Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur

Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur

Amsterdam School of Real Estate Masterthesis MSRE, Real Estate Valuation Robin van Leeuwen OVU15624 maart 2015

Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur Masterscriptie, Master of Sciences in Real Estate R.S. van Leeuwen

Auteur:

R.S. (Robin) van Leeuwen

Opleider:

Amsterdam School of Real Estate

Opleiding:

Master of Science in Real Estate

1e Begeleider:

A. (Arthur) Marquard

2e Begeleider:

prof. dr. M.K. (Marc) Francke

Datum:

maart 2015

R.S. van Leeuwen

2/2


1/45

Samenvatting Tijdens de woningmarktcrisis is meetbaar dat het aantal woningtransacties zijn afgenomen. Het aantal woningen dat te koop staat laat daarentegen een stijgend verloop zien. Dit zijn ingrediënten die niet wenselijk zijn voor het taxeren van het woningvastgoed. Het is gebruikelijk dat een waardering zijn betrouwbaarheid haalt uit (historische) transacties. Blijven de transacties achterwege dan zal dit invloed hebben op de betrouwbaarheid van de waardering of het waarderingsmodel. Voor de Wet Waardering Onroerende Zaken (Wet WOZ) wordt veel gebruik gemaakt van mass appraisal modellen, het is van groot belang dat de betrouwbaarheid van deze modellen maximaal blijft voor het heffen van belastingen. Dit geeft aanleiding om te onderzoeken of de huidige taxatiemethoden aangevuld kunnen worden vanuit de aanbodzijde van de woningmarkt. In deze thesis wordt onderzocht of het mogelijk is de premie te verklaren voor de verkochte woningen in de gemeente Amsterdam. Deze premie kan gedefinieerd worden als het verschil tussen de (initiële) vraagprijs en de uiteindelijke transactieprijs. De factoren die ten grondslag liggen aan deze premie zijn in deze thesis gezocht bij de (specifieke) eigenschappen van een woning, de locatie en de verkooptijd. Tijdens het onderzoek is er een hypothese geformuleerd, deze luidt als volgt : H0: Specifieke woningkenmerken, buurtlocaties en de verkooptijd verklaren niet de premie die ontstaat bij verkoop. Doormiddel van een meervoudige regressie analyse is de bovenstaande hypothese getoetst. De premie is hierbij de afhankelijke variabele. Voor dit onderzoek worden twee verschillende premies getoetst. · ·

Premie 1: ontstaat door het verschil te nemen tussen de initiële vraagprijs en de transactieprijs. Premie 2: ontstaat door het verschil te nemen tussen de laatst gehanteerde vraagprijs en de transactieprijs.

Premie 1 geeft voor dit onderzoek een hogere relatieve premie ten opzichte van Premie 2. Door deze twee verschillende premies te toetsen ontstaat er inzicht in hoeverre specifieke woningkenmerken, buurtlocaties en/of de verkooptijd een andere rol krijgen in het verklaren van de ontstane premie. Centraal staat in dit onderzoek dat er gekozen is voor een laag aggregatieniveau. Het hanteren van deze lage aggregatieniveaus maakt inzichtelijk welke verschillende eigenschappen van een woning invloed hebben op de ontstane premie. Daarnaast is van belang inzicht te hebben in de verschillende (prijs)markten die kunnen ontstaan. Het toepassen van lage aggregatieniveaus voorkomt een overlap van verschillende (prijs)markten die van belang kunnen zijn in het verklaren van de premie. Veel variabelen zijn aan de hand van verschillende datasets meegenomen in het model: · · · · ·

(initiële) vraagprijs; prijswijzigingen, transactieprijs; verkooptijd; vastgoedkenmerken; locatiekenmerken; exogene kenmerk (de hypotheekrente).


2/45

De ontstane premie hangt nauw samen met de verkooptijd. Dit betekent dat gedurende het onderzoek de twee premies afzonderlijk zijn getoetst aan twee verschillende "verkooptijden". Hierdoor wordt inzichtelijk of er verschillende effecten optreden in het verklaren van de premie. · ·

Verkooptijd 1: de verkooptijd van de aanmelding (start verkoop) tot en met de datum van de juridische overdracht, uitgedrukt in dagen. Verkooptijd 2: de verkooptijd van de aanmelding (start verkoop) tot moment waarbij verkoper en koper overeenstemming hebben bereikt, uitgedrukt in dagen.

Het verschil tussen de verkooptijd 1 en 2 blijkt gemiddeld 3 maanden te zijn. Deze periode wordt veelal ingevuld om de opgenomen voorbehouden zoals financiering of bouwkundige keuring te laten uitwerken alvorens naar de notaris te gaan voor de overdracht. De resultaten tonen in verschillende mate aan in hoeverre de premie verklaard wordt. Het meest verklarende model ontstaat door premie 1 in combinatie met verkooptijd 1 op te nemen in het model. De verkooptijd blijkt zoals eerder aangegeven een belangrijke variabele voor het verklaren van de premie. Hoe langer de verkooptijd in beslag neemt hoe hoger de relatieve premie. Enkele uitkomsten van het model zijn opvallend te noemen, zo geven de variabelen prijs per m² en de woonoppervlakte een onverwacht tegengesteld resultaat. De uitkomsten van dit model zijn in dit onderzoek nog onvoldoende om mee te nemen in een taxatiemodel. De woning eigenschappen hebben minimaal invloed op de premie. Verder onderzoek zal verfijning moeten geven van dit model.


3/45

Inhoudsopgave Samenvatting Inhoudsopgave Figuren Voorwoord 1 Inleiding 1.1 1.2 1.3 1.4 1.5 1.6

2

Inleiding Aanleiding Doelstelling Onderzoeksvraag Onderzoeksopzet Leeswijzer

Theoretisch kader

2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9

3 4

Inleiding Het ontstaan van een reserveringsprijs De functie van een vraagprijs Het effect van prijswijzigingen Het effect van heterogeniteit Vraagprijs en de factoren die de verkooptijd beïnvloeden. De relatie tussen de vraagprijs en transactieprijs Een taxatiemodel dat rekening houdt met vraagprijzen Conclusies literatuur studie

Concretisering van de onderzoeksvraag Databeschrijving en methodologie

4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8

5

Inleiding Beschikbare databases Totstandkoming van de gekoppelde dataset Data analyse Verkooptijd berekenen Premie 1 en 2 (afhankelijke variabele) Beschrijving model 1 en 2 Beschrijving model 3 en 4

Intermezzo

5.1 5.2 5.3

6

Inleiding Meervoudige regressie analyse Transformatie model

Resultaten

6.1 6.2 6.3 6.4 6.5

Inleiding Beschrijvende statistiek premie 1 en 2 Uitkomst meervoudige regressie Uitkomst model 1 en 2 Uitkomst model 3 en 4


2 4 6 7 8 8 8 9 9 10 10

11 11 11 12 13 13 14 15 16 16

19 20 20 20 21 23 27 27 28 28

29 29 29 31

33 33 33 34 34 37

4/45

7

Conclusie en aanbevelingen

7.1 7.2 7.3

Conclusie en beantwoording van de onderzoeksvraag De aanbevelingen en suggesties voor verder onderzoek Reflectie

Bibliografie Appendix


39 39 40 40

41 43

5/45

Figuren Figuur 1 Figuur 2 Figuur 3 Figuur 4 Figuur 5 Figuur 6 Figuur 7 Figuur 8 Figuur 9 Figuur 10 Figuur 11

Weergave van het aantal transacties en aanbod van koopwoningen in Amsterdam. .......... 8 Schematische weergave van de onderzoeksopzet............................................................ 10 Leeswijzer van het onderzoek ........................................................................................ 10 Weergave van kopers en verkopers reserveringsprijs. .................................................... 11 Weergave van de twee datasets in aantalen nieuwe aanmeldingen en aantal transacties. . 23 Weergave van de gekoppelde dataset in aantal nieuwe aanmeldingen en aantal transacties 24 Weergave van de gemiddelde transactieprijs per vierkante meter en de gemiddelde initiële vraagprijs per vierkante meter in euro's per kwartaal. ..................................................... 25 Weergave van de gemiddelde transactieprijs per vierkante meter en de gemiddelde initiële vraagprijs per vierkante meter in euro's per kwartaal. ..................................................... 26 Weergave natuurlijk logaritme van het woonoppervlakte ............................................... 32 Weergave van de relatieve premie 1 en 2 per kwartaal. .................................................. 33 Weergave van de verkooptijd uitdrukt in aantal dagen per kwartaal. ............................... 34


6/45

Voorwoord Ik kan naar volle tevredenheid een vinkje zetten achter het laatste onderdeel van mijn studie aan de Amsterdam School of Real Estate. Het onderwerp van deze scriptie heeft direct te maken met de dagelijkse praktijk voor mass appraisal modellen. Ik onderzoek of er verbanden zijn met de "premie". Deze premie ontstaat zodra de vraagprijs en de uiteindelijke transactieprijs verschillen. Bij een hedonisch prijsmodel krijgt elke eigenschap zijn eigen waarde en is bij elkaar opgeteld een modelwaarde. Hebben deze specifieke eigenschappen zoals woningkenmerken, locatie en de verkooptijd ook invloed op deze premie? Deze verbanden worden onderzocht en geven inzicht naar de mogelijkheid om aanbod gestuurd te taxeren als er niet meer voldoende transactie gegevens beschikbaar zijn vanuit de markt. In het bijzonder wil ik mijn begeleider Arthur Marquard bedanken, zijn enthousiaste en positieve houding heeft mij geholpen met het volbrengen van dit laatste onderdeel. Ik zal zijn opmerking niet snel vergeten: "Dat kost je een uurtje!". Niet beseffende dat het mij vele malen dat ene uurtje kostte. Ook wil ik Henk Balke, Sander Sijm, Peter Vreugdehil en Marc Francke bedanken voor het aanleveren van de data, de input of het zijdelings bijstaan en het creëren van verdiepingsslagen in het (denk) proces. De opleiding heeft mij veel energie gegeven maar ook gevraagd. Het volgen van de colleges, het voorbereiden op de tentamens en het schrijven van deze scriptie naast een voltijdbaan vraagt met een druk gezinsleven om tactisch plannen. Het 'nee' moeten verkopen aan mijn twee stoere jongens, die logischerwijs nog niet begrijpen dat papa’s school zich op de zolderkamer bevindt. Ik hoop dat jullie ook later (in)zien dat je met hard werken je gestelde doelen altijd kan halen. Karen is mijn rots in de branding! Soms leek deze rots onder de vloed van de werkzaamheden te verdwijnen, maar schijn bedriegt. Bedankt voor je vertrouwen en tomeloze inzet voor de “kids” en mij! Nou jongens, wat gaan we met al die vrije tijd doen? Robin van Leeuwen Assendelft, maart 2015


7/45

1 Inleiding 1.1 Inleiding Het is niet te ontkennen dat de Nederlandse woningmarkt in zwaar weer zit. Dit wordt gekenmerkt door het teruglopen van het aantal transacties sinds de intrede van de woningmarktcrisis. Een zichtbare tegenhanger is het groeiend aanbod. Als de vraag naar woningen uitblijft en het aanbod toeneemt komen prijzen onder druk te staan. Deze effecten zijn meetbaar, maar hoe zit het eigenlijk met de taxatiemethodes tijdens een woningmarktcrisis? In zijn algemeenheid is het gebruikelijk om historische transacties te gebruiken voor het taxeren van vastgoed. Voor de gemeente Amsterdam, dat het onderzoeksgebied is voor deze thesis, geldt een gelijke ontwikkeling als het landelijk niveau waarbij de transacties teruglopen en het aanbod toeneemt (zie figuur 1). Het is voorstelbaar dat dit een negatief effect heeft op de betrouwbaarheid van de taxaties die jaarlijks worden opgelegd in het kader van de Wet Waardering Onroerende Zaken (Wet WOZ). Voor de Wet WOZ wordt veel gebruik gemaakt van mass appraisal1. Deze methode maakt het onder andere mogelijk om een groot aantal taxaties in een relatief kort tijdsbestek te verrichten. Het aantal (historische) transacties heeft eveneens bij een mass appraisal invloed op de mate van betrouwbaarheid van het model. Het is duidelijk dat een hoge betrouwbaarheid van het model wenselijk is voor het heffen van belastingen. Dit maakt het interessant om te onderzoeken of er tijdens een woningmarktcrisis de huidige taxatiemethodes niet aangevuld kunnen worden door de aanbodzijde van de woningmarkt in het model te betrekken. Centraal staat hierbij dat er een stap wordt gezet naar de vraag in hoeverre het mogelijk is om een vraagprijs te corrigeren naar een "fictieve transactie". 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 2005

2006

2007

Aanbod per 1 januari Figuur 1

2008

2009

2010

2011

2012

2013

Transacties cijfers (2013 cijfers tot 3e kwartaal)

Weergave van het aantal transacties en aanbod van koopwoningen in Amsterdam over verschillende jaren genomen. (bron WoonAmsterdam 2013)

1.2 Aanleiding De Dienst Gemeentelijke Belastingen Amsterdam (DGBA) maakt gebruik van een hedonisch prijsmodel voor de te taxeren woningvoorraad van de gemeente Amsterdam in het kader van de Wet WOZ. Deze Wet WOZ is zo ingericht dat alle onroerende zaken getaxeerd moeten worden en dat de woningen voorzien worden van een waarde in het economische verkeer (WEV). Deze waarde wordt gebruikt als grondslag voor het heffen van diverse belastingen. Naast de eenduidige manier waarop de Wet WOZ de taxaties afbakent dient de Waarderingskamer te

1

"Mass appraisal is the systematic appraisal of groups of properties as of a given date using standardized procedures and statistical testing" (International Association of Assessing Officers, 1990) Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur

8/45

controleren of de taxaties voldoen aan de gestelde eisen. Bij goedkeuring mag de gemeente de aanslagen opleggen aan haar burgers. De afgelopen jaren is de kwaliteit van de taxaties toegenomen. Dit is mede ontstaan door de inmiddels jaarlijkse waardering en de verbetering van geautomatiseerde taxatiemodellen. De Waarderingskamer wil dat de WOZ-waarde de marktwaarde2 benadert, rekening houdend met de geldende wetsficties. Deze wetsficties zijn zo geformuleerd dat er een geobjectiveerde waarde dient te worden vastgesteld. Er dient bijvoorbeeld geen rekening gehouden te worden met een zakelijk recht zoals erfpacht. Ondanks de toegenomen kwaliteit is het er tijdens de woningmarktcrisis niet eenvoudiger op geworden om taxaties met dezelfde betrouwbaarheid af te geven als vóór de woningmarktcrisis. De gemeente Amsterdam verlangt naar een "nieuwe", dan wel aanvullende onderbouwing van haar taxatiemodellen. Door middel van deze thesis wordt onderzocht of er mogelijkheden zijn die de verklaringskracht van het taxatiemodel tijdens de woningmarktcrisis verhogen.

1.3 Doelstelling Dit onderzoek zal inzicht geven in welke variabelen een verklarende rol hebben op de premie. Deze premie ontstaat door het verschil te nemen tussen de (initiële) vraagprijs en de transactieprijs (model 1 en 2, zie § 4.7). Ook wordt gekeken of er andere effecten ontstaan als de premie wordt genomen van de laatst gehanteerde vraagprijs en de transactieprijs (model 3 en 4, zie § 4.8). Als blijkt dat de premie verklaard kan worden door de variabelen uit het model, dan geeft dit aanleiding voor verder onderzoek. Het betreft een verkennend wetenschappelijk onderzoek waaruit zal blijken of er voldoende inzicht wordt verkregen voor het corrigeren van vraagprijzen naar een "fictieve" transactie. Veelal is er geen informatie bekend over de prijswijzigingen in woningmarktonderzoeken en wat de effecten hiervan zijn. Deze prijswijzigingen zullen in dit onderzoek worden meegenomen. Daarnaast zullen specifieke kenmerken van het vastgoed, de locatie en hypotheekrente als exogene factor in het model worden meegenomen. Voor het onderzoek is gebruik gemaakt van verschillende datasets. Deze datasets zijn gekoppeld en zullen gedurende het (empirisch) onderzoek inzicht geven om de onderzoeksvraag te kunnen beantwoorden. Verder zal in deze thesis onderzocht worden of er een relatie is aan te tonen, waarbij de premie verklaard wordt door onafhankelijke variabelen op een laag aggregatieniveau.

1.4 Onderzoeksvraag De bovenstaande aanleiding en doelstelling hebben bijgedragen tot het afkaderen van het onderwerp, binnen dit kader is de volgende onderzoeksvraag geformuleerd: In hoeverre is het mogelijk de premie te verklaren die ontstaat tussen een initiële vraagprijs en een transactieprijs? Na de literatuurstudie en een gesprek met prof. dr. M.K. Francke heeft er een aanscherping dan wel concretisering plaatsgevonden van de onderzoeksvraag. Dit heeft er toe geleid dat er in hoofdstuk 3 een nulhypothese is gevormd. Deze nulhypothese wordt getoetst aan de hand van een meervoudige regressie analyse en bakent de complexiteit van het onderwerp hiermee verder af. 2

Marktwaarde is ‘het geschatte bedrag waartegen vastgoed tussen een bereidwillige koper en een bereidwillige verkoper na behoorlijke marketing in een zakelijke transactie zou worden overgedragen op de waardepeildatum,waarbij de partijen met kennis van zaken, prudent, en niet onder dwang zouden hebben gehandeld.’ (Bron: Berkhout en Hordijk, 2010) Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur 9/45

1.5 Onderzoeksopzet Het onderzoek betreft een praktisch deductief kwantitatief onderzoek. Het onderzoek is gestart met het formuleren van de probleemstelling, gevolgd door een gesprek met prof. dr. M.K. Francke. Tijdens dit gesprek is een aanbeveling gedaan omtrent literatuur, deze aanbeveling heeft bijgedragen aan het verder verzamelen van literatuur voor het theoretisch kader. Voorts zijn er datasets verzameld, gekoppeld en bewerkt voor het uitvoeren van het kwantitatieve onderzoek. Uit de literatuur blijkt dat er vaak meerdere analyses zijn uitgevoerd vanuit een econometrische benadering. Gezien de veel omvattende methodes is voor dit onderzoek specifiek gekozen voor een meervoudige regressie analyse. In figuur 2 is schematisch aangegeven hoe het onderzoek is opgezet. formulering probleemstelling

Figuur 2

1.6

gesprek met M. Francke

literatuur onderzoek

data verzameling

data bewerking

kwantitatief onderzoek (meervoudige regressie)

analyse resultaten

Schematische weergave van de onderzoeksopzet.

