De determinanten van grondprijsvoorspellingen

De determinanten van grondprijsvoorspellingen Onderzoek naar de invloed van locatie eigenschappen op de grondprijs

COLOFON Datum Amsterdam, augustus 2015

Naam D. (Daan) C. Berghmans Student nummer 0809566

Master Architecture, Building & Planning, Faculteit Bouwkunde Mastertrack Real Estate Management & Development

Voor de titel Master of Science (MSc)

1e begeleider prof.dr. T.A. (Theo) Arentze, TU Eindhoven (voorzitter) 2e begeleider dr.ir. H.A.J.A. (Rianne) Appel – Meulenbroek, TU Eindhoven 3e begeleider P.J.J. (Paul) Smolenaers MSc, DTZ Zadelhoff

Universiteit Technische Universiteit Eindhoven Den Dolech 2 5600 MB Eindhoven In samenwerking met DTZ Zadelhoff Parnassusweg 803 1082 LZ Amsterdam

VOORWOORD Het rapport dat voor u ligt is het resultaat van een zes maanden durende afstudeerperiode bij DTZ Zadelhoff. Daarnaast is het de afsluiting van de studie Real Estate Management & Development aan de Technische Universiteit Eindhoven. Naast het schrijven van mijn onderzoeksrapport ben ik reeds zes maanden bezig mijn kennis in de praktijk tot uiting te brengen als stagiair bij DTZ Zadelhoff. Door de bevindingen en inzichten van het onderzoek hoop ik meer inzicht te schaffen in de invloed van diverse factoren op de grondprijs. Ik hoop hiermee een bijdrage te kunnen leveren aan toekomstige ontwikkelingen voor rekenmodellen ten behoeve van het voorspellen van de grondwaarde. Als laatste hoop ik de interesse te hebben gewekt voor verdere studie naar grondtransacties, ten einde de invloed van locatie eigenschappen op de grondprijs verder in kaart te brengen. Graag wil ik Peter van der Waerden bedanken voor het aanleveren van de benodigde data en software. Dit heeft mij veel geholpen tijdens het onderzoekstraject. Daarnaast wil ik graag van de mogelijkheid gebruik maken om Paul Smolenaers en Robert Kat te bedanken voor hun inzet tijdens mijn stageperiode. Ten slotte bedank ik uiteraard mijn afstudeerbegeleiders Theo Arentze en Rianne Appel-Meulenbroek voor hun begeleiding. Ik wens u veel leesplezier.

Daan Berghmans

Amsterdam, augustus 2015.

SAMENVATTING PROBLEEMDEFINITIE De Groot et al. (2010) benoemden grondprijzen als: “grondprijzen zijn een reflectie van de kwaliteit van de omgeving – de publieke voorzieningen en de concentratie van kennis en banen – en zijn een ideaal vertrekpunt voor de waardering van investeringen daarin.” (p.14). Anno 2015 wordt de grondprijs bepaald door een methode, waarbij de grondprijs niet vanuit de kwaliteit van de omgeving wordt benaderd, maar vanuit de kwaliteit van het te realiseren object. Deze methode wordt ook wel de residuele grondwaarde methode genoemd, waarbij de waarde van de grond wordt afgeleid van de opbrengsten en kosten van de bestemming die daarop wordt gerealiseerd, waarbij de residuele waarde het verschil is tussen de VON-prijs (vrij op naam prijs) en de bouwkosten, gehanteerd in de meest ruime zin (Ten Have, 2000). Het Ministerie van VROM (2011) heeft aangegeven dat alle gemeenten geacht worden gebruik te maken van deze methode om zo de beoogde kwaliteit van de berekende grondwaarden te kunnen waarborgen. Hoewel de methode dus veelvuldig wordt toegepast kan er worden getwijfeld over de kwaliteit. Zo kan er worden gesuggereerd dat wanneer er rekening wordt gehouden met de stichtingskosten, deze niet gelijk zijn voor iedere situatie. Tevens betreft de residuele grondwaarde methode de highest en best use. Indien er meerdere bestemmingen toegestaan zijn op een perceel grond zal ten tijden van het bepalen van de grondwaarde worden uitgegaan van de maximale toekomstige waarde, al dan niet in combinatie met een voorgeschreven gebruik. Dit kan resulteren in een afwijkende grondwaarde ten opzichte van de grondprijs. Een mogelijkheid om de grondprijs te benaderen is door de kwaliteit van de omgeving. Locatiefactoren gaan een steeds grotere rol spelen bij de keuzes van bedrijven, om zich te gaan vestigen op locaties, waarbij deze factoren optimaal zijn. Dit zal direct resulteren in een verandering van de grondprijzen op deze locaties. Zo stelde CBS (2011) dat 700.000 nieuwe burgers zich zullen vestigen in de G4 (Amsterdam, Rotterdam, Utrecht en Den Haag) tot 2025. Een groot aandeel van deze nieuwe bewoners zal bestaan uit jong professionals. Dit zal volgens het CBS (2011) resulteren in een groei van bedrijvigheid in de G4, vanwege de steeds groter wordende arbeidsmarkt. De keuzen van de bedrijven om zich te gaan vestigen op specifieke locaties binnen de G4 is deels afhankelijk van de diverse locatie eigenschappen. Ten Have (2000) maakte onderscheid tussen fysieke en sociale locatiefactoren en voegde hier economische en politieke factoren aan toe om de gehele grondprijs te benaderen. Voorheen zijn er diverse onderzoeken gedaan naar de invloed van locatie eigenschappen waarbij een groot aantal locatievariabelen zijn meegenomen. Zover bekend is het onderzoek van Nichols et al. (2010) het enige onderzoek welke de invloed ten opzichte van de grondtransacties onderzocht. Echter is dit onderzoek niet specifiek voor de kantorenmarkt en werd er een beperkt aantal verklarende variabelen meegenomen. Zo worden er geen sociale locatiefactoren meegenomen voor het verklaren van de grondprijs en worden ook politieke factoren achterwegen gelaten. Dit is dan ook de gap in de bestaande wetenschappelijke literatuur. Het doel van dit onderzoek kan worden verwoord als: “Het vinden van de relevante locatie eigenschappen en het onderzoeken in welke mate deze eigenschappen invloed uitoefenen op de grondprijzen.”

Het onderzoek richt zich op de G4 omdat er wordt verwacht dat hier de meeste grondtransacties hebben plaatsgevonden voor de bestemming kantoren en de diverse locatie eigenschappen hier het best waarneembaar zijn. Om onderhavig onderzoeksdoel te verwezenlijken is de onderstaande hoofdvraag opgesteld: Hoofdvraag

“In welke mate hebben de locatie eigenschappen, bestaande uit fysieke en sociale locatiefactoren, aangevuld door economische en politieke factoren, invloed op grondprijzen van kantoorpanden gelegen in de G4?”

THEORETISCHE UITEENZETTING De overdracht van grond, waarbij een grondprijs aan ten grondslag ligt, ontstaat wanneer het eigendomsrecht wordt verhandeld tussen twee partijen. Het eigendomsrecht kan worden uitgegeven in volledig eigendom of de grond wordt uitgegeven door de gemeente in de vorm van erfpacht. Hierbij blijft de gemeente bloot eigenaar maar zal het recht tot gebruik van de grond worden uitgegeven tegen de vergoeding in de vorm van een canon. Hoewel de literatuur verschilt over de totstandkoming van de grondprijs, kan er worden verondersteld dat de grondprijs wordt bepaald doordat zowel de aankopende als verkopende partij de waarde (worth) bepaald. Indien deze waarde is vastgesteld zullen fysieke, sociale, economische en politieke factoren de marktwaarde bepalen. Aansluitend zullen er onderhandelingen plaatsvinden waar de marktwaarde aan ten grondslag ligt. Dit zal uiteindelijk resulteren in de grondprijs. De grondprijs is tijdens dit onderzoek benaderd door middel van de agglomeratietheorie, ontwikkeld door Gleaser (2011). Deze theorie beschouwt een agglomeratie als de voordelen voor zowel het bedrijf als de medewerkers indien deze gevestigd zijn in een cluster en omvat veelal fysieke en sociale locatievoordelen. Daarnaast benoemde Gleaser (2011) het begrip agglomeratie economieën, waarmee de economische voordelen worden bedoeld welke haalbaar zijn binnen een grootschalige agglomeratie. Tevens zijn politieke factoren meegenomen vanwege het argument dat de gemeente een grote invloed kan uitoefenen op de kwaliteit van een agglomeratie met behulp van besturingsmiddellen zoals het bestemmingsplan en het verlenen van vergunningen (Vehoeven, 2013). Deze theorie benadert ook de al eerder benoemde stelling van Ten Have (2000) waarbij hij de kwaliteit van een locatie onderverdeelde in de fysieke, sociale, economische en politieke kwaliteiten van een locatie. De bijbehorende relevante variabelen voor deze factoren uit de literatuur zijn terug te vinden in het conceptueel model.

Sociale locatie eigenschappen Clustergrootte FIRE Clustergrootte NON-FIRE Aantal kantoren in cluster FAR % eengezinswoningen in cluster % meergezinswoningen in cluster % winkels in cluster % kantoren in cluster % industrie in cluster Locatie eigenschappen Fysieke locatie eigenschappen Afstand tot snelweg af-oprit Afstand tot treinstation Kwaliteit van treinstation Afstand tot bushalte Aantal cultuur/ontspanning Aantal detailhandel Aantal horecagelegenheden Aantal sportfaciliteiten Landschapsarchitectuur

Beroepsbevolking Grondprijs

Werkloosheidspercentage Kantoorbanen Voorraad Aanbod

Economische factoren

Leegstandspercentage A/O ratio Bruto binnenlands product Langetermijnrente Constructiekosten Inflatie

Erfpacht Afkoop erfpacht Bouwvergunningen Figuur 0.1 Conceptueel model.

Politieke factoren

METHODE & DATA Voor dit onderzoek is gebruik gemaakt van een aselecte steekproef, bestaande uit 296 grondtransacties. Deze grondtransacties zijn afkomstig uit diverse aktes, opgevraagd bij het kadaster. De grondtransacties hebben betrekking op de gemeenten Amsterdam, Rotterdam, Utrecht en Den Haag en hebben plaatsgevonden in de periode 2000 t/m 2014. Voor de onafhankelijke variabelen is veelal data gebruikt, afkomstig van BagViewer, CBS en DTZ Zadelhoff. Tijdens dit onderzoek is gebruik gemaakt van de hedonische prijs methode. De hedonische prijs methode is een vorm van een multipele regressieanalyse en bepaalt het relatieve belang van iedere factor ten opzichte van de impliciete waarde (hedonische prijs). Omdat de onafhankelijke variabelen zijn gemeten op verschillende schaalniveaus kan er sprake zijn van ruimtelijke autocorrelatie. Om de resultaten van het onderzoek te corrigeren voor dit verschijnsel, zijn er twee verschillende multipele regressie analyses uitgevoerd, te benoemen als de OLS methode en de multi-level methode. De OLS methode gebruikt dummy-variabelen om ruimtelijke autocorrelatie aan te tonen terwijl de multi-level methode rekening houdt met de verschillende hiërarchische niveaus, te benoemen als het gemeentelijk niveau en het perceel niveau. In de onderstaande formules (0.1; OLS methode, 0.2; multi-level methode) zijn de twee methoden weergegeven zoals ze zijn toegepast binnen het onderzoek. 𝑥1𝑜 𝑀−1 𝑋−1 𝑥2𝑜 . [ ] 𝑦𝑜 = 𝛽0 + 𝛽1 , 𝛽2 , … . 𝛽𝑛 .. + ∑ 𝜇𝑔 𝛼𝑔𝑜 + ∑ 𝜑𝑡 𝜗𝑡𝑜 + 𝜀 [𝑥𝑛𝑜 ]

𝑔=1

(0.1)

𝑡=1

Waarbij 𝑦𝑜 de transactieprijs van het perceel o betreft en 𝑋𝑛𝑜 de onafhankelijke variabele met de daarbij behorende partiële regressiecoëfficiënten, weergegeven als 𝛽𝑛 . 𝛽0 betreft de constante en de error term is weergegeven als 𝜀. De gemeentedummy is weergegeven als 𝛼𝑔𝑜 . De coëfficiënt van de dummy 𝛼𝑔𝑜 is weergeven als 𝜇𝑔 . De tijdsdummy is weergegeven als 𝜗𝑡𝑜 . De coëfficiënt van de dummy 𝜗𝑡𝑜 is weergegeven als 𝜑𝑡 .

𝑦𝑜𝑔

𝑥1𝑜 𝑋−1 𝑥2𝑜 . [ ] = 𝛽0 + 𝛽1 , 𝛽2 , … . 𝛽𝑛 .. + ∑ 𝜑𝑡 𝜗𝑡𝑜 + 𝛼𝑔 + 𝜀𝑔 + 𝜀 [𝑥𝑛𝑜 ]

(0.2)

𝑡=1

Bij de multi-level methode worden de gemeentelijke dummy-variabelen vervangen door een constante, weergegeven als 𝛼𝑔 met de daarbij behorende random error term 𝜀𝑔 .

STATISTISCHE ANALYSE Voordat de multipele regressie analyse kon worden uitgevoerd, moest mogelijke aanwezige multicollineariteit worden verwijderd uit de dataset. Door gebruik te maken van de Pearson-correlatie matrix is zichtbaar gemaakt dat er verschillende correlaties aanwezig waren tussen de onafhankelijke variabelen. Dit heeft geresulteerd in het weglaten van de variabelen “kantoorbanen” en “aanbod”. Tevens zijn de variabelen “aantal winkels” en “aantal horecagelegenheden” getransformeerd in de variabele

“verkooppunten”. Afsluitend was er een eerste indicatie zichtbaar van ruimtelijke autocorrelatie voor de variabelen “beroepsbevolking” en “voorraad”. Voor de OLS methode zijn deze dan ook uit het model gehaald. Echter, omdat de multi-level analyse rekening houdt met de hiërarchische structuur werden de variabelen hierbij wel meegenomen. Verschillende variabelen moesten logaritmisch worden getransformeerd zodat de aanwezige Outliers uit de dataset werden verwijderd. De Outliers, welke aanwezig waren bij de variabele “FAR” (floor area ratio), zijn gelijk gesteld aan 2,0 gelet op het feit dat alléén logaritmisch transformeren niet voldoende was. Tevens waren er Outliers aanwezig bij de variabelen “%winkels in cluster” en “Aantal sportfaciliteiten”. Door de variabelen te vertalen in verschillende dummy-variabelen en een cut-off point toe te voegen zijn deze variabelen gecorrigeerd voor Outliers. De uitkomst van de OLS methode laat zien dat een beperkt aantal variabelen significant zijn. De OLS methode verklaart de grondtransactie voor 23,3%. Echter kan de betrouwbaarheid van het model in twijfel worden getrokken doordat er mogelijk ruimtelijke autocorrelatie aanwezig kan zijn. Wanneer de multi-level methode wordt toegepast moeten de dummy-variabelen, welke waren geïmplementeerd voor de transactiejaren, worden transformeert naar één variabele voor het transactiejaar, zodat het model niet redundant is. Het model heeft echter wel een verbeterde verklaringskracht ten opzichte van de OLS methode. Tijdens de multi-level methode is er onderzocht of er eventueel sprake was van multicollineariteit doordat de variabelen “voorraad” en “beroepsbevolking” weer waren toegelaten in het model. De correlatie matrix liet zien dat de variabele “voorraad” correleert met de variabele “transactiejaar”. Er is gekozen om de variabele “voorraad” definitief uit het model te verwijderen. Tevens zijn, door gebruik te maken van de top-down methode, de variabelen “opname” en “afstand tot het treinstation” verwijderd uit het model. Verdere ontsluiting van variabelen resulteerde in een niet significante verbetering van het verklarend model. Afsluitend is gebruik gemaakt van de hiërarchische analyse methode om de invloed van de factoren op de grondprijs te bepalen.

RESULTATEN Uit de analyse blijkt dat de grondprijs voor 31,4% kan worden verklaard. Een aanzienlijk groot gedeelte wordt verklaard door de samenstelling van de cluster en de clustergrootte. Met de samenstelling van de cluster wordt het percentage industrie in de cluster bedoeld en de aanwezigheid van winkels. Uit dit onderzoek komt naar voren dat enig complementair grondgebruik de grondprijs voor kantoren negatief beïnvloed. Afsluitend beïnvloeden de variabelen beroepsbevolking, constructiekosten, landschapsarchitectuur, sportfaciliteiten in een straal van 500 meter, aantal sportfaciliteiten, het transactiejaar en of de transactie heeft plaats gevonden in de gemeente Amsterdam de grondtransactie. Gelet op de onderzoeksvraag is ook de invloed van de diverse factoren op de grondtransactie bepaald. Zo is gebleken, door gebruik te maken van de hiërarchische analyse methode, dat de grondprijs voor 17,7% wordt bepaald door fysieke en sociale locatie eigenschappen, 3,8% is afkomstig van economische variabelen en de overige 9,9% kan worden verklaard doordat de transactie in een bepaalde gemeente of transactiejaar heeft plaatsgevonden.

CONCLUSIE De meest vooraanstaande bevinding tijdens dit onderzoek is dat kantoorlocaties met een hoge concentratie kantoren, resulteren in een hogere grondprijs. Beleggers kunnen van deze informatie gebruik maken om een schatting te maken van het verwachte risico en de ontwikkeling van de grondprijs. Daarnaast kunnen ontwikkelaars hier van gebruik maken voor het bepalen van de MKB analyse. Hoewel 31,4% van de grondprijs kan worden verklaard tijdens dit onderzoek kan er deels worden geconcludeerd dat de grondprijs een waardebegrip is, welk voor ieder individueel perceel verschilt en tot stand komt door onderhandse onderhandelingen tussen twee partijen. Dit is in overeenstemming met eerdere bevindingen uit de literatuur, welke stelden dat er altijd onderhandelingen ten grondslag liggen aan de grondtransactie. Hoewel deze studie deels de gerealiseerde grondprijs inzichtelijk heeft gemaakt kan helaas niet de gehele samenstelling van de grondprijs worden bepaald. Vervolgonderzoek zou kunnen worden gepleegd naar het onderzoeken van grondtransacties waarbij meer aandacht wordt geschonken aan de nauwkeurigheid van de data.

TABEL 6.8 COËFFICIENTEN MULTI-LEVEL METHODE Model 0

Model 4

OLS

0,314 -2844,932

0,223

-4147,042

AIC

4191,042

2934,932

3314,252

BIC

4272,230

3100,998

R² Loglik

Intercept Ln(Clustergrootte)

594,433

**

Ln(Aantal kantoren in cluster) Ln(%woningen in cluster) Ln(%kantoren in cluster) Ln(%industrie in cluster) Ln(Beroepsbevolking) Ln(Afstand tot snelweg op-afrit) Ln(Afstand tot treinstation) Ln(Afstand tot bushalte) Landschapsarchitectuur Ln(Verkooppunten) Ln(FAR) Winkels in cluster Hoeveelheid winkels in cluster Sportfaciliteiten Hoeveelheid sportfaciliteiten Werkloosheidspercentage Opname Voorraad leegstandspercentage AO BBP Langetermijnrente Constructiekosten Inflatie Erfpacht Ln(Bouwvergunningen) Transactiejaar 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Amsterdam Rotterdam Utrecht Den Haag ** P < 0,01, * P <0,05, b deze parameters zijn op 0 gezet omdat ze overbodig zijn.

632,982

*

368,703

61,529

**

54,705

** *

-29,269

**

-75,163

*

-124,210

*

109,885

**

195,392

**

109,885

*

**

-4,108 0,472 -13,129 -30,377 -0,272 -28,341 -8,049 -1,550 -3,514 1,474 -84,224 -46,389 147,232 -122,737

*

* ** **

-8,095

-27,784 50,426 7,261 -109,435 28,757 -16,743

*

-12,928 -30,092 -63,338

109,756 34,089 -18,243 0b

*

*

SUMMARY PROBLEM DEFINITION De Groot et al (2010) appointed land prices as:. "land prices are a reflection of the quality of the environment - the public facilities and the concentration of knowledge and jobs - and are an ideal starting point for valuation of investments in it." (P. 14). In 2015, the price of land is determined by a method which does not approach the price of land from the quality of the environment, but from the quality of the future realized building. This method is also called the residual land value method, whereby the value of the land is derived from the income and expenses of the designated use, whereby the residual value is the difference between the VON-price (deed cost) and the construction costs used in the broadest sense. The Ministry of VROM (2011) has indicated that all municipalities are expected to use this method in order to ensure the desired quality of the calculated land values. Although the method is frequently used, the quality of the outcome can be questioned. For example, it can be suggested that the construction costs are not the same for every situation. Also, the residual land value method concerns the highest and best use. If there are multiple destinations allowed on a parcel of land, the land value will be based on the maximum future value, whether or not in combination with a prescribed usage. This may result in a different land value with respect to the price of land. A possibility to approach the price of land is by the quality of the environment. Location factors are playing an increasing role in the choices of companies to settle in locations where these factors are optimal. This will directly result in a change in the price of land in these locations. CBS (2011) stated that 700,000 new citizens will settle in the G4 till 2025. A large proportion of these new residents will consist of young professionals. This will, according to the CBS (2011), result in growth of business activity in the G4, due to the increasing labor market. The choice of the companies to settle in specific locations within the G4 depends partly on the various location characteristics. Ten Have (2000) distinguished physical and social location factors and added economic and political factors to explain the entire land price. Previously, there have been several studies done on the influence of location characteristics in which a large number of location variables are included. As far as known, the research of Nichols et al. (2010) is the only study to focus on the influence of location characteristics with respect to ground transactions. However, this study is not specific to offices and takes a limited number of explanatory variables into account. For example, no social location factors were considered for explaining the price of land and political factors were are also excluded from the research. This is also the gap in the existing scientific literature. The goal of this research can thus be expressed as: "Finding the relevant location characteristics and investigate to what extent these characteristics influence land prices." The research is focused on the G4 (Amsterdam, Rotterdam, Utrecht and The Hague) because it is expected that most land transactions originate from this area and the various location characteristics are the most noticeable within the G4. To achieve the research goal the following main question is formulated:

Main question

"To which extent do location characteristics, including physical and social location factors, complemented by economic and political factors affect the future land prices of offices located in G4?"

THEORETICAL EXPOSITORY The transmission of land, at which a land price underlies, occurs when the property right is traded between two parties in which one of the parties obtains full ownership of the land. The second option relates to the issue in which the land is given by the municipality in the form of a freehold. Here, the municipality remains legal owner but the user will be entitled to use the land at the compensation in the form of an annual payment. Although the literature differs on the establishment of the land price, it can be assumed that the price of land is determined due to the fact that both the buying and selling party determine the value (worth). When this value is defined, physical, social, economic and political factors will determine the market value. Finally there will be held negotiations in which the market value is taken as starting value. This will ultimately result in the price of land. The price of land has been approached during this investigation through the agglomeration theory, developed by Gleaser (2011). This theory considers an agglomeration as the benefits for both the company and its employees and often includes physical and social factors. Gleaser (2011) also appointed the term, agglomeration economies, which means the economic benefits that are achievable within a large cluster. Political factors can also be included because of the argument that the municipality can exert a major influence on the quality of agglomeration using control means such as the zoning and licensing (Vehoeven, 2013). This theory also approximates the previously appointed theory of Ten Have (2000) in which he described the quality of a location as the physical, social, economic, and political qualities of a location. The related relevant variables to these factors can be found in the conceptual model.

Social location characteristics Clustersize FIRE Clustersize NON-FIRE number offices in cluster FAR % singel family dwellings in cluster % multifamily dwellings in cluster % retail in cluster % offices in cluster % industry in cluster Location characteristics

Physical location characteristics Distance freeway exit Distance trainstation

Quality trainstation Distance busstation Number culture/leisure Number retail Number hospitality Number sports facilities Landshapesarchitecture Workforce in cluster Groundprice

Unemployment rate Office jobs Stock Supply

Economic factors

Vacancy rate A/O ratio Gross domestic product Long-term interest Constructioncosts Inflation

Leasehold Buy off leasehold

Building permits

Figure 0.1 Conceptual model.

Political factors

METHOD & DATA This study used a random sampling consisting of 296 land transactions. These land transactions originate from various acts, requested from the Kadaster register. The land transactions relate to the municipalities Amsterdam, Rotterdam, Utrecht and The Hague and have taken place in the period 2000 until 2014. The independent variables data is mostly from BagViewer, CBS and DTZ Zadelhoff. This study used the hedonic price method. The hedonic price method is a multiple regression analysis and determines the relative importance of each factor with respect to the implicit value (hedonic price). Because the independent variables are measured on different scales, the dataset may contain spatial autocorrelation. To correct the results of the study of this phenomenon, two different multiple regression analyzes were conducted known as the OLS method and the multi-level method. The OLS method used dummy variables to show spatial autocorrelation while the multi-level method takes the different hierarchical levels into account. In the formulas below, the two methods are shown as they are applied in the research. 𝑥1𝑜 𝑀−1 𝑋−1 𝑥2𝑜 . [ ] 𝑦𝑜 = 𝛽0 + 𝛽1 , 𝛽2 , … . 𝛽𝑛 .. + ∑ 𝜇𝑔 𝛼𝑔𝑜 + ∑ 𝜑𝑡 𝜗𝑡𝑜 + 𝜀 [𝑥𝑛𝑜 ]

𝑔=1

(0.1)

𝑡=1

Where 𝑦𝑜 concerns the transaction price of the plot o and 𝑋𝑛𝑜 the independent variable with the corresponding partial regression coefficients, described as 𝛽𝑛 . The error term is represented as 𝜀. The municipality dummy is shown as 𝛼𝑔𝑜 . The coefficient of the dummy 𝛼𝑔𝑜 is described as 𝜇𝑔 . The time dummy is shown as 𝜗𝑡𝑜 . The coefficient of the dummy 𝜗𝑡𝑜 is described as 𝜑𝑡 .

𝑦𝑜𝑔

𝑥1𝑜 𝑋−1 𝑥2𝑜 . = 𝛽0 + [ 𝛽1 , 𝛽2 , … . 𝛽𝑛 ] . + ∑ 𝜑𝑡 𝜗𝑡𝑜 + 𝛼𝑔 + 𝜀𝑔 + 𝜀 . [𝑥𝑛𝑜 ]

(0.2)

𝑡=1

The multi-level method replaces the dummy variable with a intercept, displayed as 𝛼𝑔 with the corresponding random error term 𝜀𝑔 .

STATISTICAL ANALYSIS Before the multiple regression analysis could be conducted, existing potential multicollinearity had to be removed from the dataset. By making use of the Pearsoncorrelation matrix, it was made visible that there are different correlations present among the independent variables. This has resulted in the omission of the variables "office jobs" and "stock". Also, the variables "number of retail" and "number hangouts" where transformed into the variable "sales points". Finally, a first indication of spatial autocorrelation for the variables "work force" and "stock" could be made. These variables where removed from the model for the OLS method. However, because the multi-level analysis will take the hierarchical structure into account, the variables are herein incorporated.

Several variables were logarithmically transformed so that Outliers were excluded from the data. The Outliers, which were present in the variable "FAR", have been set equal to 2.0 in view of the fact that logarithmic transforming alone was not sufficient. Outliers were also present in the variables "% retail cluster" and "Number sports facilities." By translating these variables in different dummy variables and to add a cut-off point, these variables where corrected for Outliers. The outcome of the OLS method shows that a limited number of variables are significant. The OLS method has an explanatory power of 23.3% for the land transactions. However, the reliability of the model can be questioned because potential spatial autocorrelation can be present. When the multi-level method is used, preliminary findings indicate that there is no improvement over the OLS method. However, due to the transformation of the dummy variables, which were implemented for the transaction years, the model significantly improves. There is also examined whether there was any multicollinearity because the variables "stock" and "workforce" were allowed back into the model. The correlation matrix showed that the variable "stock" correlates with the variable "transaction year". It was decided to remove the variable "stock" from the final model. Furthermore, by making use of the top-down method, the variables "take" and "distance to the train station" where removed from the model. Further disclosure of variables resulted in no significant improvement in the explanatory model. Finally, the hierarchical analysis method is used to determine the influence of the factors on the land price.

RESULTS The analysis showed that the price of land can be explained for 31.4%. A significantly large part is explained by the composition of the cluster. The cluster size and the composition of the cluster have a significant influence on the land transaction within this research. The composition of the cluster refers to the percentage of industry in the cluster and the presence of retail. This study shows that any complementary designated use affected the price of land for offices. Finally, the variables labor, construction costs, landscaping, sports facilities within a radius of 500 meters of sports facilities, the transaction year and whether the transaction took place in the city of Amsterdam, influences the land transaction. Given the research question, the influence of the various factors on the land transaction are determined. By making use of the hierarchical analysis method, it has been found that the price of land is for 17.7% determined by physical and social location characteristics, 3.8% is derived from economic variables, and the remaining 9.9% can be explained because the transaction took place in a particular municipality or transaction year.

CONCLUSION The most prominent finding during this study is that office locations with a high concentration of offices, result in higher land prices. Investors can make use of this information in order to make an estimation of the expected risk and development of the price of land. In addition, developers can use this information for the determination of the MKB analysis. Although 31.4% of the land price can be explained during this study, it may be partly concluded that the land price is a value concept, which is different for each individual parcel and is created by private negotiation between two parties. This is in

agreement with previous findings in the literature, which have claimed that there are always underlying negotiations to determine a land transaction. Although this study partly realized an insight of the value of land, it can unfortunately not determine the entire composition of a land transaction. Future research could be committed to investigating land transactions with more attention being paid to the accuracy of the data.

TABLE 0.1 COEFFICIENTS OLS METHOD & MULTI-LEVEL METHOD Model 0

Model 4

OLS

0.314 -2844.932

0.223

-4147.042

AIC

4191.042

2934.932

3314.252

BIC

4272.230

3100.998

R² Loglik

Intercept Ln(Clustersize) Ln(Number offices in cluster) Ln(%dwellings in cluster) Ln(%offices in cluster) Ln(%industry in cluster) Ln(Workforce) Ln(Distance freeway exit) Ln(Distance trainstation) Ln(Distance busstation) Landscape architecture Ln(Sail points) Ln(FAR) Retail in cluster Number of retail in cluster Sports facilities Number of sports facilities

594.433

**

Unemployment rate Take Stock Vacancy rate A/O ratio Gross domestic product Long-term interest Constructioncosts Inflation Leasehold Ln(Building permits) Transaction year 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Amsterdam Rotterdam Utrecht The Hague ** P < 0,01, * P <0,05, b This parameter is set to zero because it is redundant

632.982 61.529 -4.108 0.472 -13.129 -30.377 -0.272 -28.341 -8.049 -1.550 -3.514 1.474 -84.224 -46.389 147.232 -122.737

* **

368.703 54.705

**

** *

-29.269

**

-75.163

*

-124.210

*

109.885

**

195.392

**

109.885

*

*

* ** **

-8.095

-27.784 50.426 7.261 -109.435 28.757 -16.743

*

-12.928 -30.092 -63.338

109,756 34,089 -18,243 0b

*

*

INHOUDSOPGAVE VOORWOORD .........................................................................................................

3

SAMENVATTING .....................................................................................................

4

SUMMARY .................................................................................................................

10

INHOUDSOPGAVE ..................................................................................................

16

1

PROBLEEMSTELLING ............................................................................................ 1.1 Inleiding ................................................................................................... 1.2 Onderzoeksdoel....................................................................................... 1.3 Onderzoeksvraag ..................................................................................... 1.4 Theoretische relevantie ........................................................................... 1.5 Praktische relevantie ............................................................................... 1.6 Project afbakening ................................................................................... 1.7 Onderzoeksmodel ................................................................................... 1.8 Leeswijzer ................................................................................................

