Dynamische marktanalyse: Een empirische casestudy van de leegstand op de Nederlandse kantorenmarkt

Dynamische marktanalyse: Een empirische casestudy van de leegstand op de Nederlandse kantorenmarkt

(Afbeeldingen van verschillende locatietypen in Nederland)

Alexander Zweering MSc MRICS [email protected] Amsterdam, 2 april 2012 Amsterdam School of Real Estate Master Studies of Real Estate

Begeleider de heer prof. Dr. O.A.L.C. Atzema (Universiteit Utrecht) e

2 lezer de heer Dr. M.A.J. Theebe (Universiteit van Amsterdam)

Voorwoord

Met het afronden van deze scriptie is er een einde gekomen aan mijn opleiding aan de ASRE. Achteraf is het schrijven van de MSRE- scriptie, naast het werk, me een stuk zwaarder gevallen dan ik van tevoren had verwacht. De uiteindelijke totstandkoming van het onderzoek dat voor uw ligt heeft de nodige inspanning gekost en is dus helaas veelal ten kosten gegaan van mijn privéleven. Om die reden ben ik blij dat ik nu eindelijk kan mededelen dat het dan toch eindelijk gelukt is. Allereest wil ik mijn scriptiebegeleider Oetze Atzema bedanken. Zonder zijn hulp en zeer flexibele instelling was het zeker niet gelukt om deze scriptie met goed gevolg af te ronden. Daarnaast wil ik e

ook graag Marcel Theebe, mijn tweede lezer, bedanken voor de scherpe analyse van mijn 1

voorlopige versie. Die input heeft ervoor gezorgd dat het onderzoek een stap verder is gekomen. Het afronden van deze scriptie was zonder de deskundige bijdrage en begeleiding van deze twee ervaren heren zeker niet gelukt. Bij het schrijven van de scriptie is de schikbaarheid van data een welbekend probleem. Deze scriptie is geschreven met behulp van de uitgebreide database van mijn ex- werkgever DTZ Zadelhoff. Ik ben erg blij dat deze dataset mij ter beschikking is gesteld en dank mijn ex-collega’s hiermee voor hun bijdrage. Tijdens het schrijven van deze scriptie heb ik ook veel hulp en geduld genoten van de mensen in mijn omgeving. Ik wil de volgende mensen daarom graag bedanken: Allereerst wil ik mijn collega’s van Spring Real Estate bedanken. In maart 2011 hebben wij met elkaar de grote stap aangedurfd om ons eigen makelaarskantoor te beginnen. Terugkijkend heeft ons dit zeker geen windeieren gelegd, maar ik kan me voorstellen dat het van jullie ook extra inzet heeft gevergd om mij tijdens de eindfase de tijd te gunnen om deze scriptie succesvol af te ronden. Daarnaast wil ik graag mijn goede vriend Philip bedanken voor zijn gezelschap en mentale steun tijdens de vele studie weekenden en avonden. Gedeelde smart is halve smart. Dat geldt zeker in ons geval. Last, but zeker not least bedank ik Welmoed. Zonder jouw steun was dit niet gelukt. Daarnaast heb je aan het eind van het traject ook nog een belangrijke bijdrage geleverd aan het verbeteren van de leesbaarheid van dit onderzoek.

Amsterdam, 1 april 2012 Alexander Zweering

2

Managementsamenvatting

Op de kantoorruimtemarkt is vanaf 2010 sprake van meer dan vijftien procent leegstand. De huidige marktsituatie is dus met recht zeer ongezond te noemen. In de kantorenmarkt wordt leegstand gezien als een belangrijke verklarende indicator van de gesteldheid van de marktsituatie. Door de ontwikkeling van de leegstandvariabele te onderzoeken, is getracht een bijdrage te leveren aan de huidige discussie omtrent de huidige leegstandsituatie.

Doel van het onderzoek is om te analyseren of er door de ruime marktsituatie een tweedeling in de kantorenmarkt is ontstaan. Om te onderzoeken of er een verschil in de omvang van de leegstand aanwezig is, is de beschikbare data over de leegstand eerst onderverdeeld in acht stadsregio’s. Vervolgens is er in het onderzoek onderscheid gemaakt tussen 5 verschillende locatietypen. De Stationslocatie, de Stations&snelweglocaties, de Snelweglocatie, de Binnenstedelijke en de Buitenstedelijke gebieden. Het onderzoek wordt uitgevoerd met behulp van een statische methode die de spreiding van de dataset van waarnemingen berekent, de zogenaamde variatiecoëfficiënten. De variatiecoëfficiënten geven de spreiding van de leegstand ten opzichte van het rekenkundig gemiddelde van de leegstand aan. Als er een toename van de spreiding van de leegstand optreedt, wordt dit geïnterpreteerd als het ontstaan van een tweedeling in de markt. Op basis van de resultaten van dit onderzoek blijkt echter dat de spreiding afneemt en er dus geen bewijs is voor het ontstaan van een tweedeling in de Nederlandse kantorenmarkt.

In het literatuuronderzoek is verder gevonden dat rendement en opname twee belangrijke variabelen zijn die de ontwikkeling van de leegstand beïnvloeden. In het empirische onderzoek is de relatie tussen rendement, opname en leegstand getoetst. Op basis van de resultaten van het onderzoek komt naar voren dat er geen relatie tussen rendement en leegstand geïdentificeerd kan worden. Uit het onderzoek komt verder naar voren dat er alleen op lokaal niveau (niet op landelijk en regionaal niveau) een significante relatie tussen opname en leegstand kan worden aangetoond. Deze gevonden significante relaties bieden echter onvoldoende onderbouwing voor de bewering dat gebruikers daadwerkelijk van het ene locatietype naar het andere verhuizen (ingegeven door bijvoorbeeld economische veroudering). Op basis van het empirische onderzoek wordt geconcludeerd dat leegstand op de kantorenmarkt een zeer lokaal gedreven fenomeen is.

3

Inhoudsopgave

1. Inleiding, onderzoeksvraag en leeswijzer …………………………………………………………...6 2. Een analyse van leegstand op de kantoorruimtemarkt…………………………………………….9 2.1 Definitie van leegstand……………………………………………………………………………9 2.2 Omvang van de leegstand tussen 1995 en 2009…………………………………………….. 9 2.3 Een literatuurstudie naar de factoren die van invloed zijn op de dynamiek van leegstand……………………………………………………………………………………. 12 2.3.1

Leegstand veroorzaakt door periode van overbebouwing van de markt…………12

2.3.2

Leegstand veroorzaakt door veroudering van kantoorruimte……………………...15

2.4 Het conceptuele model…………………………………………………………………………..17 3. De operationele definitie van het theoretische conceptuele model……………………………...19 3.1 Drie kern artikelen voor de Nederlandse vastgoedmarkt…………………………………….19 3.2 Het operationaliseren van het conceptuele model……………………………………………22

4. De onderzoeksmethode ……………………………………………………………………………..25 4.1 Definities van de dataset……………………………………………………………………….. 25 4.2 Toetsen op outliers……………………………………………………………………………….27 4.3 Toetsen op unit root…………………………………………………………………………….. 27 4.4 Toetsen op normaliteit………………………………………………………………………….. 28 4.5 Toetsen van de variatiecoëfficiënt…………………………………………………………….. 29 4.6 Toetsen van de niet normaal verdeelde reeksen middels een Spearman's rho correlatietest ……………………………………………………………………………………..29 4.7 Toetsen van de normaal verdeelde reeksen middels Pearson correlatietest……………..30 5. Analyse van de variatiecoëfficiënten………………………………………………………………..31 5.1 Analyse van de resultaten van de variatiecoëfficiënten van de omvang van de leegstand………………………………………………………………………………………31 5.2 Analyse van de resultaten van de variatiecoëfficiënten van de groei van de leegstand………………………………………………………………………………………37 5.3 Conclusie………………………………………………………………………………………….38

6. Analyse van de correlatie tussen BAR en leegstand……………………………………………..39 6.1 Ontwikkeling van het rendement tussen 1995 en 2009……………………………………..39 6.2 Analyse van de resultaten van de correlatietoets tussen leegstand en rendement…….. 40 6.3 Conclusie…………………………………………………………………………………………40

4

7. Analyse van de correlatie tussen leegstand en opname van antoorruimte…………………… 42 7.1 Ontwikkeling van de opname tussen 1995 en 2009…………………………………………42 7.2 Analyse van de resultaten van de correlatietoets tussen leegstand en opname…………44 7.3 Conclusie…………………………………………………………………………………………48 8. Conclusie………………………………………………………………………………………………49

9. Bibliografie……………………………………………………………………………………………..54 10. Bijlagen…………………………………………………………………………………………………59

5

1. Inleiding, onderzoeksvraag en leeswijzer

In maart 2010 heeft DTZ Zadelhoff het rapport “ Het aanbod veroudert” gepresenteerd. In dit rapport staat vermeld dat op dat moment circa zeven miljoen vierkante meter kantoorruimte wordt aangeboden. Op de totale Nederlandse voorraad kantoorruimte van circa 49 miljoen vierkante meter resulteert dit in een leegstandspercentage van maar liefst 15.3 procent. Er is dus met recht te spreken van een zeer ongezonde marktsituatie aangezien een evenwichtige markt doorgaans een leegstandspercentage van tussen de 4 en 8 procent kent (Keeris, 2007). Naast het feit dat het onderzoeksrapport van DTZ een somber beeld schetst van de Nederlandse vastgoedmarkt, zijn er nog twee interessante conclusies geformuleerd die uiteindelijk de aanleiding hebben gevormd voor dit onderzoek. Beiden conclusies onderschrijven het ontstaan van een duidelijke tweedeling in de huidige vastgoedmarkt tussen enerzijds kansrijk en anderzijds kansarm vastgoed. De eerste conclusie is dat er binnen het huidige aanbod onderscheid te maken valt tussen kansrijk en kansarm aanbod op pandniveau. Onder het kansarme aanbod vallen vooral de verouderde, grote, inflexibele kantoorpanden. De kansrijke kantoorpanden echter zijn relatief nieuw en kenmerken zich door een hogere mate van flexibiliteit voor de gebruiker. Voor de kansrijke leegstaande kantoorpanden geldt de verwachting dat deze objecten op termijn (bij een aantrekkende markt) weer verhuurd zullen worden. De kansarme kantoorpanden hebben echter een zeer beperkte kans op het vinden van een nieuwe gebruiker en zullen naar alle waarschijnlijkheid geconfronteerd blijven met (structurele) leegstand. De tweede conclusie heeft betrekking op het verschil in het aanbod op de verschillende locaties. Uit het onderzoek van DTZ Zadelhoff blijkt namelijk dat de leegstand per locatie grote verschillen laat zien. Kantoorpanden op courante locaties blijken ondanks de crisis nog steeds in trek bij gebruikers. Het courante aanbod concentreert zich dan ook in gebieden die gekenmerkt worden door een centrale ligging nabij of in kernen, dichtbij openbaar vervoersknooppunten en met ruime parkeergelegenheid. Een groot deel van het incourante aanbod lijkt zich echter te concentreren op monofunctionele locaties. Monofunctionele kantoorgebieden kenmerken zich veelal door buitenstedelijke gebieden en beschikken vaak over beperkte voorzieningen. Naast het feit dat de bereikbaarheid vaak te wensen over laat, voldoen deze gebieden door veroudering vaak niet meer aan de huidige marktvereisten.

Uit bovenstaande conclusies wordt de indruk gewekt dat de verhuurkansen voor een deel van de leegstaande objecten zo slecht zijn dat deze kantoorpanden naar alle waarschijnlijkheid nooit meer verhuurd zullen worden. Vooral voor de (structureel) leegstaande kantoorpanden op incourante locaties zijn de vooruitzichten zeer pessimistisch. In de literatuur is vaker melding gemaakt van perioden dat er overaanbod aanwezig was. In Wheaton & Torto (1985) wordt een beschrijving gegeven van perioden van overaanbod in de jaren ’50, ’60 en ’80 in Amerika. Ook in London zijn er

6

perioden van overaanbod geweest (Wheaton, Torto, Evans, 1997). In de periode van 1990-1992, kampte de Londense kantorenmarkt met een leegstandspercentage van bijna 17 procent. Deze leegstand werd voor een groot deel veroorzaakt door nieuwbouwontwikkelingen. De recente marktontwikkelingen in de Nederlandse markt, die hebben geresulteerd in een leegstandspercentage van meer van 15 procent, maken de leegstandsproblematiek een zeer actueel onderwerp voor het uitvoeren van onderzoek.

In de academische literatuur is al veel onderzoek uitgevoerd naar het functioneren van de kantorenmarkt in relatie tot het ontstaan van ruime marktsituaties. Enerzijds kenmerken deze onderzoeken zich door een abstract onderzoeksniveau waar geen rekening wordt gehouden met de specifieke lokale markteigenschappen van de kantorenmarkt. Dit type onderzoek is veelal van econometrische opzet, waarin op basis van uitgebreide wiskundige analyse de probleemstelling wordt benaderd. Anderzijds is er veel onderzoek uitgevoerd naar de verklaring van het ontstaan van leegstand, waarbij alleen de nadruk wordt gelegd op specifieke vastgoedeigenschappen. Deze onderzoeken kernmerken zich veelal door een kwalitatieve onderzoeksopzet. De beperkte beschikbaarheid van data speelt daarbij vaak een bepalende rol.

In dit onderzoek zal getracht worden een brug te slaan tussen enerzijds de zeer kwantitatieve onderzoeken en anderzijds de kwalitatieve onderzoeken. Met behulp van beschikbare data uit de transactie- database van DTZ Zadelhoff wordt in dit onderzoek een rekenkundige analyse uitgevoerd, waarbij onderzocht wordt of er een groeiende kloof ontstaat tussen kansrijke en kansarme kantoren. In dit onderzoek wordt aan de hand van de ontwikkeling van de omvang van de leegstand op 40 locaties (5 typen locaties in 8 stadsregio’s) geanalyseerd of er een groeiende tweedeling ontstaat tussen kantoorlocaties (kansrijke en kansarme locaties). Bovendien wordt onderzocht welke locaties als kansarm te bestempelen vallen.

De probleemstelling luidt als volgt:

In hoeverre bestaat er in de periode 1995-2009 tussen typen kantoorlocaties in acht Nederlandse stadsregio’s in toenemende mate een verschil in omvang van de leegstand en hangt de ontwikkeling van deze verschillen samen met de ontwikkeling van het bruto aanvangsrendement aan de aanbodzijde en die van de opname aan de vraagzijde van de kantoorruimtemarkt?

7

Bij de beantwoording van de probleemstelling wordt gebruikt gemaakt van de volgende onderzoeksvragen:

1. Hoe heeft de omvang van de leegstand op de Nederlandse kantoorruimtemarkt zich in de periode 1995-2009 ontwikkeld en welke factoren zijn in algemene zin van invloed geweest op deze ontwikkeling? 2. Welke factoren zijn verantwoordelijk voor de lokale verschillen in de omvang van leegstand op de kantoorruimtemarkt? 3. Zijn de verschillen in omvang van de leegstand tussen de 40 kantoorlocaties in de afgelopen 15 jaar toe- of afgenomen? 4. Bestaat er per locatie een correlatie tussen de ontwikkeling in de tijd van enerzijds de omvang van de leegstand en anderzijds het bruto aanvangsrendement (BAR)? 5. Bestaat er per locatie een correlatie tussen de ontwikkeling in de tijd van enerzijds de omvang van de leegstand en anderzijds de omvang van de opname?

Het onderzoek is op de volgende wijze opgebouwd. In hoofdstuk 2 vindt de beantwoording van vraag één plaats. Dit hoofdstuk bestaat uit een beschrijving van de groei van de leegstand op de Nederlandse kantorenmarkt. Daarnaast worden op basis van een literatuurstudie de factoren, die in het algemeen de ontwikkeling van de leegstand bepalen op een rij gezet. In hoofdstuk 3 vindt de beantwoording van vraag twee plaats, waarbij aan de hand van enkele Nederlandse onderzoeken ingegaan wordt op die factoren die van invloed zijn op het optreden van lokale verschillen in leegstand. Vervolgens wordt op basis van theoretische argumenten (inzoomen op factoren die met lokale verschillen hebben te maken) en argumenten van beschikbaarheid van de data een selectie gemaakt tot bepalende variabelen voor de verklaring van de dynamiek van de leegstand. In hoofdstuk 4 worden de gebruikte statistische toetsen voor het analyseren van de data gepresenteerd. In hoofdstuk 5 wordt vraag drie beantwoord. Middels het berekenen van variatiecoëfficiënten wordt geanalyseerd of een ontwikkeling van de omvang resulteert in een toename van de spreiding van het aanbod. Daarnaast wordt geanalyseerd welke locaties verantwoordelijk zijn voor de waargenomen spreiding van de leegstand. In hoofdstuk 6 wordt de correlatie tussen de ontwikkeling van het rendement (typen BAR) en de leegstand in de loop van de tijd geanalyseerd. De analyse vindt plaats met behulp van het gebruiken van een Spearman en Pearson correlatietoets. De aanwezigheid van een significante relatie duidt erop dat speculatieve motieven aan de basis kunnen staan van een periode van overbebouwing. In hoofdstuk 7 wordt de correlatie getoetst tussen de ontwikkeling van de opname en wordt de leegstand in de tijd geanalyseerd. Er wordt verondersteld dat een correlatie tussen de ontwikkeling van de opname en leegstand duidt op de aanwezigheid van economische veroudering. In hoofdstuk 8 wordt zal het onderzoek afgesloten worden met een conclusie.

8

2. Een analyse van de leegstand op de Nederlandse kantoorruimtemarkt

In dit hoofdstuk wordt de leegstand van de kantoorruimtemarkt geanalyseerd. In paragraaf 2.1 wordt eerst een definitie van de leegstand gegeven en vervolgens worden de variabelen van het onderzoek geformuleerd. In paragraaf 2.2 vindt een empirische analyse plaats van de omvang van de leegstand in acht stadsregio’s in de periode tussen 1995 en 2009. Vervolgens wordt in paragraaf 2.3 een literatuuronderzoek uitgevoerd naar de factoren die van invloed zijn op de ontwikkeling van de leegstand. Tenslotte wordt in paragraaf 2.4 een conceptueel model opgesteld, waarin de relaties tussen de leegstand en de gekozen variabelen uiteengezet zullen worden. 2.1 Definitie van leegstand

In Pritchett (1984) wordt leegstand als de beste indicator voor de actuele marktsituatie gezien. Leegstand valt te omschrijven als het totale metrage kantoorruimte dat wordt aangeboden op het moment van een inventarisatiedatum (DTZ Zadelhoff, 2011). Leegstand ontstaat doordat in de markt meer kantoorruimtemeters worden aangeboden dan dat er nodig zijn vanuit de behoefte van kantoorruimtegebruiker. In Keeris (2007) worden de volgende soorten leegstand geïdentificeerd. Ten eerste wordt conjuncturele leegstand vermeld. Dit is de leegstand die ontstaat als gevolg van het uitblijven van de vraag door een neerwaartse economische conjunctuur. Conjuncturele leegstand is over het algemeen tijdelijk van aard en zodra er weer sprake is van een periode van economisch herstel, zullen deze meters over het algemeen weer als eerste worden ingevuld (Kalk, 2010). Ten tweede noemt Keeris de geaccepteerde of frictieleegstand. Geaccepteerde leegstand wordt omschreven als de leegstand in een gezonde marktsituatie. Onder geaccepteerde leegstand wordt verstaan de aanvangs- of aanloopleegstand na oplevering van een nieuw object of na renovatie van een gebouw. In een normale marktomstandigheid geldt een leegstandspercentage van circa 4 tot 8 procent om de markt goed te laten functioneren (Keeris, 2007). Ten derde wordt er gesproken van structurele leegstand. Indien de leegstandsperiode de termijn van één jaar overschrijdt tot maximaal twee jaar na beëindiging van de huur van de vorige huurder noemt Keeris het langdurige leegstand. Indien echter de leegstandsperiode is opgelopen tot meer dan twee jaar wordt er gesproken van problematische leegstand of structurele leegstand. Bij structurele leegstand, zeker in het geval van problematische leegstand is het aannemelijk dat er nooit meer een huurder gevonden zal worden voor de huidige functie en staat van het gebouw (Kalk, 2010). 2.2 Omvang van de leegstand tussen 1995 en 2009

In de onderzoeksperiode van 1995-2009 heeft de markt een grote dynamiek gekend. In onderstaande grafiek is de dynamiek voor leegstand en opname weergegeven.

9

Grafiek 2.1 – Overzicht van de opname en leegstand op landelijk niveau tussen 1995-2009

Bron: DTZ Zadelhoff

In de grafiek valt op dat de ontwikkeling van de leegstand een cyclische ontwikkeling heeft doorgemaakt. In 1997 tot 2000 heeft er een krappe marktsituatie bestaan, die werd gevolgd door een verruiming van de markt tussen 2000 en 2005. Vanaf 2005 is de leegstand tot 2008 stabiel gebleven. In 2008 lijkt er opnieuw een verdere verruiming te zijn ingezet. Ongeveer zeven jaar later tussen 2004 - 2007, piekt het leegstandsniveau. In die periode wordt in de getoonde steden dan een zeer ruime marktsituatie waargenomen. Dit patroon komt overeen met de bevindingen in de literatuur. In de academische literatuur is vermeld dat een volledige ontwikkelcyclus van start tot oplevering circa 6-8 jaar duurt (Van Gool, 2007).

In onderstaande grafiek is voor de periode van 1995 tot 2009 voor acht Nederlandse steden de totale leegstand per jaar weergegeven. Grafiek 2.2 - De totale leegstand in vierkante meter in de periode van 1995 - 2009 met een onderverdeling naar locatietype

Bron: DTZ Zadelhoff

In de bovenstaande grafiek is totale geaggregeerde leegstand per stadsregio weergegeven. Op regionaal niveau valt op dat de stadsregio Amsterdam in absolute termen een zeer sterke stijging van de leegstand heeft laten zien. De leegstand op de Amsterdamse regionale markt is daarnaast vele malen groter dan in de andere stadsregio’s. 10

De stadsregio’s Den Haag, Utrecht en vertonen dezelfde marktdynamiek als Amsterdam. In de genoemde gebieden is vanaf 2001 een zeer ruim marktbeeld ontstaan. De overige stedelijke regio’s vertonen een relatief stabiel verloop van de aanbodontwikkeling vanaf 1995 tot 2009. In grafiek 2 is de totale leegstand weergeven waarbij een onderverdeling naar locatietype is aangebracht. Grafiek 2.3 – Grafische weergave van de leegstand in Amsterdam, Arnhem, Breda, Den Haag, Eindhoven Rotterdam, Utrecht en Zwolle

Bron: DTZ Zadelhoff

In de grafiek is waar te nemen dat de Snelweglocatie veruit de meeste leegstand kent. Stationslocaties beschikken samen met de overige Buitenstedelijke locaties over de minste leegstand. Stations&snelweglocatie en Binnenstedelijk locaties vertonen ongeveer evenveel leegstand in de onderzoeksperiode.

In bijlage 1 wordt de leegstand op stadsregionaal niveau verder onderverdeeld door een segmentering van locatietypen toe te voegen. In deze grafieken is in bijlage 1 duidelijk waar te nemen dat in alle steden de toename van de leegstand voor een groot deel wordt veroorzaakt door een toename van de leegstand op snelweglocaties. De stijging van de leegstand op de snelweglocatie vindt plaats vanaf 2001 en piekt tussen 2005 – 2007. De omvang van de leegstand in de afzonderlijke stadsregio’s laten verder een specifieke lokale dynamiek zien. In Arnhem en Den Haag vertonen de Stationslocaties een ruime marktsituatie. In Eindhoven, Rotterdam en Den Haag vertonen de Binnenstedelijke locaties een ruime marktsituatie. In Amsterdam valt op dat de grootste leegstand op Stations&snelweglocatie voorkomt. Op basis van de grafieken in bijlage 1 valt dus waar te nemen dat in alle steden de leegstandsdynamiek zich kenmerkt door een ruime marktsituatie op de snelweglocatie met daarnaast nog andere specifieke locatietypen, waar een ruime marktsituatie aanwezig is.