Leeswijzer

In hoofdstuk 2 zal het theoretisch kader verder inzoomen op de probleemstelling gevolgd door een deelconclusie. Hoofdstuk 3 gaat in op de relevantie van het onderzoek en zal er een aangescherpte hypothese worden geformuleerd. Hoofdstuk 4 vindt een uiteenzetting plaats van beschikbare databestanden, de analyse van de datasets welke gevolgd wordt door de opbouw van verschillende formules. Hoofdstuk 5 betreft een intermezzo voor de gekozen methodologie waarbij de lezer aan de hand wordt genomen met de uitleg van een meervoudige regressie. In hoofdstuk 6 zullen de resultaten van het onderzoek worden gepresenteerd en geanalyseerd. Hoofdstuk 7 bevat ten slotte de conclusie en aanbevelingen voor verder onderzoek. In figuur 3 is de opbouw van deze thesis schematisch weergegeven. Hoofdstuk 2 Theoretisch kader Hoofdstuk 3 Aanscherping hypothese Hoofdstuk 4 Opbouw dataset, data analyse, formules Hoofdstuk 5 Intermezzo , uitleg methodologie meervoudige regressie Hoofdstuk 6 Resultaten Hoofdstuk 7 Conclusie en aanbevelingen Figuur 3

Leeswijzer van het onderzoek


10/45

2 Theoretisch kader 2.1 Inleiding In het kader van het voorgaande hoofdstuk en de onderzoeksvraag is het van belang dat er een theoretische onderbouwing is van het van het begrip "vraagprijs" en de functie van een vraagprijs. Daarbij wordt gekeken naar het ontstaan van een reserveringsprijs in § 2.2, gevolgd door de functie van een vraagprijs in § 2.3. Ook zal het effect van prijswijzingen in § 2.4 behandeld worden naast het effect van heterogeniteit van een woning op de vraagprijs in § 2.5. In § 2.6 komen de factoren die de verkooptijd beïnvloeden aan de orde. In § 2.7 wordt nader ingegaan op de relatie tussen de vraagprijs en de transactieprijs. In § 2.8 worden de vraagprijzen behandeld in een taxatiemodel, gevolgd door § 2.9 met de conclusie van het theoretisch kader. De vastgoedmarkt wordt gezien als een inefficiënte en imperfecte markt ten opzichte van de financiële markten (Kang, Gardner, 1989). Elke vastgoedtransactie wordt namelijk gekenmerkt door zijn eigen specifieke onderhandeling op een specifiek tijdstip. Hierdoor ontstaat er een complexe relatie tussen de vraagprijs, de transactieprijs, de verkooptijd en de op dat moment geldende marktomstandigheden.

2.2 Het ontstaan van een reserveringsprijs Het hebben van informatie omtrent een specifieke woning is van groot belang. Een vraagprijs hoeft geen rol te spelen als een verkoper en een potentiële koper over dezelfde informatie beschikken. Dit suggereert dat beide partijen met dezelfde informatie een gelijke taxatie afgeven voor een bepaalde woning (Springer, 1996). Echter de hoeveelheid informatie blijkt doorgaans asymmetrisch te zijn. Dit leidt tot twee verschillende waarderingen van zowel een verkoper als een koper. De verkoper baseert zijn vraagprijs op een eigen taxatie waarbij zowel zichtbare als niet direct zichtbare elementen worden meegenomen. De verkoper kan namelijk feilloos de positieve en negatieve eigenschappen benoemen van zijn woning en hij weet als geen ander wat er in zijn buurt gaande is (Knight, Sirmans, Turnbull, 1994).

Figuur 4

Weergave van kopers en verkopers reserveringsprijs. (bron Geltner, Miller, Clayton en Eichholtz)

De koper beschikt vaak niet over deze informatie en daarbij kunnen ook andere (individuele) factoren een rol spelen bij het instellen van de reserveringsprijs. Koper kan hierdoor de eigenschappen op een andere waarde schatten. Het verschillend waarderen van het vastgoed genereert dus twee verschillende reserveringsprijzen zoals weergegeven is in figuur 4. De overlap van de reserveringsprijzen vindt plaats in het rode en groene vlak. Uiteindelijk zal de waarde rond de MV (Market Value) uitkomen. Dit omvat het klassieke economisch conceptuele Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur

11/45

evenwicht (Geltner, Miller, Clayon en Eichholtz,, 2006). De reserveringsprijs kan voor een verkoper gedefinieerd worden als de laagste prijs die een hij zal accepteren om tot een verkoop over te gaan. Voor koper betreft de reserveringsprijs de hoogste prijs die een hij bereid is te betalen voor het vastgoed. Een vraagprijs is over het algemeen gelijk of hoger dan de reserveringsprijs van de verkoper (Horowitz,1992).

2.3 De functie van een vraagprijs Woningen worden gebruikelijk verkocht onder de vraagprijs, in enkele gevallen komt het voor dat een woning boven de vraagprijs wordt verkocht. Vraagprijzen vormen een ogenschijnlijk prijsplafond en dit kan gezien worden als een obstakel. Het hoger uitkomen dan de vraagprijs is een relatief schaarse gebeurtenis en daarom weinig reëel volgens Horowitz (1992) die onderzoek doet in Baltimore in de Amerikaanse staat Maryland. In de enkele gevallen dat er wel boven de vraagprijs geboden wordt is dit vaak maar een fractie boven de vraagprijs. Daarom maakt Horowitz de assumptie dat er eigenlijk geen biedingen boven de vraagprijs plaatsvinden. Hij toont in zijn onderzoek aan dat dit niet te wijten is aan specifieke marktomstandigheden en dat dit in elke conjunctuurcycli voorkomt. Voor de Nederlandse woningmarkt gaat deze assumptie niet op, het boven de vraagprijs bieden komt regelmatig voor en wordt ook gezien als marktindicator. Zo blijkt voor 2013 in de gemeente Amsterdam dat er een stijging waarneembaar is van het aantal transactieprijzen dat boven de vraagprijs verkocht wordt (bron WoonAmsterdam 2013). De vraagprijs heeft duidelijk een marketingfunctie, deze is belangrijk voor zowel de koper als verkoper. Een verkoper die zijn woning in de verkoop zet, geeft met zijn initiële vraagprijs een duidelijk signaal af naar de potentiële kopers. De verkoper geeft met zijn vastgestelde initiële vraagprijs veel informatie weg (Knight, Sirmans en Turnbull, 1994). Het is de bedoeling dat deze informatie wordt overgebracht naar een potentiële koper, hieraan is af te lezen hoe gemotiveerd een verkoper is om te verkopen. Iemand die een lagere vraagprijs heeft ten opzichte van een buurman met eenzelfde woning stuurt aan op een snelle verkoop. Bij het kopen, spelen voor een koper twee cruciale elementen: Welk huis wil men kopen en hoeveel wil men daarvoor betalen (Knight, Sirmans, Turnbull, 1994). Kopers selecteren potentiële woningen op basis van de vraagprijzen en stellen hun eigen reserveringsprijs vast. Verkoper zal bij het vaststellen van de vraagprijs invloed hebben op het aantal potentiële kopers dat zich aandient. Hoe dichter de vraagprijs bij de reserveringsprijs van de kopers ligt, hoe groter de groep potentiële kopers is. Kopers hebben verwachtingen bij een bepaalde vraagprijs, als dit niet aansluit op de markt dan zal de verkoper geen biedingen of bezoekers ontvangen. Een potentiële koper verwacht bijvoorbeeld een verschil in de vraagprijs als twee identieke woningen niet gelijkwaardig zijn onderhouden of afgewerkt. De woning zal een bepaalde onderscheidende factor moeten hebben, wil een koper geïnteresseerd raken in een betreffende woning. Zodra een woning een afwijkende positieve eigenschap (veel slaapkamers, eetkeuken, goede ligging) heeft, zou men kunnen inzetten op een hogere vraagprijs. Deze afwijkende eigenschappen worden gezien als heterogeniteit, dit kunnen zowel positieve als negatieve eigenschappen zijn die de hoogte van een initiële vraagprijs kunnen beïnvloeden. Het risico is echter dat verkoper een over- of onderschatting kan maken van de "heterogeniteit" van zijn woning.


12/45

2.4 Het effect van prijswijzigingen Het is wenselijk voor een verkoper om een zo hoog mogelijke prijs te ontvangen in een zo kort mogelijke periode. Het juist inzetten van de initiële vraagprijs is van groot belang. Haurin (1988) geeft aan dat hoe lager de vraagprijs is hoe meer bezoekers komen kijken. Het gevaar is dat een te lage vraagprijs ook een lagere transactieprijs tot gevolg heeft. De initiële vraagprijs heeft dus invloed op de uiteindelijke transactieprijs en de verkooptijd (Knight, 2002). Het vaststellen van een vraagprijs van een woning met heterogene eigenschappen kan lastig zijn om op waarde te schatten. Daardoor kan er moeilijk een inschatting gemaakt worden van het aantal potentiële kopers wat uiteindelijk de verkooptijd kan beïnvloeden. Een woning die lang te koop staat raakt uit de gratie bij potentiële kopers en kan zelfs gestigmatiseerd raken. Men denkt dat er mogelijk iets mis is met de woning. Knight (2002) onderzoekt de effecten van een prijswijziging en de verkooptijd, hij gebruikt hiervoor een "maximum-likelihood probit model". Dit model kiest de waarde die het meest aannemelijk is en deze wordt afgemeten aan de hoogste kans. De afhankelijke variabele kan enkel twee mogelijkheden aannemen waarbij de gebeurtenis wel of niet optreedt. Het onderzoek van Knight geeft aan welke categorie of type woning in aanmerking komt voor een prijswijziging. Dit zijn volgens Knight de woningen die heterogeen zijn, een te hoge initiële vraagprijs hanteren en/of leeg staan tijdens de verkoopperiode. Het te hoog prijzen van de woning levert in ieder geval te weinig potentiële kopers op. Aan de andere kant geeft het wel de mogelijkheid om de markt af te tasten. Het is dan ook volgens Knight niet verwonderlijk dat er een relatie is tussen de hoogte van de vraagprijs en de verkooptijd. Op het moment dat een verkoper geen biedingen ontvangt, heeft hij volgens Knight (2002) drie mogelijkheden. Hij wacht en doet niets met de prijs. Hij trekt de verkoop in of hij geeft een nieuw signaal af aan de potentiële kopers door een prijswijziging door te voeren. De beslissing hangt af van de beweegredenen van de verkoper en of hij iets geleerd heeft van de eerste verkoopperiode met de bijbehorende initiële vraagprijs.

2.5 Het effect van heterogeniteit Verkopers lopen tegen verschillende onzekerheden aan op het moment dat zij hun woning te koop aanbieden. De heterogeniteit van een woning maakt het bepalen van de vraagprijs oftewel de reserveringsprijs van de verkoper moeilijk. Een verkoper beschikt over veel informatie van zijn huis, maar kan door de geringe marktinformatie niet direct een waarde koppelen aan de specifieke eigenschappen. Het is vaak onduidelijk voor een verkoper wie zijn potentiële kopers zullen zijn. Het is lastig te voorspellen hoe een koper zal reageren op de initiële vraagprijs. De uiteindelijke beslissing voor het bepalen van een vraagprijs zal invloed hebben op de hoogte van de verkoopprijs en de verkooptijd. Haurin (1988) onderzoekt de heterogeniteit van woningen en vormt de primaire hypothese, ' hoe meer specifieke eigenschappen een woning heeft, hoe groter de verwachte variantie van de biedingen'. Hij geeft aan dat heterogene woningen specifieke eigenschappen bezitten of nabij specifieke voorzieningen in de buurt zijn gelegen. De heterogeniteit is te wijten aan de ongebruikelijke details van een woning, die kunnen zich vertalen in bijvoorbeeld een prachtig uitzicht, een ligging nabij een snelweg, een ongebruikelijke indeling of een exceptioneel aantal (bad)kamers. Deze eigenschappen hebben direct invloed op de verkooptijd en zal relatief langer zijn dan bij een homogene woning. Uit het model blijkt dat verschillende gebieden, die ingedeeld zijn op basis van afnemende homogeniteit, een verschillende verkooptijd hebben. Haurin (1988) gaat er vanuit dat de Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur

13/45

verkoper weet of zijn woning homo- of heterogeen is. De variantie van de biedingen bij een heterogene woning is aanzienlijk breder dan bij homogene woningen. In het uiterste geval is de variantie zelfs nul bij homogene woningen, het inschakelen van een makelaar lijkt hier overbodig voor het vaststellen van een vraagprijs. Om onderscheid te kunnen maken tussen homogene en heterogene woningen wordt een hedonisch prijsmodel3 gebruikt (Haurin, 1988). Dit model maakt het mogelijk om alle eigenschappen op een marginale waarde te schatten. Blijkt bij biedingen, op twee woningtypes, af te wijken van het gemiddelde dan is mogelijk sprake van heterogeniteit. Het model kan op deze manier aangeven middels een afwijkende waarde dat het een heterogene woning betreft. Uit het onderzoek blijkt dat de heterogeniteitsvariabelen significant zijn. Dit bevestigt dat woningen met ongebruikelijke eigenschappen een langere verkooptijd hebben. Haurin geeft hypothetisch aan dat de heterogeniteit ook ontleent kan worden aan de vraagprijs, het is namelijk bij een homogene woning veelal bekend wat de transactieprijs ongeveer zal worden. Het loont daarom niet om voor een homogene woning een hogere initiële vraagprijs te hanteren, dit kan zelfs kopers afstoten. Voor een heterogene woning gaat dat niet op vanwege de bandbreedte aan verschillende biedingen die ertoe leiden dat heterogene eigenschappen verschillend gewaardeerd worden door een potentiële koper. De groep die gekenmerkt wordt met de hoogste homogeniteit laat de kortste looptijd zien, dit bevestigt de hypothese van zijn onderzoek.

2.6 Vraagprijs en de factoren die de verkooptijd beïnvloeden. Uit de bovenstaande paragrafen is duidelijk geworden hoe de vraagprijs tot stand komt en waarvoor hij dient. De hoogte van de vraagprijs en heterogeniteit hebben direct invloed op de verkooptijd. Kang en Gardner (1989) onderzoeken of andere kenmerken ook invloed hebben op deze verkooptijd. Daarbij komt ook de premie aan bod, dat onderdeel uitmaakt van dit onderzoek. Kang en Gardner toetsen twee interessante hypothesen: Heeft de hoogte van de hypotheekrente invloed op de verkooptijd en heeft de leeftijd van een woning ook invloed op de verkooptijd. Er wordt benadrukt dat elke verkoper verschillende uitgangspunten heeft. Dit is een oorzaak van de imperfectie op de woningmarkt. Zo kan bijvoorbeeld een verkoper snel willen verkopen en bereid zijn een lagere prijs te accepteren om juist een andere door hem begeerde woning te kunnen kopen. Of een verkoper die de markt aftast door de vraagprijs expres hoog in te zetten, waarbij hij weet dat hij een lagere prijs zal moeten accepteren. Deze factoren dragen bij aan de ondoorzichtigheid van de woningmarkt. Voor het toetsen van de hypotheekrente in hun model zijn drie verschillende periodes aangemaakt waarvan zij allen een verschillend rentepercentage hebben. In het model wordt niet meegenomen wat de verwachting is voor de toekomstige rente, terwijl dit wel invloed kan hebben op het gedrag van een koper of verkoper. Een ander belangrijk punt is het verschil in rente dat kan ontstaan tijdens de verkoopperiode. Ook dit kan invloed hebben op de vraagprijs, transactieprijs en/of de verkooptijd. De betaalbaarheid van een woning kan hierdoor tussentijds veranderen en wordt door Kang en Gardner als een beperking van hun eigen model gezien. De stand van de hypotheekrente toont in dit onderzoek aan dat er een verband is met de verkooptijd. Een hogere rentestand zorgt hierbij voor een langere verkooptijd en een lagere 3

Hedonisch prijs theorie (Rosen, 1974) is vrij van vorm en kenmerken kunnen afhankelijk van het doel worden opgenomen. Deze theorie geeft de mogelijkheid om variabelen op waarde te schatten, statistische verbanden te tonen en kan gebruikt worden voor het berekenen van prijsindices of locatiefactoren (grondwaarden). Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur

14/45

rentestand zorgt voor een kortere verkooptijd. De verkooptijd is in dit onderzoek niet altijd even significant en constant (afwijkende t-waarde) met de transactieprijs. Kang en Gardner onderzoeken verder welke variabelen wel significant en constant blijken te zijn. Niet alle variabelen komen volledig tot uiting in de hoogte van de transactieprijs, maar wel tot uiting in de verkooptijd. Dit betreft de leeftijd van de woning, de grootte van de woning en de procentuele premie die ontstaat tussen de vraagprijs en de uiteindelijke transactieprijs. De premie blijkt een significante positieve relatie te hebben met de verkooptijd. Dit betekent voor het onderzoek dat hoe hoger de vraagprijs was ingezet, ten opzichte van de uiteindelijke transactie, des te langer de verkooptijd in aantal dagen. Ook de leeftijd van de woning heeft invloed op de looptijd, zo blijkt dat hoe ouder de woning is hoe langer de verkooptijd. De oppervlakte van een woning heeft ook invloed op de verkooptijd. Daarnaast geeft Haurin (1988) aan dat conjunctuurcycli invloed hebben op de variëteit van het aantal verkopen dit heeft ook directe invloed op de verkooptijd. Dit vertaalt zich zo dat elke willekeurige woning zijn eigen verkooptijd op een bepaald moment heeft.

2.7 De relatie tussen de vraagprijs en transactieprijs In deze paragraaf wordt ingegaan op de relatie tussen de vraagprijs en de transactieprijs. Verschillende onderzoeken kijken naar de ontwikkeling van de vraagprijzen en de transactieprijzen. Voor dit onderzoek is het van belang om inzicht te krijgen hoe vraagprijzen reageren bij een wisselend marktsentiment. Knight, Sirmans en Turnbull (1994) bespreken de relatie voor het verstrekken van informatie op de woningmarkt tussen de vraagprijs en transactieprijs. Zij zijn overtuigd dat de vraagprijs een katalysator kan zijn voor een potentiële koper, uiteindelijk zullen de reacties zich vertalen in echte biedingen. Ondanks de biedingen is de koper is niet op de hoogte van de reserveringsprijs van de verkoper (Horowitz, 1992). Zij komen tot de conclusie dat de vraagprijs een sterke voorspeller is van de transactieprijs. Knight, Sirmans en Turbull (1994) nemen hierin wel het voorbehoud op dat dit vermoedelijk niet zo is bij een instabiele markt. Het onderzochte waarderingsmodel van Parlak (2014), levert maandelijkse prijsindices ten aanzien van transactieprijzen en vraagprijzen van Nederland. Om deze indices te kunnen genereren wordt een hierarchical trend model 4 gebruikt. De onderzoeksperiode vindt tijdens de woningmarktcrisis plaats. In deze periode laat de vraagprijsindices een meer volatiel verloop zien dan de transactieprijsindices. Parlak geeft aan dat tijdens deze periode te weinig informatie voorhanden is om een goede vraagprijs vast te stellen. Dit is het gevolg van het teruglopen van het aantal transacties en de onzekerheid in de markt. Middels een Ganger-causality test toont hij aan dat de vraagprijzen informatie afgeven over de markt, deze informatie werkt uiteindelijk door in de transactieprijzen. Zijn empirische resultaten bevestigen een patroon in de woningmarkt waarbij de vraagprijzen op geaggregeerd niveau gebruikt worden als voorspeller van de transactieprijzen. Ook het onderzoek van Knight, Sirmans en Turnbull (1994) bevestigen eenzelfde patroon als er sprake is van een marktevenwicht.