20 21 24 24 24 25 25 26 26

2

GRONDPRIJS............................................................................................................. 2.1 Inleiding ................................................................................................... 2.2 Grondprijs vs grondwaarde ..................................................................... 2.3 Totstandkoming grondprijs...................................................................... 2.4 Onderhandelingskracht ........................................................................... 2.5 Getaxeerde grondwaarde........................................................................ 2.6 Conclusie .................................................................................................

28 29 29 30 32 33 35

3

LOCATIE THEORIEËN ........................................................................................... 3.1 Inleiding ................................................................................................... 3.2 Traditionele neoklassieke locatietheorie ................................................. 3.3 Cluster theorie ......................................................................................... 3.4 Agglomeratietheorie................................................................................ 3.5 Knooppunten theorie ..............................................................................

37 38 38 39 39 40

4

ONAFHANKELIJKE VARIABELEN ....................................................................... 3.1 Inleiding ................................................................................................... 3.2 Fysieke locatiefactoren ............................................................................ 3.3 Sociale locatiefactoren ............................................................................ 3.4 Economische factoren ............................................................................. 3.5 Politieke factoren .................................................................................... 3.6 Conceptueel model .................................................................................

41 42 42 44 46 47 48

5

METHODE & DATA ................................................................................................ 5.1 Inleiding ................................................................................................... 5.2 Methode .................................................................................................. 5.3 Hedonische prijs methode....................................................................... 5.4 Transactiedata .........................................................................................

50 51 51 53 57

5.5

Data onafhankelijke variabelen ...............................................................

58

6

STATISTISCHE ANALYSE ...................................................................................... 6.1 Inleiding ................................................................................................... 6.2 Beschrijvende statistiek ........................................................................... 6.3 De vier assumpties................................................................................... 6.4 OLS methode ........................................................................................... 6.5 Multilevel methode .................................................................................

60 61 61 72 75 78

7

CONCLUSIE & AANBEVELINGEN ....................................................................... 7.1 Inleiding ................................................................................................... 7.2 Conclusie ................................................................................................. 7.3 Aanbevelingen .........................................................................................

87 88 88 92

LITERATUUR ...........................................................................................................

94

BIJLAGE ..................................................................................................................... 1 Toelichting onafhankelijke variabelen ..................................................... 2 Pearson Correlatie ................................................................................... 3 Boxplots ................................................................................................... 4 Kurtosis & Skewniss ................................................................................. 5 Scatterplots ............................................................................................. 6 Breusch-Pegan test .................................................................................. 7 Coefficienten multilevel methode ...........................................................

99 101 104 108 111 112 115 116

20

1. PROBLEEMSTELLING 1.1 INLEIDING Een veel voorkomende gezegde binnen de kantorenmarkt is: “locatie, locatie, locatie”. Dit gezegde dateert uit 1930, waar het werd gebruikt om de grondwaardestijging van industriële steden te beschrijven (Guntermann & Thomas, 2005). Destijds werd de grondprijzenstijging mede verklaard door de ligging van het commercieel vastgoed ten opzichte van het centrale business district. Anno 2015 verdwijnen deze centrale business districten en zijn kleinere kantoorclusters een bekend fenomeen geworden binnen de Nederlandse kantorenmarkt. De G4 (Rotterdam, Amsterdam, Den Haag, Utrecht) is een voorbeeld van kantoorclusters, gevestigd in Nederland. Een verschuiving is dus waarneembaar van een monocentrische stad1 naar een polycentrische stad2 (Jennen & Brounen, 2009). De grondprijzen van polycentrische steden zijn niet zo voorspelbaar als monocentrische steden (Rodenburg et al., 2011). De grondprijs (transactieprijs) komt tot stand door onderhandelingen tussen de aankopende- en verkopende partij waarbij de grondwaarde aan ten grondslag ligt (Ten Have, 2000). Tegenwoordig wordt de grondwaarde vaak bepaald door middel van de residuele grondwaarde methode, waarbij de waarde van de grond wordt afgeleid van de opbrengsten en kosten van de bestemming die daarop wordt gerealiseerd, waarbij de residuele waarde het verschil is tussen de VON-prijs en de bouwkosten, gehanteerd in de meest ruime zin (Ten Have, 2000). De residuele grondwaarde methode is een vaak gebruikte methode door overheidsinstellingen. Zo is er in de nota grondbeleid van het Ministerie van VROM (2001) aangegeven dat alle gemeenten geacht worden om gebruik te maken van deze methode om zo de beoogde kwaliteit van de berekende grondwaarden te kunnen waarborgen (VROM, 2001). Hoewel de methode veelvuldig wordt toegepast kan er worden gediscussieerd over de kwaliteit. Zo kan er worden gedacht aan het verschil in stichtingskosten voor een perifere locatie ten opzichte van een locatie gelegen in een centrumgebied. Een tweede foutmarge, beschreven door Peiser (1985), suggereert dat de stichtingskosten afhankelijk kunnen zijn van onderhandse afspraken met ontwikkelaars en dat de transactieprijs van de grond inclusief opstal beïnvloed kan worden door architectonische voorkeuren of specifieke gebouwspecificaties. Tevens betreft de residuele grondwaarde methode de highest en best use. Indien er meerdere bestemmingen toegestaan zijn op een perceel grond zal ten tijden van het bepalen van de grondwaarde worden uitgegaan van de maximale toekomstige waarde, al dan niet in combinatie met een voorgeschreven gebruik. Dit kan resulteren in een afwijkende grondwaarde ten opzichte van de daadwerkelijke grondprijs. Geconcludeerd kan worden dat een generalisatie van deze methode zou kunnen resulteren in een onnauwkeurig waarde voor de grond.

1

Een monocentrische stad beschrijft het fenomeen dat kantoor gerelateerde activiteiten plaatsvinden in het centrale business district (CBD) 2 Een polocentrische stad beschrijft het fenomeen dat organisaties zich gaan vestigen in gebieden rondom financiële districten, verspreid door de stad. Daarnaast kan het gerelateerde begrip: polocentrisme, ontstaan wanneer kleinere steden groeien en samensmelten in één agglomeratie gebied.

21

Een andere grondwaarde methode in Nederland, betreft de NEN 8021 de vervanging van de Real Estate NORM (REN)3 uit 1992 (NNI, 2014). De NEN 8021 beoordeelt de waarde van de grond inclusief opstal vanuit de kwaliteit van het object en omgeving. Verblakt (2002) suggereerde dat zover bekend de REN de meest volledige en consistente indeling van kwaliteitsdimensies van kantoorlocaties hanteert. De REN kijkt naar de kwaliteit van de locatie en neemt dernaast ook de kwaliteit van de opstal mee in de beoordeling van een object. De verhouding die kan worden gehanteerd voor het bepalen van de grondwaarde inclusief opstal betreft 40 procent voor de grond en 60 procent voor de opstal. Verblakt (2002) geeft aan dat er een focus waarneembaar is op fysieke locatievariabelen, betreffende het bepalen van de grondwaarde waardoor de benadering van de grondwaarde als onnauwkeurig kan worden beschouwd. Een uitbreiding van de bestaande NEN 8021, waarbij de grondwaarde wordt bepaald vanuit de kwaliteit van de locatie, kan met de zogeheten “Meervoudige Regressie Analyse” (MRA). Volgens de Groot et al. (2000) is het belangrijk om de grondtransacties als uitgangspunt te nemen in plaats van de transactieprijzen inclusief opstal, vanwege de reden dat de grondtransactie informatie bevat over de diverse kenmerken van de omgeving en de waarde daarvan (de Groot et al., 2000, p.14). De MRA is een veel toegepaste methode binnen de literatuur voor het bepalen van de waarde. Davis & Heathcote (2007) en Davis & Palumbo (2008) onderzochten de invloed van locatie eigenschappen op basis van transactieprijzen, waarbij de residuele grondwaarde methode werd gebruikt om de grondprijs te benaderen. Nichols et al. (2010) suggereerde dat het onderzoek van Davis & Heathcote (2007) als onnauwkeurig kon worden beschouwd doordat er gebruik was gemaakt van de residuele grondwaarde methode. Ten Have (2000) benoemt een viertal factoren welke invloed uitoefenen op de uiteindelijk gerealiseerde grondprijs, te benoemen als de fysieke, sociale, economische en politieke factoren. Fysieke locatiefactoren hebben betrekking op de bereikbaarheid, de aantrekkingskracht van de beroepsbevolking en de voordelen van naastgelegen faciliteiten van een kantoorlocatie. Naast fysieke locatiefactoren deed Heilbrun (1987) ook een beroep op de door Ten Have (2000) later beschreven sociale locatiefactoren. Zo beschreef Heilbrun (1987) dat de grondprijs gebaseerd is op het aantal ‘face-to-face’ contacten die een werknemer heeft en dat deze zouden toenemen wanneer de afstand ten opzichte van het centrale business district afnam. Meer recente studies zijn gericht op het onderzoeken van de fysieke en sociale locatiefactoren als gevolg van agglomeratie voordelen. Jaffe et al. (1993) beschreef informatie-uitwisselingen als een groot voordeel. Daarnaast suggereerden Duranton & Puga (2003) voordelen zoals kennis spillovers en het delen van input. Storper & Venables (2004) en Amiti & Cameron (2007) onderzochten contractuele voordelen en relatie management. Als laatste benoemde Porter (1990) de invloed van cluster effecten op de productiviteit, het stimuleren van innovatie en het aantrekken van nieuwe bedrijven. Planbureau voor de Leefomgeving (2009) en Porter (1990) onthulden de toenemende verstedelijking en het belang van een onderzoek naar locatie eigenschappen die de prijzen van kantoren beïnvloeden.

3

REN staat voor Real Estate Norm. De REN is een methode voor de advisering over en beoordeling van kantoorlocaties en kantoorgebouwen (Venema, 2002, p. 11).

22

Fysieke en sociale locatiefactoren krijgen een steeds groter aandeel in de locatiekeuze voor bedrijven binnen de G4. Een prognose vanuit CBS (2011) concludeerde dat 700.000 nieuwe burgers zich zullen vestigen in de G4 tot 2025. Een groot aandeel van deze nieuwe bewoners zal bestaan uit jong professionals. Dit zal volgens het CBS (2011) een direct gevolg hebben op de groei van het aantal bedrijven, die zich graag in deze steden willen vestigen als gevolg van de toenemende arbeidsmarkt. Tevens beweerde Koster (2013) dat door sociale locatiefactoren de gemiddelde huur van kantoren zullen stijgen met 13,6 procent. Zelfs in een onstabiele markt als gevolg van de economische crisis, kunnen kantoorclusters in staat zijn om stabiele huurprijzen te hanteren of zelfs in het geval van de kantorenlocaties ArenaA en de Zuid as, licht te verhogen (NVM Business, 2014). Glaeser (2011) beschreef dat de fysieke en sociale locatie voordelen ontstaan in een grootschalige agglomeratie. Glaeser (2011) beschreef agglomeratie als volgt: “grote stedelijke clusters die zijn verbonden door continue bebouwde ontwikkelingen” (20). Verder beschreef hij ook het concept agglomeratie economie. Glaeser (2011) verklaarde dat dit de economische voordelen zijn die voortvloeien uit clustering van gebieden. Leijen (2014) beaamde dat de economische voordelen de transactieprijzen positief kunnen beïnvloeden. Leijen (2014) concludeerde in zijn onderzoek naar diverse factoren welke de huurprijzen van kantoren beïnvloeden dat naast directe omgevingskenmerken (hier benoemd als fysieke en sociale locatiefactoren), ook regio en nationale marktwerkingen van invloed zijn. Van der Zon (2014) stemde hier gedeeltelijk mee in en suggereerde dat economische factoren, welke betrekking hebben op de nationale en regionale markt, moeten als verklarende factor worden meegenomen. Zo beschouwde van der Zon (2014) de vraag en het aanbod van kantoorruimte binnen een gemeente als de belangrijkste prijsbepalende factor. Afsluitend benoemde Dijkstra (2013) politieke invloeden als mogelijke nationale en regionale factoren. Hierbij kan worden gedacht aan de invloed die erfpacht uitoefent op de waarde van de grond. De bovenstaande besproken wetenschappelijke literatuur heeft betrekking op drie groepen van onderzoeksonderwerpen. De eerste groep richt zich tot de huurdersmarkt en kijkt naar de mate waarin de locatie eigenschappen invloed uitoefenen op de huurprijs (Jenner & Brounen, 2009; Huynh, 2014; Planbureau voor de Leefomgeving, 2009; de Jong, 2011). De tweede groep richt zich tot de kopersmarkt en in welke mate de locatie eigenschappen invloed uitoefenen op kantorentransacties (Sohn & Moudon, 2008; Clapp, 1993; Koster, 2013; van der Zon, 2014). Ten slotte richt de laatste groep zich tot de kopersmarkt en onderzoekt de mate waarin locatiefactoren invloed uitoefenen op de grondprijs door gebruik te maken van de residuele grondwaarde methode (Davis & Heathcote, 2007; Davis & Palumbo, 2008; Huys, 2008). Er is echter beperkte literatuur beschikbaar die zich richt op de locatie eigenschappen en hoe deze de grondprijzen beïnvloeden. In zoverre bekend is het onderzoek van Nichols et al. (2010) het enige onderzoek dat de daadwerkelijke grondtransacties betrekt tot het onderzoek. Echter ontbreken relevante economische en politieke factoren als verklarende variabelen voor het bepalen van de grondprijs en wordt er weinig aandacht geschonken aan sociale factoren. Hierdoor kan de invloed van een agglomeratie, zoals besproken door Glaeser (2011) niet worden bepaald. Daarnaast wordt de grondprijs niet expliciet voor kantoren beschreven maar onderzocht van Nichols et al. (2010) de grondprijzen van commercieel vastgoed. Er kan dus worden geconcludeerd dat er een deficiëntie aanwezig is in de bestaande wetenschappelijke literatuur welke betrekking heeft op het onderzoeken van

23

de invloed van diverse factoren op de grondprijs. Een relevante aanvulling kan worden gegeven door onderzoek te verrichten welke betrekking heeft op de mate waarin de locatie eigenschappen, bestaande uit fysieke en sociale locatiefactoren, aangevuld door economische en politieke factoren, invloed hebben op de grondprijs van kantoorpanden gelegen in de G4. Dit is dan ook de gap in de huidige wetenschappelijke literatuur.

1.2 ONDERZOEKSDOEL Het doel van dit onderzoek is het vinden van de relevante locatie eigenschappen en het onderzoeken in welke mate deze eigenschappen invloed uitoefenen op de grondprijzen. De locatie eigenschappen zullen worden onderverdeeld in de door literatuur besproken fysieke en sociale locatiefactoren, aangevuld door economische en politieke factoren (Ten Have, 2000). Dit zodat de grondprijzen in een dermate manier kunnen worden verklaart dat de onverklaarde grondprijs minimaal is. De verschillende factoren zullen in de tijdsperiode van 2000 tot 2014 worden gemeten. Als uitgangspunt zullen alleen de grondtransacties worden meegenomen die betrekking hebben op de G4. Dit mede doordat de invloeden van de verschillende factoren hier het beste waarneembaar zijn (CBS, 2011).

1.3 ONDERZOEKSVRAAG Hoofdvraag

“In welke mate hebben de locatie eigenschappen, bestaande uit fysieke en sociale locatiefactoren, aangevuld door economische en politieke factoren, invloed op grondprijzen van kantoorpanden gelegen in de G4?”

Deelvraag 1 (DV1)

“Welke fysieke locatiefactoren hebben invloed op de grondprijs van kantoren gelegen in de G4?”

Deelvraag 2 (DV2)

“Welke sociale locatiefactoren hebben invloed op de grondprijs van kantoren gelegen in de G4?”

Deelvraag 3 (DV3)

“Welke economische factoren hebben invloed op de grondprijs van kantoren gelegen in de G4?”

Deelvraag 4 (DV4)

“Welke politieke factoren hebben invloed op de grondprijs van kantoren gelegen in de G4?”

1.4 THEORETISCHE RELEVANTIE Zoals eerder is aangegeven is er veelal geschreven over het effect van diverse locatiefactoren op de transactieprijs. Tevens nemen een aantal onderzoeken economische en politieke factoren op om zo de transactieprijs te verklaren. Echter is zover bekend het onderzoek van Nichols et al., (2010) het enige onderzoek welke de grondtransacties heeft onderzocht. Echter ontbreken relevante sociale, economische en politieke factoren in dit onderzoek. Derhalve kan er worden geconcludeerd dat er een gemis bestaat in de huidige wetenschappelijke literatuur. Om beter inzicht te krijgen welke locatiefactoren invloed uitoefenen op de grondtransactie en in welke mate deze locatiefactoren een reflectie zijn van agglomeraties, zoals benoemd door Gleaser (2011), zal dit onderzoek proberen gedetailleerd in kaart te brengen in welke mate de locatie eigenschappen, bestaande uit

24

fysieke en sociale locatie eigenschappen, aangevuld met economische en politieke factoren, invloed uitoefenen op grondtransacties.

1.5 PRAKTISCHE RELEVANTIE Zoals eerder is gesuggereerd, zal er een verstedelijking plaatsvinden in Nederland waardoor een urbanisatie effect zichtbaar zal zijn (CBS, 2011). De G4 is een voorbeeld van een clustering van snelgroeiende steden. Dit effect is van invloed op alle relevante vastgoedpartijen. Wanneer uit dit onderzoek naar voren zou komen dat de geselecteerde locatie eigenschappen een positieve invloed zouden uitoefenen op de grondprijs, kunnen vastgoedpartijen hier hun voordeel uithalen. Beleggers kunnen een beter onderbouwde beslissing maken over welke vastgoedobjecten aangekocht moeten worden. Deze beslissing kan worden gemaakt op de veronderstelling dat een object is gelegen in een gebied waarbij de benodigde investering het laagst mogelijke risico begaat. Dit is te wijten aan de aanwezige optimale locatie eigenschappen die zouden zorgen voor een stabiele grondprijs. Gemeenten zouden meer kennis kunnen vergaren betreffende de prijs waarmee de grond, door middel van erfpacht, kan worden verpacht. Op dit moment bepaalt een gemeente de grondprijs door gebruik te maken van de residuele grondwaarde methode, waarbij de grondwaarde fluctueert met de economische omstandigheden (Dijkstra, 2013). Dit onderzoek zou kunnen resulteren dat gemeenten de grondprijs kunnen evalueren door middel van de kwaliteit van een locatie en de grondwaarde te laten fluctueren aan de hand van verbeteringen of verslechteringen van deze locatie. Ten slotte kunnen projectontwikkelaars kennis vergaren over MKBA’s (maatschappelijke kosten baten analyse) wanneer nieuwe ontwikkelingen worden begroot. Deze studie identificeert welke effecten locatie eigenschappen hebben op de grondprijs en geeft mogelijk inzicht in enkele van de voordelen die de investeringen in deze locatie eigenschappen zouden kunnen genereren. De prijs effecten kunnen daarom worden gebruikt om de potentiële voordelen te bepalen die kunnen worden gegenereerd bij investeringen in een specifieke kantorenlocatie.

1.6 PROJECT AFBAKENING Een afbakening is noodzakelijk om het onderzoek te kunnen bewerkstellingen aangaande de gestelde kaders en te focussen op het gestelde doel. Tijdens de inleiding en het onderzoeksdoel is naar voren gekomen dat het onderzoek zich zal focussen op kantoorlocaties. De grondprijs kan echter voor meerdere bestemmingen worden bepaald maar vanuit het oogpunt dat de grondprijzen van de kantorenmarkt een onderbelicht onderwerp is, is gekozen voor deze bestemming. Daarnaast is er al eerder vastgesteld dat de grondtransacties van de periode 2000 tot 2014 zullen worden vergaard om vervolgens de invloed van de diverse factoren op de grondprijs te bepalen. Er is voor deze periode gekozen aangaande de veronderstelling dat de grondprijs mede door economische factoren wordt beïnvloed. In 2008 is de economische

25

crisis begonnen. Door gebruik te maken van deze tijdsperiode, zou de invloed van de crisis op de grondwaarde kunnen worden bepaald. Daarnaast is de benodigde data voor het meten van de diverse onafhankelijke variabelen beschikbaar vanaf 2000. Afsluitend heeft het onderzoek betrekking op een groot aantal onafhankelijke variabelen waardoor er een groot aantal onderzoekseenheden nodig zijn. Door gebruik te maken van een dermate grote tijdsperiode kunnen het maximaal aantal grondtransacties worden vergaard. Het onderzoek zal betrekking hebben op de G4, aangaande de eerder gestelde reden dat de diverse factoren hier het beste waarneembaar zijn. Een verdere verrijking van het onderzoek betreffende de regio of tijdsperiode zou in een eventueel vervolgonderzoek kunnen worden behandeld.

1.7 ONDERZOEKSMODEL De in dit onderzoek gebruikte verklarende variabelen zijn gegroepeerd volgens Figuur 1. Figuur 1 toont het onderzoeksmodel dat zal worden gebruikt tijdens dit onderzoek. De onafhankelijke factoren zijn locatie eigenschappen, bestaande uit fysieke en sociale locatiefactoren, aangevuld door economische en politieke factoren. Als afhankelijke variabele is de grondprijs gegeven. De onderzoekseenheden zijn grondtransacties in de G4 en zullen worden geïmplementeerd in het onderzoek om de invloed van de diverse onafhankelijke variabelen te analyseren gedurende de periode van 2000 tot 2014.

Fysieke factoren

Sociale factoren

Locatie eigenschappe n Economische factoren

Grondprijs

Politieke factoren

Figuur 1 Onderzoeksmodel.

1.8 LEESWIJZER Hoofdstuk 2 zal betrekking hebben op de theoretische uiteenzetting van grondprijs. In hoofdstuk 3 zal worden ingaan op de relevante locatietheorieën om vervolgens in hoofdstuk 4 de onafhankelijke variabelen, te benoemen als fysieke, sociale, economische en politieke factoren, te bepalen waardoor antwoord wordt geven op deelvragen 1, 2, 3 en 4. Hoofdstuk 5 zal betrekking hebben op de onderzoeksmethodiek en zal ingaan op de benodigde data en methoden. De statistische analyse zal worden uitgevoerd in hoofdstuk 6. Afsluitend zullen de resultaten van de analyse worden besproken in hoofdstuk 7 en zal

26

Literatuurstudie naar locatie eigenschappen -

Fysieke locatiefactoren Sociale locatiefactoren

Literatuurstudie naar politieke factoren

Hoofdstuk 7

Hoofdstuk 6

Hoofdstuk 5

Literatuurstudie naar economische factoren

Formuleren van onafhankelijke variabelen

Hoofdstuk 2

Literatuurstudie naar locatie theorieën

Hoofdstuk 4

Literatuurstudie naar grondprijzen

Hoofdstuk 3

daarmee de hoofdvraag van dit onderzoek worden beantwoord. Een volledig overzicht van het onderzoeksontwerp is weergegeven in figuur 2.

Methode & Data

Statistische analyse

Resultaten analyse

Conclusie

Figuur 2 Onderzoeksontwerp.

27

28

2. GRONDPRIJS 2.1 INLEIDING Tijdens hoofdstuk 2 zal de totstandkoming van de grondprijs worden behandeld. In paragraaf 2.2 zal worden ingaan op het begrip grondprijs en in welke mate deze zich verhoudt ten opzichte van de grondwaarde. Vervolgens zal het verschil tussen erfpacht en bloot eigendom inzichtelijk worden gemaakt in paragraaf 2.3 en in welke mate dit een relatie heeft met de totstandkoming van de grondprijs. Paragraaf 2.4 zal de onderhandelingskracht beschrijven, welke bijdraagt aan de uiteindelijk gerealiseerde transactieprijs. Paragraaf 2.5 zal meer inzicht geven hoe de grondwaarde wordt bepaald. Afsluitend zal in paragraaf 2.6 een conclusie worden gegeven welke grondwaardemethode toegepast zal worden binnen dit onderzoek.

2.2 GRONDPRIJS VS GRONDWAARDE De Groot et al. (2010) suggereert dat grondprijzen belangrijke informatie bevatten over de diverse kenmerken van de omgeving en de waarde daarvan. Zo zegt De Groot et al.: “Grondprijzen zijn een reflectie van de kwaliteit van de omgeving – de publieke voorzieningen en de concentratie van kennis en banen – en zijn een ideaal vertrekpunt voor de waardering van investeringen daarin.” (de Groot et al., 2010, p.14). Ten Have (2000) beschrijft de grondprijs als: “De som geld die in een individuele transactie wordt betaald voor een goed” (5). Vervolgens zegt Ten Have (2000) dat de grondprijs tot stand komt door vraag en aanbod, waarbij de grondwaarde aan ten grondslag ligt. De grondwaarde betreft de hypothetische waarde en wordt beschreven als de meest waarschijnlijke prijs waarvoor een onroerende zaak van eigenaar wisselt tussen een willige koper en een willige verkoper op de dag van de waardering, na beste voorbereidingen en bijbehorende marketing, waarbij ieder van de partijen de beschikking heeft gehad over alle relevante actuele informatie en weloverwogen en zonder enige drang handelt (Ten Have, 2000, p.9). De grondwaarde wordt in de praktijk gelijk gesteld aan de getaxeerde waarde welke tot stand komt in een open marktsituatie gegeven de fysieke, economische, sociale en/of politieke kwaliteit van dat object. RICS Red Book (2014) maakt ook onderscheid tussen het begrip marktwaarde (value) en marktprijs (price). Daarnaast wordt ook het begrip waarde (worth) als derde component beschreven. De waarde (worth) is de minimale waarde waartegen een verkopende partij de grond wil verkopen of de maximale waarde waarvoor een aankopende partij de grond wil aankopen (RICS Red Book, 2014, p.11). De samenhang tussen deze begrippen kan als volgt worden gedefinieerd: Zowel de aankopende partij als de verkopende partij heeft een eigen perceptie voor welke waarde zij het perceel willen aankopen of verkopen. Deze waarde kan gelijk worden gesteld aan de maximale of minimale grondwaarde en kan worden beschouwd als de waarde (worth). Het verschil tussen de waarden (worths) vanuit de twee partijen komt voort uit het verschil in visie of strategie. De marktwaarde (value) is de onafhankelijke visie van de waarde en wordt grotendeels beïnvloed door fysieke, economische, sociale en/of politieke factoren. In de praktijk wordt er over het algemeen één marktwaarde bepaald welke als uitgangspunt wordt genomen door beide partijen. Echter vanuit een theoretisch kader is het mogelijk dat beide partijen afzonderlijk een marktwaarde bepalen. Deze waarden

29

kunnen van elkaar verschillen. Dit verschil kan ontstaan door bijvoorbeeld de uitgangpunten die door de taxateur wordt gehanteerd. Vanwege de volledigheid van het onderzoek zal er daarom worden uitgegaan dat er sprake is van twee marktwaarden. Afsluitend komt de grondprijs (lees: transactieprijs) tot stand door onderhandelingen tussen de aankopende en verkopende partij waarbij de marktwaarde ten grondslag ligt. Figuur 2.1 geeft een illustratie van de totstandkoming van de transactieprijs. De keuze om in tijden van dit onderzoek de invloed van diverse factoren op de grondprijs te bepalen en niet op de grondwaarde vloeit voort uit de reden dat de grondwaarden niet openbaar bekend worden gemaakt. Echter zijn de grondprijzen wel vermeld in de vorm van grondtransacties. Er kan dus worden geconcludeerd dat de transactieprijs wordt bepaald door de grondwaarde als uitgangspunt te nemen waarna eventuele onderhandelingen tussen de verkopende en aankopende partij resulteert in de grondprijs.

Waarde (worth) Aankopende partij

Waarde (worth) Verkopende partij Fysieke, economische, sociale en/of juridische factoren.

Marktwaarde Aankopende partij

Marktwaarde Verkopende partij Onderhandelingen tussen de twee partijen

Marktprijs (transactieprijs)

Figuur 2.1 Totstandkoming grondtransactie.

2.3 ERFPACHT VS BLOOT EIGENDOM Het gebruikersrecht van grond kan op twee manieren worden verkregen (Needham, 1996). Ten eerste kan de grond worden verhandeld tussen twee partijen waarbij het volledig eigendom van de grond wordt verruild tegen een afgesproken vergoeding (lees: transactieprijs). De tweede manier ontstaat wanneer de grond wordt uitgegeven in de vorm van erfpacht. “Erfpacht is het zakelijk recht dat de erfpachter de bevoegdheid geeft eens anders onroerende zaak te houden en te gebruiken” (art 5:85 van het Burgerlijk Wetboek). Binnen het theoretisch kader is er sprake van particulier of gemeentelijk erfpacht. Vanwege de specifieke voorwaarde bij particulier erfpacht zal deze vorm van erfpacht tijdens dit onderzoek niet worden meegenomen. Indien de grond wordt uitgegeven in erfpacht is er sprake van een eigenaarsdeel en een gebruikersdeel. Het eigenaarsdeel betreft het blooteigendom4 van de grond en kan worden beschouwd als het eigendom van de grond door de gemeente. De gemeente wordt hierbij ook wel de verpachter genoemd. Het gebruiksdeel wordt uitgegeven in de vorm van een vergoeding, ook wel de canon genoemd 4

De bloot-eigendom betreft het zakelijk eigendom van een onroerende zaak (Ten Have, 2000).