In bijlage 2 is voor het laatste jaar van de beschikbare datareeks ook nog een verdieping aangebracht voor de kenmerken van de leegstand. In de grafieken is in 2009 een analyse uitgevoerd naar het aandeel structurele leegstand per locatietype per stadsregio. In deze grafieken valt waar te nemen dat

11

ook hier de snelweglocatie veelal over de meeste structurele leegstand beschikt. Daarnaast worden per stadsregio ook nog vaak een of twee andere locaties gekenmerkt door een ruime marktsituatie. Er is geen vast patroon te vinden in de locatietypen in de afzonderlijke stadsregio’s. De lokale dynamiek is niet homogeen en kent substantiële verschillen. Toch blijkt uit de analyse dat de leegstand in alle stadsregio’s op snelweglocatie het meest omvangrijk is en daarnaast ook nog eens een over de meeste structurele leegstand beschikt. De cijfers indiceren dat de leegstand op de Snelweglocatie het meest problematisch is. 2.3 Een literatuurstudie naar factoren die van invloed zijn op de dynamiek van leegstand

In de literatuur zijn twee algemene verklaringen gegeven voor het ontstaan van (structurele) leegstand. Allereerst is leegstand een resultaat van perioden van overbebouwing. Daarnaast ontstaat leegstand door het optreden van veroudering. Onderstaand worden deze twee oorzaken verder geanalyseerd. 2.3.1 Leegstand veroorzaakt door periode van overbebouwing van de markt

In de academische literatuur over dit onderwerp worden twee redenen genoemd die van invloed zijn op het ontstaan van overbebouwing. De eerste reden is de aanwezigheid van imperfecte markteigenschappen. De aanwezigheid van een bouwvertraging is hiervan de bekendste eigenschap. De mogelijke invloed van een bouwvertraging in een kantorenmarkt wordt duidelijk uiteengezet in de varkenscyclustheorie. Deze theorie dankt zijn naam aan een onderzoek naar de cyclische dynamiek in de varkenshandel, maar wordt ook vaak gebruikt om de ontwikkelingen in de kantorenmarkt te verklaren. In de kantorenmarkt zijn ontwikkelaars door de aanwezigheid van een bouwvertraging niet in staat binnen een korte periode te reageren op veranderingen van de vraag. Hierdoor wordt in perioden van economische groei veelal teveel kantoorruimte in ontwikkeling genomen. Indien de vraag naar kantoorruimte afneemt door bijvoorbeeld verslechterende economische omstandigheden is het ontwikkelproces al gestart. Tussen de eerste planvorming en de oplevering van kantoorpanden zit al gauw een periode van zes tot acht jaar (Schutte, 2002). Deze discrepantie kan ertoe leiden dat er op een gegeven moment een tekort ofwel een overschot aan kantoren ontstaat (Van Gool, e.a., 2007). In de literatuur wordt in een groot deel van deze onderzoeken verondersteld dat de aanwezigheid van een bouwvertraging de verklaring is voor overbebouwing. In het onderzoek van Grenadier (1995) wordt echter deels van dit paradigma afgeweken. In het onderzoek wordt de mismatch tussen vraag en leegstand vanuit de reële optietheorie benaderd. In tegenstelling tot onderzoeken waarin uitsluitend de bouwvertraging een belangrijke verklaring geeft voor de overbebouwing, beargumenteert Grenadier dat rationele keuzes aan de basis liggen voor het gedrag van de marktpartijen. Ook als partijen in staat zijn de verandering van de indicatoren op juiste wijze te voorspellen, blijft het voor hen vanuit de ontwikkeloptie die zij bezitten een optimale keuze om een nieuwe ontwikkeling te starten.

12

Grenadier toont aan dat marktpartijen dan juist rationeel handelen vanuit hun positie. Op de top van de markt is hun ontwikkelrecht het meeste waard en is de motivatie om met een te starten nieuwbouwontwikkeling het grootst. Het is dus voor marktpartijen optimaal om op de top van de markt een investeringsbeslissing te maken gegeven de verwachte marktontwikkelingen van de bepalende indicatoren, ondanks de aanwezigheid van de bouwvertraging die de interpretatie van de marktontwikkelingen bemoeilijkt. In een herstellende markt resulteert dit in de situatie dat ontwikkelaars te lang wachten met het ontwikkelen van nieuwe kantoren en juist in een overspannen markt de prikkel hebben om te starten met een nieuwbouwontwikkeling. In de literatuur zijn vijf variabelen geïdentificeerd die van invloed zijn op de ontwikkeling van de voorraad. De eerste indicator voor de ontwikkeling van de voorraad is de verandering van de vraag. Met vraag wordt bedoeld de omvang van de totale meters die door kantoorgebruiker in gebruik zijn. De vraag naar kantoorruimte is afhankelijke van het aantal personen dat in een kantoorgebouw werkt en wordt bepaald door de economische situatie en de omvang van de beroepsbevolking. Wanneer de economie groeit en er een toename van het aantal kantoorbanen optreedt, neemt de vraag naar kantoorruimte ook toe. In het geval dat de bestaande voorraad niet voldoet aan de toename van de vraag, dient ook de voorraad toe te nemen. Een toename van de vraag naar kantoorruimte kan dus resulteren in een toename van de voorraad, bijvoorbeeld doordat er nieuwbouwontwikkelingen gerealiseerd worden. In Pritchett (1984) is dit verband gevonden tussen de vraag en de voorraad van vastgoed. Een toename van de vraag wordt gevolgd door een toename van de voorraad. Ook in Hendershott e.a. (1999) wordt een relatie gevonden tussen een sterke stijging van de werkgelegenheid en de hieruit voorvloeiende toename van de vraag in combinatie met een daling van reële rente (hierdoor stijgen de vastgoedprijzen) waardoor er een grote toename van de bouwactiviteit van kantoorruimte plaatsvindt. In Wheaton, Torto en Evans (1997) wordt gevonden dat de enorme bouwproductie van de jaren tachtig een gevolg is geweest van een tijdelijke toename van de groei van werkgelegenheid in de service-industrie (en dus als gevolg van een toename van de vraag). De tweede indicator voor de ontwikkeling van de voorraad is de huurprijs. Een stijging van de huurprijs wordt vaak ingegeven (maar kan ook een gevolg zijn van een toename van de inflatie), door een daling van de leegstand. Indien de vraag verder toeneemt terwijl de leegstand afneemt en/of er een krappe marktsituatie ontstaat, stijgen de prijzen omdat gebruikers bereid zijn meer te betalen om toch een geschikte kantoorruimte te kunnen verwerven. Als gevolg hiervan stijgt ook het rendement op vastgoed, hetgeen voor beleggers en ontwikkelaars de aanleiding vormt om te starten met de ontwikkelingsactiviteit. Dit effect is in meerdere onderzoeken aangetoond. In Hekman (1985) is gevonden dat er een directe relatie aanwezig is tussen de bouw van kantoorruimte en de voor inflatie gecorrigeerde huurprijzen van kantoorruimte. In Wheaton (1997) wordt een directe relatie gevonden tussen huurprijzen en bouwactiviteit. Een stijging van de huurprijs is hierbij afhankelijk van de omvang van de leegstand en de opname van de kantoorruimte. In Hendershott e.a. (1999) wordt een relatie gevonden tussen een stijging van huurprijzen en ontwikkelingsactiviteit. Een stijging van de huurprijs

13

kan op basis van de bovenstaande onderzoeken geïnterpreteerd worden als een indicator voor een krappe marktsituatie en een verwachting dat de voorraad op termijn zal stijgen.

De derde indicator die van invloed is op de ontwikkeling van de voorraad is de ontwikkeling van de (lange en korte) rente. De ontwikkeling van de rente is van invloed op de marktdynamiek doordat de rente een belangrijke variabele is in de vastgoedmarkt. Investeringen in vastgoed vinden veelal plaats met gebruik van vreemd vermogen. Kantoorruimteobjecten zijn kapitaalintensieve goederen. De mogelijkheid om vreemd vermogen aan te trekken is voor veel beleggers van groot belang en heeft daarnaast ook een grote invloed op het verwachte rendement. Een daling van de rente resulteert in een stijging van het rendement, waardoor een toename van de vraag naar vastgoed ontstaat. Beleggers zullen de investeringen op waarde schatten aan de hand van het verwachte risico/rendement en de beschikbaarheid van vreemd vermogen. Een daling van de rente zal derhalve resulteren in een stijging van de vastgoedprijzen. Dit heeft vervolgens weer een positieve invloed op de voorraad, die door de stijging van de prijzen een groei vertoont. Er bestaat een negatieve correlatie tussen rente en voorraad van kantoorruimte. In de academische literatuur is deze relatie meerdere keren aangetoond. In Hendershott e.a. (1999) resulteert een daling van de reële rente in een daling van de bouwkosten en een stijging van het rendement op vastgoed. In Kling en McCue (1987) wordt gevonden dat de bouw van kantoorruimte wordt versneld als de nominale rente daalt, doordat de verwachtingen van vastgoedontwikkelaars voor toekomstige economische groei en daarmee de vraag naar kantoorruimte doet stijgen. In Wheaton (1992) wordt naast de relatie tussen de bouwactiviteit en de rentekosten van geld, ook een relatie gevonden tussen de beschikbaarheid van geld en bouwactiviteit. Op het moment dat de financierbaarheid van vastgoed afneemt (credit crunch), vindt er in de jaren erna bijna geen nieuwbouwontwikkeling van kantoren plaatst. In Hart en Moor (1994) wordt beargumenteerd dat de ontwikkeling van vastgoed frequent wordt ondernomen door ondernemers die ontwikkelingen realiseren met een projectfinanciering. De tijdelijke financiering wordt vervolgens omgezet in een langere termijn financiering. Naast de kortlopende rentetarieven speelt de executiewaarde bij financieringen een belangrijke rol. Indien bij een waardering een hogere executiewaarde wordt afgeven, heeft dit ook een positievere invloed op de financierbaarheid van een nieuwbouwontwikkeling, hetgeen ook in een stijging van nieuwbouwontwikkelingen resulteert.

De vierde indicator betreft het belastingregime. Aansluitend op de bovenstaande analyse is een verandering van het belastingregime ook van invloed op het rendement voor een investeerder. Indien de belastingdruk daalt, stijgt het rendement. Een stijging van het rendement resulteert in een stijging van de prijzen van vastgoed doordat beleggers meer in vastgoed willen beleggen gegeven hun risicoverwachting van deze assets. Een stijging van de prijzen resulteert in een toename van de mogelijkheden voor de ontwikkelaar om rendabel een nieuw object te realiseren. In Wheaton (1986) wordt onderzoek gedaan naar de relatie tussen de voorraad van kantoorruimte en het belastingregime. In het onderzoek komt naar voren dat een gunstig belastingregime een positief effect kan hebben op de ontwikkelingsactiviteit. Ook in Pyhhr (1999) wordt melding gemaakt van de invloed van het belastingregime op de ontwikkelingsactiviteit van vastgoed.

14

Tenslotte wordt in diverse onderzoeken een relatie gelegd tussen de bouwkosten van nieuwbouwontwikkelingen en de marktwaarde van de onroerende zaak op het moment dat de beslissing wordt genomen een nieuwbouw te realiseren. Net als bij de analyse van de rente en het belastingregime, heeft een daling van de bouwkosten gevolgen voor de rentabiliteit van de investering in een nieuw kantoorgebouw. Door een daling van de bouwkosten wordt het goedkoper om een kantoorruimte object te realiseren en word het voor een ontwikkelaar/investeerder interessant om een nieuw gebouw te vervaardigen. In Abel en Blanchard (1986) en Hayaschi (1982) is een relatie gevonden tussen nieuwe kantoorruimteontwikkelingen en de bouwkosten. Ook in Hess (2007) wordt uiteengezet dat de hoogte van de bouwkosten in relatie tot de huuropbrengsten kunnen resulteren in een toename van de ontwikkelingsactiviteit. 2.3.2 Leegstand veroorzaakt door veroudering van kantoorruimte

De tweede verklaring die in de literatuur wordt gevonden voor het ontstaan van leegstand is het optreden van veroudering van kantoorruimte. Veroudering ontstaat doordat de fysieke levensduur over het algemeen veel langer is dan de economische en/of financiële levensduur van een pand. Een kantoorpand verliest de optimale gebruiksmogelijkheid lang voordat het bouwkundig gezien niet meer voldoet (Remøy, 2010). Veroudering is een relatief begrip. Sommige panden en locaties verouderen sneller dan andere panden en locaties, omdat de gebruikers meer eisen stellen. Veroudering is te kenmerken als een proces waarbij een object, pand en/of locatie langzaam in onbruik raakt (Korteweg, 2002).

Meurs (2009) beschrijft vier typen van veroudering. Als eerste noemt zij de structurele veroudering. Structurele veroudering treedt op door fysieke slijtage. Verval als gevolg van slijtage kan veroorzaakt worden door gebruik, het uitblijven van onderhoud en door externe factoren zoals het weer. Ten tweede is er sprake van maatschappelijke veroudering die bijvoorbeeld optreedt wanneer door nieuwe regelgeving een bedrijfsterrein niet meer aan de eisen voldoet. Ten derde treedt ruimtelijke veroudering op als de geografische omgeving van het terrein zo veranderd is dat de functie van het terrein in het gedrang komt. Tenslotte noemt Meurs de functionele of economische veroudering. Economische veroudering kan ook optreden als een locatie niet meer aan de moderne eisen voldoet. Door een toevoeging van nieuwere panden aan de voorraad verouderen de bestaande panden in relatieve zin. In een ruime marktsituatie verdringt de “nieuwe” (of beter gelegen) leegstand de “oudere” leegstand uit de markt ondanks het feit dat de oudere panden bouwtechnisch niet zijn afgeschreven. Dit mechanisme treedt ook op als de vraag naar kantoorruimte afneemt. Economische veroudering kan dus optreden als de voorraad van kantoorruimte stijgt of als de vraag naar kantoorruimte daalt. In de vorige paragraaf is de ontwikkeling van de voorraad al besproken. Onderstaand wordt de ontwikkeling van de vraag geanalyseerd.

15

In de literatuur wordt de vraag naar kantoorruimte door auteurs vaak op verschillende wijze omschreven. Enerzijds wordt de vraag naar kantoorruimte omschreven als de geaggregeerde meters kantoorruimte in gebruik. Anderzijds wordt de vraag omschreven als de extra in gebruik genomen meters kantoorruimte. In Rabiansky (2004) is een duidelijk overzicht van alle definities van kantoorruimte gepresenteerd. In het onderzoek worden meerdere soorten vraag geïdentificeerd, waarvan de volgende vier definities worden toegelicht.

De totale vraag naar kantoorruimte. Hiermee worden alle kantoorruimtemeters bedoeld die daadwerkelijk worden gebruikt.

De netto totale vraag naar kantoorruimte. Hiermee wordt bedoeld een schatting van alle kantoorruimtemeters die gehuurd/in bezit zijn door/van gebruikers, waarbij rekening gehouden wordt met de meters die niet daadwerkelijk in gebruik zijn door een huurder.

De additionele vraag naar kantoorruimte. Dit betreft een schatting van de toekomstige vraag naar kantoorruimtemeters in bestaande of nieuw te bouwen kantoren.

De netto additionele vraag naar kantoorruimte. Dit betreft de additionele toekomstige hoeveelheid gevraagde kantoorruimte. Deze definitie wordt vaak gehanteerd, omdat hiermee de omvang van de vraag wordt geschat die door een investeerder en/of ontwikkelaar in de toekomst kan worden gerealiseerd.

Op basis van de gepubliceerde onderzoeken zijn er twee belangrijke indicatoren die de toekomstige vraag naar kantoorruimte beïnvloeden. De eerste factor is de werkgelegenheid in kantoorbanen. Indien de werkgelegenheid in kantoor gerelateerde sectoren toeneemt, stijgt de vraag naar kantoorruimte. Immers meer arbeidsplaatsen in kantoorbanen zorgt ervoor dat er meer mensen in een kantoorgebouw gaan werken. In Rosen (1984), Hekman (1985), Wheaton (1995), wordt een directe relatie gevonden tussen de vraag naar kantoorruimte en de werkgelegenheid. In Liang Kin (1998) heeft werkgelegenheid een directe relatie met demografische ontwikkelingen en in Shilton (1994) heeft werkgelegenheid een directe relatie met economische ontwikkelingen. In Maisel (1989), Melizia (1991) en Rosen (1984) wordt de toekomstige vraag geschat door de werkgelegenheid te extrapoleren en te vermenigvuldigen met een kengetal voor de gemiddelde ruimtebehoefte per werknemer. In Howland & Wessles (1994) wordt deze relatie verder uitgediept doordat zij aantonen dat werkgelegenheid op lokaal niveau een hogere correlatie heeft met de toekomstige vraag naar kantoorruimte dan op een nationale schaal. In Kruijt e.a. (1993) wordt gevonden dat de lokale conjunctuurindicator (waarin de werkgelegenheid een belangrijk onderdeel is) een hoge correlatie vertoond met de opname van kantoorruimte. In alle artikelen wordt aangetoond dat er een directe relatie aanwezig is tussen de groei van de werkgelegenheid en de toekomstige vraag naar kantoorruimte.

De tweede factor die in de literatuur wordt genoemd als indicator voor de toekomstige vraag naar kantoorruimte is het gemiddelde metrage per werknemer. Hiermee wordt bedoeld dat er een groot verschil bestaat op welke wijze een kantoorruimteobject wordt gebruikt. Het meest duidelijke

16

voorbeeld in de kantorenmarkt is een advocaat en een effectenhandelaar. In de advocatuur hebben alle advocaten een eigen kamer om zo productief mogelijk te zijn. Dit staat in schril contract met een effectenhandelaar die graag zijn belangen deelt met collega´s om de omzet te laten stijgen. Beide ruimtegebruiken zijn specifiek en hebben een andere indeling nodig. In Shilton (1994) wordt aangetoond dat het metrage per werknemer afhankelijk is van de prijs per m² voor kantoorruimte. Duurdere locaties vertonen een lager metrage per werknemer. In Hakfoort, Lie en Romijn (1996) wordt uiteengezet dat de kengetallen voor het metrage per werknemer o.a. afhankelijk zijn van het metrage in gebruik; de aanpassingskosten voor het omzetten van naar het ideale gewenste metrage (hogere verhuiskosten hebben invloed of de verhuisbeslissing) en de ouderdom van de stad waarin de kantoorruimtegebruiker is gevestigd (kantoren in oudere steden hebben een kleiner gemiddelde metrage per werknemer). In Duwulf en De Jong (1992) wordt verder gevonden dat de lay-out van het gebouw ook een belangrijke invloed heeft op het metrage per werknemer. In Birch (1986), Parker (1989) en Clapp (1993) wordt aanvullend gevonden dat het metrage per werknemer afhangt van het type gebruiker en de status van de werknemer. Op basis van de literatuur kan geconcludeerd worden dat de werkgelegenheid in kantoorbanen en het metrage per werknemer de belangrijkste indicatoren vormen voor de toekomstige vraag naar kantoorruimte. Om een inschatting te kunnen maken van het totale metrage kantoorruimte dat in de toekomst gebruikt gaat worden, dient het verwachte aantal kantoorbanen te worden vermenigvuldigd met het gemiddelde ruimtegebruik per werknemer (Zuidema & van Elp, 2010). 2.4 Het conceptuele model

In bovenstaande paragraaf is een literatuurstudie uitgevoerd naar de factoren die van invloed zijn op de ontwikkeling van de leegstand. Hieruit is naar voren gekomen dat de ontwikkeling van de leegstand wordt bepaald door de ontwikkeling van de vraag en van de voorraad. De dynamiek van de vraag wordt beïnvloed door economische en demografische omstandigheden. Een stijging van de werkgelegenheid wordt veroorzaakt door een toename van de economische activiteit en/of een toename van de beroepsbevolking. Op het moment dat de werkgelegenheid in kantoor gerelateerde banen stijgt, neemt de vraag naar kantoorruimte toe. Daarnaast is de wijze van gebruik van belang. Dit wordt gemeten in het aantal vierkante meters per werkplek. Er zijn verschillende variabelen van invloed op het ideale metrage per werknemer.

De dynamiek van de kantoorruimtevoorraad wordt in de literatuur door vijf indicatoren beïnvloed, te weten de vraag naar kantoorruimte, de huurprijs van kantoorruimte, de bouwkosten, ontwikkeling van de rente en het belastingregime. Op basis van de in de literatuur gevonden relaties is de volgende weergave van de werkelijkheid opgesteld.

17

Figuur 2.1 - Verklarende factoren op de dynamiek van de leegstand

bouwkosten

o.g. in gebruik

rente

belasting

(netto) huurprijs

economische ontwikkeling

voorraad

demografische ontwikkeling

∆ m² per werkplek

vraag

overbebouwing

economische veroudering

leegstand

Bron: Auteur

Het bovenstaande model geeft schematisch weer welke factoren van invloed zijn op de dynamiek van de omvang van de leegstand. In het model is waar te nemen dat leegstand een resultante is van de ontwikkeling van de vraag naar kantoorruimte en de ontwikkeling van de voorraad van kantoorruimte. Indien in de markt meer meters kantoorruimte worden ontwikkeld dan dat er vraag is, resulteert dit in een toename van de leegstand. Daarnaast resulteert een afname van de vraag naar kantoorruimte ook in een toename van de leegstand. Indien de vraag door economische of demografische ontwikkelingen daalt, is er minder vierkante meter kantoorruimte meer nodig en stijgt de leegstand ook.

18

3. De operationele definitie van het theoretische conceptuele model

In dit hoofdstuk vindt een verdieping plaats van het conceptuele model uit hoofdstuk 2. De verdieping van het model wordt uitgevoerd aan de hand van twee stappen. In paragraaf 3.1 wordt op basis van drie onderzoeken, die zijn uitgevoerd in een Nederlandse context, het conceptuele model verdiept met de relevante conclusies van die onderzoeken. Vervolgens wordt in paragraaf 3.2 op basis van theoretische argumenten en beperkingen van de dataset het theoretische conceptuele model geoperationaliseerd tot een raamwerk dat toegepast kan worden bij de analyse van de ontwikkeling van de leegstand zoals beschreven in hoofdstuk 1. Het doel van dit hoofdstuk is om een operationeel raamwerk te creëren dat als basis dient voor het uitvoeren van het empirisch onderzoek. 3.1 Drie kern artikelen voor de Nederlandse vastgoedmarkt

Voor dit onderzoek is gekozen voor drie artikelen uit de literatuur die tezamen gebruikt worden voor een verdieping van het conceptuele model. Het eerste artikel is geschreven door Kruijt (1993). In dit onderzoek is een model geschat voor de verklaring van de toekomstige dynamiek van de kantorenmarkt in Nederland en Amsterdam. Het onderzoek is uitgevoerd over de periode van 1974 tot 1993 en in het onderzoek worden vraag, leegstand en de huurprijs van kantoorruimte als de afhankelijke inputvariabelen gehanteerd. In het onderzoek wordt de volgende regressievergelijking geschat ten behoeve van het verklaren van de dynamiek van de leegstand van kantoorruimte.

(1)

AB = α + β1 TV + β2 BAR + U

In het bovenstaande model wordt de afhankelijke variabele leegstand (AB) van kantoorruimte getoetst aan de ontwikkeling van het transactievolume (TV) en het bruto aanvangsrendement (BAR). De inputvariabele voor de regressiemodellen betreft de eerste verschillende van de geaggregeerde volumes van opname en leegstand. Beide variabelen zijn significant en het model heeft een relatieve 2

hoog verklarend vermogen met een R van 86 % voor Nederland en in iets mindere mate voor 2

Amsterdam met een R van 55%.

In het onderzoek wordt empirisch aangetoond dat leegstand door twee onafhankelijke variabelen wordt beïnvloed. Enerzijds is er een relatie tussen vraag en leegstand gevonden. In het model wordt het transactievolume als proxy voor de vraag naar kantoorruimte gehanteerd. Daarnaast wordt in dit model een relatie tussen rendement en leegstand geïdentificeerd. Als proxy voor rendement is het bruto aanvangsrendement (BAR) gehanteerd. De BAR wordt berekend door de bruto huurprijs per jaar te delen door de aankoopsom (Van Gool e.a. 2007). Voor het bereken van de BAR wordt met de volgende variabelen rekening gehouden; de betaalde huurprijs ten opzichte van de huurwaarde in de markt, de verwachte leegstand, de financieringsmogelijkheid van vastgoed, een opslagpercentage voor het risico van vastgoed, de herbouwwaarde van een object, reële en nominale renten. In de vergelijking tot de gevonden factoren in het literatuuronderzoek is dit een opvallende relatie. In het

19

literatuuronderzoek zijn namelijk voor de ontwikkeling van de voorraad van kantoorruimte de indicatoren huurprijs, verandering van de rente, belastingklimaat en de ontwikkeling van de bouwkosten als bepalende indicatoren geïdentificeerd (zie hoofdstuk 2). De bevinding van Kruijt e.a. (1993) wordt daarom gezien als een toevoeging voor het conceptuele model. In het conceptuele model wordt BAR toegevoegd als factor voor de verklaring van de ontwikkeling van de voorraad.