4

Hierarchical trend model verklaart transactie prijzen aan de hand van de kenmerken van woningen, locatie en tijd. Daarnaast schat het model locatie trends, trends per type woning en (vraag)prijs trends. Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur 15/45

2.8 Een taxatiemodel dat rekening houdt met vraagprijzen Parlak (2014) onderzoekt of het toegevoegde waarde heeft om vraagprijzen in een taxatieapplicatie te betrekken. De strekking van zijn onderzoek heeft directe raakvlakken met de onderzoeksvraag van dit onderzoek. Het waarderingsmodel waar hij onderzoek naar doet ondervindt nadelige effecten door het teruglopen van het aantal transacties tijdens de woningmarktcrisis. Zijn onderzoek is opgesplitst in twee delen, hij onderzoekt als eerste of het mogelijk is om vraagprijzen te gebruiken voor het taxatiemodel en daarnaast onderzoekt hij welke variabelen invloed hebben op een prijswijziging. De relatie tussen de verkooptijd in combinatie met het over- of onderprijzen van een woning (de premie) wordt hierin meegenomen. Parlak beschouwt de initiële vraagprijs en de verkooptijd als erg belangrijke variabelen die prijswijzigingen tijdens de verkoopperiode bewerkstelligen. Hij toont aan naarmate de verkooptijd oploopt, dat de kans dat er een prijswijziging wordt doorgevoerd toeneemt. Deze verkooptijd heeft ook een directe relatie met een te hoge initiële vraagprijs. Dit betekent dat het te hoog inzetten van een vraagprijs gepaard gaat met een langere verkooptijd. De groep met kopers laat hierdoor de te hoog geprijsde woning links liggen en kan hier de motivatie van een verkoper aan af meten (Knight, Sirmans en Turnbull, 1994). Ook blijkt dat verkopers die hun woningen te hoog hebben geprijsd een prijswijziging zullen moeten ondergaan. Daardoor zal er een lagere transactieprijs gerealiseerd worden. De verkooptijd neemt toe als de woning een prijswijziging ondergaat. Er blijkt een causaal verband te zijn tussen de vraagprijs en transactieprijs op verschillende aggregatieniveaus. Parlak onderzoekt of het onderzochte taxatiemodel verbetert kan worden. Hij adviseert om vraagprijzen op te nemen in het model, echter geeft hij niet aan hoe deze vraagprijzen geïmplementeerd moeten worden in het model. Hij geeft enkel het advies om gezamenlijk de vraagprijzen en transactieprijzen als afhankelijke variabelen in een hierarchical trend model te plaatsen. Interessant is de suggestie die Parlak maakt om verder onderzoek te doen naar datasets met meer variabelen. Deze variabelen die hij noemt zijn specifieke kenmerken van woningen. Deze variabelen hebben vaak een significant effect op de transactieprijs. Daarnaast is de verkooptijd tot het moment van overeenstemming tussen de koper en verkoper het onderzoeken waard. Parlak kijkt nu naar de verkooptijd tot aan de juridische overdracht bij de notaris, deze verkooptijd is gemiddeld drie maanden langer dan het moment van overeenstemmen.

2.9 Conclusies literatuur studie Het op de markt zetten van een woning met een vraagprijs is vergelijkbaar met het instellen van een prijsplafond. Voor de Amerikaanse woningmarkt is aangetoond dat een transactieprijs zelden boven de vraagprijs uitkomt ongeacht het economisch klimaat. Voor de Nederlandse markt is het gebruikelijker dat er vaker boven de vraagprijs geboden wordt. De vraagprijs kan gezien worden als de reserveringsprijs van de verkoper. Het "verkeerd" prijzen van een woning kan nadelig uitpakken voor een verkoper, het zal tijd en geld gaan kosten. Anderzijds geeft het hoog inzetten van de vraagprijs de mogelijkheid om de markt af te tasten. Bij homogene woningen zal dit vrijwel altijd leiden tot een prijswijziging. Heterogene woningen worden gekenmerkt door een bijzondere eigenschap en hebben een grotere variantie in biedingen dan homogene woningen. Er is voor de bijzondere eigenschap die een heterogene woning heeft onvoldoende informatie om het op een “waarde” te schatten. Er is een verband tussen de heterogeniteit en de verkooptijd. Aangetoond is dat dit gekenmerkt wordt met een langere verkooptijd. Prijswijzigingen zorgen eveneens voor een langere verkooptijd, maar ook voor een Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur

16/45

lagere transactieprijs. Het loont dus om een woning met een reële initiële vraagprijs op de markt te zetten. Ook de algemene marktconditie heeft invloed op de looptijd en de uiteindelijke hoogte van een transactieprijs. Uit het onderzoek van Kang en Gardner (1989) is aangetoond dat een exogene factor zoals hypotheekrente invloed heeft op de verkooptijd en de betaalbaarheid van een woning. Bij een marktevenwicht tussen vraag en aanbod blijkt de vraagprijs volgens Horowitz, Knight, Sirmans en Turnbull een juiste voorspeller te zijn van de transactieprijs als marktindices. Dit impliceert dat de vraagprijs een voorloper is op de markt. In het onderzoek van Parlak (2014) is aangetoond dat tijdens laagconjunctuur op geaggregeerd niveau de vraagprijs zich eveneens als een voorspeller van de transactieprijs gedraagt, ondanks zijn volatiele verloop. Om deze reden adviseert Parlak om onderzoek te doen naar hoe vraagprijzen in een taxatiemodel meegenomen kunnen worden. In tabel 1 zijn alle variabelen die aanbod komen in de literatuur schematisch weergegeven. Effect

Gevolg

§ 2.2 Reserveringsprijs verkoper

Onderzochte variabelen

Waardering van alle (omgevings) kenmerken zowel de positieve als negatieve

Waardering met volledige informatie

§ 2.2 Reserveringsprijs koper

Waardering van alle (omgevings) kenmerken die koper bekend zijn door asymmetrische informatie Marketing tool; reserveringsprijs verkoper

Waardering met selecte hoeveelheid informatie

§ 2.3 Vraagprijs

Aantrekken van kopers

Toename verkooptijd § 2.3 Te hoge initiële vraagprijs t.o.v. vergelijkbare woningen § 2.3 Te lage initiële vraagprijs t.o.v. Afname verkooptijd vergelijkbare woningen § 2.4 Prijswijziging Toename verkooptijd

Prijswijziging; lagere transactie

§ 2.5 Homogeniteit

Voorspelbare transactieprijs

§ 2.6 Exogene factor (hypotheekrente)

Goed op waarde te schatten; weinig volatiele biedingen Lastig op waarde te schatten; volatiele biedingen; toename verkooptijd Hogere of lagere transactieprijs; (toe) of (af)name verkooptijd

§ 2.7 Relatie vraagprijs versus transactieprijs

Vraagprijs voorspelt transactie ongeacht conjunctuurcycli

Meetbaar maken van het marksentiment middels indices; toepassen in taxatiemodel

§ 2.5 Heterogeniteit

Tabel 1

Te lage transactieprijs Lagere transactieprijs

Onvoorspelbare transactieprijs (on)betaalbaarder worden van een woning

Weergave onderzochte variabelen in de literatuur, de effecten en gevolgen hiervan.

Uit de literatuur studie is gebleken dat er een ingewikkelde samenhang is tussen de vraagprijs, transactieprijs en de verkooptijd. Veel factoren hebben invloed op elkaar. Door het “breed” benaderen van de premie zal inzicht worden verkregen welke factoren invloed hebben op deze premie. Breed wordt hier vertaald naar: · · · ·

Specifieke woning eigenschappen; Locatie; Verkooptijd; Exogene factor (marktregulering door de overheid of marktpartijen).

Tevens is voor dit onderzoek van belang de premie te verklaren aan de hand van een grote hoeveelheid eigenschappen. Deze eigenschappen worden vaak op een hoog geaggregeerd niveau onderzocht. Voor dit onderzoek zullen deze specifieke kenmerken niet samengevoegd worden waardoor er een duidelijker beeld ontstaat in welke voor mate de eigenschappen invloed hebben op de premie. Deze "lage" aggregatieniveaus moet voorkomen dat verschillende Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur

17/45

(prijs)markten in elkaar overlopen, waardoor de premie beter verklaard kan worden. Tabel 2 laat de factoren zien die vanuit de literatuur meegenomen zullen worden in het onderzoek.

Vanuit de literatuur worden de volgende factoren meegenomen voor dit onderzoek:

Deze factoren/variabelen hebben betrekking op:

Type woning

Heterogeniteit t.o.v. andere woningtype aan te tonen

Eigenschappen woning

Bepaald de waarde van de opstal, deze kenmerken kunnen ook invloed hebben op de premie

Locatie (buurten)

Geeft inzicht in verschillende (prijs)markten

Initiële vraagprijs

Reserveringsprijs verkoper

Aantal prijswijzigingen

Welke invloed heeft prijswijzigingen op de premie

Transactieprijs

De uiteindelijke reserveringprijs van een verkoper en koper, deze is nodig om de premie te berekenen Nodig om de relatie met de premie aan te tonen

Verkooptijd Exogene factor Relatie vraagprijs versus transactieprijs

Hypotheekrente onderzoekt of de betaalbaarheid van een woning invloed heeft op de premie Beoordelen of de vraagprijs een voorspeller is van de transactieprijs tijdens laag conjunctuur voor de gemeente Amsterdam

Tabel 2 Factoren die vanuit de literatuur meegenomen worden voor het onderzoek

In het volgende hoofdstuk vindt er afbakening plaats van dit onderzoek en wordt er een nulhypothese gevormd voor verder onderzoek.


18/45

3 Concretisering van de onderzoeksvraag Voor het opzetten van het onderzoek is er contact gezocht met prof. dr. M.K. Francke. Hij is gespecialiseerd in mass appraisal met gebruik van econometrische modellen. In het gesprek is duidelijk geworden dat de onderzoeksvraag onderwerp is van een complex en samenhangend onderzoek. De nadruk ligt op het juist interpreteren van de onderzoeksgegevens met toepassing van meerdere econometrische modellen. De beschikbare dataset geeft geen mogelijkheid om een model te genereren waarbij vraagprijzen gecorrigeerd worden naar een "fictieve" transactieprijs. Oorzaak is het gebruik van een selecte dataset (geen actuele vraagprijzen en teruggetrokken verkopen) voor dit onderzoek. Door afbakening van het onderzoek is gekozen voor een concretisering dan wel aanscherping van de onderzoeksvraag. Dit maakt het mogelijk om een start te maken met een wetenschappelijk onderzoek naar de mogelijkheden van het corrigeren van de vraagprijs. Het belang van dit onderzoek is inzicht te verkrijgen in welke factoren/variabelen invloed hebben op de premie die ontstaat tussen een initiële vraagprijs en de transactieprijs. Blijken de onderzochte variabelen de premie te verklaren, dan zal dit handvatten geven voor verder onderzoek. In de huidige literatuur wordt dit thans weinig onderzocht. Veelal wordt er gekeken naar de beweegredenen van een verkoper dan wel een koper. Het kunnen verklaren van de premie vanuit verschillende invalshoeken maakt dit onderzoek interessant en vernieuwend. Op basis van de bovenstaande overwegingen blijkt de oorspronkelijke onderzoeksvraag aangescherpt te moeten worden. De oorspronkelijke onderzoeksvraag luidde: In hoeverre is het mogelijk de premie te verklaren die ontstaat tussen een initiële vraagprijs en een transactieprijs? Het formuleren van een nulhypothese (H0) draagt bij aan het afbakenen van het onderzoek. Hierbij zal de premie als afhankelijke variabele fungeren. De onafhankelijke variabelen zijn samengesteld op basis van de geraadpleegde literatuur en de beschikbare data. Echter is deze opsomming van verklarende variabelen niet uitputtend. De uitkomst van het te ontwikkelen model zal inzicht geven in welke mate de premie verklaart zal worden. Op basis van het bovenstaande is de volgende nulhypothese geformuleerd: H0: Specifieke woningkenmerken, buurtlocaties en de verkooptijd verklaren niet de premie die ontstaat bij verkoop. Deze hypothese zal doormiddel van een meervoudige regressie analyse cross sectioneel getoetst worden. In hoofdstuk 4 zal nader worden ingegaan op de opbouw van de gekoppelde dataset en de methodologie.


19/45

4 Databeschrijving en methodologie 4.1 Inleiding In deze paragraaf wordt ingegaan op de totstandkoming van de dataset en de analyse van deze dataset. De beschikbare databestanden worden in § 4.2 besproken, gevolgd door de totstandkoming van de gekoppelde dataset in § 4.3. In § 4.4 wordt verder analyse uitgevoerd van de datasets of de vraagprijzen op geaggregeerd niveau een voorspellende functie heeft op de transactieprijs. In § 4.5 is aangegeven hoe de verkooptijd is berekend, waarbij in § 4.6 de formulering van de afhankelijke variabele is weergegeven. De modellen 1 t/m 4 worden in § 4.7 en § 4.8 beschreven.

4.2 Beschikbare databases Om kwantitatief onderzoek te verrichten is er beschikking over twee grote datasets, iWOZ® en DGBA/Kadaster. iWOZ® is opgericht voor het bijhouden en controleren van primaire maar ook secundaire objectkenmerken in het kader van de Wet WOZ. Deze digitale database is toegankelijk voor de aangesloten gemeenten. Dagelijks worden door iWOZ® alle online verkoopadvertenties van het woningaanbod in Nederland opgeslagen, daarmee is het een zeer uitgebreide database. De zogeheten "webcrawlers" van iWOZ® registreren primair nieuwe aanmeldingen, afmeldingen, (prijs)wijzigingen en objectkenmerken van al het woningaanbod. Deze online advertenties staan op diverse woningaanbodsites, de grootste website is funda.nl5 en omvat ruim 70% van het Nederlandse woningaanbod. Ook aanbiedingen op andere websites zoals VBO makelaar, Remax, VastgoedPro en Witte woningmakelaars worden door iWOZ® geregistreerd. iWOZ® heeft in het kader van dit onderzoek het woningaanbod van de gemeente Amsterdam geleverd voor de onderzoeksperiode van januari 2011 t/m december 2013. iWOZ® registreert niet de uiteindelijke transactieprijs, hiervoor is door DGBA een database aangeleverd vanuit het Kadaster6. Deze omvat alle verkopen die hebben plaatsgevonden in de hierboven genoemde onderzoeksperiode. Om een praktisch en bruikbaar model te maken heeft DGBA op verzoek voor dit onderzoek woningen locatiekenmerken uit hun database gekoppeld aan de database van het Kadaster. De database van DGBA/Kadaster bevatten dus primaire kenmerken van woningen uit de gemeente Amsterdam en de gerealiseerde transactieprijzen met de datum van de juridische overdracht. De twee databases bevatten respectievelijk 22.713 (iWOZ®) en 19.381 (DGBA/Kadaster) observaties. De database van iWOZ® beschikt over veel informatie van specifieke kenmerken van het woningaanbod en is gestructureerd voordat de koppeling met de database van DGBA/Kadaster heeft plaatsgevonden. Alle observaties met een (prijs)wijziging zijn op chronologische volgorde achterelkaar gezet, hierdoor ontstaat er een overzichtelijk verloop qua tijd en vraagprijs ontwikkeling. De verkooptijd wordt gemeten per dag, het aantal dagen geeft aan hoelang een woning beschikbaar is geweest op de markt. Het aantal dagen dat een object tussentijds uit de verkoop is gehaald is niet meegenomen voor de verkooptijd 2 zoals in paragraaf 4.4 is aangeven. 5

Funda.nl betreft de grootste online-etalage van de makelaars in Nederland en is opgericht door de Nederlandse Vereniging van Makelaars (NVM) in 2001, zie meer www.funda.nl 6 Het Kadaster heeft als taak registraties te beheren, daaronder valt ook de registratie van vastgoed. Het Kadaster houdt onder andere bij wie welke rechten heeft, de transactiesom en wanneer de juridische overdracht heeft plaats gevonden, zie meer op www.kadaster.nl. Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur 20/45

Verondersteld wordt dat de woning op dat moment niet te koop is. Tevens is de assumptie gemaakt dat, zodra er verkocht onder voorbehoud (V.O.V.) op de online advertentie vermeld wordt dat dit de daadwerkelijk de looptijd is waarbij partijen een overeenstemming hebben bereikt. Nadat er gekoppeld is, blijkt 62% van de objecten een V.O.V. te hebben en de overige objecten zijn afgemeld zonder deze vermelding. Deze objecten zijn echter wel verkocht, het is voor deze gevallen niet mogelijk te bepalen wanneer er precies een overeenstemming is bereikt. Voor deze objecten is de afmelddatum van de online advertentie genomen. Beide datasets zijn geleverd met een uniek BAGID7 nummer. Dit betekent dat na de koppeling in de onderzoeksperiode 4.950 observaties een initiële vraagprijs, vraagprijs verloop en een transactieprijs hebben. Er is een grote uitval geconstateerd aan de hand van deze koppeling. Observaties die dubbel gekoppeld bleken te zijn of niet een BAG conforme schrijfwijze hebben, zijn uit de database verwijderd. Ook alle observaties die verkocht zijn en geen aanbieding in een kosten koper sfeer hebben zijn verwijderd. Nieuwbouw woningen zijn derhalve niet meegenomen in het onderzoek, de assumptie is dat deze woningen met een vrij op naam (V.O.N.) op de markt zijn aangeboden. Tabel 3 geeft schematisch weer wat de datasets bevatten aan verschillende kenmerken die nodig zijn voor het onderzoek. De tabel is opgebouwd met verschillende kolommen die elk een eigen aanduiding hebben gekregen zoals: objectkenmerken, objectligging, buitenruimte en buitenruimteligging.