30

(lees: huur). De canon wordt bepaald door de grondprijs te vermenigvuldigen met een canonpercentage. Het gebruiksrecht van de grond wordt uitgeleend door de gemeente voor een bepaalde tijd. Vonck (2013) maakte onderscheid tussen tijdelijk, voortdurend en eeuwigdurend erfpacht. Het verschil hierbij is de lengte van het tijdvak waarbinnen het eigendomsrecht wordt uitgegeven. Hierbij kan echter worden gesteld dat het jaarlijks te betalen canon niet constant zal zijn tot het einde van het tijdvak. Zo neemt de gemeente vaak de regeling op in het erfpachtcontract dat het canonpercentage iedere vijf jaar zal worden aangepast en indien het gebruikersrecht wordt verlengd zal de gemeente de grondprijs op het einde van het tijdvak herzien. Erfpacht wordt niet in alle gemeenten binnen Nederland toegepast. Daarnaast wordt de laatste jaren het erfpachtstelsel in twijfel getrokken. Voordat de veranderingen in de huidige erfpachtstelsels kunnen worden beschreven is het belangrijk om inzicht te verschaffen waarom sommige gemeenten besluiten de grond uit te geven in erfpacht en niet in bloot-eigendom. Dijkstra (2013) beschrijft als eerste dat de gemeente het erfpachtstelsel ziet als verdienmodel en mee kan profiteren in eventuele waardestijgingen van de grond. Ten tweede gebruikt de gemeente erfpacht als sturingsmiddel. Zo wordt in het erfpachtcontract de bestemming opgenomen en het maximaal toegestane vierkante meters b.v.o. (bruto vloer oppervlak) van de toekomstige bebouwing. Indien dit wordt overschreden zal de pachter een boeteclausule moeten betalen. De huidige erfpachtstelsels van gemeenten werkten in economische hoogconjuncturen vanwege de als maar stijgende grondprijzen en de grote vraag naar nieuw uit te geven gronden. Echter is door de economische crisis de vraag naar nieuwe percelen gestagneerd. Omdat de grondprijzen gebaseerd zijn op de grondwaarde, welke weer afhankelijk zijn van het vraag en aanbod, zijn ook deze gedaald. Hierdoor zijn de gemeenten op zoek naar een nieuw verdienmodel. Zo geeft de gemeente Rotterdam gronden niet langer uit in erfpacht, maar in eigendom. Bestaande erfpachters hebben hierbij de mogelijkheid om de grond te kopen voor een gereduceerd bedrag. Hierdoor creëert de gemeente Rotterdam directe cashflow. Echter zal op langere termijn de gemeente Rotterdam niet mee kunnen profiteren in eventuele waardestijgingen van de grond en zal het bestemmingsplan als enig sturingsmiddel kunnen worden gebruikt voor toekomstige ontwikkelingen. Gemeente Amsterdam zal in de zomer van 2016 erfpacht niet langer uitgeven in de vorm van tijdelijk of voortdurend erfpacht maar in de vorm van eeuwigdurend erfpacht. Hierbij wordt het canonpercentage vastgesteld aan het begin van het erfpachtcontract. Hierna zal er geen herziening plaatsvinden voor een periode van 99 jaar (AB 1986 herziening 1993/2008). Het canonpercentage wordt gelijkgesteld aan de gemiddelde verwachte inflatie in het tijdvak van 99 jaar waardoor de pachter in het begin van het tijdvak in verhouding meer betaald en op het eind minder. Den Haag heeft het eeuwigdurend erfpachtstelsel al ingevoerd in 2014. Afsluitend verplicht de gemeente Utrecht de pachter het erfpachtcontract af te kopen. In vergelijking met de gemeente Rotterdam behoudt de gemeente Utrecht wel de titel als bloot-eigenaar. Geconcludeerd kan worden dat mede door de nieuwe herzieningen van de gemeenten betreffende het huidige erfpachtstelsel, het belangrijk is om de invloed van de diverse factoren op de grondprijs te bepalen. Omdat een gemeentelijke partij mogelijk andere belangen behartigt ten opzichte van een publieke partij, betreft het, wanneer de grond wordt verkregen door middel van erfpacht, andere onderhandelingskrachten dan wanneer de grond wordt verhandeld tussen twee publieke partijen. Het verschil zal in de volgende paragraaf worden besproken.

31

2.4 ONDERHANDELINGSKRACHT Het verschil tussen de grondwaarde en grondprijs ontstaat door de onderhandelingskracht van de aankopende en verkopende partij. De onderhandelingskracht tussen twee publieke partijen komt bijna geheel voort uit de huidige marktsituatie. De literatuur is echter niet duidelijk of er onderhandelingen ten grondslag liggen aan de grondprijs wanneer de grond wordt verhandeld tussen de gemeentelijke en een publieke partij. Zo stelt Huys (2008) dat de gemeente een ‘monopolypositie’ heeft. Huys (2008) suggereert dat grond schaars is omdat het maar één keer kan worden uitgegeven. Hierdoor is de marktprijs gelijk aan de marktwaarde (value) vanuit het perspectief van de gemeente. De aankopende partij zal de marktwaarde (value) bepalen met oog op toekomstige ontwikkelingen en zal de grond afnemen indien de waarde (worth) gelijk of hoger is dan de marktwaarde (value) dan wel de markprijs van de gemeente. Indien deze waarde (worth) lager ligt zal er geen transactie plaats vinden. Kruijt (1992) benoemt dat er wel een verschil is tussen de marktprijs en de marktwaarde (value) vanuit het perspectief van de gemeente en deze niet gelijk aan elkaar staan zoals gesuggereerd wordt door Huys (2008). Zo wordt de marktwaarde vanuit de gemeente vaak gelijk gesteld aan de residuele grondwaarde waarbij wordt uitgegaan van de maximale invulling van het perceel. Echter kan er worden gesuggereerd dat indien er voldoende aanbod is maar de vraag naar nieuw uit te geven bouwgrond minimaal is, de gemeente de overweging maakt om de grond uit te geven tegen een gereduceerde prijs. Dit omdat de maximale invulling niet haalbaar is binnen de huidige markt. Tevens kan een gemeente een monopolypositie hebben binnen de gemeentelijke grenzen maar wel concurrentie ervaren van omliggende gemeenten. Daarnaast is de marktwaarde van de gemeente niet één waarde maar bevindt de marktwaarde zich in een bandbreedte waardoor er enige onderhandeling mogelijk is. Er kan dus worden geconcludeerd dat er zowel onderhandelingen mogelijk zijn indien de grond wordt verhandeld tussen twee publieke partijen of tussen één gemeentelijke en één publieke partij. De belangen van een gemeentelijke partij kunnen echter wel aanzienlijk verschillen ten opzichte van een publieke partij. Kruijt (1992) benoemde een aantal factoren waardoor de gemeente de marktwaarde naar beneden zal afstellen.  De eerste factor heeft betrekking op het aantrekken van nieuwe huurders. Nieuwe huurders kunnen de werkgelegenheid bevorderen waardoor de gemeente kan besluiten de grondprijs naar beneden bij te stellen.  Een tweede factor zijn de vooraf opgestelde eisen, welke benoemd kunnen worden als zijnde de eisen voor het realiseren van een bepaalde nieuwe ontwikkeling. Deze eisen kunnen de stichtingskosten doen verhogen. Het verschil tussen de theoretische marktwaarde en de stichtingskosten zal, indien sprake is van vooraf opgestelde eisen, worden gecompenseerd door de gemeente middels een lagere grondprijs. Een voorbeeld van deze maatregel is het realiseren van bepaald maatschappelijk vastgoed waarbij er van te voren kan worden uitgegaan dat de marktwaarde lager zal zijn dan de stichtingskosten. Echter zal in het geval van kantoorontwikkelingen hier geen spraken van zijn.  De derde factor betreft de minimale kostprijs, welke betrekking heeft op het grondexploitatiemodel waarin de kosten voor het bouwrijp maken van een perceel staan vermeld. Indien de grondwaarde lager is dan de gemaakte kosten door de gemeente om de grond bouwrijp te maken, kan de gemeente besluiten de grondprijs gelijk te stellen aan de kosten bouwrijp maken. 32

 De laatste factor betreft het verstrekken van subsidies welke betrekking hebben op het realiseren van bepaalde bestemmingen met vooropgestelde eisen. Een voorbeeld van een dergelijke situatie kan worden gegeven indien er sprake is van parkeerplaatsen. De gemeente kan in zulke gevallen de grond uit met de daarbij horende subsidies. De publieke partij heeft ook enige onderhandelingskracht. Zo kan het te ontwikkelen kantoorpand een hoog risico met zich meedragen. Indien de afnemende partij het volledig risico op zich neemt kan dit resulteren in een gereduceerde grondprijs.

2.5 GETAXEERDE GRONDWAARDE Nu een duidelijk beeld is geschetst hoe een grondtransactie tot stand komt is het belangrijk om inzicht te geven hoe de grondwaarde wordt bepaald. Zo zullen voorafgaande aan de onderhandelingen, beide partijen een individuele grondwaarde bepalen welke ten grondslag zal liggen tijdens de onderhandeling. De grondwaarde wordt aangegeven door middel van de Floor/Space-index (FSI). De FSI wordt berekend door het bruto vloer oppervlak (b.v.o.) te delen door de perceelgrootte. De regeling hierbij geldt dat wanneer de FSI groter is dan 1, een vast bedrag per vierkante meter b.v.o. wordt berekend. Indien de FSI kleiner is dan 1 wordt dit bedrag berekend per vierkante meter kavel. Er kan worden verondersteld dat indien het gerealiseerde kantoorgebouw uit meerdere bouwlagen bestaat, de FSI groter dan 1 zal zijn. Zoals eerder is aangegeven is in de meeste gevallen de grondwaarde gelijk aan de getaxeerde waarde. Er wordt in de literatuur onderscheid gemaakt in een aantal taxatiemethoden welke resulteren in de grondwaarde (Huys, 2008; Ten Have, 2000; Kruijt, 1992). De verschillende taxatiemethoden zullen hieronder worden toegelicht. Comparatieve methode

Ten Have (2000) beschrijft de comparatieve methode als: “Bij de comparatieve methode wordt een parallel getrokken met de koop- of gronduitgifteprijzen die gehanteerd worden in directe omliggende of anderszins vergelijkbare gemeenten” (71). De comparatieve methode kenmerkt zich door vergelijkbare markt gerealiseerde transacties te vergelijken met het getaxeerde perceel. Doordat er gebruikt wordt gemaakt van gerealiseerde transacties staat deze methode dicht bij de markt. Er kunnen echter grote verschillen optreden tussen gerealiseerde transacties. Zo zijn er verschillende fysieke, sociale, economische en/of politieke factoren aanwezig bij een perceel. Kruijt (1992) beschreef dat de comparatieve waarde methode een subjectieve methode is waarbij de grondwaarde nauwelijks kan worden gerationaliseerd. Hiermee bedoelt Kruijt (1992) dat er bij de comparatieve methode grote kwaliteitsverschillen tussen de vergelijkende percelen aanwezig kunnen zijn. Met subjectief wordt hier bedoeld dat de transactieprijs tot stand is gekomen door eventuele onderhandelingen. De taxateur moet dus bij de comparatieve methode de verschillen in kaart brengen en de aanwezige kennis hebben over de onderhandelingen, welke ten grondslag hebben gelegen aan de overeengekomen transactieprijs. Een Hulpmiddel die hierbij wordt gebruikt is de REN-norm Daarnaast moet er rekening worden gehouden dat wanneer oudere referentietransacties worden gebruikt, deze moeten worden gecorrigeerd aan eventuele prijsstijgingen in de markt. De expertise van de waarde bepalende partij (taxateur) is dus belangrijk.

33

Kostprijsmethode

De kostprijsbenaderingsmethode veronderstelt dat, indien de grond wordt uitgegeven als zijnde bouwgrond, de verkopende partij de grondwaarde minimaal gelijk zal stellen aan de gemaakte kosten voor het bouwrijp maken van de grond. Dit zodat de verkopende partij geen verlies maakt op de grond wanneer deze wordt uitgegeven in eigendom of erfpacht. Bij deze methode deelt de verkopende partij niet mee in de winst bij nieuwe ontwikkelingen. Omwille van deze redenering wordt deze methode dan ook zelden toegepast. De kostprijsbenadering berekent dus de minimale grondwaarde, volgens de verkopende partij.

Grondquote

De grondquote is een vooropgesteld percentage van de stichtingskosten of de vrij op naam (v.o.n.) prijs en bepaald met dit percentage de grondwaarde. De percentages zijn meestal afkomstig uit de comparatieve of residuele methode. Het nadeel van deze methode is dat de grondquote invloed uitoefent op het te ontwikkelen object. Als uitgangspunt kan hier worden genomen dat de projectontwikkelaar de bouwkosten zo laag mogelijk probeert te houden vanwege de veronderstelling dat de grondtransactie afhankelijk is van de stichtingskosten. Daarnaast profiteert de gemeente niet mee in de waardevermeerdering indien de grond, tijdens de periode vanaf het vaststellen van de grondquote tot de gronduitgifte, zal stijgen5.

Residuele grondwaarde methode

De residuele grondwaardemethode is in principe alleen van toepassing bij de waardebepaling van een perceel grond met de mogelijkheid tot projectontwikkeling (ten Have, 2000, p.131). Deze waarderingsmethode wordt dus niet gehanteerd bij het bepalen van agrarische grond. Deze methode wordt veelvoudig toegepast door gemeenten en projectontwikkelaars. Bij de residuele waarde methode wordt uitgegaan van de meest optimale (toekomstige) invulling van een perceel, waarbij wordt verondersteld dat deze invulling planologisch en/of juridisch mogelijk zal zijn. Deze marktwaarde kan worden bepaald door de al eerder benoemde comparatieve methode of door middel van het bruto aanvangsrendement (BAR) methode6 of de discount cash flow (DCF) methode7, nadat de optimale invulling is gerealiseerd. Op deze waarde worden alle geschatte kosten in mindering gebracht welke dienen te worden gemaakt om de bedoelde invulling te realiseren. De resultante van deze berekening is de marktwaarde van het perceel in zijn huidige vorm op basis van de residuele waarde methode. Dit wordt ook wel het residu (grondwaarde) genoemd. Indien de residuele grondwaardemethode wordt toegepast is de grondwaarde gelijk aan het maximaal te betalen bedrag vanuit de aankopende partij. Er zijn echter wel een aantal opmerkingen te maken betreffende de kwaliteit van de residuele grondwaarde methode. Zo wordt de maximaal toekomstige waarde met een relatief grote onnauwkeurigheid vastgesteld omdat de verwachte opbrengsten worden gebaseerd op een aannamen. Tevens wordt de maximaal toekomstige waarde gelijk gesteld

5

Op 19 december 2001 hebben de VNG, de Neprom, de NVB en de staatssecretaris van VROM aangegeven van mening te zijn dat het rigide gebruik van de grondquote tot negatieve effecten op de kwaliteit van gebouwen en de bebouwde omgeving zou kunnen leiden en daarom bij voorkeur niet meer gehanteerd zou moeten worden. De grondquote wordt nog steeds gehanteerd als berekeningsmethode. 6 De BAR-methode houd rekening mee met de huurwaarde of huurinkomsten van het te ontwikkelen kantoorpand om deze vervolgens te delen door de BAR (Huys, 2008) 7 De DCF-methode maakt de toekomstige cash inflows en cash outflows contant naar de waardepeildatum op basis van een marktconforme disconteringsvoet (Huys, 2008, p.23).

34

aan de highest en best use. Indien er meerdere bestemmingen toegestaan zijn op een perceel grond zal ten tijden van het bepalen van de grondwaarde worden uitgegaan van de maximale toekomstige waarde, al dan niet in combinatie met een voorgeschreven gebruik. Dit kan resulteren in een afwijkende grondwaarde ten opzichte van de daadwerkelijke grondprijs. Afsluitend zal de generalisatie voor het bepalen van de stichtingskosten resulteren in een onnauwkeurige bepaling van de grondwaarde aangezien de bouwkosten niet gelijk zijn voor ieder object en locatie. Massa beoordelingsmethode

De meervoudige regressiemethode (MRA) is een statische analysemethode om de samenhang tussen meerdere onafhankelijke variabelen (X1..n) ten opzichte van een afhankelijke variabele (Y) te verklaren. Het biedt dus de mogelijkheid om de invloed van een aantal factoren op de prijsvorming te bepalen (Ten Have, 2000, p.77). Door de eigenschappen van het getaxeerde object te bepalen en de invloed van de eigenschappen te berekenen, kan een benadering van de actuele grondwaarde worden bepaald. Echter is er altijd een “ruis” aanwezig omdat de vastgoedmarkt een niet transparante markt is waarbij onderhandelingen de uiteindelijke transactieprijs bepalen. Kauko & d’Amato (2008) beschreven het begrip massa beoordelingsmethode8 waarbij de automatische waarderingsmethode centraal stond. Deze methode komt overeen met de benoemde “meervoudige regressiemethode” door Ten Have (2000) en betrekt een groot aantal transacties om vervolgens de samenstelling van de aanwezige eigenschappen te beoordelen via een regressie analyse. Deze methode gaat verder op de al eerder beschreven comparatieve methode, waarbij niet de transactieprijs van de verkochte percelen worden vergeleken maar de samenstelling van de eigenschappen van deze percelen en de unieke bijdrage op de gerealiseerde transactieprijs. Omdat deze methode de grondwaarde beoordeelt vanuit de kwaliteit van het perceel en geen gebruik maakt van de residuele methode, worden foutmarges, welke aanwezig zijn bij transacties van percelen inclusief opstal, beperkt. Een verdere uitwerking van deze methode zal worden beschreven in hoofdstuk 5, paragraaf 2.

2.6 CONCLUSIE Er kan dus worden geconcludeerd dat de comparatieve methode, de kostprijsmethode, de grondquote en de residuele grondwaarde methode een mogelijk onnauwkeurige grondwaarde bepalen. De comparatieve methode en de grondquote maken onvoldoende onderscheid tussen de markt gerealiseerde transactieprijzen. Zo wordt er afhankelijk van de expertise van de taxateur onvoldoende onderscheid gemaakt tussen de fysieke, economische, sociale en/of politieke factoren, welke invloed uitoefenen op de transactieprijs. De kostprijsmethode bepaalt de minimale kostprijs maar benadert niet de actuele waarde van een perceel grond. Afsluitend bepaalt de residuele grondwaarde methode de grondwaarde vanuit de marktwaarde van het te ontwikkelen object. Daarnaast gebruiken ze onder anderen de comparatieve methode om aan deze marktwaarde te komen. Er kan worden gesteld dat er binnen het huidige ondezoekskader behoefte is aan een methode welke de grondwaarde bepaalt vanuit de kwaliteit van een perceel waarbij rekening wordt gehouden met fysieke, economische, sociale en/of politieke factoren. Deze behoefte kan worden gevonden in de massa beoordelingsmethode. Tevens is de methode

8

Met de massa beoordelingsmethode wordt het systematisch evalueren van de groepen van objecten met behulp van gestandaardiseerde procedures en statistische testen.

35

nog niet toegepast om expliciet de grondprijzen van kantoren te bepalen dus zal dit een toevoegde waarde creëren. Door de samenstelling van de eigenschappen van de diverse grondtransacties te ontleden en vervolgens de coëfficiënt van deze eigenschappen te bepalen kan de grondprijs van nieuw uit te geven percelen worden bepaald.

36

37

3 LOCATIE THEORIEËN 3.1 INLEIDING Voordat er zal worden ingegaan op de diverse eigenschappen die de waarde van een kantorenlocatie kunnen beïnvloeden en de mate waarin deze eigenschappen beoogd te worden gemeten, zullen eerst de relevante locatietheorieën worden uiteengezet. De kwaliteit van een kantoorlocatie is een complex begrip waarvan de invulling binnen het theoretisch kader continu veranderd. Een sterke theorie kan de complexiteit van het begrip inperken waardoor het toegepast kan worden binnen dit onderzoek. De uiteenzetting van de beschreven theorieën bestaan uit de traditionele neoklassieke locatie theorie (paragraaf 3.2), de cluster theorie (paragraaf 3.3), de agglomeratietheorie (paragraaf 3.4) en de knooppunten theorie (paragraaf 3.5). Deze theorieën vormen een chronologische tijdsreeks waarin een duidelijke verandering zichtbaar is van een concurrentie georiënteerde theorie naar een globale economische theorie.

3.2 TRADITIONELE NEOKLASSIEKE LOCATIE THEORIE Binnen de traditionele neoklassieke locatie theorie is er een diversiteit van literatuur beschikbaar welke een verklaring geven waarom stedelijke dichtheden zoals de G4 een steeds aantrekkelijkere locatie wordt voor bedrijven om zich te vestigen. Jakobsen & Onsager (2003) beschreven dat de traditionele neoklassieke locatie theorie vooral voordelen beaamt welke een bedrijf heeft, indien deze zich bevindt in het CBD (Central Business District). De Groot et al. (2010) beschreef een CBD als het centrum van een monocentrische stad. De voordelen van de nabijheid van een perceel ten opzichte van het CBD werden onder andere beschreven door Hayter (1979). Hierbij werd het aantrekken van de arbeidsmarkt als een voordeel benoemd. Volgens de traditionele neoklassieke locatie theorie zorgt niet alleen de aanwezigheid van een grote arbeidsmarkt voor dit effect, maar zou een sterk stedelijk gebied zorgen voor een positief imago voor het gevestigde bedrijf waardoor dit voordeel zou worden versterkt. In het onderzoek van Hayter (1979) werd benadrukt dat het beschikbaar budget, wat gewoonlijk wordt geïnvesteerd in het werven van geschikt personeel, op deze manier bespaard kon worden. Een gelijkwaardige ondervinding werd gedaan door de Groot et al. (2010). Zo ontstaat een optimale arbeidsmarkt doordat de reistijd voor werknemers naar een werklocatie wordt verkort, de lonen over het algemeen hoger liggen en er meer voorzieningen aanwezig zijn binnen een CBD (de Groot et al., 2010, p.19). Bedrijven gaan daarom rondom verbindingsknooppunten zitten om te profiteren van deze optimale werkomgeving (Blaak, 2014). Verwacht wordt dan ook dat wanneer bedrijven zich buiten het CBD gaan vestigen, de grondprijs zal afnemen. Geconcludeerd kan worden dat de traditionele neoklassieke locatie theorie de fysieke eigenschappen van een kantoorlocatie, zoals beschreven door Ten Have (2000) benadert. Echter omvat de afstand ten opzichte van het CBD niet de volledige vorming van de grondprijs. Zo schreven Nichols et al. (2010): “Recognizing that distance from the CBD is unlikely to fully capture locational effects, most studies have included other variables as well” (Nichols et al., 2010, p.8). Hiermee bedoelden zij dat indien twee percelen een gelijkwaardige afstand hebben ten opzichte van het CBD, dit niet betekent dat de grondprijs gelijk is. Een verdere uiteenzetting van locatietheorieën zal meer inzicht geven welke factoren invloed uitoefenen op dit verschil in grondprijzen.

38

3.3 CLUSTER THEORIE Door de opkomst van het kapitalisme en de toenemende vraag naar optimale bereikbaarheid en tijdwinst, beschouwt de cluster theorie de efficiëntie van een locatie als een belangrijke factor. In tegenstelling tot de traditionele neoklassieke locatie theorie, waarbij de focus is gelegen op het creëren van directe winst met betrekking tot de fysieke eigenschappen, wordt er binnen de cluster theorie gestreefd naar het benutten van de economische voordelen. Porter (1990) wordt beschouwd als de grondlegger van het beschrijven van de cluster theorie. Zo beschouwde Porter (1990) clustering als een mogelijk te behalen concurrentievoordeel met betrekking tot de locatie keuzen. In ‘The Competitive Advantage of Nations’ (1990) beschreef hij de ‘Porterian cluster theory’. Volgens Porter dragen clusters bij aan het verhogen van de productiviteit van de bedrijven binnen een cluster, het stimuleren van innovatie in een sector en het stimuleren van nieuwe bedrijvigheid binnen een cluster wat een toekomstige groei kan garanderen. Dit resulteert in een betere kwaliteit van een locatie. Tien jaar later beschreef Porter (2000) dat door globalisering, productiefaciliteiten op zoek gaan naar locaties waar besparingen met betrekking tot productie- en arbeidskosten kunnen worden behaald. Nieuwe argumenten zoals een hechte samenwerkingsvorm, betere informatie uitwisseling, communicatie en gunfactoren worden beschouwd als kenmerken van een cluster. Dit omdat vertrouwelijke informatie uitwisselingen en hechte samenwerkingsverbanden zorgen voor een sterke concurrentiepositie en dit niet realiseerbaar is wanneer bedrijven de productie uitbesteden in lage-loon landen. Daarnaast resulteert de clustering voor informele contacten welke kunnen resulteren in nieuwe kansen binnen een cluster. Volgens Jakobsen & Onsager (2003) zijn deze contacten niet te behalen via de formele weg zoals mailen en bellen.

3.4 AGGLOMERATIETHEORIE Bij de cluster theorie is een focus waarneembaar op de concurrentievoordelen, welke te behalen zijn op omliggende bedrijven door het benutten van informatie uitwisselingen en hechte samenwerkingsverbanden. Martin en Sunley (2003) suggereerden dat de Porters ‘Porterian cluster theory’ geen rekening houdt met het feit dat kleinere bedrijven minder goed kunnen profiteren van de concurrentievoordelen dan grotere bedrijven binnen een cluster. De agglomeratietheorie kijkt verder dan concurrentievoordelen en bekijkt het totaal te behalen voordeel van een grootschalige agglomeratie. Zo kunnen groot- en kleinschalige bedrijven profiteren van de aanwezigheid van universiteiten en onderzoekcentra welke leiden tot technologische en wetenschappelijke kennisspillovers (Jakobsen & Onsager 2003). De agglomeratietheorie bekijkt niet alleen de voordelen van bedrijvigheid maar ook naar de te behalen voordelen van de werknemers. Zo zijn er clusteringen van activiteiten, zoals cultuur en vrijetijd, zichtbaar binnen een agglomeratie wat direct het woongenot bevordert en indirect de arbeidsmarkt vergroot. Volgens de Groot et al. (2010) bevat de agglomeratietheorie het toekennen van een externe beloning aan de werknemers, welke werken binnen een agglomeratie. De Groot et al. (2010) gaat hiermee verder op de reeks benoemde voordelen van de Traditionele neoklassieke locatie theorie, welke betrekking heeft op optimale bereikbaarheid en hogere lonen binnen een CBD voor werknemers. Hij bedoelt hiermee dat de bereikbaarheid en hogere lonen alleen niet kunnen verklaren waarom sommige steden aantrekkelijker zijn dan andere. Het heeft tevens gedeeltelijk te maken met consumentenvoorzieningen en faciliteiten (de Groot et al., 2010, p.112). Deels worden deze voordelen van een agglomeratie bepaald door de gemeente. Gemeenten 39

kunnen de kwaliteit van een agglomeratie stimuleren doormiddel van het afgeven van vergunningen, het opstellen van bestemmingsplannen en het geven van advies (Verhoeven, 2013). De agglomeratietheorie omvat twee verschillende factoren, te benoemen als de agglomeratie en de agglomeratie economie (Gleaser, 2011). De agglomeratie voordelen hebben betrekking op de fysieke en sociale voordelen en omvatten onder meer de aanwezigheid van faciliteiten, een optimale bereikbaarheid en netwerkvoordelen. De agglomeratie economische voordelen zijn de economische voordelen, welke een bedrijf kan behalen door dat deze gelegen is in een agglomeratie.

3.4 KNOOPPUNTEN THEORIE Bovenstaande theorieën hebben vooral betrekking op de clustering van bedrijven binnen een stedelijk gebied of agglomeratie. De knooppunten theorie, ontwikkeld door Amin & Trift (2002) beschouwt steden als centrale punten binnen een internationaal netwerk. Hoewel bedrijven actief zijn in een stedelijke clustering, zijn ze afhankelijk van internationale connecties. Steden die hoog staan in de globale stedelijke hiërarchie, staan bekend als steden met een hoge intensiteit van face-to-face contacten en hebben een internationale kennisflow. Echter beschouwen Amin & Trfit (2002) de knooppunten theorie alleen relevant voor bedrijven met een internationaal karakter en is de lokale bedrijvigheid nog steeds afhankelijk van lokale netwerken met leveranciers, klanten en overige zakelijke contacten. Uit de literatuur komt naar voren dat er diverse opvattingen zijn betreffende locatie theorieën. Er is een duidelijke verschuiving zichtbaar van een concurrentie georiënteerde theorie naar een meer globale economische theorie, waarbij niet alleen naar de voordelen vanuit het bedrijf wordt gekeken maar ook naar de voordelen welke werknemers ervaren binnen een grootschalige agglomeratie. Voor dit onderzoek zal de implementatie van de theorie, ontwikkeld door Gleaser (2011), worden gebruikt. Deze locatie theorie omschrijft de voordelen, waarbinnen onderscheid wordt gemaakt tussen fysieke en sociale locatie eigenschappen en economische eigenschappen. Daarnaast zullen politieke eigenschappen worden meegenomen vanwege de eerder benoemde redenering dat de gemeente de kwaliteit van een agglomeratie kan stimuleren (Verhoeve, 2013). De overweging om niet de knooppunten theorie, ontwikkeld door Amin & Trift (2002), te implementeren in het onderzoek is afkomstig vanuit de redenering dat de grondprijzen worden onderzocht vanuit de G4 en er geen vergelijking wordt gemaakt hoe deze grondprijzen zich verhouden met steden, welke hoger staan in de globale stedelijke hiërarchie.

40

41

4 ONAFHANKELIJKE VARIABELEN 4.1 INLEIDING Om de verschillende onafhankelijke variabelen te bepalen die benodigd zijn voor het opstellen van een conceptueel model zal er een theoretische uiteenzetting van de bestaande literatuur worden verricht. Deze uiteenzetting zal worden gespecificeerd gerelateerd aan de al eerder benoemde factoren. In paragraaf 4.2 zal de uiteenzetting van de verschillende fysieke locatie eigenschappen worden beschreven. Paragraaf 4.3 zal ingaan op de sociale locatie eigenschappen. Tijdens paragraaf 4.4 zullen de economische factoren worden bepaald. Vervolgens zal in paragraaf 4.5 de politieke factoren worden onderzocht. Afsluitend zal paragraaf 4.6 in het kader staan van het conceptueel model.

4.2 FYSIEKE LOCATIEFACTOREN Met fysieke locatiefactoren worden de factoren bedoeld die invloed uitoefenen op de bereikbaarheid van een locatie, de aantrekkingskracht van de arbeidsmarkt en de aanwezigheid van nabijgelegen faciliteiten in de omgeving (de Groot et al., 2010). Louw (1996) onderzocht tijdens zijn studie naar de beslissingsmomenten van een bedrijfsorganisatie, de keuze voor een kantorenlocatie en in hoeverre locatie gerelateerde aspecten deze keuzen beïnvloedden. Hij beschreef hierin dat het aan de traditionele vestigingsplaatsleer ontleende concept van besparing op de transportkosten zou hebben gelegen dat kantoren zich zijn gaan vestigen in de best bereikbare locaties in het centrum. Een vaak voorkomende prijsbepalende factor is dan ook de afstand van een kantoorlocatie ten opzichte van het centrale business district (CBD). Recente literatuur (Huynh, 2013; Sohn & Moudon, 2011) bekrachtigden dezelfde theorie. Hoewel dit in geval van steden met een sterke centrale kern relevant is, is de ruimtelijke ligging van de Nederlandse kantoorlocaties verspreid en zijn deze niet gecentraliseerd op één locatie. Het onderzoek van Jennen & Brounen (2009), dat betrekking had op de kantorenmarkt in Amsterdam, beaamt de spreiding van de Nederlandse kantorenmarkt. Zo verklaren ze dat door verkeerscongesties, het bestemmingsplan en ruimtegebrek in het centrum van Amsterdam, diverse sub-locaties zijn ontstaan waar kantoren zich zijn gaan vestigen. Hoewel de afstand ten opzichte van het CBD niet relevant is voor het onderhavige onderzoek beschreef Jennen & Brounen (2009) een diversiteit aan variabelen die betrekking hadden op de bereikbaarheid van een kantoorlocatie. De afstand ten opzichte van de dichtstbijzijnde snelwegoprit of -afrit en de afstand naar het treinstation werden beschouwd als relevante variabelen. Planbureau voor de Leefomgeving (2009) voegde hier de afstand tot de dichtstbijzijnde bushalte aan toe. Daarnaast concludeerden zij dat de reistijd een belangrijkere indicator is, vergeleken met de afstand. Als laatste beschreef Planbureau voor de Leefomgeving (2009) dat de kwaliteit van een treinstation significant is naast de aanwezigheid van een station. Het is namelijk belangrijk voor werknemers om snel van het ene treinstation naar het ander te komen. Aanvullend nam Braam (2014) de reistijd naar een luchthaven mee als variabele. Echter werd vermeld dat de afstand tot het treinstation en de reistijd naar een luchthaven erg correleerde en zou er een samenhang tussen de gemeente en de afstand ten opzichte van de luchthaven aanwezig zijn (Braam, 2014, p.26). Dit is te verklaren omdat niet iedere gemeente beschikt over een luchthaven.