Het tweede onderzoek dat een verdieping biedt voor het conceptuele model is uitgevoerd door Van Dijk (2009). In het onderzoek van Van Dijk (2009) wordt geanalyseerd of er een mogelijke tweedeling ontstaat in de kantorenmarkt tussen enerzijds kansrijk vastgoed en anderzijds kansarm vastgoed. In het onderzoek maakt de auteur onderscheid tussen gezonde -en ongezonde marktsituaties. Een gezonde marktsituatie kenmerkt zich door een leegstandspercentage kleiner dan 10% ten opzichte van de totale voorraad. Indien de leegstand groter is dan 10% van de voorraad is er al sprake van een ongezonde marktsituatie en als de leegstand groter is dan 20 %, is er sprake van een zeer ongezonde en zorgelijke situatie. Opvallend aan het onderzoek van Van Dijk (2009) is dat de auteur een dimensie toevoegt aan de discussie over de kloof in kwalitatieve zin. De onderzoeksresultaten tonen aan dat de toename van de leegstand in een specifieke omgeving resulteert in een ongezonde marktsituatie. Dit brengt de discussie verder dan alleen een onderscheid te maken tussen courante en incourante objecten. Hierdoor wordt de discussie van de huidige leegstandsproblematiek niet alleen gevoerd op het gebied van het verschil in kwaliteit van onroerend goed, maar wordt tevens het verschil in gebiedskwaliteit aan de discussie toegevoegd. In het onderzoek Van Dijk (2009) wordt geconcludeerd dat er in algemene zin sprake is van een gezonde marktsituatie in centrumgebieden van de nationale deelmarkten grenzend aan vooroorlogse woongebieden, kantoorgebieden grenzend aan centrumlocaties en centrumlocatie met een historische binnenstad. Een ongezonde marktsituatie wordt geïdentificeerd in naoorlogse kantoorgebieden in de satellietsteden; kantoren kleiner dan 20.000 m² in kantoorgebieden, ontwikkeld tussen 1940 en 2005, buiten de grote lokale markten en buiten een straal van 3 kilometer van het centrum van de grote nationale markten; de naoorlogse kantoren gebouwd tot 1990 grenzend aan centrumgebieden van de regionale markten.

Op basis van het onderzoek van Van Dijk (2009) worden twee interessante toevoegingen voor het conceptuele model geïdentificeerd. Zoals hierboven uiteengezet is, wordt er in het onderzoek onderscheid gemaakt tussen ongezonde en gezonde kantoorgebieden. Veelal wordt in de academische literatuur de markt als een geheel gezien en vindt er geen onderverdeling plaatst naar locatietypen. Hierdoor wordt geen rekening gehouden met de specifieke lokale marktomstandigheden die de huidige marktsituatie kenmerkt. Indien men deze onderverdeling aan het onderzoeksmodel toevoegt, is het mogelijk om de analyse van Kruijt (1993) uit te breiden. Daarnaast is in het onderzoek van Van Dijk (2009) een opmerkelijke conclusie getrokken. Er is geen bewijs gevonden voor de bewering dat de aanwezigheid van openbaar vervoer, goede ontsluitingen op het rijkswegennet en voorzieningen in de directe omgeving de kans op leegstand vermindert. Deze bevindingen zijn

20

opvallend omdat in de praktijk de aanwezigheid van deze locatie-eigenschappen juist veelal als een positieve eigenschap wordt ervaren, omdat deze verhuurbaarheid zou vergroten. Het toevoegen van een onderverdeling op basis van openbaar vervoer, ontsluitingen op het rijkswegennet en de ligging binnen een stedelijke omgeving is om die reden interessant. Vandaar dat in dit onderhavige onderzoek expliciet rekening is gehouden met verschillen tussen locaties op basis van bereikbaarheid.

Het laatste onderzoek dat wordt gebruikt voor het uitbreiden van het raamwerk voor het empirische onderzoek is uitgevoerd door Meurs (2009). In dit artikel is een uitgebreid literatuuronderzoek uitgevoerd naar het verouderingsproces van bedrijventerreinen. Zoals reeds in hoofdstuk 2 uiteengezet is, bestaan er verschillende soorten veroudering. Waarvan de economische veroudering voor dit onderzoek het meest interessant is. In het onderzoek van Meurs (2009) komt naar voren dat indien een langdurige leegstandsperiode optreedt de kans steeds groter wordt dat objecten niet meer verhuurd zullen worden en dit in structurele leegstand zal resulteren. In paragraaf 2.1 is weergegeven dat er veel leegstand aanwezig is in de markt waardoor de kans wordt steeds groter wordt dat deze objecten niet meer verhuurd zullen worden. Indien de conclusie van Van Dijk (2009) gecombineerd wordt met de bevindingen van Meurs (2009) resulteert dit in de volgende overweging. Het optreden van economische veroudering als gevolg van de aanwezigheid van overaanbod van kantoorruimte kan voor bepaalde kantoorgebieden met een ongezonde marktsituatie betekenen dat deze gebieden in een economisch verouderingsproces terecht zullen komen. In deze gebieden is de kans op een afname van de leegstand steeds kleiner. Daar staat tegenover dat de kans op structurele leegstand volgens Meurs (2009) steeds groter wordt. In het geval dat de vraag de komende jaren constant blijft, kan een veranderende vraag (ingegeven door economische veroudering) ervoor zorgen dat er verhuizingen plaatsvinden naar nieuwbouw (wat in een verdere toename van de leegstand resulteert). Ook kan een verandering in de relatieve vraag ertoe leiden dat gebruikers verhuizen naar objecten/gebieden die beter aansluiten bij hun wensen. Dit kan ervoor zorgen dat, ondanks dat de vraag en de voorraad constant blijven (of zelfs afnemen), er wel een verschil in de vraag tussen gebieden ontstaat. Met als gevolg dat de gezonde marktsituaties gezonder worden en de ongezonde marktsituaties verder verslechteren. Deze redenering voegt een nieuwe dimensie toe aan het conceptuele onderzoeksmodel, door te stellen dat economische veroudering niet alleen zal resulteren in een migratie van gebruikers van bestaande bouw naar nieuwbouw, maar ook dat er een migratie zal gaan plaatsvinden van ongezonde gebieden naar gezonde gebieden.

Op basis van de bovengenoemde onderzoeken wordt het conceptuele model op de volgende vier punten aangepast: 1) Rendement (BAR) wordt opgenomen als variabele voor het schatten van de dynamiek van de voorraad. 2) Geaggregeerd transactievolume (opname) wordt opgenomen als proxy voor de vraag.

21

3) Opname en leegstand worden uitgebreid met een segmentering op bereikbaarheid binnen stadsregio’s (i,j). 4) Economische veroudering kan resulteren in het ontstaan van een relatieve vraag, waardoor gebruikers van ongezonde kantoorruimtegebieden verhuizen naar gezonde kantoorruimtegebieden.

De bovengenoemde aanpassingen resulteren in het onderstaande gereduceerde conceptuele model. Figuur 3.1 – Reductie van het conceptuele model aan de hand van de bevinden van Kruijt e.a. (1993) , Van Dijk (2009) en Meurs (2009)

bouwkosten

rente

belasting

(netto) huurprijs




BAR

Opname o.g. in gebruik

ij

voorraad

overbebouwing


Leegstand

ij

Bron: Auteur i = Steden Amsterdam, Arnhem, Breda, Den Haag, Eindhoven, Rotterdam, Utrecht, Zwolle j = Stationslocatie, Stations&snelweglocatie, Snelweglocatie, Binnenstedelijke locatie en overige Buitenstedelijke locatie

3.2 Het operationaliseren van het conceptuele model

In de vorige paragraaf zijn drie studies uiteengezet die hebben geleid tot een aanpassing van het conceptuele model. Op basis van deze conclusies is het conceptuele model op vier punten gewijzigd. In deze paragraaf wordt het conceptuele model geoperationaliseerd ten behoeve van het empirische onderzoek. Op basis van de theoretische argumenten en daarnaast de beschikbaarheid van data wordt uiteengezet welke relaties in het empirische onderzoek getoetst zullen worden.

De eerste variabele die niet in het operationele conceptuele model zal worden opgenomen is huurprijs. In de literatuur is de huurprijs een belangrijke indicator voor de stand van de markt. In dit empirisch onderzoek wordt echter geen onderzoek uitgevoerd naar de dynamiek van de huurprijs. 22

Hieraan ligt de volgende motivatie ten grondslag. In de praktijk is een grote discrepantie waar te nemen tussen bruto -en netto huurprijzen. De netto huurprijzen worden zeer vertroebeld door het verstrekken van aanzienlijke incentives (huurvrije periode, inrichtingsbijdragen, cash-incentive, vrijstelling van servicekosten, etc.) om de beleggingswaarde voor investeerders in stand te houden. Hierdoor vertonen bruto huurprijzen in de huidige markt maar een beperkte daling. De netto huurprijzen, na aftrek van de incentives, vertonen echter wel een sterke daling. Naar verwachting zullen de netto prijzen de komende jaren nog verder onder druk komen te staan. Uit de praktijk blijkt dat, indien rekening gehouden wordt met incentives, de netto huurprijzen met wel 10 tot 60 procent dalen. Deze cijfers worden momenteel nauwelijks gepubliceerd ter bescherming van de belangen van beleggers en de instandhouding van de adviesbranche. Om die reden is een analyse van bruto huurprijzen niet zinvol. Variabele bouwkosten, rentepercentages, belastingregime, economische en demografische ontwikkelingen zijn variabelen die op landelijke schaal dynamiek vertonen. Aangezien het doel van dit onderzoek is om te analyseren hoe de lokale dynamiek van leegstand zich heeft ontwikkeld, worden de macro-economische variabelen buiten de empirische analyse gehouden.

De variabele metrage per werknemer wordt ook niet in de analyse meegenomen. Hieraan ligt de volgende redenering ten grondslag. Het “Nieuwe werken” is in de huidige tijd een belangrijke trend. Hierdoor ontstaat een ander soort vraag naar kantoorruimte die naar verwachting resulteert in een afname van het metrage per werknemer. Tijdens een analyse van de resultaten van het empirisch onderzoek dient hiermee rekening gehouden te worden, omdat de gevolgen van een systematische verandering van invloed zouden kunnen zijn op de onderzoeksresultaten. In dit empirische onderzoek wordt echter verondersteld dat de verandering van het metrage per werknemer nu nog een relatief beperkte invloed heeft omdat tijdens de onderzoeksperiode deze ontwikkeling nog niet was ingezet. Het “Nieuwe werken” heeft pas vrij recent zijn intrede heeft gedaan in de markt en was dus nog niet tijdens de onderzoeksperiode als standaard in de kantorenmarkt doorgedrongen. Het is pas van de laatste jaren dat ook de overheid deze verandering op grote schaal heeft ingezet. Bovendien is het de vraag in hoeverre deze factor bijdraagt aan de verklaring van de leegstandsverschillen tussen kantorenlocaties. In het onderstaande operationele model zijn door het wegvallen van de hierboven besproken variabelen, twee relatie overgebleven die in het empirische onderzoek getoetst zullen worden. Dit is de relatie tussen BAR en leegstand en de relatie tussen opname en leegstand.

23

Figuur 3.2 - Het operationele conceptuele model op basis van relevantie van de variabelen en beschikbaarheid van de data

bouwkosten

rente

belasting

(netto) huurprijs




BAR

Opname i j o.g. in gebruik

voorraad

overbebouwing


Leegstand i j

Bron: Auteur

De voorraad is in het conceptuele model een belangrijke variabele geworden. In de analyse wordt deze variabele echter niet opgenomen omdat er voor de onderzoeksperiode geen cijfers beschikbaar zijn waarin op lokaal niveau een segmentering naar bereikbaarheid kan worden aangebracht. In het bovenstaande operationele conceptuele model wordt derhalve verondersteld dat het rendement, weergegeven door BAR, een directe invloed heeft op de ontwikkeling van de leegstand. In de literatuurstudie is reeds empirisch aangetoond dat deze relatie bestaat. Toch dient bij de analyse van de resultaten rekening gehouden te worden met het ontbreken van de voorraadcijfers in het empirische onderzoek.

24

4. De onderzoeksmethode

In hoofdstuk twee en drie is achtereenvolgens een theoretisch en een operationeel raamwerk opgesteld dat als basis zal dienen voor het uitvoeren van het empirische onderzoek. In dit hoofdstuk zal de onderzoeksmethode voor het empirische deel van het onderzoek worden toegelicht. Het empirische onderzoek is opgedeeld in twee delen:

In het eerste deel wordt het verschil in omvang van de leegstand in de specifieke deelgebieden onderzocht. Het doel van deze analyse is om te toetsen of er een toename van het verschil in omvang van de leegstand tussen de deelgebieden heeft plaatsgevonden. Een eventuele toename van het verschil kan namelijk duiden op het ontstaan van een tweedeling op de kantorenmarkt waarbij een kansarm deel (hoge leegstand) een kansrijk deel (lage leegstand) ontstaat. De centrale veronderstelling van dit onderzoek is dat specifieke locatie-eigenschappen van invloed zijn op de omvang van de leegstand. De verschillen in de omvang van de leegstand tussen de locaties zullen worden geanalyseerd middels het berekenen van variatiecoëfficiënten.

Het tweede deel van het empirische onderzoek bestaat uit het toetsen van correlaties tussen variabelen. In het conceptuele model zijn twee onafhankelijke variabelen geïdentificeerd die op basis van de theoretische analyse een belangrijke relatie met de afhankelijke variabele leegstand vertonen. Het doel van deze analyse is om met behulp van correlatietoetsen te onderzoeken welke relaties daadwerkelijk empirisch aan te tonen zijn. In het geval dat deze relaties empirisch aangetoond kunnen worden, zal vervolgens geanalyseerd worden wat de invloed van de gevonden relatie op de omvang van de leegstand is. Dit hoofdstuk is als volgt opgebouwd. Paragraaf 4.1 geeft een uiteenzetting van de gehanteerde definities van het onderzoek. In paragraaf 4.2, 4.3 en 4.4. worden vervolgens de afhankelijke variabele getoetst op de aanwezigheid van outliers, autocorrelatie en in hoeverre de populatie van de waarnemingen normaal verdeeld is. In paragraaf 4.5, 4.6 en 4.7 zal worden afgesloten met een toelichting van de gehanteerde statische methoden. 4.1 Definities van de dataset

In het empirische onderzoek worden de volgende definities gehanteerd:

Onderzoekperiode. De gehanteerde onderzoeksperiode van het onderzoek is van 1995 tot 2009. Alle data kennen een jaarlijkse rangschikking.

Metrage. In de dataset van DTZ Zadelhoff is alleen het metrage van de leegstand en opname boven de 500 m² opgenomen.

Stedelijke agglomeraties. In het onderzoek wordt gebruikt gemaakt van stadregio’s om de dynamiek binnen een samenhangende regio te analyseren. 25

o

Amsterdam. Binnen Amsterdam zijn de steden Amsterdam, Diemen en Amstelveen opgenomen.

o

Utrecht. Binnen Utrecht zijn de steden Utrecht, Maarssen, Nieuwegein en Houten opgenomen.

o

Den Haag. Binnen Den Haag zijn de steden Den Haag, Rijswijk, LeidschendamVoorburg, Delft en Zoetermeer opgenomen.

o

Rotterdam. Binnen Rotterdam zijn de steden Rotterdam, Capelle a/d Ijssel, Schiedam en Dordrecht opgenomen.

o

Eindhoven. Binnen Eindhoven zijn de steden Eindhoven, Helmond, Best, Son & Breugel en Veldhoven opgenomen.

o

Arnhem. Binnen Arnhem zijn de steden Arnhem en Nijmegen opgenomen.

o

Breda. Binnen Breda zijn de steden Breda, Oosterhout, Etten-Leur, Bergen op Zoom en Roosendaal opgenomen.

o

Zwolle. Binnen Zwolle zijn de steden Apeldoorn, Deventer en Zwolle opgenomen.

Locatietypen o

Stationslocatie; kantoorruimte gelegen binnen 500 meter van een NS-station;

o

Snelweglocatie; kantoorruimte gelegen binnen 750 meter van een rijkswegafslag;

o

Stations & Snelweglocatie; gecombineerd;

o

Binnenstedelijke kantoorruimtelocatie; gelegen in een stedelijk gebied met een afstand groter dan 500 meter van een station en 750 meter van rijkswegafslag;

o

Monofunctionele kantoorruimtelocatie; gelegen buiten een stedelijk gebied met een afstand groter dan 500 meter van een station en groter dan 750 meter van rijkswegafslag.

Leegstand. De leegstandcijfers zijn gespecificeerd tot op objectniveau, waarbij de volgende kenmerken van de objecten aanwezig zijn; jaar, plaatsnaam, adres, bereikbaarheid profiel en het metrage van het object. Leegstand wordt berekend door de metrages van de individuele leegstaande objecten groter dan 500 m² per jaar te aggregeren tot een waarneming per locatietype per stadsregio per jaar.

Opname. De opnamecijfers zijn gespecificeerd tot op het transactieniveau, waar de volgende kenmerken van de transactie aanwezig; jaar, plaatsnaam, adres, bereikbaarheid profiel en het metrage van het object. Opname wordt berekend door de metrages van de individuele transacties groter dan 500 m² per jaar van de individuele objecten te aggregeren tot een waarneming per locatietype per stadsregio per jaar.

Vertraging opname. In het onderzoek wordt rekening gehouden met een tijdsvertraging van één en twee jaar voor het vinden van de ideale huisvesting. In de analyse wordt de opname daarom ook zowel met een vertraging van één als twee jaar getoetst.

Bruto Aanvangsrendement (BAR). In de analyse worden vier verschillende rendementen gebruikt, waarbij een onderverdeling is gemaakt tussen Randstedelijk type A & B en buiten Randstedelijk A& B.

26

Vertraging rendement. In het onderzoek wordt net als bij de opname rekening gehouden met een tijdsvertraging van één en twee jaar tussen het tekenen van een overeenkomst en het realiseren van het aanbod. In de analyse wordt de opname derhalve dan ook zowel voor één als twee jaar getoetst.

De variabelen leegstand, opname en rendement zijn allen ratiovariabelen. Dit betekent dat de verhoudingen tussen de waarnemingen gelijk blijven, er gelijke verschillen tussen de data waar zijn te nemen en dat de ordening vanaf een nulpunt plaatsvindt. De datareeksen van leegstand per vierkante meter, opname per vierkante meter en rendement zijn derhalve geschikt om te gebruiken bij de berekening van de statistische relatie. 4.2 Toetsen op outliers

De eerste stap bij de analyse van de dataset is het onderzoeken of er outliers zijn. Outliers zijn waarnemingen die lijken af te wijken van de overige waarnemingen. Outliers kunnen in elke dataset voorkomen om de volgende redenen; een dataset heeft enkele afwijkende waarneming of veel afwijkende waarnemingen (Kurtosis). Dit zijn dan “echte” waarnemingen. Daarnaast kunnen waarnemingen voortkomen door het opstellen/verwerken van de dataset. In het geval dat een outlier een “foutieve” waarneming is, dient de waarneming uit de dataset te worden verwijderd. De datareeksen van leegstand worden op outliers getoetst. Indien binnen de waarnemingen outliers in de zin van foutieve waarnemingen worden gevonden, worden deze waarnemingen verwijderd.

In de bijlage 4 is per stadsregio’s een overzicht gegeven van alle outliers. In de acht grafieken valt op dat er veel outliers in de dataset voorkomen. Voor alle outliers is handmatig getoetst of het een foutieve waarneming betrof. Door de objecten op te zoeken op Google Maps of te vergelijken met de waargenomen transactie was het mogelijk om te achterhalen of het om een foutieve waarneming ging. Uiteindelijk bleek dat geen van de outliers een foutieve waarneming was en dus niet foutief in de lijst zijn opgenomen. Dit is niet opmerkelijk omdat de waarnemingen uit de database van DTZ Zadelhoff afkomstig zijn. In deze database worden alle “grote” inputvelden handmatig door medewerkers gecontroleerd op juistheid. Derhalve is er voor gekozen om geen van de outliers uit de dataset te verwijderen. 4.3 Toetsen op unit root

Voor het statisch analyseren van tijdreeksen met als doel het berekenen van correlatiecoëfficiënten, dient aan de voorwaarde te worden voldaan dat de tijdreeksen over de eigenschap beschikken van stationariteit. Een tijdreeks is stationair als de reeks van momenten onafhankelijk is van tijd. Dit betekent dat binnen de waarnemingen in een tijdreeks geen onderlinge correlatie aanwezig mag zijn. Indien de waarneming op t=0 van invloed is op de waarneming van t=1, kan er sprake zijn van

27

autocorrelatie of meer specifiek van een unit root. In deze paragraaf wordt door middel van een statische test geanalyseerd of er sprake is van een unit root.

De toets van autocorrelatie wordt uitgevoerd middels de Dickey-Fuller test (Enders,1995). In het geval dat er sprake is van autocorrelatie dan wordt er aan de volgende voorwaarde voldaan:

(2)

yt = a1yt-1 + U

Door beide zijden te delen door yt-1 ontstaat de volgende formule aangepaste formule: (3)

∆ yt = γ yt-1 + U

Indien de nulhypothese ( γ = 0 ) wordt verworpen, is er geen sprake van een unit root. In de bijlage 5 zijn voor de datareeksen voor de onafhankelijke variabele leegstand de bovengenoemde test uitgevoerd. Uit deze analyse komt naar voren dat in bijna alle tijdreeksen sprake is van een unit root. In de testen wijkt γ niet significant af van nul en derhalve kan de nulhypothese niet worden verworpen. Om de tijdreeks alsnog om te bouwen in een stationaire reeks, worden de eerste verschillen van de waarnemingen van leegstand (afhankelijke variabele) en de onafhankelijke variabele rendement en opnamen berekend. De berekening van de eerste verschillen vindt op de volgende wijze plaats:

(4)

∆ Leegstand = (Leegstand t1 – Leegstand t0) / Leegstand t0

De uitkomsten van de berekeningen resulteren in een stationaire tijdreeks afgeleid van de originele tijdreeks van de waarnemingen. De afgeleide tijdreeks is geschikt voor het uitvoeren van een correlatiecoëfficiënten onderzoek. 4.4 Toetsen op normaliteit

De tweede stap die wordt uitgevoerd bij de analyse van de dataset is het toetsen op normaliteit van de afhankelijke datareeksen van de leegstand. Voor het toetsen van normaliteit wordt de Shapiro-Wilk test gebruikt. De test gaat uit van een nulhypothese, waarbij de populatie normaal verdeeld is. Indien de p-waarde kleiner is dan de gekozen alfa-niveau (<5%), is het toetsniveau significant en wordt de nulhypothese verworpen. Dit wil dan zeggen dat de tijdreeksen van waarnemingen niet normaal verdeeld zijn. Als de p-waarde groter is dan de gekozen alfa-niveau (>5%), wordt de nulhypothese niet verworpen en wordt verondersteld dat de datareeks normaal verdeeld is. In bijlage 6 zijn de resultaten van de Shapiro-Wilk toets weergegeven. In de resultaten valt waar te nemen dat de reeksen deels normaal en deels niet normaal verdeeld zijn. De verdeling van de tijdsreeks heeft invloed op de te hanteren correlatietoets. In het geval dat de reeks van waarnemingen normaal verdeeld is, is het toegestaan de Spearman’s rho correlatietoets te hanteren. Indien de

28

tijdreeks van de waarneming echter niet normaal verdeeld is, dient de Pearson test gehanteerd te worden. In paragraaf 4.6 en 4.7 worden deze statistische toetsmethoden verder toegelicht. 4.5 Toetsen van de variatiecoëfficiënt

In dit onderzoek wordt de spreiding van de leegstand onderzocht met als doel om te analyseren of de verschillen in de omvang van de leegstand tussen de locaties door de tijd veranderen. De vraag die hierbij centraal staat is of de absolute leegstand per locatie divergeren of juist convergeren. De analyse wordt uitgevoerd middels het berekenen van de variatiecoëfficiënt. In de statistiek wordt de variatiecoëfficiënt gebruikt als relatieve spreidingsmaat. De variatiecoëfficiënt wordt berekend door de standaarddeviatie van een populatie te delen door het rekenkundige gemiddelde van de populatie. Onderstaand zijn de formules van de standaarddeviatie, het rekenkundig gemiddelde en de variatiecoëfficiënt uiteengezet.

=

σ μ

De standaardafwijking of standaarddeviatie toont de spreiding van een variabele of van een verdeling. De standaardafwijking wordt berekend door de wortel van de variantie te bereken en is daardoor vergelijkbaar met de waarden van de variabele zelf. Het rekenkundige gemiddelde is de som van een aantal waarnemingen gedeeld door het aantal waarnemingen. De variatiecoëfficiënt wordt berekend door de standaarddeviatie te delen door het rekenkundige gemiddelde:

Een stijging van de variatiecoëfficiënt geeft aan dat de spreiding van de waarnemingen toeneemt ten opzichte van het rekenkundige gemiddelde. Een verandering van de variatiecoëfficiënt duidt op een verandering van de spreiding van de waarnemingen.