4.3

Totstandkoming van de gekoppelde dataset De besproken datasets van iWOZ en DGBA/Kadaster zijn gekoppeld om de invloed van vraagprijzen en transactieprijzen inzichtelijk te maken. De daaruit voortgekomen gekoppelde dataset is opgebouwd uit een groot aantal (dummy) variabelen. De beschrijvende statistiek van het model is weergegeven in tabel 1.1 van de appendix op pagina 42. De gekoppelde dataset is opgebouwd aan de hand van marktcondities, locatie en fysieke eigenschappen. De waarde van een woning verandert gedurende de tijd. Om tijdsintervallen vast te stellen ten aanzien van prijsveranderingen is de hoeveelheid aan beschikbare verkopen een belangrijk gegeven. Gezien het aantal gekoppelde verkopen van 4.950 woningen is gekozen voor een tijdsinterval op kwartaalbasis, dit voorkomt dat een te kleine interval met een gering aantal verkopen een onbetrouwbare uitkomst geeft voor prijsveranderingen. Veelal worden prijsveranderingen verklaard door verandering in de vraag- en aanbod factoren. In het model is rekening gehouden met een verandering van de vraagfactor door de hypotheekrente aan het model toe te voegen. De gemiddelde hypotheekrente8 per kwartaal heeft invloed op de reserveringsprijs van een koper (Kang en Gardner, 1989) en geeft aan hoe betaalbaar woningen op dat moment zijn. De aanbodzijde wordt sterk gereguleerd door de (lokale) overheid en dit heeft betrekking op het aantal uit te geven bouwvergunningen wat gerealiseerd mag worden. Tijdens hoogconjunctuur blijken deze uitgifte te worden gestabiliseerd en bij laagconjunctuur zal de nieuwbouw stagneren of achterblijven, hierdoor wordt de waarde overwegend bepaald door de vraagfactoren (Francke en Lee, 2013). Er is geen variabele in dit model opgenomen voor de aanbodzijde.

7

Basisregistraties Adressen en Gebouwen (BAG) bevat gemeentelijke basisgegevens van alle adressen en gebouwen in een gemeente. Elk verblijfsobject krijgt een uniek BAGID nummer. 8 bron de Nederlandsche bank zie www.dnb.nl Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur 21/45

Dataset (iWOZ®) Datum: Startdatum; (Prijs)wijzigingdatum; Einddatum op de website Vraagprijs: Initële vraagprijs; Vraagprijs verloop Locatie: Stadsdeel, Buurt; Postcode, Straat

O

Transactieprijs

O

X

O

Eigendomstype: Volle eigendom; Erfpacht

O

X

Locatie: Buurt; Postcode, Straat

Aantal woning types: 29; repeterend/niet repeterend

O

Locatie: Stadsdeel, Buurt; Postcode, Straat Eigendomstype: Volle eigendom; Erfpacht Aantal woning types: 13

Gekoppelde dataset Datum: Startdatum; (Prijs)wijzigingdatum; Einddatum op de website; Jurridische overdracht; Inschrijving verkoper op adres Vraagprijs: Initële vraagprijs; Vraagprijs verloop Transactieprijs

X

Bouwjaar

X

Bouwjaar

O

woonoppervlak: m²

X

woonoppervlak: m²

O

Eigendomstype: Volle eigendom; Erfpacht Aantal woning types: 29; repeterend/niet repeterend Bouwjaar

Perceel oppervlakte: m² Objectkenmerken: Lift; Schuur_Berging; Tuin; Open_haard; Garage; Parkeerplaats; Monument; Zwembad; Sauna; Jacuzzi; Zonnecollectoren; Isolatie

X

Perceel oppervlakte: m²

O

woonoppervlak: m²

O

Objectkenmerken: Berging/schuur; Garage; Kelder; Overige ruimten; Parkeerplaats; Steiger; Tuinhuis/blokhut; Zolder

X

Perceel oppervlakte: m²

Object ligging : In_woonwijk; In_centrum; Aan_rustige_weg; Aan_drukke_weg; Aan_Water; Aan_bosrand; Aan_park; Vrij_uitzicht; Aan_vaarwater; In_bosrijke_omgeving Buitenruimte: Balkon; Dakterras; Achtertuin; Voortuin; Zijtuin; Tuin_rondom; Zonneterras; Patio_atrium; Bereikbaar_via_achterom

O

Buitenruimte ligging: Noord; Noord_Oost; Noord_West; Oost; Zuid_Oost; West; Zuid; Zuid_West

O

Aantal observaties: 22.713

O

Dataset (DGBA/Kadaster) Datum: Jurridische overdracht; Inschrijving verkoper

O

O

Buitenruimte: Dakterras

X

X

Aantal observaties: 19.381

Objectkenmerken: Lift; Schuur_Berging; Tuin; Open_haard; Garage; Parkeerplaats; Monument; Zwembad; Sauna; Jacuzzi; Zonnecollectoren; Isolatie Objectligging : In_woonwijk; In_centrum; Aan_rustige_weg; Aan_drukke_weg; Aan_Water; Aan_bosrand; Aan_park; Vrij_uitzicht; Aan_vaarwater; In_bosrijke_omgeving Buitenruimte: Balkon; Dakterras; Achtertuin; Voortuin; Zijtuin; Tuin_rondom; Zonneterras; Patio_atrium; Bereikbaar_via_achterom Buitenruimteligging: Noord; Noord_Oost; Noord_West; Oost; Zuid_Oost; West; Zuid; Zuid_West Hypotheekrente: hypotheekrente op het moment van de juridische overdracht Aantal observaties: 4.950

Tabel 3 laat de opbouw van de databases zien met de verschillende woning karakteristieken. In enkele gevallen komen dubbel geregistreerde gegevens voor, de O=Ja en X=NEE en geven aan van welke database de gegevens gebruikt zijn voor de gekoppelde dataset.. * aantal gemeten stadsdelen 6 en buurten in Amsterdam 90; ** de object codering volgens de fotowijzer versie1 2008geeft aan of het object repeterend of niet repeterend is.

Als er op een bepaald tijdstip gekeken wordt naar de waarde van vergelijkbare woningen die niet op dezelfde locatie zijn gelegen, dan kan de waarde verschillen. De opstalwaarde van deze woningen zijn gelijk, het verschil in waarde wordt bepaald door de locatie (Francke, Lee, 2013). Om geen overlap te krijgen in prijsgebieden, waarbij prijsverschillen onopgemerkt blijven, is gekozen voor een bestaande gebiedsindeling. Voor dit onderzoek betekent dit, dat vrijwel elke buurt (90 stuks) in de gemeente Amsterdam wordt aangenomen als een prijsgebied. Naast de buurten worden de fysieke woonomgeving kenmerken zoals bijvoorbeeld de ligging in een woonwijk, centrum of anderszins meegenomen in het model. Deze zijn onder te verdelen in verschillende categorieën zoals zijn omschreven in tabel 3 bij objectligging. De fysieke kenmerken van een woning bepalen de waarde. In de gekoppelde dataset wordt de woninggrootte, perceeloppervlak, woningtypering, effectieve ouderdom (verkoopjaar minus bouwjaar) en aanwezigheid van objectkenmerken meegenomen. Deze lijst is niet uitputtend maar geeft de essentie voor een juiste verklaring van verkoopprijzen weer (Francke en Lee, 2013).


22/45

4.4

Data analyse Om inzicht te verkrijgen van de woningmarkt van de gemeente Amsterdam zijn de twee databases (iWOZ® en DGBA/Kadaster) naast elkaar weergegeven in figuur 5. Zichtbaar is dat het aantal nieuwe aanbiedingen van de onderzoeksperiode overwegend boven het aantal gerealiseerde transacties ligt. Vanaf het tweede kwartaal 2011 tot en met het eerste kwartaal 2012 is een duidelijke toename zichtbaar van het woningaanbod. Daarna daalt het aantal nieuwe aanmeldingen van het aanbod gestaag. Het aantal verkooptransacties heeft een meer volatiel verloop maar geeft een dalende trend aan tot aan het tweede kwartaal 2013, hierna stijgt het aantal transacties. Ondanks het dalend verloop laat het tweede kwartaal van 2011 een piek stijging zien. De oorzaak heeft mogelijk te maken met de verwachting dat de overheid de overdrachtbelasting weer terug naar het oude niveau wilde brengen. Uiteindelijk heeft deze verhoging niet plaatsgevonden. Een aanzienlijke toename van het aantal transacties is ook zichtbaar in het vierde kwartaal van 2012, ook hier lijkt een overheidsmaatregel invloed te hebben op het aantal transacties. Een strenger beleid voor nieuwe hypotheken gaat vanaf januari 2013 van start en verklaart daardoor mogelijk de stijging in het vierde kwartaal van 2012. Vanaf het tweede kwartaal 2013 lijkt een herstel van de woningmarkt zichtbaar. Ondanks dat dit lastig is te concluderen stijgt het aantal transacties boven het aantal nieuwe aanmeldingen uit.

2400 2200 2000 1800 1600 1400 1200 1000 2011 KWI

2011 KWII

2011 KWIII

2011 KWIV

2012 KWI

2012 KWII

Aantal nieuwe aanmeldingen Dataset (iWOZ®)

Figuur 5

2012 KWIII

2012 KWIV

2013 KWI

2013 KWII

2013 KWIII

2013 KWIV

Aantal verkopen (DGBA/Kadaster)

Weergave van de twee datasets in aantal nieuwe aanmeldingen en aantal transacties.

Om te toetsen in wat voor marktsituatie de onderzoeksperiode verkeerd wordt gekeken naar de verhouding tussen vraag en aanbod. De Nederlandse Vereniging van Makelaars (NVM) gebruikt hiervoor de krapte-indicator9. Deze krapte-indicator geeft de keuzemogelijkheden weer van een zoekende koper op de woningmarkt. Het aantal te koop staande woningen in een bepaalde maand wordt gedeeld door het aantal gerealiseerde transacties in dezelfde maand. Voor de onderzoeksperiode geldt dat vanaf eind 2012 de krapte-indicator afneemt. Het totale Amsterdamse aanbod neemt langzaam af en het aantal verkopen stijgt (bron WoonAmsterdam 2013). Figuur 5 vertoont een vergelijkbaar beeld vanaf het eerste kwartaal 2013, de markt lijkt aan te trekken. Ondanks het lichte herstel van de markt is in de gehele onderzoeksperiode sprake van een kopersmarkt, de krapte-indicator laat in deze periode zien dat er meer keuzemogelijkheden zijn vóór de koper dan vóór de woningmarktcrisis. Analyse van de gekoppelde dataset vindt plaats aan de hand van figuur 6. De gekoppelde dataset bestaat alleen uit objecten die een vraagprijs en een transactieprijs hebben binnen de onderzoeksperiode. De eerste twee kwartalen van 2011 laten een minimaal aantal transacties 9

De krapte-indicator spreekt van een verkopersmarkt indien een koper minder dan 7 keuze mogelijkheden heeft, heeft de koper 7 of meer keuze mogelijkheden dan spreekt men van een kopersmarkt, zie meer op www.nvm.nl Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur 23/45

zien. Door gebruik te maken van de huidige dataset zijn de eerste twee kwartalen van 2011 gekenmerkt door transacties die een zeer korte looptijd hebben en nagenoeg voor de vraagprijs of iets daarboven zijn verkocht. Aangezien het marktsentiment, zoals hiervoor besproken is, een tegenovergesteld beeld schetst worden de eerste twee kwartalen van 2011 niet voldoende representatief beschouwd voor dit onderzoek. Dit zelfde fenomeen is van toepassing van de laatste twee kwartalen van 2013. Figuur 6 geeft dezelfde aanwijzingen van de gebeurtenissen die eerder omschreven zijn van de losse datasets. Er is een piek zichtbaar in het tweede kwartaal en het vierde kwartaal van 2012 van het aantal transacties. De eerder genoemde dreiging van het verhogen van de overdrachtsbelasting en het aanscherpen van hypotheekvoorwaarden later in het jaar, zorgen voor een stijging van het aantal transacties. Aankondigingen van overheidsingrijpen lijkt op korte termijn een grote invloed te hebben op kopers. Deze kopers willen mogelijk nog gebruik maken van een oude maatregel. Het is niet ondenkbaar dat men daardoor mogelijk bereid is meer te betalen voor een woning omdat de woning na de maatregel minder of niet betaalbaar wordt. 700 600 500 400 300 200 100 0 2011 KWI

2011 KWII

2011 KWIII

2011 KWIV

2012 KWI

2012 KWII

Aantal aanmeldingen (gekoppelde dataset)

Figuur 6

2012 KWIII

2012 KWIV

2013 KWI

2013 KWII

2013 KWIII

2013 KWIV

Aantal verkopen (gekoppelde dataset)

Weergave van de gekoppelde dataset in aantal nieuwe aanmeldingen en aantal transacties gedurende de onderzoeksperiode.

Ten aanzien van de gekoppelde dataset is herleid hoe de marktontwikkelingen van de gemeente Amsterdam zich tijdens de onderzoeksperiode gedraagt. Figuur 7 geeft onder andere op geaggregeerd niveau aan de gemiddelde transactieprijs per m² weer en heeft een dalend verloop. Gemiddeld genomen heeft de gemiddelde vierkante meterprijs in 2012 een prijsdaling van 6,5% ten opzicht van 2011, in 2013 daalt deze verder met gemiddeld 5,4% ten opzichte van 2012. De gemiddelde initiële vraagprijs per m² is ook in figuur 7 weergegeven. Om deze gemiddelde initiële vraagprijs per m² te berekenen is gekeken naar de objecten die zijn verkocht in een bepaald kwartaal, de nieuw aangemelde woningen in dat zelfde kwartaal genereert de gemiddelde initiële vraagprijs per m². Deze methode voorkomt invloed van prijsveranderingen tussentijds. De gemiddelde initiële vraagprijs per m² vertoont in het derde kwartaal van 2011 tot en met het derde kwartaal 2012 een afwijkend verloop ten opzichte van de gemiddelde transactieprijs per m². Vanaf het derde kwartaal van 2012 stijgt de transactieprijs marginaal boven de gemiddelde initiële vraagprijs per m² en dit voor circa 3 aaneensluitende kwartalen.


24/45

€ 4.300 € 4.100 € 3.900 € 3.700 € 3.500 € 3.300 € 3.100 € 2.900 2011 KWI

2011 KWII

2011 KWIII

2011 KWIV

2012 KWI

gem. €/m2 transactieprijs

Figuur 7

2012 KWII

2012 KWIII

2012 KWIV

2013 KWI

2013 KWII

2013 KWIII

2013 KWIV

gem. €/m2 (initiele) vraagprijs

Weergave van de gemiddelde transactieprijs per vierkante meter en de gemiddelde initiële vraagprijs per vierkante meter in euro's per kwartaal.

Zowel Knight, Sirmans, Turnbull (1994) en Parlak (2014) geven aan dat de vraagprijs een goede voorspeller is van de transactieprijs op geaggregeerd niveau. Uit het bovenstaande figuur lijkt de transactieprijs per m² echter ongevoelig te zijn voor de initiële vraagprijs per m², het omgekeerde lijkt meer aannemelijk. De nieuw aangemelde woningen reageren op de lichte stijging van de transactieprijs per vierkante meter in het derde kwartaal van 2011. Naar aanleiding van het onderzoeken van Knight, Sirmans, Turnbull en Parlak zou de verwachting moeten zijn dat de transactieprijs reageert op de stijgende vraagprijs per m². Dit effect treedt niet op, de gemiddelde vraagprijs per m² in het tweede kwartaal 2012 wordt naar beneden bijgesteld. Deze correctie zet door tot onder het transactieprijsniveau per m² en stijgt medio het tweede kwartaal 2013 weer naar het niveau van de transactieprijs per m². De vraagprijs fluctueert om de transactieprijs heen. Er is voorzichtigheid geboden om hier harde conclusies aan te verbinden, de toegepaste methode kan "te ruig" zijn door het (gering) aantal gerealiseerde transacties en/of nieuwe vraagprijzen. Ondanks deze voorzichtigheid geeft het wel inzicht hoe de transactieprijzen en vraagprijzen zich tijdens de onderzoeksperiode verhouden. Dezelfde vergelijking is gemaakt in figuur 8 met de gemiddelde laatst gehanteerde vraagprijs per m², deze is op dezelfde manier tot stand gekomen als de gemiddelde initiële vraagprijs per m². Hierbij is zichtbaar de gemiddelde vraagprijs per m² over het algemeen de gemiddelde transactieprijs per m² blijft volgen, met uitzondering van het eerste en vierde kwartaal van 2012. In het eerste kwartaal van 2012 corrigeert men de vraagprijzen niet naar het transactieprijsniveau. In het vierde kwartaal zakt de gemiddelde vierkante meterprijs van de laatste gehanteerde vraagprijs onder de gemiddelde transactieprijs per m², dit is wederom mogelijk oorzaak van de eerder besproken dreigende stijging van de overdrachtsbelasting en de aangescherpte hypotheekregels. Kopers lijken hier minder gevoelig te zijn voor het overheidsingrijpen dan verkopers. Het verloop van de gemiddelde transactieprijs per m² lijkt ook hier meer leidend te zijn dan de laatst gehanteerde vraagprijs per m².


25/45

€ 4.300 € 4.100 € 3.900 € 3.700 € 3.500 € 3.300 € 3.100 € 2.900 2011 KWI

2011 KWII

2011 KWIII

2011 KWIV

2012 KWI

2012 KWII

2012 KWIII

gem. €/m2 transactieprijs

Figuur 8

2012 KWIV

2013 KWI

2013 KWII

2013 KWIII

2013 KWIV

gem. €/m2 (laatste) vraagprijs

Weergave van de gemiddelde transactieprijs per vierkante meter en de gemiddelde initiële vraagprijs per vierkante meter in euro's per kwartaal.

Tabel 4 geeft verder inzicht in de gekoppelde dataset, zo blijkt de gemiddelde initiële vraagprijs afgerond € 320.000,- te bedragen. De gemiddelde transactieprijs wordt gerealiseerd op gemiddeld € 288.000,-. Tevens blijkt tijdens de onderzoeksperiode dat 62,2% van de vraagprijzen niet is gewijzigd, 36,6% heeft vraagprijs naar beneden gewijzigd en 1,2% heeft de vraagprijs tijdens de verkoopperiode verhoogd. Van de prijswijzigingen die hebben plaatsgevonden is 22,2% één keer gewijzigd, 10% van de prijswijzigingen is twee keer gewijzigd en 5,6% is drie keer of meer in prijs gewijzigd. Gemiddeld beslaat de verkooptijd 243 dagen tot aan de juridische overdracht, het aantal dagen dat een woning werkelijk te koop staat neemt gemiddeld 146 dagen in beslag. Hieruit is af te leiden dat de gemiddelde tijd na een overeenstemming tot aan de juridische levering circa 3 maanden beslaat. Descriptive Statistics Dataset (iWOZ®) Initiële Vraagprijs Dataset (DGBA/Kadaster) Transactieprijzen

N 21916 N 19380

Gekoppelde dataset

N

Initiële Vraagprijs Transactieprijzen

4950 4950

Minimum 69000 Minimum 13777 Minimum

7900000 Maximum 5025000 Maximum

357498 Mean 278553 Mean

Std. Deviation 354137 Std. Deviation 222495 Std. Deviation 275581 228189

Dagen op de markt t/m juridische overdracht

243

188

Dagen (werkelijk) aangeboden op de markt

147

157

Premie 1 (discount)

32020

69986

Premie 2 (discount)

20703

52662

3,50%

Transactieprijs < Initiële vraagprijs

92,40%

Transactieprijs > Initiële vraagprijs Gemiddelde percentage premie 1

6500000 5025000

Mean

320259 288239

Transactieprijs = Initiële vraagprijs

79000 70000

Maximum

4,20% -8,50%

Transactieprijs = laatste vraagprijs

4,80%

Transactieprijs < laatste vraagprijs

90,50%

Transactieprijs > laatste vraagprijs

4,70%

Gemiddelde percentage premie 2

-5,60%

Geen prijswijziging

62,20%

1x

2x

3x

4 - 8x

Initiële vraagprijs > Gewijzigde vraagprijs

36,60%

22,20%

10,00%

4,00%

1,60%

Initiële vraagprijs < Gewijzigde vraagprijs

1,20%

Tabel 4

Weergave van de beschrijvende statistiek, van de twee losse datasets en de gekoppelde dataset. De bedragen zijn vermeld in euro’s en het verkooptijd is uitgedrukt in dagen.