42

Naast bereikbaarheid zijn de aanwezigheid van nabij gelegen faciliteiten een belangrijke verklarende factor voor het bepalen van de grondwaarde. De literatuur beschrijft de aanwezigheid van winkels voor de dagelijkse behoefte, mode- en luxe winkels, horeca, musea, banken, postkantoren, sportfaciliteiten en ontspanningsfaciliteiten als relevante faciliteiten (Planbureau voor de Leefomgeving, 2009; Jennen & Brounen, 2009; van der Zon, 2014; NNI, 2014; Braam, 2014). Door de diversiteit aan faciliteiten in de besproken literatuur zal worden uitgegaan van de bestemmingen zoals weergegeven in het bestemmingsplan. Dit mede omdat verdere onderverdeling kan leiden tot multicollineariteit. Zo concludeerde Planbureau voor de Leefomgeving (2009) dat een verdere onderverdeling van detailhandel in verschillende type detailhandel (lees: winkels voor de dagelijkse behoefte, mode- en luxe winkels) zal leiden tot multicollineariteit. Wanneer de bovenstaande faciliteiten worden vergeleken met de bestemmingen in het bestemmingsplan, kan de volgende opsomming worden gemaakt; Cultuur- en ontspanningsfaciliteiten, detailhandel, horecagelegenheden en sportfaciliteiten. Van der Zon (2014) onderzocht de invloed van diverse factoren op de kantoortransacties. Echter zijn factoren, welke niet betrokken worden op het daadwerkelijke object, ook relevant voor de grondwaarde. Zo concludeerde van der Zon (2014) dat faciliteiten met de functie horeca en detailhandel een negatieve invloed uitoefende op de vastgoedwaarde. Planbureau voor de Leefomgeving (2009) vond een positieve invloed van de functie horeca en detailhandel tijdens het onderzoek maar deze kan als minimaal worden beschouwd. Van der Zon (2014), Planbureau voor de Leefomgeving (2009) en Koster (2013) onderzochten diverse omgevingsfactoren zoals de aanwezigheid van bomen, parken, water en open ruimte. Planbureau voor de Leefomgeving (2009) concludeerde dat de aanwezigheid van open water een positieve invloed uitoefende op de transactieprijs, waarbij van der Zon (2014) de verschillende omgevingsfactoren samenvoegde in de aanwezigheid van landschapsarchitectuur en hierbij een vergelijkbare invloed vond. Van der Zon (2014) voegde de omgevingsfactoren samen zodat eigenschappen, zoals beplanting en de aanwezigheid van straataankleding, op deze manier mee konden worden meegenomen in de beoordeling. Als laatste beschreef Sohn & Moudon (2008) de beroepsbevolking binnen een straal van 10 kilometer als een relevante variabele. De beroepsbevolking buiten een straal van 10 kilometer van de kantoorlocatie resulteerde in een negatief resultaat. Planbureau voor de Leefomgeving (2009) constateerde dat de beroepsbevolking binnen een reisafstand van 23 kilometer een positief significant resultaat opleverde. Dit vanwege het onderzoek dat was gedaan onder de bevolkingsgroep met een HBO en/of WO diploma in Noord-Holland, wat resulteerde in een bereidbaarheid om 23 kilometer te rijden naar de werklocatie. Van der Zon (2013) beschreef tijdens zijn empirisch onderzoek de mogelijke beroepsbevolking als de inwoners die binnen ‘30 autominuten afstand tijdens de spits’ wonen. Huynh (2014) stemde in om de reistijd als meetmethode te gebruiken in vergelijking met reisafstand omdat hierin congestie wordt meegenomen. Tabel 4.1 geeft een overzicht van de fysieke locatievariabelen.

43

TABEL 4.1 FYSIEKE LOCATIEFACTOREN. Variabelen Constante locatiefactoren Afstand tot dichtstbijzijnde snelwegoprit of – afrit. Afstand tot dichtstbijzijnde treinstation Kwaliteit score van dichtstbijzijnde treinstation Afstand tot dichtstbijzijnde bushalte Aantal cultuur en ontspanning faciliteiten Aantal detailhandel Aantal horecagelegenheden Aantal sportfaciliteiten Landschapsarchitectuur Beroepsbevolking

Bron 1 2 3 4 5 6 7 x x x x x

Positief (+)

x x x x x

x x

Positief (+) Positief (+)

x x x x x x x x x x

x

Positief (+) (?) (?) (?) (?) Positief (+) Positief (+)

x x x x

x x

x x

Invloed

1: Jennen & Brounen (2009); 2: Planbureau voor de Leefomgeving (2009); 3: van der Zon (2014); 4: Sohn & Moudon (2011); 5: Koster (2013); 6: NNI (2014); Braam (2014)

4.3 SOCIALE LOCATIEFACTOREN Sohn & Moudon (2008) onderzochten door middel van empirisch onderzoek de ruimtelijke concentratie van kantoren en de combinatie met de omgeving, om zo de invloed op de waarde van kantoren te bepalen. Hierbij beschreven ze het begrip agglomeratie, waarbij het begrip werd benaderd vanuit drie aspecten. Als eerste werd het mogelijk te behalen netwerk van een agglomeratie benadrukt. Hiermee werd de samenwerking tussen bedrijven binnen een cluster aangeduid. Als tweede beschreven Sohn & Moudon (2008) de samenstelling van een cluster. Onderzoek toonde aan dat kantoren de voorkeur geven aan clusters waarbinnen zich andere kantoren hebben gevestigd. Als laatste bekeken Sohn & Moudon (2008) de aantrekkingskracht die een clustering had op de arbeidsmarkt, welke in overeenstemming zijn met de bevindingen van Clapp (1993). Tijdens dit onderzoek wordt het aantrekken van de potentiële beroepsbevolking beschouwd als een fysieke locatie factor en is daarom al reeks behandeld. Sohn & Moudon (2008) beschreven een cluster als minimaal drie aaneengekoppelde percelen, met de functiebestemming kantoren, waarbij de maximale afstand van 50 meter tussen ieder van deze percelen is toegestaan. Het te behalen netwerk kan worden bepaald door het aantal kantoren te meten die zich binnen het cluster bevinden. De opmerking hierbij kan worden gemaakt dat wanneer er sprake is van een dichtbebouwde omgeving, een cluster eindeloos groot wordt en de effecten van een netwerk gelijk zijn voor de gehele agglomeratie en niet voor de individuele locaties, gelegen binnen een cluster. Huynh (2014) beschouwde de invloed van clustering niet gelijk voor de gehele agglomeratie en vond tijdens zijn empirische studie naar de invloed van clustergrootte op de vastgoedwaarde van de kantorenmarkt in Ho Chi Minh City dat clustervoordelen verzwakken naarmate de afstand toeneemt ten opzichte van het zwaartepunt van een cluster. Vanuit het ‘exponential distance decay model’, ontwikkeld door Jennen & Brounen (2009), bekeek Huynh (2014) de gewogen kantooroppervlakten waarmee het te behalen netwerk kan

44

worden gemeten. Het ‘exponential distance decay model’ wordt weergegeven in formule (4.1). 𝑛

𝐶𝑙𝑢𝑠𝑡𝑒𝑟𝑖 = ∑ exp(−𝜆 × 𝑑𝑖 ) 𝑠𝑖𝑧𝑒𝑖

(4.1)

𝑖=1

Waarbij λ de decay paramater is en di de afstand tussen de locatie en het nabij gelegen kantoor. Sizei wordt aangeduid als de vloeroppervlakte (b.v.o.) van het nabij gelegen kantoorpand. De som van de clusters leiden tot het gewogen haalbare netwerk, uitgedrukt in Clusteri. Uit het onderzoek van zowel Huynh (2014) als Jennen & Brounen (2009) kwam naar voren dat wanneer λ gelijk is aan 0,01, de grootste invloed van de te behalen cluster ten opzichte van de grondprijs kan worden behaald. Daarnaast benoemden Huynh (2014) en Jennen & Brounen (2009) leegstand als variabele maar werd deze variabele niet meegenomen als criterium voor clustering. Een leegstaand kantoorgebouw bevordert niet het maximaal haalbare netwerk en moet daarom buiten beschouwing worden gelaten wanneer het aantal relevante kantoorlocaties binnen de cluster wordt bepaald. Afsluitend, onderzochten Jennen & Brounen (2009) tijdens hun studie naar de invloed van kantorenclustering binnen de Amsterdamse kantorenmarkt, de clustergrootte voor zowel FIRE- (Financieel, Verzekering en Vastgoed) als NON-FIRE gerelateerde bedrijven. Hierdoor wordt er invulling gegeven aan het concept sectorclustering, ontwikkeld door porter (1990). Porter (1990) suggereerde namelijk dat clusteringsvoordelen alleen aanwezig zijn indien de bedrijven operatief zijn in de zelfde branche. Sohn & Moudon (2008) gaven aan dat naast de clustergrootte, het aantal kantoorpanden in de cluster, de FAR (floor area ratio) en de samenstelling van de cluster als belangrijke indicatoren moeten worden toegevoegd. De samenstelling van de cluster kan worden gezien als een verklarende variabele. Hierbij wordt onderscheid gemaakt tussen een- en meergezinswoningen, detailhandel en kantoren en in welke percentages deze zich bevinden in de cluster (Sohn & Moudon, 2008). Koster (2013) onderzocht ook deze verhoudingen tijdens zijn studie naar de invloed van agglomeratie economieën op de huurprijzen van kantoren, maar beschreef de samenstelling als zijnde mixed-use waarin objecten met de bestemming wonen, industrie en overig aanwezig waren. Zowel Koster (2013) als Sohn & Moudon (2008) concludeerde dat er een positieve interactie tussen een kantoor en een potentieel complementair grondgebruik ontbrak. Planbureau voor de Leefomgeving (2009) beschreef in een gelijkwaardig onderzoek als Koster (2013) de samenstelling van een cluster als een combinatie van woningen, kantoren en industrie. Ook hieruit kwam naar voren dat er een negatieve interactie aanwezig was tussen kantoren en de voor industrie bestemde locaties. Echter werd er een positief effect aangetoond betreffende het aandeel woningen binnen de cluster. Dit is tegenstrijdig met het onderzoek van Sohn & Moudon (2008) waarbij de opmerking werd gemaakt dat de aanwezige woningbouw een indicatie is voor het ontbreken van kantoren in de cluster. Er kan dus worden geconcludeerd uit bestaand onderzoek dat de grondwaarde van een kantoorlocatie negatief wordt beïnvloed door enig ander complementair grondgebruik. Een overzicht van de sociale locatievariabelen is gegeven in tabel 4.2.

45

TABEL 4.2 SOCIALE LOCATIEFACTOREN. Variabelen Agglomeratie factoren Clustergrootte FIRE Clustergrootte NON-FIRE Aantal kantoren in cluster FAR % eengezinswoningen in cluster % meergezinswoningen in cluster % winkels in cluster % kantoren in cluster % industrie/logistiek in cluster

1 x x

Bron 2 3 4 5 6 x x x x x x x x x x x x x x x x x x x x

Invloed Positief (+) Positief (?) Positief (+) Negatief (?) Negatief (-) Negatief (-) Negatief (-) Positief (+) Negatief (-)

1: Huynh (2014); 2: Jennen & Brounen (2009); 3: Koster (2013); 4: Planbureau voor de Leefomgeving (2014); 5: Sohn & Moudon (2008); 6: van der Zon (2014).

4.4 ECONOMISCHE FACTOREN De grondprijs is erg afhankelijk van de economische cyclus. In economische hoogconjunctuur zal de grondprijs stijgen. Dit is te verklaren door de “varkenscyclus”. De varkenscyclus is een verschijnsel dat het aanbod van een bepaald product of een bepaalde dienst te groot wordt na een periode van schaarste (Ten Have, 2000, p. 423). De term wordt vaak gebruikt in de kantorenmarkt maar is ook toepasbaar voor de grondmarkt. Indien de vraag naar kantoren groter wordt, zal de vraag vanuit de ontwikkelaar naar nieuwe gronden ook groter worden. Echter zal, voordat de aanvulling op de bestaande kantorenvoorraad kan worden gerealiseerd, eerst het kantoor moeten worden gebouwd. De grond zal voor dit proces moeten worden aangekocht. Indien het kantoor uiteindelijk zal worden opgeleverd en het object op de markt zal komen, zal de prijs dalen door het grote aanbod. Dit resulteert in een terughoudend beleid voor nieuw te ontwikkelen kantoren en dus ook voor uit te geven gronden. Uiteindelijk resulteert dit weer in schaarste waardoor het proces zich herhaalt. Van der Zon (2014) beschouwde de opname/aanbod ratio, voorraad, opname en leegstand als belangrijke indicatoren om de vastgoedwaarde te bepalen. Hij constateerde dat het aanwezige opname/aanbod ratio een positieve invloed had op de vastgoedwaarde binnen clustergebieden van kantoren. Daarnaast zorgde de aanwezige leegstand voor een negatieve invloed op de vastgoedwaarde. Afsluitend beschouwde van der Zon (2014) het bruto gemeentelijk product (bgp), werkloosheidspercentage en de aanwezige beroepsbevolking als belangrijke indicatoren. De jong (2011) vergeleek in hoeverre de economische factoren de huurprijsontwikkeling beïnvloedden voor eersteklas kantoorruimte in Amsterdam en Den Haag. Hierbij constateerde de Jong (2011) dat Den Haag minder gevoelig is voor schommeling in de economische conjunctuur. Dit omdat Den Haag vooral kantoren beschikbaar stelt aan politiek gerelateerde partijen waarbij een constantere vraag kan worden gegarandeerd. Dit in vergelijking met Amsterdam, waarbij kantoorruimte wordt aangeboden voor het nationale en internationale bedrijfsleven. De Jong (2011) noemt de volgende variabelen als significante indicatoren voor de vastgoedwaarde: opname, aanbod, economische

46

activiteiten (bruto binnenlands product (bbp) en werkloosheid) en constructiekosten. Als laatste benoemde de Jong (2011) de werkgelegenheid als een verklarende variabele waarbij van der Zon (2014) de beroepsbevolking beschouwde als vergelijkbare variabele. DTZ Zadelhoff (2014) benoemt in hun jaarlijkse marktupdate kantoorbanen als belangrijke indicator als vervanging voor de werkgelegenheid. Huys (2008) onderzocht de relatie tussen de economische cyclus en de invloed van diverse partijen binnen de vastgoedsector op de transactieprijs. Huys (2008) concludeerde dat de opname en het aanbod bepalend was voor de transactieprijs, waarbij de opname afkomstig is uit nieuwbouwontwikkelingen. Huys (2008) beschouwde daarnaast de constructiekosten, inflatie en financieringslasten als belangrijkste economische factoren. Wanneer de constructiekosten gunstig zijn zullen projectontwikkelaars eerder geneigd zijn om nieuwe grond aan te kopen. Echter kan er wel de opmerking bij worden gemaakt dat er ook voldoende vraag vanuit de markt moet zijn voordat nieuwe ontwikkelingen zullen plaatsvinden. Tabel 4.3 geeft een overzicht van de economische variabelen. TABEL 4.3 ECONOMISCHE FACTOREN. Variabelen Agglomeratie factoren Aanbod Opname leegstandspercentage Opname/Aanbod ratio Bruto Gemeentelijk Product Kantoorbanen Werkloosheid Langetermijnrente Constructiekosten Inflatie

1 x x x x x x x

Bron 2 3 x x

x x

Invloed 4 Positief (?) Positief (+) Negatief (-) Positief (?)

x

x

x x x

Positief (+) Negatief (-) Negatief (-) Positief (?)

1: van der Zon (2014); 2: de Jong (2011); 3: DTZ Zadelhoff (2014); 4: Huys (2008)

4.5 POLITIEKE FACTOREN De gemeente heeft een belangrijke rol bij de totstandkoming van een grondtransactie. Zoals beschreven in paragraaf 2.3 kunnen nieuw te ontwikkelen grond door de gemeente worden uitgegeven in vorm van erfpacht of eigendomsrecht. Dijkstra (2013) beschreef erfpacht als een belangrijke factor voor gebiedsontwikkelingsprojecten aangezien het de financieringsbehoefte vermindert voor ontwikkelaar en beleggers. Huys (2008) stemde in met de invloed van de gemeente om gebiedsontwikkelingen te stimuleren. Zo laat de gemeente Rotterdam de grondwaarde dalen zodat nieuwe kantoorontwikkelingen aantrekkelijker worden voor ontwikkelaars en toekomstige gebruikers. De gemeente Amsterdam gaat echter niet mee in deze trend omdat ze de huidige leegstand in de kantorenmarkt willen beperken door het aanbod te beperken. Dit zal volgens de gemeente Amsterdam resulteren in een stabielere kantorenmarkt. Een tweede factor vanuit de gemeente, die invloed heeft op de waardeontwikkeling van de grond, is het verstrekken van bouwvergunningen aan ontwikkelaars of gebruikers. Zo is in

47

de bovenstaande paragraaf vastgesteld dat de vraag- en aanbodratio een sterke samenhang heeft met de gerealiseerde transactieprijs. Nieuwe ontwikkelingen zullen leiden tot een groter aanbod waardoor de waarde van kantoren zullen afnemen. Dit zal een direct gevolg hebben op de waarde van de grond. Kok, Monkkonen & Quigley (2011) benoemden een viertal politieke factoren, welke invloed hadden op de uiteindelijk gerealiseerde transactie. Als eerste benoemden ze het totaal aantal individuele reviews en goedkeuringen, voorafgaande aan de bouwvergunning. Hierbij werd er onderscheid gemaakt tussen elf verschillende reviews, uitlopend van reviews vanuit de planningscommissie, welstandscommissie, parkeercommissie etc. (Kok, Monkkonen & Quigley, 2011, p.14). Ten tweede werd het aantal bestemmingsplanwijzigingen gemeten en in hoeverre deze de transactieprijs beïnvloedden. De derde variabele bedroeg de tijd (uitgedrukt in maanden) tussen de bouwaanvraag en de verlening van de bouwvergunning. De laatste variabele was de beoordeling vanuit de projectontwikkeling met betrekking tot de invloed van de gemeente. Echter is het onderzoek van Kok, Monkkonen & Quigley (2011) gebaseerd op een enquête uit eerder onderzoek van Quigley, Raphael & Rosenthal (2007), welke betrekking had op de Verenigde Staten. Omdat er geen vergelijkbare data beschikbaar is binnen de Nederlandse vastgoedmarkt zal alleen het aantal uitgegeven bouwvergunningen worden meegenomen tijdens dit onderzoek. Tabel 4.4 geeft een overzicht van de politieke variabelen. TABEL 4.4 POLITIEKE FACTOREN. Variabelen Agglomeratie factoren Erfpacht Afkoop erfpacht Uitgegeven bouwvergunningen

Bron 1 x x x

Invloed 2

x

Negatief (?) Negatief (?) Negatief (-)

1: Dijkstra (2013); 2: Kok, Monkkonen & Quigley (2011)

4.6 CONCEPTUEEL MODEL Het conceptueel model is opgebouwd uit de relevante onafhankelijke variabelen waarbij een onderscheid is gemaakt tussen locatie eigenschappen, bestaande uit fysieke en sociale locatievariabelen en politieke en economische variabelen. Een verband is getrokken tussen de locatie eigenschappen en de grondprijs aangezien locatievariabelen specifiek zijn voor de locatie waarin het perceel zich bevindt, waarbij de politieke en economische variabelen als bijkomende factoren worden beschouwd. Figuur 4.1 geeft het conceptueel model weer.

48

Sociale locatie eigenschappen Clustergrootte FIRE Clustergrootte NON-FIRE Aantal kantoren in cluster FAR % eengezinswoningen in cluster % meergezinswoningen in cluster % winkels in cluster % kantoren in cluster % industrie in cluster Locatie eigenschappen

Fysieke locatie eigenschappen Afstand tot snelweg af-oprit Afstand tot treinstation Kwaliteit van treinstation Afstand tot bushalte Aantal cultuur/ontspanning Aantal detailhandel Aantal horecagelegenheden Aantal sportfaciliteiten Landschapsarchitectuur Beroepsbevolking in cluster Grondprijs

Werkloosheidspercentage Kantoorbanen Voorraad Aanbod

Economische factoren

Leegstandspercentage O/A ratio Bruto binnenlands product Langetermijnrente Constructiekosten Inflatie

Erfpacht Afkoop erfpacht

Politieke factoren

Bouwvergunningen Figuur 4.1 Conceptueel model.

49

50

5. METHODE & DATA 5.1 INLEIDING In hoofdstuk 5 zal worden ingegaan op de methoden en benodigde data die van toepassing zijn binnen dit onderzoek. Als eerste zal in paragraaf 5.2 de theoretische uiteenzetting van diverse methoden worden behandeld en in detail worden beschreven welke methode het optimaalst is voor dit onderzoek. Vervolgens zal in paragraaf 5.3 de gekozen methode worden toegepast binnen het onderzoek. De gebruikte transactiedata zal worden beschreven in paragraaf 5.4. De laatste paragraaf zal ingaan op de onafhankelijke variabelen en hoe deze beoogd te worden gemeten.

5.2 METHODE Eerder is in hoofdstuk 2, paragraaf 5 (getaxeerde grondwaarde) beschreven dat wanneer de taxatiewaarde wordt bepaald, gebruik kan worden gemaakt van een massa beoordelingsmethode. Deze methode biedt de mogelijkheid om de invloed van een aantal factoren op de prijsvorming te bepalen. Om een beter inzicht te krijgen in de verschillende massa beoordelingsmethode methoden zal de gerelateerde theorie worden uiteengezet. OECD (Organisation for Economic Co-operation and Development) (2013) beschrijft een drietal verschillende massa beoordelingsmethoden, te benoemen als de stratificatiemethode, de hedonische prijs methode en de repeated sales methode. Stratificatiemethode

De stratificatiemethode gaat uit van de eenvoudigste meetmethode door de verschillen tussen grondtransacties aan te tonen. Door het bepalen van de centrale tendens kunnen grondprijzen met elkaar worden vergeleken in vooropgestelde subgroepen. De methode kan het best worden toegelicht aan de hand van een voorbeeld uit het handboek van OECD (2013). Zo stelt OECD (2013) dat transactieprijzen in verschillende tijdsperioden kunnen worden gezien als vooropgestelde subgroepen en met elkaar kunnen worden vergeleken met behulp van de mediaan. Echter hebben de verschillende transacties uit verschillende tijdsperiodes plaatsgevonden in verschillende gebieden en onder verschillende economische en politieke omstandigheden (OECD, 2013, p.38). Het blijkt dus dat er een groot aantal subgroepen benodigd zijn om tot een nauwkeurig resultaat te komen. Zo zal bij het voorbeeld van OECD (2013) de transacties binnen één subgroep in het zelfde transactiejaar moeten hebben plaatsgevonden, binnen eenzelfde regio en in gelijkwaardige economische en politieke omstandigheden. Hiermee wordt bedoeld dat de onafhankelijke variabelen gelijkwaardig moeten zijn voor iedere transactie, welke wordt meegenomen binnen de subgroep. Indien dit niet wordt gedaan zal dit leiden tot een grotere systematische error (ruis). Daarnaast zal de eenvoudigheid van de methode worden beperkt door het grote aantal subgroepen. Wanneer de stratificatiemethode zou worden gebruikt binnen het onderzoek zal iedere subgroep uit gelijkwaardige metingen moeten bestaan voor de aanwezige onafhankelijke variabelen waardoor het benodigde aantal onderzoekseenheden dermate groot wordt dat het onderzoek niet meer haalbaar wordt.

Hedonische prijs methode

De hedonische prijs analyse is een vaak gebruikte methode om het relatieve belang van iedere factor ten opzichte van de impliciete waarde (hedonische prijs) te bepalen. De methode wordt vaak gebruikt voor het onderzoeken van de kantorenmarkt (Koppels et al.,

51

2009; Planbureau voor de Leefomgeving, 2009; Kok & Jennen, 2011; Koppels & Remøy, 2011; Wang et al., 2014). Zo benoemde Planbureau voor de leefomgeving (2009) dat de hedonische prijsmethode een groot aantal directe en indirecte effecten van de omgevingskwaliteiten meeneemt, zonder dat deze hoeven te worden gespecificeerd. Daarnaast zijn de betrouwbaarheid en validiteit relatief hoog indien er gebruik wordt gemaakt van transactieprijzen of huurprijzen. Koppels et al. (2009) geven een vergelijkbare redenering voor het toepassen van deze methode en voegden hier aan toe dat de “willingness to pay” (lees: betalingsbereidheid) op deze manier kan worden bepaald. Echter beschouwt Malpezzi (2003) de vastgoedmarkt niet als een geschikte kandidaat voor het toepassen van de hedonische prijs methode omdat het een niet transparante markt betreft waarbij de transactieprijzen niet gelijkwaardig zijn aan de “willingness to pay”. Een mogelijkheid van deze methode is om via regressie analyse de transactieprijzen te ontleden en de invloed van diverse factoren op de transactieprijs te analyseren om vervolgens de grondwaarde te bepalen. Een groot voordeel van de hedonische prijs methode is dat de grondwaarde gedetailleerd kan worden verklaard door het toevoegen van aanvullende verklarende variabelen. Hierdoor zal dus de onverklaarde variantie afnemen waardoor de uiteindelijke gerealiseerde transactieprijs beter kan worden benaderd. Echter zal bij het toevoegen van variabelen, het vereiste aantal onderzoekseenheden toenemen waardoor meer onderzoekseenheden nodig zijn. Daarnaast suggereerde planbureau voor de Leefomgeving (2009) dat de kwaliteit van de methode afhankelijk is van de onderzoeker. De onderzoeker bepaalt namelijk welke verklarende variabelen worden meegenomen binnen het onderzoek om vervolgens een minimale waarde voor de onverklaarde variantie te verkrijgen. Repeated sales methode

De repeated sales methode gaat uit van het beginsel dat een object (perceel) meerdere transactiemomenten heeft over een tijdsperiode. Doordat de parameters, welke betrekking hebben op de omstandigheden waarin de transactie is gedaan, veranderen over de tijd, kan er gecorrigeerd voor de inflatie, worden bekeken in welke mate de diverse parameters de transactieprijs beïnvloeden. Dit vanwege de stelling dat de kwaliteit van het object niet verandert. Een voordeel van deze methode is dat er minder data nodig is om de waarde van de individuele parameters te verklaren. Daarnaast is de onverklaarde variantie minimaal aangezien de invoerdata nauwkeurig is9. De methode wordt dan ook vaak gebruikt in de woningmarkt, waarbij er veronderstelt wordt dat een woning meerdere malen wordt verkocht. Echter is deze methode niet toepasbaar op de grondmarkt omdat er in tijden van dit onderzoek verondersteld wordt dat wanneer gronden zijn aangekocht, ontwikkelingen zullen plaatsvinden waarna er een geruime tijd geen transactie voor specifiek de grond zal worden gedaan. Tevens indien de grond zou worden verkocht na de exploitatieperiode van het gerealiseerde object, zal de locatie verandert zijn, uitgaande van een exploitatieperiode van 50 jaar.

9

De invoerdata bestaat uit de transactieprijs, de datum van transactie en het adres van het desbetreffende perceel. Deze data zal in alle waarschijnlijk nauwkeurig zijn en is in de meeste gevallen, indien er een grondtransactie heeft plaatsgevonden, beschikbaar zijn. Deze stelling gaat uit van een grondtransactie zoals vermeld in het kadastrale bericht. Daarnaast is alleen de benodigde data nodig voor de aanwezige parameters. Zo hoeft er geen inschatting te worden gemaakt voor niet aanwezige data.

52

Geconcludeerd kan worden dat de hedonische prijs methode het beste aansluit op de huidige onderzoeksvraag. Door het gebruik van deze methode kunnen de individuele eigenschappen van een perceel worden onderzocht en de unieke bijdrage op de transactieprijs worden bepaald. Een opmerking kan worden geplaatst bij de benodigde data voor de methode. Zo zal er moeten worden voldaan aan de vuistregel van Stevens (1992), welke stelt dat voor iedere parameter minimaal 10 onderzoekseenheden benodigd zijn. In paragraaf 5.3 zal verder worden ingegaan op de hedonische prijs methode en zal worden beschreven op welke manier deze methode moet worden toegepast binnen het onderzoek.

