Determinanten van de BAR op woningbeleggingen
Master Thesis
ter verkrijging van de titel Master of Studies in Real Estate aan de Amsterdam School of Real Estate
door drs. Jurrien G. Windhorst
begeleid door de heer drs. Arthur R. Marquard, wetenschappelijk medewerker / sectiecoördinator Finance aan de Amsterdam School of Real Estate
goedgekeurd door de heer drs. R.M. Weisz RA MRICS
Amsterdam, september 2010
Voorwoord Deze master thesis is het laatste onderdeel van mijn studie aan de Amsterdam School of Real Estate. De titel luidt: “Determinanten van de BAR op woningbeleggingen”. In dit onderzoek staat het bruto aanvangsrendement op directe Nederlandse woningbeleggingen centraal. Hierbij wordt ingegaan op de relatie van het bruto aanvangsrendement op woningbeleggingen met haar onderliggende determinanten. De vraag die wordt gesteld is welke intrinsieke factoren, waarin uiteindelijk de markt- en objectkenmerken zijn vertaald, worden meegenomen in de waardering van woningbeleggingen en hoe deze tot uiting komen in het bruto aanvangsrendement. Een aantal personen hebben een belangrijke bijdrage geleverd om deze master thesis tot een goed einde te brengen. Graag wil ik een speciaal woord van dank uitbrengen naar mijn begeleider Arthur Marquard van de Amsterdam School of Real Estate. De scriptie is tot stand gekomen onder zijn begeleiding. Arthur is mijn directe aanspreekpunt geweest en heeft mij altijd voorzien van adviezen en feedback tijdens de gehele afstudeerperiode. Ook wil ik Bert Teuben van IPD Nederland bedanken. Hij heeft mij geholpen aan de benodigde data uit de ROZ/IPD database, zodat ik het onderzoek naar wens kon uitvoeren. Bert, ik waardeer jouw inzet, scherpe analyses en de prettige samenwerking. Mijn werkgever SPF Beheer B.V. wil ik bedanken voor de geboden mogelijkheid om mijn studie af te ronden. Verder wil ik mijn familie en vrienden bedanken voor hun steun en getoonde interesse. Tot slot wil ik mijn vriendin Monique in het bijzonder bedanken. Monique, jij hebt me altijd gesteund en gestimuleerd om de opleiding met succes af te ronden. Dank voor jouw begrip en geduld. Dat is lief en zal ik nooit vergeten. Jurrien Windhorst Alphen aan den Rijn, september 2010
Determinanten van de BAR op woningbeleggingen
1
Samenvatting De Nederlandse woningvoorraad is sterk gegroeid en zal de komende jaren alsmaar groter worden vanwege een toename van het aantal huishoudens. Het aandeel koopwoningen hierin is nog steeds groot, toch blijft een groot aandeel huurwoningen aanwezig. Een grote groep beleggers investeert in huurwoningen. Hoewel de corporatiewoningen het grootste aantal huurwoningen bezitten, zijn de institutionele beleggers nadrukkelijk aanwezig op de huurwoningmarkt. In dit onderzoek staat het bruto aanvangsrendement op directe Nederlandse woningbeleggingen van institutionele beleggers centraal. Hierbij wordt ingegaan op de relatie van het bruto aanvangsrendement op woningbeleggingen met haar onderliggende determinanten. De centrale vraagstelling van dit onderzoek luidt daarom als volgt: Welke determinanten worden meegenomen in de waardering van directe Nederlandse woningbeleggingen van institutionele beleggers en hoe komen deze tot uiting in het bruto aanvangsrendement? Om een antwoord te krijgen op de centrale vraagstelling worden de directe Nederlandse woningportefeuilles van institutionele beleggers geanalyseerd. Daarom is deze professionele partij nader belicht en is achterhaald wat de achtergrond is van het beleggen in woningen. Sinds jaar en dag maken woningen namelijk een aanzienlijk deel uit van de vastgoedportefeuille van institutionele beleggers. Reden is de zekerheid van stabiele cashflows, het hoge diversificatiepotentieel en de gunstige correlatie van woningen met aandelen en obligatierendementen. Vooral wensen institutionele beleggers te investeren in het geliberaliseerde huursegment vanwege de minimale overheidsbemoeienis. Verwachting is dat institutionele beleggers een belangrijke partij zullen blijven in de huurwoningmarkt, zeker nu ook een groot aantal woningprojecten wordt aangeboden door projectontwikkelaars welke zij moeizaam of geheel niet in de particuliere markt kunnen verkopen. Hierdoor kunnen woningprojecten tegen vaak aantrekkelijke prijzen worden ingekocht, waardoor de rendementseisen van de belegger eerder worden behaald. Omdat de risicoperceptie van institutionele beleggers is veranderd door de gewijzigde marktomstandigheden, worden er hogere rendementen geëist. Het rendement en risico wordt vertaald in een bruto aanvangsrendement en de waarde van het vastgoed. De begrippen rendement, waarde en risico zijn onlosmakelijk met elkaar verbonden. Er is inzicht gegeven in hoe een institutionele belegger het rendement op een woningbelegging berekent. Dit rendement is gerelateerd aan de waarde en waardeontwikkeling van de belegging. Uitgangspunt is dat de belegger een zo hoog mogelijk rendement wil behalen bij een aanvaardbaar risico. Hiertoe dient hij de risico’s ten aanzien van de investering zo goed mogelijk in te schatten. Hiervoor zijn een aantal risicofactoren te onderscheiden. Deze risicofactoren zijn rendement- en waardebepalende determinanten van een woningbelegging. In de vastgoedpraktijk worden diverse waarderingsmethoden gehanteerd voor het bepalen van de waarde van vastgoed. Deze waarderingsmethoden worden in de theorie ingedeeld naar een comparatieve, kosten- en inkomstenbenadering. Voor woningbeleggingen wordt veelvuldig gebruik gemaakt van de Netto Contante Waarde methode. Dit in tegenstelling tot commercieel vastgoed waar vaker de bruto aanvangsrendement (BAR) methode wordt gehanteerd. Beide methoden vallen onder de inkomstenbenadering. Tussen de BAR en de NCW methode bestaat wel een nauwe relatie. Door de bruto contracthuur in jaar 1 te delen door de marktwaarde van de woningbelegging, wordt het bruto aanvangsrendement vrij op naam berekend. Een nadere beschouwing van het bruto aanvangsrendement laat zien dat in de bestaande literatuur veel onderzoek en analyse is gedaan over het BAR en haar externe invloedsfactoren, opbouw en determinanten. Het gaat dan met name over het BAR op kantoorbeleggingen. Helaas geldt dit in mindere mate voor het BAR op woningbeleggingen. Wel zijn de resultaten uit onderzoeken over het BAR op kantoorbeleggingen relevant voor het BAR op woningbeleggingen. Een goed voorbeeld is dat zowel de kantorenmarkt als de woningmarkt lokaal gesegmenteerde markten zijn. Er is sprake van verschillende deelmarkten waarbinnen specifieke omstandigheden –zoals vraag en aanbod, huurprijzen en werkgelegenheid- resulteren in verschillende BARren. Teneinde de gezochte relatie van determinanten met het bruto aanvangsrendement op een woningbelegging goed te kunnen bepalen is gebruik gemaakt van een meervoudige lineaire regressieanalyse als onderzoeksmethodiek, omdat sprake is van één endogene (te verklaren) variabele -het bruto aanvangsrendement- en meerdere exogene (verklarende) variabelen, zijnde Determinanten van de BAR op woningbeleggingen
2
de determinanten. Deze onderzoekstechniek is uitgevoerd op basis van de beschikbare data van de ROZ/IPD-Vastgoedindex. Hiermee is een belangrijk deel van de directe Nederlandse (commerciële) woningbeleggingen (in portefeuille bij institutionele vastgoedbeleggers) beschouwd. De analyses zijn uitgevoerd op basis van data voor geheel Nederland, per regio en per woningtype voor de jaren 2007, 2008 en 2009. De meervoudige lineaire regressieanalyse is een goede onderzoeksmethodiek gebleken om de relatie tussen het bruto aanvangsrendement op directe Nederlandse woningbeleggingen en haar onderliggende determinanten te onderzoeken. De verschillende meervoudige regressieanalyses hebben aangetoond welke determinanten worden meegenomen in de waardering van directe Nederlandse woningbeleggingen van institutionele beleggers. Met de regressieanalyses kon worden bepaald welke bijdrage de belangrijkste determinanten hebben op de hoogte van het bruto aanvangsrendement. De belangrijkste conclusies die uit het onderzoek naar voren komen zijn: Op basis van de beschikbare data voor de jaren 2007, 2008 en 2009 zijn de leegwaarde per m2 GBO, de contracthuur per woning en het aantal m2 GBO per woning de significante determinanten gebleken die in belangrijke mate het bruto aanvangsrendement op een woningbelegging verklaren. Ook het woningtype is in de verschillende regressieanalyses een onderscheidende determinant, waarbij geldt dat eengezinswoningen een lager bruto aanvangsrendement hebben dan meergezinswoningen.
In alle uitgevoerde regressieanalyses blijkt dat de richtingscoëfficiënt (+ of -) van alle significante determinanten overeenkomstig is. Hierbij geldt dat een positieve relatie leidt tot een hoger bruto aanvangsrendement en een lagere waarde van de woningbelegging. Bij een negatieve relatie is juist sprake van een lager bruto aanvangsrendement en een hogere waarde van de woningbelegging.
De determinant ‘leegwaarde per m2 GBO’ heeft een negatieve relatie met de hoogte van het bruto aanvangsrendement. Dit betekent dat een hogere leegwaarde per m2 GBO resulteert in een lager bruto aanvangsrendement en dus een toename van de waarde van de woningbelegging. Dit zijn logische uitkomsten, omdat het bruto aanvangsrendement gebaseerd is op de uitpondwaarde, waarbij een hogere leegwaarde zorgt voor meer uitpondopbrengsten en dus hogere cashflows die resulteren in een hogere uitpondwaarde.
Ook de determinant ‘aantal m2 GBO per woning’ heeft een negatieve relatie met het bruto aanvangsrendement. Dit betekent dat naarmate een woning een groter gebruiksoppervlak heeft het bruto aanvangsrendement een factor lager wordt. Omdat eengezinswoningen veelal een groter gebruiksoppervlak kennen dan meergezinswoningen, duidt dit op een lagere BAR voor eengezinswoningen.
De determinant ‘contracthuur per woning’ heeft een positieve relatie met het bruto aanvangsrendement (initial_yield). Bij een hogere contracthuur per woning is er minder potentie aanwezig naar markthuurniveau, waardoor het bruto aanvangsrendement hoger zal zijn. Het bruto aanvangsrendement wordt ook hoger indien de contracthuur per woning in verhouding met de leegwaarde hoog is.
Het bouwjaar van een woningcomplex blijkt maar beperkte invloed te hebben op het bruto aanvangsrendement. Opmerkelijk is wel dat een wooncomplex opgeleverd vóór 1980 resulteert in een lager bruto aanvangsrendement. Een verklaring hiervoor kan zijn dat deze complexen een relatief lage contracthuur kennen en daarom veel huurpotentie (naar markthuur) hebben bij mutatie. Ook zijn woningcomplexen met een relatief oud bouwjaar vaak al een keer gerenoveerd en wordt daarom beoordeeld als kwalitatief goed vastgoed. Hierdoor is een belegger bereid meer te betalen voor het woningcomplex, wat resulteert in een lager bruto aanvangsrendement.
De locatie van een woningbelegging is niet in alle analyses een significante determinant gebleken. Wel blijkt uit de analyse naar regio dat er bij de waardering van woningbeleggingen (bepaling van het bruto aanvangsrendement) in de verschillende regio’s geldt dat de bepalende determinanten een afwijkende bijdrage hebben aan de verklaringskracht van het regressiemodel. Een verklaring hiervoor kan zijn dat er sprake is van verschillende deelmarkten in Nederland. Ook een niet-consistente wijze van waarderen kan hiervan de oorzaak zijn, waarbij de taxateur op diverse momenten van waarderen bepaalde determinanten al dan niet meeneemt in de waardering van de woningbelegging. Ondanks het beperkte aantal waarnemingen binnen de regio’s zijn er wel bepalende determinanten te
Determinanten van de BAR op woningbeleggingen
3
onderscheiden. Een groter aantal waarnemingen zullen waarschijnlijk leiden tot betere regressieresultaten.
Uit de analyse per woningtype is te concluderen dat bij de waardering van woningbeleggingen de onderliggende determinanten een verschillende bijdrage hebben aan de hoogte van de verklaringskracht van het model. Derhalve heeft elke woningbelegging bepaalde objectkenmerken die van invloed zijn op de hoogte van het bruto aanvangsrendement en mag worden geconcludeerd dat bruto aanvangsrendementen verschillen per woningtype.
De met de meervoudige regressieanalyse geschatte regressievergelijkingen -om het bruto aanvangsrendement op een woningbelegging te kunnen berekenen- zijn toegepast op de directe Nederlandse woningbeleggingsportefeuille van de institutionele belegger Stichting Spoorwegpensioenfonds. De resultaten uit deze praktijktoets laten ook zien dat het bruto aanvangsrendement op een woningbelegging grotendeels wordt bepaald door de determinanten leegwaarde per m2 GBO, contracthuur per woning en het aantal m2 GBO per woning. Ook het woningtype is een onderscheidende determinant in de verschillende regressiemodellen, waarbij geldt dat eengezinswoningen een lager bruto aanvangsrendement hebben dan meergezinswoningen. Voor beide woningtypen geldt dat er sprake is van een lineair verband. De hoge verklaringskracht (R2 is circa 80%) in beide analyses geeft aan dat de resultaten voor beide woningtypen redelijk valide zijn. Daarom zijn de geschatte BARren en feitelijke BARren nu vrijwel overeenkomstig. Kanttekening is dat de geschatte bruto aanvangsrendementen in sommige gevallen nog te veel verschillen van de feitelijke bruto aanvangsrendementen. Hoewel de verschillen elk jaar steeds kleiner worden, blijven de verschillen te groot om in de praktijk het bruto aanvangsrendement met de regressievergelijking te bepalen. Immers heeft een afwijking van het bruto aanvangsrendement met een paar procentpunten al een te grote impact op de waarde van een woningbelegging, zodat te sterke fluctuaties optreden. Een mogelijke verklaring voor de verschillen is dat de taxateur wel rekening heeft gehouden met specifieke objectkenmerken in zijn waardering. Een andere verklaring is dat in dit onderzoek alleen de data zijn onderzocht die beschikbaar waren uit de database van de ROZ/IPD Vastgoedindex. Een theoretische verkenning naar de factoren die van invloed zijn op het bruto aanvangsrendement van vastgoed laat zien dat mogelijk meerdere (andere) variabelen tevens invloed hebben op het bruto aanvangsrendement van woningbeleggingen. Hieronder vallen onder andere macro economische determinanten (zoals besteedbaar inkomen, hypotheekrente, inflatie, werkgelegenheid, belastingen en betaalbaarheidindex) en sociaal culturele determinanten (zoals aantal gezinnen en de gezinssamenstellingen in de wijk/regio, huishoudenontwikkeling en vergrijzing). Het verdient aanbeveling om vergelijkbaar onderzoek te doen waarbij wel rekening wordt gehouden met deze determinanten. Met deze master thesis is getracht meer inzicht te verkrijgen in welke determinanten op welke wijze invloed hebben op de waarde van woningbeleggingen. Hierdoor kan een asset manager enigszins sturen op de belangrijkste determinanten van het bruto aanvangsrendement, zodat er een optimale waardevermeerdering wordt verkregen van de woningbeleggingen in portefeuille.
Determinanten van de BAR op woningbeleggingen
4
Inhoudsopgave Voorwoord Samenvatting Inleiding ____________________________________________ 7 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8
Achtergrond en aanleiding onderzoek Probleemstelling van het onderzoek Definities van de probleemstelling Onderzoeksdoelstelling Onderzoeksvragen Conceptueel model Methode van onderzoek Opbouw rapportage
7 8 8 8 8 9 9 10
Hoofdstuk 2 Beleggen in woningen_______________________ 11 2.1 Inleiding 2.2 Beleggen in onroerend goed 2.3 Institutionele beleggers 2.4 Woningmarkt 2.5 Beleggingskenmerken woningen 2.6 Woningmarktomstandigheden 2.6.1 Conjuncturele factoren 2.6.2 Verhouding tussen vraag en aanbod 2.6.3 Prijsontwikkeling en betaalbaarheid 2.6.4 Verkoop- en verhuurtijden 2.6.5 Overheidsbeleid 2.6.6 Beleggingsklimaat huurwoningmarkt 2.7 Deelconclusie
11 11 11 13 14 16 16 16 17 17 18 18 19
Hoofdstuk 3 Rendement, waarde en risico _________________ 20 3.1 Inleiding 3.2 Rendement op een woningbelegging 3.2.1 Rendementsbegrippen 3.2.2 Waarderingsmethoden 3.3 Het bruto aanvangsrendement nader beschouwd 3.3.1 Definities van het BAR 3.3.2 BAR_markt 3.3.3 BAR versus DCF 3.3.4 Onderzoeken over het BAR 3.4 Risico’s bij woningbeleggingen 3.4.1 Risicopremie 3.4.2 Risicofactoren 3.5 Potentiële determinanten 3.6 Deelconclusie
20 20 21 22 24 24 24 25 25 27 27 27 28 29
Hoofdstuk 4 Analysemodel _____________________________ 30 4.1 Inleiding 4.2 Meervoudige regressieanalyse 4.2.1 Regressievergelijking 4.2.1 Modelspecificatie 4.2.3 Toetsen van het model 4.2.4 Assumpties regressieanalyse 4.4 Deelconclusie
30 30 30 30 31 32 32
Determinanten van de BAR op woningbeleggingen
5
Hoofdstuk 5 Data Analyse ______________________________ 33 5.1 Inleiding 5.2 Beschrijving database en selectie determinanten 5.3 Verwerking en analyse van de gegevens 5.3.1 Aannames data 5.3.2 Analyse geheel Nederland 5.3.2.1 Analyse 2009 5.3.2.2 Analyse 2008 5.3.2.3 Analyse 2007 5.3.2.4 Deelconclusie 5.3.3 Analyse per regio 5.3.3.1 Amsterdam 5.3.3.2 Rotterdam 5.3.3.3 Den Haag 5.3.3.4 Overig Nederland 5.3.3.5 Deelconclusie 5.3.4 Analyse per woningtype 5.3.4.1 Eengezinswoningen 5.3.4.2 Meergezinswoningen 5.3.4.3 Deelconclusie
33 33 35 35 35 36 36 37 38 39 39 40 40 40 41 42 42 42 43
Hoofdstuk 6 Toepasbaarheid analysemodel ________________ 44 6.1 6.2 6.3 6.4
Inleiding Beschrijving woningbeleggingsportefeuille SPF Analyse woningbeleggingsportefeuille SPF Deelconclusie
44 44 44 47
Hoofdstuk 7 Algemene conclusies en aanbevelingen _________ 49 7.1 Inleiding 7.2 Conclusies 7.3 Aanbevelingen
49 49 51
Lijst van geraadpleegde literatuur _______________________ 52 Bijlage 1: Lijst met tabellen ____________________________ 55 Bijlage 2: Lijst met figuren _____________________________ 56 Bijlage 3: ‘Resultaten regressieanalyse SPSS’ ______________ 57
Determinanten van de BAR op woningbeleggingen
6
Inleiding 1.1 Achtergrond en aanleiding onderzoek De afdeling Woningen van SPF Beheer BV is verantwoordelijk voor het asset management van de vastgoed-deelportefeuille Woningen, welke eigendom is van Stichting Spoorwegpensioenfonds. Als asset manager ben ik werkzaam op deze afdeling. Met beleggen in woningen zijn in het verleden goede rendementen behaald. Dit geldt ook voor het Stichting Spoorwegpensioenfonds (hierna: “SPF”). De categorie woningen binnen de vastgoedbeleggingsportefeuille van SPF heeft in de periode van 1995-2005 een hoog totaal rendement behaald 1 . Dit werd voornamelijk veroorzaakt door de waardestijging van de woningen ofwel een sterke groei van het indirect rendement 2 . Ook de min of meer heersende cultuur bij SPF dat een zuinig onderhoudsbeleid werd gevoerd heeft hieraan positief bijgedragen. In de achterliggende periode is gebleken dat beleggen in woningen relatief weinig risicovol was. Dit vanwege de inflatiebestendigheid en zekerheid van regelmatige cashflow in de vorm van stabiele huurinkomsten en verkoopopbrengsten. Echter de tijden zijn veranderd. De woningmarkt is permanent in beweging. Zeker de afgelopen drie jaar hebben behoorlijk wat veranderingen teweeggebracht. Ten eerste het inflatievolgend huurprijsverhogingbeleid voor nietgeliberaliseerde woningen waardoor huurgroei beperkt wordt. Ten tweede de intrede van het energielabel en de te verwachten koppeling aan c.q. wijziging van het Woning Waardering Stelsel waardoor woningen met slechte energielabels extra investeringen vergen om zo het bevriezen of zelfs verplicht verlagen van huurprijzen te voorkomen. En tenslotte niet te vergeten de kredietcrisis, waardoor woningverkopen en –prijzen zijn afgenomen en woningbeleggers bij hun aankopen de bruto aanvangsrendementen hebben verhoogd. Deze veranderingen kunnen behoorlijke gevolgen hebben voor het te verwachten rendement en risico van de SPF woningportefeuille. Een inventarisatie van deze veranderingen is dan ook belangrijk mede in het kader van het aangegeven Meerjarenbeleid Onroerend Goed voor SPF dat aangeeft dat de categorie woningen een substantieel onderdeel van de vastgoedportefeuille moet blijven. De vraag die dit oproept is tegen welk rendement en risico woningbeleggingen aan de vastgoedportefeuille kunnen worden toegevoegd. Dit rendement en risico wordt vertaald in een bruto aanvangsrendement en de waarde van het vastgoed. In de literatuur is veel onderzoek gedaan naar de belangrijkste invloedsfactoren op het rendement en risico van vastgoedbeleggingen. Vooral is onderzoek gedaan naar de waarde en het bruto aanvangsrendement (BAR) van kantoorbeleggingen. Hieruit blijkt dat het maar al te lastig is om te achterhalen wat de belangrijkste invloedsfactoren op het bruto aanvangsrendement en de waarde van vastgoed zijn. Daarom heeft Verhaegh (2005) de verbanden tussen het bruto aanvangsrendement op kantoren en haar onderliggende financiële determinanten onderzocht. Hieruit blijkt dat er een aantal verklarende determinanten zijn die een significante invloed (+ of -) hebben op het BAR op kantoorbeleggingen. Vergelijkbaar onderzoek naar het bruto aanvangsrendement op woningbeleggingen ontbreekt in de praktijk, terwijl er juist in toenemende mate data beschikbaar is gekomen om een dergelijke analyse te verrichten. Denk hierbij aan de ROZ/IPD Vastgoedindex, waarin de data is opgenomen van de grootste institutionele (vastgoed)beleggers. Daarom is het juist interessant om met behulp van deze data onderzoek te verrichten naar de belangrijkste determinanten van het BAR op woningbeleggingen. Voor een asset manager is het van toegevoegde waarde om inzicht te hebben in de belangrijkste determinanten van het bruto aanvangsrendement, zodat hij of zij kan sturen op deze aspecten. Met de uitkomsten uit deze BAR analyse kan portefeuillebeleid nader worden uitgewerkt. Zeker tijdens de huidige marktomstandigheden waarin volop kansen zijn om nieuwe woningen te verwerven zal een dergelijke analyse meer dan welkom zijn. Dit onderzoek gaat in op de relatie van het BAR op woningbeleggingen met haar onderliggende determinanten. De vraag die wordt gesteld is welke intrinsieke factoren, waarin uiteindelijk de markt- en objectkenmerken zijn vertaald, worden meegenomen in de waardering van woningbeleggingen en hoe deze tot uiting komen in het bruto aanvangsrendement. Het onderzoek gaat specifiek in op de directe Nederlandse woningbeleggingen, waarbij gebruik is gemaakt van de data van de SPF woningbeleggingsportefeuille en de ROZ/IPD data. Hiermee is een belangrijk deel van de Nederlandse (commerciële) woningcomplexen (in portefeuille bij institutionele vastgoedbeleggers) beschouwd. 1 2
Het totaal rendement bedroeg gemiddeld 11,15% over deze periode. Het indirect rendement kwam in deze periode uit op gemiddeld 5,95%.
Determinanten van de BAR op woningbeleggingen
7
1.2 Probleemstelling van het onderzoek De probleemstelling van het onderzoek kan als volgt worden omschreven: Welke determinanten worden meegenomen in de waardering van directe Nederlandse woningbeleggingen van institutionele beleggers en hoe komen deze tot uiting in het bruto aanvangsrendement?
1.3 Definities van de probleemstelling Een determinant wordt door Van Dale als volgt gedefinieerd: “bepalende factor in een ontwikkeling of een toestand. Met het begrip determinant wordt in dit onderzoek bedoeld “een variabele of intrinsieke factor die van invloed is (+ of -) op het bruto aanvangsrendement van een woningbelegging”. Het begrip woning kan vanuit vele invalshoeken worden benaderd. Volgens de Van Dale is het een “huis of deel van een huis waarin men permanent verblijft”. Een vergelijkbare definitie van het begrip woning wordt gegeven door de Raad voor vastgoedinformatie (RAVI) namelijk “elk pand of gedeelte van een pand, dat bij bouw of verbouw bestemd is voor permanente bewoning door één huishouden. In deze definitie wordt benadrukt dat slechts één huishouden woont, derhalve is sprake van één toegangsdeur vanaf de openbare weg of vanuit een voor meerdere woningen gemeenschappelijke ruimte die toegang geeft tot de woning. Ook het Centraal Bureau voor de Statistiek maakt een soortgelijk onderscheid. Dit onderzoek beperkt zich tot woningen zoals hiervoor geformuleerd, waardoor bewoonde andere ruimte (studentenhuizen, verpleegtehuizen, etc.) buiten het onderzoeksterrein valt. Directe woningbeleggingen betreft het direct vastleggen van vermogen in een of meerdere woningprojecten met het doel om uit de exploitatie en de eventuele verkoop daarvan een toekomstige stroom geldelijke opbrengsten te realiseren. Vermogen dient hierbij gezien te worden als geaccumuleerde besparingen, waarbij de functie van vermogensobject voorop staat 3 . Institutionele beleggers worden door Van Dale omschreven als verenigingen, stichtingen of ondernemingen die geld beleggen. Verschillende partijen beleggen geld in commercieel vastgoed, zodat een onderscheid kan worden gemaakt in diverse professionele beleggers binnen de Nederlandse vastgoedbeleggingsmarkt. Volgens Van Gool (2007) kunnen professionele beleggers worden onderscheiden in particuliere beleggers en institutionele beleggers. Tot deze laatste categorie worden gerekend pensioenfondsen, verzekeringsmaatschappijen en beleggingsinstellingen. In deze scriptie worden de institutionele beleggers bedoeld die beleggen in woningen en deelnemen aan de ROZ/IPD Vastgoedindex. Bruto aanvangsrendement (BAR) is de verhouding tussen de contracthuur in het eerste jaar en de marktwaarde van de investering. Het BAR wordt in dit onderzoek ook omschreven als de initial_yield.
1.4 Onderzoeksdoelstelling Het onderzoeken van het verband tussen het bruto aanvangsrendement op directe Nederlandse woningbeleggingen en haar onderliggende determinanten.
1.5 Onderzoeksvragen Om de probleemstelling te kunnen beantwoorden en de doelstelling van het onderzoek te realiseren, moeten de volgende vragen worden behandeld: Beleggen in woningen 1. Waarom beleggen institutionele beleggers in woningen? 2. Wat zijn de karakteristieken van woningbeleggingen? 3. Welke marktomstandigheden doen zich voor op de woningmarkt? Rendement, waarde en risico 4. Op welke wijze wordt een woningbelegging gewaardeerd? 5. Hoe wordt het rendement en risico op woningbeleggingen bepaald? 6. Wat zijn bepalende determinanten die ten grondslag liggen aan het bruto aanvangsrendement voor een woningbelegging? 7. Welk theoretisch model kan worden aangehouden om middels data-analyse de verbanden in kaart te brengen? 3
Van Gool (2001)
Determinanten van de BAR op woningbeleggingen
8
8.
Hoe kunnen de onderliggende determinanten van het bruto aanvangsrendement van woningbeleggingen worden gekwantificeerd?
Toepasbaarheid theoretisch model 9. Hoe is de directe Nederlandse woningbeleggingsportefeuille van SPF opgebouwd? 10. Kunnen de verkregen resultaten uit de data-analyse van toepassing worden verklaard op de SPF woningbeleggingsportefeuille? 11. Welke conclusies kunnen uit het onderzoek worden getrokken?
1.6 Conceptueel model
Beleggen in woningen
Rendement, waarde en risico
H3 BAR
H4
H5
H6
H7
Kwantificering determinanten
Analyse data ROZ/IPD
Praktijktoets
Potentiële Determinanten
- regressie analyse - T-toets/F-toets/Correlatie/R2 Analytisch onderzoek
H2
Literatuur studie
Onderzoeksopzet
H1
Conclusies & Aanbevelingen
1.7 Methode van onderzoek Het doen van onderzoek impliceert tevens het bewaken van de validiteit en betrouwbaarheid van het onderzoeksproces. Voor de interne validiteit is het van belang dat de juiste methode van onderzoek wordt gebruikt, gezien het doel van dit onderzoek. Hieronder volgt een verklaring voor het gebruik van de gevolgde methodiek. Het onderzoek is van start gegaan met desk research door middel van literatuurstudie, waaronder bestudering van vakbladen, studieboeken, papers, scripties en verschillende internet applicaties. Hiermee is informatie gezocht ten behoeve van de relevantie voor de opzet van het onderzoek, het definiëren en operationaliseren van begrippen, het ontwikkelen van theorieën over relaties tussen de onderzoeksbegrippen en het samenstellen van een dataverzamelingsinstrument. Vervolgens is een kwantitatieve analyse gedaan door gebruik te maken van data die afkomstig zijn van de (participanten van de) ROZ/IPD Vastgoedindex en de directe Nederlandse woningbeleggingsportefeuille van Stichting Spoorwegpensioenfonds (SPF). Door gebruik te maken van deze data kunnen uitspraken worden gedaan over de gehele Nederlandse (institutionele) directe woningbeleggingsmarkt die commercieel worden geëxploiteerd. De keuze voor deze methode van dataverzameling heeft als voordeel dat de benodigde informatie snel wordt verkregen en direct kan worden verwerkt. De kwantitatieve analyse betreft een regressieanalyse waarmee de relatie tussen het bruto aanvangsrendement op woningbeleggingen en haar onderliggende determinanten wordt onderzocht. Uitgangspunt hierbij is een meervoudige regressieanalyse, omdat sprake is van één endogene (te verklaren) variabele en meerdere exogene (verklarende) variabelen. Determinanten van de BAR op woningbeleggingen
9
1.8 Opbouw rapportage Het rapport kent de volgende indeling. Hoofdstuk 2 gaat nader in op het beleggen in Nederlands woningvastgoed. Hierbij worden de diverse gehanteerde begrippen en definities in de Nederlandse onroerend goed beleggingsmarkt besproken. Vervolgens wordt de doelstelling en het beleggingsbeleid van institutionele beleggers die actief zijn op de Nederlandse woningbeleggingsmarkt beschreven. Verder wordt ingegaan op de woningvoorraad en -behoefte in Nederland, de karakteristieken van beleggershuurwoningen en wat de huidige marktomstandigheden zijn op de Nederlandse woningmarkt. In hoofdstuk 3 staan de begrippen rendement, waarde en risico centraal. Allereerst wordt besproken hoe het rendement op een woningbelegging wordt bepaald. Vervolgens wordt ingegaan op diverse rendementsbegrippen en waarderingsmethoden die bij woningbeleggingen gebruikelijk zijn. Een nadere beschouwing wordt gedaan van het bruto aanvangsrendement, waarbij ingegaan wordt op de begripsdefinitie, hoe het bruto aanvangsrendement wordt berekend en welke onderzoeken naar het bruto aanvangsrendement zijn gedaan. Tenslotte worden de risico’s van een woningbelegging inzichtelijk gemaakt en de potentiële determinanten die van invloed zijn op het bruto aanvangsrendement beschreven. In hoofdstuk 4 wordt de achtergrond van het statistische analysemodel besproken waarmee het bruto aanvangsrendement op een woningbelegging kan worden geschat. Hierbij staat de meervoudige regressieanalyse als onderzoeksmethodiek centraal. Een aantal statistische uitkomsten, maten en toetsen die bij het uitvoeren van een meervoudige lineaire regressieanalyse belangrijk zijn worden besproken. Ook komen de assumpties aan de data aan bod. In hoofdstuk 5 worden de resultaten van de meervoudige regressieanalyses besproken. Allereerst volgt een beschrijving van de database en selectie van de determinanten. Vervolgens wordt toegelicht hoe de meervoudige regressieanalyses zijn uitgevoerd en wat hiervan de resultaten zijn. De analyses worden uitgevoerd op basis van data voor geheel Nederland, per regio en per woningtype voor de jaren 2007, 2008 en 2009. Hoofdstuk 6 gaat in op de toepasbaarheid van het in hoofdstuk 4 en 5 omschreven optimale regressiemodel. Hiertoe worden de regressievergelijkingen uit hoofdstuk 5 gebruikt bij de waardering (bepaling van het bruto aanvangsrendement) van de directe Nederlandse woningbeleggingen van Stichting Spoorwegpensioenfonds (SPF). Hoofdstuk 7 tenslotte bevat de conclusies naar aanleiding van de analyses en wordt afgesloten met aanbevelingen voor vervolgonderzoek.
Determinanten van de BAR op woningbeleggingen
10
Hoofdstuk 2 Beleggen in woningen 2.1 Inleiding In dit hoofdstuk staat het beleggen in Nederlands woningvastgoed centraal. Paragraaf 2.2 gaat in op de diverse begrippen en definities die in de Nederlandse onroerend goed beleggingsmarkt worden gehanteerd. Vervolgens beschrijft paragraaf 2.3 de doelstelling en het beleggingsbeleid van institutionele beleggers die actief zijn op de Nederlandse woningbeleggingsmarkt. Paragraaf 2.4 belicht in het kort de woningvoorraad en -behoefte in Nederland. De karakteristieken van beleggershuurwoningen worden in paragraaf 2.5 beschreven. De huidige marktomstandigheden op de Nederlandse woningmarkt komen in paragraaf 2.6 aan de orde. Tenslotte eindigt dit hoofdstuk met paragraaf 2.7 waarin een deelconclusie wordt gegeven.
2.2 Beleggen in onroerend goed Onder beleggen in onroerend goed wordt verstaan het – direct dan wel indirect – vastleggen van vermogen in onroerend goed, met het doel om uit de exploitatie en verkoop van het onroerend goed een toekomstige stroom geldelijke opbrengsten te realiseren (Van Gool, 2007: 19). Beleggen in onroerend goed is geen nieuw fenomeen. Integendeel, al in de oudheid werd belegd in landerijen en de Romeinen kenden huurwoningen als beleggingspanden (Janssens, 1992). Echter werd niet veelvuldig belegd in onroerend goed. In de loop der tijd is de rol van vastgoed als belegging in betekenis toegenomen. Dit is mede te danken aan de voortschrijdende accumulatie van vermogen, de toenemende arbeidsdeling en de stijgende behoefte aan gebouwen voor zakelijk gebruik. Als gevolg van de zeer snelle economische expansie in de jaren zestig, raakt het beleggen in onroerend goed in Nederland dan ook in een stroomversnelling (Van Gool, 2007). Er wordt een belangrijk onderscheid gemaakt tussen beleggen en investeren in onroerend goed. Indien wordt geïnvesteerd in onroerend goed, waarbij het de eigenaar primair te doen is om de diensten en producten die het onroerend goed hem als productiemiddel kunnen leveren, dan gaat het om de functie van productiemiddel. Bij het beleggen in onroerend goed staat juist de functie van vermogensobject voorop (Van Gool 2007: 19). Ook in deze scriptie gaat het om de tweede benadering, namelijk de beleggingsfunctie. In het voorgaande is sprake van onroerend goed, echter wordt veelvuldig over vastgoed gesproken. Het begrip vastgoed is in opkomst geraakt door de verdere professionalisering van de onroerend goed beleggingsmarkt. Beide begrippen worden vaak door elkaar gebruikt, alhoewel onroerend goed vaak in juridisch kader wordt gebruikt. De omschrijving van onroerend goed in het Van Dale woordenboek luidt: “landerijen en hetgeen daarop gebouwd is…”. Het Nieuw Burgerlijk Wetboek 4 omschrijft onroerend goed als: “Onroerende goederen zijn de grond, de nog niet gewonnen delfstoffen, de met de grond verenigde beplantingen, alsmede gebouwen en werken, die duurzaam met de grond zijn verenigd, hetzij rechtstreeks, hetzij door vereniging met andere gebouwen of werken”. Beide definities geven een omschrijving waarmee is teruggegaan naar het oorspronkelijke begrip: “de grond en alles wat daarmee is verbonden”. In de Amerikaanse literatuur wordt dit nog beeldender tot uitdrukking gebracht met de termen “land and land improvements” (Tates 1993: 9). De term vastgoed wordt in het Van Dale woordenboek wel teruggevonden, echter is de gehanteerde omschrijving “onroerend goed”. Oftewel de begrippen worden als synoniemen van elkaar gebruikt. In deze scriptie staat het beleggen in woningvastgoed centraal. Daarom zal het begrip vastgoed worden gehanteerd en wordt het synoniem begrip onroerend goed zoveel mogelijk vermeden.
2.3 Institutionele beleggers In de Nederlandse vastgoedbeleggingsmarkt zijn verschillende soorten beleggers actief, ieder met een specifieke beleggingsachtergrond. Deze beleggers kunnen worden onderscheiden in particuliere beleggers en institutionele beleggers. Onder deze laatste categorie beleggers worden gerekend de pensioenfondsen, verzekeringsmaatschappijen en beleggingsinstellingen. Deze verschillende marktpartijen worden ook wel ‘actoren’ genoemd. Iedere actor heeft zijn eigen kenmerken en streeft een bepaalde doelstelling na. Toch kan een algemene doelstelling van de belegger worden gegeven, namelijk het aan hem toevertrouwde vermogen zo goed mogelijk beheren door het creëren van maximale inkomsten bij minimale uitgaven. Aangezien in dit onderzoek de woningbeleggingen van institutionele beleggers onder de loep worden genomen, zal ik in deze paragraaf stilstaan bij de doelstelling en het beleggingsbeleid van institutionele beleggers. 4
Boek 3, artikel 3 lid 1
Determinanten van de BAR op woningbeleggingen
11
De belangrijkste doelstelling van een institutionele belegger is het beheren van vermogen voor de deelnemers – zijnde de pensioen- en verzekeringshouders - teneinde in de toekomst uitkeringen (dividend of pensioen) te kunnen verrichten (Eduard, 2007). Het beleggingsbeleid van de institutionele belegger – veelal onder te verdelen in strategisch, tactisch en operationeel niveau (Van Driel, 2001). - is met name gericht op het behalen van een maximaal beleggingsresultaat op de lange termijn bij een vastgesteld risicoprofiel. Het beperken van de risico’s is dan ook een tweede belangrijke doelstelling. Om dit te bereiken wordt het vermogen in verschillende beleggingscategorieën geïnvesteerd, zoals in aandelen, emerging markets, private equity, staatsobligaties, bedrijfsobligaties en daarvan afgeleide producten, hypothecaire leningen en in vastgoed. Een Asset Liablity Management (ALM) studie ondersteunt de keuze van de beleggingsmix om zo tot het gewenste risicoprofiel te komen. In feite is dit het strategisch managementniveau van de institutionele belegger, ook wel genaamd het portefeuille- of fondsmanagement. Hier wordt de portefeuillemix samengesteld die optimaal is afgestemd op de verplichtingen van de institutionele belegger. Ten aanzien van de beleggingscategorie vastgoed betekent dit dat de ALM studie bepaald wat het optimale percentage vastgoed in portefeuille is en de omvang van de subcategorieën vastgoed (winkels, kantoren, woningen, etc.) die hiervan deel uitmaken. De afgelopen jaren bedraagt het aandeel vastgoed circa 10-15% van het totaal belegd vermogen van een institutionele belegger. Nadat op het strategisch niveau is bepaald wat het aandeel vastgoed - onderverdeeld naar subcategorieën vastgoed - in de portefeuille bedraagt, wordt op tactisch niveau een keuze gemaakt in welke verschillende objecten per segment wordt belegd. In praktijk wordt dit het asset management genoemd. Hier is het beleggingsbeleid gericht op de optimale samenstelling van de vastgoedportefeuille welke wordt vorm gegeven op basis van de marktverwachtingen op middellange en korte termijn. Belangrijke activiteiten zijn dispositie- en acquisitie vraagstukken, exploitatiebeleid op objectniveau, risicomanagement, etc. Uiteindelijk wordt op operationeel niveau – ook wel het property management (en facility management) – rendementsoptimalisatie van een individueel object nagestreefd. Hierbij staat het dagelijks beheer van de objecten centraal, dat veelal wordt uitbesteed aan externe vastgoedmanagementorganisaties. In onderstaande figuur 2.1 zijn de verschillende managementniveaus inzichtelijk gemaakt. Figuur 2.1 Drie niveaus van vastgoedmanagement (Van Driel, 2001)
Determinanten van de BAR op woningbeleggingen
12
2.4 Woningmarkt In een onderzoek door het Centraal Plan Bureau (2005) wordt de woningmarkt – net als de markten voor andere segmenten voor de markt van onroerend goed - omschreven als een voorraadmarkt. De verklaring die hiervoor wordt gegeven, is dat een woning een relatief lange ‘levensduur’ kent en er per jaar slechts 1,5 procent aan de woningvoorraad wordt toegevoegd. Hierdoor, en gezien de lange bouwtijd van woningen en de institutionele wet- en regelgeving, kan het aanbod zich op korte termijn niet direct aanpassen aan de vraag. Het vergt daarom vele tientallen jaren om de vraag en aanbod van woningen volledig op elkaar af te stemmen. Eigenlijk kun je de woningmarkt typeren als een complexe markt waar vraag en aanbod van woonruimte en woningen bij elkaar komen. De complexheid wordt versterkt doordat de woningmarkt bestaat uit verschillende, op elkaar ingrijpende deelmarkten. Vrijwel binnen elke deelmarkt worden zowel huur- als koopwoningen aangeboden. Deze scheiding tussen gebruik (huur) en eigendom (koop) – zijnde de twee verschillende gedaantes van een woning - wordt ook wel de bimodaliteit van de woningmarkt genoemd (Priemus, 2000). Er bestaan dus twee afzonderlijke markten: de gebruiksmarkt en de eigendomsmarkt. Institutionele beleggers zijn zowel op de huurwoningmarkt als de eigendomsmarkt actief. Op de gebruiksmarkt verhuren zij de beleggerhuurwoningen en op de eigendomsmarkt worden de beleggerhuurwoningen aangekocht en verkocht (Scholten, 2003). Het totaal aantal woningen op deze twee markten - zowel bestaand als nieuwbouw - is gedefinieerd als de woningvoorraad. Woningvoorraad De jaarlijkse woningvoorraad wordt berekend aan de hand van de woningvoorraadmutaties zoals het CBS die jaarlijks registreert: nieuwbouw, ‘productie anderszins’, onttrekkingen en administratieve correcties. In de afgelopen decennia is de Nederlandse woningvoorraad sterk gegroeid. Zo telde ons land anno 2008 naar schatting iets meer dan 7 miljoen woningen, hetgeen betekent dat het aantal in 40 jaar tijd is verdubbeld 5 . In figuur 2.2 is een overzicht gegeven van de verdeling van deze woningvoorraad naar koop en huurwoningen. Ondanks de stijging van het eigen woningbezit (57%) is er nog steeds een groot aandeel huurwoningen aanwezig in de Nederlandse woningmarkt (zie figuur 2.3). Het overgrote deel van deze huurwoningen betreft corporatiehuurwoningen (circa 2,25 miljoen woningen 6 ), welke tot de sociale sector worden gerekend. Daarmee zijn zij – zowel in absolute als relatieve zin – een zeer dominante speler op de Nederlandse woningmarkt. Slechts 11% van de voorraad woningen is in het bezit van commerciële beleggers, waartoe ook de institutionele beleggers worden gerekend 7 . Een beperkt deel van deze beleggerhuurwoningen bevindt zich in het geliberaliseerde huursegment. Dan geldt dat de maandhuurprijs hoger is dan de liberalisatiegrens € 647,53 (per 1 juli 2010) 8 . Woningbeleggers – met name institutionele beleggers - investeren graag in het geliberaliseerde huursegment, omdat er dan geringere overheidsbemoeienis is en de belegger vrijer is in het vaststellen en jaarlijks verhogen van de huurprijs. Het geliberaliseerde segment is qua omvang beperkt. Slechts circa 5% 9 van de Nederlandse huurwoningen is geliberaliseerd. Hiervan zijn ultimo 2010 circa 57.000 10 woningen in eigendom van de institutionele beleggers die zijn aangesloten bij de IVBN. Figuur 2.2 Onderverdeling Nederlandse woningmarkt (peildatum 1-1-2008) aantal zelfstandige woningen 7.043.212
Huurwoningen 3.014.495 (42,8%)
Particulier (25,2%)
Koopwoningen 4.028.717 (57,2%)
Sociaal (74,8%)
Bron: Ministerie van VROM en CBS
5
CBS Statline ABF Research, Woningvoorraadgegevens Syswov 2008 7 Artikel van CB Richard Ellis door M. Wolters, oktober 2009 8 In de circulaire Huurprijsbeleid voor de periode 1 juli 2010 tot en met 30 juni 2011 van minister Van Der Laan is vastgesteld dat in het kader van de vereenvoudiging van de huurtoeslag alle huurtoeslagparameters (waaronder de maximale huurgrens) vanaf 2010 niet meer per 1 juli, maar per 1 januari worden vastgesteld; de eerste aanpassing vindt plaats per 1 januari 2011. Omdat de liberalisatiegrens naar deze huurgrens verwijst, wordt ook de liberalisatiegrens pas weer aangepast op 1-1-2011. 9 Ministerie van VROM 10 IVBN Huurenquête 2009 6
Determinanten van de BAR op woningbeleggingen
13
Figuren 2.3 en 2.4 Overzicht NL woningvoorraad periode 1985-2008, naar koop/huur + woningtype koopsector
part. huur
soc. huur
Eengezins
8.000.000
Meergezins
120
7.000.000 100
6.000.000 80
5.000.000
%
4.000.000
60
3.000.000 40
2.000.000 1.000.000
20
1985
1990
1995
2000
2005
2006
2007
2008
0 1985
1990
1995
2000
2005
2006
2007
Bron: Ministerie van VROM
In dit onderzoek zal bij de analyse van woningbeleggingen ook een onderscheid worden gemaakt tussen eengezins- en meergezinswoningen. Vanaf 1985 tot heden is de verhouding tussen deze twee woningtypen niet veranderd. Ruim 70% van de woningvoorraad bestaat uit eengezinswoningen (zie figuur 2.4). Het is te verwachten dat het aanbod van meergezinswoningen zal toenemen vanwege de vergrijzing van de bevolking. Woningbehoefte Tegenover een uitbreiding van de woningvoorraad staat de ontwikkeling van de woningbehoefte. In Nederland is al jaren sprake van een tekort aan woningen zowel in kwantiteit als kwaliteit. De woningbehoefte (zowel kwantitatief als kwalitatief) verandert in de loop van de tijd door demografische, economische en sociaal-culturele factoren. Onderstaande tabel toont de behoefte aan nieuwbouwwoningen tot 2020. Tabel 2.1 Prognose nieuwbouwbehoefte
Periode 2006-2009 2010-2014
bruto toevoeging 343.496 383.820
onttrekkingen 263.383 277.825
netto toevoeging 80.113 105.995
bruto toevoeging per jaar 85.874 76.764
2015-2019
339.171
223.733
115.438
67.834
Bron: Primos 2007
De geschatte woningbouwproductie in de periode 2005-2010 wordt waarschijnlijk niet behaald. Immers werden gedurende 2005 tot en met eind 2008 gemiddeld slechts 60.000 woningen per jaar toegevoegd aan de woningvoorraad 11 . Tevens zijn veel nieuwbouwprojecten stil gevallen als gevolg van de economische crisis, welke een extra dip in de bouwproductie heeft opgeleverd. Daarom is de verwachting dat de toekomstige vraag naar woningen groot zal blijven, zowel voor de huur- als koopwoningenmarkt. Dit biedt perspectieven voor woningbeleggers.
2.5 Beleggingskenmerken woningen Woningen vormen een van de grotere subcategorieën vastgoed en dit betekent dat ook woningen belangrijke beleggingsobjecten kunnen zijn in de beleggingsportefeuille van de institutionele belegger. In Nederland zijn binnen de categorie vastgoed de woningen van oudsher de grootste beleggingscategorie. In deze paragraaf worden de belangrijkste beleggingsaspecten en kenmerken van beleggershuurwoningen beschreven 12 . Relatief laag rendement en risico Zoals in de aanleiding al opgemerkt is beleggen in woningen relatief weinig risicovol. Dit vanwege de redelijke bescherming tegen inflatie op de langere termijn en zekerheid van regelmatige cashflow in de vorm van stabiele huurinkomsten en verkoopopbrengsten: bij recessie wil de woonconsument huren en bij economische opbloei kan de belegger vaak uitponden (verkopen aan de zittende huurder) 13 . Mede omwille van deze belangrijke kenmerken hebben veel institutionele beleggers een aanzienlijk deel van hun vermogen belegd in woningvastgoed. Hierbij neemt de
11 12 13
Bron: CBS Statline Uitgangspunt hierbij zijn de door Scholten (2003) en Van Gool (2007) onderscheiden kenmerken van huurwoningen. Van Gool, 2007
Determinanten van de BAR op woningbeleggingen
14
2008
belegger wel genoegen met een lager rendement, omdat een beperkte risico opslag wordt gehanteerd op de risico vrije rente. Gunstige correlatie andere beleggingscategorieën In een studie naar woningen in een pensioenportefeuille van Eichholtz, Hilverink en Theebe 14 wordt geconcludeerd dat de correlaties tussen aandelen- en obligatierendementen aan de ene kant en het rendement op woningen aan de andere kant laag zijn. In tijden van economische tegenwind en onrust op de aandelenmarkt bewijst vastgoed haar waarde doordat zij minder volatiel is. Derhalve is het diversificatiepotentieel van woningen hoog en kunnen woningen een belangrijke toegevoegde waarde leveren aan een institutionele beleggingsportefeuille. Hoge mutatiegraad Woningen kennen een relatief hoge mutatiegraad in vergelijking met commercieel onroerend goed. Huurcontracten worden afgesloten voor een vaste periode van een jaar, waarna de huurder per maand kan opzeggen. Dit in tegenstelling tot de langjarige huurovereenkomsten bij kantoor- en winkelobjecten. Relatief veel onderhoud Mutatieschades komen vaker voor bij woningen dan bij commercieel vastgoed. Dit vanwege ontruimingen, etc. Hierdoor worden de exploitatiekosten relatief hoog in vergelijking met commercieel vastgoed. Beperkt risico van wantbetalers Door de vele huurders in een woningcomplex is er slechts beperkt risico van wanbetalers. Managementintensief Door het relatief veel onderhoud, de vaak hoge mutatiegraad van woningen en de vele huurders in een complex, is het managen van een woningbeleggingsportefeuille redelijk intensief. Institutionele beleggers schakelen hiertoe vaak een externe beheerder in, omdat het operationeel niveau vaak moeilijk is in te bedden in de eigen organisatie. Van Gool (2007) benoemt ook de aanwezigheid van veel huurders in een complex die een grote betrokkenheid hebben als reden voor een vereist intensief vastgoedmanagement. Overheidsbemoeienis Er bestaat veel regelgeving op het gebied van woonruimten. In de gereguleerde sector is de woningbelegger gebonden aan het vele overheidsingrijpen. Te denken valt aan het in 2006 ingevoerde inflatievolgend huurbeleid, waarbij de woningbelegger gebonden is aan een wettelijk vastgesteld maximaal huurverhogingpercentage. Tezamen met de van overheidswege vastgestelde maximale toegestane huurprijzen – berekend op basis van de kwaliteit van een woning uitgedrukt in punten conform het Woning Waarderingsstelsel (WWS) 15 kan op langere termijn het beleggen in dit huursegment onrendabel zijn. Een ander belangrijk kenmerk bij het beleggen in huurwoningen is dat de belegger ook te maken heeft met de huurbescherming. Dit is in de wetgeving geregeld, waarin is bepaald dat een huurder huurderbescherming heeft en niet gemakkelijk uit een woning kan worden gezet. Ook in het geliberaliseerde huursegment is er sprake van overheidsbemoeienis. Om een goed voorbeeld te geven: onlangs is van overheidswege bepaald dat voor alle woningen in Nederland geldt dat de eigenaar een energielabel moet kunnen verstrekken. Dit vergt extra investeringen voor de belegger. Andere voorbeelden zijn onder andere de Wet Overleg Verhuurder Huurder (WOVH), het ZAV-beleid (zelf aangebrachte voorzieningen) en verhuiskostenvergoeding bij renovatie. Sterke relatie met koopmarkt Institutionele woningbeleggers waarderen hun woningbezit veelal op uitpondwaarde. Dit gebeurt op basis van een dcf-berekening ofwel de Netto Contante Waarde Methode (hierover meer in hoofdstuk 3), waarbij in de jaarlijkse kasstromen de individuele verkopen aan zittende huurders of particuliere kopers (dit heet uitponden) zijn opgenomen. Zodra de woningen bij mutatie moeten worden verkocht is de belegger actief op de particuliere koopwoningmarkt. Hierbij is de belegger afhankelijk van de ontwikkelingen op de bestaande en nieuwbouw koopwoningmarkt 16 .
14 15 16
ESB, 85e jaargang, nr. 4275, pagina 812, 13 oktober 2000 Ministerie van VROM Scholten (2003)
Determinanten van de BAR op woningbeleggingen
15
2.6 Woningmarktomstandigheden Zoals in paragraaf 2.3 reeds aan de orde is gesteld, kan de Nederlandse woningmarkt als een complexe markt worden beschouwd. In deze complexe markt spelen een groot aantal factoren een belangrijke rol die het investeringsklimaat op de woningmarkt bepalen. In de midden jaren negentig kwam de Nederlandse (koop)woningmarkt nog tot grote hoogte als gevolg van economische groei en alsmaar stijgende prijzen. Sinds 2008 zijn we in een andere situatie beland en is er sprake van stagnatie en onzekerheid: zowel voor de economie als geheel – Nederland verkeerde korte tijd officieel in een recessie – als specifiek voor de woningmarkt. Deze stagnatie en onzekerheid wordt veroorzaakt door verschillende factoren. In deze paragraaf wordt hier nader op ingegaan.
2.6.1 Conjuncturele factoren In economisch perspectief zijn we terecht gekomen in een economisch minder gunstig klimaat dat nog wel enkele jaren kan voortduren. Bereikte de economische groei in 2007 nog zijn top met een groei van 3,5%, inmiddels is de afvlakking van het bruto binnenlands product goed duidelijk. Dit is voornamelijk veroorzaakt door de kredietcrisis, welke voor grote onrust heeft gezorgd op mondiale markten 17 . Door deze kredietcrisis en de vele pessimistische berichtgevingen over de economische ontwikkelingen is het consumentenvertrouwen sterk afgenomen en heeft de woningmarkt een flinke deuk opgelopen. Consumenten zijn voorzichtiger geworden en kopen minder snel een woning aan dan voorheen. Ja, want stel je voor je raakt werkloos en hebt net een huis aangekocht. Dan is het maar de vraag hoe lang je nog aan de maandelijkse financiële verplichtingen kunt voldoen met alle gevolgen van dien (waaronder gedwongen huizenverkopen welke een prijsdrukkend effect hebben). Inmiddels is de berichtgeving over de economie wat positiever, zijn de aandelenbeurzen weer flink aangetrokken. Dat is terug te zien in het consumentenvertrouwen, want vanaf 2009 is een stijgende lijn waar te nemen in de CBS index Consumentenvertrouwen. Stond de index rond de herfst van 2008 nog op -26 punten, in januari 2010 is de index opgeklommen naar een niveau van -10 18 . Het CBS maakt binnen deze index nog onderscheid in twee subindices, namelijk ‘het vertrouwen in de economie’ en ‘eigen koopbereidheid’. Deze laatste is een belangrijke indicator voor de woningmarkt, want het beschrijft het vertrouwen van de consument in de eigen portemonnee. Deze tweede index is wel negatief (niveau van -4 per januari 2010) maar bij lange na niet in verhouding tot het pessimisme over de algemene economie. Zolang de werkloosheid niet snel stijgt richting de 8% zal het vertrouwen blijven toenemen en komt de woningmarkt in beter vaarwater terecht.
2.6.2 Verhouding tussen vraag en aanbod De Nederlandse woningmarkt is onevenwichtig en – gelijk andere markten in binnen- en buitenland – onderhevig aan fluctuerende vraag- en aanbod verhoudingen die resulteren in een conjunctureel verloop. Op de langere termijn is sprake van een toenemende kwaliteitsvraag, en op de korte termijn speelt aan de vraagzijde ook de betaalbaarheid een belangrijke rol 19 . De betaalbaarheid wordt in 2.6.3 verder toegelicht. Er zijn steeds meer woningen op de markt gekomen. In de zomer van 2009 stonden in totaal 162.000 bestaande en 27.000 nieuwe woningen op de markt te koop 20 . Dit is extreem veel. De consument heeft dus een ruime keuze wanneer hij op zoek gaat naar een woning. Dit is zelfs meer dan aan het begin van de jaren tachtig, de periode die nog altijd bekend staat als de grote ‘huizencrisis’. De ontwikkelingen aan de vraag- en aanbodzijde van de markt oefent grote invloed uit op zowel de samenstelling van de woningbouwproductie (huur en koop) alsmede de omvang van de woningbouwproductie. In de huidige markt is nog altijd sprake van een behoorlijke mismatch tussen vraag en aanbod. In de NVB Thermometer publicaties van de afgelopen jaren wordt hier grote aandacht aan gegeven. Het gaat volgens hen om twee mismatches, namelijk verschillen tussen woonwens en aangeboden nieuwbouw naar 1) woningtype en 2) woonlocatie. Er wordt niet gebouwd wat wordt gevraagd. Zij stellen dat er een adequate oplossing moet worden gevonden voor deze mismatches, wil de woningmarkt weer evenwichtiger worden. Indien de markt onevenwichtig is dan zal dit sneller leiden tot prijsreacties.
17 18 19 20
Woonkennis Jaarrapport 2008/2009, Bouwkennis CBS StatLine Conjunctuur op de Nederlandse Woningmarkt, DWG, januari 2005 Thermometer Koopwoningen, NVB, najaar 2009
Determinanten van de BAR op woningbeleggingen
16
2.6.3 Prijsontwikkeling en betaalbaarheid Het is algemeen bekend dat de huizenprijzen in de periode vanaf circa 1960 tot de beginjaren van 2000 fors zijn gestegen. Dit geldt zowel voor de koopwoningen als de huurwoningen. In figuur 2.4 is deze prijsontwikkeling weergegeven. De huurprijzen zijn over deze periode nagenoeg gelijkmatig gestegen. Dit in tegenstelling tot de koopprijzen, waar duidelijke en grote jaarlijkse fluctuaties zijn geweest. Voor beide deelmarkten geldt dat de prijsstijgingen voornamelijk zijn veroorzaakt door de inflatie en hogere kwaliteit (afwerkingniveau) van de woningen. Figuur 2.5 Cumulatieve ontwikkeling in koop- en huurprijzen, periode 1965-2007 (1965=100) 1200
1000
800
600
huurindex koopindex
400
200
0
Bron: VROM, Huurenquête NVM
Na een lange periode van prijsstijgingen zijn sinds 2008 de huizenprijzen onder druk komen te staan en zijn zelfs behoorlijke prijsdalingen geconstateerd. Dit laatste geldt met name voor de koopsector. De huizenmarkt lijkt zich nu enigszins te herstellen van de negatieve prijsontwikkelingen in de afgelopen periode. De prijsontwikkelingen in de huizenmarkt kunnen ook worden vertaald naar een betaalbaarheidindicator. Dit is de verhouding tussen woonuitgaven en besteedbaar huishoudinkomen. De woonuitgaven voor de koopsector betreffen netto hypotheekbetalingen, bijkomende belastingen en onderhoudslasten. Voor de huursector zijn de woonuitgaven gelijk aan de huurprijs plus de onderhoudskosten voor rekening van huurder minus de huursubsidie (Conijn et al, 2000). In absolute zin zijn de eigenwoningbezitters geconfronteerd met forsere stijgingen van woningprijzen en woonuitgaven dan huurders. Echter gerelateerd aan het inkomen (huurders hebben vaker een lager inkomen) geldt het omgekeerde 21 . Met de huidige betrekkelijk lage hypotheekrente, de prijsdalingen en afvlakking van huizenprijzen en de recente koopkrachtstijging van 2 tot 4% in 2009 is er sprake van een redelijke betaalbaarheid. Of dit gaat verbeteren hangt af van diverse economische ontwikkelingen. Verwachting is dat door een minder gunstige loonontwikkeling in de komende jaren en oplopende prijzen de betaalbaarheid voor met name starters weer snel zal kunnen afnemen.