26/45

4.5 Verkooptijd berekenen De gekoppelde dataset betreft een selecte steekproef van verkochte woningen in de gemeente Amsterdam tijdens de onderzoeksperiode. Voor het onderzoek is het van belang dat de woningen een initiële vraagprijs hebben en dat ze zijn gekoppeld aan het eigen gerealiseerde transactiecijfer. De verkooptijd in dagen dat een woning beschikbaar is geweest op de markt heeft in dit onderzoek twee uitgangspunten die allebei afzonderlijk van elkaar worden meegenomen, te weten: ·

Verkooptijd 1 omvat de verkooptijd , uitgedrukt in aantal dagen, dat een woning beschikbaar was op de markt tot en met de dag van de juridische levering: datum juridische overdracht - datum initiële vraagprijs = aantal dagen op de markt t/m juridische overdracht

·

(1)

Verkooptijd 2 omvat de verkooptijd, uitgedrukt in aantal dagen, dat een woning beschikbaar was tot het moment van het overeenstemming tussen de verkoper en koper: ((datum vermelding verkocht onder voorbehoud (V.O.V.) of laatste datum afmelding datum initiële vraagprijs) - dagen uit verkoop) + crawlermomenten10 = aantal dagen op de markt aangeboden tot overeenstemming (2)

4.6 Premie 1 en 2 (afhankelijke variabele) In het onderzoek worden twee premies onderscheiden, één bij de initiële vraagprijs (premie 1) en de ander voor de laatste gehanteerde vraagprijs (premie 2), beide komen tot stand door de uiteindelijk gerealiseerde transactieprijs hiervan af te trekken. De premie 1 kan ontstaan door vele factoren zoals, marktontwikkelingen gedurende de verkooptijd en over- of onderschatting van een verkoper. Het betreft de vraagprijs waarmee de verkoper de markt voor het eerst benadert. Voor premie 2 wordt er expliciet gekeken naar de laatste vraagprijs alvorens de woning werd verkocht. De eventuele prijswijzigingen zijn hierdoor niet meer meegenomen in premie 2. Dat maakt de assumptie aannemelijk dat de woning op dat moment reëel op de markt wordt aangeboden. In dit staduim is er overlap van de reserveringsprijzen van de koper en de verkoper, immers de laatst gebruikte vraagprijs heeft tot verkoop geleid. initiële vraagprijs - transactieprijs = premie 1

(3)

laatste gehanteerde vraagprijs - transactieprijs = premie 2

(4)

Het model zal gebruik maken van percentages, zodoende is er sprake van een relatieve premie. Het resultaat van de regressiecoëfficiënten zal dus procentuele verandering weergeven van de afhankelijke variabele, voor elke procentuele verandering van de onafhankelijke variabele. Deze relatieve premie is als volgt tot stand gekomen:

10

(initiële vraagprijs - transactieprijs) / initiële vraagprijs = % premie 1

(5)

(laatste gehanteerde vraagprijs – transactieprijs) / laatste gehanteerde vraagprijs = % premie 2

(6)

Een wijziging of nieuwe aanmelding van een woning wordt elke dag om 0:00 opgemerkt, er dient 1 dag te worden opgeteld bij de looptijd in dagen per crawlermoment. Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur 27/45

4.7 Beschrijving model 1 en 2 In model 1 wordt de relatieve premie 1 verklaard. Dit gebeurt door het relatieve verschil van de initiële vraagprijzen en de transactieprijzen (% premie 1 zie § 4.6) middels een meervoudige regressie te laten verklaren. Verschillende verklarende onafhankelijke variabelen zijn in het model opgenomen, zoals: type woning, eigenschappen van de woning, buurtlocatie en de verkooptijd 1 dummy's (de verkooptijd t/m de juridische overdracht). Als vraagfactor vanuit de marktcondities is de hypotheekrente toegevoegd. In tabel 5 is schematisch weergegeven hoe de modellen zijn opgebouwd. In de appendix worden in tabel 1.1 alle onafhankelijke variabelen uiteengezet. In model 2 wordt de relatieve premie 1 verklaard. Dit gebeurt door het relatieve verschil van de initiële vraagprijzen en de transactieprijzen (% premie 1 zie § 4.6) middels een meervoudige regressie te laten verklaren. Verschillende verklarende onafhankelijke variabelen zijn in het model opgenomen, zoals: type woning, eigenschappen van de woning, buurtlocatie en de verkooptijd 2 dummy's (de verkooptijd tot overeenstemming). Als vraagfactor vanuit de marktcondities is eveneens de hypotheekrente toegevoegd. In tabel 5 is schematisch weergegeven hoe de modellen zijn opgebouwd. In de appendix worden in tabel 1.1 alle onafhankelijke variabelen uiteengezet. Premie 1*

Premie 2*

Verkooptijd 1**

model 1

model 3

Verkooptijd 2**

model 2

model 4

Woning type**

model 1; 2; 3; 4

model 1; 2; 3; 4

Woning eigenschappen**

model 1; 2; 3; 4

model 1; 2; 3; 4

Locatie (buurt)**

model 1; 2; 3; 4

model 1; 2; 3; 4

Exogene factor**

model 1; 2; 3; 4

model 1; 2; 3; 4

Tabel 5 Schematische weergave van de opbouw van de toegepaste modellen 1 t/m 4. *afhankelijke variabele ** verzamelnaam van de verklarende onafhankelijk variabelen

4.8

Beschrijving model 3 en 4 In model 3 wordt de relatieve premie 2 verklaard. Dit gebeurt door het relatieve verschil van de laatst gehanteerde vraagprijzen en de transactieprijzen (% premie 2 zie § 4.6) middels een meervoudige regressie te laten verklaren. Verschillende verklarende onafhankelijke variabelen zijn in het model opgenomen, zoals: type woning, eigenschappen van de woning, buurtlocatie en de verkooptijd 1 dummy's (de verkooptijd t/m de juridische overdracht). Als vraagfactor vanuit de marktcondities is de hypotheekrente toegevoegd. In tabel 5 is schematisch weergegeven hoe de modellen zijn opgebouwd. In de appendix worden in tabel 1.1 alle onafhankelijke variabelen uiteengezet. In model 4 wordt de relatieve premie 2 verklaard. Dit gebeurt door het relatieve verschil van de laatst gehanteerde vraagprijzen en de transactieprijzen (% premie 2 zie § 4.6) middels een meervoudige regressie te laten verklaren. Verschillende verklarende onafhankelijke variabelen, zoals: type woning, eigenschappen van de woning, buurtlocatie en de verkooptijd 2 dummy's (de verkooptijd tot overeenstemming). Als vraagfactor vanuit de marktcondities is eveneens de hypotheekrente toegevoegd. In tabel 5 is schematisch weergegeven hoe de modellen zijn opgebouwd. In de appendix worden in tabel 1.1 alle onafhankelijke variabelen uiteengezet.


28/45

5 Intermezzo 5.1 Inleiding In deze paragraaf wordt ingegaan op de methode en de technieken, de nulhypothese uit hoofdstuk 3 zal worden getoetst aan de hand van een meervoudige regressie analyse. Dit intermezzo is bedoeld om lezers zonder statistische achtergrond inzicht te geven in § 5.2 van de basis beginselen van een meervoudige regressie. Daarnaast wordt de formule voor dit onderzoek gevormd aan de hand van de verzamelnamen. In § 5.2.1 is uiteengezet aan welke voorwaarden een meervoudige regressie dient te voldoen. Gevolgd door § 5.2.2 en § 5.2.3 waar de betekenis van multicollineariteit en dummy variabelen wordt gegeven. In § 5.3 wordt aangegeven welke variabelen in dit onderzoek getransformeerd worden naar een natuurlijk logaritme.

5.2 Meervoudige regressie analyse Voor het verklaren van de in de paragraaf 4.5 beschreven premie wordt de samenhang van verschillende variabelen onderzocht. Hierbij wordt verondersteld dat de premie door meerdere variabelen wordt beïnvloed en lineair is. De meervoudige regressie geeft in het model aan in hoeverre er tussen de gebruikte variabelen en de te verklaren premie een verband bestaat. Bij een meervoudige regressie krijgt elke onafhankelijke variabele een regressiecoëfficiënt. De aan het model toegevoegde onafhankelijke variabelen krijgen op deze manier een afzonderlijke waarde. Door het toevoegen van meer onafhankelijke variabelen zullen coëfficiënten minder significant worden, maar zal het betrouwbaarheidsinterval toenemen. Tegelijkertijd neemt hierdoor ook de nauwkeurigheid van de schatting toe. Bepalend is de correlatie tussen de X en de Y variabele. De X en Y variabele worden als volgt omschreven: · ·

Y = afhankelijke variabele: - Premie 1 of Premie 2 X = onafhankelijke variabele: - Premie 1 of Premie 2 - Verkooptijd 1 of Verkooptijd 2 - Woning type - Woning eigenschappen - Locatie (buurt niveau) - Exogene factor (hypotheekrente)

De samenhang of correlatie bepaalt of de Y een hoge of lage score krijgt. Deze samenhang kan positief of negatief zijn. In het laatste geval heeft de variabele dus een tegengestelde werking en kan omschreven worden als: · ·

X en Y bij een positieve samenhang: heeft X een hoge waarde dan heeft Y een hoge score en andersom X en Y bij een negatieve samenhang: heeft X een hoge waarde dan heeft Y een lage score en andersom

Bij een meervoudige regressie wordt onderzocht welke combinatie van onafhankelijke variabelen het beste Y voorspelt. Voor de formule geldt dus dat de regressiecoëfficiënt ( ) de verandering in Y meet als met één eenheid verandert, terwijl de andere onafhankelijke variabelen constant blijven. Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur

29/45

De algemene formule van een meervoudige regressie ziet er als volgt uit: =

+

+

+

+⋯

+

X = onafhankelijke variabele (exogene) Y = afhankelijke variabele (endogene) α = de constante (intercept) β = de regressie coëfficiënt ε = de storingsterm

(7)

De formule met de verzamelnamen voor dit onderzoek is als volgt opgebouwd: 1

ℎ

2 =

+ +

(

+

1

ℎ

2) + +

+

(8)

Er is sprake van een (causaal) verband als de ene variabele het gevolg is van de andere. De correlatiecoëfficiënt geeft de grootte en de richting van de samenhang weer en beweegt altijd tussen de 1 en de -1. Wanneer er geen samenhang of correlatie optreedt dan komt de coëfficiënt op 0 uit. · · ·

-1= perfecte positieve correlatie 0 = géén correlatie -1 = perfecte negatieve correlatie

Uiteindelijk geeft het model aan hoeveel van de variantie verklaard wordt, dit is dus de verklarende kracht van het model en wordt uitgedrukt als r-kwadraat (r2) en adjusted rkwadraat. De r-kwadraat wordt berekend aan de hand van de SSE11 (squared sum of error) en SST12 (squared sum of total). De formule van de r-kwadraat wordt als volgt weergegeven: =1−

(9)

De adjusted r-kwadraat corrigeert extra om voorzichtigheid in te bouwen bij weinig waarnemingen. De adjusted r-kwadraat geeft bewust een lagere uitkomst aan. ²=1−

/ ( / (

)

)

(10)

De verklaarde variantie wordt uitgedrukt in percentages, blijkt bijvoorbeeld dat de r-kwadraat 0,80 aangeeft, dan wordt 80% van Y verklaard door de onafhankelijk verklarende variabelen (X). Een hoge r-kwadraat zegt dus alleen wat over hoe goed de onafhankelijke variabelen de afhankelijke variabele verklaart. Bij een r-kwadraat van 0,80 blijkt 20% dus niet verklaard te worden door de X variabelen, dit betreft het residu ten opzichte van de voorspelde waarde en staat gelijk aan de standaardfout. Een lage standaardfout is wenselijk, want dit betekent een betere uitkomst van het toegepaste model. De assumptie is dat de standaard fout normaal verdeeld is en onafhankelijk is van de verklarende variabelen.

11

SSE is totale gekwadrateerde som van het residu, met andere woorden de kwadrateerde som van kleine afwijkingen van alle meetwaarden. (Bron: Marquard, 2013) 12 SST is totale gekwadrateerde som van alle spreiding van afhankelijke variabele (de waarde), ten opzichte van de gemiddelde variabele. (Bron: Marquard, 2013) Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur 30/45

Een normale verdeling is gelijk aan een kansverdeling en de standaardfout is gelijk aan de standaarddeviatie (SD). Aan de hand van deze SD is het mogelijk een betrouwbaarheidsinterval toe te kennen. Om iets met 95% zekerheid te kunnen zeggen over de regressiefactor zal de SD met 1,96 en -1,96 vermenigvuldigd moeten worden. 95% betrouwbaarheidsinterval = Y - (1,96*SD) en Y + (1,96*SD)

(11)

5.2.1 Voorwaarden en controle van een meervoudige regressie analyse Voor het uitvoeren van een juiste meervoudige regressie dient er aan verschillende assumpties te worden voldaan. Worden deze assumpties achterwege gelaten dan zullen de uitkomsten moeilijk interpreteerbaar zijn. Door de residuen te analyseren is controleerbaar of de assumpties juist zijn opgevolgd. De meervoudige regressie dient aan de volgende voorwaarden te voldoen: · · · ·

Lineariteit van de regressievergelijking; Normaliteit, gemiddelde en variantie van de errortermen; Onafhankelijkheid van de errortermen; Onafhankelijkheid van de error en onafhankelijke variabelen.

5.2.2 Multicollineariteit Multicollineariteit ontstaat als een variabele een lineaire combinatie, of bijna, is van een andere variabele (Francke, 2013). Multicollineariteit beïnvloed de uitkomst van de coëfficiënten en reduceert de betrouwbaarheid van de regressie. De hoge correlatie van de verklarende variabelen betekent dat één van de twee variabelen uit de regressie gehouden kan worden. Een andere mogelijkheid is dat deze variabelen gecombineerd worden tot één variabele. Een correlatiematrix geeft de associatie aan tussen een paar onafhankelijke variabelen. Hieruit is af te leiden of er sprake is van een hoge correlatie en dit zou collineariteit in de hand werken. Door het gebruik van de “stepwise” functie in SPSS13 kan voorkomen worden dat er multicollineariteit optreedt. Door middel van het toevoegen en weglaten (stepwise) van deze onafhankelijke variabelen ontstaat het beste model. De onafhankelijke variabelen met de laagste significantie die geen multicollineariteit met elkaar kennen, worden toegevoegd aan het model.

5.2.3 Dummy variabelen Een dummy variabele is een variabele die alleen de waarde 1 of 0 kan aannemen. Bepalend is hierbij of er wel (1) of niet (0) een bepaalde eigenschap aanwezig is. In de meervoudige regressie krijgt een dummy variabele een bepaalde coëfficiënt, deze geeft dan de gemiddelde invloed van het aanwezig zijn van de betreffende eigenschap weer (Buijs, 2008). Dummy variabelen worden onder andere in dit model gebruikt voor tijd, locatie, objectclassificatie en eigenschappen van de woning. Indien het model over een constante beschikt dan dient één categorie niet meegenomen te worden.

5.3

Transformatie model Er zijn extra dummy variabelen aangemaakt ten aanzien van het aantal transactiemomenten in een bepaald kwartaal. Tevens zijn er diverse variabelen aan het model toegevoegd of getransformeerd. De transformatie houdt in dat er een aantal variabelen naar een natuurlijk logaritme zijn getransformeerd. Dit zorgt dat het model aan de assumpties van een meervoudige regressie 13

Statistical Package for the Social Sciences betreft een statistische applicatie van IBM Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur

31/45

blijft voldoen. De variabele, woonoppervlak, is onderhevig aan toe- of afnemende meeropbrengst, dit vertaalt zich in een niet lineaire lijn. Het gebruik van een natuurlijk logaritme heeft tot gevolg dat de residuen zich meer normaal laten verdelen. De volgende variabelen zijn getransformeerd naar een natuurlijk logaritme: · woonoppervlak LN_woonoppervlak · transactieprijs per m² LN_PPM2 In figuur 9 is gevisualiseerd wat het effect is van de LN transformatie voor het woonoppervlak.

Figuur 9 Weergave natuurlijk logaritme van het woonoppervlakte

Vanwege de LN transformatie kunnen de geschatte coëfficiënten niet gelijk geïnterpreteerd worden. Er dient een correctie plaats te vinden. De reciproke van de LN is mogelijk door de exponent te nemen van de LNwaarde en maakt de werkelijke waarde zichtbaar. In het volgende hoofdstuk 6 zullen de resultaten van de meervoudige regressie worden besproken en geanalyseerd.


32/45

6 Resultaten 6.1 Inleiding De voorgaande hoofdstukken zijn methodisch van aard en geven zowel de beschrijving als de analyse van de datasets. In dit hoofdstuk worden de uitkomsten van modellen beschreven. De ontstane premie 1 en 2 worden in § 6.2 beschreven. In § 6.3 t/m § 6.5 worden de uitkomsten van meervoudige regressie weergegeven en besproken.

6.2 Beschrijvende statistiek premie 1 en 2 Gemiddeld genomen komt de transactieprijs € 32.020,- lager uit dan de initiële vraagprijs (premie 1). De laatst gehanteerde vraagprijs (premie 2) dient gemiddeld € 20.703,- in mindering gebracht worden om tot de transactieprijs te komen. Gemiddeld genomen is het relatieve verschil tussen de initiële vraagprijs en de transactieprijs -8,5%, voor de laatst gehanteerde vraagprijs geldt een lagere discount van gemiddeld -5,6%. Het is begrijpelijk dat de laatst gehanteerde vraagprijs een lagere relatieve premie heeft, daarbij dient wel opgemerkt te worden dat hierin ook vraagprijzen bij kunnen zitten die niet gewijzigd zijn. Er is verondersteld dat deze verkopen de markt reëel benaderen. Figuur 10 laat het relatieve verloop van premie 1 en premie 2 zien per kwartaal op het moment dat de woning verkocht is (verkooptijd 1). 12,00% 10,00% 8,00% 6,00% 4,00% 2,00% 0,00% 2011 KWI

2011 KWII

2011 KWIII

2011 KWIV

2012 KWI

2012 KWII

2012 KWIII

2012 KWIV

%premie1

2013 KWI

2013 KWII

2013 KWIII

2013 KWIV

%premie2

Figuur 10 Weergave van de relatieve premie 1 en 2 per kwartaal.