5.3 HEDONISCHE PRIJS METHODE Een retrospectief10 niet-experimenteel11 kwantitatief onderzoek zal worden toegepast waarbij een hedonische prijs methode zal worden gebruikt om de invloed van de diverse variabelen te berekenen op de grondtransacties. In hoofdstuk 4 is beschreven dat de totstandkoming van de transactieprijs deels afhankelijk is van de fysieke, sociale, economische en politieke factoren (Ten Have, 2000). Wanneer de hedonische prijsmethode wordt toegepast binnen het onderzoek ontstaat de onderstaande formule (5.1). 𝑦𝑜 = 𝛽0 + 𝛽𝑓 𝑋𝑓𝑜 + 𝛽𝑎 𝑋𝑎𝑜 + 𝛽𝑖 𝑋𝑒𝑜 + 𝛽𝑝 𝑋𝑝𝑜 + 𝜀

(5.1)

Waarbij: yo = transactieprijs van perceel o β0 = constante βf = coëfficiënten van fysieke locatiefactoren f X fo = fysieke locatiefactoren f van perceel o βs = coëfficiënten van sociale locatiefactoren s X so = sociale locatiefactoren s van perceel o βe = coëfficiënten van economische factoren e X eo = economische factoren e van perceel o βp = coëfficiënten van politieke factoren p X po = politieke factoren p van perceel o ε = storingsterm (onverklaarde variantie) Bij het gebruik van de hedonische prijs methode is de kans aanwezig dat er sprake is van multicollineariteit. Multicollineariteit betreft de aanwezigheid van correlatie tussen twee onafhankelijke variabelen. Indien er een sterke correlatie aanwezig is, is er ook sprake van grote gedeelde variantie. Grote gedeelde variantie zorgt er uiteindelijk voor dat het moeilijk is om de individuele bijdrage van een onafhankelijke variabele te bepalen. Multicollineariteit kan worden aangetoond met behulp van de Pearson correlatie12. Indien er multicollineariteit aanwezig is moet er worden besloten om variabelen te verwijderen of samen te voegen voordat het model kan worden toegepast. Verder bestaat er de mogelijkheid dat er correlatie aanwezig is tussen twee percelen met gelijkwaardige locatie eigenschappen. Deze correlatie wordt ook wel beschreven als ruimtelijke autocorrelatie. Kobbels et al. (2009) beschreven ruimtelijke autocorrelatie als het gevolg van een ruimtelijk patroon die veel overeenkomsten vertoont. Percelen welke in 10

Onderzoek n.a.v. een gebeurtenis om het effect ervan vast te stellen en om lering eruit te trekken. Niet experimenteel onderzoek is onderzoek waarbij geen gebruik wordt gemaakt van een laboratorium of een controleerbare situatie. 12 Pearcon correlatie beschrijft de sterkte en richting tussen twee variabelen indien er voldoende spreiding aanwezig is. 11

53

dezelfde gemeente liggen zullen waarschijnlijk vergelijkbare eigenschappen hebben in vergelijking met twee percelen welke in andere gemeente liggen. De omvang van het afhankelijkheidseffect kan gemeten worden met ruimtelijke autocorrelatie (Kobbels et al., 2009, p.66). Naar verwachting zal ruimtelijke autocorrelatie ontstaan omdat het effect van politieke en economische omstandigheden binnen de gemeentelijke grenzen gelijkwaardig kunnen zijn. Dit vanwege de redenering dat niet iedere verklarende variabelen mee wordt genomen en er dus sprake zal zijn van residuen, waartussen correlatie kan ontstaan. OLS methode

Er zijn twee mogelijkheden om aan te tonen of er sprake is van ruimtelijke autocorrelatie (Kobbels et al., 2009; Wang et al., 2014). De eerste methode maakt gebruik van dummyvariabelen en betreft de Ordinary Least Square (OLS) methode welke een vorm is van een lineair regressie model. Deze methode wordt ook vaak benoemd als een fixed effect model waarbij het effect van de gemeente wordt meegenomen als verklarende variabele en niet wordt opgenomen in de storingsterm. Indien er wordt gekozen om de OLS methode toe te passen binnen het onderzoek en ruimtelijke autocorrelatie is aanwezig, kan hiervoor deels worden gecorrigeerd door gebruik te maken van dummy-variabelen. Een dummy-variabele is een indicator-variabele die de waarde 0 of 1 kan hebben. Planbureau voor de Leefomgeving (2009) en Wang et al. (2014) affirmeert de stelling dat dummy-variabelen nodig zijn om ruimtelijke autocorrelatie aan te tonen en voegde locatie dummy-variabelen toe in hun onderzoek. De dummy-variabelen voor het meten in welke gemeente de transactie heeft plaats gevonden kan door middel van formule 5.2. Door gebruik te maken van deze dummy-variabelen zal het uiteindelijk resultaat voor een deel worden gecorrigeerd voor ruimtelijke autocorrelatie. Tevens zullen er dummy-variabelen worden gebruikt welke corrigeren voor mogelijke tijdseffecten. De formule voor deze dummyvariabelen zijn zichtbaar in formule 5.3. 𝛼 = {𝛼𝑔 |𝑔 = 0,1,2, … , 𝑀 − 1}

(5.2)

𝛼 is de set van dummy-variabelen en g de gemeente. 𝑀 bedraagt het totaal aantal gemeten gemeenten. 𝜗 = {𝜗𝑡 |𝑡 = 0,1,2, … , 𝑋 − 1}

(5.3)

𝜗 is de set van dummy-variabelen en t de transactiejaren. X bedraagt het totaal aantal transactiejaren. Indien de bovenstaande dummy-variabelen worden toegepast binnen de OLS methode resulteert dit in formule 5.4. 𝑥1𝑜 𝑀−1 𝑋−1 𝑥2𝑜 𝑦𝑜 = 𝛽0 + [ 𝛽1 , 𝛽2 , … . 𝛽𝑛 ] .. + ∑ 𝜇𝑔 𝛼𝑔𝑜 + ∑ 𝜑𝑡 𝜗𝑡𝑜 + 𝜀 . [𝑥𝑛𝑜 ]

𝑔=1

(5.4)

𝑡=1

Waarbij 𝑦𝑜 de transactieprijs van het perceel o betreft en 𝑋𝑛𝑜 de onafhankelijke variabele met de daarbij behorende partiële regressiecoëfficiënt, weergegeven als 𝛽𝑛 . De error term is weergegeven als 𝜀. De gemeentedummy is weergegeven als 𝛼𝑔𝑜 . De coëfficiënt van de dummy 𝛼𝑔𝑜 is weergeven als 𝜇𝑔 . De tijdsdummy is weergegeven als 𝜗𝑡𝑜 . De coëfficiënt van de dummy 𝜗𝑡𝑜 is weergegeven als 𝜑𝑡 . De OLS methode stelt tevens een viertal assumpties en indien hieraan wordt voldaan kan het resultaat van de methode als zijnde betrouwbaar worden beschouwd (Koppels et al., 2014). Eén van de vier assumpties heeft betrekking op 54

de al eerder benoemde ruimtelijke autocorrelatie. De tweede assumptie heeft betrekking op de stellingen dat er een lineaire relatie aanwezig is tussen de afhankelijke variabele en de onafhankelijke variabelen. De derde assumptie heeft betrekking op de homoscedasticiteit. De assumptie betreft de stelling dat de variantie van de residuen constant moeten zijn. De laatste assumptie heeft betrekking op de assumptie dat de residuen normaal verdeeld zijn. Multi-level methode

Traditionele lineaire regressie technieken (OLS-methode) behandelen de analyse-eenheden als onafhankelijke waarnemingen en niet als een hiërarchische structuur. Een gevolg van het niet herkennen van hiërarchische structuren is dat standaard fouten van regressiecoëfficiënten worden onderschat, wat leidt tot een overwaardering van de statistische significantie en het niet herkennen van ruimtelijke autocorrelatie (Wang et al., 2014). Zo suggereerden Koppels et al. (2009) dat de assumpties overeind blijven bij de OLS methode maar er wel degelijk sprake kan zijn van ruimtelijke autocorrelatie. Een multi-level model, ook wel het random effect model, herkent de afwijking van ieder niveau in een hiërarchie. Het multi-level model benadert ruimtelijke correlatie als een vorm van een niveau binnen een regressie. De stelling is namelijk dat er onderscheid moet worden gemaakt tussen de niveaus om rekening te houden met ruimtelijke autocorrelatie. Hierdoor wordt niet alleen de invloed van de diverse onafhankelijke variabelen op de grondtransactie bepaald maar ook of de hoogte van de grondtransactie wordt beïnvloed door de gemeente waarbinnen de transactie heeft plaatsgevonden. De verschillende niveaus zijn aangegeven in figuur 5.1. Binnen het onderzoek is er sprake van 2 niveaus (2 level model) te benoemen als het perceel niveau en het gemeentelijk niveau.

Perceel

2000

Amsterdam

Rotterdam

2002

enz...

Niveau 1 Utrecht

Den Haag

Niveau 2 Niveau 3

Figuur 5.1. Multi-level model.

Dit model bekijkt niet alleen de individuele parameters, zoals bij de OLS methode, maar maakt onderscheid in verschillende hiërarchische niveaus. De parameters op een hoger hiërarchisch niveau worden ook wel de contextuele parameters genoemd. De contextuele parameters binnen de multi-level methode zijn de variabelen die het effect van de gemeente bepalen op de prijsvorming. Wanneer de contextuele parameters worden toegevoegd aan de huidige hedonische prijs methode zal dit resulteren in de onderstaande Formule 5.5.

𝑦𝑜𝑔

𝑥1𝑜 𝑋−1 𝑥2𝑜 = 𝛽0 + [ 𝛽1 , 𝛽2 , … . 𝛽𝑛 ] .. + ∑ 𝜑𝑡 𝜗𝑡𝑜 + 𝛼𝑔 + 𝜀𝑔 + 𝜀 . [𝑥𝑛𝑜 ]

(5.5)

𝑡=1

55

Waarbij: 𝑦𝑜𝑔 = transactieprijs van perceel o in gemeente g 𝛽0 = constante 𝛽𝑛 = coëfficiënten van de onafhankelijke variabelen n 𝑋𝑛𝑜 = onafhankelijke variabele n van perceel o 𝜗𝑡𝑜 = dummy-variabelen voor transactiejaren t van perceel o 𝜑𝑡 = coëfficiënten van de dummy-variabelen 𝜗 voor transactiejaar t 𝜀𝑔 = random error term voor gemeente g 𝛼𝑔 = constante gemeente variabele voor gemeente g 𝜀 = storingsterm (onverklaarde variantie) Tijdens dit onderzoek zal in eerste instantie gebruik worden gemaakt van de OLS methode vanwege de eerder genoemde reden dat deze methode eenvoudige toepasbaar is. Voorafgaande aan deze methode zal de verkregen data, indien nodig, moeten worden omgezet. Zo bestaat er de mogelijkheid dat gegevens ontbreken of foutief zijn ingevuld en moeten worden gesplitst, samengevoegd, gesommeerd en geclassificeerd. De tweede stap heeft betrekking op de beschrijving van de gebruikte data. Het gaat hierbij om het beschrijven van één variabele met gerelateerd aan het meetniveau, het bereik, het gemiddelde, de standaard deviatie en de verdeling. Vervolgens zal de data worden getest op multicollineariteit. Indien multicollineariteit wordt aangetoond zal er een keuze moeten worden gemaakt welke onafhankelijke variabelen verwijderd moeten worden of moeten worden samengevoegd. Afsluitend zal de individuele invloed van één verklarende variabele op de afhankelijke variabele worden bepaald door de Pearson correlatie13. Dit zal een eerste indicatie geven in hoeverre de verklarende variabelen correleren met de afhankelijke variabele. Stap drie betreft de bivariate correlatie analyse. Hierin zullen de vier assumpties worden getoetst. Als eerste zal er worden gekeken of de residuen normaal verdeeld zijn. Dit zijn worden gedaan door middel van een P-P Plot. Als aanvullende assumptie zal er tevens worden gekeken naar de aanwezigheid van eventuele Outliers. Outliers worden zichtbaar gemaakt door middel van de Kurtosis en Skewness test. Indien de Kurtosis gelijk is aan 0,000, is er sprake van de meest zuivere normale verdeling. Indien de waarde groter is dan 2,000 of kleiner dan -2,000 dient er nader te worden gekeken naar de variabele in kwestie. Tevens zullen boxplots afwijkende Kurtosis en Skewness waarden duidelijker in kaart brengen. Daarnaast dient de relatie tussen de afhankelijke en onafhankelijke variabele lineair is. Vervolgens zal de Breusch-Pegan test bepalen of er sprake is van homoscedastisiteit of heteroscedastisiteit. Afsluitend zal de Durbin-Watson test worden toegepast om het model te toetsen op ruimtelijke autocorrelatie. Indien één van deze assumpties wordt verworpen zal er nader naar het model moeten worden gekeken. Indien de assumpties niet worden verworpen kan de multipele regressieanalyse worden uitgevoerd. Er zal gebruik worden gemaakt van de STEPWISE methode waarbij de nulhypothese is vastgesteld dat er geen verband bestaat tussen de onafhankelijke en afhankelijke variabelen.

13

Pearcon correlatie beschrijft de lineaire relatie tussen twee variabelen indien er voldoende spreiding aanwezig is.

56

Afsluitend zal de multi-level methode worden gebruikt en zal er een vergelijkbaar proces worden uitgevoerd. De resultaten kunnen worden vergeleken met de resultaten van de OLS methode op basis van de R², AIC en Loglikelihood. Hierdoor kunnen eventuele ruimtelijke autocorrelaties alsnog worden aangetoond.

5.4 TRANSACTIEDATA De grondtransacties komen op twee manier tot stand. Deze omvatten de toewijzing van gronden door middel van erfpacht of eigendomsrecht door de gemeente, of door middel van een onroerend goed transactie tussen twee of meer partijen waarbij het eigendomsrecht van de grond (indien niet verworven via erfpacht), wordt overgedragen tussen deze partijen. De transacties voor eigendomsrechten worden verhandeld op de gebruikers- of de beleggingsmarkt. In beide gevallen kunnen de grondtransacties worden onttrokken uit de eigendomsaktes van het kadaster. Er ontstaat hierbij echter het probleem dat, indien de grond is uitgegeven in erfpacht, de transactieprijs is bepaald per vierkante meter b.v.o., terwijl wanneer de transactie is uitgegeven in eigendom, de transactieprijs betrekking heeft op de grondprijs per vierkante meter kavel. Hierdoor zullen de grondtransacties in eigendom moeten worden omgezet naar de grondtransacties per vierkante meter b.v.o. Dit kan door de reeks al eerder benoemde FSI. Door de grondtransactie te vergelijken met de opgelegde eisen vanuit de gemeente voor het desbetreffende perceel, kan een transactieprijs per vierkante meter b.v.o. worden berekend. Daarnaast zullen alleen transacties worden meegenomen in een tijdsperiode van 2000 tot 2014 waarbij, in het geval van erfpacht, de ingangsdatum bekend moet zijn wanneer de grondprijs is vastgesteld. Indien het erfpachtcontract is herzien zal dit de datum van de grondtransactie zijn. Aangezien de transacties in verschillende periodes hebben plaatsgevonden zal het transactiebedrag moeten worden gecorrigeerd en contant worden gemaakt naar 1 januari 2014. De formule die hiervoor zal worden gebruikt betreft: 𝑦𝑜𝑔𝑡 = 𝑦𝑜𝑔𝑡 ∗ 𝑖^(𝑡−2000)

(5.6)

Waarbij 𝑦𝑜𝑔𝑡 de gecorrigeerde grondtransactie is van één perceel o in gemeente g in de jaargang t per vierkante meter b.v.o. 𝑦𝑜𝑔𝑡 is de grondtransactie van perceel o in gemeente g in jaargang t welke wordt gecorrigeerd voor inflatie (i) aan de hand van het CPI=2000 in jaargang t. Vervolgens heeft het onderzoek betrekking op de kantorenmarkt in de G4. Belangrijk hierbij is dat ieder mogelijk perceel, bestemt voor de functie kantoren, in deze regio wordt meegenomen. Dit zodat tijdens de statistische analyse een significant resultaat te behalen is voor verklarende variabelen. De grondtransacties moeten gekoppeld zijn aan een adres of een zogenoemde kadastraal ID-nummer. Dit zodat x- en y-coördinaten aan de diverse grondtransacties kunnen worden gekoppeld. Hierdoor wordt de beschikbare grondtransactie data vertaald in ruimtelijke objecten waardoor deze vervolgens kunnen worden geanalyseerd in een Geographical Information System (GIS). GIS is een informatiesysteem waarmee (ruimtelijke) gegevens of informatie over geografische objecten, zogeheten geo-informatie kan worden opgeslagen, beheerd, bewerkt, geanalyseerd, geïntegreerd en gepresenteerd (Planbureau voor de Leefomgeving, 2009). Als laatste zal er vanuit worden gegaan dat ten tijde van de transactie de grond bouwrijp was en niet was voorzien van een opstal. Geconcludeerd kan de transactiedata als volgt worden gedefinieerd:

57

“De grondtransactie per vierkante meter b.v.o. met de bestemmingsfunctie kantoren, gelegen in de gemeente Amsterdam, Rotterdam, Utrecht of Den Haag, waarbij het transactiejaar in de periode 2000-2014 ligt, gecorrigeerd naar het prijsniveau van 1 januari 2014”.

5.5 DATA ONAFHANKELIJKE VARIABELEN Voordat de onafhankelijke variabelen kunnen worden toegepast in een hedonische prijsmethode zal eerst het beoogde meetniveau van de variabelen worden vastgesteld. Om de data optimaal te gebruiken zullen de variabelen worden gemeten op een ratio niveau. Indien anders zal dit worden vermeld. Daarnaast kunnen de meetniveaus betrekking hebben op het perceel, de buurt, de gemeente of Nederland. Er zal dus onderscheid moeten worden gemaakt op welk geografisch niveau de onafhankelijke variabelen worden gemeten. Tijdens dit onderzoek zullen grotendeels de fysieke en sociale locatievariabelen worden onttrokken uit GIS. Als input voor GIS is gebruik gemaakt van BAGviewer (2015). Uitgaande dat de BAGviewer de meest volledige dataset is voor de kenmerken van het vastgoed in Nederland, is deze data beperkt. Zo kunnen niet alle onafhankelijke variabelen worden gemeten. De volgende opmerkingen kunnen worden gemaakt:  De bestemmingen per object zijn beperkt. De beschikbare data maakt geen onderscheid tussen een- en meergezinswoningen maar beschrijft de functie wonen. Daarnaast is het aantal objecten met de bestemming cultuur en/of ontspanningen niet opgenomen in de BAGviewer en kunnen daarom niet worden meegenomen als onafhankelijke variabelen.  Tijdens dit onderzoek is er geen toegang tot een wegenbestand waardoor de reisafstand voor variabelen met betrekking tot afstand niet kan worden gemeten. In bijlage 1 zal worden beschreven op welke manier deze onafhankelijke variabelen beoogd te worden gemeten.  De variabele welke betrekking heeft op de kwaliteit van het treinstation kan niet worden meegenomen in het onderzoek vanwege het ontbreken van de RSQI (Rail Service Quality Index)14 score van bepaalde stations.  Het is niet bekend of het erfpacht is afgekocht bij de onderzoekseenheden. De voorgestelde bron van Dijkstra (2013) voor het bepalen of het erfpacht is afgekocht, gehete het Bureau Erfpacht van het OGA, is niet toereikend. Tevens betreft het alleen percelen welke zijn uitgegeven in erfpacht in Amsterdam. De overige gemeenten hebben geen vergelijkbare dataset.  Afsluitend wordt er geen onderscheid gemaakt tussen FIRE en NON-FIRE bij de objecten bestemd voor kantoorfunctie. Tabel 5.1 geeft een overzicht van de onafhankelijke variabelen met de daarbij benoemde meetniveaus, eenheden en geografisch schaalniveaus.

14

Score voor de kwaliteit van een treinstation, ontwikkeld door de Graaf et al. (2010).

58

TABEL 5.1 OVERZICHT ONAFHANKELIJKE VARIABELEN Factor

Variabelen

Toelichting

Meetniveau

Eenheid

Geografisch schaalniveau

Bron

Ratio

Km

Locatie

BAGviewer

Ratio Ratio Ratio Ratio Ratio Ratio

Km Km N(aantal)

Locatie Locatie Locatie

BAGviewer BAGviewer BAGviewer

Ratio

Wijk

Fysiek Afstand tot snelweg afoprit Afstand tot treinstation Afstand tot bushalte Aantal winkels Aantal horecagelegenheden Aantal sportfaciliteiten Landschapsarchitectuur

Straal van 500m Straal van 500m Straal van 500m

Beroepsbevolking in cluster

Inwoners binnen 23 km

Ratio

N(aantal) x 1000

Locatie

Leefbarome ter (2015) CBS (2015)

Clustergrootte

m² kantoren binnen cluster

Ratio

m² x 1000

Locatie

BAGviewer

Ratio Ratio Ratio Ratio Ratio Ratio

N(aantal) Percentage Percentage

Locatie Locatie Locatie

BAGviewer BAGviewer BAGviewer

Werkloosheidspercentage Kantoorbanen

Ratio Ratio

Gemeente Gemeente

CBS (2015) ABF (2015)

Voorraad Leegstandspercentage Opname Aanbod O/A ratio BBP/hoofd Langetermijnrente Constructiekosten Inflatie

Ratio Ratio Ratio Ratio Ratio Ratio Ratio Ratio Ratio

Percentage N(aantal) x 1000 m² x 1000 Percentage m² x 1000 m² x 1000 Percentage N/inwoner Ratio Ratio Ratio

Gemeente Gemeente Gemeente Gemeente Gemeente Gemeente Nederland Nederland Nederland

DTZ (2015) DTZ (2015) DTZ (2015) DTZ (2015) DTZ (2015) CBS (2015) CBS (2015) CBS (2015) CBS (2015)

Locatie

kadaster (2015) CBS (2015)

Sociaal

Aantal kantoren in cluster FAR % woningen in cluster % winkels in cluster % kantoren in cluster % industrie in cluster

Floor Area Ratio

Economisch

Opname Aanbod Ratio

Politiek Erfpacht

Nominaal

Bouwvergunningen

Gemeentedummy tijdsdummy

aantal uitgegeven bouwvergunningen

Ratio

m² x 1000

Locatie

Dummy Dummy

Een aantal onafhankelijke variabelen vragen om extra uitleg en zullen vanwege deze reden in bijlage 1 verder worden toegelicht.

59

60

6. STATISTISCHE ANALYSE 6.1 INLEIDING Tijdens dit onderzoek is gebruik gemaakt van een aselecte steekproef, welke 28% van de totale uitgegeven gronden betreft. Hierbij zijn willekeurig vanuit BAGviewer kantoren geselecteerd welke voldoen aan de al eerder benoemde criteria zoals beschreven in paragraaf 5.4. Dit hoofdstuk zal nader ingaan op de steekproef en in hoeverre de diverse eigenschappen de grondprijs kunnen verklaren. Als eerste zal in paragraaf 6.2 de beschrijvende statistiek worden behandeld. Hierin zullen de vergaarde grondtransacties nader worden bekeken. Tevens zullen de onafhankelijke variabelen worden geanalyseerd. Paragraaf 6.3 behandelt de vier assumpties, welke worden geëist indien er gebruik wordt gemaakt van een multiple regressie analyse. Paragraaf 6.4 en 6.5 hebben betrekking op de analysemethoden. Als eerste zal de OLS methode worden toegepast waarna de multi-level methode wordt uitgevoerd. Deze paragraaf zal tevens in het teken staan van het bespreken van de onderzoeksresultaten.

6.2 BESCHRIJVENDE STATISTIEK Transactieprijzen

In de dataset zijn initieel 305 grondtransacties meegenomen. 9/305ste deel heeft een maximaal toelaatbare opstal onder de 500 m² b.v.o. Grondtransacties waarbij het maximaal toelaatbare opstal minder dan 500 m² b.v.o. bedraagt zijn onvoorspelbaar vanwege de omvang en de specifieke vraag van de toekomstige gebruiker (van der Zon, 2014). Deze onderzoekseenheden zullen daarom worden verwijderd uit de dataset waardoor de dataset uit 296 grondtransacties zal bestaan. In het onderzoek is de gemiddelde gecorrigeerde grondtransactie per m² b.v.o. EUR 488,-. Het merendeel van de grondtransacties (77%) is aanwezig in de bandbreedte EUR 271,- en EUR 881,-.15 Het gemiddelde metrage per transactie bedraagt circa 12.053 m² b.v.o. Tabel 6.1. geeft de beschrijvende statistiek weer van de grondtransacties.

TABEL 6.1 BESCHRIJVENDE STATISTIEK GRONDTRANSACTIES Eenheid

Observaties

Gemiddelde

Standaard- deviatie

Min.

Max.

Transactieprijs

EUR

296

5.975.884

9.036.410

155.187

62.029.996

Toegestane b.v.o.

m²

296

12.053

18.781

500

245.075

Prijs per b.v.o.

EUR/m²

296

488

271

30

2.448

Gecorrigeerde grondprijs

EUR/m²

296

576

305

37

2.724

Transactiejaar

Jr.

296

2005

4

2000

2014

Transactieprijzen per gemeente

Circa 45% van de steekproef bevindt zich in Amsterdam. Dit is te verklaren doordat er gebruik is gemaakt van een aselecte steekproef. Amsterdam heeft in vergelijking met de drie andere steden een grotere vraag naar kantoren waardoor er aanzienlijk meer grondtransacties plaats vinden. Tevens zijn de grondtransacties van grotere omvang. Zo bedraagt de gemiddelde transactieprijs circa EUR 8.590.000,-. Dit is in vergelijking met Rotterdam, Den Haag en Utrecht het dubbele. Tabel 6.2 laat de

15

De gemiddelde gecorrigeerde grondprijs per b.v.o. bedraagt EUR 576,- per m². Omdat de standaarddeviatie 305 bedraagt is 77% van de onderzoekseenheden aanwezig in de bandbreedte (EUR 576,- - 305 = EUR 271,- / EUR 576,- + 305 = EUR 881,-).

61

beschrijvende statistiek zien van de grondtransacties ten opzichte van de gemeente. TABEL 6.2 GEMEENTE IN DATASET Gemeente

Frequentie

Percentage

Cumulatief 45,3%

Gemiddelde transactieprijs 8.592.166

Gecorrigeerde grondprijs per b.v.o. 652

Gemiddelde toegestane b.v.o. 14.550

Amsterdam

134

45,3%

Rotterdam

72

24,3%

69,6%

3.925.567

452

11.362

Den Haag Utrecht

34

11,5%

81,1%

4.265.996

443

12.124

56

18,9%

100,0%

3.436.479

632

6.966

Totaal

296

100,0%

5.975.884

576

12.053

Om een beter beeld te schetsen van de gemeente waarin de onderzoekseenheden (lees: transactieprijzen)zich bevinden, geven figuur 6.1 tot en met 6.4 een overzicht weer van postcodegebieden van Amsterdam, Rotterdam, Utrecht en Den Haag. Een algemene opmerking betreffende de visualisaties van de grondprijzen, is dat niet alle postcodegebieden zijn gekenmerkt met een gemiddelde grondprijs. Dit is omdat er tijdens dit onderzoek gebruik wordt gemaakt van een aselectieve steekproef wat een indicatie geeft van de gehele populatie. Hierdoor zijn postcodegebieden, waarin niet tot nauwelijks kantooractiviteiten aanwezig zijn, niet meegenomen in de steekproef. Indien er zich maar weinig onderzoekseenheden in een postcodegebied bevinden, hebben de individuele onderzoekseenheden een sterke invloed op de gemiddelde grondprijs waardoor de daadwerkelijke grondprijs in een postcodegebied kan afwijken van het meetresultaat.

2 4 5 1

3

Figuur 6.1 Grondprijzen per postcodegebied in Amsterdam

Amsterdam hanteert van de vier onderzochten gemeenten de hoogste grondprijs per vierkante meter b.v.o. Figuur 6.1 geeft een duidelijke visualisatie van de 62

verschillende binnenstedelijke prijsniveaus. In de Zuidas (1) zijn de hoogste grondprijzen zichtbaar. De grondtransacties, welke plaatshebben gevonden op en rondom de Zuidas overschrijden als enige locatie in Amsterdam de EUR 1.000-, per vierkante meter b.v.o. barrière. Daarnaast zijn de kantoorlocaties Sloterdijk (2), Bijlmer Arena (3), centrum (4) en IJburg (5) kenmerkend door hogere grondprijzen. Echter staan deze niet in verhouding met de Zuidas. De gemiddelde grondprijs in Amsterdam betreft EUR 652,- per m² b.v.o.

2

1

4

3

Figuur 6.2 Grondprijzen per postcodegebied in Rotterdam

Binnen de aselecte steekproef zijn de grondprijzen in Rotterdam gelijkmatiger dan in Amsterdam. Binnen het centraal station (1) en de Spaanse Polder (2) bevinden zich de hoogste grondprijzen. Naarmate de afstand afneemt ten opzichte van het centrum gebied, is het zichtbaar dat de grondprijzen ook afnemen. Kantoorlocaties in het Zuidplein (3) en Capelle aan den IJssel (4) laten dit zien, waarbij de gemiddelde grondprijs per m² b.v.o. tussen de EUR 501,- en EUR 700,- ligt. Percelen welke zijn gelegen in buiten stedelijke gebieden hanteren de laagste grondprijzen binnen Rotterdam. De gemiddelde grondprijs in Rotterdam bedraagt EUR 452,- per m² b.v.o. 11,5% van de aselecte steekproef is genomen in de gemeente Den Haag. Dit resulteert in een onnauwkeurige representatie van de gemiddelde grondprijs per m² b.v.o. Zo beïnvloedt de transactie op de Laan van Waalhaven de gemiddelde grondprijs in Ypenburg (1). Binnenstedelijke kantoorlocaties zoals het Beatrixkwartier (2) en Binckhorst (3) behoren tot de kantoorlocaties waar de hoogste grondprijzen per m² b.v.o. worden gehanteerd. Daarnaast behoort het Congrescentrum e.o. (4) ook tot één van de duurdere kantoorlocaties in Den Haag. Afsluitend bevindt er zich één grondtransactie in Zichtenburg (5) welke niet representatief is voor het gehele postcodegebied. De gemiddelde grondprijs in Den Haag bedraagt EUR 443,- per m² b.v.o.

63

4 2 3

5

1

Figuur 6.3 Grondprijzen per postcodegebied in Den Haag

3

2

1

Figuur 6.4 Grondprijzen per postcodegebied in Utrecht

64

De gemiddelde grondprijs in Utrecht wordt sterk beïnvloed door de kantoorlocatie Papendorp (1). De relatief nieuwe kantoorlocatie bedraagt 66% van de totaal 56 waarnemingen die zijn gedaan in de gemeente Utrecht. Door het grote aantal onderzoekseenheden, geeft dit een duidelijk inzicht welke grondprijs wordt gehanteerd in dit gebied. De overige kantoortransacties bevinden zich in de kantoorlocatie Lageweide (2) en Leidsche Rijn Centrum e.o. (3). De gemiddelde grondprijs in Utrecht bedraagt EUR 632,- per m² b.v.o. Transactieprijzen per gemeente

Naast de grondprijzen per gemeente, kunnen ook de grondprijzen per jaar worden geanalyseerd. Tabel 6.3 geeft de beschrijvende statistiek weer van de grondprijzen ten opzichte van het transactiejaar. 18,6% van de onderzoekseenheden hebben plaatsgevonden in het jaar 2000. Daarna blijven het aantal grondtransacties per jaar relatief stabiel. Echter is het zichtbaar dat na 2008 het aantal grondtransacties stagneert. Dit kan deels komen door de economische crisis. De aanname kan worden gemaakt dat het aantal transacties direct reageert op de economie omdat de grondtransactie aan het begin van het bouwproces plaats vindt. Wanneer namelijk de vraag naar kantoren vermindert zal er ook geen nieuwe grond worden aangekocht voor het ontwikkelen van kantoren. De steekproef laat echter geen sterke daling of stijging zien in de periode van 2000 tot en met 2014 voor de gecorrigeerde grondprijs per m² b.v.o. Dit kan een indicatie zijn dat het transactiejaar geen sterke bepalende factor is voor de hoogte van de grondtransactie. Dit hoofdstuk zal verder ingaan op de beschrijvende statistiek van de onafhankelijke variabelen.

TABEL 6.3 JAARGANG IN DATASET Transactiejaar 2000

Frequentie

Percentage

Cumulatief 18,6%

Gemiddelde transactieprijs 3.219.936

Gecorrigeerde grondprijs per b.v.o. 432

Gemiddelde toegestane b.v.o. 10.289

55

18,6%

2001

24

2002

32

8,1%

26,7%

6.005.910

540

12.397

10,8%

37,5%

6.976.942

726

10.114

2003 2004

23

7,8%

45,3%

3.561.394

525

13.427

20

6,8%

52,0%

8.605.968

668

13.043

2005

17

5,7%

57,8%

4.407.680

545

8.407

2006

31

10,5%

68,2%

3.781.239

571

8.433

2007

23

7,8%

76,0%

7.659.424

658

13.071

2008

30

10,1%

86,1%

4.479.299

656

6.651

2009

12

4,1%

90,2%

9.871.864

521

15.409

2010

7

2,4%

92,6%

10.712.090

708

15.011

2011

7

2,4%

94,9%

7.139.442

440

16.650

2012

4

1,4%

96,3%

5.006.327

441

9.415

2013

5

1,7%

98,0%

9.652.623

585

15.331

2014

6

2,0%

100,0%

25.811.586

745

58.158

Totaal

296

100,0%

5.972.209

576

11.928

Onafhankelijke variabelen

Tabel 6.5 geeft de beschrijvende statistiek van de onafhankelijke variabelen weer. De beschrijvende statistiek zal van links naar rechts worden toegelicht. In de meest linker kolom zijn de verschillende onafhankelijke variabelen beschreven. De kolom, beschreven als “N”, geeft het aantal onderzoekseenheden per onafhankelijke variabele weer. In de dataset is geen sprake van missing values waardoor “N” bij iedere onafhankelijke variabele gelijk staat aan 296. Vervolgens is het gemiddelde

65

weergegeven (Mean). Hierbij kan de opmerking worden gemaakt dat de medianen van de variabelen afstand tot snelweg op- en afrit, treinstation en bushalte fors afwijken van het gemiddelden. Dit betekent dat “scheefheid” groot is. Indien de scheefheid groot is kan er worden beweerd dat de data niet-normaal verdeeld is. Daarnaast is zichtbaar dat bij de variabelen “Afstand tot snelweg”, “Afstand tot treinstation” en “Afstand tot bushalten” de maximale waarden veel afwijkt van het gemiddelde. Dit kan een indicatie zijn dat er sprake is Outliers. Dit zal verder worden behandeld tijdens het toetsen van de vier assumpties. Om een eerste indicatie te geven van de correlatie tussen de verschillende onafhankelijke variabelen en de gecorrigeerde grondprijs per m² b.v.o. is een Pearson correlatie uitgevoerd. Van de door de literatuur besproken variabelen zijn er slechts 20 significant. Hierbij is rekening gehouden met een significantieniveau van 0.05 of kleiner. Tabel 6.4 geeft de Pearson correlatie weer tussen de significante onafhankelijke variabelen en de gecorrigeerde grondprijs. TABEL 6.4 PEARSON CORRELATIE MET DE GRONDPRIJS Onafhankelijke variabelen Clustergrootte

Correlatie

Significantie 0,195

**

% woningen

-0,160

**

% kantoren

0,304

**

% industrie

-0,123

*

Beroepsbevolking

-0.189

**

Afstand tot snelweg op-afrit

-0,157

**

Afstand tot treinstation

-0,135

*

Aantal sportfaciliteiten

0,213

**

Werkloosheidspercentage

-0,118

*

Kantoorbanen

0,236

**

Aanbod

0,257

**

Voorraad

0,204

**

leegstandspercentage

0,178

**

A/O

-0,172

**

Constructiekosten

0,156

**

Amsterdam

0,229

**

Rotterdam

0,230

**

DenHaag

-0,157

**

2000

-0,225

**

2002

0,170

**

** p < 0.01, * p < 0.05

Opvallend is dat de variabelen, welke zijn meegenomen voor de politieke invloed op de grondtransactie, voor dit onderzoek niet significant zijn. Daarnaast zijn de bovenstaande richtingen (negatieve of positieve correlatie) zoals verwacht met uitzondering van een aantal variabelen. Zo is waarneembaar dat wanneer de beroepsbevolking stijgt, de grondprijs daalt, maar indien het aantal kantoorbanen stijgt, de grondprijs stijgt. Deze richting is onverwacht en zal nader moeten worden onderzocht. Een vergelijkbare stelling kan worden geplaatst bij de correlatie tussen het leegstandspercentage en de grondprijs. Zo kan de stelling worden gemaakt dat indien het leegstandspercentage stijgt, de grondprijs ook stijgt. Ook deze richting

66

zal nader moeten worden onderzocht. Figuur 6.5 geeft de correlatie weer, gevisualiseerd in het conceptueel model.