4.6 Toetsen van de niet normaal verdeelde reeksen middels een Spearman's rho correlatietest

Indien de tijdreeks van de afhankelijke variabele leegstand in een stadsregio niet normaal verdeeld is, is het mogelijk om met behulp van de Spearman's rho test de correlatie tussen de variabelen te berekenen. De Spearman’s rho correlatie wordt op de volgende wijze berekend. =

∑ ( − )( − ) ∑ ( − ) ∑ ( − )

In de bovenstaande formule is de afhankelijke variabele X de leegstand van kantoorruimte en de onafhankelijke variabele Y opname en/of rendement. In de formule wordt de som van het verschil tussen de waarneming en het gemiddelde van de waarneming gedeeld door de wortel van de som van het verschil van gekwadrateerde waarnemingen. De waarnemingen zijn absolute getallen. Het teken van de Spearman correlatie geeft de richting van de verband tussen X en Y aan. Als X en Y een perfecte positieve correlatie vertonen, toont de Spearman correlatie coëfficiënt een 1. Indien er een 29

perfecte negatieve correlatie optreedt, vertoont de correlatiecoëfficiënt een -1. Als de waarde nul is, is er geen invloed van de onafhankelijke variabele op de afhankelijke variabele. 4.7 Toetsen van de normaal verdeelde reeksen middels de Pearson correlatietest

Indien de tijdreeks van de afhankelijke variabele leegstand in een stadsregio normaal verdeeld is, is het mogelijk om met behulp van de Pearson test de correlatie tussen de variabelen te berekenen. De Pearson correlatie wordt op de volgende wijze berekend.

( , ) =

cov (X, Y) σ(X)σ(Y)

In de bovenstaande formule is de afhankelijke variabele X de leegstand van kantoorruimte en de onafhankelijke variabele Y opname en/of rendement. In de formule wordt de covariantie tussen de afhankelijke en onafhankelijke variabele gedeeld door het product van de standaarddeviatie van de afhankelijke en de onafhankelijke variabele. De waarnemingen zijn absolute getallen. Het teken van de Pearson correlatie geeft de richting van het verband tussen X en Y aan. Als X en Y een perfecte positieve correlatie vertonen, toont de Pearson correlatie coëfficiënt een 1. Indien er een perfecte negatieve correlatie optreedt, vertoont de correlatiecoëfficiënt een -1. Als de waarde nul is, is er geen invloed van de onafhankelijke variabele op de afhankelijke variabele.

30

5. Analyse van de variatiecoëfficiënten

In dit hoofdstuk wordt middels het berekenen en analyseren van variatiecoëfficiënten van leegstand onderzocht of de omvang van de leegstand van kantoorruimte verandert. Het doel van dit hoofdstuk is om te analyseren of de omvang van de leegstand op bepaalde locaties toeneemt in verhouding tot de omvang van de leegstand op andere locaties. In het vorige hoofdstuk (paragraaf 4.5) is de formule voor de berekening van de variatiecoëfficiënten uiteengezet. De variatiecoëfficiënt geeft een indicatie op welke wijze een populatie verdeeld is. Als de variatiecoëfficiënt stijgt, duidt dit op een toename van de spreiding van de leegstand. In andere woorden geldt dus dat hoe hoger de variatiecoëfficiënt is, hoe groter de verschillen (en andersom). In dit onderzoek wordt daarom de volgende hypothese getoetst: H0:

Er is geen toename van het verschil in de omvang van de leegstand in de periode tussen 1995 en 2009 waargenomen.

H1:

Er is een toename van het verschil in de omvang van de leegstand in de periode tussen 1995 en 2009 waargenomen.

Indien de nulhypothese wordt verworpen, betekent dit dat de spreiding van de leegstand tussen de verschillende gebieden toeneemt en dat er een toename van het verschil in leegstandniveau tussen de verschillende locaties ontstaat. In paragraaf 5.1 worden de resultaten van de variatiecoëfficiënten van de verschillen tussen de omvang van de leegstand gepresenteerd. Vervolgens worden in paragraaf 5.2 de verschillen van de groei van de leegstand geanalyseerd en gepresenteerd. Ten slotte wordt dit hoofdstuk in paragraaf 5.3 afgesloten met een conclusie.

5.1 Analyse van de resultaten van de variatiecoëfficiënten van de omvang van de leegstand

In deze paragraaf worden de resultaten van de berekening van de variatiecoëfficiënt van de omvang van de leegstand getoond. Bij de analyse van de resultaten wordt met de dynamiek van de verschillende stadsregio’s op de ontwikkeling van de variatiecoëfficiënt rekening gehouden. Daarnaast wordt de invloed van de specifieke locatie-eigenschappen op de ontwikkeling van de correlatiecoëfficiënt in de analyse betrokken. In onderstaande tabel wordt een overzicht getoond van de inputvariabelen voor de berekening van de variatiecoëfficiënt.

31

Tabel 5.1 – Standaarddeviatie en rekenkundig gemiddelde van de omvang van de leegstand tussen 1995- 2009 Jaar 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

SD GEM 49.286 38.820 44.198 31.695 29.978 20.632 22.889 18.393 28.102 23.333 29.676 25.443 45.111 37.405 82.924 59.365 90.472 70.868 96.382 75.432 110.015 84.893 105.956 82.627 100.478 80.946 99.462 83.223 110.136 93.126

Bron: Auteur

In bovenstaande tabel valt op dat de standaarddeviatie tussen 1995 en 1998 is gedaald en vervolgens tot 2005 een flinke stijging heeft laten zien. Het rekenkundige gemiddelde van de leegstand vertoont dezelfde ontwikkeling. De dynamiek van de standaarddeviatie en het rekenkundige gemiddelde resulteren in de volgende variatiecoëfficiënten die zijn gepresenteerd in onderstaande grafiek. Grafiek 5.1 – Variatiecoëfficiënten van de omvang van de leegstand per locatie van alle acht stadsregio’s, 1995-2009

Bron: Auteur

In de grafiek vallen twee belangrijke waarnemingen op. Ten eerste toont de variatiecoëfficiënt een dalende trend. De variatiecoëfficiënt daalt in 1995 van 1.27 tot 1.18 in 2009. Zoals eerder uiteengezet is geeft een daling van de variatiecoëfficiënt aan dat de spreiding van de omvang ten opzichte van het rekenkundige gemiddelde van de leegstand afneemt. Dit wil zeggen dat de verschillen in de omvang van de leegstand dus niet toe nemen. Door de daling van de variatiecoëfficiënt mag de nulhypothese niet worden verworpen. Er lijkt tussen 1995 en 2009 geen sprake te zijn van een tweedeling in de omvang van leegstand. 32

Ten tweede valt in de grafiek waar te nemen dat er twee perioden zijn die een vergelijkbaar patroon vertonen. De ontwikkeling van de variatiecoëfficiënten vertoont tussen 1995 en 2000 en tussen 2000 en 2009 een overeenkomstig patroon. Aan de patronen liggen twee verschillende mechanismen ten grondslag. In de periode van 1995 tot 1996 stijgt het rekenkundige gemiddelde van de leegstand harder dan de standaarddeviatie. Dit kan duiden op een tijdelijke toename van het verschil in omvang van leegstand door een toename van de opname op een specifiek locatietype in verhouding tot andere locatietypen. Hiermee wordt bedoeld dat bepaalde locatietypen een eerdere groei van de vraag vertonen dan andere locatietypen. Dit kan duiden op een verschil in voorkeur van de gebruikers. De piek in 2002 kan worden verklaard door een grotere toename van de standaarddeviatie in vergelijking tot de toename van het rekenkundige gemiddelde. Dit duidt op een tijdelijke toename van de spreiding van de leegstand. In sommige gebieden lijkt de leegstand dus harder te stijgen dan in andere gebieden. Dit is precies het tegenovergestelde effect van de waarnemingen tussen 1996 – 1997. In delen van de markt treedt er dus eerder een verruiming van de leegstandssituatie op. Op basis van deze interpretatie van de waargenomen ontwikkeling van de standaarddeviatie en het rekenkundige gemiddelde lijkt het verschil in locatietypen een verklaring te bieden voor de waargenomen patronen. Na de pieken in 1996 – 1997 en 2001-2002 nivelleert het effect door een afname van de variatiecoëfficiënten. Dit duidt op een mogelijke latere toename van de vraag in de periode tussen 1995 – 2001 in de andere gebieden en een nivellering van de verschillen in de omvang van leegstand in de periode van 2001-2009. Dit kan veroorzaakt zijn door een verschuiving van de vraag en/of een ontwikkeling van de leegstand op andere locaties. In onderstaande grafiek is de cumulatieve ontwikkeling van de opname van de kantoorruimte weergeven, waarbij een onderverdeling naar locatietypen is gehanteerd. In de grafiek valt waar te nemen dat tijdens de bovengenoemde piek in 1996 de Stations&snelweglocatie en de Binnenstedelijke locaties een grotere stijging van de opname hebben laten zien dan de overige locaties. Er heeft dus daadwerkelijk een verschil in de toename van de opname plaatsgevonden. Dit bevestigd hetgeen hierboven eerder is verondersteld.

33

Grafiek 5.2 – Cumulatieve ontwikkeling van de opname per locatie tussen 1995- 2009

Bron: DTZ Zadelhoff

In onderstaande grafiek is de cumulatieve ontwikkeling van de leegstand van de kantoorruimte weergegeven, waarbij wederom een onderverdeling gehanteerd is naar locatietypen. In de grafiek valt waar te nemen dat tijdens de eerder waargenomen piek in 2001 de Snelweglocatie een toename van de stijging van de leegstand heeft vertoond in vergelijking tot de overige locatietypen. De Station&snelweglocatie laat dezelfde sterkere stijging van de toename van de leegstand zien. Snelweglocaties en Station&snelweglocaties hebben een steilere toename van de leegstand vertoond dan de andere locatietypen. Net als bij de opname, wordt dus ook voor de leegstand het verwachte effect waargenomen. Grafiek 5.3 – Cumulatieve ontwikkeling van de leegstand per locatie 1995-2009

Bron: DTZ Zadelhoff

In onderstaande analyse is de ontwikkeling van de variatiecoëfficiënt voor alle stadsregio’s geanalyseerd. In deze analyse worden de verschillen van de variatiecoëfficiënten tussen de stadsregio’s geanalyseerd. In onderstaande grafiek zijn de resultaten van de variatiecoëfficiënten getoond, rekening houdend met de verschillen tussen de stadsregio’s door de variatiecoëfficiënt acht keer te berekenen waarbij telkens de variabelen van één van de stadsregio’s is uitgesloten.

34

Grafiek 5.4 – Variatiecoefficienten van de omvang van de leegstand voor de afzonderlijke stadsregio’s, 1995-2009

Bron: Auteur

In bovenstaande grafiek valt op dat de coëfficiënten twee trends vertonen. Tussen 1995 en 2000 tonen de coëfficiënten een dalende trend, waarna vanaf 2001 de variatiecoëfficiënten stabiel zijn gebleven. Indien men de verschillen tussen de stadsregio’s analyseert op stadsregionaal niveau valt op dat er een groot verschil aanwezig is tussen Amsterdam en de overige steden. De stadsregio Amsterdam heeft een zeer grote invloed op de resultaten van de coëfficiënten voor de totale groep stadsregio’s. In de grafiek valt waar te nemen dat de coëfficiënten, wanneer Amsterdam niet in de berekening is opgenomen, in de tijdsperiode tussen 1995 en 2009 een sterke daling hebben meegemaakt. De coëfficiënten van de groep scoren substantieel hoger in de periode van 1999 – 2009 op het moment dat Amsterdam wel in de berekening is opgenomen. Indien men de variatiecoëfficiënten van Amsterdam berekent valt in de onderstaande grafiek waar te nemen, dat de spreiding van de omvang van de Amsterdamse leegstand in de onderzoeksperiode is toegenomen. Dit betekent dat de verschillen in de spreiding van de leegstand in Amsterdam zijn toegenomen en er dus een tweedeling in de markt is ontstaan. De overige steden hebben een daling van de coëfficiënten meegemaakt, hetgeen duidt op een daling van de spreiding van de leegstand. In andere woorden betekent dit er in de overige stadsregio’s geen tweedeling in de omvang van de leegstand waar te nemen is.

35

Grafiek 5.5 – Variatiecoefficienten van de omvang van de leegstand in Amsterdam, 1995 - 2009

Bron: Auteur

Waar de analyse eerder is uitgebreid met de invloeden die de specifieke stadsregio’s hebben op de ontwikkeling van de variatiecoëfficiënten, wordt nu ook de invloed van de locatietypen geanalyseerd. In onderstaande grafiek zijn vervolgens de correlatiecoëfficiënten berekend, waarbij om beurten de waarnemingen van een de vijf locatietypen buiten de berekening zijn gehouden. Op die manier kan de invloed van de verschillende locatietypen inzichtelijk gemaakt worden.

36

Grafiek 5.6 – Variatiecoefficienten van de omvang van de leegstand per locatie voor de locatietypen, 1995-2009

Bron: Auteur

In bovenstaande grafiek valt op dat alle locatietypen dezelfde patronen vertonen. Op de periode tussen 1999 tot 2001 na, is er geen afwijkende ontwikkeling van de coëfficiënten waar te nemen. Tijdens deze tijdsperiode tonen alle vijf de locatietypen een afwijkende dynamiek. De hoogte van de variatiecoëfficiënten vertonen ook een substantieel verschil. Ten eerste valt in de grafiek op dat de variatiecoëfficiënten van alle typen locaties het laagst scoren wanneer de Stations&snelweglocatie buiten de berekening wordt gehouden. Het uitsluiten van de Stations&snelweglocatie resulteert in een daling van de verschillen in de omvang van de leegstand. In Amsterdam is een zeer grote leegstand op de Stations&snelweglocatie aanwezig. Hierboven is reeds genoemd dat de omvang van de leegstand van Amsterdam een belangrijke factor bij het berekenen van de variatiecoëfficiënten voor de gehele groep is en verklaart dus ook voor een groot deel de uitkomst van deze waarden. De leegstand in Amsterdam bepaalt dus voor een dus groot deel de lage score van de Stations&snelweglocatie. Ten tweede valt op dat het uitsluiten van de Snelweglocatie resulteert in de hoogste variatiecoëfficiënten. Deze score is opvallend. De verwachting was vooraf aanwezig dat het uitsluiten van de Snelweglocatie juist zou resulteren in een daling van de score. De ontwikkeling van de leegstand heeft op de Snelweglocatie namelijk een grote toename gekend en zoals in grafiek 5 naar voren is gekomen, is de toename van de leegstand op deze locatie nog groter geweest dan op de andere locaties. Deze verwachting is niet uitgekomen, omdat de gemiddelde leegstand van de Snelweglocatie relatief hoog is ten opzichte van de andere locatietypen. De gemiddelde omvang van de leegstand van de snelweglocatie heeft een dempend effect in de berekening van de waarde van de coëfficiënt(en). Ten slotte valt op dat wanneer het uitsluiten van zowel de snelweglocatie als de stationslocatie dit resulteert in daling van de variatiecoëfficiënt tussen 2006 en 2009. Het lijkt erop dat de variatiecoëfficiënten van de overige locatietypen in die periode een licht stijgende trend vertonen, 37

hetgeen duidt op een toename van de verschillen in de omvang van de leegstand op de Stations- en de Snelweglocaties. 5.2 Analyse van de resultaten van de variatiecoëfficiënten van de groei van leegstand In deze paragraaf worden de resultaten van de berekening van de variatiecoëfficiënt van de spreiding van de groei van de leegstand getoond. In onderstaande grafiek zijn variatiecoëfficiënten van de groei van de leegstand getoond. Grafiek 5.7 – Variatiecoëfficiënt van de groei van de leegstand per locatie voor het totaal van de acht stadsregio’s, 1995 - 2009

Bron: Auteur

De variatiecoëfficiënten laten een stijging zien tussen 1995 en 2009. Dit betekent dat tijdens de onderzoeksperiode een toename van het verschil in de groei van de leegstand is ontstaan. Indien men de resultaten van de variatiecoëfficiënten analyseert in combinatie met de ontwikkeling van de omvang van de leegstand, groeit de leegstand op de locatietypen met een lagere absolute leegstand tijdens de onderzoeksperiode sneller dan op andere locatietypen. In grafiek 5 is dit duidelijk waar te nemen. De Snelweglocatie kent in vergelijking tot de andere locaties de meeste leegstand. Relatief gezien stijgt de leegstand op de andere locatietypen sneller. In bovenstaande grafiek vallen tijdens de onderzoeksperiode vier specifieke ontwikkelingen waar te nemen. Ten eerste valt op dat er een grote stijging van de variatiecoëfficiënten in de periode tussen 1996 en 1998 waar te nemen is. Deze stijging wordt verklaard door een daling van de leegstand in deze periode. Ten tweede blijft tussen 1998 en 2005 de variatiecoëfficiënt constant. Dit is een opvallende waarneming omdat zowel de gemiddelde groei van de leegstand alsook de standaarddeviatie een grote dynamiek vertonen. De verschillen in de groei van de leegstand tussen de gebieden nemen

38

echter niet toe, waardoor een stabiel beeld van de variatiecoëfficiënt waargenomen wordt. Ten derde vindt in 2005 – 2006 een grote stijging van de variatiecoëfficiënten plaats. Dit wordt veroorzaakt door een toename in de opname van kantoorruimte en een daling van de leegstand. Als de leegstand daalt, blijken de variatiecoëfficiënten van de groei van de leegstand te stijgen. Ten slotte zien we vanaf 2006 een daling van de variatiecoëfficiënten. Vanaf 2006 nemen de verschillen in de groei van de leegstand tussen de locatietypen af. Vanaf 2006 stijgt de leegstand op alle locatietypen en dalen daardoor de verschillen in de spreiding van de groei van de leegstand. 5.3 Conclusie

Op basis van de waargenomen resultaten is de nulhypothese, waarbij verondersteld werd dat de verschillen in de omvang van de leegstand toenamen, niet verworpen. Er is geen bewijs gevonden om te kunnen concluderen dat er een tweedeling in de markt optreedt als men rekening houdt met de verschillen in locatietypen. In bovenstaande analyse zijn daarnaast twee interessante marktmechanismen waargenomen. Ten eerste is waargenomen dat wanneer rekening gehouden wordt met de verschillende locatietypen, een toename van de leegstand resulteert in een afname van de verschillen tussen de omvang van de leegstand. Een daling van de leegstand heeft in de bovenstaande analyse namelijk geresulteerd in een afname van de variatiecoëfficiënten. Ten tweede is waargenomen dat een afname van de leegstand resulteert in een toename van de spreiding van de groei van de leegstand. In bovenstaande analyse is waargenomen dat een daling van de leegstand resulteert in een toename van de verschillen in groei van de leegstand tussen de verschillen locatietypen.

Op basis van deze waargenomen marktmechanismen wordt geconcludeerd dat als de leegstand toeneemt, de verschillen in de spreiding van de omvang van de leegstand afnemen. Deze resultaten duiden op een convergerende marktdynamiek tussen de verschillende locatietypen bij een toename van de leegstand. Daarnaast wordt geconcludeerd dat als de leegstand afneemt, de verschillen in de spreiding van de groei van de leegstand toenemen. Een daling van de leegstand heeft dan een divergerende invloed op de spreiding van de groei van de leegstand.

39

6. Analyse van de correlatie tussen BAR en leegstand

In het operationele conceptuele model (hoofdstuk 3, paragraaf 3.2) is de relatie tussen leegstand en rendement schematisch getoond. In dit hoofdstuk wordt middels het berekenen en analyseren van de correlatiecoëfficiënten onderzocht of deze relatie ook daadwerkelijk aantoonbaar is. Een relatie tussen leegstand en rendement indiceert de aanwezigheid van speculatieve ontwikkelingsmotieven. Het doel van dit hoofdstuk is om eerst te analyseren of er een empirische relatie tussen de leegstand en het rendement op vastgoedinvesteringen aanwezig is en zo ja, op welke wijze deze relatie de omvang van de leegstand beïnvloedt. Dit hoofdstuk is op de volgende wijze opgebouwd. In paragraaf 6.1 wordt gestart met een korte beschrijving van de dynamiek van het rendement. In paragraaf 6.2 worden de resultaten van de correlatietesten gepresenteerd en geanalyseerd. Er wordt gestart met een analyse op “landelijk” niveau (voor alle 8 stadsregio’s) door eerst alle waarnemingen te aggregeren en vervolgens de relatie tussen leegstand en rendement te testen. Dit heeft als doel om een referentiekader voor de resultaten op regionaal niveau te creëren. Daarnaast wordt de relatie tussen leegstand en rendement ook op stadsregionaal niveau geanalyseerd. Ook hiervoor geldt dat deze analyse dient als interpretatiekader voor de uiteindelijk resultaten op gebiedsniveau. Tenslotte wordt de relatie tussen leegstand en rendement getest, waarbij een onderverdeling plaatsvindt zoals dit eerder is weergegeven in het operationele conceptuele model. In paragraaf 6.2 wordt afgesloten met een conclusie. 6.1 Ontwikkeling van het rendement tussen 1995 en 2009

In het onderzoek wordt onderscheid gemaakt tussen rendementen op vastgoedinvesteringen binnen de randstad en buiten de randstad. Investeringen buiten de randstad worden vaak als minder aantrekkelijk gezien door (institutionele) beleggers. Dit verschil is waar te nemen in de grafiek van de ontwikkeling van het rendement. Daarnaast is een onderscheid gemaakt tussen de rendementen in Aen B- categorie beleggingen. Een A-categorie belegging wordt veelal gezien als een “nieuw” en “duurzaam” object gelegen op een courante locatie, waarbij het object langjarig verhuurd is. Een Bcategorie wordt gezien als een object dat niet aan alle optimale kenmerken voldoet (Van Gool, 2007). In de grafiek valt waar te nemen dat de rendementen op de B-categorie hoger zijn dan op de Acategorie. Beleggers zijn dus bereid een hogere prijs te betalen voor een A-categorie object gelegen op een courante locatie (Randstad).

Op basis van de bovenstaande redenering wordt voor Amsterdam, Den Haag, Rotterdam en Utrecht BAR Randstad als proxy voor het rendement gehanteerd. In Arnhem, Breda, Eindhoven en Zwolle is BAR Buiten Randstad als proxy voor het rendement gehanteerd.

In de grafiek valt verder waar te nemen dat de rendementen een daling hebben vertoond over de periode tussen 1995- 2009. Een daling van het rendement kan veroorzaakt worden door een daling van de rente en/of een stijging van vastgoedprijzen, hetgeen ook in de praktijk is waargenomen.

40

Grafiek 6.1 - BAR onderverdeelt tussen Randstad en buiten Randstedelijk 1995 – 2009

Bron : ASRE (www.vastgoedkennis.nl)

6.2 Analyse van de resultaten van de correlatietoets tussen leegstand en rendement In deze paragraaf worden de resultaten van de correlatietesten gepresenteerd en geanalyseerd. Gestart wordt met de resultaten van de resultaten op het “landelijk” niveau. In de bijlage 7 en 8 zijn de correlatie tussen opname en leegstand weergegeven. In bijlage 7.1 en 7.2 zijn de resultaten opgenomen van de toetsen tussen de leegstand en het rendement uitgaande van een “landelijk niveau” en een “regionaal niveau”. De resultaten in bijlage 7.1 tonen geen significante correlaties tussen de ontwikkeling van opname en leegstand. Ook de resultaten in bijlage 7.2 tonen geen significante correlaties. Deze resultaten geven aanleiding om te veronderstellen dat er geen verband bestaat tussen de ontwikkeling van het rendement en de ontwikkeling van de leegstand op “landelijk” en “regionaal” niveau. Op basis van deze resultaten kan worden geconcludeerd dat er zowel op landelijk- als op regionaal niveau geen relatie aanwezig is tussen de dynamiek van de opname en de leegstand. In bijlage 8 zijn de resultaten weergegeven van de correlaties tussen leegstand naar locatietype en rendement. In bijlage 8 is ook waar te nemen dat er op lokaal niveau, als er rekening wordt gehouden met een onderverdeling naar locatietype, geen significante relaties aanwezig zijn tussen de ontwikkeling van het rendement en de leegstand. Net als bij de analyse op de landelijk en regionaal niveau is er hier geen significante relatie gevonden. 6.3 Conclusie In bovenstaande paragraaf zijn de resultaten van de correlatietoetsen tussen leegstand en rendement uiteengezet. In het onderzoek is naar voren gekomen dat er geen significante correlaties zijn gevonden tussen het rendement en de leegstand. Op basis van de resultaten van dit onderzoek, is geen bewijs gevonden dat er een speculatief element is opgetreden tussen de ontwikkeling van de leegstand en de ontwikkeling van het rendement. Daarnaast hebben de resultaten van het empirische onderzoek een implicatie voor de veronderstelde relatie in het operationele conceptuele model. In het

41

operationele conceptuele model is verondersteld dat de BAR een directe invloed heeft op de dynamiek van de leegstand. Dit is deels gebaseerd op de onderzoeksresultaten van Kruijt e.a. (1993) en het ontbreken van de voorraadcijfers. Op basis van de resultaten van dit onderzoek wordt deze relatie echter niet bevestigd. Het operationele conceptuele model dient daarom te worden aangepast.