Het geringe verschil in de eerste twee kwartalen van 2011 zijn, zoals eerder vermeld, ontstaan door het gebruik van de samengestelde database met de vastgestelde onderzoeksperiode . Deze twee kwartalen zijn niet representatief voor de gehele steekproef. Gedurende de onderzoeksperiode neemt het relatieve verschil tussen de initiële vraagprijs en de transactieprijs toe. Premie 1 laat een progressievere stijging zien dan premie 2. Nadat een verkoper de markt heeft verkend met een te hoge initiële vraagprijs en de verkooptijd toeneemt, is er een grotere discount nodig om de woning verkocht te krijgen. De verkooptijd in combinatie met de relatieve premie lijkt hier een verband te hebben. Naarmate de relatieve premie toeneemt neemt ook de verkooptijd toe.


33/45

400 350 300 250 200 150 100 50 0 2011 KWI

2011 KWII

2011 2011 2012 2012 KWIII KWIV KWI KWII Verkooptijd 1

2012 KWIII

2012 2013 2013 KWIV KWI KWII Verkooptijd 2

2013 KWIII

2013 KWIV

Figuur 11 Weergave van de verkooptijd 1 en 2 uitdrukt in aantal dagen per kwartaal.

6.3 Uitkomst meervoudige regressie Uit de verschillende modellen blijkt welke vastgoedeigenschappen, locatie, verkooptijd of toegevoegde exogene factor van invloed zijn op de premie 1 en premie 2. Daarbij is gekeken naar de invloed van de verkooptijd 1 (model 1 en 3) en de invloed van de verkooptijd 2 (model 2 en 4). In model 1 en 2 wordt de relatieve premie 1 verklaard, in model 3 en 4 wordt de relatieve premie 2 verklaard. Het model zal uitwijzen of de vastgoedkenmerken een grotere rol krijgen bij het verklaren van premie 2. In hoofdlijnen zullen een aantal “gebruikelijke” variabelen worden besproken, de meest opvallende coëfficiënten worden nadrukkelijk besproken. De modellen zijn vervaardigd met de statistische applicatie SPSS op basis van de stepwise functie. Alle variabelen in de modellen zijn significant en tot stand gekomen met een p< 0,05. Tevens is aangenomen dat de analyse voldoet aan de assumpties die ten grondslag liggen aan een meervoudige regressie analyse.

6.4 Uitkomst model 1 en 2 De coëfficiëntuitkomsten van model 1 en 2 zijn in tabel 6 weergegeven. Voor model 1 en 2 zijn meest opvallende variabelen LN_WOONOPPERVLAKTE, LN_PMM2 en TOTAAL_AANTAL_ PRIJSWIJZIGINGEN. Bij het toenemen van de woonoppervlakte ontstaat er volgens het model een lagere relatieve premie. Een toename van het woonoppervlak zal de relatieve premie 1 doen afnemen met 0,014 en 0,047. Dit suggereert dat een woning met een groter oppervlak een lagere premie heeft dan een woning met een kleiner oppervlak. Dit is opmerkelijk. De coëfficiënt van de transactieprijs per vierkante meter (LN_PPM2) heeft een vergelijkbaar opmerkelijk verloop voor beide modellen. De uitkomst geeft aan dat hoe hoger de transactieprijs per m² is, hoe lager het relatieve verschil van de premie 1. Dit suggereert dat dure woningen dichter bij de vraagprijs verkocht zullen worden dan minder dure woningen. Dit is tegenstrijdig met de verwachting, de ervaring leert dat duurdere woningen juist een grote premie hebben dan minder dure woningen.. Het aantal wijzigingen van vraagprijs (TOTAAL_AANTAL_PRIJSWIJZIGINGEN) voor beide modellen heeft invloed op de relatieve premie, zo blijkt hoe meer prijswijzigingen er plaatsvinden hoe groter het relatieve verschil van de premie 1. Voor elke prijswijziging die plaatsvindt neemt de relatieve premie voor model 1 met ruim 0,022 en voor model 2, 0,027 toe. Dit is opmerkelijk, de verwachting zou zijn dat na elke prijswijziging de relatieve premie naar beneden zou worden bijgesteld. Knight (2002) bevestigt ook met zijn onderzoek dat een te hoge Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur

34/45

inzet van de vraagprijs kan leiden tot een prijswijziging. Uiteindelijk zal de looptijd hierdoor toenemen en zal de transactieprijs lager uitvallen. De locatievariabelen (18 van de 90 buurten) hebben invloed op het verklaren van de premie 1. De t-waarde is voor sommige buurten aanzienlijk lager in vergelijking met de bovenstaande variabelen. Voor beide modellen laten twaalf buurten ten opzichte van de referentievariabele (Buitenveldert_West) een toename zien in de % premie 1. Deze buurten hebben dus een hogere premie ten opzichte van Buitenveldert West. De type woningen zijn ingedeeld op basis van soort objectcode. Model 1 en 2 laten een oplopende % premie 1 zien ten opzichte van de referentievariabele (Bovenwoning). Het woningtype VILLA laat een stijging van de % premie 1 zien van 0,074. Dit gaat voor beide modellen hetzelfde op. Dit betekent dat een woning type VILLA een hogere relatieve premie heeft dan een bovenwoning en dit ligt in de lijn der verwachting. Een villa wordt vaak gekenmerkt door zijn heterogene eigenschappen (Haurin 1988) en dit creëert een grotere relatieve premie. Opmerkelijk is dat maar enkele woning eigenschappen een verklarende rol vervullen ten aanzien van de % premie 1. Het hebben van een voortuin of schuur genereert een lagere % premie 1. De overige kenmerken resulteren in een hogere relatieve premie. Kenmerken van een woning zijn bepalend voor opbouw van de waarde, echter blijken ze weinig invloed te hebben op de % premie 1. Duidelijk is dat de VERKOOPTIJD 1 (tot aan de juridische levering) een direct verband heeft met premie 1, naarmate de verkooptijd in aantal dagen toeneemt stijgt de % premie 1 steeds verder ten opzichte van de referentievariabele (VERKOOPTIJD 1 (2)). Met andere woorden hoe langer de looptijd in dagen hoe groter de % premie wordt. Voor model 2 zijn de variabelen van de VERKOOPTIJD 2 toegevoegd aan het model, deze variabelen laten ook voornamelijk een oplopende % premie 1 zien ten opzichte van de referentievariabele (VERKOOPTIJD 2 (1)). Uitzondering op dit verloop zijn de variabelen VERKOOPTIJD 2 (9) en VERKOOPTIJD 2 (10). De adjusted-R-kwadraat geeft aan hoeveel er van de afhankelijke variabele verklaard wordt. Van de premie 1 in model 1 wordt 43,0% verklaard, voor model 2 is dit 38,2%.


35/45

Coefficientsa Model 1 (CONSTANT) LN_PMM2 LN_WOONOPPERVLAKTE PERCEELOPPERVLAKTE OUDERDOM AANTAL_WOONJAREN_VERKOPER VOLLE EIGENDOM TOTAAL_AANTAL_PRIJSWIJZIGINGEN SLOTERDIJK DUIVELSEILAND DA_COSTABUURT GEIN NIEUWENDAM_NOORD BUIKSLOTERMEERPLEIN STAATSLIEDENBUURT STADIONBUURT DE_KROMMERT GRACHTENGORDEL_ZUID OVERTOOMSE_SLUIS SCHELDEBUURT OUDE_PIJP DIAMANTBUURT MUSEUMKWARTIER STATION_ZUID_WTC DRIEMOND WILLEMSPARK KADOELEN SCHINKELBUURT DE_KROMMERT VANGALENBUURT HOOFDDORPPLEINBUURT GALERIJFLAT TUSSENWONING HERENHUIS DIJKWONING GRACHTENPAND DRIVEIN VILLA BENEDENWONING VOORTUIN SCHUUR/BERGING IN CENTRUM IN WOONWIJK DAKTERRAS ACHTERTUIN OPEN HAARD SAUNA VERKOOPTIJD 1 (1) VERKOOPTIJD 1 (3) VERKOOPTIJD 1 (4) VERKOOPTIJD 1 (5) VERKOOPTIJD 1 (6) VERKOOPTIJD 1 (7) VERKOOPTIJD 1 (8) VERKOOPTIJD 1 (9) VERKOOPTIJD 1 (10) VERKOOPTIJD 1 (11) VERKOOPTIJD 1 (12) VERKOOPTIJD 1 (13) VERKOOPTIJD 1 (14) VERKOOPTIJD 2 (2) VERKOOPTIJD 2 (3) VERKOOPTIJD 2 (4) VERKOOPTIJD 2 (5) VERKOOPTIJD 2 (6) VERKOOPTIJD 2 (7) VERKOOPTIJD 2 (8) VERKOOPTIJD 2 (9) VERKOOPTIJD 2 (10) VERKOOPTIJD 2 (11) TRANSACTIEDATUM_2011_I TRANSACTIEDATUM_2011_II TRANSACTIEDATUM_2011_III TRANSACTIEDATUM_2011_IV TRANSACTIEDATUM_2013_III TRANSACTIEDATUM_2013_IV Dependent Variable Observaties R-kwadraat Adjusted R-kwadraat

Unstandardized Coefficients B Std. Error 0,468 0,033 -0,047 0,004 -0,014 0,003 0,000 0,000 0,000 0,000 0,000 0,000 0,012 0,002 0,022 0,001 -0,205 0,061 -0,047 0,020 -0,024 0,008 -0,022 0,010 -0,018 0,008 -0,015 0,007 0,015 0,006 0,018 0,008 0,018 0,008 0,019 0,009 0,019 0,009 0,022 0,007 0,023 0,006 0,025 0,011 0,029 0,008 0,036 0,013 0,047 0,018 0,051 0,010

t

Sig. *

14,262 -12,810 -5,423 3,725 3,752 3,751 5,467 18,916 -3,385 -2,341 -3,102 -2,245 -2,329 -2,104 2,743 2,392 2,284 1,969 2,248 3,182 3,654 2,223 3,850 2,701 2,533 4,884

0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,019 0,002 0,025 0,020 0,035 0,006 0,017 0,022 0,049 0,025 0,001 0,000 0,026 0,000 0,007 0,011 0,000

-0,011 -0,010 0,022 0,043 0,056

0,004 0,004 0,007 0,015 0,011

-2,750 -2,621 3,340 2,772 4,938

0,006 0,009 0,001 0,006 0,000

0,074

0,013

5,677

0,000

-0,011 -0,007 0,009

0,004 0,002 0,003

-2,772 -3,555 3,508

0,006 0,000 0,000

0,012 0,014 0,018 0,045 -0,014 0,016 0,028 0,042 0,049 0,057 0,064 0,075 0,082 0,091 0,078 0,116 0,103

0,003 0,003 0,006 0,016 0,005 0,003 0,003 0,003 0,004 0,004 0,005 0,005 0,006 0,006 0,005 0,007 0,006

4,130 5,013 3,050 2,760 -2,657 5,594 9,274 12,032 12,603 13,369 13,836 14,217 13,831 14,348 14,230 17,521 16,789

0,000 0,000 0,002 0,006 0,008 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

-0,006 -0,009 -0,020 % Premie 1 4950 0,436 0,43

0,003 0,003 0,003

-1,975 -3,055 -6,940

Model 2

0,048 0,002 0,000

* p<0.05

Unstandardized Coefficients B Std. Error 0,390 0,033 -0,038 0,004 -0,009 0,003 0,000 0,000 0,000 0,000 0,000 0,000 0,014 0,002 0,027 0,001 -0,189 0,063 -0,051 0,021 -0,022 0,008

t

0,000 0,000 0,001 0,000 0,000 0,005 0,000 0,000 0,003 0,014 0,005

-0,017

0,008

-2,012

0,044

0,016

0,008

1,991

0,047

0,024 0,023 0,025

0,009 0,007 0,007

2,715 3,282 3,811

0,007 0,001 0,000

0,026 0,036 0,055 0,054 0,031 -0,030 0,022 0,034 0,016 -0,011

0,008 0,014 0,019 0,011 0,015 0,014 0,008 0,014 0,007 0,004

3,353 2,554 2,903 4,975 2,102 -2,068 2,605 2,377 2,150 -2,846

0,001 0,011 0,004 0,000 0,036 0,039 0,009 0,017 0,032 0,004

0,029 0,045 0,062 0,030 0,074 0,012 -0,009 -0,012

0,007 0,016 0,012 0,013 0,013 0,003 0,004 0,002

4,310 2,860 5,342 2,244 5,480 3,720 -2,431 -5,658

0,000 0,004 0,000 0,025 0,000 0,000 0,015 0,000

-0,005 0,011

0,002 0,003

-2,252 3,898

0,024 0,000

0,019 0,036

0,006 0,017

3,012 2,124

0,003 0,034

0,009 0,022 0,030 0,039 0,041 0,058 0,062 0,046 0,060 0,076 -0,029 -0,015 -0,008 -0,012

0,003 0,003 0,003 0,004 0,005 0,005 0,006 0,006 0,007 0,007 0,013 0,005 0,004 0,003

3,517 7,177 8,668 9,842 8,941 11,114 7,603 10,878 9,075 10,976 -2,333 -2,882 -1,961 -3,479

0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,020 0,004 0,050 0,001

-0,017 % Premie 1 4950 0,388 0,382

0,003

-5,521

0,000

Tabel 6 Weergave van de uitkomsten van de meervoudige regressie analyse van Model 1 en Model 2.


Sig. *

11,854 -10,486 -3,354 3,538 4,101 2,806 5,910 21,753 -3,006 -2,451 -2,804

36/45

6.5 Uitkomst model 3 en 4 De coëfficiënten uitkomsten van model 3 en 4 zijn in tabel 7 weergegeven. Model 3 en 4 hebben % premie 2 als afhankelijke variabele. Door het toetsen van model 3 en 4 wordt inzicht verkregen of de onafhankelijke variabelen een grotere rol spelen in het verklaren van de % premie 2 als er een "reële" vraagprijs wordt gehanteerd. Er is in dit stadium sprake van een overlap van de reserveringsprijzen tussen de verkoper en koper. Van de modellen 3 en 4 wordt aanzienlijk minder verklaard dan de modellen 1 en 2. De resultaten van model 3 en 4 in tabel 7 geven vrijwel dezelfde opmerkelijke coëfficiënten als model 1 en 2, dit betekent dat de variabelen LN_WOONOPPERVLAKTE en LN_PMM2 eveneens een afwijkend verloop aangeven dan de verwachting. Bovendien is de variabele TOTAAL_AANTAL_PRIJSWIJZIGINGEN opvallend te noemen, deze variabele laat hier een logischer verloop zien. De uitkomst geeft aan dat bij elke prijswijziging de relatieve premie 2 met 0,013 afneemt. De vraagprijs benaderd bij elke prijswijziging steeds meer de transactieprijs. De variabelen voor de buurtlocaties hebben ook in model 3 en 4 een verklarende rol. In vergelijking met model 1 en 2 laten ze overwegend een iets hogere significantie zien. De woningtypes geven een oplopende relatieve premie, ook hier is zichtbaar dat heterogene woningen een relatief hogere premie hebben. De verwachting waarbij de specifieke woningkenmerken mogelijk meer verklaren bij % premie 2 dan bij % premie 1 blijkt niet het geval te zijn, het aantal variabelen qua woningkenmerken neemt zelfs af. De verschillende looptijden geven een oplopende premie, hoe langer de verkooptijd hoe groter de relatieve premie en heeft hier ook een grote invloed het verklaren van de % premie 2. De verklarende kracht van model 3 en 4 zijn zoals eerder aangegeven aanzienlijk lager dan model 1 en 2. Van de premie 2 wordt in model 3 15,8% verklaard en voor model 4 is dit 9,9%. In hoofdstuk 7 zal de conclusie van dit onderzoek worden getrokken, tevens worden er aanbevelingen gedaan voor verder onderzoek.


