-to-
enter and alpha-to-remove values as described by Harrell (2015). During the the bidi-
rectional procedure, the p-values of the candidate predictor variables not included
in the regression model are compared to the determined alpha-to-enter value. The
candidate predictor variables are entered into the model if the alpha-to-enter value is
deceeded. Likewise, the p-value of the predictor variables included in the regression
model is compared to the alpha-to-remove value. If the p-value exceeds the alpha-to-
remove value, the variable is removed from the model. The selected p-value to deter-
mine signicance of predictor variables is presented subsequently.
In order to include qualitative predictor variables in the development of multiple
regression models, the respective characteristics of the variables are transformed into

28Ë 2 Methodology
binary dummy variables as suggested by Chatterjee and Hadi (2006). The available
characteristics are represented by numerical values of 0 or 1. If a characteristic of a
qualitative predictor has a value of 0, it causes no inuence on the regression function
whereas a characteristic with a value of 1 may alter the result of a regression function.
Consequently, a qualitative predictor variable can be employed in a regression model
as a variety of quantitative variables.
Measures of t
The parameters, the signicance, the t to the underlying data, and the estimation
performance of a regression model is indicated by various measures. The coecient
of determination R², the normalised root mean square error CV(RMSE), and the mean
absolute percentage error MAPE reect the t of a model to the underlying data sam-
ple. The measures are not only used to describe the performance of the developed
regression models but are also employed as indicators for the performance of the arti-
cial neural network models (cf. Section 2.3.3) and classication tree models (cf. Sec-
tion 2.3.4). Therefore, the performance measures R², CV(RMSE), and MAPE and their
implementation are presented in detail in Section 2.3.6. Consequently, they are not
included in the following description of relevant measures for the validation of the
regression function and regression coecients:
Generalised signicance of a regression model (F-statistics)
In order to conclude a general signicance of the developed regression model, the
F-statistics investigate a null hypothesis against an alternative hypothesis. The null
hypothesis assumes that no signicant interrelations between any variables are ex-
plained by the model, whereas the alternative hypothesis assumes a causal interre-
lationship between the response variable and at least one of the predictor variables
included in the model. Therefore, the empirical F-value of the developed regression
model is compared to a theoretical F-value determined under consideration of the
sample size, the number of included predictor variables, and a 95 % condence in-
terval as described by Backhaus et al. (2011). The selected condence interval of 95 %
is equivalent to a signicance level of alphaaof 5 %. If the empirical F-value exceeds
the theoretical F-value, the null hypothesis can be rejected and a general signicance
of the developed regression model can be concluded.
Regression coecients and standard error of coecients (and SE)
As presented on the example of the linear regression function in Figure 2.5, the co-
ecients of the regression describe the intercept with the Y-axis (regression constant
0) and the slope of the function for a single predictor variable (regression coecients

i). The coecient
krepresents the change of the response variableYin correspon-

2.3 Statistical methodsË 29
dence to a change of the predictorX
kfor the case that all other predictors are held
constant (Chatterjee and Hadi, 2006). Since the predictor variables may be measured
on dierent scales, the coecients can not be used to determine and compare the ef-
fects of multiple predictors on the response variable. The standard error SE displays
the accuracy of the estimate of the coecient for the underlying observations.
Standardised regression coecients
The size of the eect of the predictor variables on the response variable is indicated by
the standardized coecients. Conclusions of the eect can be drawn even if the pre-
dictors are measured on dierent scales as described by Ryan et al. (2012). In order to
calculate the standardised coecients, the regression coecients are multiplied with
the standard deviation of the coecients and divided by the standard deviation of the
response variable. Consequently, the dierent scales of measurement of the variables
and their coecients are eliminated. Since categorical predictors are included as bi-
nary variables into the regression models, the standardised coecients can only be
determined for the characteristics of the qualitative predictors. In order to determine
the standardised coecients for qualitative predictors, the regression function is re-
calculated with composite variables in exchange for the binary variables. The com-
posite variables are created by application of the regression coecients as weights for
the binary variables as established by Eisinga et al. (1991).
Signicance of predictor variables (t-statistics)
The signicance of the relationship between a single predictor variable and the re-
sponse variable of the regression is tested by the t-statistics. As described for the
F-statistics, a null hypothesis is therefore tested against an alternative hypothesis.
The null hypothesis assumes that the predictor does not have inuence on the re-
sponse variable of the regression, whereas the alternative hypothesis assumes a
causal interrelationship between the tested predictor variable and the response vari-
able (Fahrmeir et al., 2013). Under consideration of the sample size, the number of
included predictor variables, and a 95 % condence interval, the empirical t-value is
compared to a theoretical t-value as described by Backhaus et al. (2011). The selected
condence interval of 95 % is equivalent to a signicance level of alphaaof 5 %. If the
empirical t-value exceeds the theoretical t-value, the null hypothesis can be rejected
and signicance of the tested predictor variables can be concluded. The p-value is
likewise employed to test the null hypothesis against the alternative hypothesis (Ryan
et al., 2012). With the p-value deceeding the determined signicance level of alphaa
of 5 %, signicance is indicated for the predictor variable.

30Ë 2 Methodology
Multicollinearity (VIF)
Multicollinearity describes strong linear relationships among the predictor variables
and is associated with an unstable estimation of the coecients of a regression model
(Chatterjee and Hadi, 2006). The relationships between the predictor variables in-
cluded in a model can be determined by the evaluation of the variance ination fac-
tor VIF. The VIF measures the increase of the variance of the coecient of a variable
caused by collinearity to other variables as described by Ryan et al. (2012). A VIF-value
of 1.0 indicates the absence of any linear relationship among the predictor variables.
Since the current investigation is not conducted on an experimental level where the
variables can be observed isolated and unbiased, certain multicollinearity among the
predictor variables is expected. As suggested by Urban and Mayerl (2011), the thresh-
old for a critical value of the VIF is selected to be 5.0 for the current investigation.
Regression assumptions
The application of a regression model for inferences or the purpose of estimation is
subject to multiple principal assumptions for the detection of model violations as de-
scribed by Chatterjee and Hadi (2006). The violation of the model assumptions may
distort the results of a regression model and the application of the developed model
may result in error. Therefore, the following assumptions about the variables and the
residuals of a regression model are evaluated in the current study:
Linearity
The relationship between the response variable and the predictor variables of a mul-
tiple regression model is linear. Non-linearity distorts the results and inuences the
estimation of the coecients negatively. A violation of the linearity of the relationships
in a multiple regression model is detected by an evaluation of scatter plots of the distri-
bution of the residuals against the predicted values. The scatter plot should display a
symmetrical distribution around the zero-line of the residuals. Detected non-linearity
of the relationship between the response and predictor variables may be xed by a
transformation of the aected variables and non-linear relationships may be trans-
formed to linear relationships (Backhaus et al., 2011).
Normality
The residuals of a regression model are normally distributed and not skewed by for
example extreme outliers. Since the determination of the coecients of a regression
model is based on the ordinary least squares OLS method with the mean squared resid-
uals kept as small as possible, extreme outliers and a skewed data distribution may
distort the results and inuence the estimation of the coecients extremely. For the
detection of non-normality in the distribution of the residuals, histograms and scatter

Random documents with unrelated
content Scribd suggests to you:

hänet puolestaan kauniilla puheilla ja liikuttavilla tunnustuksilla.
Alinomaa vakuutti hän, että Marketta oli hänelle kaikki kaikessa,
hänen suuri rakkautensa, ainoa, joka ymmärsi hänet ja jonka luokse
hän saattoi tulla hädän hetkellä. Mutta paljosta rasituksesta ja
ainaisista ikävyyksistä alkoi Marketan vankka maalaisrealismi
vähitellen herätä. Hänestä tuli epäileväinen. Suuret sanat alkoivat
kadottaa merkityksensä ja taiteen käsittämättömällä olemuksella ei
ollut enää entistä taikavoimaa hänen ylitseen. Hän huomasi vain
karkeat tosiseikat: sen, että hän yksin sai raataa ja väsyä, sill'aikaa
kuin toinen eli laiskuudessa ja elämän mukavuudessa. Oliko hän
hullu? Mikä velvollisuus oli vaimolla elättää suurta, tervettä miestä?
Hän tuli kapinalliseksi ja katkeraksi ja rupesi näkemään kaikki asiat
uudessa valossa. Hän huomasi, että häntä oli petetty, ja tämän
huomion jälkeen tuli hän aivan kuuroksi kaikille rukouksille ja
kiitoksille. Ennen olisi saanut kiven heltymään kuin hänen loukatun
sydämensä. Hän näki mielessään, miten hänen viatonta
tuhmuuttaan oli väärinkäytetty koko ajan, miten toiset naiset kenties
olivat puettaneet itsensä silkkiin hänen säälittävillä säästöillään ja
tuhlanneet hänen armeliaan rakkautensa humussa ja nautinnoissa.
Ja hän itse oli mielettömällä työllään vielä lisännyt tätä sosialista
vääryyttä! — Huomattuaan, että Marketta oli tullut
vastaanottamattomaksi imarruksille, koetti mies vastakkaista keinoa:
järkyttää hänen mieltään todistamalla hänet raa'aksi ja
sivistymättömäksi ja sellaisena kaikkeen itsenäiseen arvosteluun
kypsymättömäksi. Mutta silloin otti Marketta viisivuotiasta tytärtään
käsipuolesta kiinni ja lähti…
Ja sillä tiellä hän oli.
Marketta katsahti kelloonsa kiusaantuneesti. Viisi minuuttia vailla
seitsemän. Pian lakkaisi siis vihdoinkin, jumalan kiitos, tuo