2.6.4 Verkoop- en verhuurtijden Zoals gezegd is de woningmarkt sterk in beweging. Dit geldt zowel voor de koop als de huursector. Woningen staan nu langer te koop, er is sprake van een kopersmarkt. Zowel potentiële kopers als huurders nemen tegenwoordig langer de tijd om zich te oriënteren. Ook is de doorstroom afgenomen. Huizenbezitters willen eerst de eigen woning verkopen alvorens zij zich in de schulden steken voor de aankoop van een nieuwe woning. Bovendien geldt voor de huidige woningbezitters dat zij niet graag hun woning onder de vraagprijs verkopen, zeker nu de prijsdalingen al in de huidige vraagprijzen zijn verwerkt. Een laatste verklaring voor de langere verkooptijden zijn de strengere eisen die financiers stellen in vergelijking met voorgaande jaren. Kon je vroeger nog tot 6 tot 7 keer het bruto jaarsalaris een lening krijgen, tegenwoordig is dit circa 4,5 keer het jaarsalaris en dan moet je ook nog eigen geld inbrengen. Voor de verhuur geldt dat banken veel terughoudender zijn geworden bij het verstrekken van bankgaranties. Hierdoor wordt het lastiger om bij kandidaat huurders die niet aan de gestelde inkomensnorm voldoen aanvullende garanties te verlangen ter compensatie voor het risico op wanbetaling. 21
http://www.emmen.nl/fileadmin/files/www.emmen.nl/Tekstpaginas/Over_de_gemeente/Toekomstvisie/Betaalbaarheid.pdf
Determinanten van de BAR op woningbeleggingen
17
2.6.5 Overheidsbeleid De invloed van de overheid blijft divers en heeft invloed op de woningmarkt. Naast de regels die de overheid vaststelt over de ruimtelijke invulling van wat en waar mag worden bebouwd, is er een grote invloed op de volgende belangrijke aspecten: de hypotheekrenteaftrek, het eigen woning forfait, de diverse vastgoed gerelateerde belastingen (OZB, overdrachtsbelasting etc.), het huurbeleid, subsidiering, etc. Het gaat te ver om in dit onderzoekskader alle aspecten te behandelen. Wel wil ik stilstaan bij enkele actuele en wezenlijke aandachtsvelden m.b.t. het overheidbeleid in Nederland. De in het slop geraakte woningmarkt heeft van de overheid een pakket steunmaatregelen gekregen. Dit is gedaan om er onder andere voor te zorgen dat de woningmarkt niet verder zal instorten, werkgelegenheid wordt behouden en tevens het consumentenvertrouwen weer wordt herwonnen. Zo heeft het kabinet 350 miljoen euro als crisisbudget vastgesteld ten behoeve van nieuwbouwprojecten. Een andere belangrijke steunmaatregel is de tijdelijke verhoging van de grens van nationale hypotheekgarantie, van 265.000 naar 350.000 euro. Deze verhoging geldt tot 2011. Naast de hiervoor genoemde maatregelen wil de overheid duurzame investeringen door eigenarenbewoners en verhuurders van de bestaande voorraad stimuleren. Zo zijn de institutionele beleggers bijvoorbeeld geconfronteerd met de verplichte introductie van het energielabel.
2.6.6 Beleggingsklimaat huurwoningmarkt De belegger in huurwoningen is afhankelijk van zowel de ontwikkelingen in de koopmarkt als de huurmarkt. In de voorgaande subparagrafen zijn de woningmarktomstandigheden beschreven die het investeringsklimaat grotendeels bepalen. Vooral de prijsontwikkelingen op de markt voor particulier woningbezit hebben een direct gevolg gehad voor de beleggersvraag naar huurwoningen. Veel particuliere beleggers en niet genoteerde vastgoedfondsen kochten woningcomplexen van institutionele beleggers met het specifieke doel de woningen zo snel mogelijk uit te ponden en daarmee te profiteren van de scherp stijgende huizenprijzen. Echter is het nu niet meer vanzelfsprekend dat grote prijsstijgingen worden behaald, hetgeen jarenlang het geval is geweest. Met name vanaf augustus 2008 is de vraag van particuliere beleggers naar woningcomplexen uitgebleven waardoor investeringen in woningen zijn afgenomen. Dit werd deels ook veroorzaakt doordat er weinig vreemd vermogen werd verschaft door banken, terwijl het juist de particuliere belegger en niet genoteerde vastgoedfondsen zijn die investeren met een groot deel vreemd vermogen. Dat vanaf 2008 tot heden minder in woningen is geïnvesteerd, is terug te zien in de cijfers. In de eerste negen maanden van 2009 werd door beleggers circa € 500 miljoen in woningen belegd. Dit is ongeveer gelijk aan het totale beleggingsvolume van heel 2008 22 . Nu de verwachting is dat huizenprijzen minder snel zullen stijgen als voorheen, zullen woningbeleggers het veel meer moeten hebben van het directe rendement. Dit betekent een meer traditionele beleggingsmarkt waarbij huurwoningen worden gewaardeerd aan de hand van hun beleggingswaarde (zie hoofdstuk 3), ofwel een lange-termijn rendement dat grotendeels is gebaseerd op de huurinkomsten. Doordat de focus veel meer is gericht op een langere beleggingshorizon en wordt aangekocht op doorexploiteren scenario, zijn de gemiddelde bruto aanvangsrendementen wel sterk opgelopen. Werd een aantal jaren geleden een woningproject op uitpondwaarde gewaardeerd met bruto aanvangsrendementen tussen 4 en 5% vrij op naam, in de huidige markt liggen de gemiddelde aanvangsrendementen tussen 5,5 en 6,5% vrij op naam23 . Niet onopgemerkt te blijven is de verbeterde acquisitiemogelijkheid voor woningbeleggers. Vooral de institutionele beleggers worden veelvuldig benaderd door de projectontwikkelaars. In de huidige markt kunnen projectontwikkelaars weinig woningen tegen de vastgestelde verkoopprijzen waarmee projecten vaak zijn dicht gerekend - aan particulieren verkopen. Hierdoor hebben zij grote moeite met het rendabel kunnen verkopen van de projecten. Vaak wordt het geëiste voorverkooppercentage - gemiddeld 70% van het totaal – ook niet of nauwelijks behaald. Omdat de winstmarges onder druk staan, uitontwikkelde projecten niet worden gestart en nog te ontwikkelen projecten opnieuw moeten worden beoordeeld en bijgesteld waar nodig - vaak de draai van duurdere woningen naar het goedkopere segment -, zijn ontwikkelaars al te blij met een institutionele belegger die in een nieuwbouwproject wil investeren. Gemeenten geven steeds meer toestemming om koopprojecten om te zetten naar een groter aandeel huurwoningen. Doordat dan wel het vereiste voorverkooppercentage wordt behaald en daarmee het project kan worden 22
Troostwijk Research, Marktrapportage Q3 2009, 9 november 2009. Volgens Troostwijk Research lagen de bruto aanvangsrendementen in 2009 gemiddeld tussen de 100 en 150 basispunten hoger dan in 2007. Ten opzichte van 2008 was dit gemiddeld tussen de 30 en 70 basispunten. 23
Determinanten van de BAR op woningbeleggingen
18
gebouwd, zijn ontwikkelaars bereid de woningen tegen een lagere prijs te verkopen aan beleggers. Derhalve zijn er momenteel meer mogelijkheden voor beleggers om sterk te onderhandelen met ontwikkelaars, zodat hoogwaardige nieuwe woningprojecten kunnen worden verworven tegen een aantrekkelijke prijs. Zolang de verkoop van woningen aan particulieren niet aantrekt, biedt dit voor beleggers perspectieven om de woningportefeuille sneller te verjongen dan voorheen mogelijk was.
2.7 Deelconclusie In dit hoofdstuk is aangetoond hoe de woningmarkt in elkaar steekt. Het is een markt die als complex wordt getypeerd, mede omdat er sprake is van twee verschillende op elkaar ingrijpende deelmarkten - de markt voor koopwoningen en die voor huurwoningen – met elk specifieke kenmerken. Een groot aantal beleggingskenmerken van woningen zijn aan de orde gekomen. De woningmarkt is sterk in beweging. Waar vroeger sprake was van een kopersmarkt, is nu sprake van een echte vragersmarkt. Woningen staan langer te koop en kandidaat kopers en huurders nemen langer de tijd om zich te oriënteren. De Nederlandse woningvoorraad is sterk gegroeid en zal de komende jaren alsmaar groter worden vanwege een toename van het aantal huishoudens. Het aandeel koopwoningen is nog steeds groot, toch blijft een groot aandeel huurwoningen aanwezig. Een grote groep beleggers investeert in huurwoningen. Hoewel de corporatiewoningen het grootste aantal huurwoningen bezitten, zijn de institutionele beleggers nadrukkelijk aanwezig op de huurwoningmarkt. In dit onderzoek wordt de woningportefeuille van diverse institutionele beleggers geanalyseerd. Daarom is deze professionele partij nader belicht in dit hoofdstuk en is achterhaald wat de achtergrond is van het beleggen in woningen. Sinds jaar en dag maken woningen veelal een aanzienlijk deel uit van de vastgoedportefeuille van institutionele beleggers. Dit vanwege de zekerheid van stabiele cashflows, het hoge diversificatiepotentieel en gunstige correlatie van woningen met aandelen en obligatierendementen. Vooral wensen institutionele beleggers te investeren in het geliberaliseerde huursegment vanwege de minimale overheidsbemoeienis. Verwachting is dat institutionele beleggers een belangrijke partij zullen blijven in de huurwoningmarkt, zeker nu ook een groot aantal woningprojecten wordt aangeboden door projectontwikkelaars welke zij moeizaam of geheel niet in de particuliere markt kunnen verkopen. Hierdoor kunnen woningprojecten tegen vaak aantrekkelijke prijzen worden ingekocht, waardoor de rendementseisen van de belegger eerder worden behaald. Omdat de risicoperceptie van institutionele beleggers is veranderd door de gewijzigde marktomstandigheden, worden er hogere aanvangsrendementen geëist. Op de begrippen rendement, waarde en risico zal in hoofdstuk 3 verder worden ingegaan.
Determinanten van de BAR op woningbeleggingen
19
Hoofdstuk 3 Rendement, waarde en risico 3.1 Inleiding Zoals ook Scholten (2003) in zijn onderzoek benadrukt zijn de termen rendement, waarde en risico onlosmakelijk met elkaar verbonden. Beleggers streven naar een zo hoog mogelijk rendement bij een aanvaardbaar risico. De begrippen rendement, waarde en risico staan in dit hoofdstuk centraal. Allereerst wordt in paragraaf 3.2 besproken hoe het rendement op een woningbelegging wordt bepaald. Vervolgens wordt ingegaan op diverse rendementsbegrippen en waarderingsmethoden die bij woningbeleggingen gebruikelijk zijn. In paragraaf 3.3 wordt een nadere beschouwing gedaan van het bruto aanvangsrendement, waarbij ingegaan wordt op de begripsdefinitie, hoe het bruto aanvangsrendement wordt berekend en welke onderzoeken naar het BAR zijn gedaan. Paragraaf 3.4 beschrijft hoe de risico’s van een woningbelegging bepaald kunnen worden. De potentiële determinanten die van invloed zijn op het bruto aanvangsrendement worden in paragraaf 3.5 beschreven. Tenslotte wordt het hoofdstuk afgesloten met een deelconclusie in paragraaf 3.6.
3.2 Rendement op een woningbelegging Om een gewenst rendement op een woningbelegging te behalen is de belegger afhankelijk van een aantal factoren, ook wel determinanten genoemd. De determinanten zijn onder te verdelen in twee groepen 24 , namelijk: 1. direct (huur-)rendement (exploitatie) 2. indirect rendement (waardegroei en -daling) Direct rendement wordt ook wel exploitatierendement genoemd en wordt berekend door de netto huurinkomsten te delen door de waarde van de belegging aan het begin van de periode, op tijdstip t-1. Feitelijk is dit het rendement op de huurinkomsten minus de kosten om het beleggingsobject in stand te houden. Het indirecte rendement is de gerealiseerde waardegroei of waardevermindering van het beleggingsobject. Het rendement op een woningbelegging wordt opgebouwd uit zowel het directe rendement als het indirecte rendement. Door beide rendementen op te tellen ontstaat het totaal rendement. Dit is een gerealiseerd (korte termijn) rendement, indien het rendement wordt berekend over het verleden 25 . In formulevorm ziet dit er als volgt uit: Totaal rendement = (NHt / CVt-1) + ((CVt - CV t-1)/CV t-1) Waarbij: NH = Netto Huurinkomsten CV = kapitaalswaarde t = periode (in jaren) Het totaal rendement op woningbeleggingen is de laatste jaren goed geweest. In onderstaande figuur zijn de gerealiseerde (componenten van het) totaal rendementen van institutionele beleggers (die deelnemen aan de ROZ/IPD index) gedurende de periode 1995 tot en met 2008 weergegeven.
rendement
Figuur 3.1 Totaal rendement woningbeleggingen periode 1995-2008 20,0 18,0 16,0 14,0 12,0 10,0 8,0 6,0 4,0 2,0 0,0 dec 1995
dec 1996
dec 1997
dec 1998
dec 1999
dec 2000
dec 2001
dec 2002
dec 2003
dec 2004
dec 2005
dec 2006
dec 2007
dec 2008
jaar
24 25
Langens (2002) maakt dit onderscheid. In paragraaf 3.3 en 3.4 worden de verschillende determinanten nader toegelicht. Scholten (2003)
Determinanten van de BAR op woningbeleggingen
20
3.2.1 Rendementsbegrippen De voorgaande paragraaf was een eerste kennismaking met belangrijke rendementsbegrippen bij woningbeleggingen. Naast de genoemde begrippen direct rendement, indirect rendement en totaal rendement worden er ook andere rendementsbegrippen gehanteerd bij het beleggen in direct vastgoed. In de praktijk worden de volgende begrippen veelvuldig gebruikt. 1. 2. 3. 4.
Internal rate of return (IRR) Bruto Aanvangsrendement (BAR) Netto Aanvangsrendement (NAR) Exit yield
Ad 1) Internal rate of return De IRR wordt ook wel het looptijdrendement van een belegging genoemd 26 . Dit rendement wordt gevormd door de ontwikkeling van alle aan het vastgoed gerelateerde kasstromen 27 . Het is niet een gegeven maar een te berekenen grootheid, ook wel resultante genoemd. Het betreft die disconteringsvoet waarbij de contant gemaakte kasstromen inclusief de investering gelijk zijn aan nul. Met de volgende formule kan de IRR van een belegging worden berekend:
Waarbij:
NPV C r n N
= = = = =
netto contante waarde van de kasstromen netto kasstroom rentepercentage (IRR) periode totaal aantal perioden
Veel institutionele beleggers hanteren een IRR-eis waaraan een belegging minimaal moet voldoen. Hulst (2005) definieert dit als de R-eis (lees: rendementseis), een objectgebonden rendementseis als input voor het rekenmodel of de maatstaf om de IRR te toetsen. De hoogte van de IRR-eis is afhankelijk van de nominale rente en de risico-opslag voor de belegging, die door de belegger acceptabel wordt gevonden. Is bij een mogelijke investering de werkelijke IRR van een project lager dan deze gestelde eis dan zal een institutionele belegger veelal niet investeren in het beleggingsobject. Ad 2) Bruto Aanvangsrendement In het praktijkboek “Vastgoed, rekenen met spreadsheets” luidt de definitie van het BAR: “het quotiënt, uitgedrukt als percentage, van de bruto huuropbrengst bij volledige verhuur tegen markthuurniveau en de totale verwervingskosten van het vastgoedobject”. Voor de berekening van het BAR wordt de volgende formule gebruikt: BAR = BMHt=1 / INV Waarbij:
BAR BMH t=1 INV
= = = =
bruto aanvangsrendement bruto markthuur bij volledige verhuur jaar 1 totale investering
Simpelweg gezegd is het BAR het rendement dat wordt gerealiseerd in jaar 1 op de totale investering. De bruto-aanvangsjaarhuur wordt uitgedrukt in procenten van de investering. Het begrip BAR wordt in Nederland door veel beleggers gebruikt en geeft een eerste oordeel over een mogelijke propositie. Er is veel te zeggen over het rendementsbegrip BAR. Echter gezien de probleemstelling van deze scriptie zal ik uitvoeriger ingaan op het BAR in paragraaf 3.3. Ad 3) Netto Aanvangsrendement Het netto aanvangsrendement (NAR) lijkt op het bruto aanvangsrendement echter wordt hier een correctie gemaakt op de bruto-aanvangsjaarhuur. Deze huurprijs wordt gecorrigeerd met lasten die periodiek gemaakt worden en resulteert in een netto opbrengst, de netto-aanvangsjaarhuur.
26 27
Van Gool, p 128. Van Bosse et al, p. 17
Determinanten van de BAR op woningbeleggingen
21
In formulevorm: NAR = (BMHt=1 – Et=1) / INV Waarbij:
NAR BMH t=1 Et=1 INV
= = = = =
netto aanvangsrendement bruto markthuur bij volledige verhuur jaar 1 totale exploitatiekosten in het eerste exploitatiejaar totale investering
Het netto aanvangsrendement wordt bij investeringsbeslissingen veel minder gebruikt dan het bruto aanvangsrendement. Volgens Van Gool (2007) komt dit vooral door de subjectiviteit die komt kijken bij het ramen van de exploitatiekosten. Ad 4) Exit yield De exit yield is in theorie niets anders dan een BAR of een NAR maar dan aan het einde van de exploitatieperiode. Ten Have (1997) noemt dit de reverse-yield. De formule is dan ook gelijk aan die onder 2 en 3 genoemd maar dan gecorrigeerd naar eindejaarsperiode. Met de exit yield wordt de eindwaarde van een woningbelegging berekend. Het is dan ook een waarderingsmethode. In de volgende subparagraaf zullen meerdere waarderingsmethoden en waardebegrippen aan de orde komen. Over de exit yield zijn verschillende theorieën in omloop, in het bijzonder waar het woningen betreft. Een theorie gaat ervan uit dat bij uitponden een hogere exit yield gehanteerd dient te worden, omdat men een verspreid bezit overhoudt. Een andere theorie stelt dat juist een verspreid bezit meer waard is, omdat de naastgelegen woningen steeds vaker koopwoningen zijn. Koopwoningen worden over het algemeen beter onderhouden door de bewoners, wat van gunstige invloed op de waarde van de naastgelegen huurwoningen is. Voor deze theorie zou er dus voor de exit yield geen opslag op de huidige BAR hoeven. Gegeven het feit dat er toch meer kosten aan oudere woningen verbonden zijn is het gebruikelijk om een opslag op de huidige BAR te hanteren van circa 0,1 procentpunt per jaar. Ook op deze methode is veel kritiek mogelijk.
3.2.2 Waarderingsmethoden Zoals in de voorgaande paragraaf reeds aan de orde gesteld, is het rendement op een woningbelegging gerelateerd aan de waarde en waardeontwikkeling van die belegging. Daarom is het belangrijk te weten hoe de waarde van een woningbelegging wordt vastgesteld. Er zijn vele methoden om de waarde van een beleggingsobject te bepalen. In praktijk komt dit neer op het schatten of ramen van die waarde. Dit schattingsproces wordt het waarderen (intern) of taxeren genoemd (Van Gool, 2007). In principe zijn de hiervoor besproken rendementsbegrippen ook toepasbaar als waarderingsmethode. De exit yield methode heb ik reeds expliciet benoemd als waarderingsmethode. Ook de IRR, het BAR en het NAR mogen als zodanig worden benoemd. De waarderingsmethoden en daaraan gerelateerde waardebegrippen die bij woningbeleggingen gebruikelijk zijn, zullen in deze subparagraaf centraal staan. In de theorie wordt over het algemeen de navolgende indeling aangehouden voor de diverse waarderingsmethoden (Van Hulst, 2005): 1. Comparatieve benadering 2. Kostenbenadering 3. Inkomstenbenadering Ad 1) Comparatieve benadering Bij de comparatieve benadering worden -ter bepaling van de marktwaarde van een beleggingsobject- vergelijkbare objecten gezocht waarvan transactiegegevens bekend zijn. Voor niet-verhuurde min of meer gelijke woningen in een bepaalde buurt of straat is dit een zeer gebruikelijke manier van waardebepaling (Ten Have, 2002). Dit wordt ook wel de direct vergelijkende methode genoemd. Een tweede methode die volgens deze benaderingswijze wordt toegepast is de meervoudige regressiemethode. Dit betreft in feite een geautomatiseerde en uitgebreidere versie van de direct vergelijkende methode en wordt toegepast bij taxaties van grote aantallen woningen, zoals voor het bepalen van de WOZ-waarde voor de onroerende zaakbelastingen (Van Gool, 2007).
Determinanten van de BAR op woningbeleggingen
22
Ad 2) Kostenbenadering Met de kostenbenadering wordt de waarde van een beleggingsobject vastgesteld op basis van de stichtingskosten. Voor woningbeleggingen wordt deze kostenbenadering beperkt gebruikt. Met name is deze benadering van toe passing bij de waardering van incourant vastgoed (Van Hulst, 2005). Gezien de probleemstelling van dit onderzoek ga ik niet verder in op deze manier van waarderen. Ad 3) Inkomstenbenadering De belangrijkste waarderingsmethoden die onder de inkomstenbenadering vallen zijn de BARmethode, de NAR-methode en de DCF-methode ofwel de netto contante waardemethode. De BAR en NAR methode zijn eenvoudige kapitalisatiemethoden en worden gebruikt voor de waardering van verhuurd vastgoed. Ook wordt de kapitalisatiefactor veel gebruikt bij de waardering van vastgoed. Deze factor wordt ook wel de multiplier genoemd. Hiermee wordt bedoeld dat de huurwaarde of huurprijs van een beleggingsobject wordt gekapitaliseerd oftewel de huurprijs of huurwaarde wordt vermenigvuldigd met een bepaalde factor. Van Gool (2007) spreekt van de xkeer-de-huurmethode en kan als een eenvoudige kapitalisatiemethode worden beschouwd. Tijdens de eerder besproken rendementsbegrippen zijn de BAR en NAR output variabelen. Bij het waarderen van een beleggingsobject is juist sprake van een input BAR en input NAR. Deze inputfactoren worden gebaseerd op basis van marktevidence indien de marktwaarde moet worden bepaald. Voor het bepalen van de beleggingswaarde -dit is de waarde die de belegger zelf toekent aan zijn vastgoedbelegging- wordt gerekend met interne rendementen. In praktijk komt dit laatste evenwel niet vaak voor, maar wordt juist de DCF-methode of Netto Contante Waardemethode gehanteerd (Van Gool, 2007). Uit het onderzoek van Langens (2002) blijkt dat deze Netto Contante Waarde methode in de praktijk het meest wordt toegepast door beleggers bij de investeringsanalyse van vastgoedbeleggingen. Deze methode is gestoeld op een lange beleggingshorizon, vaak een 10- of 15-jaars periode. Bij deze methode worden alle toekomstige kasstromen verdisconteerd met een vooraf vastgestelde disconteringsvoet. Dit is de IRR-eis van het project. Schematisch ziet dit er als volgt uit: Figuur 3.2 Kasstromen Netto Contante Waarde methode
Tijd
Middels de netto contante waarde methode worden alle te verwachten inkomsten en uitgaven van een project inzichtelijk gemaakt. Zoals in hoofdstuk 2 benoemd is het de institutionele belegger hierom te doen, want met het inzicht in alle toekomstige kasstromen kunnen de jaarlijkse verplichtingen (uitkeringen, etc.) deels hierop worden afgestemd. Deze waarderingsmethode geniet dan ook vaak de voorkeur. Een ander voordeel van deze methode is dat –in tegenstelling tot de BAR en NAR methodehiermee twee verschillende waarden kunnen worden berekend, namelijk de exploitatiewaarde en de uitpondwaarde. De exploitatiewaarde is de waarde die aan een complex wordt toegekend met de wetenschap dat het project in exploitatie wordt gehouden. Voor woningcomplexen betekent dit dat de woningen -ook bij huuropzeggingen- altijd worden verhuurd. Daarentegen gaat de uitpondwaarde uit van het tussentijds verkopen van woningen die tijdens de exploitatie door huurders worden opgezegd. Deze uitpondwaarde moet niet worden verward met de leegwaarde zoals hiervoor is beschreven onder 1) comparatieve waardering. De leegwaarde is de verkoopwaarde van een woningcomplex in onverhuurde staat, terwijl de uitpondwaarde die waarde is die wordt toegekend aan een complex in verhuurde staat. Dit bedraagt dan een Xpercentage van de totale leegwaarde. In de praktijk wordt dit de leegwaarde ratio genoemd. Werd tot voor de kredietcrisis soms nog meer dan 100% van de leegwaarde betaald voor een woningcomplex, tegenwoordig ligt de ratio tussen 65%-75%. In de huidige markt benadert de exploitatiewaarde steeds meer de uitpondwaarde. Dit vanwege de tegenvallende woningverkopen bij uitponden. Uiteindelijk is de belegger geïnteresseerd in de hoogste waarde en zal eventueel het beleggingsbeleid hierop aanpassen.
Determinanten van de BAR op woningbeleggingen
23
Naast bovengenoemde voordelen zijn er ook nadelen aan de netto contante waardemethode toe te schrijven. Van Gool (2007) noemt onder andere de volgende nadelen: 1. er wordt uitgegaan van een herinvesteringrendement die gelijk is aan de IRR, terwijl dit in praktijk vaak niet het geval is. 2. er moeten een aantal veronderstellingen worden gemaakt. 3. de eindwaarde van een project is zeer lastig te bepalen.
3.3 Het bruto aanvangsrendement nader beschouwd In de voorgaande paragrafen zijn diverse rendementsbegrippen, waarderingsmethoden en waardebegrippen beschreven. Hierbij is het bruto aanvangsrendement (BAR) reeds kort belicht. Omdat in dit onderzoek het BAR op woningbeleggingen centraal staat, zal ik in deze paragraaf uitgebreider ingaan op het begrip BAR, hoe een BAR_markt kan worden bepaald, de toepassing van het BAR en welke onderzoeken hierover zijn gepubliceerd.
3.3.1 Definities van het BAR Ten Have (2002) geeft de volgende definitie: “het op moment van verwerving geraamde bruto beleggingsresultaat, uitgedrukt in een percentage dat gedurende het eerste jaar van exploitatie op een investering in een vastgoedobject is te behalen”. Van Gool (2007) definieert in zijn boek ‘Onroerend goed als belegging’ het BAR als volgt: “het bruto aanvangsrendement is in essentie de bruto-aanvangshuur uitgedrukt in procenten van de investering”. Keeris (2001) geeft in zijn Vastgoedbeheer Lexicon aan: “het BAR is te omschrijven als het gedurende het eerste volledig jaar van exploitatie behaalde, dan wel –afhankelijk van de contextgeprognosticeerd te behalen beleggingsresultaat op een vastgoedinvestering, uitgedrukt als percentage van de gerealiseerde, respectievelijk geraamde, bruto huuropbrengst uit exploitatie, op basis van de feitelijke verhuursituatie, ten opzichte van de (aangenomen) verwervingskosten”. Van Bosse et al (2005) spreekt in het boek ‘Vastgoed rekenen met spreadsheets’ over “een ratio tussen de markthuur en de investering”. Deze ratio kan dan worden gehanteerd als een benchmark voor de waardering van een vastgoedproject. Conclusie: In de literatuur worden een aantal definities gegeven van het BAR. In vrijwel elke definitie wordt het BAR omschreven als het geprognosticeerd te behalen beleggingsresultaat op een vastgoedinvestering, uitgedrukt in een percentage van de in het eerste jaar van de exploitatie te behalen bruto huuropbrengst ten opzichte van de investering casu quo de waarde van het object. Dit beleggingsresultaat is dan het aanvangsrendement op een vastgoedbelegging, waardoor vaak wordt gesproken van een rendementsbegrip. Alleen Van Bosse et al (2005) is van mening dat het BAR geen rendement betreft. Daarentegen spreken zij van een ratio tussen de markthuur en de investering.
3.3.2 BAR_markt De wijze waarop het BAR op een investering wordt berekend is in paragraaf 3.2 belicht. Deze formule is vrij eenvoudig en gemakkelijk te hanteren door de institutionele belegger bij het beoordelen van vastgoedinvesteringen. Derhalve geeft het een eerste indruk van het rendement op een investering. Reeds heb ik aangegeven dat behalve bij het analyseren van een vastgoedbelegging de BAR methode ook gebruikt kan worden als waarderingsmethode. Zodra het BAR uitgangspunt is voor de waardering van een vastgoedbelegging dan wordt bij de bepaling van de marktwaarde van het beleggingsobject rekening gehouden met diverse correctieposten. De formule luidt dan als volgt: Bruto markthuur Marktwaarde v.o.n. =
- CW(markthuur-contracthuur) - CW(achterstallig onderhoud) - k.k BAR v.o.n.
Uit deze formule is af te leiden dat de BAR_markt een inputvariabele betreft. Wil een belegger de marktwaarde van een belegging bepalen dan zal hij de BAR_markt moeten vaststellen op basis van marketevidence. Dit betekent dat een belegger moet achterhalen welke transacties er hebben plaatsgevonden. Hiertoe zijn diverse bronnen beschikbaar, waaronder gepubliceerde transacties in vakbladen als Vastgoedmarkt en PropertyNL en publicaties van gerenommeerde grote commerciële
Determinanten van de BAR op woningbeleggingen
24
(inter)nationale makelaarskantoren 28 . Aan de hand van de gerealiseerde transacties kan –indien alleen huursom en waarde zijn gepubliceerd- worden berekend welke BAR is gerealiseerd en vaak wordt ook het BAR vermeld. Indien een verzameling van objecten overeenkomt met de te waarderen vastgoedbelegging dan kan de gemiddelde BAR van deze verzameling objecten als BAR_markt worden gehanteerd bij de waardebepaling van deze vastgoedbelegging (Langens, 2002). In praktijk blijkt dit evenwel lastig omdat veelal geen eenduidige definitie wordt gehanteerd in de transacties. Zo kan worden gesproken van een BAR v.o.n. of BAR k.k. Het verschil van een BAR k.k. met een BAR v.o.n. scheelt een factor 1,07 in verband met de kosten van overdrachtsbelasting (6%), notaris en onderzoekskosten (samen 1%). Toepassing van de BAR methode en interpretatie van marketevidence verdient dan ook de nodige zorgvuldigheid (Van Hulst, 2005). In deze scriptie zal de BAR_markt op andere wijze worden bepaald. De aanname die wordt gedaan is dat de BAR_markt kan worden afgeleid van de externe en interne taxaties van de woningbeleggingen die in de ROZ/IPD-index zijn geregistreerd. De institutionele beleggers die deelnemen aan de ROZ/IPD-index zijn verplicht om -sinds 2007- jaarlijks hun woningbeleggingen extern te waarderen op marktwaarde 29 . Dit betekent dat de externe taxateur in zijn waardering rekening houdt met in de markt gerealiseerde woningbeleggingstransacties. Indirect wordt dus marketevidence gebruikt om de marktwaarde van een woningbelegging te bepalen. Het marktconforme bruto aanvangsrendement van een woningbelegging wordt bepaald door een regressiemodel welke zo optimaal mogelijk is geschat op basis van de beschikbare data.
3.3.3 BAR versus DCF De BAR methode als basis voor waarderen wordt veel toegepast bij het waarderen van kantoorbeleggingen. Ten aanzien van het waarderen van woningbeleggingen wordt veel vaker gebruik gemaakt van de eerder besproken Netto Contante Waardemethode. In principe bestaat er een nauwe relatie tussen het aanvangsrendement en de Netto Contante Waardemethode. Door middel van de Netto Contante Waardemethode wordt de waarde van een object berekend door alle kasstromen contant te maken. De bruto contract huur in jaar 1 gedeeld door deze waarde vrij op naam (de kapitaalswaarde) is het bruto aanvangsrendement van de investering. De door de ROZ/IPD in haar rapportages gepubliceerde bruto aanvangsrendementen op woningbeleggingen, zijn op deze wijze berekend 30 . De ROZ noemt dit de “gross initial yield” en hanteert hiervoor de volgende formule: contract huur (t=0) Bruto aanvangsrendement =
Marktwaarde v.o.n.
x 100%
De op deze wijze berekende BAR betreft dan een output variabele. De data analyse die in hoofdstuk 5 aan de orde komt gaat uit van deze door de ROZ/IPD-index gerapporteerde bruto aanvangsrendementen (vrij op naam) voor woningbeleggingen.
3.3.4 Onderzoeken over het BAR In de bestaande literatuur is veel onderzoek en analyse gedaan over het BAR op vastgoedbeleggingen. Een groot deel van deze onderzoeken gaat in op welke wijze ontwikkelingen op de kapitaalmarkt en monetaire en economische factoren invloed hebben op het BAR op vastgoedbeleggingen. Andere studies gaan veel meer in op de verschillen in BARren naar vastgoedtype. Deze studies betreffen vooral onderzoek naar het BAR op commercieel vastgoed en dan specifiek de kantoorbeleggingen. Verhaegh (2005) verwijst in haar scriptie naar een aantal gepubliceerde onderzoeken over invloedsfactoren op de waarde en het rendement op kantoren. Een aantal van deze onderzoeken die relevant zijn voor het BAR op woningbeleggingen zal ik hierna aan de orde stellen. Ambrose en Nourse (1993) concluderen naar aanleiding van hun data analyse dat er verschillen zijn in BARren naar kantoortypes. Feitelijk komt het erop neer dat elk afzonderlijk kantoorobject een specifieke BAR kent. Dit is een logische redenering want vanwege verschillen in objectgebonden of locatiegebonden factoren en afhankelijk van de gebruiksmogelijkheden van het object kan er een hogere of lagere BAR worden toegepast bij de waardering ervan. Deze uitkomst geldt ook voor woningbeleggingen. Het is aannemelijk dat per woningtype –zoals eengezins- en meergezinswoning- een andere BAR van toepassing is. Gepubliceerde BARren door 28 Volgens onderzoek van Langens (2002) is onderlinge vergelijkbaarheid tussen deze publicaties relatief moeilijk, vanwege de verschillen in gehanteerde begrippen en regio-afbakening. Ook is vaak geen sprake van een representatieve marktdekking omdat veelal alleen uit eigen databases wordt gepubliceerd. 29 www.roz.nl 30 Definities ROZ/IPD Vastgoedindex, 15 maart 2007
Determinanten van de BAR op woningbeleggingen
25
onder andere DTZ en Troostwijk laten dit onderscheid ook duidelijk zien. In onderstaande tabellen zijn gemiddelde BARren van meergezins- en eengezinswoningen naar regio opgenomen. Hieruit blijkt dat in de periode 2008-2009 de aanvangsrendementen voor eengezinswoningen (EGW) gemiddeld tussen de 30 en 60 basispunten lager liggen dan die voor appartementen (MGW). 3.1 Aanvangsrendementen MGW in 2009 (2008)
Regio Noord* Oost* West Zuid
Gemiddelde 6,3% (6,3) 5,7% (5,1) 5,7% (5,6)
Bandbreedte 5,0 – 7,2 (6,0 – 6,7) 3,7 – 6,7 (3,5 – 6,7) 4,9 – 6,5 (4,7 – 6,3)
3.2 Aanvangsrendementen EGW in 2009 (2008)
Regio Noord* Oost* West Zuid
Gemiddelde 5,9% (5,3) 5,7% (5,1) 5,4% (4,7) 5,5% (5,0)
Bandbreedte 5,4 – 6,2 (4,7 – 5,8) 4,8 – 6,5 (4,8 – 5,4) 4,3 – 6,1 (3,1 – 6,0) 5,0 – 6,0 (4,5 – 5,9)
* Onvoldoende data of beperkt (< 5) aantal transacties
Over verschillen in BARren naar woningtype is weinig tot geen onderzoek gedaan. Daarom is het interessant te onderzoeken of het woningtype van significante invloed is op de hoogte van het BAR, zodat statistisch onderbouwde uitspraken kunnen worden gedaan. Behalve het kantoortype benadrukken Sivitianides en Sivitanidou (1999) in hun analyse dat BARren sterk afhankelijk zijn van de ontwikkelingen op de kapitaalmarkt, maar voornamelijk worden beïnvloed door lokale invloedsfactoren. Een aantal belangrijke factoren zijn de locatie, huurdersmix, hoogte markthuur, opnamecijfers, aanbodcijfers, werkgelegenheidcijfers en historische cijfers met betrekking tot huren. Hieruit mag je concluderen dat er sprake is van een lokaal gesegmenteerde kantorenmarkt. Deze segmentatie geldt ook voor de woningmarkt. Reeds heb ik in hoofdstuk 2 besproken dat er sprake is van diverse deelmarkten in de Nederlandse woningmarkt. Binnen elke deelmarkt spelen specifieke omstandigheden -zoals vraag en aanbod, huurprijzen, aantal huishoudens, besteedbaar inkomen, werkgelegenheid- een bepalende rol in de ontwikkeling van huizenprijzen en huurprijzen, hetgeen zich vertaald in verschillende BARren. Ook Amerikaans onderzoek door Phillips (1986) heeft aangetoond dat er grote verschillen bestaan tussen BARren voor woningbeleggingen in diverse metropolen, waaronder Los Angeles, Washington DC, San Francisco, Detroit, Philadelphia en Atlanta. Zijn conclusie is dat dit vooral te maken heeft met lokale marktomstandigheden, waaronder de al dan niet sterkere stijging van huizenprijzen – als gevolg van grote vraag naar woningen- ten opzichte van de huurprijsstijgingen. Een ander Amerikaans onderzoek (Podgozinski, 1991) benadrukt tevens het bestaan van een gesegmenteerde woningmarkt. Deze segmentatie wordt volgens de auteur veroorzaakt door “zoning”. Dit betekent dat bepaalde gezinnen met dezelfde behoeften gaan wonen in dezelfde wijk. Dit kan leiden tot homogeniteit in de wijk en kan gevolgen hebben voor verschillen in BARren. Een goed voorbeeld is “fiscal zoning”, waarbij door het heffen van hogere belastingen in het gebied alleen vermogende mensen zich hier zullen huisvesten met stijgende huizenprijzen tot gevolg. Ook in Nederland is deze situatie herkenbaar. Zo zijn de duurste huizen van Nederland gesitueerd in het Gooi, waar vaak de rijkere mensen wonen. Logischerwijs zullen investeringen in beleggershuurwoningen in dit segment van de woningmarkt gepaard gaan met lagere BARren. In het onderzoek van Almstrom (2002) wordt geconcludeerd dat uit de ‘huidige’ BAR berekeningen van vastgoedbeleggingen niet af te leiden is of prijzen rationeel zijn ten opzichte van onderliggende determinanten. Deze conclusie trekt hij omdat er volgens hem onvoldoende informatie beschikbaar is en er ook sprake is van ‘smoothing’ en ‘lagging’ binnen de vastgoedmarkt. Het ontbreekt vaak aan voldoende gerealiseerde beleggingstransacties op basis waarvan een vereiste BAR kan worden vastgesteld. Dit praktisch probleem speelt zich momenteel ook af bij het waarderen van woningbeleggingen. Zeker in de afgelopen periode zijn weinig beleggingstransacties verricht als gevolg van de financiële crisis, waardoor voldoende en goede marktevidence ontbreekt om de juiste BAR op een woningbelegging te bepalen. Dat BARren verschillen binnen meerdere markten wordt ook aangetoond in het onderzoek van Sivitianides, Southard, Torto en Wheaton (2001). Zij concluderen dat dit het gevolg is van verschillende marktkarakteristieken en dat beleggers hierdoor andere verwachtingen hebben ten aanzien van risico en huurinkomstengroei. Ook blijken de BARren gebaseerd te zijn op macroeconomische ontwikkelingen, zoals rente en inflatie. Tevens zijn zij van mening dat met econometrische modellen de hoogte van BARren kunnen worden voorspeld, omdat componenten van de BAR met historische data voorspelbaar zijn. Hiertoe hebben zij de datareeksen gebruikt van de NCREIF 31 . Evenwel is dan meer sprake van terugkijken dan vooruitkijken. Ook in de ROZ/IPD data is indirect sprake van waarderingen op basis van (recente) historische data. Derhalve zijn voorspellingen gedaan over de hoogte van BARren op woningbeleggingen. 31
National Council of Real Estate Investment Fiduciaries (USA)
Determinanten van de BAR op woningbeleggingen
26
In veel onderzoeken worden BARren onder andere gebruikt om vastgoedcycli te besturen. Uit diverse data blijkt dat op nationaal en regionaal niveau de BARren in de tijd niet stabiel -en cyclisch- zijn in de tijd. Karlsson (2003) heeft op nationaal niveau voor de Zweedse vastgoedmarkt onderzocht of er een relatie is tussen economische cycli en de cycli op de vastgoedmarkten in algemene zin. Hoewel het zeker zinvol is om de relaties in variabelen tussen economische cycli en vastgoedcycli te modelleren en daardoor te begrijpen, concludeert hij dat dit maar beperkt als basis kan worden gebruikt voor forecasting en het nemen van beslissingen op portefeuilleniveau. Naast alle conclusies over BARren in onderzoeken die zijn gestoeld op basis van beschikbare data, zijn verschillen in de hoogte van BARren ook op andere wijze te bepalen. Zo stellen Phyrr, Roulac en Born (1999) dat vraag en aanbod binnen de vastgoedmarkt voornamelijk worden beïnvloed door menselijk gedrag en economische activiteit. Immers heeft iedere belegger een eigen visie en gevoel over een vastgoedobject en zal op basis hiervan zijn verwachtingen over huurniveau, hoogte exploitatiekosten en overige factoren inschatten. Dit zal resulteren in veranderende BARren per locatie en regio.
3.4 Risico’s bij woningbeleggingen Het beleggen in direct vastgoed is risicovol. Daarom is het inschatten van de risicofactoren en daarmee het bepalen van de risicopremie voor de vastgoedbelegging belangrijk. Aan de hand van onder andere deze risicopremie wordt de opbouw van het BAR bepaald. Feitelijk is dit de rendementseis voor de belegger. De hoogte van het BAR zegt iets over het risicoprofiel van de vastgoedbelegging. Deze paragraaf gaat in op het vaststellen van de risicopremie op een woningbelegging en welke risicofactoren hierbij een rol spelen ofwel hieraan ten grondslag liggen.
3.4.1 Risicopremie Zoals gezegd is de hoogte van het BAR een indicatie voor het risicoprofiel van een woningbelegging. Het is echter zeer lastig om de juiste BAR te bepalen. Het is dan ook niet verwonderlijk dat Baum en Crosby (1996) de BAR omschrijven als “a highly complex measure of the quality of an investment”. In de praktijk wordt vaak een theoretische opslagmethode gehanteerd om de hoogte van de BAR te bepalen. Als basis wordt de risicovrije rente genomen 32 . Deze is samengesteld uit de algemeen geldende inflatie -want beleggers willen minimaal een inflatiecorrectie op hun geïnvesteerde vermogen- en de reële rente. Vaak wordt uitgegaan van de rente op een staatslening met een looptijd van 10 jaar. Bovenop de risicovrije rente komt de risicopremie die geëist wordt voor het beleggen in vastgoed. Deze wordt volgens Van Gool (2007) min of meer arbitrair bepaald en bestaat uit een vastgoedspecifieke, sectorspecifieke en objectspecifieke risico-opslag. De risicopremie kan enerzijds positief –in geval sprake is van hoge risico’s- en anderzijds negatief – wanneer sprake is van verwachte huur- en waardegroei- zijn. Per woningbelegging wordt gevarieerd in de risicopremie als gevolg van risicoverschillen. Vaak wordt op basis van historische rendements-/risicoverhoudingen de risicopremie bepaald (Eduard, 2007). Ook kan deze risico-opslag worden bepaald met behulp van het Capital Asset Pricing Model. Hierbij worden beta’s als maatstaf gebruikt om het risico van een belegging te bepalen. Deze beta meet de gevoeligheid van een belegging ten opzichte van niet-beïnvloedbare ontwikkelingen op markten op macro-niveau (Van Dijk, 2006). Met het CAPM wordt de risicopremie voor een woningbelegging bepaald vanuit een portefeuillebenadering.
3.4.2 Risicofactoren Hoe hoog de risicopremie wordt ingeschat is dus afhankelijk van de risicofactoren voor een woningbelegging. Uit de theorie en praktijk kunnen een groot aantal risicofactoren worden benoemd. Het zijn onzekere of onbekende factoren die het rendement op een woningbelegging positief of negatief kunnen beïnvloeden. In paragraaf 3.2 heb ik laten zien dat het totaal rendement op een woningbelegging wordt bepaald door een direct en indirect rendement. De exogene variabelen in deze formules hebben invloed op het rendement en de waarde van de woningbelegging. Dit zijn dan ook in belangrijke mate de risicofactoren waar een belegger rekening mee moet houden bij het investeren in een woningbelegging. De volgende risicofactoren zijn uit de formules te onderscheiden: • • • • • 32
Huurinkomsten Huurprijsontwikkeling (o.a. contracthuur versus markthuur) Leegwaarde Leegwaarde ontwikkeling Huurderving (leegstand / huurkorting / debiteuren) Van Gool (2007)
Determinanten van de BAR op woningbeleggingen
27
• • • • •
Mutatiegraad Disconteringsvoet Kostenontwikkeling (exploitatiekosten) Exit Yield/Restwaarde (bij)investeringen
Naast bovengenoemde exogene variabelen moet de belegger ook rekening houden met risicofactoren die invloed hebben op de prijs ofwel leegwaarde van een woning. Immers is de leegwaarde een belangrijke variabele bij het waarderen van een woningbelegging. De leegwaarde is afhankelijk van een aantal risicofactoren ofwel determinanten. In de volgende paragraaf zal ik de belangrijkste determinanten benoemen.
3.5 Potentiële determinanten Zoals gezegd is in de literatuur weinig onderzoek gedaan naar het BAR op woningbeleggingen. Wel is er veel geschreven over de determinanten van woningprijzen. Met behulp van statistische modellen trachten de onderzoekers de bepalende determinanten van de leegwaarde (ofwel prijs) van een woning inzichtelijk te krijgen. Vaak wordt gebruik gemaakt van de hedonische prijsanalyse omdat vastgoed een heterogeen product is. Met deze methode kunnen namelijk de belangrijkste waardebepalende variabelen van de woning inzichtelijk worden gemaakt. Per variabele kan dan worden bepaald wat de bijdrage is aan de waarde van de woning. Freeman (1979) was een van de eerste onderzoekers die de hedonische prijsanalyse in de vastgoedsector heeft toegepast en dan specifiek voor de woningmarkt. Onderstaand zijn een aantal onderzoeken genoemd die de determinanten van woningprijzen beschrijven, echter is dit geen uitputtend overzicht van beschikbare onderzoeken. Visser en Van Dam (2006) stellen in hun onderzoek ‘de prijs van de plek’ dat de leegwaarde van een woning wordt bepaald door een aantal determinanten. Naast de woningkenmerken zoals grootte en ouderdom van de woning, die tot 50% de leegwaarde bepaalt, heeft de kwaliteit van de woonomgeving een belangrijke invloed op de prijs van een woning. Het gaat dan vooral om sociale kenmerken van de woonomgeving, zoals status en sociale klasse, en functionele kenmerken van de woonomgeving, zoals de bereikbaarheid en werkgelegenheid. Dit is een logische verklaring want iemand die een woning koopt, koopt niet alleen de fysieke woning, maar koopt daarmee ook een woonomgeving. De woonomgeving speelt daarom een belangrijke rol in het woningkeuze gedrag van mensen. Institutionele beleggers zullen dan ook aandacht moeten hebben voor deze kenmerken alvorens wordt geïnvesteerd in een woningbelegging, zodat bij uitponden de woningen goed te verkopen zijn. Bourassa et al (1999) heeft in zijn onderzoek statistisch aangetoond dat het bestaan van een gesegmenteerde woningmarkt leidt tot prijsverschillen tussen woningen. In andere internationale studies wordt het belang van een gesegmenteerde markt ook als belangrijke determinant genoemd van verschillen in prijzen van vergelijkbare woningen binnen steden, wijken en buurten (Archer et al, 1996 en Phillips, 1988). Het onderzoek van Daly et al (2003) laat zien dat deze segmentatie in de woningmarkt wordt veroorzaakt doordat consumenten op zoek zijn naar verschillende typen woningen. Een en ander is afhankelijk van de leeftijd en gezinssamenstelling van de woonconsument. Goodman (1989) heeft onderzocht dat de prijs van woningen afhankelijk is van drie belangrijke determinanten zijnde de kwaliteit van de locatie, de kwaliteit van de woning en de kwaliteit van de woonomgeving. Een studie van het CPB (2005) toont aan dat de reële huizenprijsontwikkeling wordt bepaald door de niveaus van het reëel beschikbaar looninkomen, het financiële gezinsvermogen (exclusief aandelen), de reële rente en de woningvoorraad. In een Amerikaanse studie van Wolverton et al (2000) worden ligging, jaar van verkoop, leeftijd van de woning, kaveloppervlak, huistype (geschakeld of niet), aantal badkamers en intern oppervlak (GBO) als belangrijkste prijsbeïnvloedende determinanten van een woning genoemd. In het artikel van Bastiani et al (2004) worden de locatie, woningtype, pandinhoud, woonoppervlak en perceeloppervlak gezien als de meest waardebepalende variabelen van de leegwaarde van een woning. Zij concluderen dat een hogere score op locatie en woningtype en een grotere pandinhoud en woon- en perceeloppervlak leiden tot een hogere waarde van de woning.
Determinanten van de BAR op woningbeleggingen
28
In het onderzoek van Francke (2000) wordt -binnen de woningdeelmarkt Breda- aangetoond dat een aantal verklarende variabelen in de analyse van significant belang zijn. Het gaat daarbij om de grootte van de woning, de woonomgeving, het bouwjaar en het woningtype. Schreurs (2006) maakt een onderscheid naar categorieën determinanten die invloed hebben op de leegwaarde van een woning. Hij groepeert de determinanten in de volgende dimensies: 1. Fysische determinanten: Hier gaat het om de kenmerken van de woning. Bepalende determinanten zijn type woning, oppervlak en inhoud woning, aantal kamers, grootte perceel en leeftijd en onderhoudstoestand van de woning. 2. Geografische determinanten: Hieronder vallen de locatie van de woning, afstand tot winkels en overige voorzieningen, ligging ten opzichte van uitvalswegen, etc. 3. Sociaal-culturele en demografische determinanten: De belangrijkste determinanten zijn de sociale klasse waar de woning zich bevindt, aantal gezinnen en de gezinssamenstellingen in de wijk/regio, aantal huishoudens, vergrijzing en zoning. 4. Economische determinanten: In deze categorie worden besteedbaar inkomen, hypotheekrente, belastingen en de betaalbaarheidindex als belangrijkste determinanten genoemd. Alle bovengenoemde ‘waardebepalende’ determinanten kunnen van invloed zijn op het BAR van een woningbelegging. Want zoals in paragraaf 3.3 is beschreven betreft het BAR op een woningbelegging een resultante van de huurinkomsten in jaar 1 van de exploitatieperiode en de waarde van het vastgoed. Derhalve zijn dit potentiële determinanten die het BAR op een woningbelegging kunnen verklaren. Welke determinanten het meest bepalend zijn kan worden vastgesteld door het uitvoeren van een regressieanalyse.
3.6 Deelconclusie De begrippen rendement, waarde en risico zijn uitvoerig besproken. Conclusie is dat deze begrippen onlosmakelijk met elkaar zijn verbonden. Er is inzicht gegeven in hoe een institutionele belegger het rendement op een woningbelegging berekent. Dit rendement is gerelateerd aan de waarde en waardeontwikkeling van de belegging. Uitgangspunt is dat de belegger een zo hoog mogelijk rendement wil behalen bij een aanvaardbaar risico. Hiertoe dient hij de risico’s ten aanzien van de investering zo goed mogelijk in te schatten. Hiervoor zijn een aantal risicofactoren te onderscheiden. Deze risicofactoren zijn rendement- en waardebepalende determinanten van een woningbelegging. De vastgoedpraktijk hanteert diverse waarderingsmethoden voor het bepalen van de waarde van vastgoed. Deze waarderingsmethoden worden in de theorie ingedeeld naar een comparatieve, kosten- en inkomstenbenadering. Voor woningbeleggingen wordt veelvuldig gebruik gemaakt van de Netto Contante Waarde methode. Dit in tegenstelling tot commercieel vastgoed waar vaker de BAR methode wordt gehanteerd. Beide methoden vallen onder de inkomstenbenadering. Tussen het BAR en de NCW methode bestaat een nauwe relatie. Door de bruto contracthuur in jaar 1 te delen door de marktwaarde van de woningbelegging, wordt het BAR vrij op naam berekend. Dit is het BAR die ook wordt gepubliceerd door de ROZ/IPD-index en wordt de ‘gross initial yield’ genoemd. Deze BAR is vervolgens nader beschouwd. In de bestaande literatuur is veel onderzoek en analyse gedaan over het BAR en haar externe invloedsfactoren, opbouw en determinanten. Het gaat dan met name over het BAR op kantoorbeleggingen. Helaas geldt dit in mindere mate voor het BAR op woningbeleggingen. Wel zijn de resultaten uit onderzoeken over het BAR op kantoorbeleggingen relevant voor het BAR op woningbeleggingen. Een goed voorbeeld is dat zowel de kantorenmarkt als de woningmarkt lokaal gesegmenteerde markten zijn. Er is sprake van verschillende deelmarkten waarbinnen specifieke omstandigheden –zoals vraag en aanbod, huurprijzen en werkgelegenheid- resulteren in verschillende BARren. Daarom is het interessant om deze onderzoeken als uitgangspunt te nemen bij het selecteren van de determinanten voor directe Nederlandse woningbeleggingen op basis waarvan een data-analyse wordt verricht.
Determinanten van de BAR op woningbeleggingen
29
Hoofdstuk 4 Analysemodel 4.1 Inleiding In de literatuurstudie is naar voren gekomen dat er verschillende methoden worden gehanteerd om de waarde van vastgoed te bepalen. Wordt specifiek gekeken naar de waardering van woningen, dan blijkt dat vele studies bij het schatten van de waarde uitgaan van de hedonische prijsanalyse als onderzoeksmethodiek. Deze methodiek wordt dikwijls gerealiseerd op basis van een regressieanalyse. In dit hoofdstuk wordt de achtergrond van het statistische analysemodel beschreven, waarbij de onderzoeksmethodiek centraal staat.
4.2 Meervoudige regressieanalyse Ten aanzien van de probleemstelling van het onderzoek zal statistische data-analyse moeten aantonen wat de meest verklarende determinanten zijn van het bruto aanvangsrendement op directe Nederlandse woningbeleggingen. De potentiële rendement- en waardebepalende determinanten zijn reeds in hoofdstuk 3 besproken. Dit zijn een groot aantal onafhankelijke variabelen die elk hun invloed uitoefenen op de waardering van de woning en daarmee impliciet op het BAR van de woningbelegging. Om de samenhang tussen meerdere onafhankelijke variabelen (X) ten opzichte van de afhankelijke variabele (Y) –het BAR van de woningbelegging- te verklaren wordt gebruik gemaakt van de meervoudige lineaire regressieanalyse als onderzoekstechniek. Deze methode biedt een goede mogelijkheid om op basis van de beschikbare informatie uit een databank de invloed van de verschillende variabelen op het BAR van de woningbelegging te berekenen. Uiteindelijk laat de regressieanalyse zien of er samenhang is, hoe groot deze samenhang is en of er sprake is van een positief dan wel een negatief verband. Voldoende literatuur is beschikbaar waarin uitgebreid wordt beschreven hoe een meervoudige regressie analyse kan worden uitgevoerd. Een aantal statistische principes, maten en toetsen voor de uiteindelijke interpretatie van het geschatte optimale model worden van cruciaal belang geacht. Hierna volgt een korte samenvatting hoe de meervoudige regressieanalyse wordt uitgevoerd.
4.2.1 Regressievergelijking In een meervoudige lineaire regressieanalyse wordt in de vorm van een wiskundige vergelijking het verband tussen onafhankelijke variabelen en de afhankelijke variabele gekwantificeerd. Het belang van de onafhankelijke variabele kan worden uitgedrukt in een gewicht dat de relatieve bijdrage aan de voorspelling van de afhankelijke variabele aangeeft. De algemene vorm van de meervoudige regressievergelijking is: Y = α + β1X1 + β2X2 + β3X3 + β4X4 +………+ βnXn + ε Waarin:
Y = de afhankelijke variabele (endogene) X = de onafhankelijke variabele (exogene) α = de constante (of intercept) β = de regressiecoëfficiënt ε = de storingsterm
4.2.1 Modelspecificatie Omdat er voor dit onderzoek vooraf weinig kennis bestaat omtrent de verklaringskracht van de onafhankelijke variabelen van het optimale regressiemodel ligt een stapsgewijze benadering voor de hand. Deze benadering kan op twee manieren worden opgebouwd 33 . Een eerste manier is het opnemen van alle onafhankelijke variabelen in het model, en vervolgens, bij elke nieuwe stap ‘de slechtste’ variabele -die met de minst voorspellende waarde ofwel de geringste daling van de variantie (R2) tot gevolg had- uit dit model te verwijderen. Deze aanpak heet ‘backward elimination’. In de tweede plaats kun je beginnen met een ‘lege’ regressievergelijking, waarbij je in elke nieuwe stap een onafhankelijke variabele toevoegt, totdat een nieuwe toevoeging geen significante bijdrage meer levert aan de verklaring van variantie (R2) in de afhankelijke variabele. Hierbij geldt dat variabelen Xi op zeker moment weer uit het model kunnen verdwijnen 34 . Dit is de ‘forward estimation’ methode. Deze methode heeft echter de volgende tekortkoming: zodra bij het 33 34
Hair et al (1998), Multivariate Data Analysis, Fifth Edition, Prentice Hall A. Buijs (1998) Statistiek om verder mee te werken, tweede druk, Stenfert Kroese, Houten
Determinanten van de BAR op woningbeleggingen
30
toevoegen van een extra variabele één van de vorige geselecteerde variabelen niet langer significant is, dan bevat het eindmodel een niet-significante variabele, hetgeen het model onjuist maakt. Dit zou niet juist zijn voor het trekken van conclusies op basis van de beschikbare data. Daarom heeft het de voorkeur om een combinatie van beide methoden te kiezen. Dit heet de ‘stepwise’ methode. Om het optimale model te creëren is gekozen voor het toepassen van deze ‘stepwise’ methode. In dit onderzoek zal het BAR op een woningbelegging de te verklaren (endogene) variabele Y zijn. De X geeft de verschillende bepalende determinanten (exogene variabelen) weer die de Y verklaren. De bèta’s zijn de verschillende vermenigvuldigingsfactoren voor de determinanten X. De alfa wordt geschat en is een constante factor in het model. Het is niet reëel te veronderstellen dat een foutloze verklaring of voorspelling wordt gedaan met het model (ε). Daarom is er ruimte voor een bepaalde foutenmarge of storingsterm die in het geschatte model wordt meegenomen. Hiermee bestaat het model uit een voorspelbaar deel (α + β1X1 + β2X2 + β3X3 + β4X4 +………+ βnXn) en een onvoorspelbaar deel door effecten van bekende en onbekende factoren, namelijk de storingsterm (ε). Het optimale model wordt dan als volgt:
BAR woningbelegging = α + β1* determinant1 + β2* determinant2 + …… + βn* determinantn + ε
4.2.3 Toetsen van het model Er zijn een aantal statistische uitkomsten, maten en toetsen van belang bij het uitvoeren van een meervoudige lineaire regressieanalyse. Afhankelijk van deze output kunnen wel of geen statistisch verantwoorde uitspraken worden gedaan met de regressievergelijking. Met de onderstaande berekeningen kan het regressiemodel worden getoetst: Correlatiecoëfficiënt (R) Dit is een maatstaf voor de samenhang. R neemt altijd een waarde aan tussen –1 en +1, waarbij – 1 staat voor een volledig negatieve samenhang, 0 voor gebrek aan samenhang en +1 voor volledige samenhang. Determinatiecoëfficiënt (R2) Dit is de correlatiecoëfficiënt in het kwadraat en verklaart de variantie van het regressiemodel. Het geeft aan hoe goed het model is ofwel hoeveel % van de totale variantie van Y verklaard wordt door de gebruikte onafhankelijke variabelen. Indien de verklaarde variantie zeer hoog is –groter dan 0,9- dan heb je een bijna perfect regressiemodel. Een R2 van 0,9 betekent dat 90% van het regressiemodel wordt verklaard door de gebruikte exogene variabelen in het model en de overige 10% wordt toegeschreven aan de storingsterm (ε). In de meeste onderzoeken is een waarde tussen 0,3 tot 1,0 acceptabel. F-toets Met de F-toets wordt het gehele regressiemodel getoetst. Hierbij wordt beoordeeld of de hoeveelheid verklaarde variantie door de vergelijking –de determinatiecoëfficiënt R2- significant groter dan nul is. De F-test wordt grofweg uitgevoerd door de uit de α en β’s verklaarde variantie te delen door de variantie die moet worden toegeschreven aan de storingsterm (ε). Hieruit volgt dat naarmate de F-waarde groter wordt, de hoeveelheid verklaarde variantie groot is en de kans (significantie van F) dat de onderzochte relatie enkel op toeval berust steeds kleiner wordt 35 . T-toets Bij de T-toets gaat het juist om het toetsen van de individuele exogene variabelen van het regressiemodel. Hiermee wordt bepaald of de individuele regressiecoëfficiënt een oorzakelijk verband heeft met de te verklaren (endogene) variabele. Getoetst wordt of de coëfficiënt significant afwijkt van nul. Indien dit niet het geval is dan voegt de variabele niets toe aan het model en moet dan ook direct worden geëlimineerd. Je beoordeelt dus of de alfa en de bèta’s toegevoegde waarde hebben, telkens als je een nieuwe exogene variabele toevoegt. De t-waarde moet groter zijn dan 2,0 of -2,0. Partiële F-waarde Hierbij gaat het om het selecteren van de ‘slechtste’ exogene variabele. Deze waarde geeft aan hoeveel unieke variantie de kandidaat exogene variabele kan verklaren in de endogene variabele, gegeven de variantie die reeds door de overige in de vergelijking opgenomen exogene variabelen wordt verklaard. 35
Dubbelhuis (2006)
Determinanten van de BAR op woningbeleggingen
31
Multicollineariteit Hoge correlaties tussen exogene variabelen is niet gewenst, omdat je dan variabelen in het regressiemodel hebt die elkaar gaan beïnvloeden. Het kan namelijk zo zijn dat een exogene variabele totaal wordt weggedrukt door een andere exogene variabele. Anders gezegd, we kunnen de effecten van te sterk samenhangende onafhankelijke variabelen niet goed uit elkaar houden. Deze sterke concurrentie is niet gewenst. Het gaat er juist om dat elke exogene variabele afzonderlijk een unieke bijdrage heeft aan de te verklaren endogene variabele Y. Indien sprake is van deze onderlinge concurrentie -ofwel samenhang- dan wordt dit multicollineariteit genoemd. De multicollineariteit wordt getoetst door gebruik te maken van de Pearson correlatiecoëfficiënt. De correlatiecoëfficiënt moet dan groter of gelijk zijn aan 0,6.
4.2.4 Assumpties regressieanalyse Zoals aan elke statistische toets stelt de techniek van meervoudige regressieanalyse een aantal assumpties aan de data voordat een regressieanalyse wordt uitgevoerd 36 . Deze assumpties zijn: -
lineariteit: er dient een lineair verband te zijn tussen de exogene en endogene variabelen. onafhankelijkheid van de storingsterm (ε) ofwel alle relevante variabelen zijn meegenomen en er zijn geen wezenlijke verklarende variabelen buiten beschouwing gelaten. standaard normale verdeling van de storingsterm (ε), anders bestaat de mogelijkheid dat er een variabele die van invloed is niet in het optimaal model is meegenomen. homosedasticiteit: de storingsterm (ε) is voor alle waarden van de exogene variabele gelijk alle variabelen die zijn meegenomen zijn onafhankelijk van elkaar ofwel er is geen of in slechts beperkte mate sprake van multicollineariteit. alleen de variabelen die significant van nul verschillen mogen in het optimaal model worden meegenomen. variabelen moeten zonder meetfouten gemeten zijn.
Op de assumpties wordt nader ingegaan in paragraaf 5.3.