37/45

Model 3 (CONSTANT) LN_PMM2 TOTAAL_AANTAL_PRIJSWIJZIGINGEN LN_WOONOPPERVLAKTE OUDERDOM AANTAL_WOONJAREN_VERKOPER VOLLE EIGENDOM SLOTERDIJK DUIVELSEILAND SCHINKELBUURT DA_COSTABUURT GEIN BUIKSLOTERMEERPLEIN STAATSLIEDENBUURT OUDE_PIJP OVERTOOMSE_SLUIS SCHELDEBUURT MUSEUMKWARTIER KADOELEN STATION_ZUID_WTC WILLEMSPARK VOGELBUURT VANGALENBUURT GALERIJFLAT HERENHUIS GRACHTENPAND VILLA WOONBOEDERIJ VOORTUIN SCHUUR/BERGING IN CENTRUM BUITENRUIMTE_LIGGING_WEST DAKTERRAS ACHTERTUIN BEREIKBAAR_ACHTEROM VERKOOPTIJD 1 (1) VERKOOPTIJD 1 (3) VERKOOPTIJD 1 (4) VERKOOPTIJD 1 (5) VERKOOPTIJD 1 (6) VERKOOPTIJD 1 (7) VERKOOPTIJD 1 (8) VERKOOPTIJD 1 (9) VERKOOPTIJD 1 (10) VERKOOPTIJD 1 (11) VERKOOPTIJD 1 (12) VERKOOPTIJD 1 (13) VERKOOPTIJD 1 (14) VERKOOPTIJD 2 (2) VERKOOPTIJD 2 (3) VERKOOPTIJD 2 (4) VERKOOPTIJD 2 (5) VERKOOPTIJD 2 (6) VERKOOPTIJD 2 (7) VERKOOPTIJD 2 (8) VERKOOPTIJD 2 (9) VERKOOPTIJD 2 (10) VERKOOPTIJD 2 (11) TRANSACTIEDATUM_2011_I TRANSACTIEDATUM_2011_II TRANSACTIEDATUM_2011_III TRANSACTIEDATUM_2011_IV TRANSACTIEDATUM_2013_III TRANSACTIEDATUM_2013_IV Dependent Variable Observaties R-kwadraat Adjusted R-kwadraat

Coefficientsa Unstandardized Coefficients t B Std. Error 0,317 0,030 10,623 -0,030 0,003 -9,069 -0,013 0,001 -11,807 -0,010 0,002 -4,386 0,000 0,000 3,863 0,000 0,000 2,295 0,009 0,002 4,688 -0,197 0,056 -3,494 -0,049 0,019 -2,627 -0,026 0,013 -2,037 -0,023 0,007 -3,211 -0,021 0,009 -2,357 -0,016 0,007 -2,342 0,011 0,005 2,181 0,022 0,006 3,809 0,022 0,008 2,823 0,025 0,006 3,858 0,028 0,007 3,963 0,032 0,013 2,418 0,038 0,012 3,051 0,055 0,010 5,635

Sig. * 0,000 0,000 0,000 0,000 0,000 0,022 0,000 0,000 0,009 0,042 0,001 0,018 0,019 0,029 0,000 0,005 0,000 0,000 0,016 0,002 0,000

-0,008 0,02 0,051 0,067 0,175 -0,008 -0,008 0,005 0,010 0,012 0,013

0,004 0,006 0,01 0,011 0,04 0,004 0,002 0,002 0,005 0,003 0,002

-2,296 3,21 4,921 5,891 4,389 -2,213 -4,277 2,046 2,007 4,487 5,358

0,022 0,001 0,000 0,000 0,000 0,027 0,000 0,041 0,045 0,000 0,000

-0,012 0,014 0,024 0,035 0,036 0,048 0,048 0,056 0,060 0,075 0,056 0,084 0,069

0,005 0,003 0,003 0,003 0,004 0,004 0,004 0,005 0,005 0,006 0,005 0,006 0,006

-2,588 5,359 8,538 11,001 9,832 12,147 11,284 11,318 10,880 12,755 11,052 13,699 11,995

0,010 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

-0,007 -0,010 % Premie 2 4950 0,165 0,158

0,003 0,003

-2,803 -3,636

Model 4

0,005 0,000

* p<0.05

Unstandardized Coefficients B Std. Error 0,256 0,029 -0,023 0,003 -0,007 0,001 -0,006 0,002 0,000 0,000

Sig. *

8,772 -7,174 -5,839 -2,322 3,302

0,000 0,000 0,000 0,020 0,001

0,011 -0,186 -0,055 -0,032 -0,021

0,002 0,058 0,019 0,013 0,007

5,543 -3,198 -2,853 -2,375 -2,832

0,000 0,001 0,004 0,018 0,005

0,023 0,025 0,025 0,024 0,033 0,037 0,054 -0,016 0,036 -0,009 0,018 0,048 0,062 0,181

0,006 0,008 0,007 0,007 0,013 0,013 0,010 0,007 0,013 0,004 0,006 0,011 0,012 0,041

3,795 3,052 3,824 3,354 2,477 2,889 5,389 -2,262 2,787 -2,325 2,92 4,497 5,332 4,397

0,000 0,002 0,000 0,001 0,013 0,004 0,000 0,024 0,005 0,02 0,004 0,000 0,000 0,000

-0,012

0,002

-6,453

0,000

0,012 0,013 -0,008

0,003 0,003 0,004

4,416 5,229 -2,181

0,000 0,000 0,029

0,007 0,015 0,017 0,023 0,026 0,035 0,028 0,030 0,030 0,037 -0,031 -0,015 -0,008 -0,010

0,002 0,003 0,003 0,004 0,004 0,005 0,006 0,005 0,006 0,006 0,012 0,005 0,004 0,003

2,913 5,339 5,299 6,278 6,215 7,353 5,070 5,620 4,890 5,822 -2,614 -3,051 -2,014 -3,022

0,004 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,009 0,002 0,044 0,003

-0,007 % Premie 2 4950 0,106 0,099

0,003

-2,454

0,014

Tabel 7 Weergave van de uitkomsten van de meervoudige regressie analyse van Model 3 en Model 4


t

38/45

7 Conclusie en aanbevelingen In dit hoofdstuk zal in § 7.1 de beantwoording op de onderzoeksvraag plaatsvinden, gevolgd door § 7.2 met de aanbevelingen en suggesties voor verder onderzoek. In de laatste § 7.3 zal er reflectie plaatsvinden van dit onderzoek. Door het teruglopen van het aantal transacties tijdens de woningmarktcrisis hebben de woning taxaties moeten inboeten in betrouwbaarheid. De aandacht voor dit onderzoek ligt bij de aanbodzijde van de woningmarkt. Woningen die te koop worden aangeboden zeggen iets over de reserveringsprijs van een verkoper. Het doel van dit onderzoek is om inzicht te verkrijgen welke variabelen een verklarende rol hebben op de premie. Met het verklaren van deze premie wordt een stap gezet in de richting naar de mogelijkheden om een vraagprijs te corrigeren naar een "fictieve" transactie.

7.1 Conclusie en beantwoording van de onderzoeksvraag In hoofdstuk 3 is de hypothese als volgt geformuleerd: H0: Specifieke woningkenmerken, buurtlocaties en de verkooptijd verklaren niet de premie die ontstaat bij verkoop. De resultaten van alle modellen in dit onderzoek verklaren in verschillende mate de premie, de nulhypothese dient te worden verworpen en de alternatieve hypothese kan worden aangenomen. De geschatte modellen verklaren een deel van de premie op basis van specifieke woningeigenschappen, locatie en de verkooptijd. Het aantal variabelen dat als onafhankelijke variabelen in de modellen gebruikt zijn, zijn niet allemaal significant of hebben een te hoge correlatie met elkaar. Hierdoor vormen zij geen onderdeel van de resultaten en zijn buiten het model gelaten. Belangrijk is dat de onderzochte data geen woningen bevat die nog te koop staan. Deze conclusie heeft dus betrekking op enkel verkochte woningen waarvan de verkooptijd bekend is. Woningen die nog te koop staan hebben een andere verkooptijd dan woningen die verkocht zijn. Ondanks dat de nulhypothese wordt verworpen blijkt de verklaringskracht van de modellen onvoldoende om iets met zekerheid te zeggen over de ontstane premie. Zeker als het de grondslag betreft voor het versterken van een taxatiemodel waar belasting over geheven zal worden. De verklaringskracht van model 1 is het hoogst, 43,3% wordt verklaard van premie 1. De specifieke eigenschappen van een woning spelen een grote rol in de waardeopbouw maar minimaal in de ontstane premie. Verder kunnen de volgende conclusies getrokken worden uit dit onderzoek: · · · · · · ·

De gemiddelde vraagprijs per m² gedraagt zich tijdens laagconjunctuur niet als voorspeller van de gemiddelde transactieprijs per m²; Een gering aantal vastgoedeigenschappen hebben invloed op de premie; De locatie (prijs)gebieden hebben invloed op de premie; Heterogeniteit heeft invloed op de premie; Verkooptijd heeft grote invloed op de premie en zijn simultaan bepaald; De exogene factor (hypotheekrente) heeft tijdens de onderzoeksperiode weinig invloed op de % premie, de oorzaak hiervan ligt mogelijk bij het toepassen van tijdsdummy’s waardoor het effect minimaal is; De initiële vraagprijs laat zich beter verklaren dan de laatst gehanteerde vraagprijs.


39/45

7.2 De aanbevelingen en suggesties voor verder onderzoek In deze paragraaf wordt puntsgewijs ingegaan op aanbevelingen en suggesties voor verder onderzoek. · Uitbreiding database Een aanzet voor verder onderzoek om vraagprijzen te corrigeren naar een fictieve transactie verdient de suggestie om een uitgebreidere database te nemen. Deze database dient zowel te thans te koop staande woningen, verkochte woningen en woningen die uit de verkoop zijn gehaald te bevatten. Ondanks dat de premie alleen is te berekenen voor de objecten die zijn verkocht, kan op basis van een hedonisch prijsmodel middels de vastgoedkenmerken een modelwaarde worden geschat en de premie alsnog berekend worden. · Overheidsbeslissingen De specifieke eigenschappen van een woning blijken in mindere mate invloed te hebben op de premie, uit de analyse van transacties en vraagprijzen blijkt dat overheidsbeleid ten aanzien van de woningmarkt direct of voortijdig invloed heeft op de woningmarkt. Dit kan ook invloed hebben op de premie. Dit geeft aanleiding voor verder onderzoek, zo verdient verder onderzoek welke overheidsbeleid effecten heeft op de premie. · Beweegreden koper en/of verkoper De beweegreden van een koper of verkoper kan een grotere rolspelen dan gedacht in de premie. Gedacht kan worden aan de hoogte van de hypotheek van een verkoper of de leeftijd van een koper. De beweegreden laat zich lastig vertalen in meetbare variabelen en zijn vaak niet voorhanden.

7.3 Reflectie Dit onderzoek is een zeer leerzaam en interessant proces voor mij geweest. In eerste instantie lag mijn intentie om een onderzoek te schrijven waarbij DGBA een bruikbaar model kon implementeren ter versterking van het huidig gebruikte taxatiemodel. Dit is vanwege de complexiteit ingeperkt tot een interessant model waarbij inzicht wordt verkregen in de premie. Er is een aanzet gemaakt om de premie te verklaren, waardoor in de toekomst mogelijk verder verklarende variabele in het model kunnen worden toegevoegd. De specifieke eigenschappen van een woning spelen een grote rol in de waardeopbouw maar minimaal in de ontstane premie. De uitdaging ligt mogelijk meer bij de beweegredenen van een koper en verkoper. De vele effecten die (kunnen) optreden laat de woningmarkt moeilijk voorspellen, waardoor verwachtingen of uitspraken met voorzichtigheid gebracht moeten worden. De beschikbare data en de juistheid van deze data speelt hierin een cruciale rol. Het gevolg van dit onderzoek heeft mij laten inzien dat statistische benadering bijdraagt aan het inzichtelijk maken van verbanden. Dit dient wel in combinatie met "common sense" gebruikt te worden.


40/45

Bibliografie Allen, Marcus T.; Dare, William H.(2004). The Effects of Charm Listing Prices on House Transaction Prices. Real Estate Economics, Vol. 32 Issue 4, p695-713. Arnhem, P.C. van, Berkhout, T.M. , & Have, G.G.M. ten (2013). Taxatieleer vastgoed. Groningen: Noordhoff Benefield, Justin D.; Pyles, Mark K.; Gleason, Anne (2011). Sale Price, Marketing Time, and Limited Service Listings: The Influence of Home Value and Market Conditions. Journal of Real Estate Research, Vol. 33 Issue 4, p531-563. Berkhout, T. M.. en A. C. Hordijk (2010). Marktwaarde als waarderingsgrondslag. www.waarderingskamer.nl. Conijn, Johan; Schilder, Frans (2013). Restschuld en het functioneren van de koopwoningmarkt. ASRE Researche Center, ASRE Researche papers Conijn, Johan; Schilder, Frans (2013). Verhuizen in de crisis. ASRE Researche Center, ASRE Researche papers Francke, Marc K. (2012). Syllabus Hedonic Price Models. Amsterdam School of Real Estate, Working paper Francke, Marc K; Lee Kai M. (2013). De waardeontwikkeling op de woningmarkt in aardbevingsgevoelige gebieden rond het Groningenveld. Ortec Finance Research Center, Working paper Geltner, D.M., Miller, N.G., Clayton, J., Eichholtz, P., (2006) Commercial Real Estate, Analysis & Investments( 2e editie). Thomson South –Western. Glower, Michel; Haurin, Donald R.; Hendershott, Patric H (1998). Selling Time and Selling Price: The Influence of Seller Motivation. Real Estate Economics, Vol. 26 Issue 4, p719-740 Gool, P. van, Brounen , D., Jager, P., & Weisz, R.M. (2007). Onroerend goed als belegging. Groningen: Noordhoff Uitgevers Haurin, Donald R. (1988).The duration of marketing time of Residential Housing. AREUEA journal, Vol. 16 Issue 4, p396-410. Haurin, Donald R.; Haurin, Jessica L.; Nadauld, Taylor; Sanders, Anthony (2010). List Prices, Sale Prices and Marketing Time: An Application to U.S. Housing Markets. Real Estate Economics, Vol. 38 Issue 4, p659-685. Horowitz, Joel L. (1992). The role of list price in housing markets: Theory and an econometric model. Journal of applied econometrics, Vol. 7, p115-129. International Valuation Standards Committee (2011). International Valuation Standards. Londen: International Valuation Standards Committee Kang, Han B.; Gardner, Mona J. Gardner (1989). Selling, Price and Marketing Time in the Residential Real Estate Market, The journal of Real Estate Research. Vol. 4 nr 1, p 21-35


41/45

Knight, John R. (2002), Listing Price, Time on Market, and Ultimate Selling Price: Causes and Effects of Listing Price Changes. Real Estate Economics. Vol. 30 Issue 2, p213-237. Knight, John R.; Sirmans, C. F.; Turnbull, Geoffrey K (1994). List Price Signaling and Buyer Behavior in the Housing Market . Journal of Real Estate Finance an Economics, Vol. 9, p177192. Knight, John R.; Sirmans, C. F.; Turnbull, Geoffrey K (1998). List Price Information in Residential Appraisal and Underwriting. Journal of Real Estate Research, Vol. 15 Issue 1/2, p59. Lusht, Kenneth M.(2001). Real Estate Valuation Principles and Applications. State College:KML Publishing. Marquard, Arthur R. (2013). Syllabus Methoden en technieken voor Mass Appraisal. Amsterdam School of Real Estate, Working paper Nguyen, Chu V.; Pointer, Lucille L.; Strain, Charles (2012). A Closer Review and Strategic Implications of the Comparative Market Analysis in Setting the List Price. Journal of Marketing Development & Competitiveness, Vol. 6 Issue 5, p48-61. Parlak, Fatih (2014). List Prices as Input for Valuation and prediction of transaction Prices. Master thesis, Erasmus Universtity Rotterdam Royal Institution of Chartered Surveyors (2012). RICS Valuation – Professional Standards. Coventry: Royal Institution of Chartered Surveyors Ten Have, G.M. (2002). Taxatieleer onroerende zaken. Groningen: Noordhoff Uitgevers Ten Have, G.M. (2003). Taxatieleer Vastgoed 2. Groningen: Noordhoff Uitgevers


42/45

Woning type

Woning eigenschappen

Appendix Model

Variabele

1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4

LN_WOONOPPERVLAKTE PERCEELOPPERVLAKTE OUDERDOM VOLLE EIGENDOM* LN_PPM2 AANTAL_WOONJAREN_VERKOPER TOTAAL_AANTAL_PRIJSWIJZIGINGEN Hypotheekrente DAKTERRAS SCHUUR/BERGING OPEN HAARD IN WOONWIJK IN CENTRUM ACHTERTUIN VOORTUIN BEREIKBAAR_ACHTEROM BUITENRUIMTE_LIGGING_NOORD_WEST Balkon Lift Tuin Garage Parkeerplaats Monument Zwembad SAUNA Jacuzzi Zonnecollectoren Isolatie Aan rustige weg Aan drukke weg Aan water Aan bosrand Aan park Vrij uitzicht Aan vaarwater In bosrijke omgeving Zijtuin Tuin rondom Zonneterras Patio/atrium Mogelijkheid garage Buitenruimte_Ligging_Noord Buitenruimte_Ligging_Noord_Oost Buitenruimte_Ligging_Oost Buitenruimte_Ligging_Zuid_Oost Buitenruimte_Ligging_West Buitenruimte_Ligging_Zuid Buitenruimte_Ligging_Zuid_West Niet_Repeterend_SoortObjectcode* DIJKWONING VILLA TUSSENWONING HERENHUIS DRIVEIN GALERIJFLAT BENEDENWONING GRACHTENPAND WOONBOERDERIJ Woonhuis 2onder1 Splitlevel Hofjeswoning Vrijstaandewoning Bungalow Kwadrantwoning PatioWoning Hoekwoning Eindwoning Geschakeldewoning Souterrain Maisonette Portiekflat Portiekwoning Penthouse Bovenwoning* Corridorflat Waterwoning Beletage

Type

cv

dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv;cv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv

Variabele beschrijving log van m2 woonoppervlakte m2 perceel oppervlakte Datum jur. overdracht - bouwjaar = leeftijd object Eigendoms situatie log van de gerealiseerde transactieprijs per m2 woonopp. Aantal jaren dat verkoper ingeschreven staat Aantal prijswijzigingen tijdens de verkoopperiode Hypotheekrente in de maand van de jur. overdracht 1= aanwezigheid Dakterras; 0=anders 1= aanwezigheid Schuur/berging; 0=anders 1= aanwezigheid Open haard; 0=anders 1= gelegen In woonwijk; 0=anders 1= gelegen In centrum; 0=anders 1= aanwezigheid Achtertuin; 0=anders 1= aanwezigheid Voortuin; 0=anders 1= aanwezigheid (bereikbaar via) achterom; 0=anders 1= Buitenruimte_Ligging_Noord_West; 0=anders 1= aanwezigheid Balkon; 0=anders 1= aanwezigheid Lift; 0=anders 1= aanwezigheid Tuin; 0=anders 1= aanwezigheid Garage; 0=anders 1= aanwezigheid Parkeerplaats; 0=anders 1= aanwezigheid Monument; 0=anders 1= aanwezigheid Zwembad; 0=anders 1= aanwezigheid Sauna; 0=anders 1= aanwezigheid Jacuzzi; 0=anders 1= aanwezigheid Zonnecollectoren; 0=anders 1= aanwezigheid Isolatie; 0=anders 1= gelegen Aan rustige weg; 0=anders 1= gelegen Aan drukke weg; 0=anders 1= gelegen Aan water; 0=anders 1= gelegen Aan bosrand; 0=anders 1= gelegen Aan park; 0=anders 1= gelegen Vrij uitzicht; 0=anders 1= gelegen Aan vaarwater; 0=anders 1= gelegen In bosrijke omgeving; 0=anders 1= aanwezigheid Zijtuin; 0=anders 1= aanwezigheid Tuin rondom; 0=anders 1= aanwezigheid Zonneterras; 0=anders 1= aanwezigheid Patio/atrium; 0=anders 1= aanwezigheid Mogelijkheid garage ; 0=anders 1= aanwezigheid Buitenruimte_Ligging_Noord; 0=anders 1= Buitenruimte_Ligging_Noord_Oost; 0=anders 1= Buitenruimte_Ligging_Oost; 0=anders 1= Buitenruimte_Ligging_Zuid_Oost; 0=anders 1= Buitenruimte_Ligging_West; 0=anders 1= Buitenruimte_Ligging_Zuid; 0=anders 1= Buitenruimte_Ligging_Zuid_West; 0=anders 1= Niet_Repeterend_SoortObjectcode; 0=anders 1= Dijkwoning; 0=anders 1= Villa; 0=anders 1= Tussenwoning; 0=anders 1= Herenhuis; 0=anders 1= DriveIn; 0=anders 1= Galerijflat; 0=anders 1= Benedenwoning; 0=anders 1= Grachtenpand; 0=anders 1= Woonboerderij; 0=anders 1= Woonhuis; 0=anders 1= 2onder1; 0=anders 1= Splitlevel; 0=anders 1= Hofjeswoning; 0=anders 1= Vrijstaandewoning; 0=anders 1= Bungalow; 0=anders 1= Kwadrantwoning; 0=anders 1= PatioWoning; 0=anders 1= Hoekwoning; 0=anders 1= Eindwoning; 0=anders 1= Geschakeldewoning; 0=anders 1= Souterrain; 0=anders 1= Maisonette; 0=anders 1= Portiekflat; 0=anders 1= Portiekwoning; 0=anders 1= Penthouse; 0=anders 1= Bovenwoning; 0=anders 1= Corridorflat; 0=anders 1= Waterwoning; 0=anders 1= Beletage; 0=anders