42

7. Analyse van de correlatie tussen leegstand en opname van kantoorruimte

In het operationele conceptuele model is de relatie tussen leegstand en opname schematisch getoond. In dit hoofdstuk wordt middels het berekenen en analyseren van de correlatiecoëfficiënten onderzocht of deze relatie ook daadwerkelijk aantoonbaar is. Het doel van dit hoofdstuk is om te analyseren of er een empirische relatie bestaat tussen de leegstand en de opname van kantoorruimte en op welke wijze deze relatie de omvang van de leegstand beïnvloedt. Dit hoofdstuk is op de volgende wijze opgebouwd. In paragraaf 7.1 wordt eerst een korte beschrijving van de dynamiek van de opname in de acht stadsregio’s gegeven, met als doel om de lezer kort te informeren over de ontwikkeling die de opname heeft vertoond tijdens de onderzoeksperiode. In paragraaf 7.2 worden de resultaten van de correlatietesten gepresenteerd en geanalyseerd. Er wordt gestart met een analyse op “landelijk” niveau door alle waarnemingen te aggregeren en de relatie tussen leegstand en opname te testen. Dit heeft als doel om een referentiekader voor de resultaten op regionaal niveau te creëren. Vervolgens wordt de relatie tussen leegstand en opname ook op regionaal stadsniveau geanalyseerd. Ook hiervoor geldt dat deze analyse dient ter vergelijking voor de resultaten van de uiteindelijke resultaten op gebiedsniveau. Ten slotte wordt de relatie tussen leegstand en opname getest. In paragraaf 7.3 zal worden afgesloten met een conclusie. 7.1 Ontwikkeling van de opname tussen 1995 en 2009

In de onderstaande grafiek is van 1995 tot 2009 voor alle acht stadsregio’s samen de totale opname per jaar weergegeven. Daarnaast is er een uitsplitsing gemaakt naar de specifieke stadsregio’s. Grafiek 7.1 - Totale opname in m² per stadsregio van 1995 - 2009

Bron: DTZ Zadelhoff

In de grafiek valt op dat de opname op “landelijk” niveau een volatiel beeld heeft vertoond. Verder is de opname is tussen 2004 en 2007 bijna verdubbeld. Daarnaast heeft de opname in 1996, 2001 en 2007 een piek vertoond. De opname vertoont tot 2007 een stijgende trend. Met de steile daling in 2008 en 2009 lijkt deze trend te zijn doorbroken. 43

Aan de waargenomen patronen ligt een lokale dynamiek ten grondslag. De opname in Amsterdam valt hierin erg op. Amsterdam is veruit de grootste en meest volatiele markt in de gebruikte dataset. Ditzelfde geldt ook voor de waarnemingen m.b.t. de leegstand. In Amsterdam valt op dat er tussen 2004 en 2007 een enorme dynamiek heeft plaatsgevonden. Amsterdam heeft in de periode van hoogconjunctuur (tussen 2005 – 2007) een hoge opname gerealiseerd. Wanneer men dieper op de opnamecijfers van Amsterdam inzoomt (bijlage 2) valt op dat de Stations&snelweglocaties voor een groot deel verantwoordelijk zijn voor de gerealiseerde opname. Ten tweede valt op dat de opname in Amsterdam op snelweglocaties in vergelijking tot de Stations&snelweglocatie lager uitvalt. Zeker als men de ontwikkeling van de leegstand analyseert valt op dat de opname van de Snelweglocatie relatief laag is. In Utrecht, Den Haag en Rotterdam valt net als in Amsterdam een volatiel marktbeeld waar te nemen. De markten zijn kleiner dan de Amsterdamse markt, maar vertonen eveneens een volatiele dynamiek van de opname. In Utrecht veroorzaken de opname op de Snelweglocatie en de opname op de Binnenstedelijke locatie de waargenomen dynamiek. Opvallend is echter wel dat dit alleen op de snelweglocatie tot een grote groei van de leegstand heeft geleid. In Den Haag wordt de dynamiek van de opname voor een groot deel verklaard door de opname van de Snelweglocatie. Alleen in 1995 is een hoge piek van de Station&snelweglocatie bepalend geweest voor een groot deel van het opnameniveau. In Rotterdam vertoont de opname van kantoorruimte een zeer verspreid beeld. Geen van de locaties steekt qua leegstand substantieel boven de andere steden uit. De leegstand laat echter een duidelijke toename van de Snelweg- en Binnenstedelijke locatie zien. In Rotterdam lijkt derhalve de opname verspreid plaats te vinden, maar de leegstand ontwikkelt zich voornamelijk op de Snelweg- en Binnenstedelijke locaties.

Op regionaal niveau valt daarnaast waar te nemen dat de stadsregio’s van Arnhem, Breda, Eindhoven en Zwolle relatief gezien een stabielere opnameontwikkeling hebben laten zien. Indien men het lokale opnameniveau analyseert (in bijlage 2), vindt de grootste opname in deze stadsregio’s plaats op de snelweglocaties. Daarnaast valt in Arnhem op, dat de opname van de Stationslocatie vanaf 2006 een grote stijging kent. Opmerkelijk genoeg wordt de stijging voorgegaan door een stijging van de leegstand. In die periode lijkt eerst de ontwikkeling van de kantoorruimte te hebben plaatsgevonden, voordat de vraag deze kantoorruimte weer heeft opgenomen. De opname van kantoorruimte in Breda kent tenslotte een diffuus beeld. De waargenomen opname van kantoorruimte geeft geen duidelijke verklaring voor het waargenomen patroon van de ontwikkeling van de leegstand. In grafiek 7 is van 1995 tot 2009 voor alle acht stadregio’s de opname per locatietype weergegeven en verder onderverdeeld.

44

Grafiek 7.2 - Totale opname in m² per stadsregio met een onderverdeling naar locatietype tussen 1995 - 2009

Bron: DTZ Zadelhoff

De dynamiek van de opname kenmerkt zich door twee opvallende perioden. Tussen 1995 en 2003 lijkt de opname willekeurig plaats te vinden. Er is geen duidelijk overeenkomstig patroon tussen de locaties waar te nemen. Van 2003 tot 2009 vertoont de ontwikkeling van de opname een veel gelijkmatiger patroon. In 2007 pieken alle locatietypen. Aan de basis van deze waarneming staat naar grote waarschijnlijkheid de beschikbaarheid van de leegstand. In de periode tussen 1995 – 2003 is er een schaarste aan kantoorruimte. De kantoorruimtegebruiker heeft in deze periode niet altijd veel keuzemogelijkheid. In de periode 2003-2009 is de leegstand op alle locatietypen veel ruimer geworden. Dit maakt het eenvoudiger om de vraag te faciliteren. Als men de dynamiek van de vraag analyseert, vallen de volgende verschillen waar te nemen. Ten eerste valt op dat Snelweglocatie een stijgende trend kent. In 1996 is de Snelweglocatie qua opname nog de kleinste locatie, maar in 2007 wordt op deze locatie de meeste kantoorruimte opgenomen. Ten tweede valt op dat op de Buitenstedelijke locatie de laagste opname wordt gerealiseerd. De Binnenstedelijke en Stationslocatie vertonen een opnamepatroon dat tussen de Snelweglocatie en de Buitenstedelijke locatie in ligt. Ten slotte valt op dat de opname op de Stations&snelweglocaties drie piekmomenten vertoont in 1996, 2001 en 2007. Deze pieken kenmerken zich door de relatief hoge opname van kantoorruimte ten opzichte van de overige jaren.

7.2 Analyse van de resultaten van de correlatietoets tussen leegstand en opname In deze paragraaf worden de resultaten van de correlatietesten gepresenteerd. Gestart wordt met de resultaten van de correlatietoetsen op het “landelijk” niveau. In bijlage 9.1 zijn de resultaten van de correlatietoetsen tussen de opname en de leegstand op “landelijk” niveau opgenomen. Daarnaast zijn in bijlage 9.2 zijn de resultaten van de correlatietoetsen op “landelijk” niveau getoond, waarbij een onderverdeling heeft plaatsgevonden naar locatietype.

45

In bijlage 9.1 kunnen geen significante correlaties worden waargenomen op “ landelijk” niveau. De resultaten vertonen dus geen verband tussen de ontwikkeling van de opname en de ontwikkeling van de leegstand op “landelijk” niveau. Ook in bijlage 9.2 zijn geen significante relaties waargenomen. Dit betekent dus dat als men op “landelijk” niveau rekening houdt met een onderverdeling naar locatietype dat er wederom geen verband is waar te nemen. Op basis van deze resultaten kan worden geconcludeerd dat er op “landelijke schaal” geen relatie aanwezig is tussen de dynamiek van de opname en de leegstand. In bijlage 10 zijn vervolgens de resultaten weergegeven van de correlatietoets tussen het totale volume van de leegstand in een stadsregio en het totale opnameniveau op stadsregionaal niveau. Ook op stadsregionaal niveau wordt geen significante relatie gevonden tussen de ontwikkeling van de opname en de leegstand. Net als bij de analyse op het “landelijk” niveau wordt er dus geen significante relatie gevonden. Op basis van deze resultaten wordt geconcludeerd dat de ontwikkeling van de opname ook op stadsregionaal geen verband toont met de leegstand op stadsregionaal niveau. In de bijlagen 11.1 tot 11.8 zijn tenslotte de resultaten getoond van de analyse tussen de ontwikkeling van de opname en de ontwikkeling van de leegstand van kantoorruimte op locaal niveau. Hierbij is rekening gehouden met een onderverdeling op basis van de specifieke locatietypes. De analyse van de resultaten in de acht stadsregio’s tonen zowel positieve als negatieve correlaties tussen de ontwikkeling van de opname en de leegstand van kantoorruimte. Dit komt overeen met het raamwerk in het conceptuele model. De kantorenmarkt kenmerkt zich door een lokale dynamiek doordat gebruikers veelal zeer plaatsgebonden zijn. Indien een gebruiker verhuist is dat vaak binnen een zeer kleine straal. De gevonden resultaten komen overeen met de veronderstelling in het conceptuele model dat de kantorenmarkt een zeer lokaal gedreven markt is. In het operationele model wordt verder verondersteld dat als gebruikers tussen deelgebieden wel besluiten te verhuizen, dit kan duiden op economische veroudering. Het aantonen van verhuisbewegingen tussen deelgebieden is echter niet significant gebleken. In de analyse van de resultaten zijn namelijk geen crosscorrelaties tussen de gebieden waargenomen. Bij een verhuizing van gebruikers tussen de verschillende deelgebieden wordt verondersteld dat er zich twee correlaties vertonen. Enerzijds een positieve correlatie tussen deelgebieden die dus een verhuizing aangeeft. Anderzijds een negatieve samenhang binnen hetzelfde gebied die een daling tussen de opname en de leegstand aantoont. In de resultaten van de correlatietesten is deze crosscorrelatie niet specifiek aangetoond. Er is derhalve geen eenduidig bewijs gevonden dat significant aantoont dat de vraag tussen de deelgebieden daadwerkelijk verhuist. Ondanks het uitblijven van de crosscorrelaties is toch een interessante waarneming gedaan. De significante correlaties indiceren namelijk dat de leegstand op Snelweglocaties veelal een correlatie vertoont met de overige gebieden. In meerdere stadsregio’s zijn zowel significante positieve als negatieve correlaties voor de Snelweglocaties gevonden. Omdat dit verband op zowel landelijk als regionaal niveau niet significant is, maar wel meerdere malen significant blijk te zijn op lokaal niveau,

46

wordt op basis van de waargenomen correlaties verondersteld dat de Snelweglocatie wel enige correlatie met de opname in andere gebieden vertoont. Onderstaand zijn alle significante correlaties tussen opname en leegstand getoond. Voor het volledige overzicht van de resultaten wordt naar de bijlage verwezen. Bij de onderstaande analyse worden alleen de correlaties betreffende de Snelweglocatie besproken. In de onderstaande tabel zijn deze waargenomen significante relaties voor Amsterdam getoond. Tabel 7.1 - Significante correlaties Amsterdam

Amsterdam Leegstand station Opname binnenstedelijk Opname snelweg - 1 jaar 0,605 Opname station&snelweg - 2 jaar -0,0697 Opname Snelweg - 2 jaar Opname binnenstedelijk - 2 jaar Opname buitestedelijk - 2 jaar

Leegstand Snelweg -0,731

Leegstand buitenstedelijk

0,819 -0,681 -0,681

0,796

Bron: Auteur

In bovenstaande tabel van Amsterdam valt waar te nemen dat er een negatieve correlatie gevonden is tussen de opname op de Binnenstedelijke locatie en de leegstand op de Snelweglocatie. Het lijkt erop dat als de leegstand op een Snelweglocatie stijgt, dit een negatief effect heeft op de dynamiek van de opname op de Binnenstedelijke locatie. Daarnaast is een positieve correlatie gevonden tussen de Stationslocatie en de Snelweglocatie. Dit kan duiden op een verhuizing van de gebruiker van de Stationslocatie naar de Snelweglocatie, waardoor er een toename van de leegstand op de Stationslocatie plaatsvindt. In Amsterdam lijkt er een dynamiek aanwezig te zijn waar de opnamen van Binnenstedelijke locaties verhuisd naar de randstedelijke Snelweglocaties. Ook in Arnhem indiceren de correlaties een verband tussen de Binnenstedelijke locatie en de nieuw ontwikkelde locaties. Tabel 7.2 - Significante correlaties Arnhem

Arnhem Opname buitenstedelijk Opname snelweg - 1 jaar

Leegstand SnelwegLeegstand binnenstedelijk 0,6 0,825 0,593

Buitenstedelijk 0,701

Bron: Auteur

In Arnhem duidt de positieve correlatie tussen opname op de Snelweglocatie en leegstand op de Binnenstedelijke locatie op een verhuisbeweging van de Binnenstedelijke locatie naar de Snelweglocatie. Dit is interessant, omdat de ontwikkeling van de leegstandcijfers van de Snelweglocatie deze groei bevestigen. Op basis van deze cijfers lijkt er verband aanwezig te zijn tussen de dynamiek van de Binnenstedelijke locatie en de leegstandsontwikkeling op Snelweglocaties. Ook in Breda lijkt een dynamiek waar te nemen tussen de opname en dynamiek van de leegstand op Snelweglocaties. Onderstaand worden de gevonden significante relaties in Breda getoond.

47

Tabel 7.3 - Significante correlaties Breda Breda Opname station & snelweg Opname snelweg Opname snelweg - 1 jaar Opname snelweg - 2 jaar Opname binnenstedelijk - 2 jaar

Leegstand station Leegstand station & snelweg

Leegstand Snelweg

0,633

Leegstand binnenstedelijk Leegstand buitenstedelijk 0,657 -0,616 0,553

0,594 -0,618

Bron: Auteur

In Breda worden positieve correlaties gevonden tussen de opname op de Snelweglocatie en de Station&snelweg en Buitenstedelijke locaties. Een stijging van de leegstand op de Snelweglocatie lijkt te resulteren in een toename van opname op de Snelweglocatie in combinatie met een stijging van leegstand op de andere locaties. Daarnaast heeft de Snelweglocatie een negatieve correlatie vertoond tussen de Binnenstedelijke locatie en de Snelweglocatie. In Breda lijkt de ontwikkeling van Snelweglocaties ten koste te zijn gegaan van een deel van de opname op de andere locaties. Indien men de ontwikkeling van de opname en leegstand analyseert, valt waar te nemen dat de Snelweglocatie in Breda inderdaad een ruime omwikkeling heeft gekend. Tabel 7.4 - Significante correlaties Den Haag Den Haag Opname snelweg Opname binnenstedelijk - 1 jaar Opname station - 2 jaar Opname binnenstedelijk - 2 jaar

Leegstand station Leegstand station & snelweg Leegstand binnenstedelijk Leegstand buitenstedelijk -0,609 -0,704 0,659 -0,658

Bron: Auteur

Ook in Den Haag is een correlatie tussen de Snelweglocatie en de Binnenstedelijke locatie gevonden. Op basis van de bovenstaande correlaties valt op dat er een negatieve correlatie is gevonden tussen de opname van kantoorruimte op de Snelweglocatie en de leegstand in de Binnenstedelijke locaties. Dit duidt op een toename van de opname op de Snelweglocatie gevolgd door een afname van de opname in de Binnenstedelijke gebieden. Tabel 7.5 - Significante correlaties Eindhoven Eindhoven Opname station Opname snelweg - 1 jaar Opname buitenstedelijk - 1 jaar Opname binnenstedelijk - 2 jaar

Leegstand station Leegstand station & snelweg

Leegstand Snelweg 0,709

Leegstand binnenstedelijk Leegstand buitenstedelijk -0,553

-0,585 0,738

0,734

Bron: Auteur

In bovenstaande tabel valt ook in Eindhoven een correlatie tussen de Snelweglocatie en de Binnenstedelijke locatie waar te nemen. In Eindhoven is een positieve correlatie waargenomen tussen de Snelweglocatie en de Stationslocatie. Daarnaast is in Eindhoven net als in Den Haag en Breda een

48

negatieve correlatie gevonden tussen de leegstand op Binnenstedelijke locaties en de opname op een Snelweglocatie. In Rotterdam is een significante correlatie gevonden tussen de opname op een Snelweglocatie en de leegstand op Station&snelweglocatie gevonden. Dit is opmerkelijk omdat in vergelijking met de resultaten in de overige steden, veelal een correlatie met Binnenstedelijke locaties wordt waargenomen. Tabel 7.6 - Significante correlaties Rotterdam

Rotterdam Leegstand station & snelweg Opname snelweg -0,6 Opname binnenstedelijk Opname station&snelweg - 1 jaar

Leegstand buitenstedelijk 0,578 0,632

Bron: Auteur

Tenslotte zijn er in Utrecht geen significante correlaties gevonden. In Zwolle daarentegen zijn wel meerde significante correlaties gevonden tussen de Snelweglocaties en de Stationslocaties. In de onderstaande tabel zijn deze waargenomen relaties getoond. Tabel 7.7 - Significante correlaties Zwolle

Zwolle Opname snelweg Opname station - 1 jaar Opname station & snelweg - 2 jaar Opname snelweg - 2 jaar

Leegstand Station 0,819

Buitenstedelijk -0,719 -0,743

-0,593 0,603

Bron: Auteur

De resultaten in zeven van de acht stadsregio’s (Utrecht uitgezonderd) tonen significante correlaties tussen Snelweglocaties en de overige deelgebieden. Er zijn echter geen crosscorrelaties gevonden, die onomstotelijk aantonen dat er een verschuiving van de opname van het ene deelgebied naar het andere deelgebied heeft plaats gevonden, die resulteert in een daling van de leegstand in een nieuw gebied en een stijging van de leegstand in het oude gebied. Op basis van de gevonden correlaties lijkt het echter wel mogelijk om te concluderen dat er op lokaal niveau enige relaties bestaan tussen opname en leegstand wanneer men ze in locatietypen onderverdeeld. Zoals op basis van de analyse van de resultaten van de snelweglocatie blijkt, is het echter niet mogelijk een eenduidige verklaring voor de relatie te geven. 7.3 Conclusie In dit hoofdstuk is onderzoek uitgevoerd naar een verband tussen opname en leegstand, waarbij een segmentatie is toegevoegd op basis van het verschil in locatietype. Zowel op “landelijk”als regionaal niveau worden geen significante correlaties geïdentificeerd. Op lokaal niveau worden in de acht stadsregio’s meerdere significante correlaties gevonden. De correlaties tussen Snelweglocaties en de 49

andere locatietypen zijn in bijna alle stadsregio’s significant gebleken. Een duidelijk patroon bleek echter niet waar te nemen. Er zijn dus geen stelselmatige relaties waargenomen.

Bovenstaande analyse tendeert naar de conclusie dat op de kantorenmarkt geen hard bewijs bestaat voor de aanwezigheid voor een eenduidige interpreteerbare relatie tussen deelgebieden. Er is zeker geen bewijs gevonden dat verklaart of en op welke wijze de opname van kantoorruimte tussen gebieden migreert. Op basis van de waargenomen correlaties lijkt het echter wel mogelijk te concluderen dat de dynamiek tussen opname en leegstand op lokaal niveau plaatsvindt. Op “landelijk” en regionaal niveau is er geen bewijs voor de relatie tussen opname en leegstand aangetoond.

50

8. Conclusie

In het onderstaande hoofdstuk zal dit onderzoek afgesloten worden met de conclusie. Achtereenvolgens worden eerst de vijf deelvragen beantwoord en als laatste wordt de centrale vraag beantwoord.

Hoe heeft de omvang van de leegstand op de Nederlandse kantoorruimtemarkt zich in de periode 1995-2009 ontwikkeld en welke factoren zijn in algemene zin van invloed op die ontwikkeling?

De kantorenmarkt werd tussen 1998 en 2000 gekenmerkt als een zeer krappe markt. De leegstand was relatief laag en de opname vertoonde een piek. Deze krappe marktsituatie heeft vervolgens geresulteerd in een ontwikkelingstoename. Vanaf 2001 heeft de leegstand vervolgens een grote toename vertoond. De enorme groeiontwikkeling van de leegstand heeft voor een groot deel plaatsgevonden op Snelweglocaties. In alle 8 besproken stadsregio’s heeft de leegstand op de Snelweglocaties verreweg de grootste toename gekend met een piek rond 2005. Na 2005 groeit de leegstand op deze locatie nog steeds, maar heeft de grootste ontwikkeling van de leegstand dan reeds plaatsgevonden. Naast de specifieke ontwikkeling van de leegstand op Snelweglocaties, lijkt de leegstand op de overige locatietypen een meer willekeurige ontwikkeling te vertonen. In sommige stadsregio’s beschikt de Stationslocatie juist over de ruimste lokale marktsituatie. In andere stadsregio’s zijn het juist weer de Binnenstedelijke locaties die geconfronteerd worden met de meeste leegstand. In de ontwikkeling van de leegstand is dus geen duidelijk patroon waar te nemen. Uit het literatuuronderzoek kan geconcludeerd worden dat de ontwikkeling van de leegstand beïnvloed wordt door de ontwikkeling van de vraag en de ontwikkeling van de voorraad. De ontwikkeling van de vraag wordt beïnvloed door de ontwikkeling van zowel de economische als de demografische ontwikkelingen. Daarnaast is de ontwikkeling van het metrage per werkplek ook nog van invloed op de ontwikkeling van de vraag. De ontwikkeling van de voorraad wordt beïnvloedt door de ontwikkeling van de bouwkosten, de rente, het belastingregime, de huurprijs. en de ontwikkeling van de leegstand. In een conceptuele model in hoofdstuk 3 is de dynamiek van de kantorenmarkt schematisch weergegeven. Welke factoren zijn verantwoordelijk voor de lokale verschillen in de omvang van de leegstand op de kantoorruimtemarkt? Tijdens het reduceren van het conceptuele model tot een operationeel model, dat een verklarend vermogen heeft voor de ontwikkeling van de leegstand op lokaal niveau, zijn op basis van drie specifiek voor de Nederlandse vastgoedmarkt uitgevoerde onderzoeken de volgende parameters toegevoegd. In de besproken onderzoeken is naar voren gekomen dat rendement een relatie vertoont met de ontwikkeling van het leegstaande deel van de voorraad. Als proxy voor rendement wordt het

51

bruto aanvangsrendement (BAR) gehanteerd. Daarnaast wordt als proxy voor de ontwikkeling van de vraag, de jaarlijkse opname gehanteerd. Opname wordt op lokaal niveau gemeten en is als inputvariabele in het empirische onderzoek opgenomen. Als men de variabelen in het operationele model analyseert wordt, duidelijk dat een groot deel van de variabelen echter bepaald wordt door veranderingen op macro economisch niveau. De verwachting is dan ook aanwezig dat de ontwikkeling van deze variabelen veelal geen directe invloed vertonen met de ontwikkeling van de leegstand. Het operationele model dient daarom gereduceerd te worden tot een model dat toepasbaar is voor het uitvoeren van het empirische onderzoek. In de analyse is naar voren gekomen dat de variabelen bouwkosten, rente, belasting, economische en demografische variabelen naar verwachting alleen macro-economische dynamiek vertonen en om die reden geen directe invloed hebben op lokaal niveau. Deze variabelen zijn daarom buiten de analyse gelaten. Verder zijn huurprijs en voorraad belangrijke locatie variabelen die van invloed zijn op de ontwikkeling van de dynamiek. Omdat de voorraadcijfers niet beschikbaar waren voor de genoemde periode is de ontwikkeling van de voorraad daarom buiten de analyse gelaten. De ontwikkeling van de huurprijs is ook een belangrijke inputvariabele voor het onderzoek. De dynamiek van de huurprijs wordt in de huidige markt echter vertroebeld door de transparante totstandkoming van de netto huurprijzen. De huidige kantoorruimtetransacties kenmerken zich door de aanwezigheid van incentives die in een grote discrepantie tussen de bruto en netto huurprijzen resulteren. De huurprijsontwikkeling in publicaties worden veelal als bruto prijzen weergegeven. Netto huurprijzen zijn in de meeste gevallen niet beschikbaar op lokaal niveau. De variabele huurprijs wordt daarom ook niet in de analyse opgenomen. Door het wegvallen van bovenstaande variabelen worden de BAR en de opname op lokaal niveau, gezien als de belangrijkste verklarende variabelen voor de dynamiek van de leegstand. Deze variabelen worden daarom dus wel opgenomen in het empirische onderzoek. Zijn de verschillen in omvang van de leegstand tussen de 40 kantoorlocaties in de afgelopen 15 jaar toe- of afgenomen? Bij het uitvoeren van het onderzoek is d.m.v. het berekenen van de variatiecoëfficiënten onderzocht hoe de spreiding van de omvang van de leegstand in de markt is verdeeld. De variatiecoëfficiënt toont de standaarddeviatie ten opzichte van het rekenkundige gemiddelde. Een toename van de variatiecoëfficiënt van de leegstand duidt dus op een toename van de spreiding van de omvang van de leegstand in de markt.