67

Sociale locatie eigenschappen 0,195

Clustergrootte Aantal kantoren in cluster FAR % woningen in cluster

-0,160

% winkels in cluster 0,304

% kantoren in cluster

-0,123

% industrie in cluster

Fysieke locatie eigenschappen -0,157

Afstand tot snelweg af-oprit

-0,135

Afstand tot treinstation

Locatie eigenschappen

Afstand tot bushalte Aantal detailhandel Aantal horecagelegenheden Aantal sportfaciliteiten

0,213

Landschapsarchitectuur Beroepsbevolking in cluster

-0.189

-0,118

Werkloosheidspercentage

0,236

Kantoorbanen

0,257

Voorraad

0,204

Aanbod

0,178

Leegstandspercentage

-0,172

O/A ratio

Economische factoren

Grondprijs

Bruto binnenlands product Langetermijnrente Constructiekosten

0,156

Inflatie

Erfpacht Bouwvergunningen 0,229

Amsterdam

0,230

Rotterdam

-0,157

Den Haag

-0,225

2000

0,170

Politieke factoren

2002

Figuur 6.5 Correlaties gevisualiseerd in het conceptueel model.

68

TABEL 6.5 BESCHRIJVENDE STATISTIEK ONAFHANKELIJKE VARIABELEN Factor

Variabele

Eenheid

N

Mean

Stand. Error

Median

Stand. Dev.

Kurtosis

Skewness

Min.

Max.

Range

Sum

Afstand snelweg Afstand treinstation Afstand bushalte Aantal winkels Aantal horeca Aantal sportfaciliteiten Landschapsarchitectuur Beroepsbevolking

Meter Meter Meter Aantal Aantal Aantal Score Aantal*1000

296 296 296 296 296 296 296 296

1025,54 1761,76 202,69 37,25 16,80 1,58 16,57 1306,77

56,788 72,392 9,678 6,765 2,715 ,297 1,411 15,836

689,87 1398,36 164,27 2,00 6,00 0,00 16,26 1338,31

977,010 1245,480 166,506 116,397 46,715 5,102 24,284 272,448

4,095 -,967 15,622 21,086 43,090 57,862 -1,145 -,266

1,868 ,403 3,008 4,529 6,026 6,961 -,013 -,632

47,72 31,46 21,01 0,00 0,00 0,00 -47,64 757,44

5534,99 5219,59 1511,91 797,00 456,00 51,00 50,00 1811,24

5487,27 5188,13 1490,90 797,00 456,00 51,00 97,64 1053,80

303560 521481 59996 11026 4974 469 4905 386805

m² bvo*1000 Aantal Percentage Percentage Percentage Percentage

296 296 296 296 296 296 296

99,92 49,10 1,37 28,00% 3,08% 37,22% 21,59%

6,075 3,899 ,026 1,702% ,297% 1,626% 1,640%

60,51 32,50 1,26 18,53% 1,07% 34,89% 5,98%

104,525 67,088 ,441 29,281% 5,118% 27,972% 28,210%

,169 42,209 15,424 -,340 12,082 -1,070 ,792

1,107 5,222 3,450 ,897 3,425 ,350 1,405

1,00 1,00 1,00 1,00% 1,00% 1,00% 1,00%

383,00 741,00 4,38 99,89% 32,98% 101,00% 101,00%

382,00 740,00 3,38 98,89% 31,98% 100,00% 100,00%

29576 14533 405 8287% 913% 11018% 6390%

Percentage Aantal*1000 m² vvo*1000 m² vvo*1000 m² vvo*1000 Percentage Ratio EUR*1000 Percentage Index Percentage

296 296 296 296 296 296 296 296 296 296 296

6,53% 126,60 548,47 207,31 4083,10 10,11% 52,19% 2,09 4,26% 94,19 2,20%

,111% 3,190 21,597 6,994 78,351 ,255% 2,150% ,116 ,053% ,472 ,051%

6,70% 85,06 407,81 168,48 3849,18 8,86% 33,00% 2,10 4,23% 92,53 2,31%

1,907% 54,889 371,567 120,334 1347,996 4,386% 36,987% 1,988 ,904% 8,126 ,875%

,138 -1,677 -1,275 -,545 -1,574 -,842 -,316 ,137 1,072 -1,225 -,143

,485 ,328 ,557 ,744 ,104 ,397 1,023 -,681 -,896 ,119 ,707

2,40% 67,84 39,11 46,07 2047,00 3,36% 9,00% -3,30 1,45% 82,85 ,98%

12,60% 216,52 1248,37 486,96 6096,79 19,93% 146,00% 4,40 5,41% 107,66 4,16%

10,20% 148,68 1209,25 440,90 4049,79 16,57% 137,00% 7,70 3,96% 24,81 3,18%

1932% 37475 162347 61365 1208597 2993% 15449% 617 1262% 2787929% 650%

0;1 (ja;nee) Aantal*mlj

296 296

0,85 173,53

,021 8,861

1,00 135,00

,360 152,451

1,808 3,814

-1,948 2,064

0,00 3,00

1,00 630,00

1,00 627,00

251 51364

0;1 (ja;nee) 0;1 (ja;nee) 0;1 (ja;nee) 0;1 (ja;nee)

296 296 296 296

0,45 0,24 0,19 0,11

,029 ,025 ,023 ,019

0,00 0,00 0,00 0,00

,499 ,430 ,392 ,319

-1,977 -,557 ,548 3,922

,191 1,203 1,595 2,428

0,00 0,00 0,00 0,00

1,00 1,00 1,00 1,00

1,00 1,00 1,00 1,00

134 72 56 34

0;1 (ja;nee) 0;1 (ja;nee) 0;1 (ja;nee)

296 296 296

0,19 0,08 0,11

,023 ,016 ,018

0,00 0,00 0,00

,390 ,273 ,311

,641 7,569 4,467

1,624 3,085 2,537

0,00 0,00 0,00

1,00 1,00 1,00

1,00 1,00 1,00

55 24 32

Fysiek

Sociaal Clustergrootte Aantal kantoren in cluster FAR % woningen in cluster % winkels in cluster % kantoren in cluster % industrie in cluster Economisch Werkloosheidspercentage Kantoorbanen Aanbod Opname Voorraad Leegstandspercentage O/A ratio BBP/hoofd Langetermijnrente Constructiekosten Inflatie Politiek Erfpacht Bouwvergunningen Gemeente Amsterdam Rotterdam Den Haag Utrecht Transactiejaar 2000 2001 2002

67

2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014

0;1 (ja;nee) 0;1 (ja;nee) 0;1 (ja;nee) 0;1 (ja;nee) 0;1 (ja;nee) 0;1 (ja;nee) 0;1 (ja;nee) 0;1 (ja;nee) 0;1 (ja;nee) 0;1 (ja;nee) 0;1 (ja;nee) 0;1 (ja;nee)

296 296 296 296 296 296 296 296 296 296 296 296

0,08 0,07 0,06 0,10 0,08 0,10 0,04 0,02 0,02 0,01 0,02 0,02

,016 ,015 ,014 ,018 ,016 ,018 ,011 ,009 ,009 ,007 ,008 ,008

0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00

,268 ,251 ,233 ,307 ,268 ,302 ,198 ,152 ,152 ,116 ,129 ,141

8,110 10,062 12,707 4,766 8,110 5,085 20,066 37,968 37,968 70,214 55,165 45,133

3,171 3,463 3,824 2,595 3,171 2,655 4,683 6,302 6,302 8,470 7,536 6,843

0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00

1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00

1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00

23 20 17 31 23 30 12 7 7 4 5 6

68

Muticollineariteit

Multicollineariteit, zoals besproken in hoofdstuk 5 paragraaf 3, wordt bepaald door middel van de Pearson correlatie. Hierbij wordt een waarde boven de 0,850 gehanteerd als bovengrens. Indien de waarde deze grens overschrijdt is sprake van multicollineariteit en moet hier naar worden gehandeld. In bijlage 2 is zichtbaar dat er sprake is van multicollineariteit tussen de variabelen “Kantoorbanen”, “Aanbod” en “Voorraad”. Dit kan worden verklaard door de marktwerking van de kantorenmarkt. Indien de voorraad stijgt zijn er meer kantoorbanen. Echter gaat deze aanname niet op voor de correlatie tussen het aantal kantoorbanen en het aanbod. De mogelijkheid zou bestaan dat indien er meer kantoorbanen ontstaan, de markt een opleving ziet in de vraag naar kantoorruimte en hier op inspeelt door nieuwe kantoren te bouwen. Echter zou er dan ook een correlatie zichtbaar moeten zijn met de variabele “Opname”. Deze correlatie is waarneembaar in bijlage 2 maar is niet dermate hoog dat deze voor multicollineariteit zorgt. Een tweede correlatie is waarneembaar tussen het aanbod, de voorraad en het leegstandspercentage. Deze correlatie is verklaarbaar omdat wanneer de voorraad stijgt, het aanbod kantoren ook groter wordt. Nieuwbouw resulteert namelijk over het algemeen in een hoger aanbod wanneer er geen sprake is van voorverhuur of koop. Daarnaast resulteert leegstand in een groter aanbod kantoren. Voor zowel de variabelen “kantoorbanen” als “aanbod” is gekozen om deze te verwijderen uit het onderzoek. Daarnaast is er sprake van correlatie tussen het aantal winkels en het aantal horecagelegenheden. Horecagelegenheden en winkels zoeken elkaar vaak op in een binnenstedelijk gebied, wat een verklaring kan zijn waarom deze onafhankelijke variabelen met elkaar correleren. De aanwezige multicollineariteit kan worden verwijdert uit het model door deze twee functies samen te voegen tot één onafhankelijke variabele genaamd “verkooppunten”. De nieuwe variabele ontstaat door de som van het aantal winkels en horecagelegenheden te nemen. Afsluitend is er multicollineariteit aanwezig tussen de gemeente Utrecht en de beroepsbevolking en tussen de gemeente Amsterdam en de voorraad. De relatie tussen de gemeente Utrecht en de beroepsbevolking kan worden verklaard doordat de gemiddelde beroepsbevolking in Utrecht afwijkt van de beroepsbevolking in de drie overige gemeenten. Vandaar dat wanneer het aantal waarnemingen in de gemeente Utrecht zou toenemen ten opzichte van de overige gemeenten, de gemiddelde beroepsbevolking ook zal afnemen. Een vergelijkbare stelling kan worden gemaakt bij de gemeente Amsterdam, welke correleert met de voorraad. Amsterdam heeft van de vier gemeenten veruit de grootste kantorenvoorraad waardoor de gemeente de gemiddelde voorraad sterk beïnvloedt. Tijdens dit onderzoek is er daarom gekozen om de onafhankelijke variabelen “Beroepsbevolking” en “Voorraad” te verwijderen uit het onderzoek. Tevens geven deze laatste twee correlaties een indicatie voor de aanwezigheid van ruimtelijke autocorrelatie.

71

6.3 DE VIER ASSUMPTIES Al eerder is benoemd dat de multipele regressieanalyse moet voldoen aan de vier assumpties. Als eerste moeten de residuen normaal verdeeld zijn. Ten tweede moet er een lineair verband aanwezig zijn tussen de onafhankelijke en afhankelijke variabele. De derde assumptie betreft dat er sprake moet zijn van homoscedasticiteit. De laatste assumptie betreft dat de residuen onafhankelijk van elkaar zijn. Tevens zal tijdens dit onderzoek ook worden gecontroleerd voor de mogelijkheid van aanwezige Outliers. Normaal verdeeld

De eerste assumptie betreft dat de residuen van de regressievergelijking normaal verdeeld moeten zijn. Dit kan worden getest door het opvragen van een P-P (probability-probability) Plot in SPSS. Figuur 6.6 laat de P-P Plot zien waaruit blijkt dat de regressie normaal verdeeld is.

Figuur 6.6 P-P Plot

Outliers

Een extra assumptie betreft dat er geen Outliers aanwezig mogen zijn in de dataset. Outliers kunnen worden geïdentificeerd als extreme observaties. Een eerste indicatie van Outliers kan inzichtelijk worden gemaakt door een afwijkende Kurtosis- en Skewness-waarden. Er zijn mogelijke Outliers aanwezig indien de Kurtosis een waarde heeft buiten de bandbreedte -2,000 en 2,000 en de Skewness een waarde heeft buiten de bandbreedte -1,000 en 1,000. De testwaarden zijn terug te vinden in tabel 6.5. Hierin komt naar voren dat de er mogelijk Outliers aanwezig zijn bij de variabelen “Clustergrootte”, “Aantal kantoorpanden in cluster”, “%industrie in cluster”, “Afstand tot snelweg op-afrit”, “Afstand tot treinstation”, “Afstand tot bushalte”, “Aantal verkooppunten”, “O/A ratio”, “FAR”, “%winkels in cluster”, “Aantal sportfaciliteiten” en “bouwvergunningen”. Om hier voor te corrigeren zullen de bovengenoemde onafhankelijke variabelen logaritmisch worden getransformeerd. Door de variabelen logaritmisch te transformeren komen de Outliers te vervallen met uitzondering van de variabelen “FAR”, “%winkels in cluster” en “Aantal sportfaciliteiten”. Verdere stappen zullen moeten worden ondernomen om de aanwezige Outliers uit de dataset te

72

verwijderen. De Kurtosis- en de Skewness-waarden van de logaritmisch getransformeerde variabelen zijn weergegeven in bijlage 4. Door het opvragen van de Boxplots van de onafhankelijke variabelen “Ln(FAR)”, “Ln(%winkels in cluster)” en “Ln(Aantal sportfaciliteiten)” in SPSS kunnen de mogelijk aanwezige Outliers inzichtelijk worden gemaakt. Tijdens dit onderzoek wordt een Outlier gekenmerkt als een score welke meer dan 3,0 standaardafwijkingen ten opzichte van het gemiddelde. Wanneer de Boxplots worden opgevraagd en de data wordt geanalyseerd, blijkt dat er bij de onafhankelijke variabelen “Ln(FAR)”, “% winkels in cluster” en “Ln(Aantal sportfaciliteiten)” alsnog Outliers aanwezig zijn (Figuur 6.7 t/m 6.9).

Figuur 6.7 Boxplot “Ln(FAR)”

Figuur 6.8 Boxplot “Ln(%winkels in cluster)”

Figuur 6.9 Boxplot “Ln(sportfaciliteiten)”

De Boxplot van de variabele “LN(FAR)” laat zien dat de metingen boven 2,0 worden gekenmerkt als Outliers. Een hoge meting van de variabele “FAR” ontstaat wanneer er op een locatie sprake is van dichte bebouwing waarbij het totale vloeroppervlak in een cluster groter is dan het oppervlak van de cluster. 19 onderzoekseenheden hebben een waarde boven de 2,0. Wanneer de locaties van deze onderzoekseenheden nader worden onderzocht, kan er worden gesuggereerd dat er geen sprake is van dichte bebouwing (met uitzondering van de Zuid-as) wat zou kunnen resulteren in een waarde boven de 2,0. Dit kan worden verklaard door

73

mogelijke foutieve data. Er is gekozen om een maximale waarde van 2,0 aan de variabelen toe te kennen waarbij metingen boven deze waarde gelijk worden gesteld aan 2,0. De Outliers worden op deze manier verwijderd uit de data. Daarnaast zijn er Outliers zichtbaar in de Boxplot van de variabele “% winkels in cluster”. De Outliers ontstaan doordat de metingen van deze variabele veelal de waarde 0 bedragen. Dit komt omdat er in veel kantoorclusters geen sprake is van winkels. Hierdoor worden grootschalige winkelgebieden gekenmerkt als Outliers binnen de dataset. Van der Zon (2014) ondervond gelijkwaardige problemen en transformeerde de variabele naar een ordinale variabele waarbij een schaalniveau werd toegepast van 0 tot 4. Een andere mogelijkheid zou zijn om een dummyvariabele mee te nemen welke meet of er wel of geen winkels aanwezig zijn binnen de cluster. Daarnaast is het belangrijk om het verschil aan te tonen tussen een binnenstedelijk winkelgebied of de mogelijke aanwezigheid van een buurtwinkel. Daarom zal er een extra dummy-variabele worden meegenomen welke meet of er weinig of veel winkels in een cluster aanwezig zijn. Hierbij wordt er gebruik gemaakt van een cut-off point. Tijdens dit onderzoek wordt een binnenstedelijk winkelgebied beschouwd als een gebied waar meer dan 10% van de gehele bebouwing bestaat uit winkels. Dit resulteert in de dummy-variabele “hoeveelheid winkels in cluster” waarbij de waarde 1 wordt toegekend indien er meer dan 10% winkels in een cluster aanwezig zijn. Afsluitend ondervindt de variabele “Aantal sportfaciliteiten” een gelijkwaardig probleem. Zo is er maar bij enkele van de onderzoekseenheden sprake van sportfaciliteiten in een straal van 500 meter. Hierdoor zijn er een groot aantal 0 metingen aanwezig. De variabele wordt getransformeerd in gelijkwaardige dummy-variabelen, te benoemen als “sportfaciliteiten” en “hoeveelheid sportfaciliteiten”. Hierbij wordt het cut-off point op 5 sportfaciliteiten in een straal van 500 meter vastgesteld. De Boxplots van de overige onafhankelijke variabelen zijn terug te vinden in bijlage 3. Lineair

De derde assumptie betreft dat er een lineair verband moet zijn tussen de onafhankelijke variabelen en de afhankelijke variabele. Om dit te bepalen is gebruik gemaakt van het analyseren van de diverse scatterplots, welke zijn terug te vinden in bijlage 5. Hierin zijn geen opmerkelijke verbanden zichtbaar en kan worden geconcludeerd dat er een lineair verband aanwezig is tussen alle onafhankelijke variabelen en de afhankelijke variabele.

Homoscedasticiteit

De laatste assumptie betreft dat er geen sprake mag zijn van heteroscedasticiteit, en dat de residuen homoscedastisch zijn. De Breusch-Pegan test is een gebruikelijke methode om te testen of er sprake is van homoscedasticiteit. Hierbij geldt dat wanneer chi-square waarde niet significant is (p > 0.05), er sprake is van heteroscedasticiteit. Bij het uitvoeren van de Breush-pegan test is p < 0.05 en kan de nul hypothese worden verworpen. Er is dus sprake van homoscedasticiteit. In bijlage 6 staat de uitslag van de Breusch-Pegan test.

74

Onafhankelijkheid

Met onafhankelijkheid wordt bedoeld dat de residuen niet serieel correleren van de ene waarneming naar de opvolgende waarneming. Dit betekent dat de grootte van het residu in dit geval niet de grootte van het opeenvolgende residu beïnvloedt. De Durbin-Watson test wordt veelal gebruikt om te testen op de aanwezigheid van seriële correlatie tussen de residuen. De waarde van de DurbinWatson test varieert van 0 tot 4. Als algemene vuistregel betreft dat de residuen niet correleren indien de uitkomst van de Durbin-Watson test circa 2 bedraagt. Een waarde dicht bij 0 suggereert dat er sprake is van een sterke positieve correlatie, terwijl een waarde van 4 een sterke negatieve correlatie suggereert. De Durbin-Watson test geeft een waarde van 1,910, welke de waarde van 2 benadert. Er is dus geen sprake van seriële correlatie. Echter wordt verwacht dat er tijdens dit onderzoek sprake is van ruimtelijke autocorrelatie. Variabelen, welke betrekking hebben op economische en politieke factoren, zijn gemeten op gemeentelijk of landelijk niveau. Hierdoor worden voor percelen, welke gelegen zijn in dezelfde gemeente, gelijkwaardige waarden toegekend. Echter corrigeert de OLS methode niet voor ruimtelijke autocorrelatie en is een Multilevel methode noodzakelijk.

6.4 OLS METHODE Hieronder wordt de uitslag van de OLS methode weergegeven. Bij de analyse is gebruik gemaakt van de Stepwise-methode. Het model verklaart voor 22,3% de totale grondprijs. Tabel 6.6 geeft de model samenvatting van de OLS methode weer. TABEL 6.6 MODEL SAMENVATTING OLS METHODE R 0,491

R²

Adj R²

Std. Error

F

Sig.

0,241

0,223

270,41324

13,097

0,000

De uitkomst van het model is weergegeven in tabel 6.7. De uitkomst kan worden geïnterpreteerd dat wanneer de grondtransactie zich in Amsterdam bevindt, de grondprijs met EUR 195,392 stijgt. Een vergelijkbare conclusie komt naar voren voor de gemeente Utrecht, waarbij de grondprijs stijgt met EUR 109,885. Wanneer het transactiejaar 2000 bedraagt, ligt de grondprijs EUR 124,210 lager. Tevens ligt de transactie, welke is gedaan in 2002, gemiddeld EUR 125,021 hoger. De overige verklarende variabelen hebben betrekking op de cluster. Al eerder is een cluster gedefinieerd als het maximaal te behalen netwerk voor een mogelijk toekomstige gebruiker van het te realiseren kantoor. Door de logaritmische transformatie van de variabele clustergrootte geldt dat voor elk procent dat de logaritmisch getransformeerde variabele clustergrootte toeneemt, de grondprijs stijgt met EUR 0,54416. Tevens zal voor elke procent dat het percentage van de getransformeerde variabele % industrie in cluster toeneemt, de grondprijs met EUR 0,291 daalt. Afsluitend zorgen winkels binnen het cluster gebied ook voor een dalende werking van de grondprijs. In tabel 6.7 is zichtbaar dat de grondprijs met EUR 75,163 afneemt indien er winkels binnen de cluster aanwezig zijn. De variabele, welke 16

EUR 54,705 x ln(101/100) = 0,544

75

betrekking heeft of er veel of weinig winkels in het gebied aanwezig zijn, is niet significant binnen het onderzoek dus kan hier geen uitspraak over worden gedaan. TABEL 6.7 COËFFICIENTEN OLS METHODE Unstandardized Coefficients

Standardized Coefficients

95,0% Confidence Interval for B

Std. Beta

Error

(Constant)

368,703

53,328

Amsterdam

195,392

35,910

-124,210

Beta

t

Sig.

Lower

Upper

Bound

Bound

6,914

0,000

263,741

473,664

0,318

5,441

0,000

124,712

266,073

41,535

-0,158

-2,990

0,003

-205,960

-42,459

109,885

50,874

0,141

2,160

0,032

9,753

210,017

54,705

10,864

0,273

5,036

0,000

33,323

76,087

Ln(% industrie in cluster)

-29,269

10,497

-0,149

-2,788

0,006

-49,930

-8,607

2002

125,021

51,938

0,127

2,407

0,017

22,796

227,247

Winkels in cluster

-75,163

37,010

-0,122

-2,031

0,043

-148,007

-2,318

2000 Utrecht Ln(Clustergrootte)

Afsluitend kan het verklarend model worden getransformeerd naar een visueel model zoals is weergegeven in figuur 6.10.

76

Sociale locatie eigenschappen

54,705

Ln(Clustergrootte) Ln(Aantal kantoren in cluster) Ln(FAR) Ln(% woningen in cluster)

-75,163

Winkels in cluster Hoeveelheid winkels in cluster Ln(% kantoren in cluster) -29,269

Ln(% industrie in cluster)

Fysieke locatie eigenschappen

Locatie eigenschappen

Ln(Afstand tot snelweg af-oprit) Ln(Afstand tot treinstation) Ln(Afstand tot bushalte) Ln(Verkooppunten) Sportfaciliteiten Hoeveelheid sportfaciliteiten Landschapsarchitectuur

Werkloosheidspercentage Opname Leegstandspercentage A/O ratio

Economische factoren

Grondprijs

Bruto binnenlands product Langetermijnrente Constructiekosten Inflatie

Erfpacht Ln(Bouwvergunningen) 195,392

Amsterdam

109,885

Utrecht

-124,210

2000

125,021

2002

Politieke factoren

Figuur 6.10 Coëfficiënten onafhankelijke variabelen gevisualiseerd in het conceptueel model

77

6.5 MULTI-LEVEL METHODE Vanwege de mogelijk aanwezige ruimtelijke autocorrelatie zal er naast de OLS methode ook een multi-level methode worden uitgevoerd. Als uitgangspunt bij een multi-level model gelden gelijkwaardige assumpties als bij de OLS methode. Echter zal de multicollineariteit, welke optreedt tussen de gemeente Utrecht en de Beroepsbevolking, en de gemeente Amsterdam en de Voorraad, mogelijk niet meer aanwezig zijn in een multi-level model. Dit vanwege de correctie op de twee verschillende hiërarchische niveaus. Verderop in de paragraaf zal hiervoor worden getest. De multi-level methode kan worden vergeleken met het OLS model om vervolgens te beoordelen of het model is verbeterd. Hiervoor wordt de Akaike's Information Criterion (AIC) score gebruikt. In tegenstelling tot de R (squared) is de AIC een relatieve maat en wordt het gebruikt om modellen met elkaar te vergelijken. Indien deze AIC score lager is dan een voorgaand model betekent dit dat de verklaringskracht verbetert. Daarnaast zal in tegenstelling tot de OLS methode geen Stepwise methode worden gebruikt en zal handmatig aanpassingen moeten worden doorgevoerd om de kwaliteit van het model te verbeteren. Wanneer een gelijkwaardige samenstelling van de onafhankelijke variabelen inclusief de onafhankelijke variabelen voorraad en beroepsbevolking als startmodel wordt genomen, en de multi-level methode wordt uitgevoerd blijkt dat er een aantal opmerkingen kunnen worden geplaatst bij de uitkomst van het model. Ten eerste zijn de verschillende dummy-variabelen, welke zijn opgenomen voor de transactiejaren vertaald naar een ratio variabele. Dit vanwege de aanwezige redundant score welke ontstaan indien er niet genoeg onderzoekseenheden aanwezig zijn om de invloed van deze variabele te bepalen. Gelet op de transformatie van de dummy-variabelen naar de variabele transactiejaar, moet er worden onderzocht of er sprake is van multicollineariteit. Zo is in hoofdstuk 5 vermeld dat de transactiejaren moeten worden vertaald in dummy-variabelen om multicollineariteit te voorkomen tussen diverse onafhankelijke variabelen en de transactiejaren. Wanneer de correlatiematrix wordt opgevraagd blijkt dat er correlatie aanwezig is tussen de variabele transactiejaar en de voorraad. Wanneer de Voorraad uit het model wordt verwijderd als verklarende variabele levert dit een lagere Loglikelihood, een lagere AIC en een hogere R² (model 2, bijlage 7). Er is geen sprake van correlatie tussen de variabele beroepsbevolking en enig andere variabelen. Model 2 voldoet dus aan de gestelde eisen van een multi-level methode en zal vanwege deze reden als startmodel worden gebruikt tijdens de analyse. Vervolgens worden niet-significante variabelen bij een multi-level methode in het model gehouden, in tegenstelling tot de Stepwise methode in het OLS model. Hierdoor zullen in het multi-level model deze variabelen handmatig moeten worden verwijderd. Er is gekozen om gebruik te maken van de top-down approach waarbij het volledige model als startmodel wordt genomen waarin iedere variabele is meegenomen om vervolgens niet significante variabelen te verwijderen tot dat de AIC score niet significant meer verbetert. De volgende onafhankelijke variabelen

78

zijn verwijderd: Opname en afstand tot treinstation. Verdere versimpelingen van het model leiden tot geen verbeteringen (AIC-score verminderd met minder dan 4). Het uiteindelijke resultaat van model 4 (eind model) is weergegeven in tabel 6.8.