sietämätön jytinä ompelusalissa. Aina siellä vain jytkytti ja takoi, niin
että päässä kumahteli. Kutoi hääpaitoja niille todellisille naisille,
niille, joilla oli lupa olla hienoja, heikkoja ja avuttomia, hoitaa hellää
sieluaan ja kaunista ruumistaan ja maata autuaan alennustilansa
untuvilla. Marketalla oli aina tunne siitä, että siinä oli jotakin
synnillistä ja julmaa, että juuri hänen luonaan tehtiin sellaista työtä
ja että hän näin palvelevaisella hahmolla hoiti oman kostonsa asiaa.
Sillä sitä hän ei koskaan unohtanut. Kateellisella ja halveksivalla
ivalla tarkasteli hän aina niitä salaperäisesti hymyileviä äitejä ja
tyttäriä, jotka tulivat häneltä hääkomua tilaamaan. Piikkipaitoja
tahtoi hän heille kutoa, häväistyksen hursteja, joilla oli saanut itsekin
maata…
Kello löi viereisessä huoneessa seitsemän. Koneen jyrinä taukosi ja
Marketta kuuli, miten ompelutytöt toinen toisensa jälkeen lähtivät…
Hän nousi, sulki suuren ompelusalin ulko-oven sisältäpäin, avasi
siellä kaikki ikkunat ja lähti omalle puolelleen.
Marketan äkisti astuessa sisälle ruokasaliin, sävähti nuori tyttö
pöydän ääressä tulipunaiseksi. Hämillään ja hajamielisesti alkoi hän
nostella ja selailla edessään olevia kirjoja.
Marketta katsoi häneen terävästi.
— Hellin, sinä et taaskaan lukenut läksyjäsi. Minä näin sen. Mitä
sinä kätkit minun sisälle tullessani? Joku romaani varmaankin taas.
Anna tänne se!
Tyttö ojensi arasti kätkemänsä kirjan.

— Rakkautta, rakkautta vaan sitä luetaan. Enkö arvannutkin! Se
tekee sinut vielä onnettomaksi. Anna olla viimeinen kerta! Ei elämä
ole mitään romaania. Ja jos sinä vielä kerran jäät luokalle, saat
siirtyä tuonne toiseen huoneeseen ansaitsemaan, muista se.
Olenhan sanonut sen. Ihmisen täytyy oppia jotakin työtä, jolla voi
ansaita elatuksensa. Se on se kaikista ensimäinen. Mutta sinä vain
laiskottelet ja haaveksit ja uneksit. Voi Hellin parka, mikä sinustakin
mahtaa tulla!
Hellin katsoi alas ja hänen raskaiden silmäluomiensa alta alkoi
tipahdella kyyneleitä.
— Ja sitten sinä aina itket! Ikäänkuin sillä mikään olisi sovitettu tai
elämä siitä parantuisi!
Marketta kääntyi astiakaapille järjestelläkseen teekuppeja
pöydälle.
Hellin nousi äänettömästi ja vetäytyi nurkkaan. Hän tunsi, että
hänelle tehtiin vääryyttä, ja unelma ja uhma taistelivat hänen
sielussaan. Elämä oli hänestä niin raskasta ja käsittämätöntä. Ja siitä
muka piti hänen maksaa! Miksi? Siksikö, että se joka päivä kiusasi
häntä, oli kade ja kitsas, köyhä ja pahansuopainen? Siksikö, että se
vei hänen silmistään kaiken kauneuden, kielsi pienimmän ilon,
viattomimman mielikuvitelman? Mutta eihän elämä ollut sellainen.
Ainoastaan äiti oli sellainen ja hän näki elämän itsensä näköisenä.
Hänen aatepiirinsä oli ahdas ja vanhan-aikainen, hänen onnensa
kurkotti pelkkää aineellista hyvää, hänen viisautensa oli elämäntaitoa
ilman elämää. Hellin tunsi sen niin varmasti. Sillä sen äärettömän
kärsimyksen ja kaihon takana, jonka ainoastaan viisitoista-vuotiaan
mielikuvitus jaksaa kannattaa, kuulsi niin kummallisesti houkutteleva
kuva siitä oikeasta elämästä. Se oli täynnä vapauden välkettä ja

suuria vastakohtia. Siihen mahtui kaikkea: voimaa ja heikkoutta,
autuutta ja kurjuutta, satua ja seikkailua, ja sitten niin rajattoman
paljon rakkautta ja anteeksi-antoa…
— Hellin, tule kattamaan pöytää, käski Marketta.
Hellin totteli vastaamatta.
Marketta istuutui keinutuoliin ottaen sukankutimen käteensä.
Hellin kulki lattialla vielä itkusta punottavin poskin ja pitkät
silmäripset alasluotuina.
Siinä katsellessaan Helliniä valtasi Marketan kummallinen
tunnelma. Tuollainen oli hänkin ollut nuorena, melkein noin sievä ja
herkkä. Mutta juuri siksi olikin hän vähällä joutua perikatoon.
Ankaraa kuritusta oli hän saanut käyttää itsensä suhteen
pelastuakseen. Täytyi tulla kovaksi, jos tahtoi kestää elämän.
Sentähden hän vain Helliniäkin opasti, säästääkseen hänet omalta
kohtaloltaan. Mutta tämä loukkautui aina hänen neuvoistaan ja
ymmärsi ne väärin. Ja se tuntui Marketasta niin raskaalta. Kenties ei
hän osannut kasvattaa lasta oikein, siitä syytti hän usein itseään.
Viha ja rakkaus tekivät hänen mielensä epätasaiseksi, hän tiesi sen,
mutta hän ei voinut sille mitään, sillä koko äidinrakkautensa voimalla
vihasi hän Hellinissä kaikkea, mikä suinkin saattoi muistuttaa siitä
toisesta… Mutta sehän ei ollut lapsen syy. Itse oli hän vain syypää ja
kasvatukseen kykenemätön. Ja kuinka olisikaan hän osannut hoitaa
toisen asioita, kun ei ollut osannut hoitaa omiaankaan!
— Hellin parka, sinun parastasihan minä vain tarkoitan, huokasi
Marketta.

Vasta nyt nosti Hellin päänsä ja loi äitiinsä pitkän, kimaltavan
silmäyksen, josta leimahti syytös ja uhma, koko se loukattu
oikeudentunto ja leppymätön vastavoima, jolla nuori polvi aina astuu
vanhan ylitse. Se on parantumaton. Se ei käytä hyväkseen heidän
kokemuksiaan, jotka se saisi ilmaiseksi, se ei opi mitään, jota se ei
itse ole elänyt, ei tunnusta mitään, jota se ei tunne. Se tempaa
itselleen vapaat ohjat ja lankeaa vanhoihin ketunloukkuihin…
Marketta luki Hellinin katseesta tämän mykän vastalauseen ja
hänen sisimpänsä sylkähti sekä surusta että suuttumuksesta. Se oli
taas se toinen, joka siellä nosti päätään. Hellinkin liittoutui hänen
vihollisiinsa. Hän oli sittenkin saanut kasvaa liian suuressa
vapaudessa. Kuria täytyi koventaa. Mutta kun Marketta rupesi
ajattelemaan sitä asiaa lähemmin, tuntui se hänestä taas niin
mahdottomalta. Se ei ollut varmaankaan oikea tapa. Hellin oli niin
arka. Hän ottaisi rakkautensa pois tai sitten tulisi hän rumaksi, kuten
Marketta itsekin oli tullut. Ja hän oli niin kaunis juuri noin. Mutta,
hyvä jumala, miksi piti kaiken kauniin olla niin heikkoa! Mitä oli
tehtävä?
Ja Marketta huokasi raskaasti.