In het onderzoek is tussen 1995 en 2009 gevonden dat de ontwikkeling van de variatiecoëfficiënten een daling vertonen. Dit duidt op een daling van de spreiding van de omvang van de leegstand. Dit is een opmerkelijke conclusie, omdat in het rapport van DTZ Zadelhoff juist wordt vermeld dat er een

52

groeiende kloof in de kantorenmarkt ontstaat, waarin het onderscheid tussen courante en incourante kantoorruimte toeneemt. De bevindingen van dit onderzoek kunnen deze conclusie uit het onderzoeksrapport dus niet bevestigen. De dalende trend van de variatiecoëfficiënten wordt voor een deel verklaard doordat de locaties met de grootste leegstand, de Snelweglocaties, al in 2001 - 2005 sterk zijn verruimd. Na die periode is de toename van de leegstand in die gebieden afgevlakt. Op de andere locaties vindt juist vanaf 2007 een toename van de groei van de leegstand plaats. Met als gevolg dat de totale gemiddelde leegstand over alle locatietypen gezien stijgt. De verschillen in de omvang van de leegstand, weergegeven door variatiecoëfficiënten, vertonen daarom een dalende trend.

Daarnaast hebben de variatiecoëfficiënten van de groei van de leegstand nog een interessante waarneming opgeleverd. In 2005 tot 2007 vindt een piek van de variatiecoëfficiënten plaats, die aantonen dat er een toename van het verschil in groei van de leegstand plaatsvindt tussen de locaties. Dit wordt verklaard door enerzijds een toename van de vraag naar kantoorruimte en anderzijds een afname van de gemiddelde leegstand. Gemiddeld gezien nemen de verschillen in de groei van de leegstand tussen de locaties dus toe. Dit kan duiden op een selectieve gebruikersmarkt.

Bestaat er per locatie een correlatie tussen de ontwikkeling in de tijd van enerzijds de omvang van de leegstand en anderzijds het bruto aanvangsrendement?

In het onderzoek is verondersteld dat een correlatie tussen rendement en leegstand een indicatie kan zijn voor de aanwezigheid van speculatieve ontwikkelingsmotieven. Indien de ontwikkeling van het rendement een invloed heeft op de ontwikkeling van de leegstand, wordt dat toegeschreven aan deze speculatieve motieven.

In het operationele model is naar voren gekomen dat de BAR als proxy gehanteerd kan worden voor het rendement op vastgoed. Indien de ontwikkeling van de BAR een correlatie vertoont met de ontwikkeling van de leegstand wordt dit gezien als een relatie tussen leegstand en rendement.

Bij de toetsen die zijn uitgevoerd op zowel landelijk, regionaal als gebiedspecifiek niveau is er geen significante correlatie gevonden tussen rendement en leegstand. Op basis van de resultaten wordt daarom geen indicatie gevonden dat de ontwikkeling van het rendement een verklaring biedt voor de waargenomen dynamiek van de leegstand. Het uitblijven van een resultaat zou een gevolg kunnen zijn van dat rendement geen lokaal verklarend vermogen bezit. Ondanks dat in het onderzoek rekening is gehouden met een verschil in BAR tussen de Randstad en het buitenrandstedelijk gebied, is het mogelijk dat de BAR geen geschikte variabele is om de dynamiek van de leegstand te verklaren. Dit wordt veroorzaakt doordat de BAR doordat in dit geval te veel beïnvloed wordt door macro-economische omstandigheden. Daarnaast is in het

53

conceptuele model een relatie gevonden tussen de BAR en de voorraad. Doordat de voorraadcijfers niet beschikbaar waren voor dit onderzoek kan dit achteraf een verklaring zijn voor het ontbereken van een geïdentificeerde statistische relatie. Op basis van het onderhavige onderzoek, kan de relatie tussen het rendement en de leegstand in het operationele conceptuele model niet bevestigd worden. Bestaat er per locatie een correlatie tussen de ontwikkeling in de tijd van enerzijds de omvang van de leegstand en anderzijds de omvang van de opname? In het onderzoek is verondersteld dat een correlatie tussen opname en leegstand een indicatie kan zijn voor de aanwezigheid van economische veroudering. Indien de ontwikkeling van de opname van invloed is op de ontwikkeling van de leegstand wordt dat meestal toegeschreven aan de veranderende wensen van gebruikers. In het onderzoek is deze relatie op landelijk, regionaal en het niveau van de gebiedsspecifieke locaties onderzocht en getoetst. In het onderzoek kwam naar voren dat er zowel op landelijk als op regionaal niveau geen sprake was van significante correlaties. In tegenstelling tot het landelijk en regionaal niveau is er wel in beperkte mate een significante correlatie gevonden voor de relatie tussen de opname van kantoorruimte en de leegstand van kantoorruimte. Dit indiceert dat er tussen opname en leegstand op gebiedsspecifiek niveau een relatie aanwezig is. Ondanks dat er significante relaties zijn geïdentificeerd tussen opname en leegstand op specifieke gebiedsniveaus, is er geen bewijs gevonden voor de bewering dat gebruikers tussen gebieden verhuizen. Op basis van de resultaten kan worden geconcludeerd dat de getoonde relatie tussen opname en leegstand in het operationele conceptuele model bestaat. Er is echter geen bewijs gevonden voor het bestaan van een relatie die ook daadwerkelijk duidt op een verschuiving van de vraag tussen de gebieden.

In hoeverre bestaat er in de periode 1995 - 2009 tussen typen kantoorlocaties in acht Nederlandse stadsregio’s in toenemende mate een verschil in omvang van de leegstand en in welke mate hangt de ontwikkeling van deze verschillen samen met de ontwikkeling van het bruto aanvangsrendement aan de aanbodzijde en die van de opname aan de vraagzijde van de kantoorruimtemarkt? Op basis van het uitgevoerde onderzoek in de onderhavige studie is gevonden dat de verschillen in de omvang van de leegstand tussen de verschillende gebieden afnemen. Indien men rekening houdt met een segmentatie naar specifieke gebiedskenmerken, heeft de leegstand op de kantorenmarkt een convergerende beweging vertoond. Naar aanleiding van de bevindingen uit dit onderzoek kan geconcludeerd worden dat er op de Nederlandse kantorenmarkt geen harde significante correlaties bestaan tussen enerzijds de omvang van de leegstand en anderzijds de vraag (opname) en het rendement (BAR). Dit wordt ten dele verklaard doordat de kantorenmarkt een zeer lokale markt is, maar ook doordat de vraag en het

54

aanbod zich binnen de verschillende locatietypen en de stadsregio’s zich heel verschillend ontwikkelen. De bevindingen in dit onderzoek ondersteunen dan ook de bewering dat leegstand op de Nederlandse kantorenmarkt een zeer lokaal gedreven fenomeen is .

55

9. Bibliografie

Able, A., Blanchard, O. (1986), “The Present value of profits and cyclic movements in Investments.” Econometrica, 54, pp 249-273. Atzema, O., Lambooy, J., Van Rietbergen, T., (2002). “Ruimtelijke Economische Dynamiek, Kijk op bedrijfslocaties en regionale ontwikkeling.” Uitgeverij Coutinho. De Baaij, J. (2003). “Serviced Offices: Een verklaring, beschrijving en voorspelling van een nieuw concept.” Universiteit Utrecht Birch, D.L.(1986). “American Office Needs: 1985-1995.” Chicago: Arhtuer & Co., 1986

Clapp., J.M. (1993) “ Dynamics of Office Markets; Empirical findings and Research Issues”. The Urban Institute Press. Washington DC.

De Heer, P.A. (2009). “Optimaal beleggen vanuit locatievoorkeur: Over fondsbeleggen met diversificatiestrategieën in een bereikbaarheidscontext.” Amsterdam School of Real Estate. Duwolf, G., De Jonge, H.(1994). “Toekomst van de kantorenmarkt”. TU Delft: Vakgroep Bouwmanagement & Vastgoedbeheer, 1994. DTZ Zadelhoff v.o.f. 2010. “Het aanbod veroudert: De Nederlandse markt voor kantoorruimte.”

Enders, W., (1995), “ Applied Econometric Time Series”, John Wiley & Sons, Inc

Economische Verkenning 2011-2015 CPB Document No 203, maart 2010. Geltner, D., Miller, N., (2007). “Commercial Real Estate, Analysis and Investments.” Uitgever: SouthWestern. Grenadier, S. (1995).” The persistance of Real Estate Cycles”. Journal of Real Estate Finance and Economics, 10,2 pp 95-121. Greve, M.A. (2008). “Zicht op de Zuidas: een kwantitatieve analyse van exposure verlies bij het dokmodel Zuidas.” Amsterdam School of Real Estate. Hakfort, J.R., Lie, R.T., Romijn, G., (1996). “ A Model for Demand of Office space per worker.” Tinberg Institute Rotterdam. Vrije Universiteit.

56

Hart, O., Moor, J.,(1994). “A Theory of Debt Based on the Inalienability of Human Capital”. Quartely Journal of Economics, 109, 1994, 841-879. Henderhoot, P.H., Lizieri, C.M., Matysiak, G.A., (1991). “ The working of London Office Market.” Real Estate Economics, 27:2, p.p. 365-387. Hess, R.C., (2007)., “ The U.S. Office Market: flirting with equilibrium”. Real Estate Finance Journal, 5:15 p.p. 5-15. Hekman, J.S., (1985)., “Rental Price Adjustment and Investment in Office Markets”, Journal of the America Real Estate and Urban Economics Association, 1985, 13:1, 32-47. Hilbers, H (2009). “Mobiliteit beïnvloeden met ruimtelijk beleid: Openbaar vervoeraanbod of prijsbeleid. Doen of niet doen?” Planbureau voor leefomgeving Hayashi, F., (1982). “Tobin’s margin and average q: a neoclassical interpretations”, Econometrica, 50, 1982, 213-224. Howland, M., Wessels, D.S., (1994). “Projecting Suburban Office Space Demand: Alternative Estimates of Employment in Offices.” The Journal of Real Estate Research, 9:3, p.p. 369-389.

Jansen, J. ( 2009). “Segmentatie van kantoorgebruikers op basis van bedrijfsstijl: Een methodiek om de omvang en de kwaliteit van de vraag op elkaar aan te laten sluiten.” Rijksuniversiteit Utrecht. Jennen, J. (2008). “Empirical Essays on Office Market Dynamics.” Proefschrift Erasmus University Rotterdam Kalk, E. (2010). “Nieuw leven voor meer gebouwen, hergebruik kan sneller en beter.” Amsterdam: Stichting Agora Europa. Keeris, W. (2007). “Gelaagdheid in leegstand.” In: Voordt, T. Van der (red.), R. Geraedts, H. Remøy & C. Oudijk (2007). “Transformatie van kantoorgebouwen. Thema’s, actoren, instrumenten en projecten.” Rotterdam: Uitgeverij 010: 204-211. Korteweg, P.J. (2002). “Veroudering van kantoorgebouwen. Probleem of uitdaging?” Utrecht: KNAG. Kruijt, B., Needham, B., Satumalay, R. (1993). “Dynamic Market Theory: an evidence from the Office market in the Netherlands and Amsterdam.” Amsterdam School of Real Estate.

57

Maisel, S.J., (1989). “Demand for Office Space, Working Paper 89-161”. Berkeley, California: Center for Real Estate and Urban Economics, 1989. Martens,. K. Vakgroep Planologie. Oktober 1996. ABC-locatiebeleid in de praktijk. De rol van gemeenten, provincies en Inspecties Ruimtelijke Ordening in de doorwerking van het ABClocatiebeleid in strategisch beleid en operationele beslissingen. Meurs, E., (2009). “Vitale oude knarren; mogelijkheid of Utopie?, Studie naar de toegevoegde waarde van een dynamische benadering op de veroudering van bedrijventerreinen.” Universiteit Utrecht, afdeling. Melizia, E.E. (1991). “Forecasting Demand for Commercial Real Estate Based on the Economic Fundamentals of U.S. Metro Markets”, Journal of Real Estate Research, fall 1991, 6:3, pp 251-265. Muller, R.G. (2008). “De Amsterdamse transformatiemarkt, opbrengstgeneratoren en transformatiepotentie”, Masterscriptie, Technische Universiteit Delft.

Ministerie van Volkshuisvesting, Ruimtelijke Ordering en Milieubeheer. Oktober 1990. Het juiste bedrijf op de juiste locatie.

Ministerie van Volkshuisvesting, Ruimtelijke Ordering en Milieubeheer. Mei 1990. Geleiding van de mobiliteit door locatiebeleid voor bedrijven en voorzieningen. Neecke, A (2007). “Klantenbinding bij kantoorhuurders: Kwaliteitsverhoging van kantoorruimte als middel om huurders te binden.” Technische Universiteit Delft Parker, J.R., (1989). “Characteristics of New Corporate Faciliy Investments”, Corporate Management 158:3, June 1989, 25-27. Pyhrr, S.A., Roulac, S.E., Born, W.L., (1999). “ Real Estate Cyclus and Their Strategic Implications for Investors and Portfolio Managers in the Global Economy.” Journal of Real Estate Research, 18:1, p.p. 7-68. Prichett, C.P., “Forecasting the Impact of Real Estate Cycles on Investment”, Real Estate Review, 13:4, 85-89. Rabiansky, J., (2004). “ Office Market Demand Analysis.” Real Estate Revieuw, Summer 2004, p.p. 16-33.

58

Remøy, H.T. (2010). “Out of Office, a study on the cause of office vacancy and transformation as a means to cope and prevent.” Delft: Delft University Press.

Rotterdam Ruimtelijk Planbureau (2007), “Verhuizingen van bedrijven en groei van werkgelegenheid.” Den Haag: Nai Uitgevers. Rosen, K.T., (1984)., “Toward a model of the office building sector”, Journal of the American Real Estate an Urban Economics Associaition, 12:3, pp. 261-269. Sanderson, B., Farrelly, K., Thoday, C., (2005). “ Natural Vancancy rates in Global Office Market”. Journal of Property Investment and Finance. 24:6, p.p. 490-520. Schilton, L., (1994). “ The Eight myths of Office Demand forecasting.” Real Estate Finance Journal, Winter 1994, p.p. 67-72. Schütte A., Schoonhoven P., Dolmans- Budé (2002). “Commercieel Vastgoed, Utrecht: Berenschot Osborne B.V./ Elsevier bedrijfsinformatie bv.” SER 1988. De Vierde nota Ruimtelijke Ordening.

SER 21 september 2001. “De Vijfde Nota Ruimtelijke Ordening”. SER, 16 februari 2001. Nationale Verkeers- en Vervoerplan 2001- 2020.

Van Gool, P., Brounen, D. Jager, P., Weisz, R.M., (2007) “Onroerend goed als belegging” Wolterse

Noordhoff, 4 druk. Van Dijk, B.P., (2009). “Tweedeling in de kantorenmarkt”. Amsterdam School of Real Estate.

Van Oort, F., Ponds, R., Van Vliet, J., Van Amsterdam, J., Declerck, S., Knoben, J., Pellenbarg, P.H., & Weltevreden, J., (2007). “Achtergronden: Verhuizen van bedrijven en groei van werkgelegenheid.” Rotterdam/Den Haag: NAI/Ruimtelijke Planbureau. Van Wonderen, N (2008). “Regiokantoren: Een indicatie van de groeivoet van de huur en waarde van kantoren.” Amsterdam School of Real Estate.

Wheaton, W.C. Torto, R.G., Evans, P., (1997). “ The cyclical behavior of the Greater London Office Market.” Journal of Real Estate Finance and Economics, 15:1, p.p. 77-92.

Wheaton, W.C., Torto, R.G., (1992), “Office Rent Indices and their Behavior over time.” Massachusetts Institute of Technology.

59

Wheaton & Torto (1988). “ Vacancy Rates and Future of Office Rents.” AREURA Journal 16:4, pp 430-436. Wheaton, W.C., (1985). “ The National Office market History and Future Prospects, III: Federal Taxes and the Supply of Office Space”. Departments of Economics an Urban Planning Massachusetts. Institute of Technology. Wheaton, W.C., (1986). “ The National Office Market: History and Future Prospects, II” Departmens of Economics, University of Massachusetts. Zuidema, M., Elp, M. van (2010). “Kantorenleegstand. Probleemanalyse& oplossingsrichtingen”., Amsterdam: Economisch Instituut voor de Bouw.

60

Bijlage 1 - Leegstand op de kantorenmarkt per stadsregio, uitgesplitst naar locaties op basis van bereikbaarheid (Bron : DTZ Zadelhoff) Leegstand Amsterdam

Leegstand Arnhem

Leegstand Breda

Leegstand Den Haag

61

Leegstand Eindhoven

Leegstand Rotterdam

Leegstand Utrecht

Leegstand Zwolle

62

Bijlage 2 – Soorten leegstand per 2009 op de kantorenmarkt per stadsregio, uitgesplitst naar locaties op basis van bereikbaarheid (Bron : DTZ Zadelhoff)

Soorten leegstand Amsterdam

Soorten leegstand Arnhem

Soorten leegstand Breda

Soorten leegstand Utrecht

63

Soorten leegstand Rotterdam

Soorten leegstand Eindhoven

Soorten leegstand Den Haag

Soorten leegstand Zwolle

64

Bijlage 3 - Opname op de kantorenmarkt per stadsregio, uitgesplitst naar locaties op basis van bereikbaarheid (Bron : DTZ Zadelhoff) Opname Amsterdam

Opname Arnhem

Opname Breda

Opname Den Haag

65

Opname Eindhoven

Opname Rotterdam

Opname Utrecht

Opname Zwolle

66

Bijlage 4 – Overzicht van boxplot van de acht steden met daarin de outliers Figuur met outliers Amsterdam

Figuur met outliers Arnhem

Figuur met outliers Breda

Figuur met outliers Den Haag

67

Figuur met outliers Eindhoven

Figuur met outliers Rotterdam

Figuur met outliers Utrecht

Figuur met outliers Zwolle

68

Bijlage 5.1 – Resultaten Dickey-Fuller test Amsterdam a

Model

1

Coefficients Unstandardized Coefficients B Std. Error 1,033 ,490 -1,255E-5 ,000

(Constant) LEEGSTAND_ADAM_ 1 a. Dependent Variable: DELTA_ADAM_1 Model

1

1

1

1

Standardized Coefficients Beta

t 1,734 -1,253

Sig. ,108 ,234

-,340


t 1,917 -1,271

Sig. ,079 ,228

-,344

t 1,516 -1,214

Sig. ,155 ,248

t 2,506 -2,122

Sig. ,028 ,055

a

oefficients Unstandardized Coefficients B Std. Error ,428 ,282 -2,055E-6 ,000


Sig. ,057 ,089

a

Coefficients Unstandardized Coefficients B Std. Error ,480 ,250 -1,139E-6 ,000


-,471

t 2,107 -1,848

a

Coefficients Unstandardized Coefficients B Std. Error ,710 ,410 -1,473E-6 ,000



Standardized Coefficients Beta -,331

a

Coefficients Unstandardized Coefficients B Std. Error 2,488 ,993 -4,793E-5 ,000

(Constant) LEEGSTAND_ADAM_ 5 a. Dependent Variable: DELTA_ADAM_5

69


Bijlage 5.2 – Resultaten Dickey-Fuller test Arnhem a

Coefficients Model

1

Unstandardized Coefficients B Std. Error ,296 ,148 -3,724E-6 ,000

(Constant) LEEGSTAND_ARNHEM _1 a. Dependent Variable: DELTA_ARNHEM_1


t 2,005 -1,142

Sig. ,068 ,276

t 1,671 -1,273

Sig. ,121 ,227

t 2,014 -1,450

Sig. ,069 ,175

t 2,193 -1,952

Sig. ,049 ,075

t 2,387 -1,859

Sig. ,034 ,088

a

Coefficients Model

1

Unstandardized Coefficients B Std. Error 3,082 1,844 ,000 ,000



a

Coefficients Model

1




a

Coefficients Model

1

Unstandardized Coefficients B Std. Error 1,144 ,522 -4,013E-5 ,000



a

Coefficients Model

1

Unstandardized Coefficients B Std. Error 3,148 1,319 ,000 ,000


70


Bijlage 5.3 – Resultaten Dickey-Fuller test Breda a

Coefficients Model

1


(Constant) LEEGSTAND_BREDA_ 1 a. Dependent Variable: DELTA_BREDA_1


t 2,566 -1,546

Sig. ,025 ,148

t 1,391 -1,052

Sig. ,190 ,313

t 2,311 -1,706

Sig. ,039 ,114

t 2,674 -2,572

Sig. ,020 ,024

t 2,429 -1,857

Sig. ,032 ,088

a

Coefficients Model

1

Unstandardized Coefficients B Std. Error 1,418 1,019 -6,286E-5 ,000



a

Coefficients Model

1




a

Coefficients Model

1




a

Coefficients Model

1



71


Bijlage 5.4 – Resultaten Dickey-Fuller test Den Haag a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) ,437 ,242 LEEGSTAND_DENHAA -8,385E-6 ,000 G_1 a. Dependent Variable: DELTA_DENHAAG_1 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) 1,117 ,524 LEEGSTAND_DENHAA -1,153E-5 ,000 G_2 a. Dependent Variable: DELTA_DENHAAG_2 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) 2,238 1,340 LEEGSTAND_DENHAA -1,066E-5 ,000 G_3 a. Dependent Variable: DELTA_DENHAAG_3 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) ,663 ,236 LEEGSTAND_DENHAA -5,484E-6 ,000 G_4 a. Dependent Variable: DELTA_DENHAAG_4 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) ,724 ,383 LEEGSTAND_DENHAA -2,332E-5 ,000 G_5 a. Dependent Variable: DELTA_DENHAAG_5

72






t 1,808 -1,523

Sig. ,096 ,154

t 2,132 -1,379

Sig. ,054 ,193

t 1,671 -1,167

Sig. ,121 ,266

t 2,806 -2,749

Sig. ,016 ,018

t 1,889 -1,235

Sig. ,083 ,240

Bijlage 5.5 – Resultaten Dickey-Fuller test Eindhoven a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) ,883 ,295 LEEGSTAND_EINDHOV -2,406E-5 ,000 EN_1 a. Dependent Variable: DELTA_EINDHOVEN_1 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) ,047 ,187 LEEGSTAND_EINDHOV 1,540E-5 ,000 EN_2 a. Dependent Variable: DELTA_EINDHOVEN_2 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) ,509 ,306 LEEGSTAND_EINDHOV -4,368E-6 ,000 EN_3 a. Dependent Variable: DELTA_EINDHOVEN_3 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) ,543 ,265 LEEGSTAND_EINDHOV -1,056E-5 ,000 EN_4 a. Dependent Variable: DELTA_EINDHOVEN_4 Coefficients

-,622


t 2,992 -2,754

t ,249 ,748

Sig. ,808 ,469

t 1,664 -1,179

Sig. ,122 ,261

t 2,047 -1,914

Sig. ,063 ,080

,211



Sig. ,011 ,017

a

Model

Standardized Unstandardized Coefficients B

1


(Constant) LEEGSTAND_EINDHOVEN

Std. Error 2,789

1,685

,000

,000

_5 a. Dependent Variable: DELTA_EINDHOVEN_5

73

Coefficients Beta

t

-,338

Sig.