79

TABEL 6.8 COËFFICIENTEN MULTI-LEVEL METHODE Model 0

Model 4

OLS

0,314 -2844,932

0,223

-4147,042

AIC

4191,042

2934,932

3314,252

BIC

4272,230

3100,998

R² Loglik

Intercept Ln(Clustergrootte)

594,433

**

Ln(Aantal kantoren in cluster) Ln(%woningen in cluster) Ln(%kantoren in cluster) Ln(%industrie in cluster) Ln(Beroepsbevolking) Ln(Afstand tot snelweg op-afrit) Ln(Afstand tot treinstation) Ln(Afstand tot bushalte) Landschapsarchitectuur Ln(Verkooppunten) Ln(FAR) Winkels in cluster Hoeveelheid winkels in cluster Sportfaciliteiten Hoeveelheid sportfaciliteiten Werkloosheidspercentage Opname Voorraad leegstandspercentage AO BBP Langetermijnrente Constructiekosten Inflatie Erfpacht Ln(Bouwvergunningen) Transactiejaar 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Amsterdam Rotterdam Utrecht Den Haag

632,982

*

368,703

61,529

**

54,705

** *

-29,269

**

-75,163

*

-124,210

*

109,885

**

195,392

**

109,885

*

**

-4,108 0,472 13,129 -30,377 0,272 -28,341 -8,049 -1,550 -3,514 1,474 -84,224 -46,389 147,232 -122,737

*

* ** **

-8,095

-27,784 50,426 7,261 -109,435 28,757 -16,743

*

-12,928 -30,092 -63,338

109,756 34,089 -18,243 0b

*

*

** P < 0,01, * P <0,05, b deze parameters zijn op 0 gezet omdat ze overbodig zijn.

80

De laatste stap betreft het beoordelen van de aannemelijkheid van het model. Zo zal er moeten worden gekeken of de coëfficiënt van de significante onafhankelijke variabelen de verwachte richting opleveren. Tevens zijn de variabelen Clustergrootte, % industrie in cluster en beroepsbevolking logaritmisch getransformeerd waardoor de interpretatie van coëfficiënt afwijkt, zoals is aangegeven bij de OLS methode. Voor ieder percentage dat de eenheid van de getransformeerde onafhankelijke variabele toeneemt of afneemt, neemt de grondprijs met ln(1,01) toe of af. De volgende constateringen kunnen worden gemaakt: Indien er één procent toename is in de Clustergrootte per 1.000 m² b.v.o., zal de grondprijs per m² b.v.o. stijgen met 0,612 EUR. Dit is conform de verwachte richting van de coëfficiënt. Deze bevinding ligt tevens in lijn met de gevonden resultaten van Huynh (2014) en Jennen & Brounen (2009), welke beide een positieve invloed van de clustergrootte beschreven tijdens hun onderzoek. Grafiek 6.1 laat zien in hoeverre de bevindingen aansluiten op de realiteit. Hiervoor is de Zuidas als voorbeeld genomen. Het is zichtbaar dat de clustergrootte in de periode 2000 tot en met 2014 aanzienlijk is toegenomen. Gerelateerd aan de bovenstaande bevinding kan de verwachte grondprijs worden bepaald indien er wordt uitgegaan dat de clustergrootte als enige factor de grondprijs beïnvloedt. Wanneer de grondtransacties worden vergeleken met het verwachte resultaat is zichtbaar dat de stijging van de verwachte grondprijs en de hoogte van de grondtransacties overeenkomen. Echter blijkt dat er meerdere factoren invloed hebben gelet op het verschil in de verwachte grondprijs en de daadwerkelijk gerealiseerde grondtransacties. 1.200

€ 1.400 € 1.350

1.000

€ 1.300 800

€ 1.250

600

€ 1.200 € 1.150

400

€ 1.100 200

€ 1.050

-

€ 1.000 2000

2002

2004

2006

voorraad x1.000 m²

2008

2010

grondprijs

2012

2014

grondtransacties

Grafiek 6.1 clustergrootte vs grondprijs Bron: DTZ Zadelhoff en Kadaster.nl

Indien het percentage industrie in de cluster met één procent toeneemt (Ln%industrie in cluster), zal de grondprijs per m² b.v.o. dalen met 0,302 EUR. Dit betekend dat de aanwezigheid van industrie in de cluster een negatief effect zal hebben op de grondprijs voor kantoren. Deze bevinding werd ook gevonden door Koster (2013), Planbureau voor de leefomgeving (2014) en Sohn & Moudon (2008).

81

De opmerking moet hierbij worden gemaakt dat geen van deze studies de grondprijs van kantoren onderzocht maar de transactieprijs van kantoren. Sohn & Moudon (2008) concludeerde dat enig complementair grondgebruik zal resulteren in een lagere transactieprijs voor kantoren. Tijdens het onderzoek van Sohn & Moudon (2008) werd namelijk naast de invloed van industrie, ook voor zowel winkels als woningen eenzelfde resultaat gevonden. De invloed van winkels in een cluster is in lijn met de gevonden richting van de coëfficiënt voor de dummy-variabele, welke beschrijft of er winkels aanwezig zijn in een cluster. Zo wordt tijdens dit onderzoek het resultaat gevonden dat indien er winkels in de cluster aanwezig zijn, de grondprijs voor kantoren zal dalen met 84,224 EUR. Dit lijkt aanzienlijk meer dan de invloed van de clustergrootte. Echter betreft de clustergrootte een logaritmisch getransformeerde variabele en betreft de aanwezigheid van winkels in een cluster een dummy-variabele. De interpretatie van deze variabelen is verschillend. Voor de variabele, welke was opgenomen om de invloed van woningen in een cluster te bepalen, is geen significant resultaat gevonden. Hieruit kan worden opgemaakt dat de invloed van woningen op de grondprijs voor kantoren nihil is. Een opmerkelijke bevinding is dat indien er sportfaciliteiten aanwezig zijn in een straal van 500 meter ten opzichte van de onderzoekseenheid, de grondprijs zal stijgen met 147,232 EUR. Echter wordt ook de bevinding gedaan dat indien er meer dan vijf sportfaciliteiten aanwezig zijn in een straal van 500 meter ten opzichte van de onderzoekseenheid, de grondprijs zal dalen met 122,737 EUR. De variabele, welke de invloed van sportfaciliteiten bepaalt, is echter alleen opgenomen in de REN. Echter beschouwde de REN de aanwezigheid van sportfaciliteiten als een onderdeel van cultuur, sport en recreatie. Gelet op de beperkte functieverdeling in de gebruikte dataset van BAGviewer, kon de invloed van cultuur en recreatie niet worden gemeten. Hierdoor kan de invloed van de aanwezigheid van sportfaciliteiten niet worden geverifieerd met de bestaande wetenschappelijke literatuur. Een mogelijke verklaring voor de invloed van sportfaciliteiten kan worden gevonden in het feit dat er veel onderzoekseenheden zijn gelegen op de Zuidas, Papendorp en het Beatrixkwartier. Bij elk van deze kantorenlocaties is een sportveld aanwezig. Tevens worden op deze kantorenlocaties de hoogste grondprijzen gerealiseerd. Echter is er geen samenhang waarneembaar en was er ten tijde van de eerste ontwikkelingen tot kantoorlocatie reeds al een sportveld aanwezig op deze kantoorlocaties. De gevonden coëfficiënt is dus meer gebaseerd op toeval. Locaties, waar meer dan vijf sportfaciliteiten aanwezig zijn, betreffen binnenstedelijke gebieden waar minder hoge grondprijzen worden gerealiseerd. Deze conclusie ligt in lijn met de eerdere bevindingen dat winkels een negatieve invloed hebben op de grondprijzen van kantoren. Er kan dus worden geconcludeerd dat de invloed van sportfaciliteiten op de grondprijs voor kantoren moet worden genuanceerd. Indien er één procent toename is voor de beroepsbevolking per 1.000 werknemers, zal de grondprijs per m² b.v.o. stijgen met 0,003 EUR. Gelet op de minimale coëfficiënt en procentuele toename doordat de onafhankelijke variabele logaritmisch is getransformeerd, kan worden geconcludeerd dat de invloed van de beroepsbevolking per 1.000 werknemers minimaal is. De richting van de coëfficiënt

82

ligt in lijn met de bevindingen van Sohn & Moudon (2008), Planbureau voor de Leefomgeving (2009), van der Zon (2014) en Huynh (2014), welke ieder een positieve invloed vonden van de toename van de beroepsbevolking. Tevens ligt de bevinding in lijn met de, in paragraaf 3.4 beschreven cluster- en agglomeratie theorie, welke stelde dat bedrijven zich vestigen op locaties waar een grote arbeidsmarkt aanwezig is. Indien de score van de landschapsarchitectuur met één eenheid toeneemt, zal de grondprijs per m² b.v.o. dalen met 1,550 EUR. Deze bevinding gaat tegen de verwachting in. Zo vond Planbureau voor de Leefomgeving (2009) een positieve invloed op de transactieprijs indien het aantal parken, plantsoenen, bomen en de aanwezigheid van een natuurgebied toenam. Een mogelijke verklaring voor deze bevinding kan worden gevonden doordat er hoge grondprijzen worden gerealiseerd in Papendorp. Echter wanneer naar de score van de landschapsarchitectuur voor de wijk Papendorp wordt gekeken, blijkt deze negatief te zijn. Gelet op het grote aantal onderzoekseenheden in deze wijk zou het effect van de landschapsarchitectuur kunnen afwijken van de daadwerkelijke situatie. Dit vanwege de hoge scores van landschapsarchitectuur op sterke kantoorlocaties zoals het Beatrixkwartier en de Zuidas. Echter in het kader van het onderzoek kan het gevonden fenomeen niet volledig worden verklaard. Indien de constructiekosten stijgen met één procent ten opzichte van het jaar 2000, zal de grondprijs stijgen met 28,757 EUR. Dit is conform de verwachting. Constructiekosten zijn over het algemeen hoger in hoogconjunctuur waarbij de grondprijs ook hoger zal zijn. Een tweede mogelijkheid kan worden gevonden in de samenstelling van de constructiekosten. Zo worden de constructiekosten samengesteld uit een looncomponent en een materiaalcomponent (CBS 2011). De looncomponent geeft het kostenverloop weer van het loon in de bouwnijverheid, specifiek van de Burgerlijke & Utiliteitsbouw en de materiaalcomponent geeft het kostenverloop weer van de materialen die gemiddeld in de woningbouw worden toegepast. Beide componenten zijn niet gecorrigeerd voor inflatie wat deels de toename van constructiekosten verklaart indien het transactiejaar stijgt. Indien de onderzoekseenheid is gelegen in de gemeente Amsterdam, zal de grondprijs stijgen met 109,756 EUR. De gemeente Amsterdam is opgenomen om te corrigeren voor ruimtelijke effecten. Er kan dus worden geconcludeerd dat de grondprijzen in Amsterdam 109,756 EUR hoger liggen dan in Rotterdam, Den Haag en Utrecht. Het transactiejaar is, zoals in paragraaf 5.3 aangegeven, opgenomen om te corrigeren voor tijdseffecten. Door de transformatie van de dummy-variabelen naar een ratio variabelen strookt de gevonden uitkomst uit de multi-level analyse niet met tabel 6.3. Zo kan er worden geconcludeerd dat indien het transactiejaar toeneemt per eenheid vanaf het jaar 2000, de grondprijs zal dalen met -63,338. Deze uitkomst is niet volgens de verwachte richting. Een mogelijke verklaring zou kunnen zijn dat het verband tussen de gecorrigeerde grondprijs en de transactiejaren niet lineair is. Echter wanneer er wordt gekeken naar de QQ-plot blijkt dit wel het geval te zijn. Een andere mogelijke verklaring kan worden gevonden

83

in het aantal onderzoeken per transactiejaar. Door de transformatie van de dummyvariabelen naar een ratio variabele, werd er aan de eis voldaan dat er genoeg onderzoekseenheden per variabele waren. Echter zijn er veel meer onderzoekseenheden aanwezig waarbij de transactie heeft plaats gevonden in de periode van 2000 tot en met 2007. Door de scheve verhouding van onderzoekseenheden per transactiejaar is de coëfficiënt van de variabele transactiejaar niet betrouwbaar. Bovenstaande bevindingen worden gevisualiseerd in figuur 6.11.

84

Sociale locatie eigenschappen 61,529

Ln(Clustergrootte) Ln(Aantal kantoren in cluster) Ln(FAR) Ln(% woningen in cluster) Winkels in cluster

-84,224

Hoeveelheid winkels in cluster Ln(% kantoren in cluster) -13,129

Ln(% industrie in cluster)

Fysieke locatie eigenschappen

Locatie eigenschappen

Ln(Afstand tot snelweg af-oprit) Ln(Afstand tot treinstation) Ln(Afstand tot bushalte) Ln(Verkooppunten) 147,232

Sportfaciliteiten

-122,737

Hoeveelheid sportfaciliteiten

-1,550

Landschapsarchitectuur

-0,272

Ln(Beroepsbevolking)

Werkloosheidspercentage Opname Leegstandspercentage

Economische factoren

Grondprijs

A/O ratio Bruto binnenlands product

Langetermijnrente 28,757

Constructiekosten Inflatie Voorraad Erfpacht Ln(Bouwvergunningen)

109,756

Amsterdam

-63,338

Transactiejaar

Politieke factoren

Figuur 6.11 Correlatie gevisualiseerd in conceptueel model (Final model)

85

Nu de diverse onafhankelijke variabele zijn bepaald en in welke mate deze de grondprijs beïnvloeden, is het belangrijk om de invloed van de diverse factoren te bepalen. Zo stelt de onderzoeksvraag dat de invloed van de locatie eigenschappen, bestaande uit fysieke en sociale locatiefactoren, aangevuld door economische en politieke factoren moeten worden bepaald. Om de invloed van de afzonderlijke factoren te bepalen is er gebruik gemaakt van een hiërarchische analyse methode. SPSS biedt de mogelijkheid om via een geautomatiseerd proces de invloed van de afzonderlijke factoren op de transactieprijs te bepalen. Echter is het hierbij niet mogelijk om gebruik te maken van verschillende hiërarchische niveaus dus zullen handmatig de diverse modellen moeten worden ingevoerd. Door als startmodel, model 4 te nemen zoals is weergegeven in tabel 6.8 en hier per stap de diverse onafhankelijke variabelen per factor te verwijderen, resulteert dit in vereenvoudigde modellen. Naar verwachting bedraagt de R² van de diverse modellen een lagere waarde dan model 4 zoals weergegeven in tabel 6.8. Dit vanwege de stelling dat model 4 het meest verklarende model is binnen de onderzoekskaders. Doordat er naar verwachting verschil aanwezig zal zijn in de R², kan de R² change worden bepaald. De diverse modellen staan weergegeven in tabel 6.9. Voor model 5 is uitgegaan dat de fysieke en sociale locatievariabelen niet worden meegenomen. Model 6 sluit tevens de economische variabelen uit. Geconcludeerd kan worden dat de fysieke en sociale locatiefactoren voor 17,7% de grondprijs verklaren. De economische factoren bepalen voor 3,8% de grondprijs. Omdat de politieke variabelen niet significant zijn, verklaren de politieke factoren ook niet de grondprijs. TABEL 6.9 STATISTIEKEN HIËRARCHISCHE ANALYSE METHODE R²

Model 0

Model 6

Model 5

Model 4

0,000

0,099

0,137

0,314

0,099

0,038

0,177

R² change Loglik

4147,042

3736,301

3578,914

2844,932

AIC

4191,042

3758,301

3638,914

2934,932

BIC

4272,230

3798,895

3749,625

3100,998

86

87

7. CONCLUSIE & AANBEVELINGEN 7.1 INLEIDING Deze studie is uiteengezet om tot betere inzichten te komen welke factoren de hoogte van een grondtransactie beïnvloeden. Door diverse fysieke en sociale locatie eigenschappen, aangevuld met economische en politieke factoren te onderzoeken en de invloed van deze factoren op de grondprijs te bepalen, is er aansluiting gezocht bij dit doel. Aan de hand van de kwantitatieve analyse in hoofdstuk 6 zullen de belangrijkste conclusies worden beschreven in dit hoofdstuk. Tevens zullen de beperkingen van het onderzoek worden benoemd en de mogelijkheden voor vervolgonderzoek.

7.2 CONCLUSIE Mede door de verstedelijking en de beperkte wetenschappelijke kennis over de totstandkoming van grondtransacties is er tijdens dit onderzoek inzicht proberen te geven in welke locatiefactoren invloed hebben op de hoogte van de grondtransactie. Het centrale thema in dit onderzoek is dan ook het effect van locatie eigenschappen op grondtransacties in de gemeente Amsterdam, Rotterdam, Utrecht en Den Haag. De probleemstelling is als volgt geformuleerd: “In welke mate hebben de locatie eigenschappen, bestaande uit fysieke en sociale locatiefactoren, aangevuld door economische en politieke factoren, invloed op grondprijzen van kantoorpanden gelegen in de G?” Door gebruik te maken van een multi-level analyse kon de grondprijs voor 31,4% worden verklaard. Hoewel er een groot aantal variabelen zijn meegenomen in de analyse blijkt maar een beperkt aantal significant te zijn. De coëfficiënten van de onafhankelijke variabelen, zoals beschreven in hoofdstuk 6, geven inzicht in welke mate de significante variabelen invloed uitoefenen op de transactieprijs. Uit de analyse komt naar voren dat de fysieke locatiefactoren: sportfaciliteiten in een straal van 500 meter en de beroepsbevolking de grondprijs positief beïnvloeden. Hiermee is antwoord gegeven op de eerste deelvraag, welke betrekking heeft op het onderzoeken welke fysieke locatiefactoren invloed uitoefenen op de grondprijs. Echter kan de invloed van de aanwezigheid van sportfaciliteiten worden genuanceerd doordat er per toeval sportfaciliteiten aanwezig zijn op kantoorlocaties waar hoge grondtransacties worden gerealiseerd. Tevens zorgt een hogere score voor de landschapsarchitectuur voor een lagere grondprijs. Hierbij kan eenzelfde constatering worden gemaakt. Zo heeft Papendorp een afwijkende score voor de landschapsarchitectuur en zijn veel onderzoekseenheden gelegen op deze kantoorlocatie. Echter is deze constatering niet consequent voor de overige kantoorlocaties waar hoge grondprijzen worden gerealiseerd. Hierdoor moet het gevonden resultaat worden genuanceerd. Afsluitend worden op locaties waar meer dan vijf sportfaciliteiten zijn gevestigd, lagere grondprijzen gerealiseerd. Hierbij kan de constatering worden gemaakt dat

88

over het algemeen binnenstedelijke locaties betreft waarbij meer dan vijf sportfaciliteiten aanwezig zijn. Binnenstedelijke locaties hebben een negatieve invloed op de grondprijzen voor kantoren, indien er in acht wordt genomen dat binnenstedelijke locaties worden gekenmerkt door de aanwezigheid van winkels en meer dan vijf sportfaciliteiten. Zo is er tijdens dit onderzoek gebleken dat de aanwezigheid van winkels in de cluster een negatieve invloed hebeen op de grondprijs. Hiermee wordt deels deelvraag twee beantwoord, welke betrekking heeft op het onderzoeken welke sociale locatie eigenschappen invloed uitoefenen op de grondprijs. Overige sociale locatie eigenschappen zijn de clustergrootte en het percentage industrie in de cluster. Een toename van de clustergrootte resulteert in een hogere grondprijs. Tevens zal de aanwezigheid van industrie in de cluster resulteren in een lagere grondprijs. Gelet op het feit dat de variabele, welke was meegenomen om de invloed van woningen in de cluster te bepalen, niet significant is, is de invloed van woningen nihil. Er kan dus worden gesteld tijdens dit onderzoek dat kantoorlocaties, welke uitsluitend zijn bestemt voor de functie kantoren, zullen resulteren in hogere grondprijzen. De enige significante economische variabele betreft de constructiekosten. Indien deze toeneemt, zal de grondprijs stijgen. Constructiekosten zijn over het algemeen hoger in hoogconjunctuur waarbij de grondprijs ook hoger zal zijn. Hiermee wordt antwoord gegeven op deelvraag drie, welke betrekking heeft op het onderzoeken welke economische factoren invloed uitoefenen op de grondprijs. Gelet op het ontbreken van significante politieke variabelen, kan er worden gesteld dat de invloed van politieke factoren nihil is. Tevens is met behulp van een hiërarchische regressie analyse de invloed van de fysieke en sociale locatiefactoren, aangevuld door de economische en politieke factoren, op de grondprijs bepaalt. 17,7% van de grondprijs wordt bepaald door fysieke en sociale locatiefactoren. Deze variabelen hebben betrekking op het perceel en zijn specifiek voor de kwaliteit van een individuele kantoorlocatie. De economische factoren bepalen voor 3,8% de grondprijs. Afsluiten wordt de overige 9,9% bepaald door de gemeente waarbinnen het perceel zich bevindt en het transactiejaar waarin de transactie heeft plaats gevonden. Gelet op de eerdere bevinding, welke stelde dat politieke variabelen niet significant zijn, kan er worden gesteld dat de invloed van politieke factoren nihil is. Figuur 7.1 geeft de visualisatie van de significante variabelen weer.

89

Sociale locatie eigenschappen 0,615

Ln(Clustergrootte) Ln(Aantal kantoren in cluster) Ln(FAR) Ln(% woningen in cluster) Winkels in cluster

-84,224

Hoeveelheid winkels in cluster Ln(% kantoren in cluster) -0304

Ln(% industrie in cluster)

Fysieke locatie eigenschappen

Locatie eigenschappen

Ln(Afstand tot snelweg af-oprit) Ln(Afstand tot treinstation) Ln(Afstand tot bushalte) Ln(Verkooppunten) 147,232

Sportfaciliteiten

-122,737

Hoeveelheid sportfaciliteiten

-1,550

17,7%

Landschapsarchitectuur

0,003

Ln(Beroepsbevolking)

Werkloosheidspercentage

9,9%

Opname Leegstandspercentage

Economische factoren

A/O ratio

Grondprijs 9,9%

Bruto binnenlands product Langetermijnrente 28,757

Constructiekosten Inflatie Voorraad

Erfpacht Ln(Bouwvergunningen)

109,756

Amsterdam

-63,338

Transactiejaar

Politieke factoren

3,8%

Figuur 7.1 Correlatie gevisualiseerd in conceptueel model

90

Een opvallende bevinding is dat de fysieke en sociale locatie eigenschappen de bepalende factoren zijn voor de hoogte van de grondtransactie (17,7%). Hierdoor kan worden geconcludeerd dat een ontwikkelaar verwacht dat een toekomstige gebruiker veel waarde hecht aan het aanwezige netwerk en kwaliteit van de omgeving. Binnen het huidig onderzoek wordt de agglomeratietheorie beperkt benaderd, welke suggereert dat niet alleen de kwaliteiten voor het bedrijf van invloed zijn maar ook de voordelen van een locatie voor de werknemer. Zo zorgt de aanwezigheid van winkels voor een lagere transactieprijs. Vanuit het perspectief van de werknemer zou worden verwacht dat winkels de kwaliteit van de werkomgeving zou verbeteren dus indirect ook de grondprijs. De resultaten van het onderzoek hebben meer aansluiting bij de cluster theorie, ontwikkeld door Porter (2000). De resultaten laten namelijk zien dat een complementaire bestemming niet ten goede zal komen aan de grondprijs. Voor locaties, welke uitsluitend bestemd zijn voor kantoren, worden de hoogste grondprijzen gerealiseerd. Er kan dus mogelijk worden gesuggereerd dat hechte samenwerkingsvormen en betere informatie uitwisselingen, welke worden behaald wanneer er een grote concentratie van kantoren aanwezig is, resulteren in een hogere grondprijs. Hoewel 31,4% van de grondprijs kan worden verklaard tijdens dit onderzoek kan er deels worden geconcludeerd dat de grondprijs een niet generaliseerbaar begrip is en specifiek is voor iedere grondtransactie. Dit is in overeenstemming met eerdere bevindingen uit de literatuur, welke stelden dat er altijd onderhandelingen ten grondslag liggen aan de grondtransactie. De praktische relevantie van het onderzoek betreft dat er inzicht is gegeven in welke aspecten van een locatie de grondprijs positief dan wel negatief beïnvloeden. Gelet op het ontbreken van significante gemeentelijke variabelen, kunnen eventueel alternatieve gemeentelijke instrumenten worden ingezet om de kwaliteit van een kantoorlocatie positief te beïnvloeden. Zo kan de gemeente enig ander complementair grondgebruik uitsluiten binnen een kantorengebied. Dit kan door sturingsmiddelen zoals het bestemmingsplan en bouwvergunningen. Echter, gelet op de beperkte data waardoor het bestemmingsplan niet mee kon worden genomen als verklarende variabelen binnen het onderzoekskader, zou toekomstig onderzoek de mogelijke invloed van dit sturingsmiddel kunnen onderzoeken. Het resultaat is tevens bruikbaar voor projectontwikkelaars voor mogelijke nieuwe ontwikkelingen. Zo kunnen de resultaten worden gebruikt voor het opstellen van een MKBA. Hoewel niet alle omgevingskenmerken in kaart zijn gebracht, zal het resultaat als uitgangspunt kunnen worden genomen. Afsluitend is tijdens dit onderzoek gebleken dat kantoorlocaties met een hoge concentratie kantoren, resulteren in een hogere grondprijs. Beleggers kunnen van deze informatie gebruik maken om een schatting te maken van het verwachte risico en de ontwikkeling van de grondprijs. Zo kan er worden gekeken naar de structuurvisie van een gebied om vervolgens te bepalen in hoeverre de significante variabele zullen veranderen in de toekomst. Het resultaat van het onderzoek is dus deels in verwachting van de eerder benoemde stelling van de Groot et al., welke suggereerden dat grondprijzen een reflectie zijn van de kwaliteit van de omgeving

91

– de publieke voorzieningen en de concentratie van kennis en banen - en zijn een ideaal vertrekpunt voor de waardering (p.14). Echter kan er worden geconstateerd dat het een waardebegrip is, welk voor ieder individueel perceel verschilt en tot stand komt door onderhandse onderhandelingen tussen twee partijen.

7.3 AANBEVELINGEN Het doel van het onderzoek was om de grondprijs op een dermate manier te verklaren zodat de onverklaarde transactieprijs zo minimaal mogelijk is. Echter, gezien de uitkomst levert het resultaat een beperkte verklaring van de transactieprijs op. Zo blijft 68,6% van de grondprijs onverklaard. Deze uitkomst kan zijn ontstaan door meerdere redenen. Zo is de kwaliteit van de data beperkt. Een groot gedeelte van de gegevens is onttrokken uit de Bagviewer. Hierbij worden de vierkante meters b.v.o. slecht ingevoerd waardoor er vaak een 0 waarde is geregistreerd. Indien dit een groot kantoorgebouw betreft, zal deze niet worden meegenomen in de dataset waardoor de clustergrootte afwijkend kan zijn van de daadwerkelijke situatie. Daarnaast zal deze afwijking zichtbaar zijn voor de samenstelling van de cluster. Er is op een zo goed mogelijke manier geprobeerd hiervoor een correctie op te nemen, maar er kan niet worden gesuggereerd dat er geen sprake is van foutieve data in de dataset. Tevens betreft 251/296ste deel van de transactiedata, grond uitgegeven in erfpacht. De transactieprijzen zijn onttrokken uit de kadastrale akte. Echter kunnen hierin een groot aantal uitgangspunten zijn opgenomen waardoor de grondprijs is bijgesteld. Zo kan de gemeente congesties hebben gemaakt met betrekking tot het betreden van grote nieuwe bedrijven in de gemeente. Dit zal, zoals eerder is aangegeven in hoofdstuk 2, resulteren in werkgelegenheid binnen de gemeente waardoor de gemeente de grond in korting heeft uitgegeven. Deze vermeldingen zijn niet benoemd in de akte waardoor de grondprijs erg fluctueert. Tevens zorgen de verschillende meetniveaus van de onafhankelijke variabele voor een ingewikkelde implementatie van de analyse. Een optimaal model betreft een 3 level model. Echter gelet op de beperkte tijd en het ontbreken van de software, is dit niet geïmplementeerd in het onderzoek. Afsluitend zijn een aantal variabele (afstandsgerelateerde variabelen) niet op het optimale meetniveau gemeten. Dit vanwege het ontbreken van data betreffende wegen en reisafstanden. Hoewel deze studie deels de gerealiseerde grondprijs inzichtelijk heeft gemaakt kan helaas niet de gehele samenstelling van de grondprijs worden bepaald. Vervolgonderzoek zou kunnen worden gepleegd naar het onderzoeken van grondtransacties waarbij meer aandacht wordt geschonken aan de nauwkeurigheid van de data. Hierdoor zou het effect van de verschillende factoren op de grondprijs beter kunnen worden bepaald. Tevens is het aantal onderzoekseenheden beperkt binnen het huidige onderzoekskader. Hierdoor is de betrouwbaarheid van de resultaten matig. Voor een mogelijk vervolgonderzoek zouden meer gemeenten kunnen worden meegenomen om vervolgens de samenstelling van de grondtransacties in Nederland te onderzoeken. Omdat het aantal variabelen gelijk zal blijven zal de betrouwbaarheid van het resultaat toenemen. Tevens is er in dit onderzoek geen rekening gehouden in hoeverre de verschillende variabelen veranderen door de tijd. Indien er wordt gekozen om

92

vervolgonderzoek te plegen en de grondtransacties voor heel Nederland te onderzoeken, zou de invloed van de diverse variabelen door de tijd kunnen worden gemeten. Hierdoor zal inzichtelijk kunnen worden gemaakt in welke mate de significante variabelen zullen veranderen door de tijd waardoor er een voorspelling van toekomstige grondtransacties kan worden gemaakt.

93

94

LITERATUUR Amiti, M., & Cameron, L. (2007). Economic geography and wages. Economics and Statistics, 89(1) 115-231. Bol, N. (2014). Waarom financiële kennis over beleggen zoveel bijdraagt aan het nemen van duurzame vastgoed beslissingen. Service magazine 22(1), 4. Braam, J. (2014) Stedelijke Netwerken en het belang van internationaal verbonden zijn (Master thesis). Amsterdam School of Real Estate, Amsterdam, Nederland. CBS. (2011, oktober 12). Forse bevolkingsgroei in de Randstad tot 2025. Geraadpleegd op 9 december 2014 van http://www.cbs.nl/nlNL/menu/themas/bevolking/publicaties/artikelen/archief/2011/2011-064-pb.htm Clapp, J.M. (1993). Dynamics of office markets. Empirical findings and research issues. The Urban Institute Press, Washington DC. Davis, A., & Heathcote, J. (2007). The Price and Quantity of Residential Land in the United States. Journal of Monetary Economics 54(8): 2595-2620. Davis, A., & Palumbo, M. (2008). The Price of Residential Land in Large US Cities. Journal of Urban economics 63(1): 352-84. De Graaff, T., Debrezion, G., Rietveld, P. (2007) De invloed van bereikbaarheid op vastgoedwaarden van kantoren (Master Thesis). Technische Univeriteit Delft, Delft, Nederland. De Groot, H., Marlet, G., Teulings, C. & Vermeulen, W. (2010) Stad en Land. ISBN: 978-905833-478-7. ’s-Gravenhage: Centraal Planbureau. De Jong, E.W. (2011). Huurprijsontwikkeling van kantoorruimte: In hoeverre is de economische activiteit van invloed op de huurprijsontwikkeling van eersteklas kantoorruimte in Den Haag en Amsterdam? (Master thesis). School of Real Estate, Amsterdam, Nederland. Dijkstra, P. (2013). Erfpacht en woningwaarde: Een onderzoek naar de invloed van erfpacht op de woningwaarde in Amsterdam (master thesis). Erasmus Universiteit Rotterdam, Rotterdam, Nederland. DTZ Zadelhoff. (2013). Nederland compleet: kantoren- en bedrijfsruimtemarkt. Amsterdam: DTZ Zadelhoff. DTZ Zadelhoff. (2014). Investment Market Update Europe Q4 2013: Highest quarterly volume since 2007. Amserdam: DTZ Zadelhoff. Duranton, G., & Puga, D. (2003). Micro-foundations of urban agglomeration economies. In J. V. Henderson, & J. Thisse, Handbook of Regional and Urban Economics (p. 4-48). Cambridge: NorthHolland. Geoghegan J., Wainger L. A. & Bockstael N. E. (1997) Spatial landscape indices in a hedonic framework: an ecological economics analysis using GIS. Journal of Ecological Economics, 23 251-264.