MEIRI
Meiri istuu ikkunassa ja katselee hämärtyvää iltaa. Korkealta rinteeltä
alas laaksoon, yli puiden ja kirkontapulien, yli sinipunaisessa rusossa
kypenöivän kylän ja kaukaisen virran.
Se on kaunista, mutta Meirin mieli on pimeä ja ikävä. Hän ei välitä
näköaloista, hän on niihin jo liiaksi tottunut. Sillä lukemattomia
kertoja on hän näin saanut istua, eri paikoissa Europaa, aina samalla
lailla, katsellen yksinäisestä ikkunastaan vieraita, mallikelpoisia
maisemia. Hän ei niitä edes enää erottanut toisistaan. Ne olivat
hänestä kaikki samanlaisia. Ja kaikki muukin oli samanlaista. Aina
sama yksinäisyys, sama huone, sama ikkuna, sama sivu-ovi oikealle,
josta ei koskaan saanut mennä sisälle ja jonka takana tutki ja kirjoitti
tohtori Koli, hänen miehensä.
Näin oli ollut jo kauan. Tohtori Koli oli tullut silloin, kun Meiri jäi
orvoksi, tullut kuin toinen isä, ja siirtänyt hänet hiljaa sivulleen kuin
pienen valkean kyyhkyn, joka ei vielä osaa lentää. Melkein
huomaamatta oli Meiri luisunut isän kodista miehen kotiin, ilman että
ainoakaan pikkutytön-unelma oli vielä ehtinyt liikahtaa
salaperäisessä umpussaan ja ennenkuin ainoakaan hänen
tunteistaan oli kypsä aukeamaan elämälle. Ja niin oli hän jäänyt

kuoreensa. Hän seurasi miehensä työtä ja matkoja kuin unessa
löytämättä hapuileville mielikuvilleen minkäänlaista jalansijaa
todellisuuden maailmassa. Tohtorin oli näillä matkoilla määrä tehdä
työtä ja Meirin nauttia, nauttia kaikesta, mistä yleensä nautitaan,
mutta Meiri ei osannut. Yhä useammin ja useammin vain alkoi häntä
vaivata ajatus, että hän oli häkissä. Mutta joka kerralla oli hänellä
siitä omantunnon vaivoja ja hän koetti torjua sen pois, mutta se
palasi aina takaisin. Ja hän tunsi olevansa kiittämätön ja paha eikä
voinut itsekään selittää itselleen, miksi hän kärsi…
Ja kuitenkin olisi hän tahtonut nauttia. Ja kuitenkin oli hänellä
vapaus tehdä mitä hyvänsä, mennä minne hyvänsä.
Mutta hän ei ollut koskaan käyttänyt tuota vapautta. Hän tiesi,
ettei se sittenkään olisi riittänyt hänelle, että se oli liian pinnalla. Sillä
noina lukemattomina iltahämärinä, jolloin hän kuten nyt, oli katsellut
ikkunastaan kaukaisten kaupunkien savuja tai etäisten viinitarhojen
kuumottavia kukkuloita, oli hän oppinut tuntemaan itsessään
pelottavan voiman, jonkin hirveän ja hillittömän, joka iski hänen
päähänsä kuin verisyöksy ja kuiski hänen korvaansa hulluja
houkutuksia. Hän tiesi kyllä, että hän olisi saanut mennä noihin
kaupunkeihin, ostaa sieltä itselleen kaikki, minkä rahalla voi saada,
laskea jalkoihinsa niiden huvit ja herkut ja vieläpä lisäksi sen
kunnioittavan ritarinkin, joka saattoi hänet kotiin ja jonka hänen
miehensä milloin tahansa olisi ollut valmis laajasta tuttavapiiristään
hänelle valitsemaan. Mutta hän ei tahtonut. Hän tiesi myös, että hän
olisi saanut komentaa lasiinsa sen kultaisena helmeilevän nesteen,
joka pusertui ulos noiden kuumottavien viinikukkuloiden rinnoista.
Mutta hän ei tahtonut. Sillä se hirveä ja hillitön hänen povessaan
nauroi koko tuolle suurelle vapaudelle kuin narripelille ja ääni hänen
korvissaan lauloi: ei näköaloja vaan näkymättömiä syvyyksiä, ei

ritaruutta vaan rakkautta, ei elämänmuotoja vaan itse elämää,
elämää sinä tarvitset!
Hullu ääni! Mutta juuri sentähden ei hän koskaan ollut uskaltanut
laskeutua noihin laaksoihin, joiden hämärät alati houkuttivat ja
itkivät hänen ikkunallaan.
Meiri istui liikkumatta ja tuijotti. Kauas laaksoon…
Varjot pitenivät. Rusotus kylässä leveni kuin raskas purppura-aalto
niellen kaikki, puut, kukkulat ja katot… Ainoastaan kirkontapulien
korkeimmat huiput pistivät enää esiin hämärä-merestä.
Meirin mieli oli pimeä ja ikävä. Hän tuijotti, mutta ei muistanut
katsella…
Äkkiä jostakin, syvältä, hämäristä, näkymättömistä, alkoi soida
tanssin-sävel…
Pieni, kypenöivä kylä se oli, joka tanssi. Raskaan purppuransa alle
piiloutuneena se nyt leikitteli, vapaudestaan huimapäisenä ja
kevytjalkaisena.
Meiri kimmahti seisaalleen kuin sähköiskun saanut. Jokainen
tanssin-korostus tuolla kaukana oli kuin vieterinveto hänen
uneksivalle olemukselleen. Oli kuin nyt vasta, ensi kerran, olisi
alkanut sydän sykkiä, silmä palaa ja jäsenet väristä elämää. Ah,
kuinka monta vuotta olikaan siitä kuin hän viimeksi oli saanut
tanssia! Sitähän hän juuri kaipasi ja tarvitsi. Mutta hän ei ollut sitä
tiennyt ennenkuin nyt, jolloin tuo yksinkertainen sävel äkkiä oli
lähettänyt kaikki nuoruuden aistimusten kuumat laavavirrat hänen
ylitseen.

Ja se oli ainoastaan joku vanha böhmiläinen kansantanssi!
Mutta Meiri oli nuori. Hänen mielensä oli kuuma ja pimeä… Hän
olisi tahtonut tanssia nyt juuri. Jonkun kanssa, jonka silmästä edes
hän olisi saanut arvata ja lukea sen, mitä hänelle ei kukaan vielä
ollut sanonut. Jollekin, jonka katseille edes hän olisi voinut antaa ja
luovuttaa sen, mitä hän ei vielä ollut kenellekään antanut… Meiri oli
niin nuori ja tuli tykytti hänen suonissaan, mutta yksinäisyys
ympärillä oli kuin kuolema.
Jokin kamala tunnelma värisytti häntä. Se oli kai illan sumu. Hän
sulki ikkunan. Mutta pelko ei hävinnyt. Kaikki oli haudan hiljaista
nyt…
Kuin aaveen ajamana syöksyi hän sisään siitä ovesta, josta hänen
ei oikeastaan ollut lupa mennä sisälle…
— Valter! huokasi Meiri hiljaa oven suussa.
Tohtori nyökäytti hänelle ystävällisesti päätään ja painoi sen heti
taas takaisin papereihinsa.
Meiri lähestyi tohtoria. Hiljaa laski hän kätensä hänen olalleen.
— Valter! huokasi hän uudestaan.
— Mitä, lapsukaiseni? kysäsi tohtori jatkaen työtään.
Meiri jäi seisomaan hänen selkänsä taakse eikä vastannut…
Minuutit kuluivat. Kello naksutti uunin reunuksella. Kukaan ei
puhunut.
Meiri tuijotti mieheensä.