4.4 Deelconclusie In dit hoofdstuk is de meervoudige lineaire regressieanalyse als onderzoekstechniek beschreven. Deze onderzoekstechniek wordt toegepast omdat sprake is van één endogene (te verklaren) variabele -het bruto aanvangsrendement- en meerdere exogene (verklarende) variabelen, zijnde de determinanten. Om te bepalen welke determinanten een significante invloed hebben op het bruto aanvangsrendement van een woningbelegging is gekozen voor een stapsgewijze benadering. Een aantal methoden is hiervoor te gebruiken, echter blijkt de ‘stepwise methode’ het meest geschikt waarbij niet-significante variabelen in het optimale regressiemodel worden uitgesloten. Daarom wordt de ‘stepwise methode’ gebruikt bij het uitvoeren van de meervoudige regressieanalyses. Een aantal statistische uitkomsten, maten en toetsen zijn van belang bij de uitvoering van de regressie analyse en interpretatie van de regressie uitkomsten. Hierbij moeten ook de assumpties van de data goed worden beoordeeld.
36
De Vries en Huisman (2007)
Determinanten van de BAR op woningbeleggingen
32
Hoofdstuk 5 Data Analyse 5.1 Inleiding In navolging van vooral Amerikaanse studies over waardebepaling, is de bedoeling van dit praktijkonderzoek eerst en vooral een beter inzicht te verwerven welke determinanten relevant zijn voor de bepaling van het BAR op een woningbelegging. Hiervoor wordt de in hoofdstuk 4 besproken meervoudige regressieanalyse als onderzoeksmethodiek toegepast. In paragraaf 5.2 wordt een beschrijving gegeven van de database en selectie van determinanten. Vervolgens wordt in paragraaf 5.3 toegelicht hoe de meervoudige regressieanalyses zijn uitgevoerd en wat de resultaten zijn. Deze analyses betreffen geheel Nederland, per regio en per woningtype voor de jaren 2007, 2008 en 2009. Het hoofdstuk wordt afgesloten met een deelconclusie.
5.2 Beschrijving database en selectie determinanten In deze paragraaf wordt ingegaan op de gehanteerde data voor de onderzoeksanalyse. Teneinde de gezochte relatie van determinanten met de BAR op een woningbelegging goed te kunnen bepalen zal over een groot aantal woningbeleggingsobjecten moeten worden beschikt. Hierbij is databeschikbaarheid belangrijk in het kader van dit onderzoek. Daarom is gebruik gemaakt van de informatie uit de ROZ/IPD Vastgoedindex. 5.2.1 Beschrijving database De Stichting ROZ Vastgoedindex is in 1995 gestart om een onafhankelijke index en benchmark voor directe vastgoedbeleggingen in Nederland met een institutioneel karakter. De ROZ Vastgoedindex wordt tot stand gebracht in samenwerking met de Investment Property Databank (IPD) gevestigd te Londen. Het doel van de ROZ/IPD Vastgoedindex is het creëren van transparantie in de Nederlandse vastgoedbeleggingsmarkt en daarnaast een bijdrage te leveren aan de verdere professionalisering van de sector. Hierbij maakt de ROZ/IPD onderscheid tussen zogenaamde ‘standing investments’ en ‘totaal aantal vastgoedobjecten’, inclusief aan- en verkopen, objecten in ontwikkeling en objecten die worden gerenoveerd. De ROZ/IPD Vastgoedindex heeft alleen betrekking op de ‘standing investments’, d.w.z. vastgoedobjecten die meer dan gedurende het gehele jaar in exploitatie zijn en niet in een majeure renovatiefase verkeren of worden uitgepond. Er zijn deel indices voor de verschillende segmenten van de vastgoedmarkt: winkels, kantoren, woningen en bedrijfsruimte 37 . Allereerst is de ROZ begonnen met het publiceren van een jaarindex. Hierbij worden de rendementen op vastgoedobjecten en vastgoedportefeuilles op jaarbasis gemeten. De index geeft het rendement weer exclusief de kosten, winsten of verliezen van actief portefeuillebeheer. Het laat als zodanig een meer zuivere vergelijking zien tussen verschillende vastgoedmarkten en is eveneens een geschikte maatstaf t.o.v. marktindexen van andere investeringscategorieën. Sinds 2009 is de ROZ ook gestart met publiceren van een kwartaalindex, zodat deelnemers -de institutionele beleggers- in de Vastgoedindex gedurende het jaar een indicatie krijgen van de marktbewegingen. Vanaf 1 januari 2010 zijn de kwartaalschattingen gebaseerd op 100% van de databank. Naast de vastgoedindexen per segment worden door de ROZ/IPD ook gegevens over de yields gerapporteerd. Zoals ik in paragraaf 3.3.3 heb aangegeven rapporteert de ROZ/IPD de zogenaamde Gross Initial Yield (GIY) welke centraal staat in dit onderzoek. Dit betreft een output variabele en is voor het grootste deel gebaseerd op waarderingen (taxaties) en niet op transacties 38 . De woningbeleggingen maken al langere tijd het grootste deel uit van de ROZ/IPD vastgoedindex (per 31-12-2009: 47,3%). In de vastgoedindex voor het segment woningen zijn 40 fondsen vertegenwoordigd (per 31-12-2009). Tezamen hebben zij 2.416 wooncomplexen in eigendom en vertegenwoordigen een totale kapitaalswaarde van Euro 18,4 miljard. Alle woningcomplexen zijn gelegen in Nederland en betreffen zowel eengezinswoningen als meergezinswoningen. In de database zijn al deze woningcomplexen opgenomen. Het betreffen de hiervoor genoemde ‘standing investments’. Hiermee wordt een belangrijk deel van de directe Nederlandse (commerciële) woningbeleggingen (in portefeuille bij institutionele vastgoedbeleggers) beschouwd. De analyse wordt dus verricht op basis van data met een brede marktdekking voor de Nederlandse directe woningbeleggingsmarkt.
37 38
www.roz.nl Van Hulst (2005)
Determinanten van de BAR op woningbeleggingen
33
5.2.2 Beschrijving van de dataselectie De database van de ROZ/IPD is opgebouwd uit een groot aantal variabelen. Niet alle variabelen zijn geschikt om in de analyse op te nemen. Derhalve is uit het databestand een selectie gemaakt van 18 variabelen, waarmee de relatie met de BAR op een woningbelegging is onderzocht. In onderstaande tabel zijn de geselecteerde onafhankelijke variabelen (lees: determinanten) weergegeven. Tabel 5.1 Onafhankelijke variabelen in database variabele 1 2 3 4 5 6 7 8 9 10 11 12 13
14 15
16 17 18
code var_1 var_2 var_3 var_4m117 var_5m131 var_6m146 var_8erfpacht var_10 var_11 var_12 var_13 var_14 var_15 var_15amsterdam var_15denhaag var_15utrecht var_15rotterdam var_15overig var_16 var_17 var_17<1970 var_171970-1979 var_171980-1989 var_171990-1999 var_17>2000 var_18 var_19 var_20
veldnaam/omschrijving determinant bruto markthuurwaarde per woning gebruiksvloeroppervlak (GBO) per woning contracthuur per woning exploitatiekosten als % van de theoretische huur totaal aantal woningeenheden bruto markthuurwaarde leegstand t.o.v. totaal erfpacht (ja/nee) geliberaliseerde huur (ja/nee) overgangsgebied huurprijs tussen € 600-700 per maand (ja/nee) gereguleerde huur (ja/nee) eengezinswoning (ja/nee) meergezinswoning (ja/nee) ligging in regio/stad (Amsterdam, Den Haag, Utrecht, Rotterdam, Overige): Amsterdam Den Haag Utrecht Rotterdam Overige eerder uitgepond wooncomplex (ja/nee) jaar van oplevering in de volgende klassenindeling: <1970 1970-1979 1980-1989 1990-1999 >2000 leegwaarde ratio (% marktwaarde k.k./leegwaarde k.k.) leegwaarde per woning leegwaarde per m2 GBO (ter indicatie van de woonomgevingkwaliteit)
In tabel 5.1 valt op dat er een aantal dummyvariabelen worden meegenomen in de analyse. Een dummyvariabele is een variabele die alleen de waarde 1 of 0 kan aannemen, afhankelijk van het wel of niet aanwezig zijn van een bepaalde eigenschap (Buijs, 1998). Bijvoorbeeld voor de variabele 11 ‘eengezinswoning’ geldt dat als het object een eengezinswoning betreft de waarde ‘1’ wordt ingevuld en indien dit niet het geval is wordt ‘0’ ingevuld. Bij de eerste selectie van data is rekening gehouden met de bij de ROZ/IPD beschikbare data. Uit de literatuurstudie in hoofdstuk 3 blijkt dat mogelijk meerdere (andere) variabelen tevens invloed hebben op de BAR bij woningbeleggingen. Omdat deze variabelen niet beschikbaar zijn vanuit de ROZ/IPD worden deze ook niet meegenomen in de analyse. Nadrukkelijk is gekeken naar de beschikbaarheid van de data voor alle complexen. Ondanks dat de ROZ/IPD al reeds langere tijd de performanceresultaten beschikbaar heeft, zijn de externe taxaties van woningbeleggingen pas sinds 2007 verplicht gesteld aan de deelnemers. Daarom wordt de data over de periode 2007 tot en met 2009 in de analyse betrokken. Helaas is voor de jaren 2007 t/m 2009 niet alle data volledig beschikbaar per complex. Dit betekent dat de door institutionele beleggers aangeleverde data niet volledig is. Met name ontbreekt data over het aantal m2 GBO per woning. Op dit punt zal in de toekomst verbetering noodzakelijk zijn, zodat de analyse kan worden verricht over alle objecten in de database van de ROZ/IPD. Hiermee wordt de analyse beter en betrouwbaarder. In tabel 5.2 is weergegeven hoeveel complexen -feitelijke waarnemingen- er uiteindelijk per jaar in de analyse zijn meegenomen. Tabel 5.2 Aantal objecten in de analyse jaar aantal objecten
2007 1.119
2008 924
2009 1.208
Alle data voor deze objecten zijn verwerkt en onderworpen aan een statistische meervoudige regressieanalyse met behulp van het programma SPSS.
Determinanten van de BAR op woningbeleggingen
34
5.3 Verwerking en analyse van de gegevens Ten eerste gaat deze paragraaf in op de aannames van de data bij de regressieanalyse. Vervolgens zullen de resultaten van de regressieanalyse worden beschreven waarbij onderscheid wordt gemaakt naar een analyse van geheel NL, een analyse per regio en een analyse per woningtype.
5.3.1 Aannames data Er is uitgegaan van een stapsgewijze meervoudige regressieanalyse, wat een standaard analysetechniek is in SPSS. Nadat de selectie van de onafhankelijke variabelen is gedaan, wordt allereerst beoordeeld of er in de data al dan niet sprake is van multicollineariteit alvorens de daadwerkelijke regressieanalyses kunnen plaatsvinden. Hiertoe is met behulp van de correlatiematrix onderzocht wat de hoogte is van de Pearson correlatiecoëfficiënt. Indien deze correlatiecoëfficiënt groter is dan 0,6 wordt één van de twee sterk samenhangende variabelen niet meegenomen in de verdere analyses. In onderstaande tabel zijn de onafhankelijke variabelen opgenomen met een correlatiecoëfficiënt groter dan 0,6. Tabel 5.3 Sterk samenhangende onafhankelijke variabelen Samenhangende onafhankelijke variabelen
bruto markthuurwaarde per woning (var_1) Ù contracthuur per woning (var_3) bruto markthuurwaarde per woning (var_1) Ù gereguleerde huur (var_12) bruto markthuurwaarde per woning (var_1) Ù leegwaarde per woning (var_19) contracthuur per woning (var_3) Ù leegwaarde per woning (var_19) overgangsgebied huurprijs (var_11) Ù gereguleerde huur (var_12) eengezinswoning (var_13) Ù meergezinswoning (var_14)
Pearson correlatiecoëfficiënt 0,884 0,624 0,682 0,652 0,604 0,949
In de verdere analyses zijn de variabelen bruto markthuurwaarde per woning (var_1), gereguleerde huur (var_12), meergezinswoning (var_14) en leegwaarde per woning (var_19) buiten beschouwing gelaten, zodat geen sprake meer is van multicollineariteit tussen twee onafhankelijke variabelen. Hiermee voldoet de data aan één van de genoemde assumpties in paragraaf 4.2.3. Niet aan alle overige genoemde assumpties zal kunnen worden voldaan in het onderliggende onderzoek. Met name zal in de praktijk sprake zijn van meetfouten, omdat nagenoeg altijd wordt uitgegaan van afronding in cijfers40. Wat betreft homosedasticiteit veronderstellen de meeste studies dat dit geen probleem vormt. De variantie in de storingstermen zal worden beschouwd constant te zijn over de data 39 . Dit wordt ook verondersteld in dit onderzoek. Tenslotte zijn niet alle mogelijke variabelen die van invloed kunnen zijn op de BAR meegenomen in de analyse, omdat bij de selectie van data rekening is gehouden met de bij de ROZ/IPD beschikbare data. Toch wordt uitgegaan van de meervoudige regressieanalyse als onderzoekstechniek omdat hiermee een goede indicatie kan worden gegeven van relaties tussen het BAR en haar belangrijkste determinanten 40 . Nu de assumpties bij meervoudige regressieanalyse zijn beoordeeld, is de vervolgstap het toepassen van de regressieanalyse op de data. Dit zal in de volgende paragrafen worden beschreven.
5.3.2 Analyse geheel Nederland Allereerst is de regressieanalyse uitgevoerd op basis van de data voor geheel Nederland. Naar aanleiding van deze analyse kan een algemene uitspraak worden gedaan over welke determinanten de belangrijkste invloed hebben op de BAR op woningbeleggingen. In de analyse wordt een onderscheid gemaakt tussen de ‘initial_yield’ en ‘initial_yield_ leegstand’. Het verschil tussen beide is dat de ‘initial_yield’ rekent met de contracthuur zonder dat de leegstand wordt meegenomen dit in tegenstelling tot de ‘initial_yield_leegstand’ waar de leegstand wel is opgenomen. Ofwel het gaat om de ‘initial_yield’ op basis van de contracthuur verhoogd met de leegstand. Deze leegstand wordt normaliter gewaardeerd tegen markthuur, echter vanwege het feit dat de institutionele beleggers de markthuur niet volledig aanleveren wordt in de database gerekend met de contracthuur. Je mag dan veronderstellen dat de ‘initial_yield_leegstand’ is gebaseerd op de theoretische huur. De regressieanalyse is gedaan over meerdere jaren. De resultaten worden dan ook per jaar weergegeven. 39 40
(Gujarati, 2003) Verhaegh (2005)
Determinanten van de BAR op woningbeleggingen
35
5.3.2.1 Analyse 2009 In tabel 5.4 zijn de regressieresultaten ‘initial_yield_von’ voor het jaar 2009 opgenomen. Hieruit kan worden geconcludeerd dat de variantie in de ‘initial_yield’ voor woningbeleggingen in Nederland in 2009 het meest wordt bepaald door variatie in (achtereenvolgens) de variabelen GBO per woning (V_22009), leegwaarde per m2 GBO (V20_2009), contracthuur per woning (V_32009), bouwjaar < 1970 (V_17<1970), aantal wooneenheden (V_5m131_2009), leegwaarde ratio (V18_2009), eerder uitgepond complex (V_162009), type woning (V_13EGW), leegstand % (V_6m146_2009), locatie regio/stad Rotterdam (V_15rotterdam), bouwjaar 1970-1979 (V_171970-1979) en locatie regio/stad Utrecht (V_15utrecht). Tabel 5.4 Regressieresultaten initial_yield_von_2009_geheel NL
α 1 2 3 4 5 6 7 8 9 10 11 12
determinant
coëfficiënt
t
significantie
adjusted R2 (cumulatief)
(Constant) V_22009 V20_2009 V_32009 V_17<1970 V_5m131_2009 V18_2009 V_162009 V_13EGW V_6m146_2009 V_15rotterdam V_171970-1979 V_15utrecht
0,08843 -0,0002114 -0,0000099 0,0000266 -0,0042490 0,0000174 -0,0001855 -0,0020730 -0,0017070 -0,0000578 0,0017790 -0,0009536 -0,0023680
32,845 -20,089 -27,361 21,762 -7,898 5,724 -6,432 -5,032 -4,053 -2,518 2,294 -2,086 -2,073
0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,012 0,022 0,037 0,038
0,084 0,206 0,456 0,486 0,503 0,512 0,526 0,532 0,534 0,536 0,537 0,538
toename adjusted R2
F-waarde 118,368
8,40% 12,20% 25,00% 3,00% 1,70% 0,90% 1,40% 0,60% 0,20% 0,20% 0,10% 0,10%
Alle variabelen blijken significant van nul te verschillen. Dit is duidelijk af te lezen aan de t-waarde, welke voor alle determinanten groter is dan 2,0 en -2,0. De bovengenoemde 12 determinanten tezamen bepalen grotendeels de BAR op een woningbelegging in 2009. Hierbij geldt een adjusted R2 van 0,538 welke redelijk is te noemen. Dit betekent dat de combinatie van deze 12 determinanten in totaal 53,8% van de verklaringskracht van het optimale regressiemodel bepalen. Opvallend is dat determinanten 4 t/m 12 slechts in beperkte mate bijdragen aan een (cumulatief) hogere verklaringskracht van het model. We mogen dan ook concluderen dat de ‘initial_yield_von’ 2009 met name wordt bepaald door de determinanten 1 t/m 3. Dit zijn GBO per woning (V_22009), leegwaarde per m2 GBO (V20_2009) en de contracthuur per woning (V_32009). De twee determinanten met de hoogste bijdrage aan de verklaringskracht van het model zijn de contracthuur per woning (toename R2: 25%) en de leegwaarde per m2 GBO (toename R2: 12,2%). Hierbij geldt dat de BAR lager wordt naarmate de leegwaarde per m2 GBO toeneemt. Dit is gezien de praktijk logisch omdat de BAR gebaseerd is op de uitpondwaarde, waarbij een hogere leegwaarde zorgt voor meer uitpondopbrengsten en dus hogere cashflows die resulteren in een hogere uitpondwaarde. Bij een hogere contracthuur per woning is er minder potentie aanwezig naar markthuurniveau, waardoor de BAR hoger zal zijn. De BAR wordt ook hoger indien de contracthuur per woning in verhouding met de leegwaarde hoog is. Dit is de huur/leegwaarde ratio en is hoog als deze groter of gelijk aan 4% is. Tenslotte nog aandacht voor de F-waarde. Deze meet de algemene significantie van het regressiemodel en is positief (118,368), waardoor de hoeveelheid verklaarde variantie groot is en de onderzochte relatie niet puur op toeval berust 41 . 5.3.2.2 Analyse 2008 In onderstaande tabel 5.5 zijn de regressieresultaten opgenomen van de ‘initial_yield_von’ voor het jaar 2008. Ten opzichte van het jaar 2009 is de verklaringskracht van het model in 2008 licht hoger, namelijk 57,9% van het model wordt bepaald door 10 determinanten. Er zijn dus 2 determinanten minder die de verklaringskracht bepalen. Dit zijn ligging in Utrecht (V_15utrecht) en ligging in Rotterdam (V_15rotterdam). Blijkbaar is de ligging van een woningcomplex in deze regio’s onvoldoende significant om de ‘initial_yield’ deels te kunnen verklaren. In de analyse over 2008 blijken alle determinanten overeenkomstige richtingscoëfficiënten (+ of -) te hebben met het jaar 2009. De determinanten met de hoogste significantie en dus hoogste bijdrage aan de verklaringskracht van het model komen grotendeels overeen met de resultaten uit 2009. Opmerkelijk is wel dat een wooncomplex opgeleverd vóór 1970 de grootste bijdrage heeft aan de totale verklaringskracht (toename R2: 14,1%) van het regressiemodel. 41
In de overige regressieresultaten wordt hier niet verder op ingegaan zolang de F-waarde positief is (waarde > 1).
Determinanten van de BAR op woningbeleggingen
36
Een complex vóór 1970 resulteert in dit model tot een lagere BAR. Een verklaring hiervoor kan zijn dat deze complexen een relatief lage contracthuur kennen en daarom veel huurpotentie (naar markthuur) hebben bij mutatie. Ook zijn woningcomplexen met een relatief oud bouwjaar vaak al een keer gerenoveerd en wordt daarom beoordeeld als kwalitatief goed vastgoed. Hierdoor is een belegger bereid meer te betalen voor het woningcomplex, wat resulteert in een lagere BAR. Overigens is het bouwjaar verder blijkbaar geen noemenswaardige verklarende determinant, omdat andere bouwjaren weinig tot geen significante bijdrage hebben aan het model. Tabel 5.5 Regressieresultaten initial_yield_von_2008_geheel NL determinant α 1 2 3 4 5 6 7 8 9 10
coëfficiënt (β) 0,0768400 -0,0036490 -0,0028510 -0,0000085 -0,0002707 0,0000242 -0,0001506 -0,0051250 0,0000166 -0,0001534 0,0008148
(Constant) v_17<1970 V_13EGW V20_2008 v_6m146_2008 V_32008 V_22008 V_162008 v_5m131_2008 V18_2008 v_171980-1989
t
significantie
adjusted R2 (cumulatief)
29,306 -7,707 -6,605 -23,827 -6,658 16,907 -15,772 -11,534 5,623 -5,493 2,192
0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,029
0,141 0,228 0,331 0,380 0,415 0,500 0,548 0,563 0,577 0,579
toename adjusted R2
F-waarde 127,851
14,10% 8,70% 10,30% 4,90% 3,50% 8,50% 4,80% 1,50% 1,40% 0,20%
In dit regressiemodel is ook het woningtype één van de hoogst verklarende determinanten. BARren verschillen dus naar woningtype. Blijkbaar zijn eengezinswoningen meer gewild bij woningbeleggers, omdat de BAR lager is zodra het een woningbelegging betreft met eengezinswoningen. In hoofdstuk 3 is gebleken dat ook de praktijk uitwijst dat de aanvangsrendementen voor eengezinswoningen scherper zijn dan voor meergezinswoningen. Een eerste verklaring hiervoor kan zijn dat eengezinswoningen sneller en tegen een hogere verkoopprijs per m2 GBO worden uitgepond dan meergezinswoningen. Een andere verklaring is dat eengezinswoningen relatief lagere exploitatiekosten hebben dan meergezinswoningen, hetgeen resulteert in hogere netto cashflows en dus een hogere marktwaarde. De determinant leegstand % (V_6m146_248) heeft ten opzichte van 2009 een veel hogere verklaringskracht. Dit kan worden veroorzaakt door het feit dat de objecten in de database in 2008 een veel hoger leegstandpercentage hebben. Omdat de ‘initial_yield’ is gebaseerd op de contracthuur zal een hogere leegstand de BAR doen verlagen, omdat er juist meer huurpotentie aanwezig is. Omgekeerd geldt dit bij de ‘initial_yield_leegstand’. Immers is dan de BAR gebaseerd op de theoretische huur en zal meer leegstand leiden tot lagere cashflows resulterend in een lagere waarde en een hogere BAR. Ook kan de verklaring zijn dat een hoger leegstandpercentage een hogere uitpondwaarde genereert, omdat leegstaande woningen -bij waarderen op basis van uitpondscenario- direct in de verkoop gaan en snel kunnen worden verkocht. 5.3.2.3 Analyse 2007 In tabel 5.6 zijn de regressieresultaten van de ‘initial_yield_von_2007’ weergegeven. De regressieresultaten voor het jaar 2007 laten een vergelijkbaar beeld zien met die van 2008 en 2009. Ook hier is de richting van de regressiecoëfficiënt voor alle determinanten overeenkomstig. De verklaringskracht van het model ligt tussen die van 2008 en 2009 in, echter zijn deze vrijwel gelijk aan elkaar. Voor 2007 is de totale verklaringskracht van het regressiemodel 56,9% en wordt bepaald door 11 determinanten. Tabel 5.6 Regressieresultaten initial_yield_von_2007_geheel NL determinant α 1 2 3 4 5 6 7 8 9 10 11
(Constant) v_6m146_2007 V20_2007 V_13EGW V_32007 V_22007 V_162007 V18_2007 v_17<1970 v_5m131_2007 v_171970-1979 v_171980-1989
coëfficiënt (β) 0,08015000 -0,00014700 -0,00001047 -0,00281500 0,00003062 -0,00016270 -0,00684500 -0,00019520 -0,00157700 0,00000821 0,00159400 0,00106600
t
significantie
adjusted R2 (cumulatief)
36,191 -9,157 -29,122 -7,279 23,488 -19,052 -17,265 -9,184 -3,454 3,177 3,968 2,958
0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,002 0,000 0,003
0,072 0,132 0,239 0,319 0,404 0,511 0,540 0,557 0,563 0,566 0,569
Determinanten van de BAR op woningbeleggingen
toename adjusted R2
F-waarde 135,066
7,20% 6,00% 10,70% 8,00% 8,50% 10,70% 2,90% 1,70% 0,60% 0,30% 0,30% 37
De variantie in de ‘initial_yield’ voor woningbeleggingen in Nederland in 2007 wordt het meest bepaald door variatie in (achtereenvolgens) de determinanten leegstand % (V_6m146_2009), leegwaarde per m2 GBO (V20_2009), woningtype (V_13EGW), contracthuur (V_32009), m2 GBO per woning (V_22009), eerder uitgepond complex (V_162009), leegwaarde ratio (V18_2009), bouwjaar < 1970 (V_17<1970), aantal wooneenheden (V_5m131_2009), bouwjaar 1970-1979 (V_171970-1979) en bouwjaar 1980-1989 (V_171980-1989). Ook voor 2007 geldt dat de ligging van een woningcomplex niet van significante invloed is en geen bijdrage heeft aan de BAR. De meest verklarende determinanten zijn vrijwel gelijk aan die van 2008 en 2009. Dit zijn de contracthuur per woning (V_32007), woningtype (V_13EGW), leegwaarde per m2 GBO (V_20_2007), leegstand % (v_6m146_2007) en eerder uitgepond complex (V_162007). Deze laatste determinant heeft een hogere bijdrage aan de verklaringskracht van het model ten opzichte van de andere jaren. Hier is geen duidelijke verklaring voor te vinden. Een eventuele verklaring is dat koopwoningen in hetzelfde complex een positieve bijdrage hebben aan de uitstraling van het complex en de woonomgeving door goed onderhoud van particuliere eigenaren. Hierdoor zijn er goede marktreferenties voor taxaties beschikbaar die resulteren in een hogere leegwaarde. 5.3.2.4 Deelconclusie Naar aanleiding van de analyses op basis van data voor geheel Nederland kunnen de volgende conclusies worden getrokken voor de jaren 2007, 2008 en 2009: de regressieresultaten laten een vergelijkbaar beeld zien; de verklaringskracht van het optimale regressiemodel om de ‘initial_yield’ te verklaren is voor alle jaren vrijwel gelijk. De verklaringskracht per jaar is: 56,9% (2007), 57,9% (2008) en 53,8% (2009) en is redelijk te noemen; de richtingscoëfficiënt (+ of -) van alle significante determinanten is in de verschillende regressieanalyses van de ‘initial_yield’ overeenkomstig; alleen in de analyse van de ‘initial_yield_leegstand’ is sprake van een omgekeerd evenredige relatie van de determinant ‘leegstand %’. Dit wordt verklaard doordat dan de BAR gebaseerd is op de theoretische huur en dan zal meer leegstand leiden tot lagere cashflows resulterend in een lagere waarde en een hogere BAR. voor alle jaren geldt dat de leegwaarde per m2 GBO, de contracthuur per woning en m2 GBO per woning (V_22009) in belangrijke mate de BAR op een woningbelegging verklaren; alleen voor het jaar 2009 is de ligging van het wooncomplex (in een van de 4 grote steden) een significante determinant voor het verklaren van de BAR op een woningbelegging, echter is de verklaringskracht ervan beperkt; in 2007 en 2008 levert de determinant woningtype een hogere bijdrage aan de verklaringskracht van het regressiemodel. Blijkbaar zien beleggers scherpere aanvangsrendementen voor eengezinswoningen dan meergezinswoningen. De praktijk sluit hierbij aan; alle jaren is de determinant ‘jaar van oplevering <1970’ significant, echter alleen in 2008 blijkt een wooncomplex opgeleverd vóór 1970 de determinant met de grootste bijdrage aan de totale verklaringskracht van het regressiemodel.
Determinanten van de BAR op woningbeleggingen
38
5.3.3 Analyse per regio Natuurlijk is het interessant om te beoordelen of een analyse per regio leidt tot verschillen in verklarende determinanten van de ‘initial_yield’ ten opzichte van geheel Nederland. Tevens kan worden beoordeeld of er ook verschillen bestaan tussen regio’s onderling. Omdat er sprake is van verschillende deelmarkten binnen de woningmarkt is de verwachting dat de BAR per regio zal verschillen. Teneinde enorme hoeveelheden analyses te voorkomen is ervoor gekozen om alleen de analyses te verrichten over het jaar 2009. Een andere reden is dat voor dit jaar de meest recente data aanwezig is. Bij de indeling van de regio is uitgegaan van de 4 grote steden –Amsterdam, Utrecht, Rotterdam, Den Haag- met regio, omdat de verwachting is dat hierin voldoende objecten (datapunten) zijn gelegen zodat uitspraken over een deelmarkt kunnen worden gedaan. Als laatste subcategorie is overige locaties Nederland toegevoegd, waaronder vallen de woningcomplexen die niet zijn gelegen in een van de 4 grote steden. In tabel 5.7 zijn de aantallen objecten per subcategorie opgenomen voor het jaar 2009. Hierbij valt op dat de subcategorie Utrecht slechts 23 objecten telt. Er zijn te weinig datapunten in de index op basis waarvan verantwoorde uitspraken kunnen worden gedaan. Daarom is Utrecht niet meegenomen in de regressieanalyse. Tabel 5.7 Aantal feitelijke waarnemingen per regio Regio Amsterdam Utrecht Rotterdam Den Haag Overig NL
2009 44 23 49 50 1.039
5.3.3.1 Amsterdam Uit de regressieanalyse voor Amsterdam is gebleken dat de initial_yield_von_2009 van woningbeleggingen in Amsterdam enkel wordt bepaald door de determinant leegwaarde per m2 GBO (V_202009). Alle andere determinanten verschillen niet significant van nul en hebben daarmee geen verklaringskracht. Daarom is de verklaringskracht van het optimale regressiemodel ook slechts 16,0% en is onvoldoende te noemen. Derhalve kunnen met dit regressiemodel geen betrouwbare uitspraken worden gedaan en is dit reden om de resultaten niet weer te geven. Indien de regressieanalyse wordt uitgevoerd voor de ‘initial_yield_leegstand_von_2009’ dan zijn de resultaten geheel anders. Uit tabel 5.8 blijkt dat de totale variantie (adjusted R2: 64,9%) in de ‘initial_yield_leegstand_von_2009’ nu wordt bepaald door zeven determinanten. Dit zijn (achtereenvolgens) de leegwaarde per m2 GBO (V_20_2009), contracthuur per woning (V_32009), bouwjaar <1970 (V_17<1970), leegstand % (v_6m146_2009), leegwaarde ratio (V18_2009), GBO per woning (V_22009) en exploitatiekosten als % van de theoretische huur (V_4m117_2009). Tabel 5.8 Regressieresultaten initial_yield_leegstand_ von_2009_Amsterdam determinant α 1 2 3 4 5 6 7
(Constant) V20_2009 V_32009 v_17<1970 v_6m146_2009 V18_2009 V_22009 v_4m117_2009
coëfficiënt (β) 0,0977400 -0,0000068 0,0000252 -0,0178700 0,0004777 -0,0006117 -0,0001341 0,0005198
t 9,778 -7,716 7,372 -6,030 5,394 -5,375 -3,392 2,772
significantie 0,000 0,000 0,000 0,000 0,000 0,000 0,002 0,009
adjusted R2 (cumulatief)
toename adjusted R2
F-waarde 12,639
0,066 0,182 0,275 0,361 0,460 0,588 0,649
6,60% 11,60% 9,30% 8,60% 9,90% 12,80% 6,10%
Opvallend in deze analyse is dat voor de woningbeleggingen gelegen in Amsterdam geldt dat de determinant exploitatiekosten als % van de theoretische huur (v_4m117_2009) wel van significante invloed is op de BAR. Dit in tegenstelling tot de analyses voor geheel Nederland. De verwachting was dat ook voor geheel Nederland deze determinant significant van nul is en een hoge verklaringskracht heeft van de BAR op een woningbelegging. Immers zullen hoge exploitatiekosten normaliter leiden tot een hogere BAR en een lagere waarde van de woningbelegging. Blijkbaar denkt de markt hier heel anders over en hechten beleggers meer waarde aan andere determinanten.
Determinanten van de BAR op woningbeleggingen
39
5.3.3.2 Rotterdam De regressieresultaten voor Rotterdam tonen aan dat de initial_yield_von_2009 van woningbeleggingen in Rotterdam enkel wordt bepaald door de determinant erfpacht (v_8erfpacht). Alle andere determinanten verschillen niet significant van nul en hebben daarmee geen verklaringskracht. De verklaringskracht van het optimale regressiemodel is nog lager dan die van Amsterdam, namelijk 12,2% en is daarmee onvoldoende. Er kunnen geen betrouwbare uitspraken worden gedaan. Tabel 5.9 Regressieresultaten initial_yield_leegstand_ von_2009_Rotterdam determinant α 1 2 3
(Constant) v_6m146_2009 v_8erfpacht v_5m131_2009
coëfficiënt (β) 0,04734 0,0007438 0,005065 0,00002726
t
significantie
25,197 6,608 2,750 2,114
0,000 0,000 0,008 0,040
adjusted R2 (cumulatief)
Toename adjusted R2
F-waarde 15,170
0,327 0,425 0,465
32,70% 9,80% 4,00%
Op basis van de ‘initial_yield_leegstand_von_2009’ laat de regressieanalyse een heel ander beeld zien. Nu blijkt uit tabel 5.9 dat de totale variantie (adjusted R2: 46,5%) in de ‘initial_yield_leegstand_von_2009’ wordt bepaald door drie determinanten. Dit zijn (achtereenvolgens) leegstand % (v_6m146_2009), erfpachtsituatie (v_8erfpacht) en aantal wooneenheden (V_5m131_2009). 5.3.3.3 Den Haag Onderstaande tabel toont de regressieresultaten voor de regio Den Haag. In het optimale regressiemodel is de verklaringskracht 85,7%, hetgeen erg hoog is. Hiervoor is geen duidelijke verklaring te geven. Mogelijk speelt de oververtegenwoordiging van nieuwbouwcomplexen een rol. De initial_yield_von_2009 voor Den Haag wordt bepaald door achtereenvolgens de determinanten leegwaarde per m2 GBO (V_20_2009), contracthuur per woning (V_32009), GBO per woning (V_22009), leegwaarde ratio (V18_2009) en geliberaliseerde huur (V_102009). De determinant ‘bouwjaar <1970’ is in tegenstelling tot Amsterdam niet significant. Een verklaring hiervoor is dat in de database een oververtegenwoordiging is van nieuwbouwcomplexen en juist deze determinant is in de regressieanalyses geen onderscheidende factor gebleken. Tabel 5.10 Regressieresultaten initial_yield_von_2009_Den Haag determinant α 1 2 3 4 5
(Constant) V20_2009 V_32009 V_22009 V18_2009 V_102009
coëfficiënt (β) 0,15800000 -0,00001954 0,00005902 -0,00044980 -0,00080350 -0,00886700
t 15,619 -13,877 14,463 -13,735 -7,363 -3,872
significantie 0,000 0,000 0,000 0,000 0,000 0,000
adjusted R2 (cumulatief) 0,857
F-waarde 60,806
Alle determinanten -behoudens contracthuur per woning (V_32009)- hebben een negatieve richtingscoëfficiënt en verschillen significant van nul. Ofwel een toename van de waarde van deze determinanten zal leiden tot een afname van de BAR en dus een hogere waarde van het object. De resultaten voor de stad Den Haag komen niet overeen met die van Amsterdam. Dit is een verklaring voor het feit dat BARren per regio (kunnen) verschillen. Voor de ‘initial_yield_leegstand_von_2009’ zijn de regressieresultaten vrijwel gelijk aan de ‘initial_yield_von_2009’. De verklaringskracht van het model is nu licht hoger (adjusted R2: 86,7%) en enkel determinant leegstand % (v_6m146_2009) draagt extra bij aan de variantie van het regressiemodel. De richtingscoëfficiënt van deze determinant is positief ofwel een hogere leegstand in het wooncomplex zal leiden tot een hogere BAR en een lagere waarde. 5.3.3.4 Overig Nederland Tenslotte zijn de regressieresultaten weergegeven van de woningcomplexen welke niet zijn gelegen in een van de vier grote steden. In tabel 5.11 is te zien dat voor deze complexen het optimale regressiemodel een verklaringskracht heeft van 54,2%. Ten opzichte van de vier grote steden is deze verklaringskracht relatief laag te noemen. De variantie wordt nu bepaald door tien determinanten, waarvan de contracthuur per woning (V_32009), leegwaarde per m2 GBO (V_20_2009) en de GBO per woning (V_22009) de belangrijkste bijdrage hebben. Dit is gelijk aan de regressieresultaten in de afzonderlijke steden. Echter geldt nu voor woningcomplexen gelegen in de overige steden/regio’s dat er meer determinanten significant van nul verschillen en daarom
Determinanten van de BAR op woningbeleggingen
40
van invloed zijn op de ‘initial_yield’. Overigens dragen deze zeven determinanten afzonderlijk slechts in beperkte mate (toename adjusted R2: < 2,5%) bij aan de totale variantie in het model. Tabel 5.11 Regressieresultaten initial_yield_von_2009_Overig Nederland determinant α 1 2 3 4 5 6 7 8 9 10
(Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V_162009 V18_2009 V_13EGW v_6m146_2009 v_171970-1979
coëfficiënt (β) 0,08604000 -0,00021970 -0,00001041 0,00002762 -0,00406800 0,00001964 -0,00188000 -0,00014210 -0,00160900 -0,00006695 -0,00095250
t
significantie
29,345 -19,477 -25,240 19,340 -7,141 6,030 -4,311 -4,491 -3,626 -2,818 -2,078
0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,005 0,038
adjusted R2 (cumulatief)
toename adjusted R2
F-waarde 123,627
0,100 0,230 0,475 0,498 0,517 0,524 0,533 0,537 0,540 0,542
10,00% 13,00% 24,50% 2,30% 1,90% 0,70% 0,90% 0,40% 0,30% 0,20%
Uit de regressieresultaten voor de ‘initial_yield_leegstand’ kan worden afgeleid dat de variantie van het optimale regressiemodel hoger is dan bij de ‘initial_yield’. De variantie van 61,2% wordt bepaald door vrijwel dezelfde determinanten, waarbij de determinant leegstand % (v_6m146_2009) nu een veel hogere verklaringskracht heeft. Een complex dat is gebouwd tussen 1970-1979 heeft echter geen bijdrage meer aan de verklaringskracht. 5.3.3.5 Deelconclusie Naar aanleiding van de analyses op basis van data voor de vier grote steden en overig locaties in Nederland kunnen de volgende conclusies worden getrokken voor het jaar 2009: -
-
-
-
-
-
Voor de regio Utrecht zijn er geen regressieresultaten opgenomen, omdat er te weinig feitelijke waarnemingen zijn. De regressieresultaten van de andere steden/regio’s zijn vergelijkbaar met de resultaten van geheel Nederland. Ook hier geldt dat het bruto aanvangsrendement van een woningbelegging met name wordt bepaald door de vier determinanten contracthuur per woning (V_32009), leegwaarde per m2 GBO (V_20_2009), leegwaarde ratio (V18_2009) en GBO per woning (V_22009). Uit de analyse van objecten gelegen in Amsterdam blijkt dat er geen betrouwbare uitspraken kunnen worden gedaan over de ‘initial_yield_von_2009’ omdat alleen de determinant leegwaarde per m2 GBO (V_202009) van significante invloed is. De verklaringskracht van het model is slechts 16%. Ten aanzien van de ‘initial_yield_leegstand’ is juist wel sprake van voldoende verklaringskracht (adjusted R2: 64,9%). Voor de regio Rotterdam is de variantie van het optimale model ‘initial_yield_von_2009’ onvoldoende. Dit wordt veroorzaakt doordat slechts alleen determinant ‘erfpachtsituatie’ significant is. De analyse voor de ‘initial_yield_leegstand_von_2009’ levert betere resultaten, waarbij determinant leegstand % (v_6m146_2009) de hoogste bijdrage heeft aan de variantie. Bij de objecten gelegen in Rotterdam en Den Haag is het bouwjaar niet van significante invloed op de BAR. Vrijwel alle verklarende determinanten -behoudens contracthuur per woning, leegstand %, erfpachtsituatie en aantal wooneenheden - hebben een negatieve richtingscoëfficiënt. Uit de analyse van de objecten gelegen in de overige locaties in Nederland blijkt dat er wel meer verklarende determinanten zijn, echter is de bijdrage hiervan aan de variantie in het model gering. Het optimale regressiemodel heeft een relatief lage verklaringskracht ten opzichte van de andere regio’s Amsterdam, Rotterdam en Den Haag. Bij de waardering van woningbeleggingen (bepaling van de BAR) in de verschillende regio’s geldt dat de bepalende determinanten een afwijkende bijdrage hebben aan de verklaringskracht van het regressiemodel. Een verklaring hiervoor kan zijn dat er sprake is van verschillende deelmarkten in Nederland. Ook een niet-consistente wijze van waarderen kan hiervan de oorzaak zijn, waarbij de taxateur op diverse momenten van waarderen de determinanten al dan niet meeneemt in de waardering van de woningbelegging. Ondanks het beperkte aantal waarnemingen binnen een regio zijn er wel bepalende determinanten te onderscheiden. Meer waarnemingen zullen waarschijnlijk leiden tot betere regressieresultaten.
Determinanten van de BAR op woningbeleggingen
41
5.3.4 Analyse per woningtype In deze subparagraaf worden de resultaten besproken van de regressieanalyse van de ‘initial_yield’ per woningtype. Allereerst wordt ingegaan op het woningtype eengezinswoning. Vervolgens zullen de regressieresultaten van het woningtype meergezinswoning aan de orde komen. 5.3.4.1 Eengezinswoningen In totaal zijn van het woningtype eengezinswoning 700 woningcomplexen in de regressieanalyse betrokken. Deze analyse is alleen verricht over het jaar 2009. Tabel 5.12 geeft de resultaten weer. Tabel 5.12 Regressieresultaten initial_yield_von_2009_eengezinswoningen determinant α 1 2 3 4 5 6 7 8 9 10
(Constant) V20_2009 v_17<1970 V_32009 V_22009 v_5m131_2009 v_6m146_2009 v_8erfpacht V18_2009 V_162009 V_112009
coëfficiënt (β) 0,07630000 -0,00001034 -0,00493700 0,00003012 -0,00018590 0,00001553 -0,00007560 0,00232700 -0,00011500 -0,00150000 0,00073230
t
significantie
26,303 -25,666 -8,09 18,956 -17,518 4,215 -2,29 3,127 -3,679 -3,556 2,066
0,000 0,000 0,000 0,000 0,000 0,000 0,022 0,002 0,000 0,000 0,039
adjusted R2 (cumulatief)
toename adjusted R2
F-waarde 132,470
0,241 0,379 0,450 0,614 0,630 0,636 0,642 0,644 0,650 0,652
24,10% 13,80% 7,10% 16,40% 1,60% 0,60% 0,60% 0,20% 0,60% 0,20%
De variantie in de ‘initial_yield_von_2009’ wordt bepaald door variatie in achtereenvolgens de determinanten leegwaarde per m2 GBO (V20_2009), bouwjaar < 1970 (V_17<1970), contracthuur per woning (V_32009), GBO per woning (V_22009), aantal wooneenheden (V_5m131_2009), leegstand % (V_6m146_2009), erfpachtsituatie (v_8erfpacht), leegwaarde ratio (V18_2009), eerder uitgepond complex (V_162009) en huurprijs in overgangsgebied (V_112009). De totale variantie van het optimale regressiemodel is 65,2%. Deze is hoger dan het regressiemodel waarin alle type woningen over geheel Nederland zijn opgenomen (adjusted R2: 53,8%). Dit betekent dat naar woningtype de uitspraken over de ‘initial_yield’ meer betrouwbaar zijn. De determinanten leegwaarde per m2 GBO (V20_2009), bouwjaar <1970 (V_17<1970), contracthuur per woning (V_32009) en GBO per woning (V_22009) hebben de hoogste bijdrage aan de variantie. Derhalve zijn deze determinanten van significante invloed op de ‘initial_yield’ van een woningbelegging. Dit is overeenkomstig de analyse van alle type woningen voor geheel Nederland. 5.3.4.2 Meergezinswoningen In de regressieanalyse van het type meergezinswoning zijn in totaal 491 woningcomplexen beschouwd voor het jaar 2009. In tabel 5.13 zijn de regressieresultaten weergegeven. Tabel 5.13 Regressieresultaten initial_yield_von_2009_meergezinswoningen determinant α 1 2 3 4 5 6 7 8 9 10 11
(Constant) V20_2009 V_22009 V_32009 V18_2009 V_162009 v_5m131_2009 v_15amsterdam v_15utrecht v_8erfpacht v_17<1970 v_171970-1979
coëfficiënt (β) 0,10100000 -0,00000928 -0,00029650 0,00003012 -0,00029850 -0,00252600 0,00001552 -0,00536900 -0,00542000 0,00227000 -0,00213700 -0,00203900
t
significantie
21,416 -14,52 -13,894 13,965 -5,978 -3,346 3,319 -3,723 -2,841 2,371 -2,403 -2,114
0,000 0,000 0,000 0,000 0,000 0,001 0,001 0,000 0,005 0,018 0,017 0,035
adjusted R2 (cumulatief)
toename adjusted R2
F-waarde 32,140
0,093 0,129 0,309 0,335 0,357 0,373 0,384 0,394 0,403 0,407 0,411
9,30% 3,60% 18,00% 2,60% 2,20% 1,60% 1,10% 1,00% 0,90% 0,40% 0,40%
De verklaringskracht van het regressiemodel (adjusted R2: 41,1%) wordt bepaald door 9 determinanten. Ten opzichte van het woningtype eengezinswoning zijn er twee opmerkelijke verschillen te constateren. In eerste instantie valt op dat determinant leegstand % (V_6m146_2009) in dit regressiemodel niet van significante invloed is op de ‘initial_yield’. Ten tweede is voor het woningtype meergezinswoning ook de determinant ‘locatie’ van significante invloed op de BAR. Deze determinant heeft een negatieve richtingscoëfficiënt. Appartementen Determinanten van de BAR op woningbeleggingen
42
complexen gelegen in Amsterdam en Utrecht leiden tot een lagere BAR op de belegging. Hiermee is een verklaring gevonden voor het feit dat BARren verschillen per locatie en dat de betere locaties een lagere BAR hebben. Immers mag een woningbelegging in Amsterdam als een aantrekkelijke locatie worden beschouwd. Ook het feit dat Amsterdam en Utrecht de steden zijn met de sterkste economische ontwikkeling is van betekenis. De overige determinanten zijn vrijwel gelijk aan elkaar en dan vooral de determinanten die de hoogste verklaringskracht hebben in de totale variantie van het regressiemodel. Overigens is de variantie van dit regressiemodel (adjusted R2: 41,1%) een stuk lager dan bij het woningtype eengezinswoning. De regressieresultaten van de ‘initial_yield_leegstand’ voor beide woningtypen laten vergelijkbare uitkomsten zien met de ‘initial_yield’. 5.3.4.3 Deelconclusie De regressieanalyse naar woningtype over het jaar 2009 leidt tot de volgende conclusies: -
-
-
-
Uit de analyse van beide woningtypen blijkt dat de determinanten leegwaarde per m2 GBO (V20_2009), contracthuur per woning (V_32009) en GBO per woning (V_22009) een hoge bijdrage leveren aan de variantie. Dit is overeenkomstig de analyse van alle woningtypen in geheel Nederland. Het regressiemodel voor woningtype eengezinswoning heeft een hogere verklaringskracht dan die voor het type meergezinswoningen. Dit kan het gevolg zijn van een groter aantal datapunten voor het woningtype eengezinswoning. Voor het woningtype eengezinswoning heeft de determinant ´bouwjaar <1970´ een zeer hoge bijdrage aan de verklaringskracht van model. De determinant ‘leegstand %’ (v_6m146_2009) is in het optimale model voor het woningtype meergezinswoning niet significant. Voor het woningtype meergezinswoning is ook de locatie een belangrijke determinant. Voor de complexen gelegen in Amsterdam en Utrecht is de richtingscoëfficiënt negatief, zodat een object gelegen in een van beide steden zal leiden tot een lagere BAR en dus een hogere waarde. Op basis van de analyse naar woningtype is niet direct te verklaren dat BARren van eengezinswoningen gemiddeld lager zijn dan die van meergezinswoningen. Wel is dit geconstateerd in de analyse van geheel Nederland, waarbij de determinant eengezinswoning een negatieve bijdrage heeft op de BAR. Hiermee wordt aangetoond dat beleggers bereid zijn meer te betalen voor eengezinswoningen dan meergezinswoningen. Dit kan worden verklaard door het feit dat eengezinswoningen doorgaans makkelijker kunnen worden uitgepond dan meergezinswoningen. De resultaten voor de ‘initial_yield’ en ‘initial_yield_leegstand’ zijn voor beide woningtypen vrijwel gelijk. Alleen de determinant leegstand % heeft in het model voor ‘initial_yield_leegstand’ een veel hogere verklaringskracht. Per woningtype worden verschillende determinanten meegenomen bij de waardering van woningbeleggingen (bepaling van het bruto aanvangsrendement). Immers geldt voor beide woningtypen dat de onderliggende determinanten een verschillende bijdrage hebben aan de hoogte van de verklaringskracht van het model. Tevens zijn sommige determinanten niet significant genoeg om de BAR te kunnen verklaren. Derhalve heeft elke woningbelegging bepaalde objectkenmerken die van invloed zijn op de hoogte van de BAR en mag worden geconcludeerd dat BARren verschillen per woningtype.
Determinanten van de BAR op woningbeleggingen
43
Hoofdstuk 6 Toepasbaarheid analysemodel 6.1 Inleiding In dit hoofdstuk wordt de toepasbaarheid van het in hoofdstuk 4 en 5 omschreven regressiemodel bepaald. Hiertoe worden de regressievergelijkingen uit hoofdstuk 5 gebruikt bij de waardering (bepaling van het BAR) van de directe Nederlandse woningbeleggingen van Stichting Spoorwegpensioenfonds (SPF). In paragraaf 6.2 wordt beschreven hoe de directe Nederlandse woningbeleggingsportefeuille van SPF is opgebouwd. Vervolgens wordt in paragraaf 6.3 voor de jaren 2007, 2008 en 2009 beschreven wat de uitkomsten zijn van de waardering van de woningbeleggingsportefeuille van SPF met behulp van de regressievergelijkingen. Het hoofdstuk wordt afgesloten met een conclusie in paragraaf 6.4.
6.2 Beschrijving woningbeleggingsportefeuille SPF Stichting Spoorwegpensioenfonds belegt in vastgoed. De vastgoedportefeuille van het fonds bestaat uit internationaal en Nederlands vastgoed. Het streefgewicht dat het fonds hanteert in de ALM studie bedraagt 12,5% langjarig van de totale beleggingsportefeuille. Dit betekent dat het vastgoed een belangrijk aandeel is en zal blijven op basis van de huidige ALM-studie. De Nederlandse vastgoedportefeuille maakt momenteel bij SPF circa 11,7% van de totale beleggingsportefeuille uit en bestaat uit winkels, woningen, kantoren en overig vastgoed. Het grootste gedeelte van het Nederlandse vastgoed wordt direct aangehouden, een klein gedeelte is in private fondsen belegd. De totale waarde van de vastgoedportefeuille is circa 1.638,5 miljoen Euro op transactiebasis. De woningportefeuille heeft hierin een aandeel van circa € 300 miljoen. In de navolgende analyse zijn de beleggingen in private fondsen buiten beschouwing gelaten. De analyse heeft alleen betrekking op de directe Nederlandse woningbeleggingen die als ‘standing investments’ worden aangehouden. Dit zijn de objecten welke gedurende het gehele jaar in exploitatie zijn. In onderstaande tabel is het aantal woningbeleggingen weergegeven voor de jaren 2007, 2008 en 2009. Hierbij is het onderscheid gemaakt naar aantallen per woningtype. Tabel 6.1 Aantal directe Nederlandse woningbeleggingen SPF jaar meergezinswoningen eengezinswoningen aantal objecten
2007 24 21 45
2008 26 21 47
2009 26 21 47
6.3 Analyse woningbeleggingsportefeuille SPF In deze paragraaf wordt beschreven hoe de analyse van de woningbeleggingsportefeuille SPF is uitgevoerd en wat hiervan de uitkomsten zijn. Aan de hand van deze analyse kan de validiteit van de analyseresultaten uit hoofdstuk 5 worden vastgesteld door de feitelijke BARren per woningbelegging te vergelijken met de –middels de verkregen regressiemodellen- geschatte BARren. In hoofdstuk 5 is met behulp van een regressieanalyse de BAR_markt van een woningbelegging geschat, waarbij bepalende determinanten zijn te onderscheiden. Deze BAR_markt kan voor de verschillende woningbeleggingen worden geschat door de bepalende determinanten voor elke woningbelegging in de regressievergelijking in te vullen. Allereerst worden de resultaten besproken voor het jaar 2007. De regressievergelijking voor de ‘initial_yield_von_2007’ geheel Nederland ziet er als volgt: BAR woningbelegging = 0,08015 – 0,000147*leegstand% – 0,00001047*leegwaarde per m2 GBO - 0,002815* woningtype EGW – 0,00003062*contracthuur per woning + 0,0001627*GBO per woning – 0,006845*eerder uitgepond – 0,0001952*leegwaarde ratio – 0,001577*bouwjaar<1970 + 0,00000821*aantal wooneenheden + 0,0011594*bouwjaar 1970-1979 + 0,0009536* bouwjaar 1980-1989 + ε Met deze regressievergelijking zijn de BARren geschat voor de afzonderlijke woningbeleggingen van SPF voor het jaar 2007. De resultaten hiervan zijn weergegeven in onderstaande figuur 6.1.
Determinanten van de BAR op woningbeleggingen
44
Figuur 6.1 Regressieanalyse 2007 R2 = 0,5416 6,00%
geschatte BAR
5,50% 5,00%
initial yield_von_2007
4,50% Lineair (initial yield_von_2007)
4,00% 3,50% 3,00% 2,50% 2,50%
3,50%
4,50%
5,50%
feitelijke BAR
Voor het jaar 2007 valt op dat er verschillen zijn tussen de geschatte BARren en feitelijke BARren. In de grafiek zijn namelijk duidelijke uitschieters waar te nemen die buiten de lineaire regressielijn vallen. Dit zijn de woningcomplexen waarbij de geschatte BAR en de feitelijke BAR ver uit elkaar liggen. Een verklaring hiervoor kan zijn dat een woningcomplex specifieke objectkenmerken heeft waarmee een taxateur in de waardering rekening heeft gehouden. Bijvoorbeeld een zeer hoog leegstandpercentage dan gemiddeld (met name in het duurdere huursegment) of een beperking van de uitpondmogelijkheid van een complex doordat er een langjarig huurcontract (met een commerciële partijen) is afgesloten voor een deel van de wooneenheden in het woningcomplex. Ook kunnen andere determinanten -die wel van invloed zijn op de BAR maar niet in de regressieanalyse zijn meegenomen- het verschil verklaren. Immers is niet sprake van een volledige verklaringskracht (R2: 100%) met de huidige determinanten in het model. Een laatste verklaring kan zijn dat in de regressievergelijking alle woningtypen zijn vertegenwoordigd, terwijl juist per woningtype andere determinanten van invloed zijn op de BAR (zie hoofdstuk 5). Of deze verklaring juist is wordt duidelijk bij de bespreking van de analyseresultaten van de geschatte BARren en feitelijke BARren per woningtype (zie hierna). Op basis van figuur 6.1 kan worden geconcludeerd dat voor 2007 de resultaten niet geheel valide zijn. De regressievergelijking voor de ‘initial_yield_von_2008’ is als volgt samengesteld: BAR woningbelegging = 0,07684 – 0,003649*bouwjaar<1970 – 0,002851*woningtype EGW – 0,0000085*leegwaarde per m2 GBO – 0,0002707* leegstand% + 0,0000242*contracthuur per woning – 0,0001506*GBO per woning – 0,005125* eerder uitgepond + 0,0000166*aantal wooneenheden – 0,0001534*leegwaarde ratio + 0,0008148* bouwjaar 1980-1989 + ε De resultaten voor het jaar 2008 laten een beter beeld zien dan die voor het jaar 2007. In figuur 6.2 is sprake van een puntenwolk die een meer lineair verband laat zien. Er is een hogere variantie (R2: 59,07%) dan het jaar 2007 (R2: 54,16%), zodat kan worden geconcludeerd dat met de regressievergelijking voor het jaar 2008 de resultaten meer valide ofwel betrouwbaarder zijn. Toch zijn er nog behoorlijke verschillen waar te nemen tussen feitelijke en geschatte BARren. Hiervoor kunnen dezelfde verklaringen worden gegeven zoals hierboven besproken voor het jaar 2007. Figuur 6.2 Regressieanalyse 2008 R2 = 0,5907
geschatte BAR
6,00% 5,50%
initial yield_von_2008
5,00% 4,50%
Lineair (initial yield_von_2008)
4,00% 3,50%
6, 00 %
5, 50 %
4, 50 % 5, 00 %
4, 00 %
3, 50 %
3, 00 %
3,00%
feitelijke BAR
Determinanten van de BAR op woningbeleggingen
45
Wanneer de regressieresultaten uit het jaar 2009 voor de ‘initial_yield_von’ geheel Nederland worden omgezet in een regressievergelijking dan zou gelden: BAR woningbelegging = 0,08843 – 0,0002114*GBO per woning – 0,0000099*leegwaarde per m2 GBO + 0,0000266*contracthuur per woning – 0,004249*bouwjaar<1970 + 0,0000174*aantal wooneenheden – 0,0001855*leegwaarde ratio – 0,002073*eerder uitgepond – 0,001707* woningtype EGW – 0,0000578*leegstand% + 0,001779*locatie Rotterdam – 0,0009536* bouwjaar 1970-1979 – 0,0023680*locatie Utrecht + ε De met deze regressievergelijking geschatte BARren zijn vergeleken met de feitelijke BARren voor de afzonderlijke woningbeleggingen van SPF. Voor het jaar 2009 levert dit het volgende beeld op. Figuur 6.3 Regressieanalyse 2009 R2 = 0,6149 geschatte BAR
7,00% 6,00%
initial yield_von_2009
5,00%
Lineair (initial yield_von_2009)
4,00% 3,00% 3,00% 4,00% 5,00% 6,00% 7,00% feitelijke BAR
Uit figuur 6.3 is af te lezen dat er sprake is van een duidelijk lineair verband. De hogere R2 van 61,49% laat zien dat de regressievergelijking voor 2009 betrouwbaarder is dan de twee voorgaande jaren. De resultaten van 2009 zijn het meest valide. De verschillen tussen de feitelijke BARren en geschatte BARren zijn minder groot dan in 2007 en 2008. Echter blijven de verschillen te groot om in de praktijk de BAR met de regressievergelijking te bepalen. Immers heeft een afwijking van de BAR met een paar procentpunten al een behoorlijke impact op de waarde van een woningbelegging. Wel laten de resultaten zien dat de BAR op een woningbelegging grotendeels wordt bepaald door de determinanten leegwaarde per m2 GBO, contracthuur per woning en het aantal m2 GBO per woning. De voorgaande resultaten zijn gebaseerd op de regressievergelijking voor alle woningtypen in geheel Nederland. In hoofdstuk 5 is uit de regressieresultaten van het woningtype gebleken dat per woningtype niet alle bepalende determinanten gelijk zijn. Bepaalde determinanten hebben meer of minder invloed op de BAR. Daarom is de verwachting dat de regressievergelijking per woningtype (eengezinswoning en meergezinswoning) betere uitkomsten laat zien als deze worden toegepast op de waardering van de woningbeleggingen van SPF. De regressievergelijking voor de ‘initial_yield_von_2009’ woningtype eengezinswoning is als volgt samengesteld: BAR eengezinswoning = 0,0763 – 0,00001034*leegwaarde per m2 – 0,004937*bouwjaar<1970 + 0,00003012*contracthuur per woning – 0,0001859*GBO per woning + 0,00001553*aantal wooneenheden – 0,0000756*leegstand% + 0,002327*erfpachtsituatie – 0,000115*leegwaarde ratio – 0,0015*eerder uitgepond + 0,0007323*huur overgangsgebied + ε Voor het woningtype meergezinswoning geldt de volgende regressievergelijking: BAR meergezinswoning = 0,101 – 0,00000928*leegwaarde per m2 GBO – 0,0002965*GBO per woning + 0,00003012*contracthuur per woning – 0,0002985*leegwaarde ratio – 0,002526* eerder uitgepond + 0,00001552*aantal wooneenheden – 0,005369*locatie Amsterdam – 0,00542*locatie Utrecht + 0,00227*erfpachtsituatie – 0,002137*bouwjaar<1970 – 0,002039* bouwjaar 1970-1979 + ε
Determinanten van de BAR op woningbeleggingen
46
Met bovenstaande regressievergelijkingen zijn de BARren geschat per woningtype voor het jaar 2009. Figuren 6.4 en 6.5 geven de resultaten weer per woningtype. Figuur 6.4 Regressieanalyse eengezinswoningen R2 = 0,8005 geschatte BAR
7,00% 6,00%
initial yield_von_2009
5,00%
Lineair (initial yield_von_2009)
4,00%
7, 00 %
6, 00 %
5, 00 %
4, 00 %
3, 00 %
3,00%
feitelijke BAR
Figuur 6.5 Regressieanalyse meergezinswoningen
geschatte BAR
R2 = 0,7987 6,25% 5,75%
initial yield_von_2009
5,25% Lineair (initial yield_von_2009)
4,75% 4,25%
6, 25 %
5, 75 %
5, 25 %
4, 75 %
4, 25 %
3, 75 %
3,75%
feitelijke BAR
Voor beide woningtypen geldt dat er sprake is van een lineair verband. De hoge R2 van circa 80% in beide analyses geeft aan dat de resultaten voor beide woningtypen redelijk valide zijn. Daarom zijn de geschatte BARren en feitelijke BARren nu vrijwel overeenkomstig, uitgezonderd een aantal woningbeleggingen met specifieke objectkenmerken. Met deze bijzonderheden zal de taxateur wel rekening hebben gehouden in de waardering.