1,655

,124

-1,244

,237

Bijlage 5.6 – Resultaten Dickey-Fuller test Rotterdam a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) ,548 ,354 LEEGSTAND_Rotterdam -7,452E-6 ,000 _1 a. Dependent Variable: DELTA_Rotterdam_1 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) 1,292 ,514 LEEGSTAND_Rotterdam -4,661E-5 ,000 _2 a. Dependent Variable: DELTA_Rotterdam_2 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) ,320 ,196 LEEGSTAND_Rotterdam -2,277E-6 ,000 _3 a. Dependent Variable: DELTA_Rotterdam_3 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) ,888 ,369 LEEGSTAND_Rotterdam -8,949E-6 ,000 _4 a. Dependent Variable: DELTA_Rotterdam_4 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) ,601 ,491 LEEGSTAND_Rotterdam -7,076E-5 ,000 _5 a. Dependent Variable: DELTA_Rotterdam_5

74






t 1,546 -1,416

Sig. ,148 ,182

t 2,511 -1,828

Sig. ,027 ,093

t 1,637 -1,198

Sig. ,128 ,254

t 2,407 -2,023

Sig. ,033 ,066

t 1,223 -1,033

Sig. ,245 ,322

Bijlage 5.7 – Resultaten Dickey-Fuller test Utrecht a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) 1,065 ,466 LEEGSTAND_Utrecht_ -2,262E-5 ,000 1 a. Dependent Variable: DELTA_Utrecht_1 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) -,077 ,081 LEEGSTAND_Utrecht_ 3,007E-6 ,000 2 a. Dependent Variable: DELTA_Utrecht_2 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) ,514 ,314 LEEGSTAND_Utrecht_ -2,241E-6 ,000 3 a. Dependent Variable: DELTA_Utrecht_3 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) 1,092 ,520 LEEGSTAND_Utrecht_ -1,337E-5 ,000 4 a. Dependent Variable: DELTA_Utrecht_4 a Coefficients Model Unstandardized Coefficients B Std. Error 1 (Constant) 7,545 3,442 LEEGSTAND_Utrecht_ ,000 ,000 5 a. Dependent Variable: DELTA_Utrecht_5

75


Standardized Coefficients Beta ,049




t 2,286 -2,031

Sig. ,041 ,065

t -,951 ,169

Sig. ,360 ,868

t 1,636 -1,000

Sig. ,128 ,337

t 2,098 -1,960

Sig. ,058 ,074

t 2,192 -1,860

Sig. ,049 ,088

Bijlage 5.8 – Resultaten Dickey-Fuller test Zwolle Coefficientsa Model

1

(Constant) LEEGSTAND_Zwolle_1 a. Dependent Variable: DELTA_Zwolle_1










t 1,542 -1,305

Sig. ,149 ,216


t 1,867 -1,388

Sig. ,087 ,191


t 2,131 -1,950

Sig. ,054 ,075

Coefficientsa

Model

1

Sig. ,001 ,008

Coefficientsa

Model

1

4,105 -3,200

Coefficientsa

Model

1

-,679

t

Coefficientsa

Model

1


Unstandardized Coefficients B Std. Error -,073 ,237 3,057E-6 ,000

76

Standardized Coefficients Beta ,134

t -,307 ,467

Sig. ,764 ,649

Bijlage 6.1 Overzicht van normaliteitstoetsen van op “landelijk”niveau Tests of Normality Kolmogorov-Smirnova Statistic df Sig. L_Station ,178 14 ,200* L_Station_Snelweg ,281 14 ,004 L_Snelweg ,311 14 ,001 L_Binnenstedelijk ,116 14 ,200* L_Buitenstedelijk ,334 14 ,000 a. Lilliefors Significance Correction *. This is a lower bound of the true significance.

77

Statistic ,951 ,723 ,824 ,958 ,653

Shapiro-Wilk df 14 14 14 14 14

Sig. ,572 ,001 ,010 ,691 ,000

Bijlage 6.2 - Resultaten normaliteitstoetsen op stadsregionaal niveau Tests of Normality Shapiro-Wilk A_ADAM_1 A_ADAM_2 A_ADAM_3 A_ADAM_4 A_ADAM_5 A_ADAM_TV A_ARN_1 A_ARN_2 A_ARN_3 A_ARN_4 A_ARN_5 A_ARN_TV A_BRE_1 A_BRE_2 A_BRE_3 A_BRE_4 A_BRE_5 A_BRE_TV A_DH_1 A_DH_2 A_DH_3 A_DH_4 A_DH_5 A_DH_TV A_EIND_1 A_EIND_2 A_EIND_3 A_EIND_4 A_EIND_5 A_EIND_TV A_ROT_1 A_ROT_2 A_ROT_3 A_ROT_4 A_ROT_5 A_ROT_TV A_UTR_1 A_UTR_2 A_UTR_3 A_UTR_4 A_UTR_5 A_UTR_TV A_Zwolle_1 A_Zwolle_2 A_Zwolle_3 A_Zwolle_4 A_Zwolle_5 A_Zwolle_TV

Statistic ,842 ,852 ,845 ,952 ,974 ,860 ,872 ,941 ,956 ,968 ,928 ,907 ,890 ,887 ,911 ,984 ,897 ,901 ,946 ,844 ,775 ,944 ,936 ,911 ,949 ,790 ,901 ,889 ,943 ,898 ,837 ,851 ,929 ,929 ,925 ,896 ,946 ,521 ,780 ,921 ,906 ,822 ,905 ,932 ,900 ,968 ,911 ,923

df 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15

Noraal Verdeeld Sig. ,013 ,018 ,015 ,562 x ,918 x ,024 ,036 ,401 x ,622 x ,834 x ,255 x ,123 x ,067 x ,060 x ,141 x ,989 x ,085 x ,100 x ,465 x ,014 ,002 ,436 x ,330 x ,139 x ,516 x ,003 ,097 x ,066 x ,416 x ,088 x ,011 ,018 ,267 x ,265 x ,226 x ,083 x ,460 x ,000 ,002 ,199 x ,116 x ,007 ,112 x ,297 x ,095 x ,824 x ,139 x ,217 x

78

Net normaal verdeeld x x x

x x

x x

x

x x

x x

x

Bijlage 7.1 – Correlatiematrix van BAR en leegstand “ landelijk” niveau Leegstand_totaal_relatie f Spearman's rho

BAR_A

BAR_B

BAR_A_1y

BAR_B_1y

BAR_A_2y

BAR_B_2y

BAR_A_Buiten

BAR_B_Buiten

BAR_A_Buiten_1y

BAR_B_Buiten_1y

BAR_A_Buiten_2y

BAR_B_Buiten_2y

Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N

79

-,022 ,940 14 ,121 ,680 14 ,121 ,693 13 ,179 ,558 13 ,277 ,383 12 ,519 ,084 12 ,163 ,577 14 ,265 ,359 14 ,041 ,893 13 ,285 ,345 13 ,165 ,608 12 ,328 ,298 12

Bijlage 7.2 – Correlatiematrix van BAR en leegstand “ landelijk” niveau met een onderverdeling naar locatietype

Pearson Correlation Spearman's rho L_Station

Spearman's rho

BAR_A

,016

L_Station_Snelweg ,086

Sig. (2-tailed)

,956 14

BAR_B Sig. (2-tailed)

Pearson Correlation Spearman's rho ,053

L_Binnenstedelijk ,037

L_Buitenstedelijk ,145

,770

,858

,899

,620

14

14

14

14

,019

,189

-,088

,202

,242

,949

,517

,765

,489

,404

14

14

14

14

14

BAR_A_1y

,262

,171

-,047

,315

-,025

Sig. (2-tailed)

,387

,577

,879

,294

,936

13

13

13

13

13

BAR_B_1y

,269

-,033

,331

,464

,149

Sig. (2-tailed)

,374

,915

,270

,110

,628

13

13

13

13

13

BAR_A_2y

,077

,151

,274

,315

,611

Sig. (2-tailed)

,813

,640

,389

,319

,035

12

12

12

12

12

BAR_B_2y

,333

,604

,288

,262

,277

Sig. (2-tailed)

,290

,250

,364

,411

,383

12

12

12

12

12

BAR_A_Buiten

,123

,170

-,075

,314

,280

Sig. (2-tailed)

,674

,562

,799

,274

,332

14

14

14

14

14

BAR_B_Buiten

,194

,248

,044

,362

,373

Sig. (2-tailed)

,507

,394

,881

,203

,188

14

14

14

14

14

BAR_A_Buiten_1y

,097

-,102

,077

,345

,058

Sig. (2-tailed)

,753

,740

,802

,248

,851

13

13

13

13

13

BAR_B_Buiten_1y

,285

,116

,290

,425

,149

Sig. (2-tailed)

,345

,705

,336

,148

,626

13

13

13

13

13

BAR_A_Buiten_2y

,024

,250

,267

,069

,295

Sig. (2-tailed)

,941

,434

,401

,832

,351

12

12

12

12

12

BAR_B_Buiten_2y

,267

,346

,430

,033

,226

Sig. (2-tailed)

,401

,271

,163

,920

,480

12

12

12

12

12

N

N

N

N

N

N

N

N

N

N

N

N

80

L_Snelweg

Bijlage 8.1 - Correlatiematrix van BAR en leegstand Amsterdam Spearman's rho

Spearman's rho

Spearman's rho

Pearson Correlation

Pearson Correlation

Leegstand_Adam_1 ,044


Leegstand_Adam_3 -,118

Leegstand_Adam_4 -,024


Sig. (2tailed) N

,881

,988

,688

,934

,655

14

14

14

14

14

BAR_B

,055

,117

-,111

-,008

,152

Sig. (2tailed) N

,852

,691

,704

,978

,603

14

14

14

14

14

BAR_A_1y

,006

-,006

,066

,304

-,031

Sig. (2tailed) N

,986

,986

,830

,312

,919

13

13

13

13

13

BAR_B_1y

,386

,069

,396

,504

-,028

Sig. (2tailed) N

,192

,823

,180

,079

,927

BAR_A

BAR_A_2y Sig. (2tailed) N BAR_B_2y Sig. (2tailed) N

13

13

13

13

13

-,104

,204

,188

,325

-,096

,748

,526

,558

,302

,767

12

12

12

12

12

-,411

,330

,245

,226

-,084

,184

,295

,443

,479

,795

12

12

12

12

12

81

Bijlage 8.2 - Correlatiematrix van BAR en leegstand Arnhem Spearman's rho BAR_A_Buiten Sig. (2-tailed)

Pearson Correlation Pearson Correlation Pearson Correlation Pearson Correlation

Leegstand_Arnhem_1 Leegstand_Arnhem_2 Leegstand_Arnhem_3 Leegstand_Arnhem_4 Leegstand_Arnhem_5 -,071 -,093 ,172 ,185 ,053 ,811

,752

,557

,526

14

14

14

14

14

-,186

-,052

,225

,220

,138

,525

,861

,438

,449

,639

14

14

14

14

14

-,091

-,108

,395

,306

,273

,767

,727

,181

,309

,367

13

13

13

13

13

BAR_B_Buiten_1y

,091

-,049

,622

,417

,332

Sig. (2-tailed)

,767

,875

,250

,156

,268

13

13

13

13

13

BAR_A_Buiten_2y

,267

-,106

,194

-,017

,009

Sig. (2-tailed)

,401

,744

,546

,958

,977

12

12

12

12

12

BAR_B_Buiten_2y

,522

-,093

,220

,008

,098

Sig. (2-tailed)

,082

,774

,492

,980

,763

12

12

12

12

12

N BAR_B_Buiten Sig. (2-tailed) N BAR_A_Buiten_1y Sig. (2-tailed) N

N

N

N

82

,856

Bijlage 8.3 - Correlatiematrix van BAR en leegstand Breda Pearson Correlation BAR_A_B uiten Sig. (2tailed) N

Pearson Correlation

Pearson Correlation

Pearson Correlation

Pearson Correlation

Leegstand_Breda_1 -,022

Leegstand_Breda_2 ,317


Leegstand_Breda_4 ,159


,939

,270

,987

,588

,152

14

14

14

14

14

BAR_B_B uiten Sig. (2tailed) N

,108

,247

,068

,175

-,226

,712

,394

,817

,549

,438

14

14

14

14

14

BAR_A_B uiten_1y Sig. (2tailed) N

,021

,535

-,059

-,058

-,067

,946

,060

,848

,852

,827

13

13

13

13

13

BAR_B_B uiten_1y Sig. (2tailed) N

,316

,804

-,101

,166

-,016

,293

,250

,743

,588

,959

13

13

13

13

13


,303

,059

,094

-,037

-,146

,338

,856

,771

,910

,650

12

12

12

12

12


,125

,004

,219

-,001

-,031

,700

,991

,493

,998

,925

12

12

12

12

12

83

Bijlage 8.4 - Correlatiematrix van BAR en leegstand Den Haag

Pearson Correlation

Spearman's rho

Leegstand_DenHaag_1

Spearman's rho

Leegstand_DenHaag_2

Pearson Correlation

Leegstand_DenHaag_3

Pearson Correlation

Leegstand_DenHaag_4

Leegstand_DenHaag_5

BAR_A

-,256

-,315

-,025

-,191

,031

Sig. (2tailed) N

,378

,272

,931

,512

,917

14

14

14

14

14

BAR_B

-,064

-,176

-,234

,088

,216

Sig. (2tailed) N

,828

,547

,421

,764

,458

14

14

14

14

14

BAR_A_1y

,446

,548

,127

,411

-,022

Sig. (2tailed) N

,126

,052

,680

,163

,944

13

13

13

13

13

BAR_B_1y

,137

-,277

,425

,542

-,149

Sig. (2tailed) N

,656

,360

,148

,056

,626

13

13

13

13

13

BAR_A_2y

,259

,123

,264

,469

,156

Sig. (2tailed) N

,416

,703

,408

,124

,629

12

12

12

12

12

BAR_B_2y

,307

,466

,341

,299

,241

Sig. (2tailed) N

,332

,127

,278

,345

,450

12

12

12

12

12

84

Bijlage 8.5 - Correlatiematrix van BAR en leegstand Eindhoven

Pearson Correlation

Spearman's rho

Leegstand_Eindhoven_1

Pearson Correlation


Pearson Correlation


Pearson Correlation



BAR_A_B uiten Sig. (2tailed) N

-,095

,316

-,155

-,127

-,237

,746

,271

,597

,665

,415

14

14

14

14

14

BAR_B_B uiten Sig. (2tailed) N

-,049

,095

-,095

-,018

-,341

,869

,746

,747

,952

,233

14

14

14

14

14


,103

-,140

,055

,201

,179

,739

,648

,859

,511

,559

13

13

13

13

13


,221

-,251

,103

,291

,033

,468

,409

,737

,334

,914

13

13

13

13

13


-,081

,651

-,155

,064

-,476

,804

,250

,631

,844

,118

12

12

12

12

12


,094

,380

,011

,103

-,353

,771

,223

,974

,749

,260

12

12

12

12

12

85

Bijlage 8.6 - Correlatiematrix van BAR en leegstand Rotterdam

Spearman's rho

Spearman's rho

Pearson Correlation Pearson Correlation Pearson Correlation

Leegstand_Rdam_1 Leegstand_Rdam_2

Leegstand_Rdam_3

Leegstand_Rdam_4

Leegstand_Rdam_5

BAR_A

-,101

,441

,078

,047

,253

Sig. (2tailed) N

,730

,115

,790

,874

,383

14

14

14

14

14

BAR_B

-,040

,291

-,120

,113

,064

Sig. (2tailed) N

,893

,313

,683

,700

,827

14

14

14

14

14

BAR_A_1y

,006

-,127

-,010

-,104

,489

Sig. (2tailed) N

,986

,680

,975

,736

,090

13

13

13

13

13

-,276

-,427

-,234

-,536

,169

,362

,146

,441

,059

,581

BAR_B_1y Sig. (2tailed) N

13

13

13

13

13

-,109

-,235

,088

,025

,118

Sig. (2tailed) N

,736

,462

,786

,938

,714

12

12

12

12

12

BAR_B_2y

,626

,330

,544

,362

,469

Sig. (2tailed) N

,250

,295

,067

,247

,124

12

12

12

12

12

BAR_A_2y

86

Bijlage 8.7 - Correlatiematrix van BAR en leegstand Utrecht Pearson Correlation Spearman's rho

Spearman's rho

Leegstand_Utrecht_1

Leegstand_Utrecht_3

Leegstand_Utrecht_2

Pearson Correlation Pearson Correlation Leegstand_Utrecht_4

Leegstand_Utrecht_5

BAR_A

,035

.

,079

,081

-,069

Sig. (2tailed) N

,905

.

,788

,782

,814

14

14

14

14

14

BAR_B

-,028

.

-,099

,119

-,089

Sig. (2tailed) N

,925

.

,736

,686

,763

14

14

14

14

14

BAR_A_1y

,135

.

,011

,369

-,089

Sig. (2tailed) N

,659

.

,971

,215

,772

13

13

13

13

13

BAR_B_1y

,050

.

,433

,400

-,089

Sig. (2tailed) N

,872

.

,140

,175

,773

13

13

13

13

13

BAR_A_2y

,066

.

-,028

-,107

-,129

Sig. (2tailed) N

,839

.

,931

,741

,689

12

12

12

12

12

BAR_B_2y

,229

.

-,105

,003

-,075

Sig. (2tailed) N

,475

.

,745

,992

,817

12

12

12

12

12

87

Bijlage 8.8 - Correlatiematrix van BAR en leegstand Zwolle Pearson Correlation Pearson Correlation Pearson Correlation Pearson Correlation Pearson Correlation Leegstand_Zwolle_1

Leegstand_Zwolle_2

Leegstand_Zwolle_3

Leegstand_Zwolle_4

Leegstand_Zwolle_5

BAR_A_Buiten

-,082

,167

-,267

-,218

,339

Sig. (2-tailed)

,780

,569

,356

,455

,236

14

14

14

14

14

-,006

,292

-,192

-,264

,156

,985

,311

,511

,361

,594

14

14

14

14

14

-,092

-,066

-,196

-,080

-,002

,765

,831

,521

,795

,994

13

13

13

13

13

-,022

,214

-,137

-,037

,015

,944

,482

,655

,904

,961

13

13

13

13

13

-,231

-,022

-,071

-,404

,154

,470

,946

,827

,193

,634

12

12

12

12

12

-,130

-,017

-,016

-,238

,077

,688

,958

,960

,456

,812

12

12

12

12

12

N BAR_B_Buiten Sig. (2-tailed) N BAR_A_Buiten_1y Sig. (2-tailed) N BAR_B_Buiten_1y Sig. (2-tailed) N BAR_A_Buiten_2y Sig. (2-tailed) N BAR_B_Buiten_2y Sig. (2-tailed) N

88

Bijlage 9.1 – Correlatiematrix opname en leegstand “landelijk niveau”

e

Spearman's rho Opname_1 verschil Correlation Coefficient Sig. (2-tailed) N e Opname_1 Correlation Coefficient verschil_1y Sig. (2-tailed) N e Opname_1 Correlation Coefficient verschil_2y Sig. (2-tailed) N

89

Leegstand_totaal_relati ef -,160 ,584 14 -,181 ,553 13 -,196 ,542 12

Bijlage 9.2 – Correlatiematrix opname en leegstand “landelijk” niveau met onderverdeling in locatietype Pearson Correlation Spearman's rho L_Station

Spearman's rho

L_Binnenstedelijk -,105

L_Buitenstedelijk -,442

,864

,253

,722

,114

14

14

14

14

-,070

,095

-,020

-,022

-,468

,811

,748

,946

,940

,091

14

14

14

14

14

-,105

-,147

-,262

-,585

,029

,722

,615

,366

,250

,923

14

14

14

14

14

O_Binnenstedelijk

,034

,064

-,310

-,142

-,086

Sig. (2-tailed)

,908

,829

,281

,629

,771

14

14

14

14

14

O_Buitenstedelijk

,010

-,160

-,204

-,261

-,068

Sig. (2-tailed)

,972

,584

,483

,367

,817

14

14

14

14

14

O_Station_Y

-,245

-,440

-,302

-,184

-,071

Sig. (2-tailed)

,420

,133

,316

,548

,817

13

13

13

13

13

-,511

-,192

-,154

-,309

-,225

,075

,529

,616

,305

,459

13

13

13

13

13

O_Snelweg_Y

,144

,280

-,033

,075

-,220

Sig. (2-tailed)

,638

,354

,915

,808

,471

13

13

13

13

13

-,220

-,462

-,264

,028

-,582

,470

,112

,384

,928

,250

13

13

13

13

13

-,041

,016

-,209

,068

-,291

,895

,957

,494

,826

,334

13

13

13

13

13

O_Station_2Y

,020

,406

,049

-,039

,028

Sig. (2-tailed)

,950

,191

,880

,905

,931

12

12

12

12

12

O_Sation_Snelweg_2Y

,163

-,035

-,364

-,153

,385

Sig. (2-tailed)

,613

,914

,245

,635

,217

12

12

12

12

12

-,370

,392

,378

-,403

,210

,236

,208

,226

,194

,513

12

12

12

12

12

-,261

-,070

-,245

-,317

,538

,413

,829

,443

,315

,071

12

12

12

12

12

-,544

-,056

-,028

-,551

,161

,067

,863

,931

,063

,618

12

12

12

12

12

Sig. (2-tailed) N O_Station_Snelweg Sig. (2-tailed) N O_Snelweg Sig. (2-tailed) N

N

N

N O_Station_Snelweg_Y Sig. (2-tailed) N

N O_Binnenstedelijk_Y Sig. (2-tailed) N O_Buitenstedelijk_Y Sig. (2-tailed) N

N

N O_Snelweg_2Y Sig. (2-tailed) N O_Binnenstedelijk_2Y Sig. (2-tailed) N O_Buitenstedelijk_2Y Sig. (2-tailed) N

-,004 ,990 14

Pearson Correlation Spearman's rho -,327

O_Station

L_Station_Snelweg ,051

90

L_Snelweg

Bijlage 10 – Correlatiematrix opname en leegstand op regionaal niveau met onderverdeling in locatietype

Spearman's rho

Pearson Correlation Pearson Correlation Pearson Correlation Pearson Correlation Spearman's rho

Leegstand_Amsterdam Opname_Amsterdam

Leegstand_Arnhem

Leegstand_Breda

Leegstand_DenHaag Leegstand_Eindhoven

Pearson Correlation Pearson Correlation

Leegstand_Utrecht

Leegstand_Rotterdam

Leegstand_Zwolle

-,178

-,245

-,146

-,275

-,209

-,103

,268

,081

,543

,399

,619

,342

,473

,725

,354

,784

14

14

14

14

14

14

14

14

Opname_Arnhem

,112

-,136

,030

-,473

-,345

,037

-,418

,312

Sig. (2-tailed)

,703

,643

,920

,088

,227

,899

,137

,277

14

14

14

14

14

14

14

14

,007

-,229

,043

-,090

,067

-,077

,442

,456

,982

,431

,885

,760

,821

,114

,102

Sig. (2-tailed) N

N Opname_Breda Sig. (2-tailed) N Opname_DenHaag Sig. (2-tailed) N Opname_Eindhoven Sig. (2-tailed) N

,794

14

14

14

14

14

14

14

14

-,099

,042

,359

-,134

,200

-,108

-,090

,038

,737

,886

,207

,648

,492

,714

,759

,896

14

14

14

14

14

14

14

14

-,139

-,250

,171

-,413

,088

,009

,210

,662

,976

,471

,010

,637

,389

,558

,142

,764

14

14

14

14

14

14

14

14

Opname_Rotterdam

,106

-,223

-,117

-,206

-,359

-,178

,173

,243

Sig. (2-tailed)

,719

,443

,691

,480

,208

,542

,554

,403

14

14

14

14

14

14

14

14

-,200

,023

-,382

-,066

-,276

-,165

,429

-,222

N Opname_Utrecht Sig. (2-tailed) N Opname_Zwolle Sig. (2-tailed) N Opname_Amsterdam_1y Sig. (2-tailed) N

,493

,939

,178

,822

,339

,573

,126

,446

14

14

14

14

14

14

14

14

-,011

-,162

-,029

-,065

-,061

-,011

,231

-,069

,970

,580

,923

,824

,837

,970

,427

,815

14

14

14

14

14

14

14

14

-,011

,140

-,306

-,221

-,271

,187

-,369

-,081

,972

,649

,308

,469

,370

,541

,215

,793

13

13

13

13

13

13

13

13

Opname_Arnhem_1y

,066

-,192

,164

-,090

,003

-,198

,070

-,037

Sig. (2-tailed)

,831

,529

,592

,769

,991

,517

,820

,905

13

13

13

13

13

13

13

13

-,324

-,236

,140

-,568

-,349

-,198

-,401

,358

N Opname_Breda_1y Sig. (2-tailed) N

,280

,437

,649

,150

,242

,517

,174

,230

13

13

13

13

13

13

13

13

Opname_DenHaag_1y

,286

,111

-,270

,010

-,383

,220

-,083

,052

Sig. (2-tailed)

,344

,717

,373

,973

,196

,471

,787

,865

13

13

13

13

13

13

13

13

-,237

-,184

,136

-,453

-,547

-,311

-,481

,224

N Opname_Eindhoven_1y Sig. (2-tailed) N

,436

,548

,658

,120

,053

,301

,096

,462

13

13

13

13

13

13

13

13

Opname_Rotterdam_1y

,132

-,017

-,123

-,010

,096

,198

-,142

-,019

Sig. (2-tailed)

,667

,956

,689

,973

,754

,517

,643

,951

13

13

13

13

13

13

13

13

-,060

-,345

-,274

-,045

-,042

,005

-,377

-,083

,845

,249

,364

,884

,892

,986

,204

,787

N Opname_Utrecht_1y Sig. (2-tailed) N

13

13

13

13

13

13

13

13

Opname_Zwolle_1y

,242

,036

-,145

,044

-,051

,264

-,181

,062

Sig. (2-tailed)