— Ystäväni, sanoi vihdoin tohtori äkkiä käännähtäen, minä en
oikein jaksa hallita ajatuksiani, jos seisot noin aivan lähellä…
— Mitä sinä sitten ajattelet?
— Tässä on minulla juuri esillä sangen tärkeä kohta. Et sinä sitä
ymmärrä, Meiri pikkuinen, mutta siitä riippuu kaikki.
— Oh, tuotako sinä vain ajattelitkin!
— Mitä sinä sitten luulit minun ajattelevani!
— Minua…
— Sinua!
Keskustelun surunvoittoinen hullunkurisuus oli kokonaan
herättänyt tohtorin. Hämmästyneenä katsahti hän Meiriin, mutta
samalla levisi hänen kasvoilleen jo ymmärtävä ja hyväntahtoinen
ilomielisyys.
— Pikku linnulla on taas ollut ikävä, eikö niin? sanoi hän pehmeästi
tarttuen Meirin molempiin käsiin.
Silloin Meirissä laukesi jokin, ja hillittömään itkuun purskahtaen
lankesi hän miehensä kaulaan.
— No, no, Meiri, pikku lintu, älä toki itke, älä itke, lohdutteli tohtori
avuttomana, nostaen hänet kömpelösti polvelleen. Ymmärränhän
minä sinut. Sinä olet vielä niin nuori. Sinä tarvitset seuraa. Tämä ei
mitenkään käy. Ja minullakin on aina tämä työni… Kuule, ilostui hän
äkkiä ikäänkuin keksien jotakin, kuule, minä voin todellakin ottaa
itselleni lomaa näistä ainaisista papereistani, joksikin viikoksi vaikka…

Ja sitten minä vien sinut ihmisten pariin taas, Meiri. Minä tulen sinun
kanssasi, minne vain tahdot. Älä itke, Meiri! Jo huomenna voimme
lähteä esimerkiksi pienelle ajelulle. Tilaamme isännältä vaunut ja ne
suuret harmaat hevoset, joista sinä niin pidät, ja sitten painumme
alas pitkin jokirinnettä ja nautimme kauniista näköaloista ja ihanasta
ilmasta. Eikö niin? Vai tahdotko mieluummin, että teemme matkan
kaupunkiin? Olen kokonaan sinun käytettävissäsi, muista nyt se.
Pääset konsertteihin ja teattereihin näkemään iloisia ihmisiä ja
vilisevää elämää. Se tulee tekemään sinulle hyvää, eikä se pahaa
tehne minullekaan, vuoden päiviin en ole käynyt missään…
Tohtori keinutteli Meiriä polvellaan kuin lasta. Meirin nyyhkytykset
lakkasivat vähitellen. Lasittunein silmin jäi hän tuijottamaan
pimeään, jonka takana oli se kypenöivä kylä ja vanha böhmiläinen
kansantanssi.

KUVITTELIJA
Hänen nimensä oli Tuulos, ja hän oli hyvin yksinäinen ja hyvin rikas.
Ilman näitä suojaavia ominaisuuksia olisikin hän jo aikoja sitten
istunut joko houruinhuoneessa tai vaivaistalossa, sillä niin
mahdottomilla ominaisuuksilla oli taivaallinen isä lähettänyt hänet
tänne elämäntaisteluun. Mutta onneksi sai hän elää taipumustensa
mukaisesti: elämäntaistelun ulkopuolella.
Ensimäinen vaikutelma, jonka hänestä sain, oli vastenmielinen. En
tiedä miksi. Tai kenties oli se jotakin hämärää sukua sille
vaistomaiselle vihamielisyydelle, jolla köyhälistön riveissä kasvanut
aina katselee rikasta ja työmies elämän mukavuuksilla lepäilevää
vapaamatkustajaa. Sillä mitkään eivät ole niin arasti epäluuloisia kuin
vasta-vapautetut nousukasaivot. Pienimmässäkin poikkeus-ilmiössä
aavistavat ne väärän asenteen tai suoranaisen solvauksen.
Tuulos herätti alussa tavatonta ihmettelyä siinä pikkukylässä,
minne hän oli asettunut viettämään kesää. Ja hän oli todellakin
"originaali" sekä ulkomuodoltaan että käytökseltään. Pitkä, hintelä
mies. Kulki vähän kumarassa ja käytti sangallisia silmälaseja, mutta
näytti siltä kuin olisivat ne pikemmin olleet silmien peittona kuin
kirkastajina. Sillä hän ei koskaan nähnyt ketään, ei tuntenut edes

oman talonsa väkeä eikä tervehtinyt ainoatakaan ihmistä. Vaelteli
vain kaiket päivät itsekseen, kädet selän takana ja pää kenossa. Ja
hänen kasvonpiirteensä, jotka ikäänkuin kiertyivät renkaiksi silmien
elottomien lasisuojusten ympärille, eivät ilmaisseet pienintäkään
inhimillistä yhteenkuuluvaisuutta.
Mutta häneen totuttiin vähitellen. Ja kun hän ei tehnyt kenellekään
mitään, ei hyvää eikä pahaa, karisivat epäystävälliset laatusanatkin
ennen pitkää pois hänen ympäriltään ja hänelle jäi ainoastaan
rauhallisen hullun hiljainen maine. Silloin vasta alkoi tehdä mieleni
häntä lähestyä. Ja eräänä iltana, jolloin taas tavallisuuden mukaan
kohtasimme toisemme suurella maantiellä, liityin hänen seuraansa.
Mutta jo seuraavana sekuntina tunsin, ettei minun olisi pitänyt sitä
tehdä. Me kävelimme ja kävelimme tietämättä kumpikaan mitä
sanoa. Vihdoin minä, joka katsoin olevani syyllinen tähän vaikeaan
tunnelmaan, aloin ohjata keskustelua. Koetin olla kohtelias, johdin
puheen taiteeseen, koska otaksuin hänen sielunsa rikkaiden
originaalien tavoin palavan joissakin hyper-esteettisissä
kilvoituksissa. Mutta hän ei langennut ansaani. Hän vastaili kyllä
jotakin, mutta silmin-nähtävästi aivan ulkopuolelta itseään, ja hänen
sanoissaan oli joka kerta turvaton, melkein säikähtynyt sointi.
— Mitä te pidätte tohtori Tainion uudesta huvilasta?
— Mistä huvilasta?
— Tarkoitan tuota kuuluisaa huvilaa, jonka arkkitehti Siltala on
rakentanut.
— En tiedä… En tunne…
— Mutta sehän on aivan tässä vieressä.

— Missä?
— Menimme juuri sen ohitse.
— En tullut sitä huomanneeksi.
— Mutta tehän asutte aivan vastapäätä, kuljette joka päivä siitä
sivuitse. Ettekö todellakaan ole nähnyt sitä?
— En…
Minusta se oli mahdotonta. Katsoin häneen pitkästi. Mikä syy oli
hänellä noin leikitellä? Kuitenkin huomasin heti, että hän puhui totta,
sillä hän oli itse vielä enemmän hämmästynyt ja hämillään kuin minä
ja hänen pyöreät silmänsä tuijottivat ammottavina ja apua
pyytävinä. Minun tuntooni koski. Miksi en ollut heti uskonut hänen
hapuilevasta ja pingoitetusta äänestään? Miksi olin tahallani
piiskannut hänestä esille hänen heikkoutensa? Tunsin tehneeni
hänelle veristä vääryyttä alusta alkaen. Hän ei ollutkaan pöyhkeilijä
eikä teeskentelijä. Ja minä häpesin aivan kuin olisin harjoittanut
pahuutta tai väkivaltaa.
Mutta sen kerran perästä tuli meistä ystävät. Ja Tuulos tuli
vähitellen avomielisemmäksi, vieläpä oikein puheliaaksikin, kun hän
huomasi, ettei hänen enää tarvinnut pelätä olevansa naurettava. En
ole koskaan kenelläkään nähnyt niin herkkää vaistoa.
Ja kuitenkin otin sittemmin oikein tavakseni kiusoitella häntä
pitämällä tutkintoa kaikesta, mitä hän oli nähnyt ja mitä hän ei
sentään ollut nähnyt. Kyselin, minkä värinen oli talo, jossa hän asui,
montako ikkunaa siitä näkyi maantielle, montako koivua kasvoi
hänen pihamaallaan, minkä väriset silmät oli hänen emännällään,

minkä näköiset seinäpaperit hänen seinillään, ja näin jatkaen aivan
rajattomiin asti mitä lapsellisimpia asioita. Ja säännöllisesti oli hän
aivan rehellinen hölmö eikä tiennyt niistä mitään, ei ollut huomannut
koskaan. Annoin hänelle välistä oikeita läksyjä, jotta hän oppisi edes
sen, minkä tavallinen ihminen oppii tietämättään. — Näin me
leikittelimme. Mutta leikin ohella tunsin olevani koko ajan vakava.
Jotakin pelottavaa ja salaperäistä uhosi aina vastaani tuon
kummallisen miehen tutkimattomasta sielusta. Jokainen pieni
kysymys, jonka kisaillen heitin hänelle, kimmosi takaisin itselleni
mykäksi ja hirvittäväksi muuttuneena, omaan rajattomuuteensa
raukeavana. Tylsä hän ei ollut. Mutta kuinka outojen kuilujen
partailla hän mahtoikaan kulkea! Mitä tuntemattomia maailmoja
tuntea, mitä näkymättömiä nähdä? Ja yhä vaikeammaksi kävi
leikintekoni.
Ja kerran sitten ikäänkuin aavistaen ajatukseni pysähdytti hän
minut keskellä pilaa.
— Älkää viitsikö enää, sanoi hän. Tehän tiedätte, etten huomaa
noita asioita. Mutta onko se niin vaarallista? Ettehän tekään näe
niitä, joita minä näen…
Hänen äänensä oli vallan vieras. Minua värisytti.
— Mitä te sitten näette? kysyin.
Hän hymyili omituisesti.
— Tänään, vastasi hän, olen nähnyt ainoastaan keltaisen lehden.
Sen, joka juuri äsken lensi ohitse. Siksi en voinut enää nauraa…
— Mikä keltainen lehti…?