6.4 Deelconclusie In dit hoofdstuk is met de regressievergelijkingen het bruto aanvangsrendement op de directe Nederlandse woningbeleggingen van SPF voor de jaren 2007, 2008 en 2009 geschat en vergeleken met de feitelijke BARren. Uit de analyse blijkt dat met het optimale model het BAR op een woningbelegging redelijk kan worden geschat. In 2007 zijn de verschillen tussen de geschatte en feitelijke BARren nog vrij groot. Hiervoor zijn verschillende verklaringen te geven. Ten eerste kunnen er bepaalde objectkenmerken aanwezig zijn, waarmee de taxateur wel rekening heeft gehouden in de waardering. Ten tweede kunnen ook andere determinanten van invloed zijn op de BAR, terwijl deze niet als onafhankelijke determinanten in de regressieanalyse zijn meegenomen. Opmerkelijk is dat voor het jaar 2008 en 2009 meer sprake is van een lineair verband. De verklaringskracht neemt ieder jaar toe. Ondanks de redelijk hoge verklaringskracht zijn er wel verschillen te constateren tussen geschatte en feitelijke BARren. Hoewel de verschillen steeds kleiner worden, blijven de verschillen te groot om in de praktijk de BAR met de regressievergelijking te bepalen. Immers heeft een afwijking van de BAR met een paar procentpunten al een te grote impact op de waarde van een woningbelegging, zodat te sterke fluctuaties optreden. Determinanten van de BAR op woningbeleggingen
47
Met de regressievergelijking voor het woningtype zijn betrouwbare uitkomsten gevonden. Er is sprake van een hoge verklaringskracht (R2: circa 80%) voor beide woningtypen. Geschatte BARren en feitelijke BARren zijn vrijwel overeenkomstig, uitgezonderd een aantal woningbeleggingen met specifieke objectkenmerken. Conclusie is dat per woningtype verschillende determinanten worden meegenomen bij de waardering van woningbeleggingen (bepaling van het bruto aanvangsrendement). Eindconclusie is dat ook de praktijktoets laat zien dat het bruto aanvangsrendement op een woningbelegging grotendeels wordt bepaald door de determinanten leegwaarde per m2 GBO, contracthuur per woning en het aantal m2 GBO per woning. Ook het woningtype is een onderscheidende determinant in de verschillende regressiemodellen, waarbij geldt dat eengezinswoningen een lager bruto aanvangsrendement hebben dan meergezinswoningen.
Determinanten van de BAR op woningbeleggingen
48
Hoofdstuk 7 Algemene conclusies en aanbevelingen 7.1 Inleiding In de voorgaande hoofdstukken is met meerdere meervoudige regressieanalyses onderzocht wat het verband is tussen het bruto aanvangsrendement op woningbeleggingen en haar onderliggende determinanten. In het laatste hoofdstuk van deze scriptie worden de algemene conclusies weergegeven die uit de diverse analyses kunnen worden getrokken. Het hoofdstuk wordt afgesloten met enkele aanbevelingen voor vervolgonderzoek.
7.2 Conclusies In deze paragraaf worden de conclusies gepresenteerd. De centrale probleemstelling luidde als volgt: Welke determinanten worden meegenomen in de waardering van directe Nederlandse woningbeleggingen van institutionele beleggers en hoe komen deze tot uiting in het bruto aanvangsrendement? Samenvattend kan worden gesteld dat een meervoudige regressieanalyse een goede onderzoeksmethodiek is gebleken om de relatie tussen het bruto aanvangsrendement op directe Nederlandse woningbeleggingen en haar onderliggende determinanten te onderzoeken. De verschillende meervoudige regressieanalyses hebben aangetoond welke determinanten worden meegenomen in de waardering van directe Nederlandse woningbeleggingen van institutionele beleggers. Met de regressieanalyses kon worden bepaald welke bijdrage de belangrijkste determinanten hebben op de hoogte van het bruto aanvangsrendement. Op basis van de beschikbare data voor de jaren 2007, 2008 en 2009 zijn de leegwaarde per m2 GBO, de contracthuur per woning en het aantal m2 GBO per woning de significante determinanten gebleken die in belangrijke mate het bruto aanvangsrendement op een woningbelegging verklaren. Ook het woningtype is in de verschillende regressieanalyses een onderscheidende determinant, waarbij geldt dat eengezinswoningen een lager bruto aanvangsrendement hebben dan meergezinswoningen. In alle uitgevoerde regressieanalyses blijkt dat de richtingscoëfficiënt (+ of -) van alle significante determinanten overeenkomstig is. Hierbij geldt dat een positieve relatie leidt tot een hoger bruto aanvangsrendement en een lagere waarde van de woningbelegging. Bij een negatieve relatie is juist sprake van een lager bruto aanvangsrendement en een hogere waarde van de woningbelegging. De determinant ‘leegwaarde per m2 GBO’ heeft een negatieve relatie met de hoogte van het bruto aanvangsrendement. Dit betekent dat een hogere leegwaarde per m2 GBO resulteert in een lager bruto aanvangsrendement en dus een toename van de waarde van de woningbelegging. Dit zijn logische uitkomsten, omdat het bruto aanvangsrendement gebaseerd is op de uitpondwaarde, waarbij een hogere leegwaarde zorgt voor meer uitpondopbrengsten en dus hogere cashflows die resulteren in een hogere uitpondwaarde. Ook de determinant ‘aantal m2 GBO per woning’ heeft een negatieve relatie met het bruto aanvangsrendement. Dit betekent dat naarmate een woning een groter gebruiksoppervlak heeft het bruto aanvangsrendement een factor lager wordt. Omdat eengezinswoningen veelal een groter gebruiksoppervlak kennen dan meergezinswoningen, duidt dit op een lagere BAR voor eengezinswoningen. De determinant ‘contracthuur per woning’ heeft een positieve relatie met het bruto aanvangsrendement (initial_yield). Bij een hogere contracthuur per woning is er minder potentie aanwezig naar markthuurniveau, waardoor het bruto aanvangsrendement hoger zal zijn. Het bruto aanvangsrendement wordt ook hoger indien de contracthuur per woning in verhouding met de leegwaarde hoog is. Uit de diverse analyses blijkt het bouwjaar van een woningcomplex maar beperkte invloed te hebben op het bruto aanvangsrendement. Opmerkelijk is wel dat een wooncomplex opgeleverd vóór 1980 resulteert in een lager bruto aanvangsrendement. Een verklaring hiervoor kan zijn dat deze complexen een relatief lage contracthuur kennen en daarom veel huurpotentie (naar markthuur) hebben bij mutatie. Ook zijn woningcomplexen met een relatief oud bouwjaar vaak al een keer gerenoveerd en wordt daarom beoordeeld als kwalitatief goed vastgoed. Hierdoor is een
Determinanten van de BAR op woningbeleggingen
49
belegger bereid meer te betalen voor het woningcomplex, wat resulteert in een lager bruto aanvangsrendement. De locatie van een woningbelegging is niet in alle analyses een significante determinant gebleken. Wel blijkt uit de analyse naar regio dat er bij de waardering van woningbeleggingen (bepaling van het bruto aanvangsrendement) in de verschillende regio’s geldt dat de bepalende determinanten een afwijkende bijdrage hebben aan de verklaringskracht van het regressiemodel. Een verklaring hiervoor kan zijn dat er sprake is van verschillende deelmarkten in Nederland. Ook een nietconsistente wijze van waarderen kan hiervan de oorzaak zijn, waarbij de taxateur op diverse momenten van waarderen bepaalde determinanten al dan niet meeneemt in de waardering van de woningbelegging. Ondanks het beperkte aantal waarnemingen binnen de regio’s zijn er wel bepalende determinanten te onderscheiden. Een groter aantal waarnemingen zullen waarschijnlijk leiden tot betere regressieresultaten. Per woningtype worden ook verschillende determinanten meegenomen bij de waardering van woningbeleggingen (bepaling van het bruto aanvangsrendement). Immers geldt voor beide woningtypen dat de onderliggende determinanten een verschillende bijdrage hebben aan de hoogte van de verklaringskracht van het model. Tevens zijn sommige determinanten niet significant genoeg om het bruto aanvangsrendement te kunnen verklaren. Derhalve heeft elke woningbelegging bepaalde objectkenmerken die van invloed zijn op de hoogte van het bruto aanvangsrendement en mag worden geconcludeerd dat BARren verschillen per woningtype. De met de meervoudige regressieanalyse geschatte regressievergelijkingen -om het bruto aanvangsrendement op een woningbelegging te kunnen berekenen- zijn toegepast op de directe Nederlandse woningbeleggingsportefeuille van Stichting Spoorwegpensioenfonds. De resultaten uit deze praktijktoets laten ook zien dat het bruto aanvangsrendement op een woningbelegging grotendeels wordt bepaald door de determinanten leegwaarde per m2 GBO, contracthuur per woning en het aantal m2 GBO per woning. Ook het woningtype is een onderscheidende determinant in de verschillende regressiemodellen, waarbij geldt dat eengezinswoningen een lager bruto aanvangsrendement hebben dan meergezinswoningen. Voor beide woningtypen geldt dat er sprake is van een lineair verband. De hoge verklaringskracht (R2 is circa 80%) in beide analyses geeft aan dat de resultaten voor beide woningtypen redelijk valide zijn. Daarom zijn de geschatte BARren en feitelijke BARren nu vrijwel overeenkomstig. Kanttekening is dat de geschatte bruto aanvangsrendementen in sommige gevallen nog te veel verschillen van de feitelijke bruto aanvangsrendementen. Hoewel de verschillen elk jaar steeds kleiner worden, blijven de verschillen te groot om in de praktijk het bruto aanvangsrendement met de regressievergelijking te bepalen. Immers heeft een afwijking van het bruto aanvangsrendement met een paar procentpunten al een te grote impact op de waarde van een woningbelegging, zodat te sterke fluctuaties optreden. Een mogelijke verklaring voor de verschillen is dat de taxateur wel rekening heeft gehouden met specifieke objectkenmerken in zijn waardering. Een andere verklaring is dat in dit onderzoek alleen de data zijn onderzocht die beschikbaar waren uit de database van de ROZ/IPD Vastgoedindex. Een theoretische verkenning naar de factoren die van invloed zijn op het bruto aanvangsrendement van vastgoed laat zien dat mogelijk meerdere (andere) variabelen tevens invloed hebben op het bruto aanvangsrendement van woningbeleggingen. Hieronder vallen onder andere macro economische determinanten (zoals besteedbaar inkomen, hypotheekrente, inflatie, werkgelegenheid, belastingen en betaalbaarheidindex) en sociaal culturele determinanten (zoals aantal gezinnen en de gezinssamenstellingen in de wijk/regio, huishoudenontwikkeling en vergrijzing). Uit het literatuuronderzoek blijkt dat institutionele beleggers een aanzienlijk deel van hun vastgoedportefeuille hebben geïnvesteerd in directe Nederlandse woningbeleggingen. Gedurende vele jaren hebben zij goede rendementen behaald. Echter staan de bruto aanvangsrendementen in de huidige onzekere woningmarkt onder druk. Macro economische factoren, zoals de ontwikkeling van de hypotheekrente, de inflatie, besteedbaar inkomen, werkgelegenheid en belastingen zijn belangrijke determinanten die invloed hebben op het bruto aanvangsrendement van woningbeleggingen. Deze determinanten zijn niet in de meervoudige regressieanalyse opgenomen. Wel kan worden geconcludeerd dat institutionele beleggers de macro economische ontwikkelingen goed moeten blijven volgen. Immers bepalen de macro economische determinanten mede de prijsontwikkelingen binnen de woningmarkt en juist de leegwaarde per m2 GBO is een belangrijke determinant die de hoogte van het bruto aanvangsrendement bepaald. Nieuwe woningbeleggingen dienen dan ook te worden geacquireerd in die regio’s waar een goede prijsontwikkeling (leegwaardestijging) mogelijk is. Vooral de steden en middelgrote steden in de Randstad komen hiervoor in aanmerking. Slotconclusie is dat de meervoudige regressieanalyse heeft geleid tot inzicht in welke determinanten op welke wijze invloed hebben op de waarde van woningbeleggingen voor de jaren Determinanten van de BAR op woningbeleggingen
50
2007, 2008, en 2009. Hierdoor kan een asset manager enigszins sturen op de belangrijkste determinanten van het bruto aanvangsrendement, zodat er een optimale waardevermeerdering wordt verkregen van de woningbeleggingen in portefeuille.
7.3 Aanbevelingen In dit onderzoek zijn alleen de data onderzocht die beschikbaar waren uit de database van de ROZ/IPD-index. Hiermee is een eerste inzicht verkregen in de onderliggende determinanten van het bruto aanvangsrendement op een woningbelegging. Een theoretische verkenning naar de factoren die van invloed zijn op het bruto aanvangsrendement van vastgoed laat zien dat mogelijk meerdere (andere) variabelen tevens invloed hebben op het bruto aanvangsrendement van woningbeleggingen. Hieronder vallen onder andere macro economische determinanten (zoals besteedbaar inkomen, hypotheekrente, inflatie, werkgelegenheid, belastingen en betaalbaarheidindex) en sociaal culturele determinanten (zoals aantal gezinnen en de gezinssamenstellingen in de wijk/regio, huishoudenontwikkeling en vergrijzing). Het verdient aanbeveling om vergelijkbaar onderzoek te doen waarbij wel rekening wordt gehouden met deze determinanten. In het kader van de verduurzaming van vastgoedportefeuilles is het ook aan te bevelen om te onderzoeken of het duurzaamheidlabel (EPA label) van een woningbelegging een onderscheidende determinant is en leidt tot een hoger bruto aanvangsrendement van een woningbelegging. Indien dit het geval is kan een institutionele belegger haar portefeuillebeleid hierop aanpassen, zodat deze wordt verduurzaamd en leidt tot een waardeverhogend effect. Uit diverse onderzoeken blijkt dat de woningmarkt is verdeeld in verschillende deelmarkten. In dit onderzoek is een eerste aanzet gedaan om in de vier grote steden de waardepalende factoren van een woningbelegging te kwantificeren. Door het aantal waarnemingen binnen de regio’s te vergroten en het aantal regio’s uit te breiden kunnen specifieke uitspraken worden gedaan over een deelmarkt. Het is dan interessant om te onderzoeken wat de verschillen zijn tussen deze deelmarkten. Tenslotte verdient het aanbeveling de data-analyse te verrichten over langere tijdreeksen zodra deze beschikbaar zijn, zodat kan worden onderzocht wat de resultaten op de langere termijn zijn. Wellicht wordt dan inzichtelijk of de invloed van de onderliggende determinanten door de tijd verandert.
Determinanten van de BAR op woningbeleggingen
51
Lijst van geraadpleegde literatuur Almström, P., (2002), Property Valuation In The World of Finance, Nordic Real Estate Report, Vol 9, No 1, Feb 2002, p. 32-33. Ambrose, B., Nourse, H. (1993), Factors influencing capitalization rates, in: Journal of Real Estate research, Volume 8, Number 2. Archer, W.R., D.H. Gatzlaff & D.C. Ling (1996) ‘Measuring the importance of location in house price appreciation’, Journal of Urban Economics 40: p. 334-353. Baarda, Dr. D.B. en De Goede, Dr. M.P.M. (2006) Basisboek Methoden en Technieken: Handleiding voor het opzetten en uitvoeren van kwantitatief onderzoek. Vierde, geheel herziene druk, WoltersNoordhoff Groningen. Bastiani, G., Eije, von H., Gispen, P., Hoefman, J. & Weisz, R. (2004), Waardecreatie bij de verkoop van woningen door corporaties. Maandblad voor Accountancy en Bedrijfseconomie. Baum, A. & Crosby, N. (1988), Property Investment Apraisal, Routledge: London. Baum, E. & MacGregor, B.D., (1992), ‘The initial yield revealed: explicit valuations and the future of property investment’, Journal of Property Valuation & Investment. Bosse, Van P.P., Rust, W.N.J. & Salemi, A. (2005), ‘Vastgoed – Rekenen met spreadsheets’. Management Producties, Vlaardingen Bourassa, S.C., F. Hamelink, M. Hoesli & B.D. Macgregor (1999), ‘Defining Housing submarkets’, Journal of Housing Economics 8: p. 160-183. Brown, G.R. and Matysiak, G.A. (2000) Real Estate Investment: A Capital Market Approach. Prentice Hall. Buijs, A, (1998) Statistiek om verder mee te werken, tweede druk, Stenfert Kroese, Houten. Daly, J., G. Stuart, D. Jenkins & F. Plimmer (2003), ‘Consumer behaviour in the valuation of residential property: a comparative study in the UK, Ireland and Australia’, Property Management 20: p. 295-314. Dijk, J. van (2006), De gevolgen van marktrisico op resultaten uit projectontwikkeling van kantoren op regionale markten, Faculteit der Ruimtelijke Wetenschappen, Rijksuniversiteit Groningen. Driel, A. van (2001), Rendementsoptimalisatie door dynamisch vastgoedmanagement. Dubbelhuis, D. (2006), Het product wonen: toegevoegde waarde in het dure huursegment, Amsterdam School of Real Estate. Eduard, G. (2007), Differentiatie van het vereiste aanvangsrendement, Amsterdam School of Real Estate. Francke, M.K. (2000), Een hedonische NVM-huizenprijzenindex voor de regio Breda. Freeman, A.M. (1979) ‘Hedonic prices, property values and measuring environmental benefits: a survey of the issues’, Scandinavian Journal of Economics 81: 154-173. Gerritsen, S. (2009) Schrijfgids voor economen. Coutinho Bussum. Goodman (2004), Determinants of operating costs of multifamily rental housing, in: Journal of Housing Economics, Number 13, p. 226–244. Gool, P. van (2007). Onroerend goed als belegging. Groningen / Houten: Wolters Noordhoff BV. Gujarati, D. (2003) Basic Econometrics (4e editie), New York, McGraw-Hill/Irwin. Hair et al (1998), Multivariate Data Analysis, Fifth Edition, Prentice Hall. Determinanten van de BAR op woningbeleggingen
52
Hulst, A.F. van (2005), De disconteringsvoet voor taxaties: DV-tax, ASRE Research Publications, 2005, 02 Janssens, J. (1992) De prijsvorming van bestaande koopwoningen, Een analytisch onderzoek naar determinanten van prijzen en transacties van bestaande koopwoningen in vier Nederlandse gemeenten, Katholieke Universiteit Nijmegen, p. 204. Karlsson, B. (2003), Property yields: concepts, determinants and measurement problems, Stockholm. Keeris, W.G. (2001), Vastgoedbeheer Lexicon. Langens (2002), Het aanvangsrendement benaderd vanuit drie verschillende invalshoeken: Rapportages, Theorie & Praktijk. Scriptie, Faculteit der Economische Wetenschappen en Econometrie, Universiteit van Amsterdam, Amsterdam Lipscomb, C. (2003) Small Cities Matter, Too: The Impacts of an Airport and Local Infrastructure on Housing Prices in a Small Urban City, Review of Urban & Regional Development Studies, 15;3, p. 255-273. Longnecker, M. & Lyman Ott, R., (2001) Statistical Methods and Data Analysis Peek, J. & Wilcox, J. (1991) The Measurement and Determinants of Single-Family House Prices, Journal of the American Real Estate & Urban Economics Association Journal, 19;3, p. 353-382. Philips (1988), Residential Capitalization Rates: Explaining Intermetropolitan Variation, in: Journal of Urban Economics, Number 23, 278-290. Phyrr, S., Roulac S., Born, W. (1999), Real Estate Cycles and their strategic implications for investors and portfoliomanagers in the global economy, in: Journal of Real Estate research, Volume 18, Number 1. Podgozinski, J.M. (1991), Zoning and Hedonic Housing Price Models, in: Journal of Housing Economics, Number 1, p. 271-292. Polanen Petel, R. van, (2005), Benchmarken op rendement en risico. TU Eindhoven. Scheurs, T. (2006) De Vastgoedmarkt: betaalbaarheid en prijsdeterminanten van Limburgse woonhuizen. Scholten, M. (2003), Rendement en risico op een woningbeleggingsportefeuille: beleidsondersteunend model voor de institutionele belegger in woningen.
een
Sivitianides, P. & Sivitanidou, R. (1999), Office Capitalization Rates: Real Estate and Capital Market Influcences, in: Journal of Real Estate Finance and Economics, Volume 18, Number 3, p.297-322. Sivitianides, P., Southard, J., Torto, R. en Whaeton, W. (2001), The determinants of Appraisalbased capitalization rates, Torto Wheaton Research: Boston. Tates, N.; Eichholtz, P.M.A. Beleggen in vastgoed: Ontwikkeling in perspectief. 3de editie. Groningen, Wolters-Noordhoff, 1993. Ten Have, G.M. (2002), Taxatieleer Vastgoed 1. Uittenbogaard, L.B. (1997), Risicoanalyse en het vastgoedinvesteringsproces, In: Risicoanalyse van vastgoed; het (proces van) inventariseren en wegen van vastgoedrisico's, T.M. Berkhout (red.), SBV Amsterdam, p. 10-17 Verbruggen, J., Kranendonk, H., Leuvensteijn, van M. & M. Toet, “Welke factoren bepalen de
ontwikkeling van de huizenprijs in Nederland?”, CPB, No 81, april 2005
Verhaegh, M. (2005), Determinanten van de BAR op kantoren, Amsterdam School of Real Estate. Visser, P en Dam, F. van (2006) De prijs van de plek: woonomgeving en woningprijs. Nai uitgevers. Ruimtelijk Planbureau, Den Haag. Determinanten van de BAR op woningbeleggingen
53
Vries, R. M. de & Huisman, M. (2007). Regressieanalyse: Assumpties. Rijksuniversiteit Groningen. Wolters, M., ‘De Beleggingsmarkt voor woningen’, artikel van CB Richard Ellis, oktober 2009. Wolverton, M.L., Senteza, J., (2000), Hedonic Estimates of Regional Constant Quality House Prices. Journal of Real Estate Research vol. 19, No.3. CBS Statline (www.cbs.nl) CPB (www.cpb.nl) VROM (www.vrom.nl) ROZ/IPD-index (www.roz.nl) ABF Research, Woningvoorraadgegevens Syswov 2008. Circulaire Huurprijsbeleid voor de periode 1 juli 2010 tot en met 30 juni 2011 van minister Van Der Laan IVBN Huurenquête 2009. Troostwijk Research, Marktrapportage Q3 2009, 9 november 2009. NVB, Thermometer Koopwoningen, najaar 2009. Bouwkennis, Woonkennis Jaarrapport 2008/2009.
Determinanten van de BAR op woningbeleggingen
54
Bijlage 1: Lijst met tabellen Tabel Tabel Tabel Tabel Tabel Tabel Tabel Tabel Tabel Tabel Tabel Tabel Tabel Tabel Tabel Tabel Tabel
2.1: 3.1: 3.2: 5.1: 5.2: 5.3: 5.4: 5.5: 5.6: 5.7: 5.8: 5.9: 5.10: 5.11: 5.12: 5.13: 6.1:
Prognose nieuwbouwbehoefte Aanvangsrendementen MGW in 2009 (2008) Aanvangsrendementen EGW in 2009 (2008) Onafhankelijke variabelen in database Aantal objecten in de analyse Sterk samenhangende onafhankelijke variabelen (multicollineariteit) Regressieresultaten initial_yield_von_2009_geheel NL Regressieresultaten initial_yield_von_2008_geheel NL Regressieresultaten initial_yield_von_2007_geheel NL Aantal feitelijke waarnemingen per regio Regressieresultaten initial_yield_leegstand_von_2009_Amsterdam Regressieresultaten initial_yield_leegstand_von_2009_Rotterdam Regressieresultaten initial_yield_von_2009_Den Haag Regressieresultaten initial_yield_von_2009_Overig Nederland Regressieresultaten initial_yield_von_2009_eengezinswoningen Regressieresultaten initial_yield_von_2009_meergezinswoningen Aantal directe Nederlandse woningbeleggingen SPF
Determinanten van de BAR op woningbeleggingen
14 26 26 34 34 35 36 37 37 39 39 40 40 41 42 42 44
55
Bijlage 2: Lijst met figuren Figuur Figuur Figuur Figuur Figuur Figuur Figuur Figuur Figuur Figuur Figuur Figuur
2.1: 2.2: 2.3: 2.4: 2.5: 3.1: 3.2: 6.1: 6.2: 6.3: 6.4: 6.5:
Drie niveaus van vastgoedmanagement Onderverdeling Nederlandse woningmarkt (peildatum 1-1-2008) Overzicht NL woningvoorraad naar koop en huur, periode 1985-2008 Overzicht NL woningvoorraad naar woningtype, periode 1985-2008 Cumulatieve ontwikkeling in koop- en huurprijzen, periode 1965-2007 Totaal rendement woningbeleggingen, periode 1995-2008 Kasstromen Netto Contante Waarde methode Regressieanalyse 2007 Regressieanalyse 2008 Regressieanalyse 2009 Regressieanalyse eengezinswoningen, 2009 Regressieanalyse meergezinswoningen, 2009
Determinanten van de BAR op woningbeleggingen
12 13 14 14 17 20 23 45 45 46 47 47
56
Bijlage 3: ‘Resultaten regressieanalyse SPSS’
Determinanten van de BAR op woningbeleggingen
57
Coefficientsa
Regression - 2009 initial yield rotterdam enter Variables
Model 1
Entered/Removedb
Variables Entered
Variables Removed
V20_2009, v_17<1970, V18_2009, v_6m146_2 009, V_112009, v_171970-1 979, v_171980-1 989, V_102009, v_5m131_2 009, V_162009, v_17>2000, v_8erfpach t, V_13EGW, v_4m117_2 009, V_32009,a V_22009
Model 1
Method
,
Enter
(Constant) V_22009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 v_8erfpacht V_102009 V_112009 V_13EGW V_162009 v_17<1970 v_171970-1979 v_171980-1989 v_17>2000 V18_2009 V20_2009
Unstandardized Coefficients B Std. Error 9,481E-02 ,017 -1,701E-04 ,000 2,937E-05 ,000 -1,886E-04 ,000 1,922E-05 ,000 2,389E-05 ,000 2,884E-03 ,002 4,564E-03 ,003 -3,833E-04 ,002 -2,772E-03 ,003 -4,025E-03 ,002 -1,137E-03 ,004 -2,598E-03 ,003 3,328E-04 ,002 3,723E-04 ,003 -2,621E-04 ,000 -1,144E-05 ,000
Standardized Coefficients Beta -,656 ,987 -,115 ,204 ,031 ,225 ,248 -,023 -,195 -,299 -,053 -,110 ,022 ,020 -,282 -,878
t 5,446 -2,662 4,125 -,636 1,407 ,211 1,279 1,386 -,164 -1,062 -2,114 -,303 -,746 ,151 ,126 -1,895 -4,845
a. Dependent Variable: IY2009 Excluded Variablesb
a. Tolerance = ,000 limits reached. b. Dependent Variable: IY2009 Model 1
R ,783a
R Square ,613
Adjusted R Square ,425
Beta In
t
Sig.
Partial Correlation
Collinearity Statistics Tolerance ,000
v_171990-1999 ,a , , , a. Predictors in the Model: (Constant), V20_2009, v_17<1970, V18_2009, v_6m146_2009, V_112009, v_171970-1979, v_171980-1989, V_102009, v_5m131_2009, V_162009, v_17>2000, v_8erfpacht, V_13EGW, v_4m117_2009, V_32009, V_22009
Model Summary
Model 1
Sig. ,000 ,012 ,000 ,529 ,169 ,834 ,210 ,175 ,871 ,296 ,042 ,764 ,461 ,881 ,900 ,067 ,000
Std. Error of the Estimate ***********
b. Dependent Variable: IY2009
a. Predictors: (Constant), V20_2009, v_17<1970, V18_2009, v_6m146_2009, V_112009, v_171970-1979, v_171980-1989, V_102009, v_5m131_2009, V_162009, v_17>2000, v_8erfpacht, V_13EGW, v_4m117_2009, V_32009, V_22009
Regression - 2009 initial yield rotterdam stepwise Variables Entered/Removeda
ANOVAb
Model 1
Sum of Squares ,001 ,001 ,002
Regression Residual Total
df
Mean Square ,000 ,000
16 33 49
F 3,262
Model 1
Sig. ,002a
Variables Entered
Variables Removed
v_8erfpacht
a. Predictors: (Constant), V20_2009, v_17<1970, V18_2009, v_6m146_2009, V_112009, v_171970-1979, v_171980-1989, V_102009, v_5m131_2009, V_162009, v_17>2000, v_8erfpacht, V_13EGW, v_4m117_2009, V_32009, V_22009
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
,
b. Dependent Variable: IY2009 a. Dependent Variable: IY2009
Page 1
Page 2
Variables Entered/Removeda
Model Summary
Model 1
R ,374a
R Square ,140
Adjusted R Square ,122
Std. Error of the Estimate ***********
Model 1
Variables Entered
Variables Removed
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
a. Predictors: (Constant), v_8erfpacht ANOVAb
Model 1
Regression Residual Total
Sum of Squares ,000 ,002 ,002
df 1 48 49
Mean Square ,000 ,000
F 7,826
v_6m146_2 009
,
v_8erfpacht
,
v_5m131_2 009
,
Sig. ,007a 2
a. Predictors: (Constant), v_8erfpacht b. Dependent Variable: IY2009 Coefficientsa
Model 1
(Constant) v_8erfpacht
Unstandardized Coefficients B Std. Error 5,085E-02 ,001 4,793E-03 ,002
Standardized Coefficients Beta ,374
3 t 40,387 2,797
Sig. ,000 ,007
a. Dependent Variable: IY2009 Excluded Variablesb
Model 1
V_22009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 V_13EGW V_162009 v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V20_2009
Beta In -,045a ,113a ,015a ,259a ,156a ,182a -,072a -,077a -,129a -,158a ,011a -,009a ,002a ,132a ,018a -,204a
t -,334 ,840 ,109 1,936 1,085 1,343 -,533 -,554 -,961 -1,101 ,076 -,065 ,014 ,933 ,135 -1,543
Sig. ,740 ,405 ,914 ,059 ,283 ,186 ,596 ,582 ,342 ,276 ,940 ,949 ,989 ,356 ,893 ,129
Partial Correlation -,049 ,122 ,016 ,272 ,156 ,192 -,078 -,081 -,139 -,159 ,011 -,009 ,002 ,135 ,020 -,220
a. Dependent Variable: IY_leegstand2009
Collinearity Statistics Tolerance ,999 ,999 ,998 ,945 ,859 ,958 1,000 ,952 ,990 ,870 ,898 ,912 ,864 ,897 ,995 ,997
Model Summary
Model 1 2 3
R ,584a ,670b ,705c
R Square ,341 ,448 ,497
Adjusted R Square ,327 ,425 ,465
Std. Error of the Estimate *********** *********** ***********
a. Predictors: (Constant), v_6m146_2009 b. Predictors: (Constant), v_6m146_2009, v_8erfpacht c. Predictors: (Constant), v_6m146_2009, v_8erfpacht, v_5m131_2009
a. Predictors in the Model: (Constant), v_8erfpacht b. Dependent Variable: IY2009
Regression - stepwise rotterdam yield leegstand 2009
Page 3
Page 4
ANOVAd
Model 1
2
3
Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,001 ,002 ,003 ,001 ,002 ,003 ,002 ,002 ,003
df 1 48 49 2 47 49 3 46 49
Excluded Variablesd
Mean Square ,001 ,000
F 24,814
Sig. ,000a
,001 ,000
19,109
,000b
,001 ,000
15,170
,000c
Model 1
a. Predictors: (Constant), v_6m146_2009 b. Predictors: (Constant), v_6m146_2009, v_8erfpacht c. Predictors: (Constant), v_6m146_2009, v_8erfpacht, v_5m131_2009 d. Dependent Variable: IY_leegstand2009 Coefficientsa
Model 1 2
3
(Constant) v_6m146_2009 (Constant) v_6m146_2009 v_8erfpacht (Constant) v_6m146_2009 v_8erfpacht v_5m131_2009
Unstandardized Coefficients B Std. Error 5,338E-02 ,001 5,753E-04 ,000 4,972E-02 ,002 7,062E-04 ,000 5,703E-03 ,002 4,734E-02 ,002 7,438E-04 ,000 5,065E-03 ,002 2,726E-05 ,000
Standardized Coefficients Beta ,584 ,717 ,354 ,755 ,314 ,230
2 t 49,877 4,981 31,853 6,132 3,029 25,197 6,608 2,750 2,114
Sig. ,000 ,000 ,000 ,000 ,004 ,000 ,000 ,008 ,040
a. Dependent Variable: IY_leegstand2009
3
V_22009 V_32009 v_4m117_2009 v_5m131_2009 v_8erfpacht V_102009 V_112009 V_13EGW V_162009 v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V20_2009 V_22009 V_32009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 V_13EGW V_162009 v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V20_2009 V_22009 V_32009 v_4m117_2009 V_102009 V_112009 V_13EGW V_162009 v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V20_2009
Beta In -,046a ,103a -,002a ,279a ,354a ,081a -,054a ,010a -,146a -,211a -,095a ,084a ,121a -,008a -,006a -,179a -,019b ,074b ,031b ,230b ,156b -,047b -,036b -,149b -,099b ,009b ,001b ,015b ,062b -,008b -,168b ,086c ,127c -,001c ,111c -,067c ,015c -,115c -,047c ,028c -,040c ,017c ,044c -,073c -,181c
t -,389 ,872 -,013 2,436 3,029 ,685 -,457 ,082 -1,203 -1,843 -,803 ,700 1,006 -,061 -,049 -1,550 -,171 ,669 ,283 2,114 1,422 -,433 -,319 -1,328 -,842 ,075 ,010 ,123 ,498 -,070 -1,577 ,737 1,175 -,009 1,011 -,627 ,136 -1,047 -,398 ,247 -,351 ,148 ,369 -,658 -1,769
Sig. ,699 ,388 ,990 ,019 ,004 ,497 ,650 ,935 ,235 ,072 ,426 ,488 ,320 ,952 ,961 ,128 ,865 ,507 ,778 ,040 ,162 ,667 ,751 ,191 ,404 ,940 ,992 ,902 ,621 ,944 ,122 ,465 ,246 ,993 ,317 ,534 ,892 ,301 ,692 ,806 ,727 ,883 ,714 ,514 ,084
Partial Correlation -,057 ,126 -,002 ,335 ,404 ,099 -,067 ,012 -,173 -,260 -,116 ,102 ,145 -,009 -,007 -,221 -,025 ,098 ,042 ,298 ,205 -,064 -,047 -,192 -,123 ,011 ,001 ,018 ,073 -,010 -,226 ,109 ,172 -,001 ,149 -,093 ,020 -,154 -,059 ,037 -,052 ,022 ,055 -,098 -,255
Collinearity Statistics Tolerance ,989 ,980 ,988 ,947 ,859 ,999 ,992 ,933 ,920 1,000 ,993 ,965 ,956 ,798 ,961 ,997 ,982 ,972 ,978 ,922 ,956 ,992 ,916 ,920 ,852 ,896 ,905 ,858 ,771 ,961 ,996 ,821 ,928 ,958 ,908 ,985 ,871 ,897 ,807 ,891 ,879 ,858 ,767 ,892 ,993
a. Predictors in the Model: (Constant), v_6m146_2009 b. Predictors in the Model: (Constant), v_6m146_2009, v_8erfpacht c. Predictors in the Model: (Constant), v_6m146_2009, v_8erfpacht, v_5m131_2009 d. Dependent Variable: IY_leegstand2009
Regression - stepwise amsterdam yield leegstand 2009 Page 5
Page 6
Warnings
Model Summary
For models with dependent variable IY_leegstand2009, the following variables are constants or have missing correlations: v_171970-1979. They will be deleted from the analysis.
Model 1 2 3 4 5
Variables Entered/Removeda
Model 1
Variables Entered
V20_2009
Variables Removed
,
2
V_32009
,
3
v_17<1970
,
4
V18_2009
,
5
V_22009
,
R ,296a ,468b ,569c ,622d ,677e
R Square ,088 ,219 ,324 ,387 ,458
Adjusted R Square ,066 ,182 ,275 ,326 ,389
Std. Error of the Estimate *********** *********** *********** *********** ***********
a. Predictors: (Constant), V20_2009
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
b. Predictors: (Constant), V20_2009, V_32009 c. Predictors: (Constant), V20_2009, V_32009, v_17<1970 d. Predictors: (Constant), V20_2009, V_32009, v_17<1970, V18_2009 e. Predictors: (Constant), V20_2009, V_32009, v_17<1970, V18_2009, V_22009 ANOVAf
Model 1
2
3
4
5
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,000 ,002 ,002 ,000 ,002 ,002 ,001 ,001 ,002 ,001 ,001 ,002 ,001 ,001 ,002
df 1 43 44 2 42 44 3 41 44 4 40 44 5 39 44
Mean Square ,000 ,000
F 4,131
Sig. ,048a
,000 ,000
5,892
,006b
,000 ,000
6,555
,001c
,000 ,000
6,316
,000d
,000 ,000
6,598
,000e
a. Predictors: (Constant), V20_2009 b. Predictors: (Constant), V20_2009, V_32009 c. Predictors: (Constant), V20_2009, V_32009, v_17<1970 d. Predictors: (Constant), V20_2009, V_32009, v_17<1970, V18_2009 e. Predictors: (Constant), V20_2009, V_32009, v_17<1970, V18_2009, V_22009 f. Dependent Variable: IY_leegstand2009
a. Dependent Variable: IY_leegstand2009
Page 7
Page 8
Coefficientsa
Model 1 2
3
4
5
(Constant) V20_2009 (Constant) V20_2009 V_32009 (Constant) V20_2009 V_32009 v_17<1970 (Constant) V20_2009 V_32009 v_17<1970 V18_2009 (Constant) V20_2009 V_32009 v_17<1970 V18_2009 V_22009
Unstandardized Coefficients B Std. Error 5,742E-02 ,003 -2,292E-06 ,000 5,381E-02 ,003 -3,645E-06 ,000 7,878E-06 ,000 5,284E-02 ,003 -3,965E-06 ,000 1,054E-05 ,000 -9,716E-03 ,004 7,224E-02 ,010 -4,430E-06 ,000 1,396E-05 ,000 -1,194E-02 ,004 -2,778E-04 ,000 8,965E-02 ,012 -5,221E-06 ,000 2,048E-05 ,000 -1,415E-02 ,004 -4,022E-04 ,000 -1,139E-04 ,000
Excluded Variablesf Standardized Coefficients Beta -,296 -,471 ,403 -,512 ,539 -,347 -,572 ,713 -,427 -,292 -,674 1,047 -,505 -,423 -,364
t 17,044 -2,033 15,670 -3,111 2,659 16,229 -3,570 3,535 -2,524 7,170 -4,045 4,188 -3,086 -2,027 7,291 -4,748 4,777 -3,713 -2,840 -2,263
Sig. ,000 ,048 ,000 ,003 ,011 ,000 ,001 ,001 ,016 ,000 ,000 ,000 ,004 ,049 ,000 ,000 ,000 ,001 ,007 ,029
Model 2
3
a. Dependent Variable: IY_leegstand2009 Excluded Variablesf
Model 1
V_22009 V_32009 v_4m117_2009 v_5m131_2009 v_8erfpacht V_102009 V_112009 V_13EGW V_162009 v_17<1970 v_171980-1989 v_171990-1999 v_17>2000 V18_2009
Beta In ,133a ,403a -,074a -,225a ,029a -,042a ,012a -,169a -,007a -,175a -,151a -,010a ,260a ,027a
t ,906 2,659 -,506 -1,535 ,189 -,283 ,082 -1,112 -,045 -1,207 -,949 -,066 1,676 ,184
Sig. ,370 ,011 ,616 ,132 ,851 ,778 ,935 ,272 ,964 ,234 ,348 ,948 ,101 ,855
Partial Correlation ,138 ,380 -,078 -,231 ,029 -,044 ,013 -,169 -,007 -,183 -,145 -,010 ,250 ,028
Collinearity Statistics Tolerance ,992 ,811 ,999 ,956 ,938 1,000 ,996 ,913 ,984 ,997 ,844 ,994 ,845 ,998
4
5
V_22009 v_4m117_2009 v_5m131_2009 v_8erfpacht V_102009 V_112009 V_13EGW V_162009 v_17<1970 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_22009 v_4m117_2009 v_5m131_2009 v_8erfpacht V_102009 V_112009 V_13EGW V_162009 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_22009 v_4m117_2009 v_5m131_2009 v_8erfpacht V_102009 V_112009 V_13EGW V_162009 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 v_5m131_2009 v_8erfpacht V_102009 V_112009 V_13EGW V_162009 v_171980-1989 v_171990-1999 v_17>2000
Beta In -,127b ,105b -,142b ,220b ,167b ,098b -,083b ,043b -,347b -,093b ,107b ,164b -,166b -,187c ,129c -,236c ,080c ,200c ,102c -,135c ,041c -,112c ,040c ,052c -,292c -,364d ,204d -,207d ,034d ,161d ,048d -,221d ,105d -,071d -,019d ,097d ,144e -,163e ,138e ,070e ,016e -,136e ,111e -,029e -,006e ,038e
t -,746 ,689 -,990 1,444 1,079 ,698 -,562 ,305 -2,524 -,613 ,742 1,062 -1,091 -1,161 ,897 -1,736 ,495 1,386 ,772 -,967 ,312 -,787 ,290 ,338 -2,027 -2,263 1,460 -1,560 ,214 1,132 ,363 -1,615 ,805 -,511 -,140 ,646 1,040 -1,260 ,889 ,487 ,123 -,963 ,901 -,218 -,045 ,258
Sig. ,460 ,495 ,328 ,156 ,287 ,489 ,577 ,762 ,016 ,543 ,462 ,295 ,281 ,253 ,375 ,090 ,623 ,173 ,445 ,339 ,756 ,436 ,773 ,737 ,049 ,029 ,152 ,127 ,831 ,264 ,718 ,114 ,426 ,612 ,890 ,522 ,305 ,215 ,380 ,629 ,903 ,342 ,373 ,829 ,964 ,798
Partial Correlation -,116 ,107 -,153 ,220 ,166 ,108 -,087 ,048 -,367 -,095 ,115 ,164 -,168 -,180 ,140 -,265 ,078 ,214 ,121 -,151 ,049 -,123 ,046 ,053 -,305 -,341 ,228 -,242 ,034 ,178 ,058 -,250 ,128 -,082 -,022 ,103 ,166 -,200 ,143 ,079 ,020 -,154 ,145 -,035 -,007 ,042
Collinearity Statistics Tolerance ,644 ,806 ,898 ,779 ,777 ,946 ,861 ,967 ,872 ,824 ,908 ,781 ,803 ,632 ,803 ,848 ,641 ,771 ,946 ,844 ,967 ,822 ,871 ,702 ,738 ,537 ,760 ,837 ,627 ,754 ,900 ,787 ,917 ,803 ,830 ,688 ,723 ,814 ,579 ,678 ,888 ,700 ,916 ,786 ,828 ,663
a. Predictors in the Model: (Constant), V20_2009 b. Predictors in the Model: (Constant), V20_2009, V_32009 c. Predictors in the Model: (Constant), V20_2009, V_32009, v_17<1970 d. Predictors in the Model: (Constant), V20_2009, V_32009, v_17<1970, V18_2009 e. Predictors in the Model: (Constant), V20_2009, V_32009, v_17<1970, V18_2009, V_22009
Page 9
Excluded Variablesf f. Dependent Variable: IY_leegstand2009
Page 11
Page 10
Coefficientsa
Regression initial yield 2006 stepwise
Unstandardized Coefficients B Std. Error 4,658E-02 ,001 -6,203E-04 ,000 4,537E-02 ,001 -5,329E-04 ,000 5,726E-03 ,002
Warnings Model 1
For models with dependent variable IY2006, the following variables are constants or have missing correlations: v_15den_haag, v_15utrecht, V_162006, v_17>2000. They will be deleted from the analysis.
2 Variables Entered/Removeda
Model 1
Variables Entered
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
,
2
v_171970-1 979
,
Model 1
Model Summary
R ,618a ,804b
Adjusted R Square ,346 ,602
R Square ,382 ,646
Std. Error of the Estimate *********** ***********
2
a. Predictors: (Constant), v_6m146_2006 b. Predictors: (Constant), v_6m146_2006, v_171970-1979 ANOVAc
Model 1
2
Sum of Squares ,000 ,000 ,000 ,000 ,000 ,000
Regression Residual Total Regression Residual Total
-,531 ,521
t 46,010 -3,242 52,542 -3,521 3,456
Sig. ,000 ,005 ,000 ,003 ,003
Excluded Variablesc
a. Dependent Variable: IY2006
Model 1 2
-,618
a. Dependent Variable: IY2006
Variables Removed
v_6m146_2 006
(Constant) v_6m146_2006 (Constant) v_6m146_2006 v_171970-1979
Standardized Coefficients Beta
df 1 17 18 2 16 18
Mean Square ,000 ,000
F 10,511
Sig. ,005a
,000 ,000
14,610
,000b
V_22006 V_32006 v_4m117_2006 v_5m131_2006 v_8erfpacht V_102006 V_112006 V_13EGW v_15amsterdam v_15rotterdam v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 V18_2006 V20_2006 V_22006 V_32006 v_4m117_2006 v_5m131_2006 v_8erfpacht V_102006 V_112006 V_13EGW v_15amsterdam v_15rotterdam v_15overig v_17<1970 v_171980-1989 v_171990-1999 V18_2006 V20_2006
Beta In ,072a ,034a -,116a ,442a -,008a ,376a -,152a -,043a -,008a ,084a -,043a -,004a ,521a -,360a -,029a -,307a -,280a ,034b ,103b ,091b ,221b ,159b ,203b -,013b -,096b ,159b -,080b -,096b ,091b -,183b ,114b ,007b -,056b
t ,354 ,166 -,526 2,498 -,043 2,015 -,770 -,216 -,043 ,420 -,216 -,018 3,456 -2,002 -,146 -1,361 -1,450 ,211 ,657 ,494 1,222 1,023 1,212 -,077 -,623 1,023 -,489 -,623 ,586 -1,114 ,720 ,034 -,318
Sig. ,728 ,870 ,606 ,024 ,966 ,061 ,453 ,832 ,966 ,680 ,832 ,986 ,003 ,063 ,885 ,192 ,166 ,836 ,521 ,628 ,240 ,323 ,244 ,940 ,543 ,323 ,632 ,543 ,567 ,283 ,482 ,973 ,755
Partial Correlation ,088 ,041 -,130 ,530 -,011 ,450 -,189 -,054 -,011 ,104 -,054 -,005 ,654 -,448 -,037 -,322 -,341 ,054 ,167 ,127 ,301 ,255 ,299 -,020 -,159 ,255 -,125 -,159 ,150 -,276 ,183 ,009 -,082
Collinearity Statistics Tolerance ,932 ,946 ,777 ,889 1,000 ,884 ,959 ,984 1,000 ,958 ,984 ,994 ,972 ,957 ,970 ,680 ,918 ,928 ,930 ,689 ,657 ,911 ,765 ,890 ,974 ,911 ,873 ,974 ,963 ,812 ,904 ,509 ,743
a. Predictors in the Model: (Constant), v_6m146_2006
a. Predictors: (Constant), v_6m146_2006
b. Predictors in the Model: (Constant), v_6m146_2006, v_171970-1979
b. Predictors: (Constant), v_6m146_2006, v_171970-1979
c. Dependent Variable: IY2006
c. Dependent Variable: IY2006
Regression initial yield leegstand 2006 stepwise Page 1
Page 2
Excluded Variablesb
Warnings For models with dependent variable IY_leegstand2006, the following variables are constants or have missing correlations: v_15den_haag, v_15utrecht, V_162006, v_17>2000. They will be deleted from the analysis.