N

Min

Max

Mean

4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950

3,09 0 1 0 6,92 0 0 4,1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

6,41 4580 392 1 9,35 114 8 5,16 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

4,3404 26,8149 57,9224 0,3491 8,0704 9,9267 0,6214 4,6105 0,1206 0,6261 0,0228 0,6628 0,1923 0,2073 0,0762 0,0762 0,0222 0,5109 0,2311 0,2438 0,096 0,0752 0,0335 0,0008 0,0028 0,0063 0,0022 0,7491 0,5044 0,0394 0,184 0,0129 0,0984 0,3711 0,0624 0,0077 0,0172 0,0055 0,0505 0,0111 0,0077 0,0135 0,0113 0,0204 0,0265 0,0299 0,061 0,0438 0,596 0,0032 0,0057 0,078 0,0206 0,0046 0,0584 0,0937 0,0067 0,0004 0,1816 0,0053 0,0004 0,003 0,0141 0,0006 0,0004 0,0014 0,0212 0,002 0,002 0,0081 0,0362 0,0725 0,0232 0,0103 0,5327 0,0725 0,0006 0,0024

43/45

Std. Dev. 0,41458 94,7992 45,6359 0,47673 0,33006 17,905 0,98324 0,27242 0,3257 0,4839 0,14937 0,47279 0,39417 0,40539 0,26528 0,26528 0,14742 0,49993 0,42159 0,42944 0,29457 0,26366 0,18005 0,02842 0,05311 0,0789 0,04709 0,43358 0,50003 0,19455 0,38756 0,11298 0,29786 0,48315 0,24195 0,08729 0,12992 0,07366 0,21901 0,10483 0,08729 0,11556 0,10577 0,14139 0,16053 0,17033 0,23937 0,20476 0,49075 0,05677 0,075 0,26817 0,14208 0,06801 0,23449 0,29149 0,08139 0,0201 0,38557 0,07229 0,0201 0,05497 0,26556 0,02461 0,0201 0,03758 0,14411 0,04491 0,04491 0,08954 0,18671 0,25938 0,15066 0,10099 0,49898 0,25938 0,02461 0,04918

n= 1

597 3099 113 3281 952 1026 377 377 110 2529 1144 1207 475 372 166 4 14 31 11 3708 2497 195 911 64 487 1837 309 38 85 27 250 55 38 67 56 101 131 148 302 217 2950 16 28 386 102 23 289 464 33 2 899 26 2 15 70 3 2 7 105 10 10 40 179 359 115 51 2637 359 3 12

Locatie (buurtniveau)

Model 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4

Variabele BUIKSLOTERMEER DA_COSTABUURT DE_KROMMERT DIAMANTBUURT DRIEMOND DUIVELSEILAND GEIN GRACHTENGORDEL_ZUID HOOFDDORPPLEINBUURT KADOELEN MUSEUMKWARTIER NIEUWENDAM_NOORD OUDE_PIJP OVERTOOMSE_SLUIS SCHELDEBUURT SCHINKELBUURT SLOTERDIJK STAATSLIEDENBUURT STADIONBUURT STATION_ZUID_WTC WILLEMSPARK Appolobuurt Banne_Buiksloot Betondorp Bijlmer_Centrum_DFH Bijlmer_Oost_EGK Buiksloterham Buitenveldert_Oost Buitenveldert_West* Burgwallen_Nieuwe_Zijde Burgwallen_Oude_Zijde Centrale_Markt Dapperbuurt De_Kolenkit De_Omval De_Punt De_Weteringschans Eendracht Erasmuspark Frankendael Frederik_Hendrikbuurt Geuzenveld Grachtengordel_West Haarlemmerbuurt Helmersbuurt Holendrecht_Reigersbos Hoofdweg Houthavens IJburgWest IJburgZuid IJplein_Vogelbuurt IJselbuurt IndischeBuurtOost IndischeBuurtWest Jordaan Kinkerbuurt Landlust Lutkemeer_Ookmeer Middelveldsche_Akerpolder_Sloten Middenmeer Nellestein Nieuwe_Pijp Nieuwendammerdijk_Buiksloterdijk Nieuwmarkt_Lastage Oostelijk_Havengebied Oostelijke_Eilanden_Kadijken Oosterparkbuurt Oostzanerwerf OsdorpMidden OsdorpOost Overtoomse_Veld Rijnbuurt Riekerpolder Slotermeer_Noordoost Slotermeer_Zuidwest Slotervaart Spaarndammer_Zeeheldenbuurt Transvaalbuurt Tuindorp_Buiksloot Tuindorp_Nieuwendam Tuindorp_Oostzaan Vangalenbuurt VanLennepbuurt Volewijck Vondelbuurt Waterland

Type dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv;cv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv

Variabele beschrijving 1= gelegen in Buikslotermeer; 0=anders 1= gelegen in Da_Costabuurt; 0=anders 1= gelegen in De_Krommert; 0=anders 1= gelegen in Diamantbuurt; 0=anders 1= gelegen in Driemond; 0=anders 1= gelegen in Duivelseiland; 0=anders 1= gelegen in Gein; 0=anders 1= gelegen in Grachtengordel_Zuid; 0=anders 1= gelegen in Hoofddorppleinbuurt; 0=anders 1= gelegen in Kadoelen; 0=anders 1= gelegen in Museumkwartier; 0=anders 1= gelegen in Nieuwendam_Noord; 0=anders 1= gelegen in Oude_Pijp; 0=anders 1= gelegen in Overtoomse_Sluis; 0=anders 1= gelegen in Scheldebuurt; 0=anders 1= gelegen in Schinkelbuurt; 0=anders 1= gelegen in Sloterdijk; 0=anders 1= gelegen in Staatsliedenbuurt; 0=anders 1= gelegen in Stadionbuurt; 0=anders 1= gelegen in Station_Zuid_WTC; 0=anders 1= gelegen in Willemspark; 0=anders 1= gelegen in Appolobuurt; 0=anders 1= gelegen in Banne_Buiksloot; 0=anders 1= gelegen in Betondorp; 0=anders 1= gelegen in Bijlmer_Centrum_DFH; 0=anders 1= gelegen in Bijlmer_Oost_EGK; 0=anders 1= gelegen in Buiksloterham; 0=anders 1= gelegen in Buitenveldert_Oost; 0=anders 1= gelegen in Buitenveldert_West; 0=anders 1= gelegen in Burgwallen_Nieuwe_Zijde; 0=anders 1= gelegen in Burgwallen_Oude_Zijde; 0=anders 1= gelegen in Centrale_Markt; 0=anders 1= gelegen in Dapperbuurt; 0=anders 1= gelegen in De_Kolenkit; 0=anders 1= gelegen in De_Omval; 0=anders 1= gelegen in De_Punt; 0=anders 1= gelegen in De_Weteringschans; 0=anders 1= gelegen in Eendracht; 0=anders 1= gelegen in Erasmuspark; 0=anders 1= gelegen in Frankendael; 0=anders 1= gelegen in Frederik_Hendrikbuurt; 0=anders 1= gelegen in Geuzenveld; 0=anders 1= gelegen in Grachtengordel_West; 0=anders 1= gelegen in Haarlemmerbuurt; 0=anders 1= gelegen in Helmersbuurt; 0=anders 1= gelegen in Holendrecht_Reigersbos; 0=anders 1= gelegen in Hoofdweg; 0=anders 1= gelegen in Houthavens; 0=anders 1= gelegen in IJburgWest; 0=anders 1= gelegen in IJburgZuid; 0=anders 1= gelegen in IJplein_Vogelbuurt; 0=anders 1= gelegen in IJselbuurt; 0=anders 1= gelegen in IndischeBuurtOost; 0=anders 1= gelegen in IndischeBuurtWest; 0=anders 1= gelegen in Jordaan; 0=anders 1= gelegen in Kinkerbuurt; 0=anders 1= gelegen in Landlust; 0=anders 1= gelegen in Lutkemeer_Ookmeer; 0=anders 1= gelegen in Middelveldsche_Akerpolder_Sloten;0=anders 1= gelegen in Middenmeer; 0=anders 1= gelegen in Nellestein; 0=anders 1= gelegen in Nieuwe_Pijp; 0=anders 1= gelegen in Nieuwendammerdijk_Buiksloterdijk;0= anders 1= gelegen in Nieuwmarkt_Lastage; 0=anders 1= gelegen in Oostelijk_Havengebied; 0=anders 1= gelegen in Oostelijke_Eilanden_Kadijken; 0=anders 1= gelegen in Oosterparkbuurt; 0=anders 1= gelegen in Oostzanerwerf; 0=anders 1= gelegen in OsdorpMidden; 0=anders 1= gelegen in OsdorpOost; 0=anders 1= gelegen in Overtoomse_Veld; 0=anders 1= gelegen in Rijnbuurt; 0=anders 1= gelegen in Riekerpolder; 0=anders 1= gelegen in Slotermeer_Noordoost; 0=anders 1= gelegen in Slotermeer_Zuidwest; 0=anders 1= gelegen in Slotervaart; 0=anders 1= gelegen in Spaarndammer_Zeeheldenbuurt; 0=anders 1= gelegen in Transvaalbuurt; 0=anders 1= gelegen in Tuindorp_Buiksloot; 0=anders 1= gelegen in Tuindorp_Nieuwendam; 0=anders 1= gelegen in Tuindorp_Oostzaan; 0=anders 1= gelegen in VanGalenbuurt; 0=anders 1= gelegen in VanLennepbuurt; 0=anders 1= gelegen in Volewijck; 0=anders 1= gelegen in Vondelbuurt; 0=anders 1= gelegen in Waterland; 0=anders


N 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950

Min

Max

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Mean 0,0156 0,0133 0,0117 0,0059 0,0022 0,0018 0,0081 0,0095 0,0158 0,0038 0,0141 0,0121 0,0194 0,0103 0,0166 0,0038 0,0002 0,0246 0,0135 0,0044 0,0071 0,0105 0,0105 0,0014 0,0137 0,0218 0,0004 0,0212 0,0422 0,0075 0,0063 0,0048 0,0127 0,0042 0,0016 0,0053 0,0156 0,004 0,0073 0,0067 0,0093 0,0048 0,017 0,0149 0,0085 0,0129 0,0077 0,002 0,0218 0,0071 0,0147 0,0051 0,0158 0,0236 0,0345 0,0057 0,0168 0,0002 0,0182 0,0202 0,0046 0,0192 0,0026 0,0137 0,0327 0,0303 0,0166 0,0115 0,0087 0,0174 0,0119 0,0053 0,0158 0,0077 0,0115 0,0127 0,0265 0,0071 0,0012 0,0018 0,0087 0,004 0,0117 0,0051 0,003 0,002

44/45

Std. Dev. 0,12376 0,11471 0,10762 0,07632 0,04709 0,04261 0,08954 0,09699 0,12455 0,06184 0,11809 0,10944 0,13792 0,10099 0,12765 0,06184 0,01421 0,15506 0,11556 0,06653 0,0838 0,10196 0,10196 0,03758 0,11641 0,1461 0,0201 0,14411 0,20112 0,08614 0,0789 0,06947 0,11211 0,065 0,04017 0,07229 0,12376 0,06344 0,08498 0,08139 0,09596 0,06947 0,12917 0,12136 0,09173 0,11298 0,08729 0,04491 0,1461 0,0838 0,12055 0,07089 0,12455 0,15193 0,18264 0,075 0,12841 0,01421 0,13362 0,14071 0,06801 0,13721 0,05118 0,11641 0,17794 0,17144 0,12765 0,1067 0,09281 0,13067 0,10853 0,07229 0,12455 0,08729 0,1067 0,11211 0,16053 0,0838 0,0348 0,04261 0,09281 0,06344 0,10762 0,07089 0,05497 0,04491

n= 1 77 66 58 29 11 9 40 47 78 19 70 60 96 51 82 19 1 122 67 22 35 52 52 7 68 108 2 105 209 37 31 24 63 21 8 26 77 20 36 33 46 24 84 74 42 64 38 10 108 35 73 25 78 117 171 28 83 1 90 100 23 95 13 68 162 150 82 57 43 86 59 26 78 38 57 63 131 35 6 9 43 20 58 25 15 10

Verkooptijd 1 Verkooptijd 2 Aantal verkopen

Model

Variabele

Type

Variabele beschrijving

1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 2/4 2/4 2/4 2/4 2/4 2/4 2/4 2/4 2/4 2/4 2/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4 1/2/3/4

Weesperbuurt_Plantage Weesperzijde Westindische_buurt Westlandgracht VERKOOPTIJD 1 (1) verkooptijd 1 (2)* VERKOOPTIJD 1 (3) VERKOOPTIJD 1 (4) VERKOOPTIJD 1 (5) VERKOOPTIJD 1 (6) VERKOOPTIJD 1 (7) VERKOOPTIJD 1 (8) VERKOOPTIJD 1 (9) VERKOOPTIJD 1 (10) VERKOOPTIJD 1 (11) VERKOOPTIJD 1 (12) VERKOOPTIJD 1 (13) VERKOOPTIJD 1 (14) verkooptijd 2 (1)* VERKOOPTIJD 2 (2) VERKOOPTIJD 2 (3) VERKOOPTIJD 2 (4) VERKOOPTIJD 2 (5) VERKOOPTIJD 2 (6) VERKOOPTIJD 2 (7) VERKOOPTIJD 2 (8) VERKOOPTIJD 2 (9) VERKOOPTIJD 2 (10) VERKOOPTIJD 2 (11) TRANSACTIEDATUM_2011_I TRANSACTIEDATUM_2011_II TRANSACTIEDATUM_2011_III TRANSACTIEDATUM_2011_IV TRANSACTIEDATUM_2013_III TRANSACTIEDATUM_2013_IV transactiedatum_2012_i transactiedatum_2012_ii* transactiedatum_2012_iii transactiedatum_2012_iv transactiedatum_2013_i transactiedatum_2013_ii

dv dv dv dv dv dv;cv dv dv dv dv dv dv dv dv dv dv dv dv dv;cv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv dv

1= gelegen in Weesperbuurt_Plantage; 0=anders 1= gelegen in Weesperzijde; 0=anders 1= gelegen in Westindische_buurt; 0=anders 1= gelegen in Westlandgracht; 0=anders 1= aantal objecten 1-50 dagen t/m overdracht;0=anders 1= aantal objecten 51-100 dagen t/m overdracht;0=anders 1= aantal objecten 101-150 dagen t/m overdracht;0=anders 1= aantal objecten 151-200 dagen t/m overdracht;0=anders 1= aantal objecten 201-250 dagen t/m overdracht;0=anders 1= aantal objecten 251-300 dagen t/m overdracht;0=anders 1= aantal objecten 301-350 dagen t/m overdracht;0=anders 1= aantal objecten 351-400 dagen t/m overdracht;0=anders 1= aantal objecten 401-450 dagen t/m overdracht;0=anders 1= aantal objecten 451-500 dagen t/m overdracht;0=anders 1= aantal objecten 501-550 dagen t/m overdracht;0=anders 1= aantal objecten 551-650 dagen t/m overdracht;0=anders 1= aantal objecten 651-750 dagen t/m overdracht;0=anders 1= aantal objecten 751-1100 dagen t/m overdracht;0=anders 1= aantal objecten 1-50 dagen aangeboden;0=anders 1= aantal objecten 51-100 dagen aangeboden;0=anders 1= aantal objecten 101-150 dagen aangeboden;0=anders 1= aantal objecten 151-200 dagen aangeboden;0=anders 1= aantal objecten 201-250 dagen aangeboden;0=anders 1= aantal objecten 251-300 dagen aangeboden;0=anders 1= aantal objecten 301-350 dagen aangeboden;0=anders 1= aantal objecten 351-400 dagen aangeboden;0=anders 1= aantal objecten 401-500 dagen aangeboden;0=anders 1= aantal objecten 501-600 dagen aangeboden;0=anders 1= aantal objecten 601-1050 dagen aangeboden;0=anders 1= aantal verkopen in 2011_I; 0=anders 1= aantal verkopen in 2011_II; 0=anders 1= aantal verkopen in 2011_III; 0=anders 1= aantal verkopen in 2011_IV; 0=anders 1= aantal verkopen in 2013_III; 0=anders 1= aantal verkopen in 2013_IV; 0=anders 1= aantal verkopen in 2012_I; 0=anders 1= aantal verkopen in 2012_II; 0=anders 1= aantal verkopen in 2012_III; 0=anders 1= aantal verkopen in 2012_IV; 0=anders 1= aantal verkopen in 2013_I; 0=anders 1= aantal verkopen in 2013_II; 0=anders

Tabel 1.1

N 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950 4950

Min Max 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Mean 0,0099 0,0099 0,0091 0,0053 0,0323 0,1842 0,1943 0,1426 0,0984 0,0723 0,058 0,0475 0,0356 0,0271 0,023 0,0341 0,0214 0,0291 0,3463 0,1743 0,1208 0,0945 0,0687 0,0515 0,0378 0,0275 0,0323 0,0228 0,0234 0,0051 0,0297 0,0545 0,0776 0,1172 0,1059 0,0848 0,1273 0,0972 0,1238 0,0933 0,0836

Weergave van de gebruikte variabelen voor de modellen 1t/m 4 en de beschrijving van deze variabelen. Variabelen in hoofdletters zijn verklarende variabelen. *dv = dummy variabele **cv = constante variabele of referentie variabele


45/45

Std. Dev. 0,09901 0,09901 0,09492 0,07229 0,17687 0,38772 0,39573 0,34973 0,29786 0,25905 0,23373 0,21267 0,1852 0,16231 0,15001 0,18161 0,14478 0,16808 0,47583 0,37944 0,32594 0,29262 0,25295 0,22107 0,19068 0,16348 0,17687 0,14937 0,15129 0,07089 0,16977 0,22711 0,26753 0,32166 0,30769 0,27868 0,33331 0,29622 0,32943 0,29093 0,27687

n= 1 49 49 45 26 160 912 962 706 487 358 287 235 176 134 114 169 106 144 1714 863 598 468 340 255 187 136 160 113 116 25 147 270 384 580 524 420 630 481 613 462 414

Aanbod gestuurd als taxatiemethode bij mass appraisal in laagconjunctuur

Recommend Documents