— Katsokaa nyt, ette huomannutkaan! riemuitsi hän aivan oudon
äänekkäästi. Sanoinhan minä, arvasinhan minä!
Typerryin ja tulin melkein alakuloiseksi. En ymmärtänyt mitään.
Hän oli sittenkin aivan hullu.
Tuulos katsoi minuun pitkästi, aivan silmiin, jota hän ei muuten
koskaan tehnyt. Ja ikäänkuin peläten loukanneensa kiirehti hän
selittämään:
— Näittehän te sen pienen tytön?
Nyökkäsin.
— Niin, ja hän kantoi sormiensa viimeisissä nipukoissa keltaista
lehteä. Hänen silmänsäkin välähtivät keltaiseen. Se oli vain sen
lehden heijastusta. Ja tiedättekö, mikä se lehti oli? Se oli hänen
sielunsa, joka oli lähtenyt irti. Siksi kantoi hän sitä niin sievästi ja
varovaisesti. Se oli vasta kaunista!
En uskaltanut vastata. Jokin selittämätön kauhu valtasi minut.
Katsahdin salaa hänen silmiinsä ja ne paistoivat mielestäni aivan
kuparilta.
Olimme kapealla metsäpolulla. Ja se tuntui minusta nyt äkkiä niin
turvattoman yksinäiseltä. Puut olivat vierillä niin luonnottoman
korkeat ja erämaa ympärillä niin loppumattoman syvä…
— Mutta näittehän te sen tytön ja sen keltaisen lehden? kertasi
hän itsepäisesti.
— En minä mitään keltaista lehteä nähnyt. Mistä se olisi tullut?
Nythän on vasta kesäkuu, äännähdin vaivaloisesti palvellakseni vielä

viimeisillä voimillani viisautta.
— Älkää sanoko, ettei sitä ollut, vaikk'ette nähnytkään. Enhän
minäkään väittänyt, ettei tohtori Tainion huvilaa ollut olemassa,
vaikk'en ollutkaan sitä koskaan nähnyt.
Uudestaan hämmästyen katsahdin häneen. Kykenikö hän vielä
tuollaiseenkin? Mutta joka tapauksessa tämä ovela ajatusleikki, joka
oli lausuttu muuten mitä iloisimmalla äänellä, nosti minut jälleen
metafysiikan kuiluista pinnalle. Voitin pelkoni.
Sittemmin totuin tällaiseen. Ja samantapaista sattui useasti.
Leikillinen suhteemme sai vähän toiset muodot. Välitimme nyt
molemminpuolisesti toisillemme näkemyksiä: hän sisällisiä, minä
ulkonaisia. Emme milloinkaan kiistelleet mistään emmekä väittäneet
vastaan. Ja tästä luottamuksesta kävi Tuulos päivä päivältä yhä
iloisemmaksi ja inhimillisemmäksi. Silloin vasta olin tilaisuudessa
saamaan pienen käsityksen hänen hourailevan intelligensinsä
tavattomasta rikkaudesta ja hedelmällisyydestä.
Sitten en nähnyt häntä pariin vuoteen, kunnes muutamana talvi-
iltana istuessani eräässä pääkaupungin kahvilassa sanomalehteä
lukemassa hän äkkiä ilmestyy eteeni, rengas-silmät vielä
kuparinkiiltoisempina kuin ennen. Hän oli hyvin kalpea ja kiihottunut.
— Vihdoinkin näen teidät, alkoi hän tervehtimättä. Nyt minulla on
jotakin kerrottavaa. Nyt se on tapahtunut. Nyt olen löytänyt, nyt olen
nähnyt hänet…
— Kenen?
— Rakastettuni, vastasi hän merkitsevällä ja ylpeällä hymyllä.

— Kuka hän on sitten?
— Hän on tietysti se, joka hänen pitää olla. Hermafroditi!
Kauneuden täydellisyys! Ihmisen täydellisyys! Johon ei koskaan väsy,
joka antaa riutumuksen uskollisuuden, joka antaa, mutta ei antaudu,
ymmärrättekö, joka silmänkaarroksessaan kantaa kaikkeutta! Ja sen
silmänkaarroksen olen minä nyt nähnyt. Voitteko uskoa? Se on kuin
kypsä, kuihtumaton marja, kuin pisara, joka on putoamaisillaan,
mutta ei putoa, kuin ajatus, joka on valmis, mutta jota ei lausuta,
kuin tunnelma, joka ei koskaan muutu tunteeksi, kuin tahto, joka ei
purkaudu tekoon, mutta joka vaan on, on, ymmärrättekö, kuin
itsetietoisuuden unelma, kuin hekkuman hiljaisuus, kuin suuren
voiman suloinen liikkumattomuus, kuin iankaikkinen pidättyvä ja
kutsuva vastarinta…
Hän huohotti innostuksesta, jommoista en hänessä koskaan ollut
nähnyt. Sanat ryöppysivät kuin koski hänen huuliltaan. Kauhuissani
ja ihmeissäni kuuntelin tätä hulluuden ja nerouden kamppailua.
— Ymmärrättekö? Uskotteko, että minä todellakin olen nähnyt
tämän kaiken?
Hän katsoi minuun julmasti. Ja minä tunsin että tämä kiihko
milloin tahansa saattoi muuttua raivoksi.
— Uskon, uskon… Mutta kuka on sitten tämä…?
— Hermafroditi, hermafroditi! Ettekö tiedä kuka se on!
— Mille näyttää hän noin tavallisen ihmisen silmissä? Käykö hän
miehen vai naisen pukimissa? koetin vielä leikitellä entiseen tapaani.
Tuulos jäykistyi. Hän katsoi minuun pitkään.

— En minä sitä tiedä, sanoi hän äärettömän halveksivasti.
Tämän jälkeen en ole nähnyt häntä enää. Ja mahdollista onkin,
että joku jalo ihmisystävä, joka on huomannut hänen näkevän tai
puhuvan jotakin sellaista, mihin eivät vielä mitkään lait eivätkä
evankeliumit oikeuta, on pistänyt hänet salpojen taakse, ettei hän
pääsisi kylvämään epäterveitä mielikuvia tai hämäriä elämän-
ongelmoita rauhallisten kansalaisten selkeihin ja hyvin-järjestettyihin
aivoihin.

ITSENÄINEN NAINEN
Ilmi ja Aino istuivat tohtorin salissa suuren pystyvalkean ääressä
viettämässä hämärää. Tohtori itse oli pitäjällä sairaskäynneillään.
Oli aivan hiljaista. Ainoastaan suuret salomaat kohisivat syksyisesti
talon ympärillä. Tuli räiskähti silloin tällöin takassa ja liekit heittelivät
epätasaisia kuvittelujaan huoneen keltaisille puu-istuimille.
Aino katsahti salaa Ilmiin. Tämä istui pää käsien varassa tuijottaen
tuleen niinkuin joskus hyvin kauan sitten, jolloin he koulutyttöinä
olivat asuneet yhdessä.
Aino tunsi, että hänen olisi pitänyt paremmin hoitaa emännän-
velvollisuuksia, puhua jotakin ja olla hauska, mutta hän ei tiennyt
mitä sanoa vanhalle ystävälleen, jota hän ei ollut tavannut kuuteen
pitkään vuoteen. Kaikki tämä oli tullut senjälkeen, tämä aivan uusi
elämä ja uudet elämänkokemukset. Joku outo maailma oli nyt
heidän välillään, joka olisi ollut ensin valloitettava, ennenkuin he
oikein saattoivat yhtyä. Mutta Aino oli arka ja Ilmi suljettu, kuten
ennenkin. Ja heti kun he olivat jääneet kahden, olivat he vaienneet…
Sitäpaitsi oli Ilmistä sillä aikaa tullut kuuluisa nainen ja oppinut.