Model 1
Variables Entered/Removeda
Model 1
Variables Entered
Variables Removed
v_171970-1 979
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
,
a. Dependent Variable: IY_leegstand2006
Model Summary
V_22006 V_32006 v_4m117_2006 v_5m131_2006 v_6m146_2006 v_8erfpacht V_102006 V_112006 V_13EGW v_15amsterdam v_15rotterdam v_15overig v_17<1970 v_171980-1989 v_171990-1999 V18_2006 V20_2006
Beta In ,009a ,097a ,039a ,284a -,105a ,201a ,263a ,012a -,129a ,201a -,080a -,129a ,103a -,236a ,159a -,067a -,099a
t ,046 ,514 ,195 1,362 -,559 1,062 1,363 ,064 -,697 1,062 -,408 -,697 ,547 -1,202 ,848 -,310 -,475
Sig. ,964 ,614 ,848 ,192 ,584 ,304 ,192 ,950 ,496 ,304 ,689 ,496 ,592 ,247 ,409 ,761 ,641
Partial Correlation ,012 ,128 ,049 ,322 -,138 ,257 ,322 ,016 -,172 ,257 -,102 -,172 ,135 -,288 ,207 -,077 -,118
Collinearity Statistics Tolerance ,999 ,974 ,862 ,719 ,972 ,913 ,843 ,950 ,994 ,913 ,896 ,994 ,965 ,831 ,950 ,748 ,789
a. Predictors in the Model: (Constant), v_171970-1979 Model 1
R ,665a
R Square ,442
Adjusted R Square ,409
b. Dependent Variable: IY_leegstand2006
Std. Error of the Estimate ***********
Regression initial yield 2007 stepwise
a. Predictors: (Constant), v_171970-1979
Variables Entered/Removeda
ANOVAb
Model 1
Regression Residual Total
Sum of Squares ,000 ,000 ,000
df 1 17 18
Mean Square ,000 ,000
F 13,448
Model 1
Sig. ,002a
a. Predictors: (Constant), v_171970-1979
Variables Entered
Variables Removed
v_6m146_2 007
,
V20_2007
,
b. Dependent Variable: IY_leegstand2006 Coefficientsa 2
Model 1
(Constant) v_171970-1979
Unstandardized Coefficients B Std. Error 4,506E-02 ,001 5,982E-03 ,002
Standardized Coefficients Beta ,665
t 69,516 3,667
Sig. ,000 ,002
a. Dependent Variable: IY_leegstand2006
Page 3
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Page 4
Variables Entered/Removeda
Model 3
Variables Entered
Variables Removed
V_13EGW
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
,
4
V_32007
,
5
V_22007
,
6
V_162007
,
V18_2007
,
v_17<1970
,
Variables Entered/Removeda
7
8
Model 9
Variables Entered
Variables Removed
v_5m131_2 007
,
v_171970-1 979
,
v_171980-1 989
,
10
11
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
a. Dependent Variable: IY2007
Page 5
Page 6
ANOVAl
Model Summary
Model 1 2 3 4 5 6 7 8 9 10 11
R ,269a ,365b ,491c ,567d ,637e ,717f ,737g ,748h ,753i ,755j ,757k
R Square ,073 ,133 ,241 ,322 ,406 ,514 ,543 ,560 ,566 ,569 ,573
Adjusted R Square ,072 ,132 ,239 ,319 ,404 ,511 ,540 ,557 ,563 ,566 ,569
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** *********** *********** *********** *********** ***********
Model 1
2
3
4
a. Predictors: (Constant), v_6m146_2007 5
b. Predictors: (Constant), v_6m146_2007, V20_2007 c. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW d. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007
6
e. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007 f. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007 7
g. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007 h. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007, v_17<1970
8
i. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007 j. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_171970-1979
9
k. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_171970-1979, v_171980-1989 10
11
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,004 ,046 ,049 ,007 ,043 ,049 ,012 ,037 ,049 ,016 ,033 ,049 ,020 ,029 ,049 ,025 ,024 ,049 ,027 ,023 ,049 ,028 ,022 ,049 ,028 ,021 ,049 ,028 ,021 ,049 ,028 ,021 ,049
df 1 1118 1119 2 1117 1119 3 1116 1119 4 1115 1119 5 1114 1119 6 1113 1119 7 1112 1119 8 1111 1119 9 1110 1119 10 1109 1119 11 1108 1119
Mean Square ,004 ,000
F 87,479
Sig. ,000a
,003 ,000
86,001
,000b
,004 ,000
118,425
,000c
,004 ,000
132,179
,000d
,004 ,000
152,488
,000e
,004 ,000
196,030
,000f
,004 ,000
188,458
,000g
,003 ,000
176,840
,000h
,003 ,000
161,097
,000i
,003 ,000
146,673
,000j
,003 ,000
135,066
,000k
a. Predictors: (Constant), v_6m146_2007 b. Predictors: (Constant), v_6m146_2007, V20_2007 c. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW d. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007 e. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007 f. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007 g. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007 h. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007, v_17<1970 i. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007 j. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_171970-1979 k. Predictors: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_171970-1979, v_171980-1989 l. Dependent Variable: IY2007
Page 7
Page 8
Coefficientsa
Model 1 2
3
4
5
6
7
8
(Constant) v_6m146_2007 (Constant) v_6m146_2007 V20_2007 (Constant) v_6m146_2007 V20_2007 V_13EGW (Constant) v_6m146_2007 V20_2007 V_13EGW V_32007 (Constant) v_6m146_2007 V20_2007 V_13EGW V_32007 V_22007 (Constant) v_6m146_2007 V20_2007 V_13EGW V_32007 V_22007 V_162007 (Constant) v_6m146_2007 V20_2007 V_13EGW V_32007 V_22007 V_162007 V18_2007 (Constant) v_6m146_2007 V20_2007 V_13EGW V_32007 V_22007 V_162007 V18_2007 v_17<1970
Unstandardized Coefficients B Std. Error 4,531E-02 ,000 -2,084E-04 ,000 5,062E-02 ,001 -2,394E-04 ,000 -2,892E-06 ,000 5,626E-02 ,001 -2,488E-04 ,000 -4,204E-06 ,000 -4,886E-03 ,000 5,080E-02 ,001 -2,193E-04 ,000 -5,656E-06 ,000 -5,422E-03 ,000 1,331E-05 ,000 5,836E-02 ,001 -1,987E-04 ,000 -7,060E-06 ,000 -2,113E-03 ,000 2,158E-05 ,000 -1,153E-04 ,000 6,470E-02 ,001 -1,794E-04 ,000 -9,580E-06 ,000 -2,139E-03 ,000 2,484E-05 ,000 -1,397E-04 ,000 -6,262E-03 ,000 8,110E-02 ,002 -1,540E-04 ,000 -1,093E-05 ,000 -2,500E-03 ,000 3,057E-05 ,000 -1,668E-04 ,000 -7,016E-03 ,000 -1,811E-04 ,000 8,330E-02 ,002 -1,575E-04 ,000 -1,072E-05 ,000 -2,858E-03 ,000 2,978E-05 ,000 -1,650E-04 ,000 -6,613E-03 ,000 -2,032E-04 ,000 -2,694E-03 ,000
Coefficientsa Standardized Coefficients Beta -,269 -,309 -,250 -,322 -,363 -,347 -,283 -,489 -,385 ,312 -,257 -,610 -,150 ,505 -,438 -,232 -,828 -,152 ,582 -,530 -,377 -,199 -,944 -,178 ,716 -,634 -,422 -,210 -,204 -,926 -,203 ,698 -,626 -,398 -,236 -,140
t 221,539 -9,353 80,216 -10,966 -8,858 75,918 -12,171 -13,022 -12,608 59,979 -11,236 -17,110 -14,670 11,480 58,707 -10,833 -21,469 -4,865 17,017 -12,604 65,583 -10,774 -28,318 -5,441 21,292 -16,574 -15,685 37,185 -9,368 -29,890 -6,511 23,108 -18,963 -17,641 -8,370 38,472 -9,764 -29,764 -7,512 22,850 -19,102 -16,746 -9,457 -6,651
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Model 9
10
11
(Constant) v_6m146_2007 V20_2007 V_13EGW V_32007 V_22007 V_162007 V18_2007 v_17<1970 v_5m131_2007 (Constant) v_6m146_2007 V20_2007 V_13EGW V_32007 V_22007 V_162007 V18_2007 v_17<1970 v_5m131_2007 v_171970-1979 (Constant) v_6m146_2007 V20_2007 V_13EGW V_32007 V_22007 V_162007 V18_2007 v_17<1970 v_5m131_2007 v_171970-1979 v_171980-1989
Unstandardized Coefficients B Std. Error 8,199E-02 ,002 -1,505E-04 ,000 -1,067E-05 ,000 -2,604E-03 ,000 2,975E-05 ,000 -1,630E-04 ,000 -6,680E-03 ,000 -1,997E-04 ,000 -2,395E-03 ,000 1,021E-05 ,000 8,147E-02 ,002 -1,475E-04 ,000 -1,063E-05 ,000 -2,615E-03 ,000 3,013E-05 ,000 -1,635E-04 ,000 -6,878E-03 ,000 -1,984E-04 ,000 -2,118E-03 ,000 8,993E-06 ,000 9,521E-04 ,000 8,015E-02 ,002 -1,470E-04 ,000 -1,047E-05 ,000 -2,815E-03 ,000 3,062E-05 ,000 -1,627E-04 ,000 -6,845E-03 ,000 -1,952E-04 ,000 -1,577E-03 ,000 8,212E-06 ,000 1,594E-03 ,000 1,066E-03 ,000
Standardized Coefficients Beta -,194 -,923 -,185 ,697 -,619 -,402 -,232 -,124 ,083 -,191 -,919 -,186 ,706 -,621 -,414 -,230 -,110 ,073 ,060 -,190 -,905 -,200 ,717 -,618 -,412 -,226 -,082 ,067 ,101 ,075
t 37,690 -9,331 -29,839 -6,793 22,983 -18,978 -17,015 -9,346 -5,851 4,003 37,429 -9,159 -29,777 -6,844 23,220 -19,089 -17,295 -9,313 -5,044 3,485 2,806 36,191 -9,157 -29,122 -7,279 23,488 -19,052 -17,265 -9,184 -3,454 3,177 3,968 2,958
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,005 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,002 ,000 ,003
a. Dependent Variable: IY2007 Excluded Variablesl
Model 1
v_8erfpacht V_13EGW v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999
Beta In ,033a -,232a -,025a ,012a ,054a -,130a ,038a -,194a ,094a ,061a ,014a
t 1,152 -8,281 -,862 ,411 1,862 -4,567 1,322 -6,877 3,278 2,101 ,484
Sig. ,250 ,000 ,389 ,681 ,063 ,000 ,186 ,000 ,001 ,036 ,629
Partial Correlation ,034 -,241 -,026 ,012 ,056 -,135 ,040 -,202 ,098 ,063 ,014
Collinearity Statistics Tolerance 1,000 1,000 ,999 1,000 1,000 ,999 ,999 ,999 1,000 ,997 ,997
Page 9
Page 10
Excluded Variablesl
Model 1
2
3
v_17>2000 V_22007 V20_2007 V18_2007 V_162007 V_32007 v_4m117_2007 v_5m131_2007 V_102007 V_112007 v_8erfpacht V_13EGW v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22007 V18_2007 V_162007 V_32007 v_4m117_2007 v_5m131_2007 V_102007 V_112007 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22007 V18_2007 V_162007 V_32007 v_4m117_2007 v_5m131_2007 V_102007 V_112007
Beta In -,032a -,193a -,250a ,221a -,070a ,135a -,085a ,178a ,001a ,006a ,062b -,347b ,032b ,032b ,070b -,119b -,014b -,180b ,042b ,019b ,086b ,006b -,288b ,210b -,217b ,262b -,072b ,184b -,053b -,013b ,030c ,031c ,022c ,020c -,141c ,034c -,226c ,038c ,088c ,048c ,017c -,132c ,124c -,270c ,312c -,146c ,117c -,133c ,015c
t -1,101 -6,820 -8,858 7,836 -2,434 4,663 -2,969 6,234 ,029 ,220 2,209 -12,608 1,131 1,132 2,529 -4,290 -,500 -6,572 1,454 ,687 2,993 ,217 -10,348 7,694 -7,136 8,889 -2,583 6,710 -1,871 -,467 1,120 1,170 ,834 ,738 -5,438 1,264 -8,857 1,425 3,257 1,758 ,625 -3,962 4,569 -9,574 11,480 -5,539 4,366 -4,907 ,578
Excluded Variablesl
Sig. ,271 ,000 ,000 ,000 ,015 ,000 ,003 ,000 ,977 ,826 ,027 ,000 ,258 ,258 ,012 ,000 ,617 ,000 ,146 ,492 ,003 ,828 ,000 ,000 ,000 ,000 ,010 ,000 ,062 ,640 ,263 ,242 ,405 ,461 ,000 ,206 ,000 ,154 ,001 ,079 ,532 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,564
Partial Correlation -,033 -,200 -,256 ,228 -,073 ,138 -,088 ,183 ,001 ,007 ,066 -,353 ,034 ,034 ,075 -,127 -,015 -,193 ,043 ,021 ,089 ,007 -,296 ,224 -,209 ,257 -,077 ,197 -,056 -,014 ,034 ,035 ,025 ,022 -,161 ,038 -,256 ,043 ,097 ,053 ,019 -,118 ,136 -,276 ,325 -,164 ,130 -,145 ,017
Collinearity Statistics Tolerance ,997 ,999 ,974 ,993 ,987 ,966 ,997 ,989 1,000 ,997 ,987 ,896 ,949 ,993 ,995 ,997 ,956 ,996 ,951 ,969 ,926 ,973 ,916 ,991 ,806 ,838 ,994 ,988 ,956 ,991 ,978 ,949 ,993 ,971 ,993 ,936 ,980 ,951 ,933 ,914 ,972 ,603 ,906 ,792 ,824 ,952 ,939 ,911 ,984
Model 4
5
Page 11
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22007 V18_2007 V_162007 v_4m117_2007 v_5m131_2007 V_102007 V_112007 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2007 V_162007 v_4m117_2007 v_5m131_2007 V_102007 V_112007
Beta In ,009d -,013d ,009d ,002d -,141d ,075d -,186d ,062d ,111d -,011d -,035d -,438d ,012d -,303d -,067d ,121d ,051d ,037d -,009e -,028e ,015e ,003e -,123e ,068e -,169e ,053e ,105e -,011e -,033e -,110e -,377e -,083e ,102e ,009e ,040e
t ,368 -,508 ,343 ,075 -5,782 2,909 -7,565 2,448 4,380 -,409 -1,380 -12,604 ,422 -11,514 -2,541 4,787 1,642 1,494 -,372 -1,173 ,655 ,110 -5,359 2,815 -7,308 2,235 4,423 -,434 -1,405 -3,970 -15,685 -3,346 4,294 ,297 1,708
Sig. ,713 ,612 ,732 ,940 ,000 ,004 ,000 ,015 ,000 ,682 ,168 ,000 ,673 ,000 ,011 ,000 ,101 ,136 ,710 ,241 ,512 ,912 ,000 ,005 ,000 ,026 ,000 ,664 ,160 ,000 ,000 ,001 ,000 ,767 ,088
Partial Correlation ,011 -,015 ,010 ,002 -,171 ,087 -,221 ,073 ,130 -,012 -,041 -,353 ,013 -,326 -,076 ,142 ,049 ,045 -,011 -,035 ,020 ,003 -,159 ,084 -,214 ,067 ,131 -,013 -,042 -,118 -,425 -,100 ,128 ,009 ,051
Collinearity Statistics Tolerance ,973 ,927 ,990 ,967 ,993 ,920 ,957 ,945 ,927 ,878 ,942 ,442 ,773 ,784 ,870 ,939 ,620 ,978 ,969 ,925 ,990 ,967 ,989 ,919 ,953 ,944 ,926 ,878 ,942 ,689 ,758 ,868 ,935 ,612 ,978
Page 12
Excluded Variablesl
Model 6
7
8
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2007 v_4m117_2007 v_5m131_2007 V_102007 V_112007 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2007 v_5m131_2007 V_102007 V_112007 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2007 v_5m131_2007 V_102007 V_112007
Beta In ,010f -,010f ,009f -,002f -,062f ,033f -,109f ,102f ,052f -,041f -,053f -,210f -,047f ,108f ,039f ,018f ,011g -,012g ,008g ,004g -,068g ,034g -,140g ,104g ,053g -,025g -,049g -,054g ,105g ,002g ,032g ,003h -,015h ,011h ,018h -,035h ,006h ,073h ,020h -,063h -,058h -,013h ,083h ,012h ,021h
t ,464 -,464 ,442 -,107 -2,917 1,492 -5,054 4,733 2,348 -1,848 -2,484 -8,370 -2,089 5,036 1,463 ,838 ,519 -,586 ,383 ,182 -3,309 1,604 -6,651 5,003 2,486 -1,153 -2,362 -2,467 5,083 ,081 1,573 ,133 -,709 ,556 ,905 -1,669 ,300 3,425 ,937 -2,858 -2,836 -,600 4,003 ,451 1,028
Excluded Variablesl
Sig. ,643 ,643 ,658 ,915 ,004 ,136 ,000 ,000 ,019 ,065 ,013 ,000 ,037 ,000 ,144 ,402 ,604 ,558 ,702 ,855 ,001 ,109 ,000 ,000 ,013 ,249 ,018 ,014 ,000 ,935 ,116 ,894 ,478 ,579 ,366 ,095 ,764 ,001 ,349 ,004 ,005 ,549 ,000 ,652 ,304
Partial Correlation ,014 -,014 ,013 -,003 -,087 ,045 -,150 ,141 ,070 -,055 -,074 -,243 -,063 ,149 ,044 ,025 ,016 -,018 ,011 ,005 -,099 ,048 -,196 ,148 ,074 -,035 -,071 -,074 ,151 ,002 ,047 ,004 -,021 ,017 ,027 -,050 ,009 ,102 ,028 -,085 -,085 -,018 ,119 ,014 ,031
Collinearity Statistics Tolerance ,966 ,922 ,990 ,967 ,953 ,909 ,919 ,926 ,902 ,872 ,939 ,653 ,859 ,935 ,608 ,974 ,966 ,922 ,990 ,966 ,952 ,909 ,897 ,925 ,902 ,865 ,938 ,858 ,935 ,591 ,967 ,963 ,922 ,989 ,955 ,886 ,872 ,861 ,849 ,815 ,935 ,785 ,903 ,589 ,959
Model 9
10
11
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2007 V_102007 V_112007 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2007 V_102007 V_112007 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171990-1999 v_17>2000 v_4m117_2007 V_102007 V_112007
Beta In -,014i -,030i ,008i ,012i -,035i ,019i ,060i ,021i -,051i -,056i -,033i ,006i ,023i -,007j -,027j ,009j ,012j -,035j ,018j ,075j -,034j -,051j -,043j -,005j ,029j -,005k -,030k ,015k ,012k -,037k ,016k ,074k -,038k -,044k -,010k ,029k
t -,687 -1,416 ,410 ,615 -1,658 ,892 2,806 ,961 -2,297 -2,771 -1,440 ,247 1,142 -,326 -1,309 ,467 ,594 -1,681 ,832 2,958 -1,434 -2,517 -1,895 -,180 1,417 -,226 -1,436 ,764 ,589 -1,761 ,767 1,788 -1,788 -1,915 -,403 1,450
Sig. ,492 ,157 ,682 ,538 ,098 ,373 ,005 ,337 ,022 ,006 ,150 ,805 ,254 ,745 ,191 ,640 ,553 ,093 ,406 ,003 ,152 ,012 ,058 ,857 ,157 ,821 ,151 ,445 ,556 ,078 ,443 ,074 ,074 ,056 ,687 ,147
Partial Correlation -,021 -,042 ,012 ,018 -,050 ,027 ,084 ,029 -,069 -,083 -,043 ,007 ,034 -,010 -,039 ,014 ,018 -,050 ,025 ,089 -,043 -,075 -,057 -,005 ,043 -,007 -,043 ,023 ,018 -,053 ,023 ,054 -,054 -,057 -,012 ,044
Collinearity Statistics Tolerance ,923 ,895 ,988 ,950 ,886 ,854 ,836 ,849 ,797 ,934 ,753 ,587 ,959 ,908 ,894 ,987 ,950 ,886 ,854 ,601 ,705 ,926 ,736 ,574 ,950 ,907 ,892 ,978 ,949 ,885 ,853 ,224 ,858 ,736 ,571 ,950
a. Predictors in the Model: (Constant), v_6m146_2007 b. Predictors in the Model: (Constant), v_6m146_2007, V20_2007 c. Predictors in the Model: (Constant), v_6m146_2007, V20_2007, V_13EGW d. Predictors in the Model: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007 e. Predictors in the Model: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007 f. Predictors in the Model: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007 g. Predictors in the Model: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007 h. Predictors in the Model: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007, v_17<1970 i. Predictors in the Model: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007 j. Predictors in the Model: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_171970-1979
Page 13
Excluded Variablesl
Page 14
Regression initial yield leegstand 2007 stepwise
k. Predictors in the Model: (Constant), v_6m146_2007, V20_2007, V_13EGW, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_171970-1979, v_171980-1989
Variables Entered/Removeda
l. Dependent Variable: IY2007 Model 1
Variables Entered
Variables Removed
v_6m146_2 007
,
V_13EGW
,
V20_2007
,
V_32007
,
V_22007
,
2
3
4
5
Page 15
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Page 16
Variables Entered/Removeda
Model 6
Variables Entered
Variables Removed
V_162007
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
,
7
V18_2007
,
8
v_17<1970
,
v_5m131_2 007
,
v_17>2000
,
Variables Entered/Removeda
9
10
Model 11
Variables Entered
Variables Removed
v_171990-1 999
,
v_15rotterd am
,
12
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
a. Dependent Variable: IY_leegstand2007
Page 17
Page 18
ANOVAm
Model Summary
Model 1 2 3 4 5 6 7 8 9 10 11 12
R ,364a ,431b ,529c ,594d ,652e ,724f ,741g ,753h ,756i ,759j ,762k ,763l
R Square ,132 ,185 ,280 ,353 ,425 ,524 ,549 ,567 ,572 ,575 ,580 ,582
Adjusted R Square ,132 ,184 ,278 ,351 ,423 ,522 ,546 ,564 ,569 ,572 ,576 ,578
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** *********** *********** *********** *********** *********** ***********
Model 6
7
8
9
10
a. Predictors: (Constant), v_6m146_2007 b. Predictors: (Constant), v_6m146_2007, V_13EGW c. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007
11
d. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007 e. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007 f. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007
12
g. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007 h. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,030 ,028 ,058 ,032 ,026 ,058 ,033 ,025 ,058 ,033 ,025 ,058 ,033 ,025 ,058 ,034 ,024 ,058 ,034 ,024 ,058
df 6 1113 1119 7 1112 1119 8 1111 1119 9 1110 1119 10 1109 1119 11 1108 1119 12 1107 1119
Mean Square ,005 ,000
F 204,432
Sig. ,000f
,005 ,000
193,520
,000g
,004 ,000
181,766
,000h
,004 ,000
165,021
,000i
,003 ,000
150,296
,000j
,003 ,000
139,228
,000k
,003 ,000
128,471
,000l
a. Predictors: (Constant), v_6m146_2007
i. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007
b. Predictors: (Constant), v_6m146_2007, V_13EGW
j. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_17>2000
d. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007
c. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007 e. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007
k. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_17>2000, v_171990-1999
f. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007 g. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007
l. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_17>2000, v_171990-1999, v_15rotterdam
h. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970 i. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007
ANOVAm
Model 1
2
3
4
5
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,008 ,050 ,058 ,011 ,047 ,058 ,016 ,042 ,058 ,020 ,038 ,058 ,025 ,033 ,058
df 1 1118 1119 2 1117 1119 3 1116 1119 4 1115 1119 5 1114 1119
Mean Square ,008 ,000
F 170,661
Sig. ,000a
,005 ,000
127,098
,000b
,005 ,000
144,457
,000c
,005 ,000
152,126
,000d
,005 ,000
164,782
j. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_17>2000 k. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_17>2000, v_171990-1999 l. Predictors: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_17>2000, v_171990-1999, v_15rotterdam m. Dependent Variable: IY_leegstand2007 Coefficientsa
Model 1 ,000e 2
Page 19
(Constant) v_6m146_2007 (Constant) v_6m146_2007 V_13EGW
Unstandardized Coefficients B Std. Error 4,521E-02 ,000 3,053E-04 ,000 4,754E-02 ,000 3,086E-04 ,000 -3,511E-03 ,000
Standardized Coefficients Beta ,364 ,368 -,230
t 210,789 13,064 138,582 13,619 -8,521
Sig. ,000 ,000 ,000 ,000 ,000
Page 20
Coefficientsa
Model 3
4
5
6
7
8
9
(Constant) v_6m146_2007 V_13EGW V20_2007 (Constant) v_6m146_2007 V_13EGW V20_2007 V_32007 (Constant) v_6m146_2007 V_13EGW V20_2007 V_32007 V_22007 (Constant) v_6m146_2007 V_13EGW V20_2007 V_32007 V_22007 V_162007 (Constant) v_6m146_2007 V_13EGW V20_2007 V_32007 V_22007 V_162007 V18_2007 (Constant) v_6m146_2007 V_13EGW V20_2007 V_32007 V_22007 V_162007 V18_2007 v_17<1970 (Constant) v_6m146_2007 V_13EGW V20_2007 V_32007 V_22007 V_162007 V18_2007 v_17<1970 v_5m131_2007
Unstandardized Coefficients B Std. Error 5,616E-02 ,001 2,659E-04 ,000 -5,107E-03 ,000 -4,124E-06 ,000 5,050E-02 ,001 2,966E-04 ,000 -5,663E-03 ,000 -5,630E-06 ,000 1,381E-05 ,000 5,807E-02 ,001 3,172E-04 ,000 -2,351E-03 ,000 -7,034E-06 ,000 2,207E-05 ,000 -1,154E-04 ,000 6,466E-02 ,001 3,373E-04 ,000 -2,379E-03 ,000 -9,659E-06 ,000 2,548E-05 ,000 -1,407E-04 ,000 -6,521E-03 ,000 8,120E-02 ,002 3,629E-04 ,000 -2,743E-03 ,000 -1,102E-05 ,000 3,125E-05 ,000 -1,681E-04 ,000 -7,281E-03 ,000 -1,826E-04 ,000 8,360E-02 ,002 3,590E-04 ,000 -3,134E-03 ,000 -1,079E-05 ,000 3,039E-05 ,000 -1,661E-04 ,000 -6,842E-03 ,000 -2,067E-04 ,000 -2,937E-03 ,000 8,228E-02 ,002 3,661E-04 ,000 -2,877E-03 ,000 -1,075E-05 ,000 3,037E-05 ,000 -1,642E-04 ,000 -6,909E-03 ,000 -2,031E-04 ,000 -2,635E-03 ,000 1,029E-05 ,000
Coefficientsa Standardized Coefficients Beta ,317 -,335 -,329 ,354 -,371 -,449 ,298 ,378 -,154 -,561 ,477 -,404 ,402 -,156 -,770 ,550 -,493 -,362 ,433 -,180 -,878 ,675 -,589 -,404 -,195 ,428 -,205 -,860 ,657 -,582 -,379 -,221 -,140 ,436 -,189 -,856 ,656 -,575 -,383 -,217 -,126 ,077
t 71,722 12,307 -12,471 -12,089 56,306 14,351 -14,468 -16,083 11,244 54,741 16,211 -5,075 -20,049 16,317 -11,820 61,112 18,889 -5,642 -26,618 20,358 -15,571 -15,228 34,584 20,508 -6,636 -27,994 21,943 -17,752 -17,006 -7,838 35,883 20,678 -7,654 -27,845 21,672 -17,875 -16,102 -8,940 -6,738 35,120 21,084 -6,970 -27,890 21,778 -17,743 -16,341 -8,828 -5,979 3,744
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Model 10
11
12
(Constant) v_6m146_2007 V_13EGW V20_2007 V_32007 V_22007 V_162007 V18_2007 v_17<1970 v_5m131_2007 v_17>2000 (Constant) v_6m146_2007 V_13EGW V20_2007 V_32007 V_22007 V_162007 V18_2007 v_17<1970 v_5m131_2007 v_17>2000 v_171990-1999 (Constant) v_6m146_2007 V_13EGW V20_2007 V_32007 V_22007 V_162007 V18_2007 v_17<1970 v_5m131_2007 v_17>2000 v_171990-1999 v_15rotterdam
Unstandardized Coefficients B Std. Error 8,193E-02 ,002 3,711E-04 ,000 -2,885E-03 ,000 -1,069E-05 ,000 3,083E-05 ,000 -1,640E-04 ,000 -6,959E-03 ,000 -2,023E-04 ,000 -2,718E-03 ,000 1,012E-05 ,000 -1,865E-03 ,001 8,145E-02 ,002 3,716E-04 ,000 -3,137E-03 ,000 -1,049E-05 ,000 3,147E-05 ,000 -1,634E-04 ,000 -7,009E-03 ,000 -1,979E-04 ,000 -3,187E-03 ,000 8,536E-06 ,000 -2,502E-03 ,001 -1,326E-03 ,000 8,169E-02 ,002 3,702E-04 ,000 -3,049E-03 ,000 -1,049E-05 ,000 3,135E-05 ,000 -1,636E-04 ,000 -6,984E-03 ,000 -2,007E-04 ,000 -3,301E-03 ,000 8,091E-06 ,000 -2,463E-03 ,001 -1,328E-03 ,000 1,925E-03 ,001
Standardized Coefficients Beta ,442 -,189 -,852 ,666 -,575 -,386 -,216 -,130 ,076 -,058 ,443 -,206 -,836 ,680 -,572 -,389 -,212 -,152 ,064 -,078 -,081 ,441 -,200 -,836 ,677 -,573 -,387 -,215 -,158 ,061 -,076 -,081 ,044
t 35,033 21,333 -7,011 -27,803 22,033 -17,787 -16,497 -8,820 -6,174 3,695 -2,859 34,956 21,469 -7,552 -27,142 22,423 -17,802 -16,695 -8,663 -6,969 3,092 -3,716 -3,564 35,081 21,411 -7,318 -27,178 22,358 -17,861 -16,658 -8,785 -7,185 2,928 -3,665 -3,575 2,199
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,004 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,002 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,003 ,000 ,000 ,028
a. Dependent Variable: IY_leegstand2007 Excluded Variablesm
Model 1
v_8erfpacht V_13EGW v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970
Beta In ,030a -,230a -,020a ,013a ,084a -,121a ,013a -,191a
t 1,063 -8,521 -,735 ,460 3,023 -4,363 ,474 -6,988
Sig. ,288 ,000 ,463 ,646 ,003 ,000 ,636 ,000
Partial Correlation ,032 -,247 -,022 ,014 ,090 -,129 ,014 -,205
Collinearity Statistics Tolerance 1,000 1,000 ,999 1,000 1,000 ,999 ,999 ,999
Page 21
Page 22
Excluded Variablesm
Model 1
2
v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22007 V20_2007 V18_2007 V_162007 V_32007 v_4m117_2007 v_5m131_2007 V_102007 V_112007 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22007 V20_2007 V18_2007 V_162007 V_32007 v_4m117_2007 v_5m131_2007 V_102007 V_112007
Beta In ,085a ,066a ,013a -,030a -,185a -,219a ,212a -,078a ,136a -,079a ,169a -,011a ,004a ,000b -,038b ,000b ,046b -,139b ,061b -,227b ,099b ,128b -,032b -,035b -,068b -,329b ,163b -,072b ,135b -,134b ,124b -,043b ,028b
t 3,052 2,385 ,476 -1,089 -6,759 -7,989 7,779 -2,796 4,861 -2,851 6,142 -,400 ,127 -,003 -1,405 ,016 1,693 -5,190 2,230 -8,595 3,691 4,631 -1,155 -1,295 -1,957 -12,089 5,877 -2,670 4,965 -4,903 4,510 -1,569 1,038
Excluded Variablesm
Sig. ,002 ,017 ,634 ,276 ,000 ,000 ,000 ,005 ,000 ,004 ,000 ,689 ,899 ,997 ,160 ,987 ,091 ,000 ,026 ,000 ,000 ,000 ,248 ,196 ,051 ,000 ,000 ,008 ,000 ,000 ,000 ,117 ,300
Partial Correlation ,091 ,071 ,014 -,033 -,198 -,232 ,227 -,083 ,144 -,085 ,181 -,012 ,004 ,000 -,042 ,000 ,051 -,154 ,067 -,249 ,110 ,137 -,035 -,039 -,058 -,340 ,173 -,080 ,147 -,145 ,134 -,047 ,031
Collinearity Statistics Tolerance 1,000 ,997 ,997 ,997 ,999 ,974 ,993 ,987 ,966 ,997 ,989 1,000 ,997 ,983 ,994 ,997 ,971 ,993 ,960 ,980 ,996 ,942 ,961 ,996 ,611 ,873 ,925 ,987 ,966 ,952 ,941 ,982 ,986
Model 3
4
Page 23
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22007 V18_2007 V_162007 V_32007 v_4m117_2007 v_5m131_2007 V_102007 V_112007 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22007 V18_2007 V_162007 v_4m117_2007 v_5m131_2007 V_102007 V_112007
Beta In ,024c ,029c ,021c ,051c -,131c ,013c -,222c ,035c ,097c ,040c ,013c -,116c ,120c -,261c ,298c -,139c ,110c -,136c ,014c ,004d -,014d ,008d ,034d -,132d ,051d -,185d ,058d ,120d -,017d -,037d -,404d ,013d -,294d -,063d ,114d ,036d ,035d
t ,918 1,104 ,812 1,964 -5,211 ,476 -8,966 1,360 3,702 1,497 ,497 -3,552 4,528 -9,517 11,244 -5,403 4,217 -5,172 ,535 ,168 -,545 ,330 1,381 -5,528 2,029 -7,697 2,356 4,830 -,646 -1,476 -11,820 ,462 -11,399 -2,455 4,616 1,164 1,429
Sig. ,359 ,270 ,417 ,050 ,000 ,634 ,000 ,174 ,000 ,135 ,619 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,593 ,866 ,586 ,742 ,167 ,000 ,043 ,000 ,019 ,000 ,518 ,140 ,000 ,644 ,000 ,014 ,000 ,245 ,153
Partial Correlation ,027 ,033 ,024 ,059 -,154 ,014 -,259 ,041 ,110 ,045 ,015 -,106 ,134 -,274 ,319 -,160 ,125 -,153 ,016 ,005 -,016 ,010 ,041 -,163 ,061 -,225 ,070 ,143 -,019 -,044 -,334 ,014 -,323 -,073 ,137 ,035 ,043
Collinearity Statistics Tolerance ,978 ,949 ,993 ,971 ,993 ,936 ,980 ,951 ,933 ,914 ,972 ,603 ,906 ,792 ,824 ,952 ,939 ,911 ,984 ,973 ,927 ,990 ,967 ,993 ,920 ,957 ,945 ,927 ,878 ,942 ,442 ,773 ,784 ,870 ,939 ,620 ,978
Page 24
Excluded Variablesm
Model 5
6
7
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2007 V_162007 v_4m117_2007 v_5m131_2007 V_102007 V_112007 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2007 v_4m117_2007 v_5m131_2007 V_102007 V_112007 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2007 v_5m131_2007 V_102007 V_112007
Beta In -,012e -,028e ,014e ,034e -,115e ,044e -,169e ,050e ,114e -,017e -,035e -,099e -,362e -,078e ,096e -,004e ,037e ,005f -,010f ,008f ,030f -,057f ,011f -,112f ,097f ,063f -,046f -,054f -,195f -,043f ,102f ,025f ,016f ,006g -,012g ,007g ,035g -,063g ,012g -,140g ,099g ,064g -,031g -,051g -,050g ,100g -,010g ,030g
t -,538 -1,169 ,620 1,493 -5,095 1,877 -7,434 2,142 4,880 -,682 -1,501 -3,646 -15,228 -3,194 4,125 -,134 1,620 ,257 -,478 ,409 1,419 -2,687 ,494 -5,238 4,548 2,898 -2,080 -2,555 -7,838 -1,951 4,815 ,953 ,763 ,302 -,591 ,351 1,732 -3,042 ,568 -6,738 4,786 3,038 -1,433 -2,438 -2,297 4,844 -,363 1,447
Excluded Variablesm
Sig. ,590 ,243 ,535 ,136 ,000 ,061 ,000 ,032 ,000 ,495 ,134 ,000 ,000 ,001 ,000 ,894 ,106 ,797 ,633 ,683 ,156 ,007 ,622 ,000 ,000 ,004 ,038 ,011 ,000 ,051 ,000 ,341 ,446 ,762 ,554 ,726 ,083 ,002 ,570 ,000 ,000 ,002 ,152 ,015 ,022 ,000 ,716 ,148
Partial Correlation -,016 -,035 ,019 ,045 -,151 ,056 -,217 ,064 ,145 -,020 -,045 -,109 -,415 -,095 ,123 -,004 ,048 ,008 -,014 ,012 ,043 -,080 ,015 -,155 ,135 ,087 -,062 -,076 -,229 -,058 ,143 ,029 ,023 ,009 -,018 ,011 ,052 -,091 ,017 -,198 ,142 ,091 -,043 -,073 -,069 ,144 -,011 ,043
Collinearity Statistics Tolerance ,969 ,925 ,990 ,967 ,989 ,919 ,953 ,944 ,926 ,878 ,942 ,689 ,758 ,868 ,935 ,612 ,978 ,966 ,922 ,990 ,967 ,953 ,909 ,919 ,926 ,902 ,872 ,939 ,653 ,859 ,935 ,608 ,974 ,966 ,922 ,990 ,966 ,952 ,909 ,897 ,925 ,902 ,865 ,938 ,858 ,935 ,591 ,967
Model 8
9
10
11
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2007 v_5m131_2007 V_102007 V_112007 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2007 V_102007 V_112007 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_4m117_2007 V_102007 V_112007 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_4m117_2007 V_102007 V_112007
Beta In -,002h -,015h ,010h ,051h -,029h -,017h ,067h ,032h -,069h -,059h -,009h ,077h ,000h ,018h -,018i -,029i ,008i ,045i -,028i -,005i ,056i ,032i -,058i -,058i -,027i -,005i ,020i -,018j -,032j ,025j ,044j -,029j -,012j ,050j ,022j -,081j -,029j -,001j ,019j -,012k -,033k ,027k ,044k -,031k -,012k ,025k -,027k -,033k -,015k ,023k
t -,093 -,716 ,526 2,509 -1,368 -,793 3,178 1,491 -3,178 -2,920 -,394 3,744 ,002 ,892 -,867 -1,378 ,390 2,250 -1,356 -,258 2,597 1,517 -2,658 -2,859 -1,174 -,193 ,998 -,894 -1,554 1,228 2,178 -1,394 -,567 2,337 1,039 -3,564 -1,270 -,058 ,963 -,586 -1,582 1,311 2,199 -1,483 -,567 1,071 -1,071 -1,481 -,588 1,153
Page 25
v_8erfpacht v_15amsterdam v_15den_haag v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_4m117_2007 V_102007 V_112007
Beta In -,031l -,030l ,029l -,028l ,017l ,024l -,027l -,033l -,015l ,024l
t -1,440 -1,451 1,401 -1,344 ,699 1,057 -1,057 -1,487 -,569 1,207
Partial Correlation -,003 -,021 ,016 ,075 -,041 -,024 ,095 ,045 -,095 -,087 -,012 ,112 ,000 ,027 -,026 -,041 ,012 ,067 -,041 -,008 ,078 ,046 -,080 -,086 -,035 -,006 ,030 -,027 -,047 ,037 ,065 -,042 -,017 ,070 ,031 -,106 -,038 -,002 ,029 -,018 -,048 ,039 ,066 -,045 -,017 ,032 -,032 -,044 -,018 ,035
Collinearity Statistics Tolerance ,963 ,922 ,989 ,955 ,886 ,872 ,861 ,849 ,815 ,935 ,785 ,903 ,589 ,959 ,923 ,895 ,988 ,950 ,886 ,854 ,836 ,849 ,797 ,934 ,753 ,587 ,959 ,923 ,892 ,912 ,949 ,886 ,844 ,829 ,823 ,741 ,753 ,586 ,959 ,916 ,892 ,912 ,949 ,885 ,844 ,709 ,579 ,750 ,573 ,956
Page 26
Excluded Variablesm
Model 12
Sig. ,926 ,474 ,599 ,012 ,172 ,428 ,002 ,136 ,002 ,004 ,694 ,000 ,998 ,372 ,386 ,169 ,697 ,025 ,175 ,796 ,010 ,130 ,008 ,004 ,241 ,847 ,319 ,372 ,120 ,220 ,030 ,164 ,571 ,020 ,299 ,000 ,204 ,954 ,336 ,558 ,114 ,190 ,028 ,138 ,571 ,285 ,285 ,139 ,557 ,249
Variables Entered/Removeda
Sig. ,150 ,147 ,162 ,179 ,485 ,291 ,291 ,137 ,570 ,228
Partial Correlation -,043 -,044 ,042 -,040 ,021 ,032 -,032 -,045 -,017 ,036
Collinearity Statistics Tolerance ,806 ,888 ,910 ,881 ,609 ,709 ,579 ,750 ,573 ,955
Model 1
Variables Entered
Variables Removed
v_17<1970
,
V_13EGW
,
V20_2008
,
v_6m146_2 008
,
V_32008
,
V_22008
,
2
a. Predictors in the Model: (Constant), v_6m146_2007 b. Predictors in the Model: (Constant), v_6m146_2007, V_13EGW c. Predictors in the Model: (Constant), v_6m146_2007, V_13EGW, V20_2007 d. Predictors in the Model: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007 e. Predictors in the Model: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007 f. Predictors in the Model: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007
3
g. Predictors in the Model: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007 h. Predictors in the Model: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970 i. Predictors in the Model: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007 j. Predictors in the Model: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_17>2000
4
k. Predictors in the Model: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_17>2000, v_171990-1999 l. Predictors in the Model: (Constant), v_6m146_2007, V_13EGW, V20_2007, V_32007, V_22007, V_162007, V18_2007, v_17<1970, v_5m131_2007, v_17>2000, v_171990-1999, v_15rotterdam m. Dependent Variable: IY_leegstand2007
Regression initial yield 2008 stepwise 5
6
Page 27
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Page 28
Variables Entered/Removeda
Model 7
Variables Entered
Variables Removed
V_162008
,
8
v_5m131_2 008
,
9
V18_2008
,
10
v_171980-1 989
,
Model Summary
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Model 1 2 3 4 5 6 7 8 9 10
R ,376a ,480b ,577c ,618d ,647e ,709f ,742g ,753h ,762i ,764j
R Square ,142 ,230 ,333 ,382 ,418 ,503 ,551 ,567 ,581 ,583
Adjusted R Square ,141 ,228 ,331 ,380 ,415 ,500 ,548 ,563 ,577 ,579
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** *********** *********** *********** ***********
a. Predictors: (Constant), v_17<1970 b. Predictors: (Constant), v_17<1970, V_13EGW c. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008 d. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008 e. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008 f. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008 g. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008, V_162008 h. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008, V_162008, v_5m131_2008 i. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008, V_162008, v_5m131_2008, V18_2008 j. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008, V_162008, v_5m131_2008, V18_2008, v_171980-1989
a. Dependent Variable: IY2008
Page 29
Page 30
ANOVAk
Model 1
2
3
4
5
6
7
8
9
10
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,007 ,042 ,049 ,011 ,037 ,049 ,016 ,032 ,049 ,019 ,030 ,049 ,020 ,028 ,049 ,024 ,024 ,049 ,027 ,022 ,049 ,028 ,021 ,049 ,028 ,020 ,049 ,028 ,020 ,049
df 1 923 924 2 922 924 3 921 924 4 920 924 5 919 924 6 918 924 7 917 924 8 916 924 9 915 924 10 914 924
Coefficientsa
Mean Square ,007 ,000
F 152,258
Sig. ,000a
Model 1
,006 ,000
137,649
,000b
2
,005 ,000
153,187
,000c
3
,005 ,000
142,319
,000d
,004 ,000
132,071
,000e
,004 ,000
154,980
,000f
,004 ,000
160,869
,000g
,003 ,000
150,038
,000h
,003 ,000
140,937
,000i
,003 ,000
127,851
,000j
4
5
6
7
a. Predictors: (Constant), v_17<1970 b. Predictors: (Constant), v_17<1970, V_13EGW c. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008 d. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008 e. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008 f. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008
8
g. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008, V_162008 h. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008, V_162008, v_5m131_2008 i. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008, V_162008, v_5m131_2008, V18_2008 j. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008, V_162008, v_5m131_2008, V18_2008, v_171980-1989 k. Dependent Variable: IY2008
Page 31
(Constant) v_17<1970 (Constant) v_17<1970 V_13EGW (Constant) v_17<1970 V_13EGW V20_2008 (Constant) v_17<1970 V_13EGW V20_2008 v_6m146_2008 (Constant) v_17<1970 V_13EGW V20_2008 v_6m146_2008 V_32008 (Constant) v_17<1970 V_13EGW V20_2008 v_6m146_2008 V_32008 V_22008 (Constant) v_17<1970 V_13EGW V20_2008 v_6m146_2008 V_32008 V_22008 V_162008 (Constant) v_17<1970 V_13EGW V20_2008 v_6m146_2008 V_32008 V_22008 V_162008 v_5m131_2008
Unstandardized Coefficients B Std. Error 4,685E-02 ,000 -7,193E-03 ,001 4,976E-02 ,000 -7,853E-03 ,001 -4,479E-03 ,000 5,740E-02 ,001 -7,062E-03 ,001 -5,873E-03 ,000 -3,697E-06 ,000 5,932E-02 ,001 -7,062E-03 ,001 -6,408E-03 ,000 -4,115E-06 ,000 -4,098E-04 ,000 5,502E-02 ,001 -5,948E-03 ,001 -6,694E-03 ,000 -5,034E-06 ,000 -3,943E-04 ,000 9,241E-06 ,000 6,220E-02 ,001 -5,089E-03 ,000 -3,254E-03 ,000 -6,255E-06 ,000 -3,921E-04 ,000 1,814E-05 ,000 -1,213E-04 ,000 6,605E-02 ,001 -4,166E-03 ,000 -2,894E-03 ,000 -7,690E-06 ,000 -3,253E-04 ,000 2,002E-05 ,000 -1,390E-04 ,000 -4,348E-03 ,000 6,428E-02 ,001 -3,663E-03 ,000 -2,590E-03 ,000 -7,669E-06 ,000 -3,066E-04 ,000 2,005E-05 ,000 -1,345E-04 ,000 -4,488E-03 ,000 1,745E-05 ,000
Standardized Coefficients Beta -,376 -,411 -,299 -,369 -,392 -,338 -,369 -,428 -,376 -,227 -,311 -,447 -,460 -,218 ,212 -,266 -,217 -,572 -,217 ,415 -,432 -,218 -,193 -,703 -,180 ,459 -,495 -,253 -,192 -,173 -,701 -,169 ,459 -,479 -,261 ,132
t 192,641 -12,339 136,255 -14,121 -10,284 79,106 -13,526 -13,913 -11,922 80,862 -14,048 -15,586 -13,601 -8,575 60,234 -11,660 -16,691 -15,823 -8,487 7,526 60,957 -10,679 -7,055 -20,188 -9,130 13,549 -12,540 63,186 -9,003 -6,575 -23,417 -7,859 15,555 -14,832 -9,898 60,030 -7,914 -5,945 -23,764 -7,514 15,851 -14,566 -10,382 5,819
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Page 32
Coefficientsa
Model 9
10
(Constant) v_17<1970 V_13EGW V20_2008 v_6m146_2008 V_32008 V_22008 V_162008 v_5m131_2008 V18_2008 (Constant) v_17<1970 V_13EGW V20_2008 v_6m146_2008 V_32008 V_22008 V_162008 v_5m131_2008 V18_2008 v_171980-1989
Unstandardized Coefficients B Std. Error 7,740E-02 ,003 -3,921E-03 ,000 -2,745E-03 ,000 -8,552E-06 ,000 -2,695E-04 ,000 2,384E-05 ,000 -1,508E-04 ,000 -5,188E-03 ,000 1,667E-05 ,000 -1,535E-04 ,000 7,684E-02 ,003 -3,649E-03 ,000 -2,851E-03 ,000 -8,493E-06 ,000 -2,707E-04 ,000 2,415E-05 ,000 -1,506E-04 ,000 -5,125E-03 ,000 1,659E-05 ,000 -1,534E-04 ,000 8,148E-04 ,000
Excluded Variablesk Standardized Coefficients Beta -,205 -,183 -,782 -,149 ,546 -,537 -,302 ,126 -,148 -,191 -,190 -,776 -,150 ,553 -,536 -,298 ,126 -,148 ,051
t 29,596 -8,560 -6,386 -24,008 -6,615 16,737 -15,766 -11,676 5,639 -5,482 29,306 -7,707 -6,605 -23,827 -6,658 16,907 -15,772 -11,534 5,623 -5,493 2,192
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,029
Model 2
3
a. Dependent Variable: IY2008 Excluded Variablesk
Model 1
v_8erfpacht V_13EGW v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_6m146_2008 v_5m131_2008 v_4m117_2008 V_32008 V_162008 V18_2008 V20_2008 V_22008
Beta In ,025a -,299a -,014a -,036a ,052a -,096a ,039a -,014a ,028a ,002a -,022a -,017a ,080a -,134a ,215a -,005a ,063a -,045a ,189a -,229a -,272a
t ,824 -10,284 -,458 -1,193 1,712 -3,043 1,255 -,442 ,879 ,058 -,730 -,542 2,560 -4,428 7,128 -,163 2,006 -1,456 6,071 -7,636 -9,257
Sig. ,410 ,000 ,647 ,233 ,087 ,002 ,210 ,659 ,380 ,954 ,466 ,588 ,011 ,000 ,000 ,871 ,045 ,146 ,000 ,000 ,000
Partial Correlation ,027 -,321 -,015 -,039 ,056 -,100 ,041 -,015 ,029 ,002 -,024 -,018 ,084 -,144 ,229 -,005 ,066 -,048 ,196 -,244 -,292
Collinearity Statistics Tolerance ,996 ,987 ,998 1,000 ,989 ,924 ,957 ,948 ,917 ,925 ,981 ,990 ,944 1,000 ,973 ,917 ,950 ,993 ,924 ,976 ,989
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_6m146_2008 v_5m131_2008 v_4m117_2008 V_32008 V_162008 V18_2008 V20_2008 V_22008 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_6m146_2008 v_5m131_2008 v_4m117_2008 V_32008 V_162008 V18_2008 V_22008
Beta In -,017b -,038b -,042b ,006b -,100b ,086b ,007b ,079b -,070b -,025b -,007b ,042b -,169b ,159b -,033b ,058b -,024b ,134b -,338b -,145b ,012c ,040c -,024c -,001c -,067c ,025c -,046c ,035c ,002c ,010c -,019c -,047c -,227c ,151c -,088c ,222c -,203c ,075c -,179c
t -,573 -1,313 -1,459 ,206 -3,360 2,902 ,247 2,588 -2,265 -,862 -,224 1,388 -5,907 5,379 -1,102 1,964 -,814 4,415 -11,922 -4,049 ,427 1,446 -,879 -,019 -2,379 ,889 -1,634 1,221 ,078 ,374 -,717 -1,613 -8,575 5,501 -3,079 7,623 -6,928 2,607 -5,375
Sig. ,567 ,190 ,145 ,837 ,001 ,004 ,805 ,010 ,024 ,389 ,823 ,166 ,000 ,000 ,271 ,050 ,416 ,000 ,000 ,000 ,670 ,148 ,380 ,985 ,018 ,374 ,103 ,222 ,938 ,709 ,474 ,107 ,000 ,000 ,002 ,000 ,000 ,009 ,000
Partial Correlation -,019 -,043 -,048 ,007 -,110 ,095 ,008 ,085 -,074 -,028 -,007 ,046 -,191 ,175 -,036 ,065 -,027 ,144 -,366 -,132 ,014 ,048 -,029 -,001 -,078 ,029 -,054 ,040 ,003 ,012 -,024 -,053 -,272 ,178 -,101 ,244 -,223 ,086 -,175
Collinearity Statistics Tolerance ,976 ,992 1,000 ,965 ,924 ,936 ,943 ,894 ,880 ,981 ,989 ,928 ,988 ,931 ,910 ,949 ,988 ,889 ,901 ,639 ,969 ,937 ,996 ,965 ,914 ,903 ,920 ,879 ,842 ,969 ,988 ,868 ,962 ,930 ,888 ,802 ,799 ,860 ,635
Page 33
Page 34
Excluded Variablesk
Model 4
5
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_5m131_2008 v_4m117_2008 V_32008 V_162008 V18_2008 V_22008 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_5m131_2008 v_4m117_2008 V_162008 V18_2008 V_22008
Beta In ,006d ,043d -,015d ,013d -,064d ,009d -,055d ,037d ,005d ,017d -,030d -,064d ,136d -,087d ,212d -,169d ,098d -,185d -,001e ,009e -,024e ,009e -,071e ,038e -,027e ,068e -,026e -,027e ,000e ,058e ,147e -,018e -,181e ,024e -,432e
t ,225 1,589 -,579 ,491 -2,377 ,339 -2,054 1,339 ,173 ,651 -1,150 -2,292 5,118 -3,197 7,526 -5,847 3,500 -5,773 -,022 ,337 -,947 ,335 -2,689 1,431 -1,022 2,514 -,932 -1,031 ,017 1,822 5,704 -,639 -6,469 ,803 -12,540
Excluded Variablesk
Sig. ,822 ,112 ,563 ,624 ,018 ,735 ,040 ,181 ,863 ,515 ,250 ,022 ,000 ,001 ,000 ,000 ,000 ,000 ,983 ,736 ,344 ,738 ,007 ,153 ,307 ,012 ,352 ,303 ,986 ,069 ,000 ,523 ,000 ,422 ,000
Partial Correlation ,007 ,052 -,019 ,016 -,078 ,011 -,068 ,044 ,006 ,021 -,038 -,075 ,166 -,105 ,241 -,189 ,115 -,187 -,001 ,011 -,031 ,011 -,088 ,047 -,034 ,083 -,031 -,034 ,001 ,060 ,185 -,021 -,209 ,027 -,382
Collinearity Statistics Tolerance ,968 ,937 ,995 ,961 ,914 ,899 ,919 ,879 ,842 ,968 ,986 ,863 ,926 ,888 ,801 ,780 ,853 ,634 ,967 ,909 ,993 ,961 ,913 ,881 ,899 ,860 ,824 ,920 ,960 ,630 ,923 ,775 ,777 ,732 ,456
Model 6
7
8
Page 35
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_5m131_2008 v_4m117_2008 V_162008 V18_2008 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_5m131_2008 v_4m117_2008 V18_2008 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_4m117_2008 V18_2008
Beta In -,017f -,009f -,014f ,005f -,060f ,038f -,030f ,068f -,020f -,029f ,009f ,017f ,119f ,016f -,253f -,066f -,001g ,001g -,022g ,007g -,026g ,021g ,005g ,052g -,023g -,050g ,006g ,013g ,132g ,003g -,156g -,022h -,019h -,027h ,000h -,022h ,037h -,020h ,051h -,007h -,039h ,002h ,018h -,006h -,148h
t -,731 -,358 -,614 ,207 -2,458 1,552 -1,242 2,712 -,792 -1,200 ,387 ,574 4,969 ,616 -9,898 -2,351 -,053 ,027 -,967 ,311 -1,101 ,872 ,195 2,192 -,953 -2,172 ,271 ,446 5,819 ,137 -5,667 -,977 -,811 -1,222 -,002 -,953 1,568 -,857 2,161 -,273 -1,713 ,110 ,650 -,242 -5,482
Sig. ,465 ,721 ,540 ,836 ,014 ,121 ,215 ,007 ,428 ,231 ,699 ,566 ,000 ,538 ,000 ,019 ,958 ,978 ,334 ,756 ,271 ,383 ,846 ,029 ,341 ,030 ,786 ,655 ,000 ,891 ,000 ,329 ,418 ,222 ,998 ,341 ,117 ,392 ,031 ,785 ,087 ,912 ,516 ,809 ,000
Partial Correlation -,024 -,012 -,020 ,007 -,081 ,051 -,041 ,089 -,026 -,040 ,013 ,019 ,162 ,020 -,311 -,077 -,002 ,001 -,032 ,010 -,036 ,029 ,006 ,072 -,031 -,072 ,009 ,015 ,189 ,005 -,184 -,032 -,027 -,040 ,000 -,031 ,052 -,028 ,071 -,009 -,057 ,004 ,021 -,008 -,178
Collinearity Statistics Tolerance ,964 ,906 ,992 ,961 ,912 ,881 ,899 ,860 ,823 ,920 ,960 ,622 ,915 ,767 ,749 ,686 ,959 ,904 ,991 ,961 ,891 ,875 ,878 ,856 ,823 ,913 ,959 ,622 ,912 ,765 ,628 ,935 ,886 ,989 ,958 ,891 ,864 ,850 ,856 ,811 ,906 ,959 ,622 ,762 ,627
Page 36
Excluded Variablesk
Model 9
10
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_4m117_2008 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171990-1999 v_17>2000 V_112008 V_102008 v_4m117_2008
Beta In -,018i -,024i -,025i ,007i -,012i ,029i -,028i ,051i ,001i -,039i ,009i ,001i -,003i -,019j -,029j -,021j ,008j -,013j ,028j -,003j ,030j -,030j ,006j ,002j -,002j
t -,802 -1,069 -1,145 ,303 -,518 1,264 -1,183 2,192 ,022 -1,739 ,399 ,036 -,125 -,881 -1,261 -,955 ,360 -,560 1,227 -,125 1,137 -1,301 ,263 ,065 -,094
Variables Entered/Removeda
Sig. ,423 ,285 ,252 ,762 ,605 ,206 ,237 ,029 ,983 ,082 ,690 ,972 ,900 ,379 ,208 ,340 ,719 ,576 ,220 ,900 ,256 ,193 ,792 ,948 ,925
Partial Correlation -,027 -,035 -,038 ,010 -,017 ,042 -,039 ,072 ,001 -,057 ,013 ,001 -,004 -,029 -,042 -,032 ,012 -,019 ,041 -,004 ,038 -,043 ,009 ,002 -,003
Collinearity Statistics Tolerance ,934 ,884 ,989 ,955 ,885 ,861 ,847 ,856 ,809 ,906 ,956 ,613 ,761 ,933 ,878 ,981 ,954 ,884 ,860 ,643 ,643 ,864 ,952 ,613 ,761
Model 1
Variables Entered
Variables Removed
v_17<1970
,
V_13EGW
,
V20_2008
,
V_32008
,
V_22008
,
V_162008
,
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
2
3
4
a. Predictors in the Model: (Constant), v_17<1970 b. Predictors in the Model: (Constant), v_17<1970, V_13EGW c. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008 d. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008 e. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008 f. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008 g. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008, V_162008
5
h. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008, V_162008, v_5m131_2008 i. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008, V_162008, v_5m131_2008, V18_2008 j. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, v_6m146_2008, V_32008, V_22008, V_162008, v_5m131_2008, V18_2008, v_171980-1989 k. Dependent Variable: IY2008 6
Regression initial yield leegstand 2008 stepwise
Page 37
Page 38
Variables Entered/Removeda
Model 7
Variables Entered
v_5m131_2 008
Variables Removed
,
8
v_6m146_2 008
,
9
V18_2008
,
10
v_171980-1 989
,
Model Summary
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Model 1 2 3 4 5 6 7 8 9 10
R ,375a ,498b ,617c ,644d ,706e ,736f ,745g ,752h ,761i ,763j
R Square ,141 ,248 ,381 ,415 ,498 ,541 ,556 ,566 ,580 ,582
Adjusted R Square ,140 ,247 ,379 ,412 ,495 ,538 ,552 ,562 ,576 ,577
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** *********** *********** *********** ***********
a. Predictors: (Constant), v_17<1970 b. Predictors: (Constant), v_17<1970, V_13EGW c. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008 d. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008 e. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008 f. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008 g. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008, v_5m131_2008 h. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008, v_5m131_2008, v_6m146_2008 i. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008, v_5m131_2008, v_6m146_2008, V18_2008 j. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008, v_5m131_2008, v_6m146_2008, V18_2008, v_171980-1989
a. Dependent Variable: IY_leegstand2008
Page 39
Page 40
ANOVAk
Model 1
2
3
4
5
6
7
8
9
10
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,007 ,043 ,050 ,012 ,037 ,050 ,019 ,031 ,050 ,021 ,029 ,050 ,025 ,025 ,050 ,027 ,023 ,050 ,028 ,022 ,050 ,028 ,022 ,050 ,029 ,021 ,050 ,029 ,021 ,050
df 1 923 924 2 922 924 3 921 924 4 920 924 5 919 924 6 918 924 7 917 924 8 916 924 9 915 924 10 914 924
Coefficientsa
Mean Square ,007 ,000
F 151,368
Sig. ,000a
Model 1
,006 ,000
152,166
,000b
2
,006 ,000
188,770
,000c
3
,005 ,000
163,114
,000d
,005 ,000
182,232
,000e
,004 ,000
180,391
,000f
,004 ,000
163,843
,000g
,004 ,000
149,477
,000h
,003 ,000
140,194
,000i
,003 ,000
127,213
,000j
4
5
6
7
a. Predictors: (Constant), v_17<1970 b. Predictors: (Constant), v_17<1970, V_13EGW c. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008 d. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008 e. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008 f. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008
8
g. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008, v_5m131_2008 h. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008, v_5m131_2008, v_6m146_2008 i. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008, v_5m131_2008, v_6m146_2008, V18_2008 j. Predictors: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008, v_5m131_2008, v_6m146_2008, V18_2008, v_171980-1989 k. Dependent Variable: IY_leegstand2008
(Constant) v_17<1970 (Constant) v_17<1970 V_13EGW (Constant) v_17<1970 V_13EGW V20_2008 (Constant) v_17<1970 V_13EGW V20_2008 V_32008 (Constant) v_17<1970 V_13EGW V20_2008 V_32008 V_22008 (Constant) v_17<1970 V_13EGW V20_2008 V_32008 V_22008 V_162008 (Constant) v_17<1970 V_13EGW V20_2008 V_32008 V_22008 V_162008 v_5m131_2008 (Constant) v_17<1970 V_13EGW V20_2008 V_32008 V_22008 V_162008 v_5m131_2008 v_6m146_2008
Unstandardized Coefficients B Std. Error 4,783E-02 ,000 -7,255E-03 ,001 5,107E-02 ,000 -7,991E-03 ,001 -4,991E-03 ,000 5,984E-02 ,001 -7,084E-03 ,001 -6,591E-03 ,000 -4,243E-06 ,000 5,567E-02 ,001 -5,985E-03 ,001 -6,893E-03 ,000 -5,166E-06 ,000 9,112E-06 ,000 6,286E-02 ,001 -5,128E-03 ,000 -3,462E-03 ,000 -6,386E-06 ,000 1,799E-05 ,000 -1,211E-04 ,000 6,682E-02 ,001 -4,263E-03 ,000 -3,202E-03 ,000 -7,802E-06 ,000 1,970E-05 ,000 -1,378E-04 ,000 -4,119E-03 ,000 6,519E-02 ,001 -3,787E-03 ,000 -2,935E-03 ,000 -7,787E-06 ,000 1,969E-05 ,000 -1,334E-04 ,000 -4,222E-03 ,000 1,681E-05 ,000 6,439E-02 ,001 -3,655E-03 ,000 -2,643E-03 ,000 -7,728E-06 ,000 2,007E-05 ,000 -1,346E-04 ,000 -4,566E-03 ,000 1,794E-05 ,000 1,950E-04 ,000
Standardized Coefficients Beta -,375 -,413 -,330 -,366 -,435 -,384 -,310 -,455 -,467 ,206 -,265 -,229 -,577 ,407 -,426 -,221 -,212 -,705 ,446 -,485 -,237 -,196 -,194 -,704 ,446 -,470 -,243 ,126 -,189 -,175 -,699 ,454 -,474 -,263 ,135 ,107
t 194,395 -12,303 139,957 -14,381 -11,470 84,645 -13,925 -16,027 -14,043 62,377 -11,577 -17,144 -16,159 7,330 62,103 -10,590 -7,439 -20,440 13,236 -12,320 63,163 -9,023 -7,181 -23,262 15,003 -14,397 -9,298 60,173 -8,006 -6,644 -23,581 15,231 -14,105 -9,673 5,492 59,402 -7,802 -5,993 -23,655 15,674 -14,396 -10,434 5,911 4,721
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Page 41
Page 42
Coefficientsa
Model 9
10
(Constant) v_17<1970 V_13EGW V20_2008 V_32008 V_22008 V_162008 v_5m131_2008 v_6m146_2008 V18_2008 (Constant) v_17<1970 V_13EGW V20_2008 V_32008 V_22008 V_162008 v_5m131_2008 v_6m146_2008 V18_2008 v_171980-1989
Unstandardized Coefficients B Std. Error 7,749E-02 ,003 -3,913E-03 ,000 -2,798E-03 ,000 -8,609E-06 ,000 2,385E-05 ,000 -1,508E-04 ,000 -5,265E-03 ,000 1,716E-05 ,000 2,321E-04 ,000 -1,531E-04 ,000 7,691E-02 ,003 -3,634E-03 ,000 -2,907E-03 ,000 -8,549E-06 ,000 2,417E-05 ,000 -1,506E-04 ,000 -5,200E-03 ,000 1,708E-05 ,000 2,308E-04 ,000 -1,531E-04 ,000 8,369E-04 ,000
Excluded Variablesk Standardized Coefficients Beta -,202 -,185 -,778 ,540 -,531 -,303 ,129 ,127 -,146 -,188 -,192 -,773 ,547 -,530 -,299 ,128 ,126 -,146 ,051
t 29,253 -8,435 -6,427 -23,862 16,533 -15,570 -11,699 5,733 5,624 -5,401 28,962 -7,578 -6,649 -23,681 16,708 -15,576 -11,556 5,718 5,606 -5,411 2,224
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,026
Model 2
3
a. Dependent Variable: IY_leegstand2008 Excluded Variablesk
Model 1
v_8erfpacht V_13EGW v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_6m146_2008 v_5m131_2008 v_4m117_2008 V_32008 V_162008 V18_2008 V20_2008 V_22008
Beta In ,018a -,330a -,018a -,023a ,075a -,100a ,022a -,019a ,032a ,000a -,018a -,027a ,074a ,142a ,205a ,006a ,032a ,009a ,227a -,262a -,290a
t ,599 -11,470 -,601 -,747 2,437 -3,179 ,710 -,622 1,014 ,004 -,588 -,883 2,352 4,705 6,805 ,202 1,030 ,282 7,362 -8,843 -9,939
Sig. ,549 ,000 ,548 ,455 ,015 ,002 ,478 ,534 ,311 ,997 ,557 ,377 ,019 ,000 ,000 ,840 ,303 ,778 ,000 ,000 ,000