95

Glaeser, E. (2011). Triumph of the city. New York: The penguin press. Guntermann, K.L., & Thomas, G. (2005). Parcel Size, Location and Commercial Land Values. Journal of Real Estate Research, 27(3), 343-354. Ten Have, G.G.M. (2003), Taxatieleer Vastgoed 2 (3e druk), Groningen / Houten, Wolters Noordhoff . Hayter, R. (1979): Labour supply and resource based manufacturing in isolated communities. Professional Geographer 30(1), 240-249. Heilbrun, J. (1987). Urban Economics and Public Policy. New York: St Martin’s Press. Huys, A. (2008). Grondwaarde van kantorenlocaties: stabile of variable? (Master thesis). Amsterdam School of Real Estate. Amsterdam. Nederland. Huynh, D.T. (2014). The effects of clustering on office rents: empirical evidence from the rental office market in Ho Chi Minh City. Theoretical and empirical researches in urban management, 9(1), 5-26. Jaffe, A., Trajtenberg, M., & Henderson, R. (1993). Geographic localization of knowledge spillover as evidence by patent citations. Quarterly Journal of Economics, 108(3), 577-598. Jakobsen, S. & Onsager, K. (2003) Head office location: Agglomeration, clusters or flow nodes (Master thesis). Institute for research in economics and business administration Bergen, Bergen, Noorwegen. Jennen, M., & Brounen, D. (2009). The effect of clustering on office rents: evidence from the amsterdam market. Real Estate Economics, 37(1), 185-208. Kauko, T. & d’Amato, M. (2008) Mass Appraisal Methods: An international perspective for property valuers. Journal of Housing and the Built Environment, 24(1) 495-497. Kok, N. & Jennen, M. (2011). De waarde van energiezuinigheid en bereikbaarheid: een analyse van de Nederlandse Kantorenmarkt. Amsterdam: AgentschapNL. Kok, N., Monkkonen, P. & Quigley, J. (2014) Land use regulations and the value of land and housing: An intra-metropolitan analysis. Journal of Urban Economics, 81(C), 136-148. Koppels, P., Remøy, H., de Jong, H., (2009). The economic value of image. Real Estate Research Quarterly 8(3), 31-38. Koppels, P., Remøy, H., el Messlaki, S. (2011). Door leegstand verlaagde huren bij de buren. Real Estate Research Quarterly 10 (Oktober), 24-34 Koster, H. (2013). Rocketing rents: The magnitude and attenuation of agglomeration economies in the commercial property market (Master thesis). VU University, Amsterdam, Nederland. Kruijt, B, Needham, B. en Spit, T. (1992), Economische Grondslagen van Grondbeleid (2e druk), Amsterdam, Stichting voor Beleggings- en Vastgoedkunde. Leijen, T. (2014). Het effect van technische duurzaamheid op de huurprijs van kantoorgebouwen (Master thesis). Technische Universiteit Delft, Delft, Nederland.

96

Louw, E. (1996). Kantoorgebouw en vestigingsplaats; Een geografisch onderzoek naar de rol van huisvesting van locatiebeslissingen van kantoorhoudende organisaties. Delftse Universitaire Pers: Delft. Malpezzi, S. (2003). Hedonic pricing models: a selective and applied review (essay). Housing economics and public policy: Oxford: Blackwell. Martin, R. & Sunley, P. (2003). Deconstructing clusters: chaotic concept or policy panacea? Journal of Economic Geography, 3, 5 - 35. Needham, B. (1996), De Waarde van grond, bebouwd en onbebouwd, Waardebepaling Vastgoed, Enkele Actuele Ontwikkelingen, Amsterdam, Stichting voor Beleggings- en Vastgoedkunde, p 89-101. Nichols, J., Oliner, S., & Mulhall, M. (2010). Commercial and Residential Land Prices Across the United States (Master thesis). Federal Reserve board. NNI. (2014). NEN 8021: Waardering gebruiksprestatie van utiliteitsgebouwen. Delft: NEN Uitgeverij Nederland. NVM Business. (2014). Kantorenmarkt Randstad 2014: een stand van zaken. Nieuwegein: NVM Business. OECD (2013), Handbook on Residential Property Price Indices. Luxembourg, Eurostat. Planbureau voor de leefomgeving. (2009). De waarde van de kantooromgeving: effecten van omgevingskenmerken op de huurprijzen van kantoorpanden. Den Haag: Planbureau voor de leefomgeving. Porter, M. (1990). Competitive advantage of nations. New York: Free Press. Porter, M.E. (2000). Location, competition, and economic development: Local clusters in a global economy. Economic Development Quarterly, 14(2), 15-34 Quigley, J., Raphael, S., & Rosenthal, L. (2004) Local Land-use Controls and Demographic Outcomes in a Booming Economy, Urban Studies Journal Limited, vol. 41(2), pages 389421. Rodenburg, C., Nijkamp, P., de Groot, H., & Verhoef, E. (2011). Residents' Benefits of Multi-functional Land-use Projects: A Stated Preference Approach to a Case Study in Amsterdam. International planning studies, 16(4), 397-417. Rodermond, W. (2011). Het taxere van leegstaande kantoorruimte (Master thesis). Amsterdam School of Real Estate, Amsterdam, Nederland. Sohn, D.W., & Moudon A.V. (2008). The economic value of office clusters: An analysis of assessed property values, regional form, and land use mix in king county, Washington. Journal of planning education and research, 28(1), 86-99. Stevens, J (1992) Applied multivariate statistics for the social sciences. Hillsdale, NJ: Lawrence Erlbaum Associates, Publishers. Storper, M., & Venables, A. (2004). Buzz: Face-to-Face Contact and the Urban Economy. Journal of Economic Geography, 4(4), 351-371.

97

Van Zon, R. (2014). Clustering en de attractiviteit van kantoorlocaties (Master thesis). Technische Universiteit Eindhoven, Eindhoven, Nederland. Venema, P. (2002). Real estate value analysis (Master thesis). SBV-MRE opleiding, Nederland Verblakt, N. (2002). Waardecreatie bij beleggingen in kantoren. Buildingbusiness, 3(1), 5659. Verheye, W. (2007). The value and Price of Land. In W. H. Verheye (Ed.), Land Use, Land Cover and Soil Sciences. Oxford, UK: UNESCO-EOLSS Publishers. Verhoeven, L. (2013). Waardevermeerdering van de creatieve industrie. Media en Cultuur (Master thesis). Erasmus universiteit, Rotterdam, Nederland. VROM (2001). Nota grondbeleid. Ministerie van Volksgezondheid, Ruimtelijke Ordening en Milieubeheer & Ministerie van Financiën, ’s-Gravenhage. Waarderingskamer. (2008). Vraagbaak waardebepaling in het kader van de Wet WOZ: Een antwoord op de meest gestelde vragen over de waardebepaling in het kader van de Wet WOZ. Den Haag: Drukkerij All-in. Wang, Y., Potoglou, D., Orford, S. & Gong, Y. (2014) Bus stop, property price and land value tax: A multilevel hedonicanalysis with quantile calibration. Land use policy 42, 381391. Wiegerinck, E. (2013). Restwaarde kantoren toplocatie verdubbeld. Geraadpleegd op 9 december 2014, van file:///C:/Users/Gebruiker/Downloads/Restwaarde%20kantoren%20toplocatie%20verdub belt%20-%20Vastgoedmarkt%20(5).pdf Wilhelmsson M. (2002) Spatial Models in Real Estate Economics. Journal of Housing, Theory and Society 19, 92-101. Overige bronnen

CBS (2015). Statline. Geraadpleegd op 17-5-2015, van http://statline.cbs.nl/Statweb/ DTZ Zadelhoff (2015). Databestand grondtransacties (Databestand). Amsterdam: DTZ Zadelhoff. Kadaster (2015). Bagviewer (Databestand). Apeldoorn: het Kadaster. Rijksoverheid (2015). Leefbarometer (databestand). Den haag: Rijksoverheid.

98

99

BIJLAGE 1 2 3 4 5 6 7

Toelichting onafhankelijke variabelen .................................................................. Pearson Correlatie ................................................................................................ Boxplots ................................................................................................................ Kurtosis & Skweness ............................................................................................. Scatterplots ........................................................................................................... Breusch-Pegan test ............................................................................................... Coëfficiënten multi-level methode .......................................................................

101 104 108 111 112 115 116

100

BIJLAGE 1 TOELICHTING ONAFHANKELIJKE VARIABELEN Fysieke locatievariabelen

Afstand tot snelweg af- oprit De afstand van het desbetreffende perceel naar de dichtstbijzijnde snelweg af- oprit wordt gemeten in kilometers. De afstand wordt gemeten in een rechte lijn van het perceel naar de snelweg af- oprit en zal geen rekening houden met eventuele congesties. Afstand tot treinstation De afstand van het desbetreffende perceel naar het dichtstbijzijnde treinstation wordt gemeten in kilometers. De afstand wordt gemeten in een rechte lijn van het perceel naar het treinstation. Afstand tot bushalte De afstand van het desbetreffende perceel naar de dichtstbijzijnde bushalte wordt gemeten in kilometers. De afstand wordt gemeten in een rechte lijn van het perceel naar de bushalte. Aantal type bestemmingen Voor het meten van het aantal winkels, horecagelegenheden en sportfaciliteiten binnen een straal van 500 meter van het perceel, wordt als uitgangspunt meegenomen dat het bouwjaar van deze faciliteiten eerder is dan de transactiedatum. Waardoor dus verondersteld wordt dat de faciliteiten aanwezig waren in tijde van de transactie. Landschapsarchitectuur Voor het meten van de landschapsarchitectuur zal gebruik worden gemaakt van de Leefbarometer (2015). Dit instrument geeft een score aan de kwaliteit van de leefomgeving met betrekking tot het openbaar groen en de aanwezigheid van water en natuur. De score wordt per viercijfer postcodegebied toegekend en is weergeven per jaar. Beroepsbevolking in cluster Totale beroepsbevolking per viercijfer postcodegebied binnen een straal van 23 kilometer met een leeftijd tussen de 15 en 65 welke meer dan 12 uur per week werken.

Sociale locatievariabelen

Clustergrootte Het aantal vierkante meters b.v.o. kantoor in een cluster. De cluster wordt bepaald met behulp van het distance decay model, waarbij rekening wordt gehouden met de afstand van een kantoor tot aan het desbetreffende perceel en of het kantoor in gebruik is of leeg staat in tijden van de transactie. Als uitgangspunt wordt meegenomen dat het bouwjaar van het kantoor eerder is dan de transactiedatum. Aantal kantoren cluster Het aantal kantoren in een cluster. De cluster wordt bepaald met behulp van het distance decay model, waarbij rekening wordt gehouden met de afstand van een kantoor tot aan het desbetreffende perceel en of het kantoor in gebruik is of leeg staat in tijden van de transactie. Als uitgangspunt wordt meegenomen dat het bouwjaar van het kantoor eerder is dan de transactiedatum.

101

FAR (Floor Area Ratio) Het totale aantal vierkante meters v.v.o. van de kantoren, welke zich bevinden in de cluster, gedeeld door het totale oppervlakte van de percelen van deze desbetreffende kantoren. % Bestemming in cluster Het percentage woningen, winkels, kantoren en industrie binnen de cluster. De cluster betreft de polygoon welke kan worden bepaald door de uiterste contouren van de meegenomen omliggende kantoren te bepalen. De uitkomst is het percentage van de totale bebouwing in vierkante meters v.v.o. Economische variabelen

Werkloosheidspercentage De werkloze beroepsbevolking als percentage van de beroepsbevolking in een bepaald jaar per gemeente. Kantoorbanen Het totaal aantal kantoren binnen een viercijfer postcodegebied waarbij de sectoren Informatie en communicatie, Financiële instellingen, Onroerend goed sector, Advies & Onderzoek sector, Overige zakelijke Dienstverlening, Openbaar bestuur en Overige dienstverlening worden meegenomen, zoals vermeld in de LISA Vestigingenregister. Voorraad Voor de kantorenmarkt wordt onder voorraad het totaal verstaan van bestaande of in aanbouw zijnde kantoorruimte met een oppervlakte van 500 m² v.v.o. of meer. De gegevens zijn afkomstig uit een combinatie van gegevens van Bak en DTZ Zadelhoff. Leegstandspercentage Leegstand betreft aangeboden ruimte in opgeleverde gebouwen die op het moment van inventarisatie niet (meer) in gebruik is. Leegstand wordt uitgedrukt in percentages van de kantorenvoorraad. De gegevens zijn afkomstig van DTZ Zadelhoff Opname Onder opname wordt de kantoorruimte verstaan die op de ‘vrije markt’ verhuurd of verkocht is, met uitzondering van sale-and-leaseback transacties en nieuwbouw ten behoeve van eigenaar-gebruikers. Hierbij wordt een ondergrens gehanteerd van 500m² v.v.o. De gegevens zijn afkomstig van DTZ Zadelhoff Aanbod Aanbod betreft gebouwen waarin per ultimo van elk kalenderjaar minimaal 500m² kantoorruimte voor de verhuur of verkoop beschikbaar is. Het aanbod heeft uitsluitend betrekking op reeds opgeleverde of nog in aanbouw zijnde complexen. Projecten in voorbereiding worden niet meegeteld. De gegevens zijn afkomstig van DTZ Zadelhoff.

102

Aanbod/Opname ratio De aanbod/opname ratio is het gemiddelde aanbod van kantoorruimte in een bepaald jaar, afgezet tegen de opname van kantoorruimte in dat zelfde jaar. De aanbod/opname ratio wordt gemeten op gemeentelijk niveau. Bruto gemeentelijk product per hoofd Het bruto binnenlands product (BBP) per hoofd is een maat voor de omvang van de economie per hoofd van de bevolking. De verandering van het volume van het BBP in een bepaalde tijdsperiode is een maat voor de groei (of krimp) van de economie. Langetermijnrente Het rendement van 10-jarige overheidsobligaties, uitgedrukt in een ratio. Constructiekosten De constructiekosten zijn de gewogen prijsindexcijfers samengesteld uit de loon- en materiaal component, uitgedrukt in percentages waarbij het jaar 2000 gelijk wordt gesteld aan 100%. Inflatie De inflatie is de procentuele jaar-op-jaar ontwikkeling van de consumentenprijsindex. De inflatie geeft aan hoeveel duurder of goedkoper het leven voor een gemiddeld huishouden in Nederland is geworden in een jaar tijd. Politieke variabelen

Erfpacht Een dummy-variabele welke inzicht geeft of er sprake is van wel of geen erfpacht. Bouwvergunningen Het totaal aantal vierkante meter uitgegeven bouwvergunningen voor de zakelijke dienstverlening per jaar per gemeente.

103

BIJLAGE 2 (PEARSON CORRELATIE)

BBP

A/O

leegstandspercentag e

Voorraad

Opname

Aanbod

Kantoorbanen

Werkloosheidsperce ntage

Landschapsarchitect uur

Aantal sportfaciliteiten

Aantal horecagelegenheden

Aantal winkels

Afstand tot bushalte

Afstand tot treinstation

Afstand tot snelweg op-afrit

Beroepsbevolking

% industrie/logistiek

% kantoren

% kantoren

% winkels

% winkels

% woningen

% woningen

FAR

Aantal kantoorpanden binnen cluster FAR

Aantal kantoorpanden binnen cluster

Clustergrootte

Clustergrootte

1 ,481

1

,407

,327

1

-,301

,052

,104

1

,089

,142

,197

-,040

1

,612

,118

,067

-,543

-,041

1

% industrie/logistiek

-,245

-,166

-,254

-,425

-,095

-,365

1

Beroepsbevolking

-,212

-,128

,311

,190

,202

-,247

-,179

1

Afstand tot snelweg op-afrit

-,215

,095

,270

,347

-,006

-,421

-,015

,088

1

Afstand tot treinstation

-,343

-,285

-,290

,051

-,259

-,115

,204

-,273

,197

Afstand tot bushalte

1

-,259

-,184

-,257

-,228

,033

-,149

,406

,020

,045

,224

1

Aantal winkels

,255

,344

,717

,041

,414

-,002

-,194

,303

,240

-,279

-,120

1

Aantal horecagelegenheden

,237

,422

,620

,065

,264

-,019

-,185

,182

,337

-,244

-,098

,839

1

Aantal sportfaciliteiten

-,057

,027

,041

,121

-,027

-,070

-,147

,062

,011

-,127

-,110

,045

,090

Landschapsarchitectuur

-,251

-,116

-,076

-,004

-,023

-,189

,194

,141

,088

-,130

,201

-,132

-,065

,105

1

Werkloosheidspercentage

-,107

-,103

,119

,060

-,003

,004

-,164

,434

-,021

,043

,054

,108

,003

-,002

,083

1

Kantoorbanen

-,067

-,063

-,133

-,079

,063

-,039

,078

,113

-,025

-,292

,214

-,097

-,026

,240

,572

-,001

1

Aanbod

-,064

-,056

-,056

-,048

,010

-,048

,061

,179

,013

-,199

,198

-,042

,007

,246

,458

,198

,869

1

Opname

-,042

-,069

-,071

-,032

,158

-,039

-,001

,145

-,021

-,314

,130

-,049

,019

,195

,519

-,026

,763

,504

1

Voorraad

-,047

-,069

-,065

-,037

,086

-,078

,047

,259

,020

-,366

,202

-,065

,000

,258

,527

,032

,957

,881

,726

1

leegstandspercentage

-,071

-,058

-,005

-,053

-,014

-,035

,045

,181

-,005

-,103

,215

-,009

-,008

,178

,411

,481

,714

,886

,438

,705

1

A/O

-,041

,073

-,018

,060

,102

-,098

,041

-,057

,033

-,056

-,086

-,024

-,005

-,095

-,030

-,364

-,195

-,576

,243

-,254

-,564

1

BBP

-,042

,042

-,028

,117

-,002

-,054

-,069

,019

,024

,008

-,046

-,075

-,016

-,028

,015

-,132

-,129

-,279

,310

-,140

-,223

,523

1

Langetermijnrente

-,074

-,025

-,062

,051

,106

-,040

,021

-,010

,008

-,096

-,090

,002

,030

-,057

,017

-,565

-,118

-,436

,188

-,159

-,633

,699

,397

Constructiekosten

,119

,001

,122

-,054

-,071

,030

-,006

-,004

,050

,140

,077

,063

,050

,113

,019

,197

,176

,482

-,129

,221

,567

-,727

-,393

1

104

-,485

-,011

-,266

,058

-,046

-,474

,394

-,172

,024

-,054

-,201

,143

-,022

,146

-,303

-,126

-,161

,087

-,111

-,206

-,157

,039

-,074

-,045

-,005

-,077

,015

-,037

-,109

,026

,047

Bouwvergunningen

,054

-,157

-,093

-,232

-,017

-,086

-,049

,027

,296

-,191

,274

-,122

,571

,197

-,133

,585

,346

BBP

,033

A/O

,024

leegstandspercentag e

-,011

Voorraad

Werkloosheidsperce ntage

-,040

Opname

Landschapsarchitect uur

-,037

Aanbod

Aantal sportfaciliteiten

-,056

Kantoorbanen

Aantal horecagelegenheden

-,031

Aantal winkels

-,091

Afstand tot bushalte

Afstand tot treinstation

,059

Beroepsbevolking

Afstand tot snelweg op-afrit

% industrie/logistiek

-,029

% kantoren

,074

% winkels

-,028

% woningen

-,104

FAR

-,073

Aantal kantoorpanden binnen cluster

-,055

erfpacht

Clustergrootte

Inflatie

,015

-,014

-,132

-,067

,086

,019

Amsterdam

-,033

-,045

-,153

-,096

,067

-,013

,088

,047

-,047

-,352

,194

-,114

-,035

,221

,578

-,041

,971

,784

,804

,929

,624

-,088

-,067

Rotterdam

-,210

-,099

,245

,183

,063

-,104

-,191

,576

,084

,245

-,062

,263

,128

-,110

-,090

,505

-,450

-,317

-,313

-,453

-,149

,021

,074

Utrecht

,187

,155

-,164

-,164

-,194

,208

,142

-,859

-,122

,328

-,105

-,145

-,101

-,150

-,364

-,331

-,469

-,427

-,476

-,611

-,336

,017

-,025

DenHaag

,106

,013

,111

,104

,048

-,095

-,055

,206

,111

-,182

-,090

,002

,006

-,012

-,334

-,209

-,334

-,273

-,250

-,091

-,362

,089

,036

2000

-,062

,086

-,031

,119

,060

-,113

,002

,102

,004

-,082

-,049

-,036

-,017

-,074

,044

-,146

-,106

-,417

,200

-,148

-,406

,784

,557

2001

-,052

-,085

-,054

-,101

,095

-,021

,096

-,074

-,027

-,029

,037

-,042

-,041

-,051

,016

-,319

-,003

-,195

,089

-,042

-,232

,329

-,073

2002

-,016

-,038

-,042

,006

,028

,063

-,054

-,102

,019

-,107

-,086

,057

,068

,075

,035

-,221

,013

,019

-,114

,016

-,262

-,122

-,366

2003

-,015

-,035

-,062

-,061

-,088

,067

,036

,051

-,149

-,014

-,008

-,067

-,059

-,078

-,123

,200

-,030

,010

-,122

-,007

,002

-,189

-,261

2004

-,059

-,065

-,084

-,046

-,028

,060

-,009

,045

,002

-,035

,109

-,007

-,055

-,039

-,042

,224

,031

,127

-,160

,048

,196

-,229

-,025

2005

-,018

-,016

,008

-,001

-,014

,037

-,062

,007

-,042

,052

-,012

,012

-,039

,026

-,007

,373

-,077

,058

,030

-,088

,240

-,080

,027

2006

,053

,096

,022

,115

-,076

-,005

-,036

-,194

,107

,099

-,086

-,044

-,017

-,026

-,035

,078

-,123

,008

-,039

-,117

,060

-,171

,296

2007

,061

,007

,174

-,028

,075

,021

-,070

,127

,014

-,045

-,026

,113

,143

,058

-,036

-,087

,028

,084

,234

,071

,039

-,034

,309

2008

,061

-,045

-,042

,000

-,076

-,002

,025

-,098

,008

,168

,013

-,034

-,006

,076

,027

-,304

,077

,103

-,005

,071

,081

-,171

,002

2009

,084

,042

,192

-,050

,087

-,020

,064

,063

,080

-,004

,008

,168

,090

-,010

,012

,006

,075

,144

-,115

,069

,171

-,164

-,558

2010

-,066

-,047

-,075

-,095

,025

,008

,081

,076

-,054

,031

,145

-,038

-,038

-,044

,142

,057

,135

,186

-,001

,132

,232

-,127

-,077

2011

-,047

-,053

,009

,029

-,050

-,049

-,009

,107

,050

,016

,099

-,031

-,027

,091

,036

,103

,080

,133

-,029

,123

,151

-,136

-,030

2012

,016

,067

-,033

,079

-,011

-,106

,044

-,028

-,024

,076

,011

-,032

-,024

-,031

-,098

,183

-,094

-,015

-,122

-,087

,073

-,110

-,217

2013

,084

,118

,068

,019

-,025

,013

-,023

-,016

,064

,003

-,031

,015

,003

,088

,030

,231

,083

,088

-,040

,091

,125

-,109

-,184

2014

,022

-,019

,017

-,083

-,049

,043

-,049

,040

-,075

-,080

,048

-,021

-,011

,002

,021

,220

,115

,137

-,022

,114

,193

-,127

-,086

105

BBP Langetermijnrente

1

Constructiekosten

-,790

1

2014

A/O

2013

leegstandspercentage

2012

Voorraad

2011

Opname

2010

Aanbod

2009

Kantoorbanen

2008

Werkloosheidspercentage

2007

Landschapsarchitectuur

2006

Aantal sportfaciliteiten

2005

Aantal horecagelegenheden

2004

Aantal winkels

2003

Afstand tot bushalte

2002

Afstand tot treinstation

2001

Afstand tot snelweg op-afrit

2000

Beroepsbevolking

DenHaag

% industrie/logistiek

Utrecht

% kantoren

Rotterdam

% winkels

Amsterdam

% woningen

Bouwvergunningen

Aantal kantoorpanden binnen cluster FAR

erfpacht

Inflatie

Constructiekosten

Langetermijnrente

Clustergrootte

106

-,085

-,085

-,045

-,294

-,516

1

2014

,032

2013

1

Rotterdam

2012

,437

2011

1

,007

2010

,080

,047

2009

,219

,017

2008

-,489

,008

2007

,522

Amsterdam

2006

1

2005

,106

2004

-,104

2003

,080

Bouwvergunningen

2002

1

2001

-,411

2000

,498

erfpacht

Utrecht

DenHaag

Utrecht

Rotterdam

Amsterdam

Bouwvergunningen

erfpacht

Inflatie

Constructiekosten

Langetermijnrente

Inflatie

-,078

,087

-,004

,060

-,072

-,439

-,274

1

DenHaag

,041

-,020

,047

-,025

-,198

-,328

-,204

-,174

1

2000

,607

-,668

,063

-,040

,517

-,016

,094

-,120

,046

1

2001

,229

-,282

,668

,091

,142

,028

-,053

,015

,009

-,142

1

2002

,242

-,147

,436

,087

-,006

,055

-,096

,026

,011

-,166

-,103

1

2003

-,046

-,126

-,028

-,018

-,138

-,010

,041

-,044

,014

-,139

-,086

-,101

1

2004

-,052

-,055

-,295

,114

-,095

,053

,036

-,061

-,055

-,129

-,080

-,094

-,078

1

2005

-,244

,014

-,149

,064

-,145

-,079

,131

,029

-,089

-,118

-,073

-,086

-,072

-,066

1

2006

-,183

,112

-,402

-,070

-,001

-,112

-,040

,201

-,019

-,163

-,102

-,119

-,099

-,092

-,084

1

2007

,009

,208

-,195

,017

-,084

-,010

,041

-,076

,054

-,139

-,086

-,101

-,084

-,078

-,072

-,099

1

2008

-,012

,432

,113

,017

-,072

,009

-,086

,095

-,016

-,160

-,100

-,117

-,097

-,090

-,083

-,115

-,097

1

2009

-,131

,310

-,237

-,152

-,074

,020

,003

-,012

-,020

-,098

-,061

-,072

-,060

-,055

-,051

-,070

-,060

-,069

1

2010

-,220

,212

-,163

-,120

-,129

,082

,015

-,075

-,056

-,074

-,046

-,054

-,045

-,042

-,038

-,053

-,045

-,052

-,032

1

2011

-,221

,232

,026

-,058

-,113

,037

-,036

-,075

,083

-,074

-,046

-,054

-,045

-,042

-,038

-,053

-,045

-,052

-,032

-,024

1

2012

-,303

,167

,037

-,032

-,125

-,106

,070

,093

-,042

-,056

-,035

-,041

-,034

-,032

-,029

-,040

-,034

-,039

-,024

-,018

-,018

1

2013

-,335

,193

,050

-,091

-,115

,039

-,074

,004

,035

-,063

-,039

-,046

-,038

-,035

-,032

-,045

-,038

-,044

-,027

-,020

-,020

-,015

1

2014

-,448

,239

-,200

,061

-,129

,062

-,082

-,008

,023

-,069

-,043

-,050

-,042

-,039

-,036

-,049

-,042

-,048

-,030

-,022

-,022

-,017

-,019

1

107

BIJLAGE 3 (BOXPLOTS)

Boxplot “% woningen in cluster”

Boxplot “aantal kantoorpanden binnen cluster”

Boxplot “% woningen in cluster”

Boxplot “% kantoren in cluster”

Boxplot “% industrie in cluster”

Boxplot “afstand tot snelweg op-afrit”

108

Boxplot “afstand tot bushalte”

Boxplot “afstand tot treinstation”

Boxplot “landschapsarchitectuur”

Boxplot “werkloosheidspercentage”

Boxplot “opname”

Boxplot “leegstandspercentage”

109

Boxplot “langetermijnrente”

Boxplot “o/a”

Boxplot “bbp”

Boxplot “constructiekosten”

Boxplot “inflatie”

Boxplot “far”

110

Boxplot “aantal verkooppunten”

BIJLAGE 4 (KURTOSIS & SKEWNESS) Skewness

Kurtosis

Clustergrootte

-0,564

-0,644

Aantal kantoorpanden binnen cluster

-0,448

-0,245

% woningen in cluster

-0,287

-1,521

% kantoren in cluster

-0,987

0,096

% industrie in cluster

0,202

-1,425

Afstand tot snelweg op-afrit

-0,096

-0,420

Afstand tot treinstation

-0,783

-0,019

Afstand tot bushalte

-0,189

0,045

Landschapsarchitectuur

-0,013

-1,145

Werkloosheidspercentage

0,485

0,138

Opname

0,744

-0,545

Leegstandspercentage

0,397

-0,842

A/O

0,313

-0,965

Langetermijnrente

-0,681

0,137

Constructiekosten

-0,896

1,072

Inflatie

0,119

-1,225

Bouwvergunningen

0,707

-0,143

Aantal verkooppunten

-0,809

1,956

FAR

0,518

-0,085

111

BIJLAGE 5 (SCATTERPLOTS)

Scatterplot “clustergrootte”

Scatterplot “aantal kantoorpanden binnen cluster”

Scatterplot “far”

Scatterplot “%woningen in cluster”

Scatterplot “%kantoren in cluster”

Scatterplot “%industrie in cluster”

112

Scatterplot “afstand tot snelweg op-afrit”

Scatterplot “afstand tot treinstation”

Scatterplot “afstand tot bushalte”

Scatterplot “landschapsarchitectuur”

Scatterplot “werkloosheidspercentage”

Scatterplot “opname”

113

Scatterplot “leegstandspercentage”

Scatterplot “a/o”

Scatterplot “bbp”

Scatterplot “langetermijnrente”

Scatterplot “constructiekosten”

Scatterplot “inflatie”

114

Scatterplot “bouwvergunningen”

Scatterplot “aantal verkooppunten”

BIJLAGE 6 (BREUSCH-PEGAN TEST) Breusch-Pagan test for Heteroscedasticity (CHI-SQUARE df=P) 95,314 Significance level of Chi-square df=P (H0:homoscedasticity) ,0000

115

BIJLAGE 7 (COËFFICIENTEN MULTI-LEVEL METHODE) Model 1

Model 2

Model 3

-Loglik

0,118 3658,081

0,149 3529,863

0,314 2845,361

AIC

3940,081

3635,863

2937,361

BIC

4165,193

3831,452

3107,118

R²

Intercept 813,656 ** 617,009 Ln(Clustergrootte) 68,011 ** 64,205 Ln(Aantal kantoorpanden binnen cluster) -6,094 -3,891 Ln(%woningen in cluster) -0,918 -1,858 Ln(%kantoren in cluster) 9,533 13,863 Ln(%industrie in cluster) -32,294 ** -30,327 Ln(Beroepsbevolking) 0,299 ** 0,256 Ln(Afstand tot snelweg op-afrit) -22,051 ** -28,137 Ln(Afstand tot treinstation) -6,591 -4,191 (Afstand tot bushalte) -3,647 -8,373 Landschapsarchitectuur -1,604 ** -1,411 Ln(Verkooppunten) -6,308 -2,531 Ln(FAR) -14,853 -8,002 Winkels in cluster -82,709 ** -83,789 Hoeveelheid winkels in cluster -35,780 * -53,546 Sportfaciliteiten 165,109 ** 148,907 Hoeveelheid sportfaciliteiten -129,952 ** -131,603 Werkloosheidspercentage -2,475 -5,604 Opname -0,287 -0,019 Voorraad 0,003 leegstandspercentage -30,695 -27,913 AO 79,484 47,697 BBP 9,852 * 6,656 Langetermijnrente -147,696 ** -105,013 Constructiekosten 29,674 ** 28,365 Inflatie -17,362 -17,046 Erfpacht -7,383 -11,657 Ln(Bouwvergunningen) 6,715 -29,499 Transactiejaar -78,912 ** -61,834 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Amsterdam -46,108 135,717 Rotterdam -49,879 ** 44,998 Utrecht -9,274 -15,655 Den Haag 0b 0b ** P < 0,01, * P <0,05, b deze parameters zijn op 0 gezet omdat ze overbodig zijn.

** **

** * **

**

** ** **

* **

**

**

633,071 61,464 -4,104 -0,481 13,097 -30,353 0,272 -28,336 -0,146 -8,057 -1,551 -3,535 1,558 -84,255 -46,365 147,205 -122,726 -8,066

-27,790 50,488 7,271 -109,430 28,770 -16,745 -12,925 -30,103 -63,347

109,864 34,194 -18,244 0b

* **

**

*

* ** **

*

*

*

116