Kenties huvitti häntä vain yksinomaan sellaiset asiat… Aino katsahti
Ilmiin uudestaan epätietoisena.
Ilmi näytti surulliselta, melkein lapselliselta, ja Ainon teki mieli
sanoa hänelle jotakin oikein hyvää ja sydämellistä.
— Olethan sinä yhä vielä sama Ilmi, sanoi hän hiljaa laskien
kätensä hänen polvelleen.
Ilmi puristi ystävänsä kättä.
— Olen ikävöinyt sinua paljon. Muuten en olisi tullutkaan. Sinun
ympärilläsi on aina viihtynyt sellainen kaunis ja lämmin kodintunne,
sellainen oikea, jota ei ole missään muualla…
Samassa aukeni ovi ja sisään ryntäsi pieni kolmivuotias poika, joka
sukelsi päänsä suoraan Ainon syliin.
Aino rauhoitteli lasta ja silitteli hänen päätään melkein hämillään.
— Hänen nimensä on Jorma, tai johan sinä tiedätkin… Hän on
koko minun maailmani nyt. Niin pieni se on…
— Minulla ei ole sitäkään, sanoi Ilmi kuin itsekseen.
— Mutta sinulle on koko se muu avara maailma avoinna. Vaikka en
minä sitä tahtoisi vaihtaa omaani, virkkoi Aino naurahtaen ja tuntien
samalla helpotuksella kuoren heidän väliltään alkavan sulaa. Minusta
vain tuntuu, että minulla on se paras. Et tietysti ymmärrä sellaista,
niinkuin en minäkään sinun onneasi…
— Ymmärtää vain sen, minkä itse kokee…

— Ja mitä enemmän kokee, sitä enemmän ymmärtää. Sinä olet
varmaan paljon kokenut?
— En tuotakaan, naurahti Ilmi osoittaen lasta. En sitä, mitä
jokainen muu, jokainen luontokappalekin, en elämän ydinvaistoja:
jatkuvaisuutta, iankaikkisuutta…
Aino nosti lapsen syliinsä ja vei hänet pois. Nyt ei hän enää
ollenkaan peljännyt olla kahden Ilmin kanssa. Palatessaan sulki hän
oven ja veti tuolinsa lähemmäksi.
— Niin, puhui hän, onhan tämäkin eräs laji iankaikkisuutta, sen
kyllä tunnen, mutta eihän sen tarvitse olla ainoa… Sinä toteutat sitä
samaa henkisesti. Sinun henkesi ja työsi jää elämään…
— Kenties, muun puutteessa!
— Miksi sanot: puutteessa? Itsehän olet valinnut kohtalosi,
tarkoitan: julkisen elämän ulkopuolella kodin. Olisithan sinäkin
saanut tämän, mutta sinä et tahtonut. Se oli kai sinusta niin
tavallista. Sinä et koskaan ole ollut oikein niinkuin me muut naiset.
Me emme voisi elää ilman kotia yksin tuossa suuressa, kylmässä
maailmassa. Huu!
— Kun täytyy. Se on kyllä kovaa…
— Mutta miksi sinä sitten…?
Aino ei jatkanut. Ilmin silmät olivat kyyneltyneet.
— Rakas Ilmi, kuiskasi hän, rakas Ilmi!

Ilmi itki. Aino silitteli häntä hiljaa aivan kuin lasta äsken: älä itke,
älä…
— Anna minun itkeä. Sinä et tiedä, miten hyvää se tekee. Saada
olla kerrankin heikko… En ole koko ajalla saanut, en voinut, siellä
maailmalla. Ei ole ketään muuta sellaista kuin sinä…
Aino istui äänettömänä ja silitteli yhä Ilmin hiuksia. Hänen
silmissään oli kostea ja lämmin kiilto. Hän oli oikeastaan niin
kiitollinen tästä antautumisesta. Mutta hän olisi mielellään tahtonut
vielä kysyä jotakin, lohduttaa, mutta hän ei osannut eikä uskaltanut.
Pyhää oli toisen ihmisen sanaton suru…
Ilmi katsoi häneen.
— Aino, sanoi hän, minä näen, että silmäsi kysyvät.
— Ei, ei, torjui Aino säikähtäen omaa läpinäkyväisyyttään, en minä
tahdo tietää mitään, jota et tahdo sanoa. Minä niin
ajattelemattomasti äsken johdin sinut ikävään mielialaan, aivan
tahtomattani. Anna minulle anteeksi. Ymmärrän tuskan, vaikka en
ymmärräkään sinua. Ei sinun tarvitse selittää, jos et tahdo…
— Mutta kun tahdon. Sitä juuri tahtoisin, Aino, kerrankin, jollekin,
ja juuri sinulle… Et voi aavistaa, miten raskasta on kantaa tuskaa,
jolle ei koskaan saa ilmaisumuotoa ja joka vaan sisällisesti syö ja
polttaa aivoja. Jos siitä voi puhua, on se jo kuin kauempana, kuin
voitettu kanta, kuin joku irrallinen, vaaraton kappale. Ennen en olisi
koskaan voinut. Se oli vielä liian lähellä. Mutta nyt… Sinä teet minulle
hyvän työn, jos kuuntelet… Uskallatko, vaikka se olisikin sinusta
rumaa ja pahaa?

Aino puristi hänen kättään.
Ilmi jatkoi:
— Sinä ihmettelet tietysti sitä, ettei minulla ole miestä eikä lasta.
Ja luulet siksi, että minulla on toisenlainen sydän kuin teillä muilla.
En tiedä. Tiedän vain, että kaipaan kotia ja että kärsin
yksinäisyydestäni kauheasti, mutta en sittenkään sovi toisen ihmisen
läheisyyteen. Siinä on se ristiriita, joka vihdoin murtaa minut ja onkin
jo murtanut. Ainoa, jolla koetan viivyttää lopullista kuolemaa, on työ,
ainainen ulkopuolinen kiire, joka vie minut pois omasta itsestäni,
joka ei jätä minulle aikaa kärsiä. Mutta voi miten kaukana tuo kaikki
on minun oikeasta luonnostani! Ei se riitä minun onnekseni, ei
hetkeksikään, eikä tule koskaan riittämään. Mutta onnea ei ole tuolla
toisellakaan taholla, rakkaudessa… Olen koettanut…
— Niin, kun et ole löytänyt sitä omaasi, jolle olisit voinut oikein
antautua…
Ilmi oli hetken ääneti.
— Kenties en, sanoi hän sitten harvakseen, mutta sentään olen
antautunut. Olen ollut kahden miehen vaimo.
Syntyi parin minuutin outo vaitiolo, sellainen hermojännityksen
värähtämätön hiljaisuus, että melkein kuuli, miten aivot kehräsivät.
Ilmi tarkasti Ainoa. Tämä koetti näyttää välinpitämättömältä ja
tyyneltä, niinkuin ei mitään olisi tapahtunut. Mutta ihmisen sielu ei
ole yhtä nopeasti kypsä kuin hänen tahtonsa on altis. Ja
luonnottomasti pingoitettu jäykkyys Ainon suupielissä todisti, miten
tottumaton hän oli kuulemaan ja käsittämään tällaisia tunnustuksia.