Partial Correlation ,020 -,353 -,020 -,025 ,080 -,104 ,023 -,020 ,033 ,000 -,019 -,029 ,077 ,153 ,219 ,007 ,034 ,009 ,236 -,280 -,311
Collinearity Statistics Tolerance ,996 ,987 ,998 1,000 ,989 ,924 ,957 ,948 ,917 ,925 ,981 ,990 ,944 1,000 ,973 ,917 ,950 ,993 ,924 ,976 ,989
Page 43
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_6m146_2008 v_5m131_2008 v_4m117_2008 V_32008 V_162008 V18_2008 V20_2008 V_22008 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_6m146_2008 v_5m131_2008 v_4m117_2008 V_32008 V_162008 V18_2008 V_22008
Beta In -,028b -,045b -,029b ,024b -,105b ,074b ,004b ,088b -,079b -,021b -,016b ,031b ,107b ,142b -,025b ,027b ,032b ,167b -,384b -,145b ,004c ,044c -,008c ,016c -,067c ,003c -,057c ,039c ,003c ,019c -,031c -,070c ,049c ,134c -,086c ,206c -,158c ,101c -,184c
t -,972 -1,568 -1,020 ,821 -3,564 2,505 ,130 2,940 -2,593 -,731 -,555 1,046 3,749 4,872 -,819 ,929 1,112 5,617 -14,043 -4,103 ,156 1,637 -,314 ,621 -2,474 ,126 -2,099 1,398 ,104 ,728 -1,174 -2,530 1,866 5,043 -3,128 7,330 -5,542 3,651 -5,734
Sig. ,331 ,117 ,308 ,412 ,000 ,012 ,897 ,003 ,010 ,465 ,579 ,296 ,000 ,000 ,413 ,353 ,266 ,000 ,000 ,000 ,876 ,102 ,754 ,535 ,014 ,900 ,036 ,162 ,918 ,467 ,241 ,012 ,062 ,000 ,002 ,000 ,000 ,000 ,000
Partial Correlation -,032 -,052 -,034 ,027 -,117 ,082 ,004 ,096 -,085 -,024 -,018 ,034 ,123 ,159 -,027 ,031 ,037 ,182 -,420 -,134 ,005 ,054 -,010 ,020 -,081 ,004 -,069 ,046 ,003 ,024 -,039 -,083 ,061 ,164 -,103 ,235 -,180 ,120 -,186
Collinearity Statistics Tolerance ,976 ,992 1,000 ,965 ,924 ,936 ,943 ,894 ,880 ,981 ,989 ,928 ,988 ,931 ,910 ,949 ,988 ,889 ,901 ,639 ,969 ,937 ,996 ,965 ,914 ,903 ,920 ,879 ,842 ,969 ,988 ,868 ,962 ,930 ,888 ,802 ,799 ,860 ,635
Page 44
Excluded Variablesk
Model 4
5
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_6m146_2008 v_5m131_2008 v_4m117_2008 V_162008 V18_2008 V_22008 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_6m146_2008 v_5m131_2008 v_4m117_2008 V_162008 V18_2008
Beta In -,002d ,011d -,016d ,013d -,073d ,031d -,029d ,069d -,027d -,023d -,001d ,043d ,058d ,144d -,018d -,168d ,032d -,426d -,019e -,006e -,007e ,009e -,062e ,031e -,033e ,069e -,021e -,025e ,007e ,003e ,059e ,117e ,016e -,237e -,055e
t -,094 ,425 -,650 ,492 -2,775 1,154 -1,109 2,546 -,970 -,893 -,056 1,375 2,249 5,581 -,637 -6,068 1,085 -12,320 -,798 -,251 -,296 ,382 -2,550 1,246 -1,333 2,740 -,834 -1,045 ,299 ,113 2,478 4,841 ,596 -9,298 -1,951
Excluded Variablesk
Sig. ,925 ,671 ,516 ,623 ,006 ,249 ,268 ,011 ,332 ,372 ,956 ,169 ,025 ,000 ,524 ,000 ,278 ,000 ,425 ,802 ,767 ,703 ,011 ,213 ,183 ,006 ,404 ,297 ,765 ,910 ,013 ,000 ,551 ,000 ,051
Partial Correlation -,003 ,014 -,021 ,016 -,091 ,038 -,037 ,084 -,032 -,029 -,002 ,045 ,074 ,181 -,021 -,196 ,036 -,376 -,026 -,008 -,010 ,013 -,084 ,041 -,044 ,090 -,028 -,034 ,010 ,004 ,082 ,158 ,020 -,293 -,064
Collinearity Statistics Tolerance ,968 ,909 ,994 ,964 ,913 ,886 ,901 ,860 ,824 ,922 ,963 ,638 ,960 ,928 ,776 ,798 ,742 ,456 ,965 ,906 ,993 ,964 ,912 ,886 ,901 ,860 ,824 ,922 ,963 ,630 ,960 ,920 ,767 ,770 ,696
Model 6
7
8
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_6m146_2008 v_5m131_2008 v_4m117_2008 V18_2008 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_6m146_2008 v_4m117_2008 V18_2008 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_4m117_2008 V18_2008
Beta In -,005f ,003f -,012f ,013f -,030f ,012f -,002f ,054f -,024f -,044f ,002f -,005f ,096f ,126f ,003f -,130f -,025g -,015g -,017g ,007g -,027g ,026g -,026g ,053g -,008g -,032g -,002g -,002g ,107g -,006g -,121g -,022h -,017h -,022h ,000h -,025h ,034h -,020h ,051h -,009h -,038h ,004h ,012h -,006h -,146h
t -,207 ,139 -,546 ,577 -1,274 ,486 -,080 2,256 -,957 -1,870 ,104 -,193 4,191 5,492 ,124 -4,717 -1,096 -,641 -,757 ,313 -1,142 1,102 -1,108 2,231 -,308 -1,407 -,073 -,059 4,721 -,237 -4,455 -1,000 -,756 -,997 ,022 -1,085 1,455 -,842 2,192 -,357 -1,658 ,160 ,452 -,224 -5,401
Page 45
10
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_112008 V_102008 v_4m117_2008 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171990-1999 v_17>2000 V_112008 V_102008 v_4m117_2008
Beta In -,018i -,023i -,020i ,007i -,015i ,027i -,027i ,051i -,002i -,038i ,010i -,004i -,003i -,020j -,027j -,016j ,008j -,016j ,026j -,002j ,028j -,028j ,007j -,004j -,002j
t -,827 -1,010 -,918 ,323 -,659 1,153 -1,163 2,224 -,068 -1,683 ,446 -,158 -,108 -,908 -1,204 -,724 ,380 -,702 1,116 -,085 1,051 -1,237 ,308 -,128 -,076
Partial Correlation -,007 ,005 -,018 ,019 -,042 ,016 -,003 ,074 -,032 -,062 ,003 -,006 ,137 ,178 ,004 -,154 -,036 -,021 -,025 ,010 -,038 ,036 -,037 ,074 -,010 -,046 -,002 -,002 ,154 -,008 -,146 -,033 -,025 -,033 ,001 -,036 ,048 -,028 ,072 -,012 -,055 ,005 ,015 -,007 -,176
Collinearity Statistics Tolerance ,960 ,904 ,993 ,964 ,892 ,879 ,883 ,857 ,823 ,916 ,962 ,629 ,935 ,918 ,765 ,647 ,936 ,886 ,991 ,961 ,891 ,868 ,853 ,856 ,811 ,908 ,961 ,629 ,929 ,762 ,645 ,935 ,886 ,989 ,958 ,891 ,864 ,850 ,856 ,811 ,906 ,959 ,622 ,762 ,627
Page 46
Excluded Variablesk
Model 9
Sig. ,836 ,889 ,586 ,564 ,203 ,627 ,937 ,024 ,339 ,062 ,917 ,847 ,000 ,000 ,901 ,000 ,273 ,522 ,450 ,755 ,254 ,271 ,268 ,026 ,758 ,160 ,942 ,953 ,000 ,813 ,000 ,318 ,450 ,319 ,982 ,278 ,146 ,400 ,029 ,721 ,098 ,873 ,651 ,823 ,000
Variables Entered/Removeda
Sig. ,408 ,313 ,359 ,747 ,510 ,249 ,245 ,026 ,945 ,093 ,656 ,875 ,914 ,364 ,229 ,470 ,704 ,483 ,265 ,933 ,293 ,216 ,758 ,898 ,940
Partial Correlation -,027 -,033 -,030 ,011 -,022 ,038 -,038 ,073 -,002 -,056 ,015 -,005 -,004 -,030 -,040 -,024 ,013 -,023 ,037 -,003 ,035 -,041 ,010 -,004 -,003
Collinearity Statistics Tolerance ,934 ,884 ,989 ,955 ,885 ,861 ,847 ,856 ,809 ,906 ,956 ,613 ,761 ,933 ,878 ,981 ,954 ,884 ,860 ,643 ,643 ,864 ,952 ,613 ,761
Model 1
Variables Entered
Variables Removed
V_22009
,
V20_2009
,
V_32009
,
v_17<1970
,
v_5m131_2 009
,
V18_2009
,
2
3
4
a. Predictors in the Model: (Constant), v_17<1970 b. Predictors in the Model: (Constant), v_17<1970, V_13EGW c. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008 d. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008 e. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008 f. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008 g. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008, v_5m131_2008
5
h. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008, v_5m131_2008, v_6m146_2008 i. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008, v_5m131_2008, v_6m146_2008, V18_2008 j. Predictors in the Model: (Constant), v_17<1970, V_13EGW, V20_2008, V_32008, V_22008, V_162008, v_5m131_2008, v_6m146_2008, V18_2008, v_171980-1989 k. Dependent Variable: IY_leegstand2008 6
Regression initial yield 2009 stepwise
Page 47
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Page 48
Variables Entered/Removeda
Model 7
Variables Entered
Variables Removed
V_162009
,
V_13EGW
,
8
9
v_6m146_2 009
,
10
v_15rotterd am
,
11
v_171970-1 979
,
12
v_15utrecht
,
Model Summary
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Model 1 2 3 4 5 6 7 8 9 10 11 12
R ,292a ,455b ,676c ,698d ,711e ,717f ,727g ,731h ,733i ,735j ,736k ,737l
R Square ,085 ,207 ,457 ,488 ,505 ,514 ,529 ,535 ,537 ,540 ,541 ,543
Adjusted R Square ,084 ,206 ,456 ,486 ,503 ,512 ,526 ,532 ,534 ,536 ,537 ,538
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** *********** *********** *********** *********** *********** ***********
a. Predictors: (Constant), V_22009 b. Predictors: (Constant), V_22009, V20_2009 c. Predictors: (Constant), V_22009, V20_2009, V_32009 d. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970 e. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009 f. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009 g. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009 h. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW i. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW, v_6m146_2009 j. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW, v_6m146_2009, v_15rotterdam k. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW, v_6m146_2009, v_15rotterdam, v_171970-1979 l. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW, v_6m146_2009, v_15rotterdam, v_171970-1979, v_15utrecht ANOVAm
Model 1
2
3
4
5
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,006 ,066 ,072 ,015 ,057 ,072 ,033 ,039 ,072 ,035 ,037 ,072 ,036 ,036 ,072
df 1 1207 1208 2 1206 1208 3 1205 1208 4 1204 1208 5 1203 1208
Mean Square ,006 ,000
F 112,330
Sig. ,000a
,007 ,000
157,801
,000b
,011 ,000
338,611
,000c
,009 ,000
286,695
,000d
,007 ,000
245,774
,000e
a. Dependent Variable: IY2009
Page 49
Page 50
ANOVAm
Model 6
7
8
9
10
11
12
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,037 ,035 ,072 ,038 ,034 ,072 ,038 ,033 ,072 ,039 ,033 ,072 ,039 ,033 ,072 ,039 ,033 ,072 ,039 ,033 ,072
df 6 1202 1208 7 1201 1208 8 1200 1208 9 1199 1208 10 1198 1208 11 1197 1208 12 1196 1208
Coefficientsa
Mean Square ,006 ,000
F 212,097
Sig. ,000f
,005 ,000
192,740
,000g
,005 ,000
172,449
,000h
,004 ,000
154,676
,000i
,004 ,000
140,407
,000j
,004 ,000
128,385
,000k
118,368
,000l
Model 3
4
,003 ,000
5
6
a. Predictors: (Constant), V_22009 b. Predictors: (Constant), V_22009, V20_2009
7
c. Predictors: (Constant), V_22009, V20_2009, V_32009 d. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970 e. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009 f. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009 g. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009 h. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW
8
i. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW, v_6m146_2009 j. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW, v_6m146_2009, v_15rotterdam k. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW, v_6m146_2009, v_15rotterdam, v_171970-1979 l. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW, v_6m146_2009, v_15rotterdam, v_171970-1979, v_15utrecht m. Dependent Variable: IY2009
9 Coefficientsa
Model 1 2
(Constant) V_22009 (Constant) V_22009 V20_2009
Unstandardized Coefficients B Std. Error 6,011E-02 ,001 -9,631E-05 ,000 7,109E-02 ,001 -1,183E-04 ,000 -4,472E-06 ,000
Standardized Coefficients Beta -,292 -,358 -,356
t 60,449 -10,599 57,928 -13,732 -13,640
Sig. ,000 ,000 ,000 ,000 ,000
Page 51
(Constant) V_22009 V20_2009 V_32009 (Constant) V_22009 V20_2009 V_32009 v_17<1970 (Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 (Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V18_2009 (Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V18_2009 V_162009 (Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V18_2009 V_162009 V_13EGW (Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V18_2009 V_162009 V_13EGW v_6m146_2009
Unstandardized Coefficients B Std. Error 7,300E-02 ,001 -2,257E-04 ,000 -9,016E-06 ,000 2,635E-05 ,000 7,345E-02 ,001 -2,213E-04 ,000 -8,559E-06 ,000 2,447E-05 ,000 -4,372E-03 ,001 7,133E-02 ,001 -2,119E-04 ,000 -8,579E-06 ,000 2,446E-05 ,000 -3,888E-03 ,001 1,989E-05 ,000 8,206E-02 ,002 -2,249E-04 ,000 -9,026E-06 ,000 2,660E-05 ,000 -4,470E-03 ,001 1,961E-05 ,000 -1,306E-04 ,000 8,819E-02 ,003 -2,374E-04 ,000 -9,911E-06 ,000 2,819E-05 ,000 -4,040E-03 ,001 1,898E-05 ,000 -1,783E-04 ,000 -2,465E-03 ,000 8,843E-02 ,003 -2,148E-04 ,000 -9,943E-06 ,000 2,689E-05 ,000 -4,205E-03 ,001 1,865E-05 ,000 -1,881E-04 ,000 -2,404E-03 ,000 -1,589E-03 ,000 8,732E-02 ,003 -2,109E-04 ,000 -9,859E-06 ,000 2,676E-05 ,000 -4,268E-03 ,001 1,781E-05 ,000 -1,751E-04 ,000 -2,206E-03 ,000 -1,818E-03 ,000 -5,813E-05 ,000
Standardized Coefficients Beta -,684 -,718 ,665 -,671 -,681 ,618 -,179 -,642 -,683 ,618 -,159 ,136 -,682 -,718 ,672 -,183 ,134 -,108 -,719 -,789 ,712 -,165 ,130 -,148 -,137 -,651 -,791 ,679 -,172 ,128 -,156 -,134 -,102 -,639 -,785 ,676 -,174 ,122 -,145 -,123 -,116 -,053
t 71,634 -26,671 -27,081 23,563 74,047 -26,853 -26,092 22,053 -8,456 69,400 -25,753 -26,598 22,422 -7,569 6,522 32,853 -26,115 -27,060 22,671 -8,529 6,482 -4,704 33,214 -27,213 -27,624 23,801 -7,755 6,367 -6,274 -6,142 33,486 -20,500 -27,867 21,951 -8,091 6,289 -6,630 -6,021 -3,854 32,683 -19,954 -27,573 21,868 -8,220 5,980 -6,082 -5,431 -4,315 -2,519
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,012
Page 52
Coefficientsa
Model 10
11
12
(Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V18_2009 V_162009 V_13EGW v_6m146_2009 v_15rotterdam (Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V18_2009 V_162009 V_13EGW v_6m146_2009 v_15rotterdam v_171970-1979 (Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V18_2009 V_162009 V_13EGW v_6m146_2009 v_15rotterdam v_171970-1979 v_15utrecht
Unstandardized Coefficients B Std. Error 8,762E-02 ,003 -2,118E-04 ,000 -9,886E-06 ,000 2,670E-05 ,000 -4,278E-03 ,001 1,676E-05 ,000 -1,773E-04 ,000 -2,286E-03 ,000 -1,722E-03 ,000 -5,722E-05 ,000 1,915E-03 ,001 8,847E-02 ,003 -2,114E-04 ,000 -9,987E-06 ,000 2,655E-05 ,000 -4,483E-03 ,001 1,771E-05 ,000 -1,838E-04 ,000 -2,167E-03 ,000 -1,721E-03 ,000 -5,778E-05 ,000 1,832E-03 ,001 -9,492E-04 ,000 8,843E-02 ,003 -2,114E-04 ,000 -9,899E-06 ,000 2,655E-05 ,000 -4,249E-03 ,001 1,736E-05 ,000 -1,855E-04 ,000 -2,073E-03 ,000 -1,707E-03 ,000 -5,784E-05 ,000 1,779E-03 ,001 -9,536E-04 ,000 -2,368E-03 ,001
Excluded Variablesm Standardized Coefficients Beta -,642 -,787 ,674 -,175 ,115 -,147 -,127 -,110 -,052 ,049 -,641 -,795 ,670 -,183 ,122 -,152 -,120 -,110 -,053 ,047 -,044 -,641 -,788 ,671 -,174 ,119 -,154 -,115 -,109 -,053 ,046 -,045 -,043
t 32,831 -20,069 -27,692 21,857 -8,258 5,582 -6,170 -5,621 -4,079 -2,485 2,466 32,813 -20,060 -27,755 21,727 -8,511 5,840 -6,367 -5,285 -4,082 -2,512 2,359 -2,073 32,845 -20,089 -27,361 21,762 -7,898 5,724 -6,432 -5,032 -4,053 -2,518 2,294 -2,086 -2,073
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,013 ,014 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,012 ,018 ,038 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,012 ,022 ,037 ,038
Model 1
2
v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V20_2009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009
Beta In ,066a ,095a ,019a ,046a -,356a ,187a ,028a ,222a -,103a ,174a -,032a -,038a -,019a ,129b -,283b ,064b ,081b ,103b -,131b -,093b -,272b -,033b ,017b ,093b ,146b ,164b -,094b ,665b -,180b ,175b -,011b -,169b -,071b
t 2,416 3,458 ,673 1,672 -13,640 6,898 1,028 7,621 -3,708 6,272 -1,178 -1,291 -,681 5,011 -9,084 2,401 3,168 4,038 -5,128 -3,498 -11,100 -1,241 ,633 3,547 5,546 6,453 -3,483 23,563 -6,909 6,809 -,411 -5,918 -2,757
Sig. ,016 ,001 ,501 ,095 ,000 ,000 ,304 ,000 ,000 ,000 ,239 ,197 ,496 ,000 ,000 ,016 ,002 ,000 ,000 ,000 ,000 ,215 ,527 ,000 ,000 ,000 ,001 ,000 ,000 ,000 ,681 ,000 ,006
Partial Correlation ,069 ,099 ,019 ,048 -,366 ,195 ,030 ,214 -,106 ,178 -,034 -,037 -,020 ,143 -,253 ,069 ,091 ,116 -,146 -,100 -,305 -,036 ,018 ,102 ,158 ,183 -,100 ,562 -,195 ,192 -,012 -,168 -,079
Collinearity Statistics Tolerance 1,000 ,999 ,996 ,994 ,965 ,992 ,998 ,850 ,974 ,960 1,000 ,862 1,000 ,967 ,634 ,913 ,997 ,995 ,982 ,923 ,992 ,923 ,948 ,956 ,928 ,987 ,895 ,565 ,936 ,960 ,996 ,781 ,979
a. Dependent Variable: IY2009 Excluded Variablesm
Model 1
v_8erfpacht V_13EGW v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970
Beta In ,070a -,158a -,044a ,062a ,084a -,175a ,010a -,292a
t 2,528 -4,774 -1,584 2,257 3,065 -6,477 ,367 -11,088
Sig. ,012 ,000 ,113 ,024 ,002 ,000 ,714 ,000
Partial Correlation ,073 -,136 -,046 ,065 ,088 -,183 ,011 -,304
Collinearity Statistics Tolerance ,993 ,676 ,999 1,000 ,998 1,000 ,998 ,996
Page 53
Page 54
Excluded Variablesm
Model 3
4
v_8erfpacht V_13EGW v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009
Beta In ,088c -,086c -,017c ,045c ,063c -,103c -,014c -,179c ,003c ,071c ,060c -,010c -,059c -,136c -,004c ,159c -,078c ,027c ,026c ,075d -,099d -,021d ,048d ,064d -,062d -,035d -,026d ,028d ,019d -,033d -,111d -,103d ,048d ,136d -,082d ,057d ,009d
t 4,082 -3,073 -,763 2,121 2,981 -4,849 -,645 -8,456 ,156 3,252 2,759 -,426 -2,524 -6,124 -,172 7,521 -3,642 1,044 1,188 3,555 -3,606 -,948 2,323 3,086 -2,865 -1,594 -1,184 1,297 ,854 -1,467 -4,756 -4,630 2,052 6,522 -3,962 2,287 ,422
Excluded Variablesm
Sig. ,000 ,002 ,445 ,034 ,003 ,000 ,519 ,000 ,876 ,001 ,006 ,670 ,012 ,000 ,863 ,000 ,000 ,297 ,235 ,000 ,000 ,343 ,020 ,002 ,004 ,111 ,237 ,195 ,393 ,143 ,000 ,000 ,040 ,000 ,000 ,022 ,673
Partial Correlation ,117 -,088 -,022 ,061 ,086 -,138 -,019 -,237 ,005 ,093 ,079 -,012 -,073 -,174 -,005 ,212 -,104 ,030 ,034 ,102 -,103 -,027 ,067 ,089 -,082 -,046 -,034 ,037 ,025 -,042 -,136 -,132 ,059 ,185 -,113 ,066 ,012
Collinearity Statistics Tolerance ,960 ,566 ,891 ,992 ,989 ,979 ,901 ,952 ,918 ,938 ,952 ,846 ,811 ,890 ,828 ,959 ,979 ,690 ,943 ,955 ,564 ,891 ,992 ,989 ,914 ,891 ,896 ,881 ,899 ,833 ,766 ,853 ,774 ,939 ,978 ,677 ,935
Model 5
6
7
Page 55
v_8erfpacht V_13EGW v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 v_6m146_2009 V_102009 V_112009
Beta In ,058e -,094e -,035e ,044e ,046e -,053e -,017e -,047e ,024e ,030e -,021e -,108e -,099e ,048e -,068e ,057e ,007e ,052f -,108f -,039f ,048f ,047f -,059f -,015f -,064f ,024f ,032f -,007f -,137f ,038f -,055f ,043f ,009f ,051g -,102g -,041g ,042g ,057g -,046g -,022g -,047g ,020g ,030g -,018g ,038g -,033g ,039g ,007g
t 2,758 -3,484 -1,625 2,173 2,219 -2,492 -,765 -2,167 1,099 1,391 -,943 -4,704 -4,529 2,106 -3,323 2,299 ,320 2,530 -4,035 -1,829 2,368 2,324 -2,823 -,703 -2,962 1,105 1,490 -,308 -6,142 1,655 -2,669 1,768 ,448 2,490 -3,854 -1,950 2,116 2,826 -2,193 -1,040 -2,183 ,936 1,443 -,813 1,660 -1,615 1,595 ,355
Sig. ,006 ,001 ,104 ,030 ,027 ,013 ,445 ,030 ,272 ,164 ,346 ,000 ,000 ,035 ,001 ,022 ,749 ,012 ,000 ,068 ,018 ,020 ,005 ,482 ,003 ,269 ,136 ,758 ,000 ,098 ,008 ,077 ,654 ,013 ,000 ,051 ,035 ,005 ,028 ,299 ,029 ,350 ,149 ,417 ,097 ,107 ,111 ,723
Partial Correlation ,079 -,100 -,047 ,063 ,064 -,072 -,022 -,062 ,032 ,040 -,027 -,134 -,130 ,061 -,095 ,066 ,009 ,073 -,116 -,053 ,068 ,067 -,081 -,020 -,085 ,032 ,043 -,009 -,175 ,048 -,077 ,051 ,013 ,072 -,111 -,056 ,061 ,081 -,063 -,030 -,063 ,027 ,042 -,023 ,048 -,047 ,046 ,010
Collinearity Statistics Tolerance ,938 ,564 ,882 ,991 ,968 ,910 ,875 ,877 ,880 ,893 ,827 ,766 ,853 ,774 ,966 ,677 ,934 ,935 ,557 ,881 ,989 ,968 ,906 ,875 ,856 ,880 ,893 ,812 ,789 ,766 ,945 ,667 ,934 ,935 ,557 ,881 ,987 ,963 ,895 ,872 ,840 ,879 ,893 ,807 ,766 ,913 ,667 ,934
Page 56
Excluded Variablesm
Model 8
9
10
11
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15utrecht v_15overig v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009
Beta In ,049h -,036h ,039h ,050h -,044h -,019h -,046h ,036h ,022h -,028h ,027h -,053h ,032h ,009h ,049i -,035i ,037i ,049i -,044i -,018i -,047i ,034i ,016i -,016i ,022i ,027i ,004i ,036j -,031j ,040j -,043j ,011j -,044j ,034j ,012j -,014j ,020j ,029j ,005j ,032k -,032k ,039k -,043k ,013k ,017k ,001k -,019k ,021k ,036k ,003k
t 2,425 -1,716 1,949 2,501 -2,129 -,893 -2,161 1,703 1,031 -1,261 1,168 -2,519 1,314 ,441 2,416 -1,663 1,871 2,466 -2,135 -,850 -2,194 1,592 ,745 -,730 ,973 1,108 ,174 1,684 -1,467 2,026 -2,061 ,455 -2,073 1,588 ,575 -,625 ,882 1,199 ,244 1,485 -1,506 1,965 -2,073 ,530 ,732 ,033 -,827 ,909 1,494 ,127
Excluded Variablesm
Sig. ,015 ,086 ,052 ,013 ,033 ,372 ,031 ,089 ,303 ,207 ,243 ,012 ,189 ,659 ,016 ,097 ,062 ,014 ,033 ,396 ,028 ,112 ,456 ,465 ,331 ,268 ,862 ,092 ,143 ,043 ,040 ,649 ,038 ,113 ,566 ,532 ,378 ,231 ,807 ,138 ,132 ,050 ,038 ,596 ,464 ,974 ,408 ,364 ,135 ,899
Partial Correlation ,070 -,049 ,056 ,072 -,061 -,026 -,062 ,049 ,030 -,036 ,034 -,073 ,038 ,013 ,070 -,048 ,054 ,071 -,062 -,025 -,063 ,046 ,022 -,021 ,028 ,032 ,005 ,049 -,042 ,058 -,059 ,013 -,060 ,046 ,017 -,018 ,025 ,035 ,007 ,043 -,043 ,057 -,060 ,015 ,021 ,001 -,024 ,026 ,043 ,004
Collinearity Statistics Tolerance ,934 ,877 ,985 ,955 ,894 ,871 ,840 ,848 ,882 ,796 ,752 ,871 ,663 ,933 ,934 ,876 ,984 ,954 ,894 ,871 ,840 ,846 ,870 ,758 ,747 ,658 ,922 ,828 ,870 ,980 ,893 ,649 ,837 ,846 ,866 ,757 ,746 ,657 ,922 ,820 ,870 ,979 ,893 ,648 ,674 ,806 ,750 ,746 ,645 ,919
Model 12
v_8erfpacht v_15amsterdam v_15den_haag v_15overig v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009
Beta In ,033l -,034l ,038l -,009l ,017l ,001l -,019l ,019l ,035l ,002l
t 1,534 -1,636 1,904 -,353 ,718 ,061 -,847 ,823 1,421 ,092
Sig. ,125 ,102 ,057 ,724 ,473 ,951 ,397 ,411 ,156 ,927
Partial Correlation ,044 -,047 ,055 -,010 ,021 ,002 -,024 ,024 ,041 ,003
Collinearity Statistics Tolerance ,819 ,867 ,979 ,539 ,674 ,806 ,750 ,745 ,644 ,919
a. Predictors in the Model: (Constant), V_22009 b. Predictors in the Model: (Constant), V_22009, V20_2009 c. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009 d. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970 e. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009 f. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009 g. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009 h. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW i. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW, v_6m146_2009 j. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW, v_6m146_2009, v_15rotterdam k. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW, v_6m146_2009, v_15rotterdam, v_171970-1979 l. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V18_2009, V_162009, V_13EGW, v_6m146_2009, v_15rotterdam, v_171970-1979, v_15utrecht m. Dependent Variable: IY2009
Regression initial yield leegstand 2009 stepwise
Page 57
Page 58
Variables Entered/Removeda
Model 1
Variables Entered
v_6m146_2 009
Variables Removed
,
2
V_13EGW
,
3
V20_2009
,
4
V_32009
,
5
V_22009
,
6
v_17<1970
,
Variables Entered/Removeda
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Model 7
Variables Entered
Variables Removed
v_5m131_2 009
,
V18_2009
,
V_162009
,
v_15rotterd am
,
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
8
9
10
a. Dependent Variable: IY_leegstand2009
Model Summary
Model 1 2 3 4 5 6 7 8 9 10
R ,393a ,476b ,597c ,650d ,745e ,763f ,770g ,775h ,781i ,782j
R Square ,154 ,227 ,357 ,422 ,555 ,582 ,593 ,601 ,610 ,612
Adjusted R Square ,154 ,225 ,355 ,420 ,554 ,580 ,591 ,599 ,607 ,609
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** *********** *********** *********** ***********
a. Predictors: (Constant), v_6m146_2009 b. Predictors: (Constant), v_6m146_2009, V_13EGW c. Predictors: (Constant), v_6m146_2009, V_13EGW, V20_2009
Page 59
d. Predictors: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009 e. Predictors: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009 f. Predictors: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009, v_17<1970
Page 60
ANOVAk
Model 1
2
3
4
5
6
7
8
9
10
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,014 ,077 ,091 ,021 ,071 ,091 ,033 ,059 ,091 ,038 ,053 ,091 ,051 ,041 ,091 ,053 ,038 ,091 ,054 ,037 ,091 ,055 ,036 ,091 ,056 ,036 ,091 ,056 ,035 ,091
df 1 1208 1209 2 1207 1209 3 1206 1209 4 1205 1209 5 1204 1209 6 1203 1209 7 1202 1209 8 1201 1209 9 1200 1209 10 1199 1209
Coefficientsa
Mean Square ,014 ,000
F 220,556
Sig. ,000a
Model 1
,010 ,000
176,861
,000b
2
,011 ,000
222,876
,000c
3
,010 ,000
219,879
,000d
,010 ,000
300,861
,000e
,009 ,000
279,698
,000f
,008 ,000
250,474
,000g
,007 ,000
226,341
,000h
,006 ,000
208,369
,000i
,006 ,000
188,937
,000j
4
5
6
7
a. Predictors: (Constant), v_6m146_2009 b. Predictors: (Constant), v_6m146_2009, V_13EGW c. Predictors: (Constant), v_6m146_2009, V_13EGW, V20_2009 d. Predictors: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009 e. Predictors: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009 f. Predictors: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009, v_17<1970
8
g. Predictors: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009, v_17<1970, v_5m131_2009 h. Predictors: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009, v_17<1970, v_5m131_2009, V18_2009 i. Predictors: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009, v_17<1970, v_5m131_2009, V18_2009, V_162009 j. Predictors: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009, v_17<1970, v_5m131_2009, V18_2009, V_162009, v_15rotterdam k. Dependent Variable: IY_leegstand2009
(Constant) v_6m146_2009 (Constant) v_6m146_2009 V_13EGW (Constant) v_6m146_2009 V_13EGW V20_2009 (Constant) v_6m146_2009 V_13EGW V20_2009 V_32009 (Constant) v_6m146_2009 V_13EGW V20_2009 V_32009 V_22009 (Constant) v_6m146_2009 V_13EGW V20_2009 V_32009 V_22009 v_17<1970 (Constant) v_6m146_2009 V_13EGW V20_2009 V_32009 V_22009 v_17<1970 v_5m131_2009 (Constant) v_6m146_2009 V_13EGW V20_2009 V_32009 V_22009 v_17<1970 v_5m131_2009 V18_2009
Unstandardized Coefficients B Std. Error 5,012E-02 ,000 4,519E-04 ,000 5,313E-02 ,000 3,976E-04 ,000 -4,805E-03 ,000 6,473E-02 ,001 3,955E-04 ,000 -6,879E-03 ,000 -5,371E-06 ,000 5,984E-02 ,001 3,692E-04 ,000 -7,239E-03 ,000 -7,285E-06 ,000 1,279E-05 ,000 7,340E-02 ,001 4,195E-04 ,000 -1,847E-03 ,000 -9,406E-06 ,000 2,635E-05 ,000 -2,080E-04 ,000 7,380E-02 ,001 4,171E-04 ,000 -2,060E-03 ,000 -8,914E-06 ,000 2,409E-05 ,000 -1,999E-04 ,000 -4,645E-03 ,001 7,193E-02 ,001 4,314E-04 ,000 -1,932E-03 ,000 -8,929E-06 ,000 2,414E-05 ,000 -1,933E-04 ,000 -4,203E-03 ,001 1,776E-05 ,000 8,337E-02 ,003 4,481E-04 ,000 -2,087E-03 ,000 -9,404E-06 ,000 2,618E-05 ,000 -2,045E-04 ,000 -4,819E-03 ,001 1,766E-05 ,000 -1,407E-04 ,000
Standardized Coefficients Beta ,393 ,346 -,273 ,344 -,391 -,379 ,321 -,411 -,514 ,288 ,365 -,105 -,664 ,593 -,559 ,363 -,117 -,629 ,543 -,537 -,169 ,375 -,110 -,630 ,544 -,520 -,153 ,108 ,390 -,119 -,664 ,590 -,550 -,175 ,107 -,103
t 193,517 14,851 141,046 13,453 -10,619 79,108 14,666 -15,860 -15,613 67,842 14,380 -17,549 -19,949 11,663 69,749 18,497 -4,016 -27,726 22,004 -19,016 72,263 18,968 -4,614 -26,720 20,273 -18,775 -8,824 67,762 19,734 -4,378 -27,106 20,569 -18,274 -7,994 5,653 32,505 20,441 -4,761 -27,623 21,195 -19,067 -8,995 5,674 -4,893
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Page 61
Page 62
Coefficientsa
Model 9
10
(Constant) v_6m146_2009 V_13EGW V20_2009 V_32009 V_22009 v_17<1970 v_5m131_2009 V18_2009 V_162009 (Constant) v_6m146_2009 V_13EGW V20_2009 V_32009 V_22009 v_17<1970 v_5m131_2009 V18_2009 V_162009 v_15rotterdam
Unstandardized Coefficients B Std. Error 8,900E-02 ,003 4,686E-04 ,000 -1,919E-03 ,000 -1,019E-05 ,000 2,771E-05 ,000 -2,179E-04 ,000 -4,439E-03 ,001 1,746E-05 ,000 -1,860E-04 ,000 -2,153E-03 ,000 8,932E-02 ,003 4,693E-04 ,000 -1,821E-03 ,000 -1,021E-05 ,000 2,764E-05 ,000 -2,189E-04 ,000 -4,451E-03 ,001 1,637E-05 ,000 -1,883E-04 ,000 -2,235E-03 ,000 1,983E-03 ,001
Excluded Variablesk Standardized Coefficients Beta ,407 -,109 -,719 ,624 -,586 -,161 ,106 -,137 -,106 ,408 -,103 -,721 ,622 -,588 -,162 ,100 -,138 -,110 ,045
t 32,191 21,244 -4,412 -27,544 22,025 -19,936 -8,291 5,669 -6,242 -5,134 32,339 21,319 -4,177 -27,665 22,017 -20,053 -8,331 5,272 -6,332 -5,324 2,468
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,014
Model 2
3
a. Dependent Variable: IY_leegstand2009 Excluded Variablesk
Model 1
v_8erfpacht V_13EGW v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V20_2009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 V_102009 V_112009
Beta In ,085a -,273a -,032a ,052a ,091a -,150a -,004a -,255a ,060a ,072a ,029a ,041a -,267a -,261a ,207a ,052a ,086a -,050a ,198a ,061a -,027a
t 3,237 -10,619 -1,196 1,950 3,451 -5,753 -,164 -10,018 2,260 2,717 1,087 1,507 -10,556 -10,282 7,896 1,963 3,259 -1,882 7,636 2,284 -1,029
Sig. ,001 ,000 ,232 ,051 ,001 ,000 ,870 ,000 ,024 ,007 ,277 ,132 ,000 ,000 ,000 ,050 ,001 ,060 ,000 ,023 ,304
Partial Correlation ,093 -,292 -,034 ,056 ,099 -,163 -,005 -,277 ,065 ,078 ,031 ,043 -,291 -,284 ,222 ,056 ,093 -,054 ,215 ,066 -,030
Collinearity Statistics Tolerance 1,000 ,970 ,999 1,000 1,000 1,000 1,000 1,000 ,998 ,989 ,998 ,937 1,000 ,998 ,968 ,991 ,992 ,987 ,989 ,982 ,983
Page 63
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V20_2009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 V_102009 V_112009
Beta In ,055b -,051b ,033b ,058b -,153b ,038b -,265b ,088b ,137b -,019b ,006b -,168b -,379b ,163b ,074b ,067b -,071b ,159b ,022b -,006b ,110c ,057c ,045c ,066c -,106c -,055c -,244c -,005c ,077c ,044c ,086c -,174c ,119c -,040c ,288c -,145c ,159c -,081c -,051c
t 2,142 -2,000 1,316 2,264 -6,146 1,490 -10,960 3,469 5,322 -,724 ,226 -5,458 -15,613 6,331 2,915 2,621 -2,787 6,283 ,855 -,231 4,712 2,383 1,953 2,845 -4,567 -2,273 -11,055 -,219 3,185 1,869 3,531 -6,216 4,987 -1,656 11,663 -6,197 6,877 -3,320 -2,168
Sig. ,032 ,046 ,188 ,024 ,000 ,136 ,000 ,001 ,000 ,469 ,822 ,000 ,000 ,000 ,004 ,009 ,005 ,000 ,393 ,817 ,000 ,017 ,051 ,005 ,000 ,023 ,000 ,826 ,001 ,062 ,000 ,000 ,000 ,098 ,000 ,000 ,000 ,001 ,030
Partial Correlation ,062 -,058 ,038 ,065 -,174 ,043 -,301 ,099 ,151 -,021 ,006 -,155 -,410 ,179 ,084 ,075 -,080 ,178 ,025 -,007 ,135 ,068 ,056 ,082 -,130 -,065 -,303 -,006 ,091 ,054 ,101 -,176 ,142 -,048 ,318 -,176 ,194 -,095 -,062
Collinearity Statistics Tolerance ,986 ,995 ,995 ,984 1,000 ,976 ,998 ,987 ,942 ,967 ,922 ,662 ,904 ,937 ,985 ,986 ,981 ,964 ,962 ,977 ,965 ,913 ,994 ,983 ,981 ,917 ,995 ,923 ,915 ,940 ,883 ,662 ,922 ,893 ,787 ,946 ,964 ,895 ,962
Page 64
Excluded Variablesk
Model 4
5
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 V_102009 V_112009
Beta In ,098d ,020d ,025d ,052d -,093d -,019d -,200d ,015d ,104d ,030d ,001d -,559d ,040d -,041d -,055d ,175d ,062d -,009d ,076e -,015e ,033e ,051e -,088e -,006e -,169e ,010e ,074e ,038e ,004e -,054e -,103e -,015e ,131e ,006e ,016e
t 4,418 ,885 1,152 2,342 -4,252 -,809 -9,228 ,656 4,543 1,310 ,026 -19,016 1,663 -1,778 -2,249 8,013 2,371 -,386 3,882 -,726 1,691 2,653 -4,588 -,309 -8,824 ,476 3,688 1,932 ,171 -2,522 -5,043 -,688 6,747 ,250 ,806
Excluded Variablesk
Sig. ,000 ,376 ,250 ,019 ,000 ,419 ,000 ,512 ,000 ,190 ,979 ,000 ,097 ,076 ,025 ,000 ,018 ,700 ,000 ,468 ,091 ,008 ,000 ,758 ,000 ,634 ,000 ,054 ,864 ,012 ,000 ,492 ,000 ,802 ,420
Partial Correlation ,126 ,025 ,033 ,067 -,122 -,023 -,257 ,019 ,130 ,038 ,001 -,481 ,048 -,051 -,065 ,225 ,068 -,011 ,111 -,021 ,049 ,076 -,131 -,009 -,247 ,014 ,106 ,056 ,005 -,073 -,144 -,020 ,191 ,007 ,023
Collinearity Statistics Tolerance ,963 ,895 ,988 ,980 ,979 ,900 ,953 ,917 ,907 ,937 ,795 ,427 ,833 ,893 ,814 ,961 ,691 ,937 ,960 ,888 ,988 ,980 ,978 ,899 ,946 ,917 ,901 ,936 ,795 ,790 ,872 ,807 ,946 ,679 ,933
Model 6
7
8
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 V_102009 V_112009
Beta In ,063f -,017f ,035f ,051f -,049f -,025f -,018f ,034f -,004f -,020f -,104f -,069f ,032f ,108f ,033f -,001f ,050g -,029g ,032g ,037g -,042g -,011g -,034g ,030g ,007g -,012g -,103g -,068g ,035g ,034g -,001g ,045h -,032h ,036h ,038h -,048h -,009h -,050h ,033h ,009h -,002h -,106h ,024h ,022h ,003h
t 3,325 -,878 1,863 2,714 -2,501 -1,270 -,908 1,695 -,177 -,943 -4,867 -3,402 1,514 5,653 1,440 -,034 2,640 -1,483 1,754 1,968 -2,178 -,558 -1,745 1,526 ,358 -,581 -4,893 -3,388 1,638 1,520 -,063 2,404 -1,668 1,955 2,031 -2,520 -,480 -2,555 1,669 ,477 -,102 -5,134 1,141 ,974 ,146
Sig. ,001 ,380 ,063 ,007 ,013 ,204 ,364 ,090 ,860 ,346 ,000 ,001 ,130 ,000 ,150 ,973 ,008 ,138 ,080 ,049 ,030 ,577 ,081 ,127 ,720 ,561 ,000 ,001 ,102 ,129 ,950 ,016 ,096 ,051 ,042 ,012 ,631 ,011 ,095 ,634 ,918 ,000 ,254 ,330 ,884
Partial Correlation ,095 -,025 ,054 ,078 -,072 -,037 -,026 ,049 -,005 -,027 -,139 -,098 ,044 ,161 ,041 -,001 ,076 -,043 ,051 ,057 -,063 -,016 -,050 ,044 ,010 -,017 -,140 -,097 ,047 ,044 -,002 ,069 -,048 ,056 ,059 -,073 -,014 -,074 ,048 ,014 -,003 -,147 ,033 ,028 ,004
Collinearity Statistics Tolerance ,954 ,888 ,987 ,980 ,913 ,889 ,895 ,848 ,880 ,783 ,745 ,835 ,757 ,925 ,667 ,924 ,937 ,878 ,987 ,961 ,909 ,874 ,876 ,847 ,872 ,779 ,745 ,835 ,757 ,667 ,924 ,935 ,877 ,986 ,961 ,906 ,874 ,855 ,847 ,872 ,772 ,762 ,749 ,658 ,922
Page 65
Page 66
Excluded Variablesk
Model 9
10
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009
Beta In ,044i -,035i ,032i ,045i -,038i -,015i -,037i ,030i ,011i -,015i ,026i ,021i ,003i ,032j -,031j ,035j -,036j ,012j -,035j ,030j ,007j -,012j ,024j ,023j ,004j
t 2,368 -1,804 1,777 2,468 -1,993 -,774 -1,898 1,539 ,545 -,703 1,257 ,928 ,168 1,633 -1,608 1,931 -1,917 ,544 -1,777 1,535 ,373 -,597 1,167 1,020 ,237
Variables Entered/Removeda
Sig. ,018 ,072 ,076 ,014 ,047 ,439 ,058 ,124 ,586 ,482 ,209 ,353 ,867 ,103 ,108 ,054 ,055 ,586 ,076 ,125 ,710 ,551 ,243 ,308 ,812
Partial Correlation ,068 -,052 ,051 ,071 -,057 -,022 -,055 ,044 ,016 -,020 ,036 ,027 ,005 ,047 -,046 ,056 -,055 ,016 -,051 ,044 ,011 -,017 ,034 ,029 ,007
Collinearity Statistics Tolerance ,935 ,877 ,984 ,955 ,895 ,871 ,840 ,846 ,872 ,761 ,748 ,658 ,922 ,828 ,871 ,981 ,894 ,649 ,837 ,846 ,867 ,760 ,747 ,657 ,921
Model 1
Variables Entered
Variables Removed
V20_2009
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
,
a. Dependent Variable: IY2009
Model Summary
Model 1
R ,423a
R Square ,179
Adjusted R Square ,160
Std. Error of the Estimate ***********
a. Predictors: (Constant), V20_2009 ANOVAb
Model 1
Regression Residual Total
Sum of Squares ,000 ,002 ,002
df 1 43 44
Mean Square ,000 ,000
F 9,387
Sig. ,004a
a. Predictors: (Constant), V20_2009
a. Predictors in the Model: (Constant), v_6m146_2009
b. Dependent Variable: IY2009
b. Predictors in the Model: (Constant), v_6m146_2009, V_13EGW c. Predictors in the Model: (Constant), v_6m146_2009, V_13EGW, V20_2009
Coefficientsa
d. Predictors in the Model: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009 e. Predictors in the Model: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009 f. Predictors in the Model: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009, v_17<1970 g. Predictors in the Model: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009, v_17<1970, v_5m131_2009
Model 1
h. Predictors in the Model: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009, v_17<1970, v_5m131_2009, V18_2009
(Constant) V20_2009
Unstandardized Coefficients B Std. Error 5,782E-02 ,003 -3,272E-06 ,000
Standardized Coefficients Beta -,423
t 18,119 -3,064
Sig. ,000 ,004
a. Dependent Variable: IY2009
i. Predictors in the Model: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009, v_17<1970, v_5m131_2009, V18_2009, V_162009 j. Predictors in the Model: (Constant), v_6m146_2009, V_13EGW, V20_2009, V_32009, V_22009, v_17<1970, v_5m131_2009, V18_2009, V_162009, v_15rotterdam k. Dependent Variable: IY_leegstand2009
initial yield 2009 stepwise amsterdam Warnings For models with dependent variable IY2009, the following variables are constants or have missing correlations: v_15amsterdam, v_15den_haag, v_15rotterdam, v_15utrecht, v_15overig, v_171970-1979. They will be deleted from the analysis.
Page 67
Page 68
Excluded Variablesb
Model 1
v_8erfpacht V_13EGW v_17<1970 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009
Beta In ,065a ,003a -,237a -,092a ,128a ,065a ,031a -,112a -,234a ,291a ,085a -,079a -,240a ,058a ,074a
t ,451 ,019 -1,756 -,609 ,923 ,430 ,224 -,809 -1,721 1,961 ,609 -,555 -1,731 ,415 ,527
Variables Entered/Removeda
Sig. ,654 ,985 ,086 ,546 ,361 ,669 ,824 ,423 ,093 ,056 ,546 ,582 ,091 ,680 ,601
Collinearity Statistics Tolerance ,938 ,913 ,997 ,844 ,994 ,845 ,992 ,998 ,984 ,811 ,999 ,956 ,951 1,000 ,996
Partial Correlation ,069 ,003 -,262 -,094 ,141 ,066 ,035 -,124 -,257 ,290 ,094 -,085 -,258 ,064 ,081
Model 3
Variables Entered
Variables Removed
v_17<1970
,
v_6m146_2 009
,
V18_2009
,
V_22009
,
v_4m117_2 009
,
4
a. Predictors in the Model: (Constant), V20_2009 5
b. Dependent Variable: IY2009
Regression initial yield leegstand 2009 amsterdam Warnings For models with dependent variable IY_leegstand2009, the following variables are constants or have missing correlations: v_15amsterdam, v_15den_haag, v_15rotterdam, v_15utrecht, v_15overig, v_171970-1979. They will be deleted from the analysis.
6
Variables Entered/Removeda
Model 1
Variables Entered
Variables Removed
V20_2009
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
,
2
V_32009
,
7
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
a. Dependent Variable: IY_leegstand2009
Page 69
Page 70
Coefficientsa
Model Summary
Model 1 2 3 4 5 6 7
R ,296a ,468b ,569c ,647d ,722e ,802f ,840g
R Square ,088 ,219 ,324 ,419 ,522 ,644 ,705
Adjusted R Square ,066 ,182 ,275 ,361 ,460 ,588 ,649
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** ***********
Model 1 2
3
a. Predictors: (Constant), V20_2009 b. Predictors: (Constant), V20_2009, V_32009 c. Predictors: (Constant), V20_2009, V_32009, v_17<1970
4
d. Predictors: (Constant), V20_2009, V_32009, v_17<1970, v_6m146_2009 e. Predictors: (Constant), V20_2009, V_32009, v_17<1970, v_6m146_2009, V18_2009 f. Predictors: (Constant), V20_2009, V_32009, v_17<1970, v_6m146_2009, V18_2009, V_22009 g. Predictors: (Constant), V20_2009, V_32009, v_17<1970, v_6m146_2009, V18_2009, V_22009, v_4m117_2009
5 ANOVAh
Model 1
2
3
4
5
6
7
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,000 ,002 ,002 ,000 ,002 ,002 ,001 ,001 ,002 ,001 ,001 ,002 ,001 ,001 ,002 ,001 ,001 ,002 ,002 ,001 ,002
df 1 43 44 2 42 44 3 41 44 4 40 44 5 39 44 6 38 44 7 37 44
Mean Square ,000 ,000
F 4,131
Sig. ,048a
,000 ,000
5,892
,006b
,000 ,000
6,555
,001c
,000 ,000
7,204
,000d
,000 ,000
8,501
,000e
,000 ,000
11,450
,000f
12,639
,000g
,000 ,000
6
7
(Constant) V20_2009 (Constant) V20_2009 V_32009 (Constant) V20_2009 V_32009 v_17<1970 (Constant) V20_2009 V_32009 v_17<1970 v_6m146_2009 (Constant) V20_2009 V_32009 v_17<1970 v_6m146_2009 V18_2009 (Constant) V20_2009 V_32009 v_17<1970 v_6m146_2009 V18_2009 V_22009 (Constant) V20_2009 V_32009 v_17<1970 v_6m146_2009 V18_2009 V_22009 v_4m117_2009
Unstandardized Coefficients B Std. Error 5,742E-02 ,003 -2,292E-06 ,000 5,381E-02 ,003 -3,645E-06 ,000 7,878E-06 ,000 5,284E-02 ,003 -3,965E-06 ,000 1,054E-05 ,000 -9,716E-03 ,004 5,355E-02 ,003 -4,331E-06 ,000 9,520E-06 ,000 -1,049E-02 ,004 2,814E-04 ,000 7,904E-02 ,009 -5,018E-06 ,000 1,375E-05 ,000 -1,356E-02 ,003 3,428E-04 ,000 -3,626E-04 ,000 ,104 ,011 -6,197E-06 ,000 2,246E-05 ,000 -1,685E-02 ,003 4,116E-04 ,000 -5,465E-04 ,000 -1,526E-04 ,000 9,774E-02 ,010 -6,891E-06 ,000 2,523E-05 ,000 -1,787E-02 ,003 4,777E-04 ,000 -6,117E-04 ,000 -1,341E-04 ,000 5,198E-04 ,000
Standardized Coefficients Beta -,296 -,471 ,403 -,512 ,539 -,347 -,560 ,486 -,374 ,322 -,648 ,703 -,484 ,392 -,381 -,801 1,148 -,602 ,471 -,574 -,488 -,890 1,289 -,638 ,546 -,643 -,429 ,302
t 17,044 -2,033 15,670 -3,111 2,659 16,229 -3,570 3,535 -2,524 17,445 -4,115 3,365 -2,892 2,551 8,548 -5,039 4,611 -3,878 3,310 -2,894 9,801 -6,666 6,327 -5,282 4,450 -4,526 -3,613 9,778 -7,716 7,372 -6,030 5,394 -5,375 -3,392 2,772
Sig. ,000 ,048 ,000 ,003 ,011 ,000 ,001 ,001 ,016 ,000 ,000 ,002 ,006 ,015 ,000 ,000 ,000 ,000 ,002 ,006 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,000 ,000 ,000 ,000 ,000 ,000 ,002 ,009
a. Dependent Variable: IY_leegstand2009 Excluded Variablesh
a. Predictors: (Constant), V20_2009 Model 1
b. Predictors: (Constant), V20_2009, V_32009 c. Predictors: (Constant), V20_2009, V_32009, v_17<1970 d. Predictors: (Constant), V20_2009, V_32009, v_17<1970, v_6m146_2009 e. Predictors: (Constant), V20_2009, V_32009, v_17<1970, v_6m146_2009, V18_2009 f. Predictors: (Constant), V20_2009, V_32009, v_17<1970, v_6m146_2009, V18_2009, V_22009 g. Predictors: (Constant), V20_2009, V_32009, v_17<1970, v_6m146_2009, V18_2009, V_22009, v_4m117_2009 h. Dependent Variable: IY_leegstand2009
Page 71
v_8erfpacht V_13EGW v_17<1970 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009
Beta In ,029a -,169a -,175a -,151a -,010a ,260a ,133a ,027a -,007a
t ,189 -1,112 -1,207 -,949 -,066 1,676 ,906 ,184 -,045
Sig. ,851 ,272 ,234 ,348 ,948 ,101 ,370 ,855 ,964
Partial Correlation ,029 -,169 -,183 -,145 -,010 ,250 ,138 ,028 -,007
Collinearity Statistics Tolerance ,938 ,913 ,997 ,844 ,994 ,845 ,992 ,998 ,984
Page 72
Excluded Variablesh
Model 1
2
3
4
V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_17<1970 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 V_102009 V_112009
Beta In ,403a -,074a -,225a ,349a -,042a ,012a ,220b -,083b -,347b -,093b ,107b ,164b -,127b -,166b ,043b ,105b -,142b ,291b ,167b ,098b ,080c -,135c -,112c ,040c ,052c -,187c -,292c ,041c ,129c -,236c ,322c ,200c ,102c ,070d -,053d -,088d ,119d -,088d -,230d -,381d -,098d ,224d -,175d ,242d ,128d
t 2,659 -,506 -1,535 2,472 -,283 ,082 1,444 -,562 -2,524 -,613 ,742 1,062 -,746 -1,091 ,305 ,689 -,990 2,135 1,079 ,698 ,495 -,967 -,787 ,290 ,338 -1,161 -2,027 ,312 ,897 -1,736 2,551 1,386 ,772 ,459 -,384 -,659 ,900 -,565 -1,536 -2,894 -,733 1,654 -1,320 1,797 1,030
Excluded Variablesh
Sig. ,011 ,616 ,132 ,018 ,778 ,935 ,156 ,577 ,016 ,543 ,462 ,295 ,460 ,281 ,762 ,495 ,328 ,039 ,287 ,489 ,623 ,339 ,436 ,773 ,737 ,253 ,049 ,756 ,375 ,090 ,015 ,173 ,445 ,649 ,703 ,514 ,374 ,575 ,133 ,006 ,468 ,106 ,194 ,080 ,309
Partial Correlation ,380 -,078 -,231 ,356 -,044 ,013 ,220 -,087 -,367 -,095 ,115 ,164 -,116 -,168 ,048 ,107 -,153 ,316 ,166 ,108 ,078 -,151 -,123 ,046 ,053 -,180 -,305 ,049 ,140 -,265 ,374 ,214 ,121 ,073 -,061 -,105 ,143 -,090 -,239 -,420 -,117 ,256 -,207 ,277 ,163
Collinearity Statistics Tolerance ,811 ,999 ,956 ,951 1,000 ,996 ,779 ,861 ,872 ,824 ,908 ,781 ,644 ,803 ,967 ,806 ,898 ,920 ,777 ,946 ,641 ,844 ,822 ,871 ,702 ,632 ,738 ,967 ,803 ,848 ,913 ,771 ,946 ,641 ,788 ,818 ,828 ,615 ,625 ,707 ,814 ,756 ,812 ,762 ,940
Model 5
6
7
v_8erfpacht V_13EGW v_171980-1989 v_171990-1999 v_17>2000 V_22009 V_162009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_171980-1989 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_171980-1989 v_171990-1999 v_17>2000 V_162009 v_5m131_2009 V_102009 V_112009
Beta In ,006e -,138e -,028e ,058e -,056e -,488e -,042e ,365e -,119e ,196e ,061e ,136f ,025f ,039f ,092f -,196f -,065f ,302f -,032f ,079f ,021f ,182g ,040g ,002g ,108g -,179g -,075g -,090g ,019g ,017g
t ,044 -1,084 -,226 ,460 -,394 -3,613 -,334 3,005 -,957 1,562 ,521 1,074 ,205 ,351 ,848 -1,551 -,588 2,772 -,283 ,668 ,199 1,566 ,350 ,023 1,076 -1,529 -,743 -,857 ,168 ,175
Sig. ,965 ,285 ,822 ,648 ,696 ,001 ,740 ,005 ,345 ,127 ,605 ,290 ,839 ,728 ,402 ,129 ,560 ,009 ,779 ,508 ,843 ,126 ,728 ,982 ,289 ,135 ,462 ,397 ,868 ,862
Partial Correlation ,007 -,173 -,037 ,074 -,064 -,506 -,054 ,438 -,153 ,246 ,084 ,174 ,034 ,058 ,138 -,247 -,096 ,415 -,046 ,109 ,033 ,252 ,058 ,004 ,176 -,247 -,123 -,141 ,028 ,029
Collinearity Statistics Tolerance ,625 ,751 ,794 ,801 ,611 ,514 ,793 ,691 ,790 ,749 ,899 ,579 ,633 ,771 ,795 ,564 ,790 ,671 ,750 ,677 ,888 ,569 ,632 ,758 ,793 ,562 ,789 ,722 ,649 ,888
a. Predictors in the Model: (Constant), V20_2009 b. Predictors in the Model: (Constant), V20_2009, V_32009 c. Predictors in the Model: (Constant), V20_2009, V_32009, v_17<1970 d. Predictors in the Model: (Constant), V20_2009, V_32009, v_17<1970, v_6m146_2009 e. Predictors in the Model: (Constant), V20_2009, V_32009, v_17<1970, v_6m146_2009, V18_2009 f. Predictors in the Model: (Constant), V20_2009, V_32009, v_17<1970, v_6m146_2009, V18_2009, V_22009 g. Predictors in the Model: (Constant), V20_2009, V_32009, v_17<1970, v_6m146_2009, V18_2009, V_22009, v_4m117_2009 h. Dependent Variable: IY_leegstand2009
Regression initial yield 2009 stepwise den haag Warnings For models with dependent variable IY2009, the following variables are constants or have missing correlations: v_15amsterdam, v_15den_haag, v_15rotterdam, v_15utrecht, v_15overig, v_171980-1989. They will be deleted from the analysis.
Page 73
Page 74
Variables Entered/Removeda
Model 1
Variables Entered
Variables Removed
V_13EGW
,
2
V20_2009
,
3
V_32009
,
4
V_22009
,
5
,
V_13EGW
Variables Entered/Removeda
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Model 6
Variables Entered
Variables Removed
V18_2009
,
V_102009
,
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
7
a. Dependent Variable: IY2009
Model Summary
Model 1 2 3 4 5 6 7
R ,429a ,624b ,734c ,837d ,833e ,910f ,933g
R Square ,184 ,390 ,539 ,701 ,694 ,828 ,871
Adjusted R Square ,168 ,364 ,510 ,675 ,674 ,813 ,857
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** ***********
a. Predictors: (Constant), V_13EGW b. Predictors: (Constant), V_13EGW, V20_2009 c. Predictors: (Constant), V_13EGW, V20_2009, V_32009 d. Predictors: (Constant), V_13EGW, V20_2009, V_32009, V_22009 e. Predictors: (Constant), V20_2009, V_32009, V_22009 f. Predictors: (Constant), V20_2009, V_32009, V_22009, V18_2009 g. Predictors: (Constant), V20_2009, V_32009, V_22009, V18_2009, V_102009
Page 75
Page 76
ANOVAh
Model 1
2
3
4
5
6
7
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,001 ,003 ,004 ,001 ,002 ,004 ,002 ,002 ,004 ,003 ,001 ,004 ,003 ,001 ,004 ,003 ,001 ,004 ,003 ,000 ,004
df 1 49 50 2 48 50 3 47 50 4 46 50 3 47 50 4 46 50 5 45 50
Coefficientsa
Mean Square ,001 ,000
F 11,073
Sig. ,002a
Model 1
,001 ,000
15,317
,000b
2
,001 ,000
18,330
,000c
3
,001 ,000
26,975
,000d
,001 ,000
35,532
,000e
,001 ,000
55,409
,000f
60,806
,000g
,001 ,000
4
5
6
a. Predictors: (Constant), V_13EGW b. Predictors: (Constant), V_13EGW, V20_2009 c. Predictors: (Constant), V_13EGW, V20_2009, V_32009
7
d. Predictors: (Constant), V_13EGW, V20_2009, V_32009, V_22009 e. Predictors: (Constant), V20_2009, V_32009, V_22009 f. Predictors: (Constant), V20_2009, V_32009, V_22009, V18_2009 g. Predictors: (Constant), V20_2009, V_32009, V_22009, V18_2009, V_102009 h. Dependent Variable: IY2009
(Constant) V_13EGW (Constant) V_13EGW V20_2009 (Constant) V_13EGW V20_2009 V_32009 (Constant) V_13EGW V20_2009 V_32009 V_22009 (Constant) V20_2009 V_32009 V_22009 (Constant) V20_2009 V_32009 V_22009 V18_2009 (Constant) V20_2009 V_32009 V_22009 V18_2009 V_102009
Unstandardized Coefficients B Std. Error 5,520E-02 ,001 -7,477E-03 ,002 7,596E-02 ,005 -9,509E-03 ,002 -9,554E-06 ,000 6,067E-02 ,006 -9,591E-03 ,002 -9,999E-06 ,000 2,090E-05 ,000 8,378E-02 ,007 -2,170E-03 ,002 -1,403E-05 ,000 4,361E-05 ,000 -3,291E-04 ,000 8,617E-02 ,006 -1,433E-05 ,000 4,697E-05 ,000 -3,784E-04 ,000 ,144 ,011 -1,791E-05 ,000 6,007E-05 ,000 -4,073E-04 ,000 -7,375E-04 ,000 ,158 ,010 -1,954E-05 ,000 5,902E-05 ,000 -4,498E-04 ,000 -8,035E-04 ,000 -8,867E-03 ,002
Standardized Coefficients Beta
t 37,406 -3,328 14,265 -4,689 -4,017 9,952 -5,385 -4,782 3,906 12,345 -1,045 -7,446 6,924 -4,992 13,473 -7,681 8,670 -8,213 13,368 -11,673 12,918 -11,559 -5,991 15,619 -13,877 14,463 -13,735 -7,363 -3,872
-,429 -,546 -,468 -,551 -,490 ,387 -,125 -,687 ,808 -,769 -,701 ,870 -,885 -,877 1,113 -,952 -,445 -,957 1,094 -1,051 -,485 -,242
Sig. ,000 ,002 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,301 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
a. Dependent Variable: IY2009 Excluded Variablesh
Model 1
v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V_22009 V20_2009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009
Beta In ,146a ,010a ,037a -,058a ,026a ,161a -,468a ,094a ,072a ,361a ,087a -,110a -,065a -,138a -,105a
t 1,094 ,073 ,285 -,443 ,187 ,982 -4,017 ,725 ,542 3,026 ,632 -,848 -,467 -1,042 -,804
Sig. ,280 ,942 ,777 ,659 ,852 ,331 ,000 ,472 ,590 ,004 ,531 ,401 ,643 ,303 ,425
Partial Correlation ,156 ,011 ,041 -,064 ,027 ,140 -,502 ,104 ,078 ,400 ,091 -,122 -,067 -,149 -,115
Collinearity Statistics Tolerance ,929 ,899 ,998 ,983 ,882 ,620 ,938 ,991 ,962 1,000 ,886 ,988 ,863 ,953 ,978
Page 77
Page 78
Excluded Variablesh
Model 2
3
4
v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009
Beta In ,101b ,040b ,009b ,035b -,065b ,001b -,044b -,031b ,387b ,052b -,077b -,087b -,240b -,149b ,242c ,164c ,039c ,096c -,245c -,769c -,316c -,011c ,191c -,069c -,219c -,094c ,136c ,145d ,183d -,087d ,064d -,155d -,440d -,083d ,166d -,097d -,098d -,179d ,133d
t ,854 ,336 ,076 ,301 -,531 ,008 -,371 -,260 3,906 ,432 -,672 -,712 -2,107 -1,314 2,338 1,529 ,390 ,930 -2,220 -4,992 -2,848 -,107 1,768 -,690 -2,035 -,834 1,084 1,630 2,142 -1,025 ,752 -1,654 -5,789 -,972 1,900 -1,195 -1,039 -1,979 1,309
Excluded Variablesh
Sig. ,397 ,739 ,940 ,764 ,598 ,993 ,713 ,796 ,000 ,668 ,505 ,480 ,040 ,195 ,024 ,133 ,698 ,357 ,031 ,000 ,007 ,916 ,084 ,494 ,048 ,409 ,284 ,110 ,038 ,311 ,456 ,105 ,000 ,336 ,064 ,238 ,304 ,054 ,197
Partial Correlation ,124 ,049 ,011 ,044 -,077 ,001 -,054 -,038 ,495 ,063 -,098 -,103 -,294 -,188 ,326 ,220 ,057 ,136 -,311 -,593 -,387 -,016 ,252 -,101 -,287 -,122 ,158 ,236 ,304 -,151 ,111 -,239 -,653 -,143 ,273 -,175 -,153 -,283 ,192
Collinearity Statistics Tolerance ,920 ,895 ,994 ,943 ,852 ,572 ,904 ,916 ,997 ,881 ,983 ,862 ,914 ,970 ,839 ,829 ,988 ,922 ,745 ,274 ,691 ,914 ,804 ,982 ,796 ,770 ,619 ,791 ,827 ,903 ,917 ,713 ,659 ,888 ,802 ,978 ,731 ,747 ,619
Model 5
6
7
v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 V_13EGW v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 V_13EGW v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_112009 V_13EGW
Beta In ,149e ,194e -,099e ,064e -,162e -,445e -,078e ,179e -,096e -,037e -,170e ,119e -,125e ,138f ,029f -,126f ,119f -,067f -,107f ,025f -,059f ,025f -,242f ,083f -,035f ,110g ,022g -,084g ,079g -,045g -,031g ,006g -,033g ,004g -,128g -,053g
t 1,674 2,361 -1,192 ,750 -1,741 -5,991 -,907 2,104 -1,179 -,439 -1,876 1,172 -1,045 2,077 ,396 -2,045 1,905 -,897 -1,678 ,346 -,952 ,380 -3,872 1,077 -,379 1,862 ,336 -1,492 1,392 -,688 -,498 ,096 -,596 ,062 -1,508 -,649
Sig. ,101 ,023 ,239 ,457 ,088 ,000 ,369 ,041 ,244 ,663 ,067 ,247 ,301 ,044 ,694 ,047 ,063 ,374 ,100 ,731 ,346 ,705 ,000 ,287 ,706 ,069 ,738 ,143 ,171 ,495 ,621 ,924 ,554 ,951 ,139 ,520
Partial Correlation ,240 ,329 -,173 ,110 -,249 -,662 -,133 ,296 -,171 -,065 -,267 ,170 -,152 ,296 ,059 -,292 ,273 -,133 -,243 ,051 -,140 ,057 -,500 ,159 -,056 ,270 ,051 -,219 ,205 -,103 -,075 ,014 -,090 ,009 -,222 -,097
Collinearity Statistics Tolerance ,793 ,880 ,930 ,917 ,718 ,678 ,892 ,842 ,978 ,926 ,752 ,627 ,457 ,792 ,712 ,926 ,899 ,680 ,887 ,712 ,968 ,902 ,734 ,624 ,444 ,779 ,712 ,884 ,864 ,675 ,769 ,707 ,953 ,894 ,385 ,443
a. Predictors in the Model: (Constant), V_13EGW b. Predictors in the Model: (Constant), V_13EGW, V20_2009 c. Predictors in the Model: (Constant), V_13EGW, V20_2009, V_32009 d. Predictors in the Model: (Constant), V_13EGW, V20_2009, V_32009, V_22009 e. Predictors in the Model: (Constant), V20_2009, V_32009, V_22009 f. Predictors in the Model: (Constant), V20_2009, V_32009, V_22009, V18_2009 g. Predictors in the Model: (Constant), V20_2009, V_32009, V_22009, V18_2009, V_102009 h. Dependent Variable: IY2009
Regression initial yield leegstand 2009 den haag stepwise
Page 79
Page 80
Variables Entered/Removeda
Warnings For models with dependent variable IY_leegstand2009, the following variables are constants or have missing correlations: v_15amsterdam, v_15den_haag, v_15rotterdam, v_15utrecht, v_15overig, v_171980-1989. They will be deleted from the analysis.