,426

,908

,637

,886

,868

,384

,553

,841

13

13

13

13

13

13

13

13

-,315

-,469

-,231

-,026

-,405

-,608

,039

-,381

N Opname_Amsterdam_2y Sig. (2-tailed) N

,319

,124

,471

,935

,192

,250

,904

,222

12

12

12

12

12

12

12

12

Opname_Arnhem_2y

,343

,282

,068

,241

,432

,601

,020

,155

Sig. (2-tailed)

,276

,375

,834

,451

,160

,350

,950

,629

12

12

12

12

12

12

12

12

,063

,506

,078

,248

,176

-,175

-,027

-,363

,810

,437

N Opname_Breda_2y Sig. (2-tailed) N Opname_DenHaag_2y Sig. (2-tailed) N Opname_Eindhoven_2y Sig. (2-tailed) N

,846

,093

,584

,587

,932

,246

12

12

12

12

12

12

12

12

-,147

-,282

-,088

,049

-,111

-,182

-,220

-,330

,649

,374

,787

,879

,732

,572

,492

,295

12

12

12

12

12

12

12

12

-,007

,577

,019

,545

,363

-,126

-,071

-,449

,983

,250

,953

,067

,246

,697

,826

,143

12

12

12

12

12

12

12

12

Opname_Rotterdam_2y

,196

,113

-,049

,219

-,036

,179

,166

-,268

Sig. (2-tailed)

,541

,726

,879

,494

,912

,579

,606

,400

N Opname_Utrecht_2y Sig. (2-tailed) N Opname_Zwolle_2y Sig. (2-tailed) N

12

12

12

12

12

12

12

12

-,280

-,020

,099

-,328

-,239

-,322

,375

,014

,379

,951

,760

,298

,455

,308

,229

,966

12

12

12

12

12

12

12

12

-,014

,081

,189

-,122

-,222

-,196

-,043

-,130

,966

,803

,556

,706

,488

,542

,894

,687

12

12

12

12

12

12

12

12

91

Bijlage 11.1 – Correlatiematrix opname en leegstand op stadsregionaal niveau in Amsterdam met onderverdeling in locatietype

Spearman's rho

Spearman's rho

Spearman's rho


Leegstand_Adam_1 Leegstand_Adam_2 Leegstand_Adam_3 Leegstand_Adam_4 Leegstand_Adam_5 Opname_Adam_1

-,182

-,042

-,239

,174

-,058

,534

,887

,410

,552

,844

14

14

14

14

14

Opname_Adam_2

,133

,040

-,472

-,146

-,013

Sig. (2-tailed)

,650

,893

,088

,619

,964

14

14

14

14

14

-,062

-,015

-,374

-,440

,329

,834

,958

,187

,115

,251

14

14

14

14

14

-,315

-,262

-,731

-,030

,236

,273

,366

,003

,919

,417

14

14

14

14

14

-,341

-,200

-,504

-,166

,178

,233

,493

,066

,571

,542

14

14

14

14

14

-,058

-,396

,160

-,178

-,168

,851

,181

,602

,560

,584

13

13

13

13

13

Opname_Adam_2_1y

,201

-,192

,328

,045

-,177

Sig. (2-tailed)

,511

,529

,274

,884

,563

13

13

13

13

13

Opname_Adam_3_1y

,605

,225

,248

-,187

-,231

Sig. (2-tailed)

,028

,459

,414

,541

,448

13

13

13

13

13

-,096

-,242

,328

-,435

-,539

,754

,426

,274

,138

,057

13

13

13

13

13

-,047

-,060

,267

-,399

-,405

,879

,845

,377

,177

,170

13

13

13

13

13

-,221

,077

-,060

-,128

-,159

,491

,812

,854

,691

,622

12

12

12

12

12

-,697

-,301

-,277

-,324

,206

,012

,342

,383

,305

,520

12

12

12

12

12

Opname_Adam_3_2y

,011

,007

-,351

,171

,819

Sig. (2-tailed)

,974

,983

,263

,595

,001

12

12

12

12

12

-,256

-,448

-,681

,031

,561

,422

,145

,015

,924

,058

12

12

12

12

12

-,266

-,455

-,681

,022

,796

,403

,138

,015

,947

,002

12

12

12

12

12

Sig. (2-tailed) N

N Opname_Adam_3 Sig. (2-tailed) N Opname_Adam_4 Sig. (2-tailed) N Opname_Adam_5 Sig. (2-tailed) N Opname_Adam_1_1Y Sig. (2-tailed) N

N

N Opname_Adam_4_1y Sig. (2-tailed) N Opname_Adam_5_1y Sig. (2-tailed) N Opname_Adam_1_2y Sig. (2-tailed) N Opname_Adam_2_2y Sig. (2-tailed) N

N Opname_Adam_4_2y Sig. (2-tailed) N Opname_Adam_5_2y Sig. (2-tailed) N

92

Bijlage 11.2 – Correlatiematrix opname en leegstand op stadsregionaal niveau in Arnhem met onderverdeling in locatietype

Spearman's rho Opname_Arnhem_1 Sig. (2-tailed)

Pearson Correlation Pearson Correlation Pearson Correlation Pearson Correlation

Leegstand_Arnhem_1 Leegstand_Arnhem_2 Leegstand_Arnhem_3 Leegstand_Arnhem_4 Leegstand_Arnhem_5 ,101 ,030 ,398 ,365 ,228 ,731

,919

,159

,199

14

14

14

14

14

Opname_Arnhem_2

,009

,478

-,306

-,331

-,201

Sig. (2-tailed)

,976

,084

,287

,247

,492

14

14

14

14

14

-,279

,039

-,311

-,350

-,199

,334

,895

,278

,220

,496

14

14

14

14

14

Opname_Arnhem_4

,196

,069

-,393

-,327

-,391

Sig. (2-tailed)

,503

,814

,165

,254

,167

14

14

14

14

14

Opname_Arnhem_5

,078

-,082

,600

,825

,701

Sig. (2-tailed)

,791

,780

,023

,000

,005

14

14

14

14

14

-,165

-,300

-,300

-,296

-,560

,590

,319

,319

,326

,250

13

13

13

13

13

-,446

-,286

-,061

-,193

-,220

,127

,344

,843

,527

,471

13

13

13

13

13

-,269

-,001

,416

,593

,474

,374

,997

,158

,033

,101

13

13

13

13

13

-,209

-,080

-,128

-,139

,204

,494

,795

,677

,652

,504

13

13

13

13

13

Opname_Arnhem_5_1y

,216

-,096

,007

-,021

-,169

Sig. (2-tailed)

,479

,755

,983

,945

,582

13

13

13

13

13

Opname_Arnhem_1_2y

,109

,523

-,162

-,142

,213

Sig. (2-tailed)

,737

,081

,614

,659

,507

12

12

12

12

12

Opname_Arnhem_2_2y

,266

,281

,475

,451

,319

Sig. (2-tailed)

,403

,377

,119

,142

,313

12

12

12

12

12

Opname_Arnhem_3_2y

,259

-,034

-,004

,065

-,090

Sig. (2-tailed)

,417

,917

,990

,841

,780

12

12

12

12

12

-,210

,208

,182

,187

-,011

,513

,516

,572

,560

,972

12

12

12

12

12

Opname_Arnhem_5_2y

,262

-,084

,115

-,104

,384

Sig. (2-tailed)

,411

,795

,722

,747

,218

12

12

12

12

12

N

N Opname_Arnhem_3 Sig. (2-tailed) N

N

N Opname_Arnhem_1_1Y Sig. (2-tailed) N Opname_Anrhem_2_1y Sig. (2-tailed) N Opname_Arnhem_3_1y Sig. (2-tailed) N Opname_Arnhem_4_1y Sig. (2-tailed) N

N

N

N

N Opname_Arnhem_4_2y Sig. (2-tailed) N

N

93

,433

Bijlage 11.3 – Correlatiematrix opname en leegstand op stadsregionaal niveau in Breda met onderverdeling in locatietype

Pearson Correlation Pearson Correlation Pearson Correlation Pearson Correlation Pearson Correlation Leegstand_Breda_1 Opname_Breda_1

Leegstand_Breda_2

Leegstand_Breda_3

Leegstand_Breda_4

Leegstand_Breda_5

-,303

-,207

-,062

,011

-,107

,293

,479

,832

,969

,715

14

14

14

14

14

Opname_Breda_2

,214

-,302

,006

,185

,657

Sig. (2-tailed)

,463

,295

,984

,527

,011

14

14

14

14

14

-,120

-,164

-,036

-,616

-,443

,682

,576

,902

,019

,113

14

14

14

14

14

Opname_Breda_4

,461

-,208

-,508

,059

-,152

Sig. (2-tailed)

,097

,475

,064

,842

,604

14

14

14

14

14

Opname_Breda_5

,129

-,076

-,368

-,045

-,333

Sig. (2-tailed)

,660

,795

,195

,879

,245

14

14

14

14

14

-,029

-,011

-,137

-,042

,192

,924

,972

,656

,892

,530

13

13

13

13

13

-,008

-,248

-,309

-,063

-,312

,979

,414

,304

,839

,299

13

13

13

13

13

Opname_Breda_3_1y

,145

-,240

,633

,518

,553

Sig. (2-tailed)

,636

,431

,020

,070

,050

13

13

13

13

13

-,162

,256

,054

-,231

-,113

,597

,398

,860

,448

,714

13

13

13

13

13

-,395

-,245

,050

-,187

,126

,181

,420

,872

,541

,683

13

13

13

13

13

-,208

-,459

,431

,213

-,054

,517

,133

,162

,506

,868

12

12

12

12

12

-,202

,222

-,047

-,045

,072

,529

,489

,886

,888

,824

12

12

12

12

12

Opname_Breda_3_2y

,310

,594

-,567

,366

-,046

Sig. (2-tailed)

,327

,042

,055

,242

,887

12

12

12

12

12

-,618

-,278

,135

-,152

-,131

,032

,382

,675

,637

,686

12

12

12

12

12

-,227

-,189

-,244

-,153

-,286

,479

,557

,445

,636

,368

12

12

12

12

12

Sig. (2-tailed) N

N Opname_Breda_3 Sig. (2-tailed) N

N

N Opname_Breda_1_1 Y Sig. (2-tailed) N Opname_Breda_2_1y Sig. (2-tailed) N

N Opname_Breda_4_1y Sig. (2-tailed) N Opname_Breda_5_1y Sig. (2-tailed) N Opname_Breda_1_2y Sig. (2-tailed) N Opname_Breda_2_2y Sig. (2-tailed) N

N Opname_Breda_4_2y Sig. (2-tailed) N Opname_Breda_5_2y Sig. (2-tailed) N

94

Bijlage 11.4 – Correlatiematrix opname en leegstand op stadsregionaal niveau in Den Haag met onderverdeling in locatietype

Pearson Correlation

Spearman's rho

Leegstand_DenHaag_1

Spearman's rho

Leegstand_DenHaag_2

Pearson Correlation

Leegstand_DenHaag_3

Pearson Correlation

Leegstand_DenHaag_4

Leegstand_DenHaag_5

Opname_DenHaag_1

-,432

,231

,205

,121

,279

Sig. (2-tailed)

,123

,427

,483

,680

,335

N

14

14

14

14

14

Opname_DenHaag_2

-,119

-,129

,071

-,248

-,202

Sig. (2-tailed)

,685

,660

,811

,392

,489

14

14

14

14

14

Opname_DenHaag_3

,324

-,158

,163

-,609

,344

Sig. (2-tailed)

,258

,590

,578

,021

,229

14

14

14

14

14

Opname_DenHaag_4

,142

-,408

,032

-,190

,193

Sig. (2-tailed)

,629

,147

,914

,514

,509

14

14

14

14

14

Opname_DenHaag_5

-,312

-,176

-,128

-,292

-,296

Sig. (2-tailed)

,278

,548

,664

,312

,304

14

14

14

14

14

Opname_DenHaag_1_1Y

-,090

-,022

-,415

-,501

-,153

Sig. (2-tailed)

,770

,943

,158

,081

,618

13

13

13

13

13

Opname_DenHaag_2_1y

,086

-,537

-,211

-,168

-,466

Sig. (2-tailed)

,780

,058

,489

,583

,108

13

13

13

13

13

Opname_DenHaag_3_1y

,137

,541

-,047

,545

-,103

Sig. (2-tailed)

,655

,056

,879

,054

,738

13

13

13

13

13

Opname_DenHaag_4_1y

-,226

,108

,069

,025

-,704

Sig. (2-tailed)

,459

,726

,823

,935

,007

13

13

13

13

13

Opname_DenHaag_5_1y

,000

,481

-,025

,029

,234

Sig. (2-tailed)

,999

,096

,936

,924

,441

13

13

13

13

13

Opname_DenHaag_1_2y

,659

,035

-,133

-,004

,491

Sig. (2-tailed)

,020

,914

,680

,990

,105

12

12

12

12

12

Opname_DenHaag_2_2y

,083

,007

,337

,122

,236

Sig. (2-tailed)

,797

,983

,283

,707

,460

12

12

12

12

12

Opname_DenHaag_3_2y

,228

-,144

,004

,063

-,004

Sig. (2-tailed)

,476

,656

,991

,846

,989

12

12

12

12

12

Opname_DenHaag_4_2y

,421

,500

,047

,156

,553

Sig. (2-tailed)

,173

,098

,884

,629

,062

12

12

12

12

12

Opname_DenHaag_5_2y

-,489

-,658

-,536

-,267

-,336

Sig. (2-tailed)

,107

,020

,073

,401

,285

12

12

12

12

12

N

N

N

N

N

N

N

N

N

N

N

N

N

N

95

Bijlage 11.5 – Correlatiematrix opname en leegstand op stadsregionaal niveau in Eindhoven met onderverdeling in locatietype

Pearson Correlation

Spearman's rho

Leegstand_Eindhoven_1 Opname_Eindhoven_1

Pearson Correlation


Pearson Correlation


Pearson Correlation



-,434

,046

,709

-,048

-,226

,121

,876

,005

,871

,437

14

14

14

14

14

-,018

-,330

-,004

,007

,184

,953

,248

,990

,982

,529

14

14

14

14

14

Opname_Eindhoven_3

,118

-,340

,629

,433

,048

Sig. (2-tailed)

,688

,235

,250

,122

,870

14

14

14

14

14

-,052

-,291

,126

-,112

-,088

,859

,313

,667

,704

,765

14

14

14

14

14

-,405

,127

,257

-,406

-,533

,151

,666

,376

,150

,250

14

14

14

14

14

-,055

-,149

,104

-,241

,018

,858

,628

,736

,428

,953

13

13

13

13

13

-,071

,077

,166

,006

,091

,818

,802

,588

,984

,769

13

13

13

13

13

-,579

,035

,210

-,553

-,023

,250

,909

,491

,050

,941

13

13

13

13

13

-,520

,151

-,521

-,766

-,206

,068

,623

,068

,250

,500

13

13

13

13

13

Opname_Eindhoven_5_1y

,238

-,585

-,384

-,108

,062

Sig. (2-tailed)

,434

,036

,195

,726

,841

13

13

13

13

13


,322

,046

,088

,011

-,255

Sig. (2-tailed)

,307

,887

,786

,973

,423

12

12

12

12

12


,018

-,340

,095

-,457

,228

Sig. (2-tailed)

,955

,279

,768

,135

,477

12

12

12

12

12


,344

-,322

-,052

-,094

-,007

Sig. (2-tailed)

,274

,308

,871

,772

,983

12

12

12

12

12


,738

-,349

-,204

,454

,734

Sig. (2-tailed)

,006

,266

,525

,138

,007

12

12

12

12

12


,528

-,165

,306

,526

,296

Sig. (2-tailed)

,078

,607

,334

,079

,350

12

12

12

12

12

Sig. (2-tailed) N Opname_Eindhoven_2 Sig. (2-tailed) N

N Opname_Eindhoven_4 Sig. (2-tailed) N Opname_Eindhoven_5 Sig. (2-tailed) N Opname_Eindhoven_1_1 Y Sig. (2-tailed) N Opname_Eindhoven_2_1y Sig. (2-tailed) N Opname_Eindhoven_3_1y Sig. (2-tailed) N Opname_Eindhoven_4_1y Sig. (2-tailed) N

N

N

N

N

N

N

96

Bijlage 11.6 – Correlatiematrix opname en leegstand op stadsregionaal niveau in Rotterdam met onderverdeling in locatietype Spearman's rho Opname_Rdam_1 Sig. (2-tailed)

Spearman's rho

Pearson Correlation Pearson Correlation Pearson Correlation

Leegstand_Rdam_1 Leegstand_Rdam_2 Leegstand_Rdam_3 Leegstand_Rdam_4 Leegstand_Rdam_5 -,279 -,029 -,329 -,048 ,062 ,333

,923

,250

,871

14

14

14

14

14

Opname_Rdam_2

,273

-,301

-,163

,030

-,186

Sig. (2-tailed)

,345

,296

,577

,918

,524

14

14

14

14

14

Opname_Rdam_3

,106

-,600

-,136

-,171

-,116

Sig. (2-tailed)

,719

,023

,642

,558

,692

14

14

14

14

14

Opname_Rdam_4

,211

,204

,265

,476

,578

Sig. (2-tailed)

,469

,483

,360

,085

,031

14

14

14

14

14

Opname_Rdam_5

,216

-,323

-,239

,106

,109

Sig. (2-tailed)

,459

,260

,410

,718

,710

14

14

14

14

14

Opname_Rdam_1_1Y

,220

-,429

-,354

-,064

-,047

Sig. (2-tailed)

,470

,144

,235

,835

,879

13

13

13

13

13

-,204

,225

,100

,084

,632

,505

,459

,745

,786

,021

13

13

13

13

13

-,160

,440

,036

,013

-,292

,603

,133

,907

,965

,333

13

13

13

13

13

-,380

,132

-,385

-,067

-,351

,201

,668

,194

,828

,240

13

13

13

13

13

-,190

,489

,182

-,073

,368

,535

,090

,552

,813

,216

13

13

13

13

13

-,193

,462

,287

-,165

,439

,549

,131

,366

,608

,154

12

12

12

12

12

-,161

,063

-,297

-,098

-,266

,617

,846

,348

,762

,403

12

12

12

12

12

Opname_Rdam_3_2y

,284

,161

,448

-,025

,362

Sig. (2-tailed)

,372

,618

,145

,938

,247

12

12

12

12

12

Opname_Rdam_4_2y

,347

-,182

,141

-,048

,522

Sig. (2-tailed)

,269

,572

,661

,883

,081

12

12

12

12

12

Opname_Rdam_5_2y

,322

-,070

,549

,561

,347

Sig. (2-tailed)

,307

,829

,065

,058

,268

12

12

12

12

12

N

N

N

N

N

N Opname_Rdam_2_1y Sig. (2-tailed) N Opname_Rdam_3_1y Sig. (2-tailed) N Opname_Rdam_4_1y Sig. (2-tailed) N Opname_Rdam_5_1y Sig. (2-tailed) N Opname_Rdam_1_2y Sig. (2-tailed) N Opname_Rdam_2_2y Sig. (2-tailed) N

N

N

N

97

,834

Bijlage 11.7 – Correlatiematrix opname en leegstand op stadsregionaal niveau in Utrecht met onderverdeling in locatietype Pearson Correlation Spearman's rho

Spearman's rho


Leegstand_Utrecht_1 Leegstand_Utrecht_2 Leegstand_Utrecht_3 Leegstand_Utrecht_4 Opname_Utrecht_1

Leegstand_Utrecht_5

-,171

.

-,110

-,153

-,108

,559

.

,708

,601

,712

14

14

14

14

14

-,399

.

-,345

,005

-,048

,158

.

,226

,987

,871

14

14

14

14

14

-,175

.

-,026

,157

,261

,550

.

,929

,593

,367

14

14

14

14

14

-,254

.

-,178

-,005

-,246

,381

.

,543

,987

,398

14

14

14

14

14

-,324

.

-,108

-,162

-,105

,259

.

,714

,580

,721

14

14

14

14

14

-,108

.

,014

-,042

-,106

,725

.

,964

,892

,731

13

13

13

13

13

-,051

.

,066

-,352

-,017

,868

.

,831

,239

,955

13

13

13

13

13

Opname_Utrecht_3_1y

,095

.

-,338

-,269

,490

Sig. (2-tailed)

,757

.

,258

,375

,089

13

13

13

13

13

-,033

.

,099

-,187

-,008

,914

.

,748

,540

,980

13

13

13

13

13

-,366

.

-,060

-,263

-,124

,218

.

,845

,385

,687

13

13

13

13

13

-,256

.

-,084

-,122

-,073

,421

.

,795

,706

,821

12

12

12

12

12

-,285

.

-,449

-,050

-,031

,370

.

,143

,877

,923

12

12

12

12

12

-,072

.

-,161

-,182

-,283

,825

.

,618

,571

,372

12

12

12

12

12

-,371

.

-,280

-,058

,051

,235

.

,379

,859

,874

12

12

12

12

12

Opname_Utercht_5_2y

,269

.

-,315

-,227

,906

Sig. (2-tailed)

,398

.

,319

,479

,250

12

12

12

12

12

Sig. (2-tailed) N Opname_Utrecht_2 Sig. (2-tailed) N Opname_Utrecht_3 Sig. (2-tailed) N Opname_Utrecht_4 Sig. (2-tailed) N Opname_Utrecht_5 Sig. (2-tailed) N Opname_Utrecht_1_1Y Sig. (2-tailed) N Opname_Utrecht_2_1y Sig. (2-tailed) N

N Opname_Utrecht_4_1y Sig. (2-tailed) N Opname_Utrecht_5_1y Sig. (2-tailed) N Opname_Utrecht_1_2y Sig. (2-tailed) N Opname_Utrecht_2_2y Sig. (2-tailed) N Opname_Utrecht_3_2y Sig. (2-tailed) N Opname_Utrecht_4_2y Sig. (2-tailed) N

N

98

Bijlage 11.8 – Correlatiematrix opname en leegstand op stadsregionaal niveau in Zwolle met onderverdeling in locatietype Pearson Correlation Pearson Correlation Pearson Correlation Pearson Correlation Pearson Correlation Leegstand_Zwolle_1

Leegstand_Zwolle_2

Leegstand_Zwolle_3

Leegstand_Zwolle_4

Leegstand_Zwolle_5

Opname_Zwolle_1

,578

,005

,159

-,160

-,489

Sig. (2-tailed)

,250

,986

,587

,585

,076

14

14

14

14

14

-,436

,698

,224

,291

,487

,119

,250

,442

,313

,078

14

14

14

14

14

Opname_Zwolle_3

,819

-,268

-,195

-,317

-,719

Sig. (2-tailed)

,000

,355

,504

,269

,004

14

14

14

14

14

-,099

,181

-,268

-,276

,309

,736

,535

,354

,339

,282

14

14

14

14

14

-,287

-,507

-,050

-,008

,183

,320

,064

,865

,980

,531

14

14

14

14

14

-,097

,304

-,081

-,135

,064

,752

,313

,793

,661

,836

13

13

13

13

13

Opname_Zwolle_2_1y

,457

,031

-,375

-,139

-,152

Sig. (2-tailed)

,116

,921

,206

,651

,619

13

13

13

13

13

-,438

,381

,127

,003

,053

,134

,199

,679

,993

,865

13

13

13

13

13

-,133

,153

,062

,009

,254

,664

,618

,841

,976

,403

13

13

13

13

13

-,083

,165

,167

,074

,109

,787

,590

,585

,809

,722

13

13

13

13

13

Opname_Zwolle_1_2y

,553

-,608

-,253

-,333

-,743

Sig. (2-tailed)

,062

,250

,427

,290

,006

12

12

12

12

12

-,593

,360

,303

,388

,315

,042

,250

,338

,213

,319

12

12

12

12

12

Opname_Zwolle_3_2y

,603

-,585

-,327

-,535

-,430

Sig. (2-tailed)

,038

,250

,300

,073

,163

12

12

12

12

12

-,242

-,020

-,170

,035

-,010

,449

,950

,598

,913

,976

12

12

12

12

12

-,162

,357

-,129

,212

,341

,615

,254

,690

,508

,278

12

12

12

12

12

N Opname_Zwolle_2 Sig. (2-tailed) N

N Opname_Zwolle_4 Sig. (2-tailed) N Opname_Zwolle_5 Sig. (2-tailed) N Opname_Zwolle_1_1Y Sig. (2-tailed) N

N Opname_Zwolle_3_1y Sig. (2-tailed) N Opname_Zwolle_4_1y Sig. (2-tailed) N Opname_Zwolle_5_1y Sig. (2-tailed) N

N Opname_Zwolle_2_2y Sig. (2-tailed) N

N Opname_Zwolle_4_2y Sig. (2-tailed) N Opname_Zwolle_5_2y Sig. (2-tailed) N

99

Dynamische marktanalyse: Een empirische casestudy van de leegstand op de Nederlandse kantorenmarkt

Recommend Documents