— Sinä olet niin hyvä, Aino, jatkoi Ilmi hiljaa. Kyllä minä näen,
miten koetat hillitä mielenliikutustasi, jott'et loukkaisi minua, ja
ymmärtää, vaikk'et ymmärrä mitään. Tahtoisit olla hellä ja
lohduttava, vaikka sisin olemuksesi vapisee kauhusta. Ei sinun
tarvitse panna mitään pakkoa itsellesi. En tarkoittanut niin. En kerro
siksi, että saisin sinulta ymmärtämystä tai lohdutusta, vielä
vähemmän hyväksymistä, teen sen ainoastaan voittaakseni oman
sairauteni. Puhuttu sanakin on jo teko, kuten kirjoitettu, se
vapauttaa, muuttaa asian toiselle tasolle. On asioita, jotka eivät ole
olemassa ennenkuin ne sanotaan ja jotka samalla lakkaavat
olemasta… Ymmärrätkö? Niinkuin kirjailijallekin hänen kirjansa. Hän
pääsee siinä aivojensa liikapainosta, mutta kadottaa samalla kertaa
arimman kauneutensa, sen vaarallisimman. Kaikki ne utuiset
kuvittelut, jotka siihen asti ovat eläneet yksinomaan hänen sielunsa
salatuissa maailmoissa ja kuuluneet oleellisesti häneen, muuttuvat
sillä kertaa tosi seikoiksi, katoavat kodistaan ja alkavat elää omaa
elämäänsä jossakin ulkopuolella. Se on tapa parantua, näetkö, julma
tapa kylläkin, mutta tehokas, kuten leikkaus, joka hetken raakuudella
voi pelastaa elämän. Ymmärrän niin hyvin, miksi katolisissa maissa
tunnustuksella on synninpäästön merkitys. Se perustuu niin syvään
inhimilliseen sielun-lakiin. Sen, minkä antaa muille, sitä ei ole enää
itsellään. Koko painopiste siirtyy… Siksi minäkin vain puhun.
Todistaakseni itselleni, että minulla on mahdollisuus parantua,
jonkinlainen yli-ote omiin kokemuksiini. Älä sentähden käsitä minua
väärin. En laske omalletunnollesi mitään velvoitusta enkä salaisuutta,
muista se. Tiedän varsin hyvin, että heti kun olen kertonut nuo asiat,
en omista niitä enää, ne ovat silloin jo maailmalla irrallisina ja
itsenäisesti liikkuvina…
— Mitä sinä luuletkaan minusta! keskeytti Aino punastuen
hiusrajaansa myöten. Että minä kertoisin maailmalle minulle

uskottua salaisuutta! Etkö luota sen verran vanhaan ystävääsi?
Ilmi huomasi loukanneensa. Tietysti mittasi Aino omalla
mittapuullaan, suurimmalla mahdollisella, mikä hänellä oli…
— Luotan, tietysti luotan sinuun, sanoi hän. Mutta tämä ei ole
mikään varsinainen salaisuus, sitä minä tarkoitin. Pieni elämäntarina
vain. Tahdotko kuulla lisää?
Aino nyykähytti päätään juhlallisesti.
— No niin. Sinähän tunnet minut. Muistat, millainen olin
kymmenen vuotta takaperin: herkkä, tunteellinen, oikukas ja hyvin
vallanhimoinen. Minulla oli siihen aikaan suuret käsitykset itsestäni
kuten ainakin koulupriimuksella, joka on lukenut läksynsä hyvin,
mutta ei vielä tiedä elämästä mitään. Kuuntelin mielelläni imarruksia
ja seurustelin mielelläni miesten kanssa ainoastaan sentähden, että
he ymmärsivät ihailla minua. Ja minä valitsin heistä itselleni hänet,
joka ihaili minua enin.
Ainon täytyi hymyillä.
— Älä naura, se on aivan totta. Mutta se ei johtunut sentään
pelkästään vallanhimosta ja itserakkaudesta, vaan myös siitä, että
tunsin juuri hänen minua parhaiten ymmärtävän. Hän oli kuin peili,
jossa lakkaamatta sain kaunista itseäni heijastella. Hän imi jokaisen
sanani, ahmi silmillään jokaisen liikkeeni, omaksui jokaisen
mielialani. Hän oli olemassa ainoastaan minua varten. Aina hän
palveli, ymmärsi ja ihaili. En ole eläissäni nähnyt niin suurta
rakkautta. Minä olin hänelle se ilma, jota hän hengitti, se maa, joka
hänet ravitsi, se aurinko, jonka valossa hän näki koko maailman.
Minä suoraan sanoen elätin hänet. Ja kun minä huomasin sen, alkoi

se minua ahdistaa ja painaa. Tunsin, että hän kulutti minua, että
minä vain aina annoin saamatta mitään takaisin, aina vain kannatin
voimatta itse koskaan heittäytyä suurempani varaan. Minä rakastin
häntä kuin lasta, ala-ikäistä, holhokkia, mutta halveksin häntä heti,
kun muistin, että hän oli mieheni…
— Sen ymmärrän hyvin, virkahti Aino. Tietysti oli sinussa niin
paljon naista, että tahdoit katsoa ylös rakastamaasi mieheen. Miehen
täytyy olla korkeampi ja voimakkaampi puoli…
— Olen senkin kokenut, mutta liian myöhään. Sillä tuona aikana,
jolloin edesvastuu oli jäänyt yksinomaan minun hartioilleni, olin
itsekin ehtinyt yksilöllisesti kasvaa. En hakenut miestä enää pelkillä
vaistoillani, vaan jokaisella sielunkyvylläni erikseen. Kaikilla lahjoillani
mittasin häntä, kaikilla kokemuksillani punnitsin ja ani harvoin
havaitsin hänet edes vertaisekseni. Ja kun minä sitten kohtasin
miehen, jonka todellakin tunnustin voimakkaammaksi, oli se samalla
minun rakkauteni tunnustus. Minun hetkeni oli tullut antautua. Ja
minä rakastin häntä ensi kerran niinkuin nainen rakastaa miestä.
Mutta se ei ollut onni enää. Se ei käynyt enää. Joka kerta kun
muistin sen, niin häpesin, vielä enemmän kuin ensimäisellä kerralla,
sisimmän ihmiseni, personallisen vapauteni, koko kuvitellun
itsenäisyyteni puolesta. Sillä kaikki tämä hävisi jäljettömiin. Päivä
päivältä tunsin, miten yhä enemmän ja enemmän lakkasin olemasta,
vajosin häneen, aloin ajatella hänen päällään, tuntea hänen
tuntohermoillaan. Koetin taistella sitä vastaan, mutta turhaan. Ah,
sen minä sanon, että helpompi on naiselle, joka rakastaa, kantaa
vaikka tuhannen heikon ihmishengen kantamus kuin taistella yhtä
voimakasta vastaan! Tunsin, että minun oli luovuttava joko
personallisuudestani tai rakkaudestani. Kumpikin tuntui yhtä
mahdottomalta. Mutta sammuvan yksilöllisyyteni kuolemankauhu oli

minussa sittenkin niin ääretön, että se myrkytti minulta jokaisen
hetken, vei minun antautumiseltani ilon ja vapauden ja minun
rakkaudeltani kaiken itse-hyväksymisen. Se teki minun elämästäni
suoranaisen helvetin ja antoi minulle lopulta voimaa riistäytyä irti…
Ilmi vaikeni. Pitkään aikaan ei kumpikaan puhunut mitään. Aino
tuijotti ajatuksissaan lattiaan.
— Etkö sinä koskaan… koskaan ole katunut sitä? kysyi hän sitten.
Ilmi naurahti katkerasti.
— Ei minulla ole varaa itkeä menneisyyttä. Mitä se hyödyttäisi! En
olisi sentään voinut tehdä toisin. Minä olen nyt sellainen. Koko minun
voimani menee nykyään siihen, että koetan aivan väkipakolla
ylläpitää sitä henkistä minääni, joka on särkenyt minulta rakkauden
onnen. Mutta en tahdo kieltää, että minun sydämessäni asuu
tavaton tyhjyys ja pettymys. Yksinäisyys kauhistaa niin usein ja
silloin aina kaipaan heitä kahta, jotka minun naisellisuuteni ja
ihmisyyteni ajoivat pois…
— Tahtoisin kysyä jotakin, mutta en tiedä, uskallanko, sanoi Aino
arasti.
— Kysy vaan.
— Kumpaako heistä rakastit sinä enemmän? Sanotaanhan, että
ihminen lopultakin palaa ensimäiseen rakkauteensa. Onko se totta?
Ilmin silmissä välähti.
— Mitä ovat kaiken maailman ensilemmet viimeisen rinnalla!
huudahti hän. Ensimäinen rakkaus on vain suuren luonnon