Model 6
Variables Entered/Removeda
Model 1
Variables Entered
V_13EGW
Variables Removed
,
2
V20_2009
,
3
V_32009
,
4
V_22009
,
5
V18_2009
,
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Variables Entered
Variables Removed
V_102009
,
v_6m146_2 009
,
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
7
8
,
V_13EGW
a. Dependent Variable: IY_leegstand2009
Model Summary
Model 1 2 3 4 5 6 7 8
R ,496a ,666b ,788c ,850d ,896e ,925f ,940g ,939h
R Square ,246 ,443 ,620 ,723 ,802 ,856 ,884 ,883
Adjusted R Square ,230 ,420 ,596 ,699 ,780 ,836 ,866 ,867
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** *********** ***********
a. Predictors: (Constant), V_13EGW b. Predictors: (Constant), V_13EGW, V20_2009 c. Predictors: (Constant), V_13EGW, V20_2009, V_32009 d. Predictors: (Constant), V_13EGW, V20_2009, V_32009, V_22009 e. Predictors: (Constant), V_13EGW, V20_2009, V_32009, V_22009, V18_2009 f. Predictors: (Constant), V_13EGW, V20_2009, V_32009, V_22009, V18_2009, V_102009 g. Predictors: (Constant), V_13EGW, V20_2009, V_32009, V_22009, V18_2009, V_102009, v_6m146_2009 h. Predictors: (Constant), V20_2009, V_32009, V_22009, V18_2009, V_102009, v_6m146_2009
Page 81
Page 82
ANOVAi
Model 1
2
3
4
5
6
7
8
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,001 ,003 ,004 ,002 ,002 ,004 ,003 ,002 ,004 ,003 ,001 ,004 ,004 ,001 ,004 ,004 ,001 ,004 ,004 ,001 ,004 ,004 ,001 ,004
df 1 49 50 2 48 50 3 47 50 4 46 50 5 45 50 6 44 50 7 43 50 6 44 50
Coefficientsa
Mean Square ,001 ,000
F 15,968
Sig. ,000a
Model 1
,001 ,000
19,094
,000b
2
,001 ,000
25,586
,000c
3
,001 ,000
30,012
,000d
,001 ,000
36,485
,000e
,001 ,000
43,467
,000f
,001 ,000
47,012
,000g
,001 ,000
55,136
,000h
4
5
6
a. Predictors: (Constant), V_13EGW b. Predictors: (Constant), V_13EGW, V20_2009 c. Predictors: (Constant), V_13EGW, V20_2009, V_32009 d. Predictors: (Constant), V_13EGW, V20_2009, V_32009, V_22009
7
e. Predictors: (Constant), V_13EGW, V20_2009, V_32009, V_22009, V18_2009 f. Predictors: (Constant), V_13EGW, V20_2009, V_32009, V_22009, V18_2009, V_102009 g. Predictors: (Constant), V_13EGW, V20_2009, V_32009, V_22009, V18_2009, V_102009, v_6m146_2009 h. Predictors: (Constant), V20_2009, V_32009, V_22009, V18_2009, V_102009, v_6m146_2009 i. Dependent Variable: IY_leegstand2009
8
(Constant) V_13EGW (Constant) V_13EGW V20_2009 (Constant) V_13EGW V20_2009 V_32009 (Constant) V_13EGW V20_2009 V_32009 V_22009 (Constant) V_13EGW V20_2009 V_32009 V_22009 V18_2009 (Constant) V_13EGW V20_2009 V_32009 V_22009 V18_2009 V_102009 (Constant) V_13EGW V20_2009 V_32009 V_22009 V18_2009 V_102009 v_6m146_2009 (Constant) V20_2009 V_32009 V_22009 V18_2009 V_102009 v_6m146_2009
Unstandardized Coefficients B Std. Error 5,778E-02 ,002 -9,288E-03 ,002 7,967E-02 ,005 -1,143E-02 ,002 -1,008E-05 ,000 6,178E-02 ,006 -1,153E-02 ,002 -1,060E-05 ,000 2,447E-05 ,000 8,158E-02 ,007 -5,168E-03 ,002 -1,405E-05 ,000 4,393E-05 ,000 -2,820E-04 ,000 ,131 ,013 -3,847E-03 ,002 -1,724E-05 ,000 5,696E-05 ,000 -3,363E-04 ,000 -6,182E-04 ,000 ,148 ,012 -4,209E-03 ,002 -1,913E-05 ,000 5,505E-05 ,000 -3,789E-04 ,000 -6,929E-04 ,000 -1,066E-02 ,003 ,158 ,011 -1,396E-03 ,002 -1,979E-05 ,000 5,761E-05 ,000 -4,303E-04 ,000 -7,910E-04 ,000 -9,525E-03 ,002 4,491E-04 ,000 ,161 ,011 -2,006E-05 ,000 5,979E-05 ,000 -4,605E-04 ,000 -8,164E-04 ,000 -9,285E-03 ,002 5,065E-04 ,000
Standardized Coefficients Beta -,496 -,610 -,459 -,615 -,482 ,422 -,276 -,640 ,757 -,613 -,205 -,785 ,981 -,731 -,347 -,225 -,871 ,948 -,823 -,388 -,270 -,074 -,901 ,992 -,935 -,443 -,242 ,208 -,913 1,030 -1,001 -,458 -,235 ,235
t 37,849 -3,996 14,561 -5,486 -4,124 10,376 -6,628 -5,189 4,682 11,607 -2,403 -7,201 6,735 -4,130 9,981 -2,064 -9,427 8,951 -5,630 -4,243 12,239 -2,610 -11,611 9,979 -7,195 -5,447 -4,039 13,907 -,824 -13,151 11,399 -8,575 -6,649 -3,944 3,273 15,224 -13,716 13,949 -13,483 -7,130 -3,887 4,299
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,020 ,000 ,000 ,000 ,000 ,045 ,000 ,000 ,000 ,000 ,000 ,012 ,000 ,000 ,000 ,000 ,000 ,000 ,414 ,000 ,000 ,000 ,000 ,000 ,002 ,000 ,000 ,000 ,000 ,000 ,000 ,000
a. Dependent Variable: IY_leegstand2009 Excluded Variablesi
Model 1
Page 83
v_8erfpacht v_17<1970
Beta In ,119a ,028a
t ,921 ,215
Sig. ,362 ,831
Partial Correlation ,132 ,031
Collinearity Statistics Tolerance ,929 ,899
Page 84
Excluded Variablesi
Model 1
2
3
v_171970-1979 v_171990-1999 v_17>2000 V_22009 V20_2009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009
Beta In ,010a -,057a ,027a ,257a -,459a ,155a ,083a ,396a ,047a -,107a ,168a -,196a -,133a ,074b ,058b -,018b ,035b -,062b ,109b ,025b -,017b ,422b ,013b -,074b ,147b -,299b -,176b ,224c ,194c ,015c ,101c -,256c -,613c -,248c ,005c ,159c -,066c ,024c -,148c ,127c
t ,080 -,452 ,205 1,660 -4,124 1,252 ,656 3,550 ,354 -,854 1,264 -1,566 -1,061 ,655 ,507 -,164 ,310 -,529 ,760 ,219 -,146 4,682 ,110 -,678 1,275 -2,846 -1,640 2,393 2,028 ,166 1,078 -2,605 -4,130 -2,409 ,052 1,617 -,722 ,232 -1,461 1,110
Excluded Variablesi
Sig. ,937 ,654 ,839 ,103 ,000 ,217 ,515 ,001 ,725 ,397 ,212 ,124 ,294 ,515 ,614 ,870 ,758 ,600 ,451 ,828 ,884 ,000 ,913 ,501 ,209 ,007 ,108 ,021 ,048 ,869 ,287 ,012 ,000 ,020 ,959 ,113 ,474 ,817 ,151 ,273
Partial Correlation ,012 -,065 ,030 ,233 -,511 ,178 ,094 ,456 ,051 -,122 ,179 -,221 -,151 ,095 ,074 -,024 ,045 -,077 ,110 ,032 -,021 ,564 ,016 -,098 ,183 -,383 -,233 ,333 ,286 ,024 ,157 -,358 -,520 -,335 ,008 ,232 -,106 ,034 -,211 ,162
Collinearity Statistics Tolerance ,998 ,983 ,882 ,620 ,938 ,991 ,962 1,000 ,886 ,988 ,863 ,953 ,978 ,920 ,895 ,994 ,943 ,852 ,572 ,904 ,916 ,997 ,881 ,983 ,862 ,914 ,970 ,839 ,829 ,988 ,922 ,745 ,274 ,691 ,914 ,804 ,982 ,796 ,770 ,619
Model 4
5
6
7
v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_112009 v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 v_5m131_2009 V_112009
Beta In ,149d ,209d -,087d ,075d -,187d -,347d -,052d ,140d -,088d ,137d -,217d ,124d ,143e ,098e -,117e ,119e -,120e -,072e ,027e -,059e ,244e -,270e ,089e ,111f ,086f -,065f ,073f -,096f ,020f ,002f -,030f ,208f -,151f ,103g ,017g -,075g ,074g -,045g -,038g ,003g -,026g -,127g
t 1,744 2,598 -1,065 ,925 -2,114 -4,243 -,628 1,642 -1,123 1,536 -2,565 1,267 1,972 1,227 -1,710 1,741 -1,512 -1,018 ,333 -,871 3,365 -4,039 1,056 1,742 1,252 -1,053 1,197 -1,383 ,306 ,029 -,503 3,273 -1,653 1,797 ,245 -1,347 1,338 -,680 -,617 ,053 -,478 -1,519
Page 85
v_8erfpacht v_17<1970 v_171970-1979 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 v_5m131_2009 V_112009 V_13EGW
Beta In ,104h ,016h -,081h ,075h -,040h -,044h ,011h -,024h -,130h -,074h
t 1,821 ,242 -1,499 1,370 -,607 -,717 ,179 -,453 -1,576 -,824
Sig. ,076 ,810 ,141 ,178 ,547 ,477 ,859 ,652 ,122 ,414
Partial Correlation ,268 ,037 -,223 ,204 -,092 -,109 ,027 -,069 -,234 -,125
Collinearity Statistics Tolerance ,777 ,601 ,881 ,864 ,633 ,716 ,702 ,953 ,377 ,329
Model 2
Variables Entered
Variables Removed
V20_2009
,
V_32009
,
v_17<1970
,
v_5m131_2 009
,
V_162009
,
V18_2009
,
3
a. Predictors in the Model: (Constant), V_13EGW b. Predictors in the Model: (Constant), V_13EGW, V20_2009 d. Predictors in the Model: (Constant), V_13EGW, V20_2009, V_32009, V_22009 e. Predictors in the Model: (Constant), V_13EGW, V20_2009, V_32009, V_22009, V18_2009 f. Predictors in the Model: (Constant), V_13EGW, V20_2009, V_32009, V_22009, V18_2009, V_102009
4
g. Predictors in the Model: (Constant), V_13EGW, V20_2009, V_32009, V_22009, V18_2009, V_102009, v_6m146_2009 h. Predictors in the Model: (Constant), V20_2009, V_32009, V_22009, V18_2009, V_102009, v_6m146_2009 i. Dependent Variable: IY_leegstand2009
Regression initial yield 2009 stepwise overig nederland 5
Warnings For models with dependent variable IY2009, the following variables are constants or have missing correlations: v_15amsterdam, v_15den_haag, v_15rotterdam, v_15utrecht, v_15overig. They will be deleted from the analysis. Variables Entered/Removeda Variables Entered
V_22009
6
Variables Removed
,
Collinearity Statistics Tolerance ,791 ,827 ,903 ,917 ,713 ,659 ,888 ,802 ,978 ,731 ,747 ,619 ,791 ,686 ,894 ,898 ,679 ,885 ,691 ,967 ,678 ,732 ,613 ,778 ,684 ,848 ,863 ,673 ,768 ,686 ,952 ,663 ,379 ,776 ,601 ,846 ,863 ,628 ,705 ,686 ,952 ,376
Variables Entered/Removeda
c. Predictors in the Model: (Constant), V_13EGW, V20_2009, V_32009
Model 1
Partial Correlation ,252 ,361 -,157 ,137 -,301 -,535 -,093 ,238 -,165 ,223 -,357 ,186 ,285 ,182 -,250 ,254 -,222 -,152 ,050 -,130 ,452 -,520 ,157 ,257 ,188 -,158 ,180 -,206 ,047 ,004 -,076 ,447 -,244 ,267 ,038 -,204 ,202 -,104 -,095 ,008 -,074 -,228
Page 86
Excluded Variablesi
Model 8
Sig. ,088 ,013 ,293 ,360 ,040 ,000 ,533 ,107 ,268 ,132 ,014 ,212 ,055 ,226 ,094 ,089 ,138 ,314 ,741 ,389 ,002 ,000 ,297 ,089 ,217 ,298 ,238 ,174 ,761 ,977 ,618 ,002 ,106 ,079 ,807 ,185 ,188 ,500 ,541 ,958 ,635 ,136
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
7
Page 87
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Page 88
Variables Entered/Removeda
Model 8
Variables Entered
Variables Removed
V_13EGW
,
9
v_6m146_2 009
,
10
v_171970-1 979
,
Model Summary
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Model 1 2 3 4 5 6 7 8 9 10
R ,318a ,481b ,690c ,707d ,720e ,726f ,732g ,735h ,738i ,739j
R Square ,101 ,232 ,477 ,500 ,519 ,527 ,536 ,541 ,544 ,546
Adjusted R Square ,100 ,230 ,475 ,498 ,517 ,524 ,533 ,537 ,540 ,542
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** *********** *********** *********** ***********
a. Predictors: (Constant), V_22009 b. Predictors: (Constant), V_22009, V20_2009 c. Predictors: (Constant), V_22009, V20_2009, V_32009 d. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970 e. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009 f. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009 g. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009, V18_2009 h. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009, V18_2009, V_13EGW i. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009, V18_2009, V_13EGW, v_6m146_2009 j. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009, V18_2009, V_13EGW, v_6m146_2009, v_171970-1979
a. Dependent Variable: IY2009
Page 89
Page 90
ANOVAk
Model 1
2
3
4
5
6
7
8
9
10
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,006 ,052 ,058 ,013 ,045 ,058 ,028 ,030 ,058 ,029 ,029 ,058 ,030 ,028 ,058 ,031 ,027 ,058 ,031 ,027 ,058 ,031 ,027 ,058 ,032 ,026 ,058 ,032 ,026 ,058
df 1 1037 1038 2 1036 1038 3 1035 1038 4 1034 1038 5 1033 1038 6 1032 1038 7 1031 1038 8 1030 1038 9 1029 1038 10 1028 1038
Coefficientsa
Mean Square ,006 ,000
F 116,470
Sig. ,000a
Model 1
,007 ,000
156,206
,000b
2
,009 ,000
314,195
,000c
3
,007 ,000
258,784
,000d
,006 ,000
222,963
,000e
,005 ,000
191,417
,000f
,004 ,000
170,432
,000g
,004 ,000
151,559
,000h
,004 ,000
136,443
,000i
,003 ,000
123,627
,000j
4
5
6
7
a. Predictors: (Constant), V_22009 b. Predictors: (Constant), V_22009, V20_2009 c. Predictors: (Constant), V_22009, V20_2009, V_32009 d. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970 e. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009 f. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009
8
g. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009, V18_2009 h. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009, V18_2009, V_13EGW i. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009, V18_2009, V_13EGW, v_6m146_2009 j. Predictors: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009, V18_2009, V_13EGW, v_6m146_2009, v_171970-1979 k. Dependent Variable: IY2009
Page 91
(Constant) V_22009 (Constant) V_22009 V20_2009 (Constant) V_22009 V20_2009 V_32009 (Constant) V_22009 V20_2009 V_32009 v_17<1970 (Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 (Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V_162009 (Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V_162009 V18_2009 (Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V_162009 V18_2009 V_13EGW
Unstandardized Coefficients B Std. Error 6,078E-02 ,001 -1,023E-04 ,000 7,288E-02 ,001 -1,288E-04 ,000 -4,966E-06 ,000 7,399E-02 ,001 -2,361E-04 ,000 -9,487E-06 ,000 2,777E-05 ,000 7,459E-02 ,001 -2,314E-04 ,000 -9,101E-06 ,000 2,566E-05 ,000 -3,955E-03 ,001 7,243E-02 ,001 -2,223E-04 ,000 -9,082E-06 ,000 2,569E-05 ,000 -3,622E-03 ,001 2,077E-05 ,000 7,412E-02 ,001 -2,287E-04 ,000 -9,694E-06 ,000 2,646E-05 ,000 -3,253E-03 ,001 2,045E-05 ,000 -1,674E-03 ,000 8,639E-02 ,003 -2,446E-04 ,000 -1,038E-05 ,000 2,929E-05 ,000 -3,638E-03 ,001 1,960E-05 ,000 -2,306E-03 ,000 -1,449E-04 ,000 8,650E-02 ,003 -2,252E-04 ,000 -1,041E-05 ,000 2,809E-05 ,000 -3,743E-03 ,001 1,929E-05 ,000 -2,227E-03 ,000 -1,512E-04 ,000 -1,346E-03 ,000
Standardized Coefficients Beta -,318 -,400 -,371 -,734 -,708 ,648 -,719 -,680 ,599 -,159 -,691 -,678 ,599 -,145 ,140 -,711 -,724 ,618 -,131 ,138 -,096 -,760 -,775 ,683 -,146 ,132 -,132 -,118 -,700 -,777 ,656 -,150 ,130 -,128 -,123 -,088
t 58,385 -10,792 54,973 -14,326 -13,276 67,518 -26,584 -25,575 22,009 69,402 -26,573 -24,811 20,205 -6,994 65,323 -25,645 -25,226 20,607 -6,498 6,350 63,028 -26,152 -25,025 21,143 -5,803 6,295 -4,089 29,949 -26,274 -25,263 21,217 -6,482 6,086 -5,394 -4,648 30,108 -20,121 -25,439 19,666 -6,685 6,010 -5,223 -4,862 -3,091
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,002
Page 92
Coefficientsa
Model 9
10
(Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V_162009 V18_2009 V_13EGW v_6m146_2009 (Constant) V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V_162009 V18_2009 V_13EGW v_6m146_2009 v_171970-1979
Unstandardized Coefficients B Std. Error 8,515E-02 ,003 -2,204E-04 ,000 -1,030E-05 ,000 2,785E-05 ,000 -3,830E-03 ,001 1,847E-05 ,000 -1,996E-03 ,000 -1,355E-04 ,000 -1,608E-03 ,000 -6,588E-05 ,000 8,604E-02 ,003 -2,197E-04 ,000 -1,041E-05 ,000 2,762E-05 ,000 -4,068E-03 ,001 1,964E-05 ,000 -1,880E-03 ,000 -1,421E-04 ,000 -1,609E-03 ,000 -6,695E-05 ,000 -9,525E-04 ,000
Excluded Variablesk Standardized Coefficients Beta -,685 -,769 ,650 -,154 ,125 -,115 -,110 -,105 -,062 -,683 -,777 ,645 -,163 ,133 -,108 -,115 -,105 -,063 -,048
t 29,311 -19,508 -25,141 19,528 -6,852 5,747 -4,608 -4,297 -3,619 -2,769 29,345 -19,477 -25,240 19,340 -7,141 6,030 -4,311 -4,491 -3,626 -2,818 -2,078
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,006 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,005 ,038
Model 2
3
a. Dependent Variable: IY2009 Excluded Variablesk
Model 1
v_8erfpacht V_13EGW v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V20_2009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009
Beta In ,027a -,147a -,275a ,071a ,093a ,003a ,033a -,371a ,184a ,078a ,231a -,123a ,169a -,035a -,047a -,015a
t ,930 -4,119 -9,714 2,423 3,175 ,087 1,131 -13,276 6,358 2,669 7,381 -4,151 5,705 -1,204 -1,466 -,512
Sig. ,353 ,000 ,000 ,016 ,002 ,931 ,258 ,000 ,000 ,008 ,000 ,000 ,000 ,229 ,143 ,609
Partial Correlation ,029 -,127 -,289 ,075 ,098 ,003 ,035 -,381 ,194 ,083 ,224 -,128 ,175 -,037 -,045 -,016
Collinearity Statistics Tolerance ,998 ,668 ,995 1,000 ,999 ,998 ,995 ,951 ,995 ,999 ,841 ,980 ,962 1,000 ,853 ,999
4
v_8erfpacht V_13EGW v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009
Beta In ,031b -,277b -,268b -,032b ,021b ,085b ,146b ,174b -,062b ,648b -,193b ,164b -,016b -,188b -,059b ,020c -,086c -,159c ,006c ,071c ,037c -,013c -,046c -,124c -,012c ,154c -,078c ,024c ,033c ,016d -,093d -,023d ,032d ,005d -,025d -,081d -,100d ,028d ,140d -,085d ,052d ,017d
t 1,121 -8,295 -10,289 -1,123 ,771 3,068 5,210 6,511 -2,116 22,009 -7,064 5,988 -,575 -6,171 -2,140 ,893 -2,871 -6,994 ,251 3,089 1,580 -,524 -1,848 -5,174 -,486 6,855 -3,460 ,866 1,424 ,721 -3,191 -,977 1,373 ,226 -1,050 -3,278 -4,169 1,118 6,350 -3,844 1,904 ,759
Sig. ,263 ,000 ,000 ,261 ,441 ,002 ,000 ,000 ,035 ,000 ,000 ,000 ,565 ,000 ,033 ,372 ,004 ,000 ,802 ,002 ,115 ,601 ,065 ,000 ,627 ,000 ,001 ,387 ,155 ,471 ,001 ,329 ,170 ,821 ,294 ,001 ,000 ,264 ,000 ,000 ,057 ,448
Partial Correlation ,035 -,250 -,305 -,035 ,024 ,095 ,160 ,198 -,066 ,565 -,214 ,183 -,018 -,188 -,066 ,028 -,089 -,213 ,008 ,096 ,049 -,016 -,057 -,159 -,015 ,209 -,107 ,027 ,044 ,022 -,099 -,030 ,043 ,007 -,033 -,101 -,129 ,035 ,194 -,119 ,059 ,024
Collinearity Statistics Tolerance ,998 ,625 ,994 ,922 ,959 ,951 ,917 ,994 ,866 ,583 ,949 ,962 ,997 ,769 ,985 ,998 ,562 ,938 ,917 ,950 ,942 ,831 ,813 ,854 ,827 ,961 ,981 ,663 ,953 ,997 ,561 ,890 ,886 ,904 ,827 ,784 ,831 ,784 ,953 ,980 ,650 ,943
Page 93
Page 94
Excluded Variablesk
Model 5
6
7
8
9
v_8erfpacht V_13EGW v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 v_4m117_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009
Beta In ,019e -,088e -,050e ,028e ,021e -,013e -,074e -,096e ,030e -,072e ,051e ,011e ,015f -,079f -,035f ,025f ,019f -,024f -,118f ,035f -,062f ,051f ,009f ,008g -,088g -,047g ,025g ,024g -,017g ,023g -,045g ,038g ,012g ,006h -,047h ,040h ,016h -,027h ,014h -,062h ,032h ,014h ,009i -,048i ,037i ,009i -,011i ,009i ,025i ,007i
t ,865 -3,060 -2,141 1,243 ,928 -,550 -3,051 -4,089 1,249 -3,315 1,904 ,476 ,708 -2,744 -1,490 1,117 ,857 -1,027 -4,648 1,437 -2,860 1,922 ,409 ,388 -3,091 -2,016 1,131 1,060 -,730 ,962 -2,033 1,434 ,564 ,285 -2,011 1,755 ,721 -1,126 ,576 -2,769 1,205 ,656 ,438 -2,078 1,608 ,415 -,442 ,379 ,940 ,342
Excluded Variablesk
Sig. ,387 ,002 ,032 ,214 ,354 ,582 ,002 ,000 ,212 ,001 ,057 ,634 ,479 ,006 ,137 ,264 ,392 ,305 ,000 ,151 ,004 ,055 ,682 ,698 ,002 ,044 ,258 ,289 ,465 ,336 ,042 ,152 ,573 ,776 ,045 ,080 ,471 ,261 ,565 ,006 ,229 ,512 ,661 ,038 ,108 ,678 ,659 ,705 ,347 ,732
Partial Correlation ,027 -,095 -,067 ,039 ,029 -,017 -,095 -,126 ,039 -,103 ,059 ,015 ,022 -,085 -,046 ,035 ,027 -,032 -,143 ,045 -,089 ,060 ,013 ,012 -,096 -,063 ,035 ,033 -,023 ,030 -,063 ,045 ,018 ,009 -,063 ,055 ,022 -,035 ,018 -,086 ,038 ,020 ,014 -,065 ,050 ,013 -,014 ,012 ,029 ,011
Collinearity Statistics Tolerance ,996 ,560 ,862 ,885 ,894 ,821 ,783 ,831 ,784 ,971 ,650 ,941 ,995 ,556 ,838 ,884 ,893 ,810 ,703 ,783 ,956 ,650 ,941 ,990 ,554 ,829 ,884 ,892 ,807 ,774 ,922 ,642 ,940 ,989 ,828 ,853 ,881 ,794 ,761 ,880 ,638 ,939 ,986 ,828 ,850 ,869 ,743 ,757 ,632 ,926
Model 10
v_8erfpacht v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009
Beta In ,007j ,017j -,003j -,015j ,009j ,032j ,004j
t ,331 ,661 -,121 -,596 ,380 1,204 ,195
Sig. ,741 ,509 ,904 ,551 ,704 ,229 ,846
Partial Correlation ,010 ,021 -,004 -,019 ,012 ,038 ,006
Collinearity Statistics Tolerance ,983 ,639 ,812 ,739 ,757 ,623 ,922
a. Predictors in the Model: (Constant), V_22009 b. Predictors in the Model: (Constant), V_22009, V20_2009 c. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009 d. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970 e. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009 f. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009 g. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009, V18_2009 h. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009, V18_2009, V_13EGW i. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009, V18_2009, V_13EGW, v_6m146_2009 j. Predictors in the Model: (Constant), V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_162009, V18_2009, V_13EGW, v_6m146_2009, v_171970-1979 k. Dependent Variable: IY2009
Regression initial yield leegstand 2009 stepwise overige nederland Warnings For models with dependent variable IY_leegstand2009, the following variables are constants or have missing correlations: v_15amsterdam, v_15den_haag, v_15rotterdam, v_15utrecht, v_15overig. They will be deleted from the analysis.
Page 95
Page 96
Variables Entered/Removeda
Model 1
Variables Entered
v_6m146_2 009
Variables Removed
,
2
V_22009
,
3
V20_2009
,
4
V_32009
,
5
v_17<1970
,
6
v_5m131_2 009
,
Variables Entered/Removeda
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Model 7
Variables Entered
Variables Removed
V_13EGW
,
V18_2009
,
V_162009
,
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
8
9
a. Dependent Variable: IY_leegstand2009
Model Summary
Model 1 2 3 4 5 6 7 8 9
R ,399a ,492b ,591c ,755d ,768e ,776f ,780g ,782h ,787i
R Square ,159 ,242 ,349 ,569 ,589 ,602 ,608 ,612 ,619
Adjusted R Square ,158 ,241 ,347 ,568 ,587 ,600 ,605 ,609 ,616
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** *********** *********** ***********
a. Predictors: (Constant), v_6m146_2009 b. Predictors: (Constant), v_6m146_2009, V_22009 c. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009 d. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009 e. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970 f. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009 g. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_13EGW h. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_13EGW, V18_2009 i. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_13EGW, V18_2009, V_162009
Page 97
Page 98
ANOVAj
Model 1
2
3
4
5
6
7
8
9
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,012 ,063 ,075 ,018 ,057 ,075 ,026 ,049 ,075 ,043 ,032 ,075 ,044 ,031 ,075 ,045 ,030 ,075 ,045 ,029 ,075 ,046 ,029 ,075 ,046 ,028 ,075
df 1 1038 1039 2 1037 1039 3 1036 1039 4 1035 1039 5 1034 1039 6 1033 1039 7 1032 1039 8 1031 1039 9 1030 1039
Coefficientsa
Mean Square ,012 ,000
F 196,389
Sig. ,000a
,009 ,000
165,935
,000b
,009 ,000
184,942
,000c
,011 ,000
341,977
,000d
,009 ,000
296,861
,000e
,008 ,000
260,490
,000f
,006 ,000
228,599
,000g
,006 ,000
203,159
,000h
,005 ,000
185,997
,000i
Model 3
4
5
6
7
a. Predictors: (Constant), v_6m146_2009 b. Predictors: (Constant), v_6m146_2009, V_22009 c. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009 d. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009
8
e. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970 f. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009 g. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_13EGW h. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_13EGW, V18_2009 i. Predictors: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_13EGW, V18_2009, V_162009 j. Dependent Variable: IY_leegstand2009
9
Coefficientsa
Model 1 2
(Constant) v_6m146_2009 (Constant) v_6m146_2009 V_22009
Unstandardized Coefficients B Std. Error 5,014E-02 ,000 4,420E-04 ,000 6,144E-02 ,001 4,500E-04 ,000 -1,055E-04 ,000
Standardized Coefficients Beta ,399 ,406 -,289
t 185,156 14,014 56,460 15,018 -10,681
Sig. ,000 ,000 ,000 ,000 ,000
(Constant) v_6m146_2009 V_22009 V20_2009 (Constant) v_6m146_2009 V_22009 V20_2009 V_32009 (Constant) v_6m146_2009 V_22009 V20_2009 V_32009 v_17<1970 (Constant) v_6m146_2009 V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 (Constant) v_6m146_2009 V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V_13EGW (Constant) v_6m146_2009 V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V_13EGW V18_2009 (Constant) v_6m146_2009 V_22009 V20_2009 V_32009 v_17<1970 v_5m131_2009 V_13EGW V18_2009 V_162009
Unstandardized Coefficients B Std. Error 7,378E-02 ,001 4,666E-04 ,000 -1,328E-04 ,000 -5,088E-06 ,000 7,501E-02 ,001 4,398E-04 ,000 -2,464E-04 ,000 -9,898E-06 ,000 2,957E-05 ,000 7,565E-02 ,001 4,374E-04 ,000 -2,411E-04 ,000 -9,483E-06 ,000 2,729E-05 ,000 -4,135E-03 ,001 7,360E-02 ,001 4,494E-04 ,000 -2,325E-04 ,000 -9,465E-06 ,000 2,726E-05 ,000 -3,816E-03 ,001 1,945E-05 ,000 7,322E-02 ,001 4,316E-04 ,000 -2,061E-04 ,000 -9,520E-06 ,000 2,562E-05 ,000 -3,919E-03 ,001 1,879E-05 ,000 -1,819E-03 ,000 8,120E-02 ,003 4,428E-04 ,000 -2,138E-04 ,000 -9,830E-06 ,000 2,719E-05 ,000 -4,268E-03 ,001 1,842E-05 ,000 -1,909E-03 ,000 -1,002E-04 ,000 8,712E-02 ,003 4,613E-04 ,000 -2,286E-04 ,000 -1,070E-05 ,000 2,908E-05 ,000 -3,984E-03 ,001 1,810E-05 ,000 -1,716E-03 ,000 -1,491E-04 ,000 -1,981E-03 ,000
Standardized Coefficients Beta ,421 -,364 -,335 ,397 -,675 -,651 ,613 ,395 -,660 -,624 ,565 -,147 ,406 -,637 -,623 ,565 -,136 ,116 ,389 -,564 -,626 ,531 -,139 ,112 -,104 ,400 -,585 -,647 ,563 -,152 ,110 -,110 -,072 ,416 -,626 -,704 ,602 -,142 ,108 -,099 -,107 -,100
t 53,248 16,771 -14,130 -13,006 66,458 19,402 -27,075 -25,995 23,019 68,388 19,753 -27,032 -25,185 21,069 -7,121 64,187 20,511 -26,083 -25,522 21,370 -6,639 5,734 64,067 19,416 -18,550 -25,831 19,190 -6,859 5,572 -3,928 29,845 19,770 -18,898 -25,923 19,208 -7,372 5,483 -4,132 -3,231 28,931 20,419 -19,533 -25,212 19,827 -6,899 5,433 -3,732 -4,564 -4,418
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
a. Dependent Variable: IY_leegstand2009
Page 99
Page 100
Excluded Variablesj
Model 1
2
3
v_8erfpacht V_13EGW v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V20_2009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V20_2009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 V_102009 V_112009
Beta In ,045a -,280a -,239a ,063a ,071a ,011a ,035a -,289a -,253a ,201a ,097a ,083a -,070a ,196a ,064a -,034a ,032b -,165b -,261b ,069b ,079b -,002b ,055b -,335b ,179b ,086b ,233b -,114b ,146b -,056b -,023b ,034c -,284c -,254c -,023c ,015c ,073c ,162c ,168c -,041c ,613c -,176c ,143c -,185c -,061c
t 1,569 -10,172 -8,701 2,211 2,499 ,391 1,176 -10,681 -9,255 7,101 3,403 2,921 -2,462 7,029 2,233 -1,170 1,175 -4,925 -10,075 2,541 2,904 -,068 1,971 -13,006 6,654 3,178 8,148 -4,165 5,334 -1,904 -,832 1,356 -9,107 -10,654 -,894 ,572 2,864 6,079 6,695 -1,510 23,019 -6,954 5,633 -6,541 -2,385
Excluded Variablesj
Sig. ,117 ,000 ,000 ,027 ,013 ,696 ,240 ,000 ,000 ,000 ,001 ,004 ,014 ,000 ,026 ,242 ,240 ,000 ,000 ,011 ,004 ,946 ,049 ,000 ,000 ,002 ,000 ,000 ,000 ,057 ,406 ,175 ,000 ,000 ,371 ,567 ,004 ,000 ,000 ,131 ,000 ,000 ,000 ,000 ,017
Partial Correlation ,049 -,301 -,261 ,068 ,077 ,012 ,036 -,315 -,276 ,215 ,105 ,090 -,076 ,213 ,069 -,036 ,036 -,151 -,299 ,079 ,090 -,002 ,061 -,375 ,202 ,098 ,245 -,128 ,163 -,059 -,026 ,042 -,272 -,314 -,028 ,018 ,089 ,186 ,204 -,047 ,582 -,211 ,172 -,199 -,074
Collinearity Statistics Tolerance ,998 ,975 ,999 ,997 ,990 ,999 ,928 ,999 ,998 ,969 ,993 ,995 ,988 ,991 ,980 ,983 ,996 ,638 ,994 ,997 ,989 ,997 ,924 ,949 ,964 ,992 ,841 ,968 ,954 ,835 ,981 ,996 ,599 ,994 ,921 ,951 ,949 ,852 ,963 ,856 ,588 ,940 ,953 ,754 ,969
Model 4
5
6
7
v_8erfpacht V_13EGW v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht V_13EGW v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 V_102009 V_112009 v_8erfpacht v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 V_102009 V_112009
Beta In ,025d -,104d -,147d ,010d ,057d ,025d ,010d -,039d -,099d -,008d ,129d ,011d ,021d ,021e -,112e -,017e ,020e -,004e -,001e -,070e -,075e ,028e ,116e ,035e ,006e ,023f -,104f -,039f ,018f ,010f ,007f -,066f -,074f ,031f ,036f ,002f ,021g -,037g ,033g -,001g -,001g -,072g -,065g ,020g ,027g ,002g
t 1,220 -3,755 -7,121 ,453 2,730 1,197 ,430 -1,700 -4,498 -,338 6,279 ,425 1,014 1,057 -4,149 -,804 ,935 -,203 -,052 -3,099 -3,447 1,257 5,734 1,420 ,288 1,170 -3,928 -1,832 ,859 ,458 ,293 -2,965 -3,417 1,413 1,469 ,084 1,080 -1,762 1,559 -,062 -,059 -3,231 -3,023 ,908 1,115 ,094
Page 101
9
v_8erfpacht v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 V_102009 V_112009 v_8erfpacht v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009
Beta In ,017h -,048h ,035h ,002h ,003h -,100h ,012h ,020h ,005h ,012i -,037i ,033i ,004i -,010i ,015i ,019i ,007i
t ,884 -2,288 1,685 ,102 ,124 -4,418 ,531 ,799 ,266 ,596 -1,754 1,559 ,195 -,439 ,675 ,768 ,332
Partial Correlation ,038 -,116 -,216 ,014 ,085 ,037 ,013 -,053 -,139 -,011 ,192 ,013 ,032 ,033 -,128 -,025 ,029 -,006 -,002 -,096 -,107 ,039 ,176 ,044 ,009 ,036 -,121 -,057 ,027 ,014 ,009 -,092 -,106 ,044 ,046 ,003 ,034 -,055 ,048 -,002 -,002 -,100 -,094 ,028 ,035 ,003
Collinearity Statistics Tolerance ,996 ,539 ,933 ,917 ,943 ,939 ,775 ,795 ,845 ,825 ,953 ,657 ,941 ,995 ,539 ,888 ,877 ,901 ,771 ,769 ,822 ,785 ,944 ,645 ,930 ,995 ,537 ,862 ,877 ,889 ,769 ,768 ,822 ,784 ,645 ,929 ,994 ,861 ,852 ,874 ,762 ,765 ,812 ,770 ,639 ,929
Page 102
Excluded Variablesj
Model 8
Sig. ,223 ,000 ,000 ,651 ,006 ,232 ,667 ,089 ,000 ,736 ,000 ,671 ,311 ,291 ,000 ,422 ,350 ,839 ,959 ,002 ,001 ,209 ,000 ,156 ,774 ,242 ,000 ,067 ,391 ,647 ,770 ,003 ,001 ,158 ,142 ,933 ,280 ,078 ,119 ,950 ,953 ,001 ,003 ,364 ,265 ,925
Variables Entered/Removeda
Sig. ,377 ,022 ,092 ,919 ,902 ,000 ,596 ,424 ,790 ,551 ,080 ,119 ,845 ,661 ,500 ,442 ,740
Partial Correlation ,028 -,071 ,052 ,003 ,004 -,136 ,017 ,025 ,008 ,019 -,055 ,049 ,006 -,014 ,021 ,024 ,010
Collinearity Statistics Tolerance ,990 ,842 ,850 ,871 ,760 ,719 ,759 ,632 ,926 ,986 ,828 ,850 ,871 ,748 ,759 ,632 ,926
Model 1
Variables Entered
Variables Removed
V20_2009
,
v_17<1970
,
V_32009
,
V_22009
,
v_5m131_2 009
,
v_6m146_2 009
,
2
3
a. Predictors in the Model: (Constant), v_6m146_2009 b. Predictors in the Model: (Constant), v_6m146_2009, V_22009 c. Predictors in the Model: (Constant), v_6m146_2009, V_22009, V20_2009 d. Predictors in the Model: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009 e. Predictors in the Model: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970 f. Predictors in the Model: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009 g. Predictors in the Model: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_13EGW
4
h. Predictors in the Model: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_13EGW, V18_2009 i. Predictors in the Model: (Constant), v_6m146_2009, V_22009, V20_2009, V_32009, v_17<1970, v_5m131_2009, V_13EGW, V18_2009, V_162009 j. Dependent Variable: IY_leegstand2009
Regression initial yield 2009 stepwise egw
5
Warnings For models with dependent variable IY2009, the following variables are constants or have missing correlations: V_13EGW. They will be deleted from the analysis.
6
Page 103
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Page 104
Variables Entered/Removeda
Model 7
Variables Entered
Variables Removed
v_8erfpacht
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
,
8
V18_2009
,
9
V_162009
,
10
V_112009
ANOVAk
,
Model 1
2
3
4
5
6
7
8
9
10
,492a ,617b ,672c ,785d ,795e ,800f ,803g ,805h ,809i ,810j
R Square ,242 ,380 ,452 ,617 ,632 ,639 ,645 ,648 ,654 ,657
df 1 702 703 2 701 703 3 700 703 4 699 703 5 698 703 6 697 703 7 696 703 8 695 703 9 694 703 10 693 703
Mean Square ,009 ,000
F 224,562
Sig. ,000a
,007 ,000
215,260
,000b
,005 ,000
192,426
,000c
,005 ,000
281,106
,000d
,004 ,000
239,897
,000e
,004 ,000
205,866
,000f
,003 ,000
180,820
,000g
,003 ,000
160,253
,000h
,003 ,000
146,028
,000i
,002 ,000
132,470
,000j
b. Predictors: (Constant), V20_2009, v_17<1970 c. Predictors: (Constant), V20_2009, v_17<1970, V_32009 d. Predictors: (Constant), V20_2009, v_17<1970, V_32009, V_22009 e. Predictors: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009 f. Predictors: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009, v_6m146_2009
Model Summary
R
Sum of Squares ,009 ,027 ,035 ,013 ,022 ,035 ,016 ,019 ,035 ,022 ,014 ,035 ,022 ,013 ,035 ,023 ,013 ,035 ,023 ,013 ,035 ,023 ,012 ,035 ,023 ,012 ,035 ,023 ,012 ,035
a. Predictors: (Constant), V20_2009
a. Dependent Variable: IY2009
Model 1 2 3 4 5 6 7 8 9 10
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
g. Predictors: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009, v_6m146_2009, v_8erfpacht
Adjusted R Square ,241 ,379 ,450 ,614 ,630 ,636 ,642 ,644 ,650 ,652
h. Predictors: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009, v_6m146_2009, v_8erfpacht, V18_2009
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** *********** *********** *********** ***********
i. Predictors: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009, v_6m146_2009, v_8erfpacht, V18_2009, V_162009 j. Predictors: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009, v_6m146_2009, v_8erfpacht, V18_2009, V_162009, V_112009 k. Dependent Variable: IY2009
a. Predictors: (Constant), V20_2009 b. Predictors: (Constant), V20_2009, v_17<1970 c. Predictors: (Constant), V20_2009, v_17<1970, V_32009 d. Predictors: (Constant), V20_2009, v_17<1970, V_32009, V_22009
Page 105
e. Predictors: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009
Page 106
f. Predictors: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009, v_6m146_2009
Coefficientsa
Model 1 2
3
4
5
6
7
8
(Constant) V20_2009 (Constant) V20_2009 v_17<1970 (Constant) V20_2009 v_17<1970 V_32009 (Constant) V20_2009 v_17<1970 V_32009 V_22009 (Constant) V20_2009 v_17<1970 V_32009 V_22009 v_5m131_2009 (Constant) V20_2009 v_17<1970 V_32009 V_22009 v_5m131_2009 v_6m146_2009 (Constant) V20_2009 v_17<1970 V_32009 V_22009 v_5m131_2009 v_6m146_2009 v_8erfpacht (Constant) V20_2009 v_17<1970 V_32009 V_22009 v_5m131_2009 v_6m146_2009 v_8erfpacht V18_2009
Unstandardized Coefficients B Std. Error 5,910E-02 ,001 -6,249E-06 ,000 5,813E-02 ,001 -5,189E-06 ,000 -8,897E-03 ,001 5,114E-02 ,001 -6,925E-06 ,000 -7,172E-03 ,001 1,449E-05 ,000 6,715E-02 ,001 -9,386E-06 ,000 -5,345E-03 ,001 2,809E-05 ,000 -1,788E-04 ,000 6,577E-02 ,001 -9,405E-06 ,000 -4,904E-03 ,001 2,745E-05 ,000 -1,719E-04 ,000 2,000E-05 ,000 6,608E-02 ,001 -9,434E-06 ,000 -5,094E-03 ,001 2,754E-05 ,000 -1,710E-04 ,000 1,831E-05 ,000 -1,205E-04 ,000 6,627E-02 ,001 -9,488E-06 ,000 -5,020E-03 ,001 2,689E-05 ,000 -1,683E-04 ,000 1,587E-05 ,000 -1,174E-04 ,000 2,561E-03 ,001 7,221E-02 ,003 -9,715E-06 ,000 -5,470E-03 ,001 2,791E-05 ,000 -1,734E-04 ,000 1,627E-05 ,000 -1,086E-04 ,000 2,413E-03 ,001 -7,535E-05 ,000
Coefficientsa Standardized Coefficients Beta -,492 -,409 -,381 -,546 -,307 ,302 -,739 -,229 ,585 -,481 -,741 -,210 ,572 -,463 ,127 -,743 -,218 ,574 -,460 ,117 -,086 -,747 -,215 ,560 -,453 ,101 -,083 ,081 -,765 -,234 ,582 -,467 ,104 -,077 ,076 -,066
t 76,317 -14,985 82,456 -13,418 -12,501 51,758 -17,023 -10,339 9,555 54,149 -25,443 -9,058 18,823 -17,329 52,952 -26,006 -8,395 18,705 -16,860 5,421 53,563 -26,317 -8,765 18,934 -16,918 4,970 -3,711 54,071 -26,643 -8,697 18,466 -16,726 4,259 -3,639 3,414 27,329 -26,553 -9,090 18,538 -16,961 4,380 -3,361 3,220 -2,535
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,001 ,011
Model 9
10
(Constant) V20_2009 v_17<1970 V_32009 V_22009 v_5m131_2009 v_6m146_2009 v_8erfpacht V18_2009 V_162009 (Constant) V20_2009 v_17<1970 V_32009 V_22009 v_5m131_2009 v_6m146_2009 v_8erfpacht V18_2009 V_162009 V_112009
Unstandardized Coefficients B Std. Error 7,655E-02 ,003 -1,033E-05 ,000 -5,080E-03 ,001 2,942E-05 ,000 -1,840E-04 ,000 1,551E-05 ,000 -8,447E-05 ,000 2,249E-03 ,001 -1,115E-04 ,000 -1,462E-03 ,000 7,630E-02 ,003 -1,034E-05 ,000 -4,937E-03 ,001 3,012E-05 ,000 -1,859E-04 ,000 1,553E-05 ,000 -7,560E-05 ,000 2,327E-03 ,001 -1,150E-04 ,000 -1,500E-03 ,000 7,323E-04 ,000
Standardized Coefficients Beta -,813 -,217 ,613 -,495 ,099 -,060 ,071 -,097 -,091 -,814 -,211 ,628 -,501 ,099 -,054 ,073 -,100 -,093 ,048
t 26,346 -25,583 -8,359 18,907 -17,364 4,200 -2,575 3,018 -3,562 -3,461 26,303 -25,666 -8,090 18,956 -17,518 4,215 -2,290 3,127 -3,679 -3,556 2,066
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,010 ,003 ,000 ,001 ,000 ,000 ,000 ,000 ,000 ,000 ,022 ,002 ,000 ,000 ,039
a. Dependent Variable: IY2009
Page 107
Page 108
Excluded Variablesk
Model 1
2
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009
Beta In ,214a ,150a ,022a ,135a -,114a -,116a -,381a -,008a ,081a ,115a ,096a -,213a ,201a -,065a ,387a -,283a ,240a -,078a -,166a -,023a ,174b ,111b -,006b ,113b -,015b -,110b -,050b -,007b ,028b ,038b -,206b ,066b ,025b ,302b -,167b ,182b -,107b -,084b -,041b
t 6,642 4,530 ,675 4,158 -3,366 -3,405 -12,501 -,222 2,431 3,466 2,895 -6,627 6,153 -1,914 11,820 -8,997 7,596 -2,383 -5,016 -,686 5,895 3,644 -,203 3,831 -,480 -3,553 -1,616 -,238 ,898 1,247 -7,122 2,029 ,783 9,555 -5,276 6,168 -3,613 -2,691 -1,356
Excluded Variablesk
Sig. ,000 ,000 ,500 ,000 ,001 ,001 ,000 ,824 ,015 ,001 ,004 ,000 ,000 ,056 ,000 ,000 ,000 ,017 ,000 ,493 ,000 ,000 ,839 ,000 ,632 ,000 ,107 ,812 ,369 ,213 ,000 ,043 ,434 ,000 ,000 ,000 ,000 ,007 ,176
Partial Correlation ,243 ,169 ,025 ,155 -,126 -,128 -,427 -,008 ,091 ,130 ,109 -,243 ,226 -,072 ,408 -,322 ,276 -,090 -,186 -,026 ,217 ,136 -,008 ,143 -,018 -,133 -,061 -,009 ,034 ,047 -,260 ,076 ,030 ,340 -,196 ,227 -,135 -,101 -,051
Collinearity Statistics Tolerance ,982 ,952 ,996 ,998 ,927 ,909 ,952 ,927 ,965 ,959 ,979 ,983 ,963 ,932 ,841 ,982 ,998 ,998 ,953 ,971 ,970 ,941 ,991 ,994 ,865 ,909 ,916 ,913 ,906 ,955 ,982 ,824 ,883 ,784 ,849 ,969 ,992 ,904 ,968
Model 3
4
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009
Beta In ,147c ,105c -,028c ,069c -,046c -,057c -,020c ,039c -,010c -,022c -,481c ,010c ,001c -,065c ,177c -,116c ,065c ,017c ,105d ,065d -,025d ,064d -,034d -,039d ,002d ,035d -,008d -,044d -,080d -,089d ,024d ,127d -,100d ,026d ,047d
t 5,230 3,657 -1,007 2,445 -1,529 -1,918 -,677 1,314 -,327 -,741 -17,329 ,321 ,021 -1,972 6,405 -4,166 1,934 ,574 4,433 2,704 -1,077 2,710 -1,340 -1,562 ,086 1,394 -,306 -1,795 -2,996 -3,522 ,843 5,421 -4,286 ,942 1,939
Sig. ,000 ,000 ,314 ,015 ,127 ,056 ,499 ,189 ,744 ,459 ,000 ,748 ,984 ,049 ,000 ,000 ,054 ,566 ,000 ,007 ,282 ,007 ,181 ,119 ,932 ,164 ,760 ,073 ,003 ,000 ,400 ,000 ,000 ,347 ,053
Partial Correlation ,194 ,137 -,038 ,092 -,058 -,072 -,026 ,050 -,012 -,028 -,548 ,012 ,001 -,074 ,235 -,156 ,073 ,022 ,165 ,102 -,041 ,102 -,051 -,059 ,003 ,053 -,012 -,068 -,113 -,132 ,032 ,201 -,160 ,036 ,073
Collinearity Statistics Tolerance ,959 ,941 ,984 ,965 ,855 ,874 ,905 ,889 ,890 ,912 ,711 ,793 ,876 ,723 ,969 ,991 ,699 ,926 ,949 ,932 ,984 ,965 ,855 ,873 ,902 ,889 ,890 ,909 ,765 ,842 ,698 ,953 ,989 ,695 ,921
Page 109
Page 110
Excluded Variablesk
Model 5
6
7
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 V_102009 V_112009 v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 V_102009 V_112009
Beta In ,083e ,043e -,027e ,054e -,022e -,025e -,024e ,033e ,004e -,026e -,082e -,077e ,031e -,086e ,027e ,047e ,081f ,042f -,031f ,050f -,018f -,021f -,029f ,028f ,005f -,014f -,072f -,063f ,026f ,012f ,037f -,007g -,028g ,022g -,015g ,024g -,019g ,024g -,003g -,009g -,066g -,060g ,025g ,013g ,042g
t 3,490 1,788 -1,167 2,310 -,880 -,997 -,965 1,339 ,155 -1,075 -3,141 -3,061 1,133 -3,711 ,991 1,978 3,414 1,755 -1,352 2,162 -,735 -,855 -1,175 1,158 ,201 -,591 -2,775 -2,489 ,935 ,452 1,567 -,240 -1,241 ,882 -,620 ,876 -,772 ,981 -,128 -,382 -2,535 -2,391 ,926 ,487 1,778
Excluded Variablesk
Sig. ,001 ,074 ,243 ,021 ,379 ,319 ,335 ,181 ,877 ,283 ,002 ,002 ,258 ,000 ,322 ,048 ,001 ,080 ,177 ,031 ,462 ,393 ,240 ,247 ,841 ,554 ,006 ,013 ,350 ,651 ,118 ,811 ,215 ,378 ,535 ,381 ,440 ,327 ,898 ,703 ,011 ,017 ,355 ,627 ,076
Partial Correlation ,131 ,068 -,044 ,087 -,033 -,038 -,037 ,051 ,006 -,041 -,118 -,115 ,043 -,139 ,038 ,075 ,128 ,066 -,051 ,082 -,028 -,032 -,045 ,044 ,008 -,022 -,105 -,094 ,035 ,017 ,059 -,009 -,047 ,033 -,024 ,033 -,029 ,037 -,005 -,014 -,096 -,090 ,035 ,018 ,067
Collinearity Statistics Tolerance ,912 ,901 ,984 ,958 ,848 ,862 ,870 ,889 ,884 ,891 ,764 ,833 ,696 ,974 ,695 ,921 ,911 ,901 ,982 ,956 ,846 ,861 ,867 ,886 ,883 ,875 ,755 ,810 ,694 ,680 ,908 ,603 ,980 ,803 ,845 ,664 ,854 ,884 ,875 ,871 ,751 ,809 ,694 ,680 ,905
Model 8
9
10
v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 V_102009 V_112009 v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009 v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009
Beta In -,008h -,024h ,018h -,022h ,027h -,031h ,025h -,004h ,002h -,091h ,023h ,008h ,045h -,008i -,027i ,021i -,014i ,023i -,021i ,025i -,004i -,008i ,030i ,005i ,048i -,006j -,030j ,022j -,013j ,024j -,017j ,024j -,005j -,010j ,032j ,059j
t -,265 -1,046 ,721 -,907 ,977 -1,251 1,057 -,146 ,099 -3,461 ,868 ,293 1,897 -,283 -1,182 ,847 -,572 ,845 -,848 1,041 -,176 -,324 1,116 ,183 2,066 -,226 -1,331 ,892 -,536 ,878 -,693 1,013 -,219 -,423 1,185 1,755
Sig. ,791 ,296 ,471 ,365 ,329 ,212 ,291 ,884 ,921 ,001 ,386 ,770 ,058 ,777 ,238 ,398 ,568 ,398 ,397 ,298 ,861 ,746 ,265 ,855 ,039 ,821 ,184 ,372 ,592 ,380 ,489 ,312 ,826 ,672 ,237 ,080
Partial Correlation -,010 -,040 ,027 -,034 ,037 -,047 ,040 -,006 ,004 -,130 ,033 ,011 ,072 -,011 -,045 ,032 -,022 ,032 -,032 ,040 -,007 -,012 ,042 ,007 ,078 -,009 -,051 ,034 -,020 ,033 -,026 ,038 -,008 -,016 ,045 ,067
Collinearity Statistics Tolerance ,603 ,974 ,800 ,835 ,663 ,827 ,883 ,875 ,840 ,719 ,694 ,676 ,904 ,603 ,973 ,799 ,827 ,662 ,815 ,883 ,875 ,828 ,690 ,675 ,902 ,603 ,968 ,799 ,826 ,662 ,810 ,883 ,875 ,826 ,690 ,437
a. Predictors in the Model: (Constant), V20_2009 b. Predictors in the Model: (Constant), V20_2009, v_17<1970 c. Predictors in the Model: (Constant), V20_2009, v_17<1970, V_32009 d. Predictors in the Model: (Constant), V20_2009, v_17<1970, V_32009, V_22009 e. Predictors in the Model: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009 f. Predictors in the Model: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009, v_6m146_2009 g. Predictors in the Model: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009, v_6m146_2009, v_8erfpacht h. Predictors in the Model: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009, v_6m146_2009, v_8erfpacht, V18_2009 i. Predictors in the Model: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009, v_6m146_2009, v_8erfpacht, V18_2009, V_162009 j. Predictors in the Model: (Constant), V20_2009, v_17<1970, V_32009, V_22009, v_5m131_2009, v_6m146_2009, v_8erfpacht, V18_2009, V_162009, V_112009 k. Dependent Variable: IY2009
Page 111
Page 112
Variables Entered/Removeda
Regression initial yield leegstand 2009 stepwise egw Warnings Model 6
For models with dependent variable IY_leegstand2009, the following variables are constants or have missing correlations: V_13EGW. They will be deleted from the analysis. Variables Entered/Removeda
Model 1
Variables Entered
V20_2009
Variables Removed
,
2
v_17<1970
,
3
v_6m146_2 009
,
4
V_32009
,
5
V_22009
,
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Variables Entered
Variables Removed
v_5m131_2 009
,
v_8erfpacht
,
V18_2009
,
V_162009
,
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
7
8
9
a. Dependent Variable: IY_leegstand2009
Model Summary
Model 1 2 3 4 5 6 7 8 9
R ,491a ,613b ,663c ,713d ,811e ,817f ,820g ,823h ,826i
R Square ,241 ,376 ,439 ,508 ,657 ,668 ,673 ,677 ,681
Adjusted R Square ,240 ,374 ,437 ,505 ,655 ,665 ,670 ,673 ,677
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** *********** *********** ***********
a. Predictors: (Constant), V20_2009 b. Predictors: (Constant), V20_2009, v_17<1970 c. Predictors: (Constant), V20_2009, v_17<1970, v_6m146_2009 d. Predictors: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009
Page 113
e. Predictors: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009, V_22009 f. Predictors: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009, V_22009, v_5m131_2009
Page 114
g. Predictors: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009, V_22009, v_5m131_2009, v_8erfpacht
ANOVAj
Model 1
2
3
4
5
6
7
8
9
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,010 ,031 ,040 ,015 ,025 ,040 ,018 ,023 ,040 ,021 ,020 ,040 ,027 ,014 ,040 ,027 ,013 ,040 ,027 ,013 ,040 ,027 ,013 ,040 ,028 ,013 ,040
df 1 703 704 2 702 704 3 701 704 4 700 704 5 699 704 6 698 704 7 697 704 8 696 704 9 695 704
Coefficientsa
Mean Square ,010 ,000
F 223,302
Sig. ,000a
,008 ,000
211,515
,000b
,006 ,000
183,151
,000c
,005 ,000
180,908
,000d
,005 ,000
267,901
,000e
,004 ,000
233,880
,000f
,004 ,000
204,940
,000g
,003 ,000
182,331
,000h
,003 ,000
165,233
,000i
Model 3
4
5
6
7
a. Predictors: (Constant), V20_2009 b. Predictors: (Constant), V20_2009, v_17<1970 c. Predictors: (Constant), V20_2009, v_17<1970, v_6m146_2009 d. Predictors: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009
8
e. Predictors: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009, V_22009 f. Predictors: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009, V_22009, v_5m131_2009 g. Predictors: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009, V_22009, v_5m131_2009, v_8erfpacht h. Predictors: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009, V_22009, v_5m131_2009, v_8erfpacht, V18_2009 i. Predictors: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009, V_22009, v_5m131_2009, v_8erfpacht, V18_2009, V_162009 j. Dependent Variable: IY_leegstand2009
9
Coefficientsa
Model 1 2
(Constant) V20_2009 (Constant) V20_2009 v_17<1970
Unstandardized Coefficients B Std. Error 6,126E-02 ,001 -6,668E-06 ,000 6,027E-02 ,001 -5,562E-06 ,000 -9,346E-03 ,001
Standardized Coefficients Beta -,491 -,410 -,376
t 73,944 -14,943 79,718 -13,411 -12,322
Sig. ,000 ,000 ,000 ,000 ,000
(Constant) V20_2009 v_17<1970 v_6m146_2009 (Constant) V20_2009 v_17<1970 v_6m146_2009 V_32009 (Constant) V20_2009 v_17<1970 v_6m146_2009 V_32009 V_22009 (Constant) V20_2009 v_17<1970 v_6m146_2009 V_32009 V_22009 v_5m131_2009 (Constant) V20_2009 v_17<1970 v_6m146_2009 V_32009 V_22009 v_5m131_2009 v_8erfpacht (Constant) V20_2009 v_17<1970 v_6m146_2009 V_32009 V_22009 v_5m131_2009 v_8erfpacht V18_2009 (Constant) V20_2009 v_17<1970 v_6m146_2009 V_32009 V_22009 v_5m131_2009 v_8erfpacht V18_2009 V_162009
Unstandardized Coefficients B Std. Error 5,912E-02 ,001 -5,401E-06 ,000 -9,395E-03 ,001 3,070E-04 ,000 5,181E-02 ,001 -7,215E-06 ,000 -7,483E-03 ,001 3,286E-04 ,000 1,507E-05 ,000 6,806E-02 ,001 -9,689E-06 ,000 -5,548E-03 ,001 3,701E-04 ,000 2,869E-05 ,000 -1,817E-04 ,000 6,680E-02 ,001 -9,710E-06 ,000 -5,145E-03 ,001 3,833E-04 ,000 2,819E-05 ,000 -1,760E-04 ,000 1,790E-05 ,000 6,699E-02 ,001 -9,768E-06 ,000 -5,079E-03 ,001 3,836E-04 ,000 2,757E-05 ,000 -1,734E-04 ,000 1,542E-05 ,000 2,559E-03 ,001 7,400E-02 ,003 -1,003E-05 ,000 -5,604E-03 ,001 3,962E-04 ,000 2,875E-05 ,000 -1,793E-04 ,000 1,592E-05 ,000 2,388E-03 ,001 -8,899E-05 ,000 7,806E-02 ,003 -1,061E-05 ,000 -5,264E-03 ,001 4,119E-04 ,000 3,023E-05 ,000 -1,894E-04 ,000 1,514E-05 ,000 2,224E-03 ,001 -1,229E-04 ,000 -1,354E-03 ,000
Standardized Coefficients Beta -,398 -,378 ,252 -,531 -,301 ,270 ,298 -,713 -,223 ,304 ,567 -,457 -,715 -,207 ,315 ,557 -,443 ,107 -,719 -,204 ,315 ,545 -,436 ,092 ,075 -,739 -,226 ,325 ,568 -,451 ,095 ,070 -,073 -,781 -,212 ,338 ,598 -,477 ,090 ,066 -,100 -,079
t 81,142 -13,714 -13,059 8,903 51,493 -17,511 -10,668 10,144 9,904 54,183 -26,012 -9,299 13,619 19,219 -17,416 52,780 -26,464 -8,665 14,243 19,120 -17,002 4,746 53,256 -26,783 -8,610 14,356 18,686 -16,822 4,038 3,326 27,352 -26,831 -9,133 14,716 18,889 -17,158 4,189 3,113 -2,923 26,173 -25,610 -8,500 15,134 19,083 -17,423 4,000 2,910 -3,825 -3,141
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,002 ,004 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,004 ,000 ,002
a. Dependent Variable: IY_leegstand2009
Page 115
Page 116
Excluded Variablesj
Model 1
2
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009
Beta In ,186a ,132a ,007a ,112a -,093a -,094a -,376a -,030a ,060a ,121a ,145a -,189a ,226a -,003a ,366a -,291a ,184a ,249a -,218a -,066a ,146b ,093b -,021b ,090b ,005b -,087b -,073b -,030b ,035b ,090b -,182b ,100b ,087b ,277b -,180b ,124b ,252b -,141b -,085b
t 5,746 3,964 ,216 3,419 -2,728 -2,739 -12,322 -,874 1,790 3,645 4,438 -5,840 6,991 -,092 11,100 -9,286 5,732 7,900 -6,659 -1,972 4,919 3,036 -,701 3,017 ,171 -2,800 -2,346 -,949 1,123 2,953 -6,228 3,077 2,756 8,636 -5,686 4,125 8,903 -4,549 -2,809
Excluded Variablesj
Sig. ,000 ,000 ,829 ,001 ,007 ,006 ,000 ,382 ,074 ,000 ,000 ,000 ,000 ,927 ,000 ,000 ,000 ,000 ,000 ,049 ,000 ,002 ,483 ,003 ,864 ,005 ,019 ,343 ,262 ,003 ,000 ,002 ,006 ,000 ,000 ,000 ,000 ,000 ,005
Partial Correlation ,212 ,148 ,008 ,128 -,102 -,103 -,422 -,033 ,067 ,136 ,165 -,215 ,255 -,003 ,386 -,331 ,211 ,286 -,244 -,074 ,183 ,114 -,026 ,113 ,006 -,105 -,088 -,036 ,042 ,111 -,229 ,115 ,104 ,310 -,210 ,154 ,319 -,169 -,106
Collinearity Statistics Tolerance ,982 ,952 ,996 ,998 ,927 ,909 ,953 ,927 ,966 ,959 ,979 ,983 ,963 ,932 ,844 ,982 ,998 ,998 ,953 ,971 ,970 ,941 ,991 ,994 ,866 ,909 ,916 ,912 ,906 ,955 ,982 ,828 ,885 ,780 ,852 ,968 ,998 ,906 ,968
Model 3
4
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 V_102009 V_112009
Beta In ,157c ,099c -,012c ,100c -,001c -,099c -,055c -,016c ,028c ,058c -,193c ,067c ,060c ,298c -,159c ,155c -,104c -,058c ,131d ,094d -,033d ,057d -,033d -,047d -,025d ,029d -,009d -,002d -,457d ,012d ,032d -,060d ,152d ,038d -,001d
t 5,568 3,437 -,437 3,538 -,047 -3,346 -1,874 -,552 ,942 2,002 -6,982 2,134 1,983 9,904 -5,269 5,459 -3,484 -1,997 4,917 3,479 -1,253 2,134 -1,162 -1,678 -,899 1,042 -,313 -,062 -17,416 ,417 1,127 -1,927 5,716 1,187 -,025
Sig. ,000 ,001 ,662 ,000 ,962 ,001 ,061 ,581 ,347 ,046 ,000 ,033 ,048 ,000 ,000 ,000 ,001 ,046 ,000 ,001 ,211 ,033 ,246 ,094 ,369 ,298 ,754 ,950 ,000 ,677 ,260 ,054 ,000 ,236 ,980
Partial Correlation ,206 ,129 -,017 ,133 -,002 -,125 -,071 -,021 ,036 ,075 -,255 ,080 ,075 ,351 -,195 ,202 -,131 -,075 ,183 ,130 -,047 ,080 -,044 -,063 -,034 ,039 -,012 -,002 -,550 ,016 ,043 -,073 ,211 ,045 -,001
Collinearity Statistics Tolerance ,969 ,941 ,989 ,992 ,865 ,907 ,911 ,910 ,905 ,940 ,981 ,815 ,875 ,776 ,847 ,955 ,886 ,957 ,959 ,940 ,983 ,965 ,855 ,874 ,900 ,886 ,889 ,894 ,711 ,786 ,866 ,726 ,955 ,684 ,914
Page 117
Page 118
Excluded Variablesj
Model 5
6
7
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 V_102009 V_112009 v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 V_102009 V_112009
Beta In ,093e ,058e -,029e ,055e -,023e -,032e -,002e ,026e -,007e -,027e -,075e -,059e ,022e ,107e ,003e ,031e ,075f ,040f -,030f ,046f -,014f -,020f -,023f ,025f ,002f -,013f -,079f -,050f ,030f ,006f ,032f -,005g -,028g ,020g -,011g ,022g -,014g ,021g -,005g -,008g -,073g -,047g ,030g ,007g ,037g
t 4,151 2,550 -1,303 2,433 -,979 -1,362 -,104 1,114 -,295 -1,146 -2,951 -2,437 ,848 4,746 ,114 1,332 3,326 1,747 -1,368 2,085 -,581 -,872 -,997 1,088 ,095 -,562 -3,149 -2,068 1,162 ,237 1,416 -,191 -1,266 ,830 -,462 ,814 -,603 ,914 -,229 -,351 -2,923 -1,953 1,168 ,272 1,618
Excluded Variablesj
Sig. ,000 ,011 ,193 ,015 ,328 ,174 ,918 ,266 ,768 ,252 ,003 ,015 ,397 ,000 ,909 ,183 ,001 ,081 ,172 ,037 ,562 ,383 ,319 ,277 ,924 ,575 ,002 ,039 ,246 ,812 ,157 ,849 ,206 ,407 ,644 ,416 ,547 ,361 ,819 ,726 ,004 ,051 ,243 ,785 ,106
Partial Correlation ,155 ,096 -,049 ,092 -,037 -,051 -,004 ,042 -,011 -,043 -,111 -,092 ,032 ,177 ,004 ,050 ,125 ,066 -,052 ,079 -,022 -,033 -,038 ,041 ,004 -,021 -,118 -,078 ,044 ,009 ,054 -,007 -,048 ,031 -,018 ,031 -,023 ,035 -,009 -,013 -,110 -,074 ,044 ,010 ,061
Collinearity Statistics Tolerance ,949 ,932 ,983 ,965 ,854 ,873 ,897 ,886 ,889 ,891 ,757 ,827 ,703 ,942 ,680 ,908 ,913 ,902 ,983 ,959 ,848 ,862 ,867 ,886 ,883 ,876 ,756 ,821 ,700 ,680 ,908 ,603 ,982 ,804 ,846 ,665 ,854 ,883 ,875 ,873 ,751 ,819 ,700 ,680 ,905
Model 8
9
v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 V_102009 V_112009 v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009
Beta In -,006h -,023h ,016h -,019h ,025h -,027h ,023h -,006h ,005h -,079h ,028h ,001h ,040h -,006i -,025i ,018i -,011i ,022i -,019i ,022i -,006i -,004i ,035i -,001i ,043i
t -,219 -1,038 ,649 -,794 ,928 -1,147 1,003 -,248 ,199 -3,141 1,093 ,046 1,757 -,236 -1,173 ,748 -,479 ,818 -,789 ,986 -,280 -,164 1,350 -,050 1,900
Sig. ,826 ,300 ,517 ,427 ,354 ,252 ,316 ,804 ,842 ,002 ,275 ,964 ,079 ,814 ,241 ,455 ,632 ,413 ,430 ,324 ,780 ,870 ,177 ,960 ,058
Partial Correlation -,008 -,039 ,025 -,030 ,035 -,043 ,038 -,009 ,008 -,118 ,041 ,002 ,066 -,009 -,044 ,028 -,018 ,031 -,030 ,037 -,011 -,006 ,051 -,002 ,072
Collinearity Statistics Tolerance ,603 ,975 ,801 ,836 ,664 ,827 ,882 ,875 ,842 ,727 ,699 ,675 ,903 ,603 ,974 ,800 ,827 ,663 ,815 ,882 ,875 ,831 ,695 ,675 ,902
a. Predictors in the Model: (Constant), V20_2009 b. Predictors in the Model: (Constant), V20_2009, v_17<1970 c. Predictors in the Model: (Constant), V20_2009, v_17<1970, v_6m146_2009 d. Predictors in the Model: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009 e. Predictors in the Model: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009, V_22009 f. Predictors in the Model: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009, V_22009, v_5m131_2009 g. Predictors in the Model: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009, V_22009, v_5m131_2009, v_8erfpacht h. Predictors in the Model: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009, V_22009, v_5m131_2009, v_8erfpacht, V18_2009 i. Predictors in the Model: (Constant), V20_2009, v_17<1970, v_6m146_2009, V_32009, V_22009, v_5m131_2009, v_8erfpacht, V18_2009, V_162009 j. Dependent Variable: IY_leegstand2009
Regression initial yield 2009 stepwise mgw Warnings For models with dependent variable IY2009, the following variables are constants or have missing correlations: V_13EGW. They will be deleted from the analysis.