yhteishuminaa, vain alku-ihmisen sokeaa, varhaista vaistoa, sen
esineen määrää sattuma, se voi olla kuka tahansa, jota vastoin
rakkaus yksilöksi kehittyneen ihmisen sielussa on kuin
uskontunnustus, pyhä, yksinäinen, vapaa-ehtoinen valikoiminen,
jonka esine ei voi olla enää kukaan muu kuin tuo yksi ainoa koko
maailmassa. Hänen ympärilleen keskittyy silloin kaikki, mikä
ihmisessä on vakavinta, omintakeisinta ja ikuisinta. Hänen kerallaan
alkaa ja loppuu elämä. Häntä ennen ja hänen jälkeensä ei ole
ketään!
— Ja sinä olet kokenut tuon?
— Olen.
He vaikenivat. Aino nousi kohentamaan tulta.
— Ja sellaisen rakkauden olet sinä voinut jättää! Miten
kummallinen nainen sinä sentään olet, Ilmi, puhui Aino kuin
itsekseen. Et voi antautua sille, jota rakastat ja kuitenkin uhraat
itsesi ventovieraille ihmisille, kärsit yksinäisyydestäsi ja sentään
hylkäät kalleimman ystäväsi… Sinulle on siis personallisuuden asia
ollut niin kallis. Siinä mahtaa sittenkin olla jotakin, koska voit siitä
noin äärettömästi maksaa. Ja onhan siinä, minä tunnen sen. Kun
vertaan sinua itseeni. Minulla ei ole koskaan ollut muuta kuin minun
rakkauteni. Ja minä itse olen ollut niin yhtä rakkauteni kanssa… Aino
pysähtyi epäröiden. Sitten hän äkillisesti työnnähti:
— Kuule Ilmi! Minä olen jäänyt ensimäiseen rakkauteeni. Ajattele,
jos se minussakin oli vain tuollaisen tajuttoman yhteisluonnon
huminaa, jos se oli sellainen sattuma, josta puhuit! Minulla on ollut
hyvä, mutta ehkä se on ollut siksi, etten ole tiennyt paremmasta,
että olen tukahtunut omaan alkusoluuni. Hän on minut kasvattanut,

hän on kehittänyt aivoni ja suunnannut tunne-elämäni. Ja itsensä
mukaan, tietysti. Olin aivan lapsi, kun tapasin hänet. Ajattele, jos
olenkin kasvanut väärään suuntaan, vasten minussa asuvia voimia,
kutistunut joksikin toiseksi kuin miksi alkuaan olin aiottu! En ole sitä
koskaan ennen tullut ajatelleeksi, mutta nyt kun sinä sanot sen,
tuntuu se minusta niin luonnolliselta. Niin, se on aivan varmaan niin,
se ei voi olla toisin! En tahdo olla kiittämätön. Olen ollut hyvin
onnellinen. Mutta eikö se juuri olekin alemman olotilan,
kehittymättömyyden tunnusmerkki. En tiedä. Sano sinä, joka tiedät!
Sano, enkö ole mielestäsi hyvin kehittymätön? Puhu totta, Ilmi!
Varmasti sinä omalta kannaltasi, itsenäisen naisen kannalta,
halveksit minua, joka olen vain köynnös, heijastus miehestä.
Ilmi hymähti.
— Niin olen minäkin. Minussa ei ole mitään omaa. Se, mitä nyt
omanani käytän, on vain perintöä häneltä, jota rakastin. Hän viljeli
minunkin aivoni ja suuntasi tunne-elämäni. Hän antoi minulle
elämäntyön. Tottelen yksinänikin ollen yhä vain hänen henkeään,
joka jäi minuun asumaan. Minun itsenäisyyteni on nimellinen, minun
irtautumiseni miehen tahdosta vain näennäinen. Ja minä vakuutan
sinulle: koko itsenäinen nainen on vain käsite, turha sanaleikki.
Häntä ei ole olemassakaan. Siltä kannalta katsottuna ei meissä siis
ole eroa ollenkaan.
Mutta Ainon ajatukset olivat saaneet ikäänkuin uuden, ryöppyävän
uran. Ensi kertaa elämässään tunsi hän niiden käyvän mullistaen ja
kapinoiden. Kiihottuneena käveli hän edestakaisin lattialla.
— Älä koeta puhua noin minun mielikseni, vastusti hän. Kyllä minä
tiedän. Myönnä, ettet vaihtaisi onnettomuuttasi minun onneeni. Se
on arvokkaampaa, se on suurempaa kuin minun suojattu,

riippuvainen asemani. Minä tunnen sen. Mutta se vaatii niin hirveästi
voimaa. Sitä minulla ei olisi koskaan ollut, ei koskaan. Siinä se on
ero. Ja sen tähden sinulla onkin oikeus olla viisaampi minua!
Ilmi hymyili surullisesti.
— Tule tänne viereeni, Aino, niin sanon sinulle jotakin oikein
viisasta.
Aino istahti.
— Mitä sinä aioit sanoa?
— Sitä ainoastaan, että sinä olet ollut paljon viisaampi kuin minä,
sillä sinä olet osannut elää elämäsi oikeassa järjestyksessä. Hankit
ensin itseäsi voimakkaamman miehessä ja sitten itseäsi heikomman
lapsessa. Ne pitävät toisensa tasapainossa. Se on se ainoa oikea.
Niin minäkin olisin tahtonut, mutta se ei ollut minua varten…
Ilmi vaikeni.
Hiilloksen punainen hehku kajotti noiden kahden pään ympärillä,
jotka vaistomaisesti olivat painautuneet lähemmäksi toisiaan. Outo
maailma heidän välillään oli alkanut antautua ja se kutoi heidän
silmiinsä kummallisia kangastuksia.
Aino oli kokonaan unohtanut ensimäisen säikähdyksensä ja ennen
tuntematonta ajatussumua satoi kuin kirjavaa tulta hänen aivoihinsa:
vapaus, sielun yksinäinen kulku halki kaukaisen elämän, mitä mahtoi
se olla?…
Mutta Ilmi melkein kadehti Ainoa sentähden, että hänen oli sallittu
alkaa siitä oikeasta päästä.

ÄÄNET
Valkoisen talon edustalla on pitkä keinulauta ja sen ympärillä suuri
puutarha, joka syys-illan yksinäisyydessä hiljaa kohisee, vaikka onkin
aivan tyyni.
Keinulaudalla pimeän kätkössä istuu kaksi ihmistä, joita ei erota ja
jotka eivät itse edes näe toisiaan. Äänet ainoastaan tapaavat ja
äänet seurustelevat. Ne kumpuavat esiin kuin tuntemattomista
kuiluista, ne kaartelevat ja leikittelevät kaikissa äänilajeissa, ne
syyttävät ja syleilevät toisiaan. Jokainen sana sotii toista vastaan ja
sentään ne uivat yhdessä pois, hukkuen leukoijain tuoksujen kera
lempeään yöhön.
— Kaksi kohtaa sinun elämässäsi on, joita en ymmärrä: sinun
lähtösi silloin ja sinun paluusi nyt…
— Siinä olikin elämäni kaikki. Oliko se sinulle pettymys?
— Oli, kymmenen vuotta takaperin.
— Ja nyt?

Welcome to our website – the perfect destination for book lovers and
knowledge seekers. We believe that every book holds a new world,
offering opportunities for learning, discovery, and personal growth.
That’s why we are dedicated to bringing you a diverse collection of
books, ranging from classic literature and specialized publications to
self-development guides and children's books.
More than just a book-buying platform, we strive to be a bridge
connecting you with timeless cultural and intellectual values. With an
elegant, user-friendly interface and a smart search system, you can
quickly find the books that best suit your interests. Additionally,
our special promotions and home delivery services help you save time
and fully enjoy the joy of reading.
Join us on a journey of knowledge exploration, passion nurturing, and
personal growth every day!
ebookbell.com

Operating Costs Of Real Estate Models And Cost Indicators For A Holistic Cost Planning Benjamin Lasshof

About This Presentation

Slide Content

Tags

Categories

Download

Quick Actions

Statistics

Related Slideshows

Operating Costs Of Real Estate Models And Cost Indicators For A Holistic Cost Planning Benjamin Lasshof

About This Presentation

Slide Content

Slide 1

Slide 2

Slide 3

Slide 5

Slide 6

Slide 7

Slide 8

Slide 9

Slide 10

Slide 11

Slide 12

Slide 13

Slide 14

Slide 15

Slide 16

Slide 17

Slide 18

Slide 19

Slide 20

Slide 21

Slide 22

Slide 23

Slide 24

Slide 25

Slide 26

Slide 27

Slide 28

Slide 29

Slide 30

Slide 31

Slide 32

Slide 33

Slide 35

Slide 36

Slide 37

Slide 38

Slide 39

Slide 40

Slide 41

Slide 42

Slide 43

Slide 44

Slide 45

Slide 46

Slide 47

Slide 48

Slide 49

Slide 50

Slide 51

Slide 52

Slide 53

Slide 54

Slide 55

Slide 56

Slide 57

Slide 58

Slide 59

Slide 60

Slide 61

Slide 62

Slide 63

Slide 64

Slide 65

Slide 66

Slide 67

Slide 68

Slide 69

Slide 70

Slide 71

Slide 72

Slide 73

Slide 74

Slide 75

Slide 76

Slide 77

Slide 78

Slide 79