Page 119
Page 120
Variables Entered/Removeda
Model 1
Variables Entered
Variables Removed
V20_2009
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
,
2
V_22009
,
3
V_32009
,
4
V18_2009
,
5
V_162009
,
6
v_5m131_2 009
Variables Entered/Removeda
,
Model 7
Variables Entered
Variables Removed
v_15amster dam
,
v_15utrecht
,
v_8erfpacht
,
v_17<1970
,
v_171970-1 979
,
8
9
10
11
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
a. Dependent Variable: IY2009
Page 121
Page 122
ANOVAl
Model Summary
Model 1 2 3 4 5 6 7 8 9 10 11
R ,308a ,365b ,560c ,583d ,603e ,617f ,626g ,636h ,643i ,647j ,651k
R Square ,095 ,133 ,313 ,340 ,363 ,381 ,392 ,404 ,414 ,419 ,424
Adjusted R Square ,093 ,129 ,309 ,335 ,357 ,373 ,384 ,394 ,403 ,407 ,411
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** *********** *********** *********** *********** ***********
Model 1
2
3
4
a. Predictors: (Constant), V20_2009 5
b. Predictors: (Constant), V20_2009, V_22009 c. Predictors: (Constant), V20_2009, V_22009, V_32009 d. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009
6
e. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009 f. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009 g. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam
7
h. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht i. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht j. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht, v_17<1970
8
9
k. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht, v_17<1970, v_171970-1979 10
11
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,003 ,027 ,030 ,004 ,026 ,030 ,009 ,021 ,030 ,010 ,020 ,030 ,011 ,019 ,030 ,011 ,019 ,030 ,012 ,018 ,030 ,012 ,018 ,030 ,012 ,018 ,030 ,013 ,017 ,030 ,013 ,017 ,030
df 1 490 491 2 489 491 3 488 491 4 487 491 5 486 491 6 485 491 7 484 491 8 483 491 9 482 491 10 481 491 11 480 491
Mean Square ,003 ,000
F 51,417
Sig. ,000a
,002 ,000
37,516
,000b
,003 ,000
74,142
,000c
,003 ,000
62,705
,000d
,002 ,000
55,408
,000e
,002 ,000
49,786
,000f
,002 ,000
44,668
,000g
,002 ,000
40,915
,000h
,001 ,000
37,839
,000i
,001 ,000
34,657
,000j
,001 ,000
32,140
,000k
a. Predictors: (Constant), V20_2009 b. Predictors: (Constant), V20_2009, V_22009 c. Predictors: (Constant), V20_2009, V_22009, V_32009 d. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009 e. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009 f. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009 g. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam h. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht i. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht j. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht, v_17<1970 k. Predictors: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht, v_17<1970, v_171970-1979 l. Dependent Variable: IY2009
Page 123
Page 124
Coefficientsa
Model 1 2
3
4
5
6
7
8
(Constant) V20_2009 (Constant) V20_2009 V_22009 (Constant) V20_2009 V_22009 V_32009 (Constant) V20_2009 V_22009 V_32009 V18_2009 (Constant) V20_2009 V_22009 V_32009 V18_2009 V_162009 (Constant) V20_2009 V_22009 V_32009 V18_2009 V_162009 v_5m131_2009 (Constant) V20_2009 V_22009 V_32009 V18_2009 V_162009 v_5m131_2009 v_15amsterdam (Constant) V20_2009 V_22009 V_32009 V18_2009 V_162009 v_5m131_2009 v_15amsterdam v_15utrecht
Unstandardized Coefficients B Std. Error 6,058E-02 ,001 -3,869E-06 ,000 6,705E-02 ,002 -3,509E-06 ,000 -7,977E-05 ,000 7,484E-02 ,002 -7,399E-06 ,000 -2,538E-04 ,000 2,288E-05 ,000 9,320E-02 ,004 -8,276E-06 ,000 -2,766E-04 ,000 2,721E-05 ,000 -2,267E-04 ,000 ,100 ,005 -9,344E-06 ,000 -2,910E-04 ,000 2,883E-05 ,000 -2,742E-04 ,000 -3,205E-03 ,001 9,712E-02 ,005 -9,305E-06 ,000 -2,790E-04 ,000 2,864E-05 ,000 -2,646E-04 ,000 -3,279E-03 ,001 1,771E-05 ,000 9,669E-02 ,005 -8,991E-06 ,000 -2,840E-04 ,000 2,981E-05 ,000 -2,707E-04 ,000 -3,206E-03 ,001 1,837E-05 ,000 -3,986E-03 ,001 9,730E-02 ,005 -8,912E-06 ,000 -2,880E-04 ,000 2,975E-05 ,000 -2,734E-04 ,000 -2,935E-03 ,001 1,689E-05 ,000 -4,088E-03 ,001 -5,759E-03 ,002
Coefficientsa Standardized Coefficients Beta -,308 -,280 -,197 -,589 -,627 ,707 -,659 -,684 ,841 -,184 -,744 -,719 ,891 -,223 -,169 -,741 -,690 ,885 -,215 -,173 ,138 -,716 -,702 ,921 -,220 -,169 ,143 -,116 -,710 -,712 ,919 -,222 -,154 ,131 -,119 -,109
t 50,004 -7,171 36,576 -6,568 -4,633 42,219 -12,598 -11,681 11,310 20,816 -13,589 -12,615 12,309 -4,452 21,318 -14,362 -13,328 13,059 -5,341 -4,201 20,698 -14,492 -12,810 13,144 -5,217 -4,354 3,764 20,766 -13,930 -13,108 13,574 -5,376 -4,289 3,932 -3,003 21,056 -13,914 -13,382 13,662 -5,475 -3,933 3,627 -3,105 -3,048
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,003 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,002 ,002
Model 9
10
11
(Constant) V20_2009 V_22009 V_32009 V18_2009 V_162009 v_5m131_2009 v_15amsterdam v_15utrecht v_8erfpacht (Constant) V20_2009 V_22009 V_32009 V18_2009 V_162009 v_5m131_2009 v_15amsterdam v_15utrecht v_8erfpacht v_17<1970 (Constant) V20_2009 V_22009 V_32009 V18_2009 V_162009 v_5m131_2009 v_15amsterdam v_15utrecht v_8erfpacht v_17<1970 v_171970-1979
Unstandardized Coefficients B Std. Error 9,739E-02 ,005 -9,031E-06 ,000 -2,910E-04 ,000 3,032E-05 ,000 -2,748E-04 ,000 -2,967E-03 ,001 1,571E-05 ,000 -5,843E-03 ,001 -6,043E-03 ,002 2,736E-03 ,001 9,909E-02 ,005 -9,112E-06 ,000 -2,926E-04 ,000 3,019E-05 ,000 -2,880E-04 ,000 -2,860E-03 ,001 1,449E-05 ,000 -5,562E-03 ,001 -5,259E-03 ,002 2,536E-03 ,001 -1,730E-03 ,001 ,101 ,005 -9,278E-06 ,000 -2,965E-04 ,000 3,012E-05 ,000 -2,985E-04 ,000 -2,526E-03 ,001 1,552E-05 ,000 -5,369E-03 ,001 -5,420E-03 ,002 2,270E-03 ,001 -2,137E-03 ,001 -2,039E-03 ,001
Standardized Coefficients Beta -,719 -,719 ,937 -,223 -,156 ,122 -,170 -,114 ,113 -,726 -,723 ,933 -,234 -,151 ,113 -,162 -,100 ,105 -,074 -,739 -,733 ,931 -,243 -,133 ,121 -,157 -,103 ,094 -,091 -,082
t 21,233 -14,176 -13,606 13,971 -5,544 -4,005 3,384 -4,052 -3,218 2,880 21,298 -14,318 -13,712 13,949 -5,776 -3,862 3,105 -3,850 -2,749 2,662 -1,985 21,416 -14,520 -13,894 13,965 -5,978 -3,346 3,319 -3,723 -2,841 2,371 -2,403 -2,114
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,000 ,001 ,004 ,000 ,000 ,000 ,000 ,000 ,000 ,002 ,000 ,006 ,008 ,048 ,000 ,000 ,000 ,000 ,000 ,001 ,001 ,000 ,005 ,018 ,017 ,035
a. Dependent Variable: IY2009 Excluded Variablesl
Model 1
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000
Beta In ,052a -,033a ,061a ,047a -,116a -,004a -,124a -,023a ,111a ,025a -,013a
t 1,184 -,720 1,419 1,084 -2,708 -,089 -2,886 -,513 2,568 ,576 -,299
Sig. ,237 ,472 ,157 ,279 ,007 ,929 ,004 ,608 ,011 ,565 ,765
Partial Correlation ,053 -,033 ,064 ,049 -,122 -,004 -,129 -,023 ,115 ,026 -,014
Collinearity Statistics Tolerance ,974 ,876 ,999 1,000 1,000 ,952 ,985 ,941 ,978 ,984 ,928
Page 125
Page 126
Excluded Variablesl
Model 1
2
3
V_22009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009
Beta In -,197a ,013a -,068a ,190a ,037a ,177a -,113a ,079a -,084a ,047b -,019b ,065b ,049b -,135b -,008b -,144b -,055b ,073b ,032b ,064b ,040b -,082b ,707b -,032b ,144b -,069b -,030b -,103b ,053c -,105c ,062c ,037c -,129c ,043c -,113c -,048c ,085c ,051c -,011c -,184c -,121c ,072c ,143c -,077c ,060c -,015c
t -4,633 ,305 -1,474 3,808 ,835 4,181 -2,645 1,747 -1,962 1,113 -,412 1,549 1,153 -3,218 -,193 -3,405 -1,260 1,684 ,755 1,372 ,940 -1,810 11,310 -,687 3,384 -1,594 -,590 -2,455 1,383 -2,586 1,646 ,991 -3,461 1,115 -2,989 -1,234 2,212 1,346 -,263 -4,452 -3,017 1,723 3,773 -2,005 1,307 -,392
Excluded Variablesl
Sig. ,000 ,761 ,141 ,000 ,404 ,000 ,008 ,081 ,050 ,266 ,680 ,122 ,249 ,001 ,847 ,001 ,208 ,093 ,450 ,171 ,348 ,071 ,000 ,492 ,001 ,112 ,555 ,014 ,167 ,010 ,101 ,322 ,001 ,265 ,003 ,218 ,027 ,179 ,793 ,000 ,003 ,085 ,000 ,046 ,192 ,695
Partial Correlation -,205 ,014 -,067 ,170 ,038 ,186 -,119 ,079 -,088 ,050 -,019 ,070 ,052 -,144 -,009 -,152 -,057 ,076 ,034 ,062 ,043 -,082 ,456 -,031 ,151 -,072 -,027 -,110 ,063 -,116 ,074 ,045 -,155 ,050 -,134 -,056 ,100 ,061 -,012 -,198 -,135 ,078 ,169 -,090 ,059 -,018
Collinearity Statistics Tolerance ,979 ,998 ,864 ,723 ,935 ,998 1,000 ,896 ,997 ,974 ,872 ,999 1,000 ,991 ,952 ,976 ,918 ,936 ,983 ,818 ,980 ,860 ,360 ,837 ,960 ,939 ,677 ,989 ,974 ,843 ,999 ,999 ,991 ,939 ,971 ,918 ,935 ,981 ,797 ,791 ,854 ,798 ,960 ,939 ,657 ,946
Model 4
5
6
Page 127
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 v_5m131_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 v_6m146_2009 V_102009 V_112009
Beta In ,049d -,115d ,058d ,047d -,135d ,046d -,141d -,069d ,094d ,063d ,005d -,169d ,033d ,133d -,052d ,015d -,007d ,054e -,109e ,058e ,069e -,119e ,022e -,128e -,041e ,083e ,053e -,008e ,027e ,138e -,021e ,022e -,018e ,042f -,116f ,058f ,051f -,106f ,033f -,109f -,061f ,066f ,062f -,006f ,025f -,004f ,025f -,030f
t 1,311 -2,874 1,588 1,266 -3,704 1,209 -3,783 -1,780 2,467 1,692 ,127 -4,201 ,776 3,587 -1,365 ,327 -,189 1,484 -2,780 1,610 1,893 -3,291 ,594 -3,471 -1,067 2,232 1,456 -,196 ,657 3,764 -,537 ,478 -,479 1,148 -3,003 1,622 1,412 -2,944 ,895 -2,950 -1,588 1,774 1,722 -,147 ,616 -,094 ,557 -,817
Sig. ,190 ,004 ,113 ,206 ,000 ,227 ,000 ,076 ,014 ,091 ,899 ,000 ,438 ,000 ,173 ,744 ,850 ,138 ,006 ,108 ,059 ,001 ,553 ,001 ,287 ,026 ,146 ,844 ,512 ,000 ,591 ,633 ,632 ,252 ,003 ,106 ,159 ,003 ,371 ,003 ,113 ,077 ,086 ,883 ,538 ,925 ,578 ,414
Partial Correlation ,059 -,129 ,072 ,057 -,166 ,055 -,169 -,081 ,111 ,077 ,006 -,187 ,035 ,161 -,062 ,015 -,009 ,067 -,125 ,073 ,086 -,148 ,027 -,156 -,048 ,101 ,066 -,009 ,030 ,168 -,024 ,022 -,022 ,052 -,135 ,074 ,064 -,133 ,041 -,133 -,072 ,080 ,078 -,007 ,028 -,004 ,025 -,037
Collinearity Statistics Tolerance ,973 ,841 ,998 ,996 ,990 ,938 ,949 ,906 ,933 ,976 ,791 ,813 ,758 ,956 ,916 ,623 ,943 ,972 ,840 ,998 ,977 ,977 ,916 ,942 ,876 ,929 ,972 ,786 ,757 ,956 ,878 ,622 ,939 ,963 ,838 ,998 ,958 ,966 ,911 ,919 ,862 ,913 ,968 ,786 ,757 ,865 ,622 ,932
Page 128
Excluded Variablesl
Model 7
8
9
10
v_8erfpacht v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 v_6m146_2009 V_102009 V_112009 v_8erfpacht v_15den_haag v_15rotterdam v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 v_6m146_2009 V_102009 V_112009 v_15den_haag v_15rotterdam v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 v_6m146_2009 V_102009 V_112009 v_15den_haag v_15rotterdam v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 v_6m146_2009 V_102009 V_112009
Beta In ,106g ,050g ,042g -,109g -,018g -,104g -,061g ,067g ,065g -,017g ,015g ,001g ,041g -,034g ,113h ,046h ,037h -,075h -,085h -,072h ,059h ,063h -,017h ,015h -,001h ,040h -,032h ,031i -,005i -,027i -,074i -,061i ,064i ,050i -,022i ,012i ,001i ,059i -,036i ,039j ,004j -,044j -,082j ,052j ,033j -,033j ,028j -,001j ,067j -,039j
t 2,688 1,407 1,151 -3,048 -,448 -2,817 -1,609 1,814 1,822 -,412 ,367 ,013 ,916 -,935 2,880 1,312 1,030 -1,707 -2,266 -1,909 1,611 1,771 -,427 ,379 -,017 ,902 -,887 ,861 -,118 -,552 -1,985 -1,624 1,755 1,404 -,553 ,299 ,025 1,318 -,999 1,106 ,091 -,907 -2,114 1,398 ,886 -,822 ,674 -,017 1,486 -1,071
Excluded Variablesl
Sig. ,007 ,160 ,250 ,002 ,655 ,005 ,108 ,070 ,069 ,681 ,714 ,990 ,360 ,350 ,004 ,190 ,304 ,089 ,024 ,057 ,108 ,077 ,670 ,705 ,987 ,368 ,375 ,390 ,906 ,581 ,048 ,105 ,080 ,161 ,580 ,765 ,980 ,188 ,318 ,269 ,928 ,365 ,035 ,163 ,376 ,412 ,500 ,986 ,138 ,285
Partial Correlation ,121 ,064 ,052 -,137 -,020 -,127 -,073 ,082 ,083 -,019 ,017 ,001 ,042 -,042 ,130 ,060 ,047 -,077 -,103 -,087 ,073 ,080 -,019 ,017 -,001 ,041 -,040 ,039 -,005 -,025 -,090 -,074 ,080 ,064 -,025 ,014 ,001 ,060 -,046 ,050 ,004 -,041 -,096 ,064 ,040 -,037 ,031 -,001 ,068 -,049
Collinearity Statistics Tolerance ,792 ,992 ,950 ,965 ,739 ,916 ,862 ,912 ,967 ,780 ,751 ,864 ,614 ,931 ,790 ,991 ,948 ,637 ,879 ,854 ,908 ,967 ,780 ,751 ,864 ,614 ,930 ,965 ,798 ,524 ,870 ,845 ,906 ,949 ,779 ,751 ,864 ,602 ,929 ,951 ,789 ,508 ,805 ,871 ,875 ,765 ,726 ,863 ,598 ,928
Model 11
Beta In ,041k ,004k -,047k ,030k ,011k -,040k ,031k ,003k ,080k -,044k
v_15den_haag v_15rotterdam v_15overig v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 v_6m146_2009 V_102009 V_112009
t 1,165 ,104 -,962 ,752 ,274 -1,014 ,766 ,071 1,781 -1,209
v_6m146_2 009
Variables Removed
,
2
V20_2009
,
3
V_32009
,
4
V_22009
,
5
V18_2009
,
6
V_162009
,
Collinearity Statistics Tolerance ,950 ,789 ,508 ,778 ,797 ,760 ,724 ,862 ,588 ,925
b. Predictors in the Model: (Constant), V20_2009, V_22009 c. Predictors in the Model: (Constant), V20_2009, V_22009, V_32009 d. Predictors in the Model: (Constant), V20_2009, V_22009, V_32009, V18_2009 e. Predictors in the Model: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009 f. Predictors in the Model: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009 g. Predictors in the Model: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam h. Predictors in the Model: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht i. Predictors in the Model: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht j. Predictors in the Model: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht, v_17<1970 k. Predictors in the Model: (Constant), V20_2009, V_22009, V_32009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht, v_17<1970, v_171970-1979 l. Dependent Variable: IY2009
Regression initial yield leegstand 2009 MGW stepwise Warnings For models with dependent variable IY_leegstand2009, the following variables are constants or have missing correlations: V_13EGW. They will be deleted from the analysis.
Page 130
Variables Entered/Removeda Variables Entered
Partial Correlation ,053 ,005 -,044 ,034 ,013 -,046 ,035 ,003 ,081 -,055
a. Predictors in the Model: (Constant), V20_2009
Page 129
Model 1
Sig. ,245 ,917 ,337 ,452 ,784 ,311 ,444 ,944 ,076 ,227
Variables Entered/Removeda
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
Model 7
Variables Entered
Variables Removed
v_5m131_2 009
,
v_15amster dam
,
v_15utrecht
,
v_8erfpacht
,
v_17<1970
,
8
9
10
11
Method Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100). Stepwise (Criteria: Probability -of-F-to-en ter <= ,050, Probability -of-F-to-re move >= ,100).
a. Dependent Variable: IY_leegstand2009
Page 131
Page 132
ANOVAl
Model Summary
Model 1 2 3 4 5 6 7 8 9 10 11
R ,433a ,516b ,541c ,662d ,677e ,690f ,700g ,707h ,713i ,720j ,722k
R Square ,187 ,267 ,293 ,439 ,458 ,476 ,490 ,500 ,509 ,518 ,522
Adjusted R Square ,186 ,264 ,289 ,434 ,452 ,469 ,482 ,492 ,500 ,508 ,511
Std. Error of the Estimate *********** *********** *********** *********** *********** *********** *********** *********** *********** *********** ***********
Model 1
2
3
4
a. Predictors: (Constant), v_6m146_2009 5
b. Predictors: (Constant), v_6m146_2009, V20_2009 c. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009 d. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009
6
e. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009 f. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009 g. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009
7
h. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam i. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht j. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht
8
9
k. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht, v_17<1970 10
11
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Sum of Squares ,007 ,032 ,039 ,010 ,029 ,039 ,011 ,028 ,039 ,017 ,022 ,039 ,018 ,021 ,039 ,019 ,021 ,039 ,019 ,020 ,039 ,020 ,020 ,039 ,020 ,019 ,039 ,020 ,019 ,039 ,020 ,019 ,039
df 1 490 491 2 489 491 3 488 491 4 487 491 5 486 491 6 485 491 7 484 491 8 483 491 9 482 491 10 481 491 11 480 491
Mean Square ,007 ,000
F 112,955
Sig. ,000a
,005 ,000
88,924
,000b
,004 ,000
67,386
,000c
,004 ,000
95,128
,000d
,004 ,000
82,089
,000e
,003 ,000
73,363
,000f
,003 ,000
66,338
,000g
,002 ,000
60,376
,000h
,002 ,000
55,520
,000i
,002 ,000
51,655
,000j
,002 ,000
47,606
,000k
a. Predictors: (Constant), v_6m146_2009 b. Predictors: (Constant), v_6m146_2009, V20_2009 c. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009 d. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009 e. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009 f. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009 g. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009 h. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam i. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht j. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht k. Predictors: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht, v_17<1970 l. Dependent Variable: IY_leegstand2009
Page 133
Page 134
Coefficientsa
Model 1 2
3
4
5
6
7
8
(Constant) v_6m146_2009 (Constant) v_6m146_2009 V20_2009 (Constant) v_6m146_2009 V20_2009 V_32009 (Constant) v_6m146_2009 V20_2009 V_32009 V_22009 (Constant) v_6m146_2009 V20_2009 V_32009 V_22009 V18_2009 (Constant) v_6m146_2009 V20_2009 V_32009 V_22009 V18_2009 V_162009 (Constant) v_6m146_2009 V20_2009 V_32009 V_22009 V18_2009 V_162009 v_5m131_2009 (Constant) v_6m146_2009 V20_2009 V_32009 V_22009 V18_2009 V_162009 v_5m131_2009 v_15amsterdam
Unstandardized Coefficients B Std. Error 5,271E-02 ,000 4,634E-04 ,000 6,140E-02 ,001 4,690E-04 ,000 -4,040E-06 ,000 5,957E-02 ,001 4,360E-04 ,000 -5,497E-06 ,000 7,167E-06 ,000 7,549E-02 ,002 5,051E-04 ,000 -7,700E-06 ,000 2,352E-05 ,000 -2,559E-04 ,000 9,354E-02 ,005 5,291E-04 ,000 -8,548E-06 ,000 2,773E-05 ,000 -2,807E-04 ,000 -2,218E-04 ,000 ,101 ,005 5,604E-04 ,000 -9,659E-06 ,000 2,949E-05 ,000 -2,992E-04 ,000 -2,776E-04 ,000 -3,292E-03 ,001 9,880E-02 ,005 5,767E-04 ,000 -9,651E-06 ,000 2,939E-05 ,000 -2,894E-04 ,000 -2,725E-04 ,000 -3,438E-03 ,001 1,785E-05 ,000 9,844E-02 ,005 5,809E-04 ,000 -9,315E-06 ,000 3,069E-05 ,000 -2,954E-04 ,000 -2,804E-04 ,000 -3,377E-03 ,001 1,864E-05 ,000 -4,358E-03 ,001
Coefficientsa Standardized Coefficients Beta ,433 ,438 -,282 ,407 -,383 ,194 ,472 -,537 ,636 -,554 ,494 -,596 ,750 -,607 -,158 ,523 -,674 ,798 -,648 -,198 -,152 ,539 -,673 ,795 -,626 -,194 -,158 ,121 ,543 -,650 ,830 -,639 -,200 -,156 ,127 -,111
t 122,567 10,628 48,645 11,310 -7,275 45,372 10,507 -8,530 4,254 41,089 13,463 -12,680 11,245 -11,243 19,865 14,163 -13,540 12,089 -12,112 -4,152 20,229 14,917 -14,232 12,828 -12,864 -5,108 -4,071 19,816 15,429 -14,397 12,942 -12,511 -5,076 -4,299 3,627 19,923 15,676 -13,848 13,417 -12,845 -5,265 -4,260 3,818 -3,163
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,002
Model 9
10
11
(Constant) v_6m146_2009 V20_2009 V_32009 V_22009 V18_2009 V_162009 v_5m131_2009 v_15amsterdam v_15utrecht (Constant) v_6m146_2009 V20_2009 V_32009 V_22009 V18_2009 V_162009 v_5m131_2009 v_15amsterdam v_15utrecht v_8erfpacht (Constant) v_6m146_2009 V20_2009 V_32009 V_22009 V18_2009 V_162009 v_5m131_2009 v_15amsterdam v_15utrecht v_8erfpacht v_17<1970
Unstandardized Coefficients B Std. Error 9,904E-02 ,005 5,799E-04 ,000 -9,233E-06 ,000 3,062E-05 ,000 -2,994E-04 ,000 -2,828E-04 ,000 -3,099E-03 ,001 1,712E-05 ,000 -4,459E-03 ,001 -5,828E-03 ,002 9,917E-02 ,005 5,814E-04 ,000 -9,363E-06 ,000 3,124E-05 ,000 -3,027E-04 ,000 -2,847E-04 ,000 -3,139E-03 ,001 1,588E-05 ,000 -6,336E-03 ,001 -6,131E-03 ,002 2,923E-03 ,001 ,101 ,005 5,799E-04 ,000 -9,445E-06 ,000 3,110E-05 ,000 -3,042E-04 ,000 -2,980E-04 ,000 -3,022E-03 ,001 1,459E-05 ,000 -6,041E-03 ,001 -5,317E-03 ,002 2,714E-03 ,001 -1,797E-03 ,001
Standardized Coefficients Beta ,542 -,644 ,828 -,648 -,201 -,143 ,116 -,114 -,097 ,543 -,653 ,845 -,655 -,203 -,145 ,108 -,162 -,102 ,106 ,542 -,659 ,841 -,658 -,212 -,139 ,099 -,154 -,088 ,098 -,067
t 20,188 15,773 -13,825 13,495 -13,099 -5,352 -3,913 3,516 -3,261 -2,972 20,378 15,941 -14,102 13,820 -13,337 -5,432 -3,996 3,275 -4,233 -3,148 2,965 20,471 15,944 -14,241 13,794 -13,435 -5,657 -3,847 2,992 -4,029 -2,679 2,746 -1,988
Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,003 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,000 ,002 ,003 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,003 ,000 ,008 ,006 ,047
a. Dependent Variable: IY_leegstand2009 Excluded Variablesl
Model 1
Page 135
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000
Beta In -,001a -,127a ,041a ,040a -,098a ,060a -,079a ,057a ,131a -,029a -,070a
t -,014 -3,144 1,011 ,992 -2,407 1,483 -1,942 1,403 3,226 -,715 -1,631
Sig. ,989 ,002 ,313 ,322 ,016 ,139 ,053 ,161 ,001 ,475 ,103
Partial Correlation -,001 -,141 ,046 ,045 -,108 ,067 -,087 ,063 ,144 -,032 -,074
Collinearity Statistics Tolerance 1,000 ,997 1,000 1,000 1,000 ,999 ,999 1,000 ,988 ,975 ,907
Page 136
Excluded Variablesl
Model 1
2
3
V_22009 V20_2009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 V_32009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_22009 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 V_102009 V_112009
Beta In -,207a -,282a ,042a ,064a -,013a ,093a ,156a ,140a -,073a ,046b -,032b ,050b ,044b -,102b -,001b -,115b -,012b ,091b ,008b ,013b -,169b ,029b -,050b ,194b ,021b ,145b ,052b -,088b ,049c -,064c ,046c ,040c -,091c ,015c -,098c ,009c ,118c ,004c -,046c -,554c -,039c -,047c ,092c ,166c ,158c -,058c
t -5,056 -7,275 1,019 1,555 -,306 2,244 3,827 3,405 -1,788 1,168 -,771 1,287 1,125 -2,662 -,032 -2,971 -,305 2,318 ,206 ,310 -4,248 ,744 -1,179 4,254 ,510 3,753 1,252 -2,248 1,279 -1,543 1,199 1,045 -2,388 ,377 -2,546 ,221 3,045 ,100 -1,061 -11,243 -,942 -1,142 2,158 4,342 3,516 -1,487
Excluded Variablesl
Sig. ,000 ,000 ,309 ,121 ,759 ,025 ,000 ,001 ,074 ,244 ,441 ,199 ,261 ,008 ,975 ,003 ,760 ,021 ,837 ,756 ,000 ,457 ,239 ,000 ,610 ,000 ,211 ,025 ,202 ,123 ,231 ,297 ,017 ,706 ,011 ,825 ,002 ,921 ,289 ,000 ,347 ,254 ,031 ,000 ,000 ,138
Partial Correlation -,223 -,313 ,046 ,070 -,014 ,101 ,171 ,152 -,081 ,053 -,035 ,058 ,051 -,120 -,001 -,133 -,014 ,104 ,009 ,014 -,189 ,034 -,053 ,189 ,023 ,167 ,057 -,101 ,058 -,070 ,054 ,047 -,108 ,017 -,115 ,010 ,137 ,005 -,048 -,454 -,043 -,052 ,097 ,193 ,157 -,067
Collinearity Statistics Tolerance ,939 1,000 ,970 ,984 ,972 ,964 ,974 ,965 ,981 ,974 ,874 ,999 1,000 1,000 ,952 ,984 ,941 ,967 ,958 ,838 ,920 ,968 ,846 ,697 ,901 ,972 ,864 ,979 ,974 ,848 ,998 ,999 ,994 ,943 ,971 ,926 ,945 ,957 ,757 ,475 ,826 ,846 ,790 ,960 ,699 ,943
Model 4
5
6
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V18_2009 V_162009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 V_162009 v_4m117_2009 v_5m131_2009 V_102009 V_112009 v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 v_5m131_2009 V_102009 V_112009
Beta In ,047d -,099d ,051d ,035d -,113d ,042d -,103d -,034d ,073d ,038d ,001d -,158d -,104d ,062d ,120d ,043d -,019d ,044e -,108e ,049e ,042e -,119e ,045e -,127e -,052e ,081e ,052e ,009e -,152e ,031e ,114e ,006e -,009e ,049f -,104f ,049f ,062f -,106f ,024f -,116f -,029f ,074f ,049f -,012f ,029f ,121f ,013f -,015f
t 1,376 -2,704 1,504 1,016 -3,359 1,203 -3,013 -,947 2,077 1,080 ,023 -4,152 -2,806 1,628 3,465 1,020 -,534 1,309 -2,994 1,464 1,265 -3,594 1,301 -3,758 -1,487 2,351 1,525 ,241 -4,071 ,801 3,356 ,134 -,267 1,481 -2,931 1,505 1,882 -3,202 ,709 -3,461 -,825 2,170 1,446 -,299 ,759 3,627 ,320 -,450
Sig. ,170 ,007 ,133 ,310 ,001 ,229 ,003 ,344 ,038 ,281 ,982 ,000 ,005 ,104 ,001 ,308 ,594 ,191 ,003 ,144 ,206 ,000 ,194 ,000 ,138 ,019 ,128 ,810 ,000 ,424 ,001 ,894 ,789 ,139 ,004 ,133 ,060 ,001 ,479 ,001 ,410 ,031 ,149 ,765 ,448 ,000 ,749 ,653
Partial Correlation ,062 -,122 ,068 ,046 -,151 ,055 -,135 -,043 ,094 ,049 ,001 -,185 -,126 ,074 ,155 ,046 -,024 ,059 -,135 ,066 ,057 -,161 ,059 -,168 -,067 ,106 ,069 ,011 -,182 ,036 ,151 ,006 -,012 ,067 -,132 ,068 ,085 -,144 ,032 -,155 -,037 ,098 ,066 -,014 ,034 ,163 ,015 -,020
Collinearity Statistics Tolerance ,974 ,842 ,998 ,999 ,991 ,938 ,971 ,916 ,932 ,950 ,748 ,772 ,831 ,786 ,946 ,653 ,933 ,973 ,840 ,997 ,996 ,989 ,938 ,949 ,902 ,929 ,941 ,746 ,778 ,752 ,944 ,621 ,929 ,972 ,839 ,997 ,976 ,977 ,916 ,942 ,876 ,926 ,940 ,733 ,752 ,942 ,620 ,927
Page 137
Page 138
Excluded Variablesl
Model 7
8
9
10
v_8erfpacht v_15amsterdam v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009 v_8erfpacht v_15den_haag v_15rotterdam v_15utrecht v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009 v_8erfpacht v_15den_haag v_15rotterdam v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009 v_15den_haag v_15rotterdam v_15overig v_17<1970 v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009
Beta In ,038g -,111g ,050g ,047g -,094g ,034g -,099g -,047g ,059g ,060g -,014g ,028g ,017g -,025g ,100h ,042h ,038h -,097h -,015h -,094h -,047h ,060h ,064h -,026h ,019h ,033h -,028h ,106i ,039i ,034i -,065i -,077i -,057i ,053i ,062i -,026i ,019i ,032i -,026i ,024j -,005j -,019j -,067j -,047j ,058j ,049j -,032j ,016j ,050j -,030j
t 1,158 -3,163 1,526 1,425 -2,863 ,996 -2,955 -1,339 1,746 1,792 -,369 ,757 ,418 -,728 2,778 1,303 1,152 -2,972 -,412 -2,814 -1,366 1,793 1,923 -,693 ,505 ,801 -,841 2,965 1,208 1,033 -1,637 -2,278 -1,653 1,593 1,867 -,702 ,516 ,785 -,796 ,742 -,151 -,437 -1,988 -1,359 1,744 1,491 -,852 ,437 1,215 -,907
Excluded Variablesl
Sig. ,247 ,002 ,128 ,155 ,004 ,320 ,003 ,181 ,081 ,074 ,712 ,450 ,676 ,467 ,006 ,193 ,250 ,003 ,680 ,005 ,173 ,074 ,055 ,489 ,614 ,423 ,401 ,003 ,228 ,302 ,102 ,023 ,099 ,112 ,063 ,483 ,606 ,433 ,426 ,458 ,880 ,662 ,047 ,175 ,082 ,137 ,394 ,662 ,225 ,365
Partial Correlation ,053 -,142 ,069 ,065 -,129 ,045 -,133 -,061 ,079 ,081 -,017 ,034 ,019 -,033 ,126 ,059 ,052 -,134 -,019 -,127 -,062 ,081 ,087 -,032 ,023 ,036 -,038 ,134 ,055 ,047 -,074 -,103 -,075 ,072 ,085 -,032 ,024 ,036 -,036 ,034 -,007 -,020 -,090 -,062 ,079 ,068 -,039 ,020 ,055 -,041
Collinearity Statistics Tolerance ,963 ,837 ,997 ,958 ,966 ,911 ,918 ,860 ,911 ,933 ,732 ,752 ,620 ,922 ,792 ,992 ,950 ,965 ,738 ,916 ,860 ,911 ,932 ,725 ,746 ,611 ,921 ,790 ,990 ,948 ,637 ,879 ,853 ,906 ,931 ,725 ,746 ,611 ,921 ,964 ,798 ,524 ,869 ,843 ,904 ,914 ,723 ,746 ,599 ,919
Model 11
v_15den_haag v_15rotterdam v_15overig v_171970-1979 v_171980-1989 v_171990-1999 v_17>2000 v_4m117_2009 V_102009 V_112009
Beta In ,032k ,002k -,035k -,065k ,047k ,033k -,042k ,030k ,056k -,032k
t ,986 ,058 -,790 -1,839 1,384 ,959 -1,123 ,814 1,380 -,983
Sig. ,325 ,954 ,430 ,067 ,167 ,338 ,262 ,416 ,168 ,326
Partial Correlation ,045 ,003 -,036 -,084 ,063 ,044 -,051 ,037 ,063 -,045
Collinearity Statistics Tolerance ,951 ,789 ,508 ,804 ,870 ,837 ,711 ,721 ,596 ,918
a. Predictors in the Model: (Constant), v_6m146_2009 b. Predictors in the Model: (Constant), v_6m146_2009, V20_2009 c. Predictors in the Model: (Constant), v_6m146_2009, V20_2009, V_32009 d. Predictors in the Model: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009 e. Predictors in the Model: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009 f. Predictors in the Model: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009 g. Predictors in the Model: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009 h. Predictors in the Model: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam i. Predictors in the Model: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht j. Predictors in the Model: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht k. Predictors in the Model: (Constant), v_6m146_2009, V20_2009, V_32009, V_22009, V18_2009, V_162009, v_5m131_2009, v_15amsterdam, v_15utrecht, v_8erfpacht, v_17<1970 l. Dependent Variable: IY_leegstand2009
Page 139
Page 140
Correlations
I Correlations data 2009
IY_leegstand2009
IY2009
V20_2009
V19_2009
V18_2009
v_17<1970
v_171970-1979
v_171980-1989
v_171990-1999
v_17>2000
V_162009
v_15amsterdam
v_15den_haag
v_15rotterdam
v_15utrecht
v_15overig
V_13EGW
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
IY_leegsta nd2009 1 , 2388 ,866** ,000 2382 -,232** ,000 1466 -,397** ,000 1715 ,231** ,000 2258 -,235** ,000 2388 ,039 ,057 2388 ,030 ,148 2388 ,024 ,247 2388 ,095** ,000 2388 ,029 ,157 2388 -,061** ,003 2388 ,057** ,005 2388 ,094** ,000 2388 -,054** ,009 2388 ,a , 2040 -,272** ,000 2388
IY2009 V20_2009 V19_2009 V18_2009 ,866** -,232** -,397** ,231** ,000 ,000 ,000 ,000 2382 1466 1715 2258 1 -,266** -,433** ,179** , ,000 ,000 ,000 2387 1466 1717 2256 -,266** 1 ,695** -,078** ,000 , ,000 ,003 1466 1476 1476 1468 -,433** ,695** 1 -,116** ,000 ,000 , ,000 1717 1476 1727 1719 ,179** -,078** -,116** 1 ,000 ,003 ,000 , 2256 1468 1719 2267 -,238** ,055* ,067** -,301** ,000 ,034 ,005 ,000 2387 1476 1727 2267 ,069** -,262** -,230** -,100** ,001 ,000 ,000 ,000 2387 1476 1727 2267 ,093** -,200** -,144** ,012 ,000 ,000 ,000 ,570 2387 1476 1727 2267 ,077** ,199** ,109** ,055** ,000 ,000 ,000 ,008 2387 1476 1727 2267 -,038 ,216** ,225** ,241** ,064 ,000 ,000 ,000 2387 1476 1727 2267 -,025 -,307** -,265** -,200** ,230 ,000 ,000 ,000 2387 1476 1727 2267 -,097** ,294** ,216** -,004 ,000 ,000 ,000 ,834 2387 1476 1727 2267 ,039 ,063* ,073** ,056** ,059 ,015 ,002 ,008 2387 1476 1727 2267 ,091** ,056* -,004 ,040 ,000 ,031 ,858 ,055 2387 1476 1727 2267 -,068** ,129** ,102** -,059** ,001 ,000 ,000 ,005 2387 1476 1727 2267 ,a ,a ,a ,a , , , , 2040 1288 1531 1934 -,195** -,321** ,097** -,168** ,000 ,000 ,000 ,000 2387 1476 1727 2267
Page 1
Page 2
Correlations
V_14MGW
V_122009
V_112009
V_102009
v_6m146_2009
v_8erfpacht
v_5m131_2009
v_4m117_2009
V_32009
V_22009
V_12009
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
IY_leegsta nd2009 ,255** ,000 2388 ,050* ,014 2382 -,037 ,070 2382 -,021 ,315 2382 ,286** ,000 2388 ,048* ,019 2388 ,132** ,000 2388 -,159** ,000 2383 ,094** ,000 2382 -,208** ,000 1933 ,067** ,001 2382
Correlations
IY2009 V20_2009 V19_2009 V18_2009 ,207** ,316** -,086** ,145** ,000 ,000 ,000 ,000 2387 1476 1727 2267 -,062** ,276** ,462** ,221** ,003 ,000 ,000 ,000 2376 1468 1715 2258 ,031 -,132** -,159** -,025 ,129 ,000 ,000 ,226 2376 1468 1715 2258 ,040 -,188** -,375** -,240** ,050 ,000 ,000 ,000 2376 1468 1715 2258 -,188** ,010 ,014 ,135** ,000 ,713 ,551 ,000 2387 1476 1727 2267 ,026 ,181** ,081** -,010 ,211 ,000 ,001 ,644 2387 1476 1727 2267 ,167** ,046 -,118** ,043* ,000 ,080 ,000 ,039 2387 1469 1720 2267 -,159** -,118** ,043 -,074** ,000 ,000 ,074 ,000 2380 1476 1727 2266 ,097** ,420** ,652** ,296** ,000 ,000 ,000 ,000 2380 1468 1717 2256 -,233** -,186** ,414** -,043 ,000 ,000 ,000 ,065 1930 1213 1364 1811 -,066** ,418** ,682** ,231** ,001 ,000 ,000 ,000 2376 1468 1715 2258
IY_leegstand2009
IY2009
V20_2009
V19_2009
V18_2009
v_17<1970
v_171970-1979
v_171980-1989
v_171990-1999
v_17>2000
V_162009
v_15amsterdam
v_15den_haag
v_15rotterdam
v_15utrecht
v_15overig
V_13EGW
Page 3
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
v_17<1970 -,235** ,000 2388 -,238** ,000 2387 ,055* ,034 1476 ,067** ,005 1727 -,301** ,000 2267 1 , 4530 -,211** ,000 4530 -,305** ,000 4530 -,223** ,000 4530 -,168** ,000 4530 ,082** ,000 4530 ,052** ,000 4530 ,098** ,000 4530 ,070** ,000 4530 ,127** ,000 4530 ,a , 3850 -,130** ,000 4530
v_171970- v_171980- v_1719901979 1989 1999 v_17>2000 ,039 ,030 ,024 ,095** ,057 ,148 ,247 ,000 2388 2388 2388 2388 ,069** ,093** ,077** -,038 ,001 ,000 ,000 ,064 2387 2387 2387 2387 -,262** -,200** ,199** ,216** ,000 ,000 ,000 ,000 1476 1476 1476 1476 -,230** -,144** ,109** ,225** ,000 ,000 ,000 ,000 1727 1727 1727 1727 -,100** ,012 ,055** ,241** ,000 ,570 ,008 ,000 2267 2267 2267 2267 -,211** -,305** -,223** -,168** ,000 ,000 ,000 ,000 4530 4530 4530 4530 1 -,317** -,232** -,175** , ,000 ,000 ,000 4530 4530 4530 4530 -,317** 1 -,335** -,253** ,000 , ,000 ,000 4530 4530 4530 4530 -,232** -,335** 1 -,185** ,000 ,000 , ,000 4530 4530 4530 4530 -,175** -,253** -,185** 1 ,000 ,000 ,000 , 4530 4530 4530 4530 ,103** ,048** -,104** -,143** ,000 ,001 ,000 ,000 4530 4530 4530 4530 -,078** -,120** ,117** ,053** ,000 ,000 ,000 ,000 4530 4530 4530 4530 -,043** -,127** -,028 ,141** ,004 ,000 ,056 ,000 4530 4530 4530 4530 -,048** -,043** ,025 -,004 ,001 ,004 ,090 ,775 4530 4530 4530 4530 -,022 -,107** -,039** ,085** ,134 ,000 ,009 ,000 4530 4530 4530 4530 ,a ,a ,a ,a , , , , 3850 3850 3850 3850 ,078** ,243** -,108** -,147** ,000 ,000 ,000 ,000 4530 4530 4530 4530
Page 4
Correlations
V_14MGW
V_122009
V_112009
V_102009
v_6m146_2009
v_8erfpacht
v_5m131_2009
v_4m117_2009
V_32009
V_22009
V_12009
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
v_17<1970 ,145** ,000 4530 -,128** ,000 2390 -,059** ,004 2390 ,214** ,000 2390 -,009 ,562 4516 ,010 ,488 4530 -,133** ,000 2419 ,205** ,000 3207 -,148** ,000 2387 -,020 ,386 1946 -,081** ,000 2390
Correlations
v_171970- v_171980- v_1719901979 1989 1999 v_17>2000 -,075** -,215** ,122** ,088** ,000 ,000 ,000 ,000 4530 4530 4530 4530 -,181** -,155** ,080** ,320** ,000 ,000 ,000 ,000 2390 2390 2390 2390 ,031 ,099** ,064** -,148** ,129 ,000 ,002 ,000 2390 2390 2390 2390 ,182** ,080** -,162** -,224** ,000 ,000 ,000 ,000 2390 2390 2390 2390 -,052** -,062** -,046** ,209** ,001 ,000 ,002 ,000 4516 4516 4516 4516 -,107** -,068** ,104** ,088** ,000 ,000 ,000 ,000 4530 4530 4530 4530 ,150** ,021 ,000 -,026 ,000 ,301 ,989 ,197 2419 2419 2419 2419 ,042* -,032 -,072** -,109** ,018 ,068 ,000 ,000 3207 3207 3207 3207 -,164** -,168** ,069** ,363** ,000 ,000 ,001 ,000 2387 2387 2387 2387 ,018 -,020 -,075** ,092** ,440 ,389 ,001 ,000 1946 1946 1946 1946 -,168** -,194** ,013 ,394** ,000 ,000 ,520 ,000 2390 2390 2390 2390
IY_leegstand2009
IY2009
V20_2009
V19_2009
V18_2009
v_17<1970
v_171970-1979
v_171980-1989
v_171990-1999
v_17>2000
V_162009
v_15amsterdam
v_15den_haag
v_15rotterdam
v_15utrecht
v_15overig
V_13EGW
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
V_162009 ,029 ,157 2388 -,025 ,230 2387 -,307** ,000 1476 -,265** ,000 1727 -,200** ,000 2267 ,082** ,000 4530 ,103** ,000 4530 ,048** ,001 4530 -,104** ,000 4530 -,143** ,000 4530 1 , 4530 -,053** ,000 4530 -,001 ,944 4530 ,010 ,480 4530 ,014 ,360 4530 ,a , 3850 ,108** ,000 4530
v_15amst v_15den_ v_15rotter erdam haag dam v_15utrecht -,061** ,057** ,094** -,054** ,003 ,005 ,000 ,009 2388 2388 2388 2388 -,097** ,039 ,091** -,068** ,000 ,059 ,000 ,001 2387 2387 2387 2387 ,294** ,063* ,056* ,129** ,000 ,015 ,031 ,000 1476 1476 1476 1476 ,216** ,073** -,004 ,102** ,000 ,002 ,858 ,000 1727 1727 1727 1727 -,004 ,056** ,040 -,059** ,834 ,008 ,055 ,005 2267 2267 2267 2267 ,052** ,098** ,070** ,127** ,000 ,000 ,000 ,000 4530 4530 4530 4530 -,078** -,043** -,048** -,022 ,000 ,004 ,001 ,134 4530 4530 4530 4530 -,120** -,127** -,043** -,107** ,000 ,000 ,004 ,000 4530 4530 4530 4530 ,117** -,028 ,025 -,039** ,000 ,056 ,090 ,009 4530 4530 4530 4530 ,053** ,141** -,004 ,085** ,000 ,000 ,775 ,000 4530 4530 4530 4530 -,053** -,001 ,010 ,014 ,000 ,944 ,480 ,360 4530 4530 4530 4530 1 -,047** -,043** -,035* , ,002 ,003 ,017 4530 4530 4530 4530 -,047** 1 -,041** -,033* ,002 , ,006 ,026 4530 4530 4530 4530 -,043** -,041** 1 -,031* ,003 ,006 , ,038 4530 4530 4530 4530 -,035* -,033* -,031* 1 ,017 ,026 ,038 , 4530 4530 4530 4530 ,a ,a ,a ,a , , , , 3850 3850 3850 3850 -,157** -,139** -,140** -,048** ,000 ,000 ,000 ,001 4530 4530 4530 4530
Page 5
Page 6
Correlations
V_14MGW
V_122009
V_112009
V_102009
v_6m146_2009
v_8erfpacht
v_5m131_2009
v_4m117_2009
V_32009
V_22009
V_12009
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
V_162009 -,084** ,000 4530 -,094** ,000 2390 ,008 ,712 2390 ,104** ,000 2390 ,019 ,197 4516 -,023 ,126 4530 -,029 ,149 2419 ,072** ,000 3207 -,112** ,000 2387 ,009 ,682 1946 -,070** ,001 2390
Correlations
v_15amst v_15den_ v_15rotter erdam haag dam v_15utrecht ,155** ,133** ,129** ,039** ,000 ,000 ,000 ,009 4530 4530 4530 4530 ,155** ,080** ,044* ,050* ,000 ,000 ,031 ,014 2390 2390 2390 2390 -,096** -,021 -,040 -,053** ,000 ,316 ,051 ,010 2390 2390 2390 2390 -,083** -,073** -,011 -,004 ,000 ,000 ,606 ,827 2390 2390 2390 2390 ,032* ,012 ,008 ,053** ,029 ,404 ,605 ,000 4516 4516 4516 4516 ,557** ,123** ,215** ,067** ,000 ,000 ,000 ,000 4530 4530 4530 4530 ,147** ,057** ,156** -,026 ,000 ,005 ,000 ,199 2419 2419 2419 2419 -,037* -,012 ,024 ,028 ,035 ,504 ,178 ,112 3207 3207 3207 3207 ,259** ,107** ,055** ,026 ,000 ,000 ,007 ,212 2387 2387 2387 2387 -,021 ,001 -,041 ,013 ,360 ,982 ,069 ,555 1946 1946 1946 1946 ,293** ,095** ,056** ,092** ,000 ,000 ,006 ,000 2390 2390 2390 2390
IY_leegstand2009
IY2009
V20_2009
V19_2009
V18_2009
v_17<1970
v_171970-1979
v_171980-1989
v_171990-1999
v_17>2000
V_162009
v_15amsterdam
v_15den_haag
v_15rotterdam
v_15utrecht
v_15overig
V_13EGW
Page 7
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
v_15overig ,a , 2040 ,a , 2040 ,a , 1288 ,a , 1531 ,a , 1934 ,a , 3850 ,a , 3850 ,a , 3850 ,a , 3850 ,a , 3850 ,a , 3850 ,a , 3850 ,a , 3850 ,a , 3850 ,a , 3850 ,a , 3850 ,a , 3850
V_13EGW V_14MGW V_122009 V_112009 -,272** ,255** ,050* -,037 ,000 ,000 ,014 ,070 2388 2388 2382 2382 -,195** ,207** -,062** ,031 ,000 ,000 ,003 ,129 2387 2387 2376 2376 -,321** ,316** ,276** -,132** ,000 ,000 ,000 ,000 1476 1476 1468 1468 ,097** -,086** ,462** -,159** ,000 ,000 ,000 ,000 1727 1727 1715 1715 -,168** ,145** ,221** -,025 ,000 ,000 ,000 ,226 2267 2267 2258 2258 -,130** ,145** -,128** -,059** ,000 ,000 ,000 ,004 4530 4530 2390 2390 ,078** -,075** -,181** ,031 ,000 ,000 ,000 ,129 4530 4530 2390 2390 ,243** -,215** -,155** ,099** ,000 ,000 ,000 ,000 4530 4530 2390 2390 -,108** ,122** ,080** ,064** ,000 ,000 ,000 ,002 4530 4530 2390 2390 -,147** ,088** ,320** -,148** ,000 ,000 ,000 ,000 4530 4530 2390 2390 ,108** -,084** -,094** ,008 ,000 ,000 ,000 ,712 4530 4530 2390 2390 -,157** ,155** ,155** -,096** ,000 ,000 ,000 ,000 4530 4530 2390 2390 -,139** ,133** ,080** -,021 ,000 ,000 ,000 ,316 4530 4530 2390 2390 -,140** ,129** ,044* -,040 ,000 ,000 ,031 ,051 4530 4530 2390 2390 -,048** ,039** ,050* -,053** ,001 ,009 ,014 ,010 4530 4530 2390 2390 ,a ,a ,a ,a , , , , 3850 3850 2041 2041 1 -,949** -,008 ,106** , ,000 ,695 ,000 4530 4530 2390 2390
Page 8
Correlations
V_14MGW
V_122009
V_112009
V_102009
v_6m146_2009
v_8erfpacht
v_5m131_2009
v_4m117_2009
V_32009
V_22009
V_12009
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
v_15overig ,a , 3850 ,a , 2041 ,a , 2041 ,a , 2041 ,a , 3839 ,a , 3850 ,a , 2063 ,a , 2688 ,a , 2038 ,a , 1630 ,a , 2041
Correlations
V_13EGW V_14MGW V_122009 V_112009 -,949** 1 -,013 -,084** ,000 , ,535 ,000 4530 4530 2390 2390 -,008 -,013 1 -,604** ,695 ,535 , ,000 2390 2390 2390 2390 ,106** -,084** -,604** 1 ,000 ,000 ,000 , 2390 2390 2390 2390 -,102** ,103** -,553** -,330** ,000 ,000 ,000 ,000 2390 2390 2390 2390 -,066** ,014 ,184** -,119** ,000 ,334 ,000 ,000 4516 4516 2390 2390 -,155** ,170** ,145** -,061** ,000 ,000 ,000 ,003 4530 4530 2390 2390 -,145** ,158** -,035 ,016 ,000 ,000 ,091 ,421 2419 2419 2390 2390 -,001 ,012 -,156** ,002 ,950 ,510 ,000 ,906 3207 3207 2384 2384 -,090** ,091** ,577** -,187** ,000 ,000 ,000 ,000 2387 2387 2383 2383 ,483** -,485** ,335** -,019 ,000 ,000 ,000 ,393 1946 1946 1939 1939 -,121** ,096** ,624** -,217** ,000 ,000 ,000 ,000 2390 2390 2390 2390
IY_leegstand2009
IY2009
V20_2009
V19_2009
V18_2009
v_17<1970
v_171970-1979
v_171980-1989
v_171990-1999
v_17>2000
V_162009
v_15amsterdam
v_15den_haag
v_15rotterdam
v_15utrecht
v_15overig
V_13EGW
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
V_102009 -,021 ,315 2382 ,040 ,050 2376 -,188** ,000 1468 -,375** ,000 1715 -,240** ,000 2258 ,214** ,000 2390 ,182** ,000 2390 ,080** ,000 2390 -,162** ,000 2390 -,224** ,000 2390 ,104** ,000 2390 -,083** ,000 2390 -,073** ,000 2390 -,011 ,606 2390 -,004 ,827 2390 ,a , 2041 -,102** ,000 2390
v_6m146_ v_5m131_ v_4m117_ 2009 2009 2009 v_8erfpacht ,286** ,048* ,132** -,159** ,000 ,019 ,000 ,000 2388 2388 2388 2383 -,188** ,026 ,167** -,159** ,000 ,211 ,000 ,000 2387 2387 2387 2380 ,010 ,181** ,046 -,118** ,713 ,000 ,080 ,000 1476 1476 1469 1476 ,014 ,081** -,118** ,043 ,551 ,001 ,000 ,074 1727 1727 1720 1727 ,135** -,010 ,043* -,074** ,000 ,644 ,039 ,000 2267 2267 2267 2266 -,009 ,010 -,133** ,205** ,562 ,488 ,000 ,000 4516 4530 2419 3207 -,052** -,107** ,150** ,042* ,001 ,000 ,000 ,018 4516 4530 2419 3207 -,062** -,068** ,021 -,032 ,000 ,000 ,301 ,068 4516 4530 2419 3207 -,046** ,104** ,000 -,072** ,002 ,000 ,989 ,000 4516 4530 2419 3207 ,209** ,088** -,026 -,109** ,000 ,000 ,197 ,000 4516 4530 2419 3207 ,019 -,023 -,029 ,072** ,197 ,126 ,149 ,000 4516 4530 2419 3207 ,032* ,557** ,147** -,037* ,029 ,000 ,000 ,035 4516 4530 2419 3207 ,012 ,123** ,057** -,012 ,404 ,000 ,005 ,504 4516 4530 2419 3207 ,008 ,215** ,156** ,024 ,605 ,000 ,000 ,178 4516 4530 2419 3207 ,053** ,067** -,026 ,028 ,000 ,000 ,199 ,112 4516 4530 2419 3207 ,a ,a ,a ,a , , , , 3839 3850 2063 2688 -,066** -,155** -,145** -,001 ,000 ,000 ,000 ,950 4516 4530 2419 3207
Page 9
Page 10
Correlations
V_14MGW
V_122009
V_112009
V_102009
v_6m146_2009
v_8erfpacht
v_5m131_2009
v_4m117_2009
V_32009
V_22009
V_12009
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
V_102009 ,103** ,000 2390 -,553** ,000 2390 -,330** ,000 2390 1 , 2390 -,093** ,000 2390 -,108** ,000 2390 ,024 ,246 2390 ,182** ,000 2384 -,488** ,000 2383 -,375** ,000 1939 -,511** ,000 2390
Correlations
v_6m146_ v_5m131_ v_4m117_ 2009 2009 2009 v_8erfpacht ,014 ,170** ,158** ,012 ,334 ,000 ,000 ,510 4516 4530 2419 3207 ,184** ,145** -,035 -,156** ,000 ,000 ,091 ,000 2390 2390 2390 2384 -,119** -,061** ,016 ,002 ,000 ,003 ,421 ,906 2390 2390 2390 2384 -,093** -,108** ,024 ,182** ,000 ,000 ,246 ,000 2390 2390 2390 2384 1 ,044** -,066** -,045* , ,003 ,001 ,012 4516 4516 2419 3204 ,044** 1 ,203** -,014 ,003 , ,000 ,439 4516 4530 2419 3207 -,066** ,203** 1 -,033 ,001 ,000 , ,110 2419 2419 2419 2393 -,045* -,014 -,033 1 ,012 ,439 ,110 , 3204 3207 2393 3207 -,046* ,152** -,007 -,171** ,024 ,000 ,737 ,000 2387 2387 2387 2382 ,027 -,054* -,162** -,191** ,241 ,018 ,000 ,000 1946 1946 1946 1938 ,212** ,176** -,036 -,162** ,000 ,000 ,081 ,000 2390 2390 2390 2384
IY_leegstand2009
IY2009
V20_2009
V19_2009
V18_2009
v_17<1970
v_171970-1979
v_171980-1989
v_171990-1999
v_17>2000
V_162009
v_15amsterdam
v_15den_haag
v_15rotterdam
v_15utrecht
v_15overig
V_13EGW
Page 11
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
V_32009 V_22009 V_12009 ,094** -,208** ,067** ,000 ,000 ,001 2382 1933 2382 ,097** -,233** -,066** ,000 ,000 ,001 2380 1930 2376 ,420** -,186** ,418** ,000 ,000 ,000 1468 1213 1468 ,652** ,414** ,682** ,000 ,000 ,000 1717 1364 1715 ,296** -,043 ,231** ,000 ,065 ,000 2256 1811 2258 -,148** -,020 -,081** ,000 ,386 ,000 2387 1946 2390 -,164** ,018 -,168** ,000 ,440 ,000 2387 1946 2390 -,168** -,020 -,194** ,000 ,389 ,000 2387 1946 2390 ,069** -,075** ,013 ,001 ,001 ,520 2387 1946 2390 ,363** ,092** ,394** ,000 ,000 ,000 2387 1946 2390 -,112** ,009 -,070** ,000 ,682 ,001 2387 1946 2390 ,259** -,021 ,293** ,000 ,360 ,000 2387 1946 2390 ,107** ,001 ,095** ,000 ,982 ,000 2387 1946 2390 ,055** -,041 ,056** ,007 ,069 ,006 2387 1946 2390 ,026 ,013 ,092** ,212 ,555 ,000 2387 1946 2390 ,a ,a ,a , , , 2038 1630 2041 -,090** ,483** -,121** ,000 ,000 ,000 2387 1946 2390
Page 12
Correlations
V_14MGW
V_122009
V_112009
V_102009
v_6m146_2009
v_8erfpacht
v_5m131_2009
v_4m117_2009
V_32009
V_22009
V_12009
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
V_32009 V_22009 V_12009 ,091** -,485** ,096** ,000 ,000 ,000 2387 1946 2390 ,577** ,335** ,624** ,000 ,000 ,000 2383 1939 2390 -,187** -,019 -,217** ,000 ,393 ,000 2383 1939 2390 -,488** -,375** -,511** ,000 ,000 ,000 2383 1939 2390 -,046* ,027 ,212** ,024 ,241 ,000 2387 1946 2390 ,152** -,054* ,176** ,000 ,018 ,000 2387 1946 2390 -,007 -,162** -,036 ,737 ,000 ,081 2387 1946 2390 -,171** -,191** -,162** ,000 ,000 ,000 2382 1938 2384 1 ,414** ,884** , ,000 ,000 2387 1936 2383 ,414** 1 ,424** ,000 , ,000 1936 1946 1939 ,884** ,424** 1 ,000 ,000 , 2383 1939 2390
**. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed). a. Cannot be computed because at least one of the variables is constant.
3 III Regression 2006 initial yield Warnings For models with dependent variable IY2006, the following variables are constants or have missing correlations: V_162006, v_15den_haag, v_15utrecht. They will be deleted from the analysis.
Page 13