Prijsvorming op de Duitse woningmarkt

Prijsvorming op de Duitse woningmarkt Analyse en Modelvorming

Datum: juni 2006 Auteur: ing. C. M. Mica Studentnummer: 0259551 Eerste beoordelaar: dr. M. A. J. Theebe Tweede beoordelaar: prof. dr. P. van Gool Master scriptie, Real Estate Finance Faculteit Economische Wetenschappen en Econometrie Universiteit van Amsterdam

2

Prijsvorming op de Duitse woningmarkt

Niets mag overgenomen worden uit deze scriptie zonder schriftelijke toestemming van de auteur. De gehanteerde data is op persoonlijke titel verkregen en noch BulwienGesa AG noch Experian Limited © geeft toestemming voor vrije verspreiding van deze data. Contact: [email protected]

________________________________________________________________________

Analyse en Modelvorming

3

Figuur 1.1: Voorspelling reële prijsontwikkeling appartement; 2006-2015

Deelgebieden zijn gemarkeerd op basis van de onderzoeksresultaten van de steden in het betreffende gebied = stijging van 10% tot 15% = stijging van 5% tot 10% = stijging van 0% tot 5% = daling van 0% tot -5% = daling van -5% tot -10%

Bron: resultaten regionaal model hoofdstuk 5

________________________________________________________________________

4


Figuur 1.2: Voorspelling reële prijsontwikkeling eengezinswoning; 2006-2015



________________________________________________________________________


5

Acknowledgements This thesis period was very interesting for me, I choose to research a market, with few quantitative research available. However, based on the stories in real estate journals, a lot of investors are interested. Working on the border of science and practice was a pleasant experience for me. For this thesis the data input has been very important, therefore I would like to thank BulwienGesa AG for the price series of the German housing market and ING Real Estate for regional economic indicators based on the Experian Limited © database. Based on these two sources I have been able to create regional forecast models. To verify my research results I interviewed several German real estate professionals and researchers. The comments of Mister R.C. Bartholomäi, board member of the RICS Deutschland has been very helpful, especially the new insight he gave me on the German housing market. The market information and comments of dr. T. Schilling, Director of Real Estate Research of Feri Rating & Research were very helpful to verify the model outcomes. It was nice to see that our forecast models both pointed in the same direction. Besides the supply of data series the researchers F. Wenzil of BulwienGesa AG and D. Quinten of Deutsche Bank gave me interesting feedback on my interview questions. For the support during my thesis period I would like to thank dr. M.A.J. Theebe for his useful comments during our meetings and the help he gave finding data series, the second reader prof. dr. van Gool and of course my thesis company Zanders, a Dutch consulting firm, for supplying me of extra knowledge and support during my thesis. Coen Mica Haarlem, June 2006

________________________________________________________________________

6


Summary of German Residential Real Estate Market •

Germany, largest European country in terms of population and national income, is also the largest residential mortgage market in Europe with mortgages outstanding of over Euro 1.1 trillion. The value of the German housing market is estimated at more than Euro 3.0 trillion. However, the German market is less developed in comparison to other European mortgage markets.

•

During the last 15 years, since reunification, the average house price in nominal terms has been relatively stable. Prices based on nominal terms corrected for inflation (real prices) were constantly decreasing. Together with the increasing international interests of investors provides a challenging situation. The thesis deals with this situation and presents a forecasts for the price development the coming decade, based on econometric models.

•

In 2004 more than 500 thousand dwellings were bought by foreign investors, in 2005 there were two “Mega-Deals” including 135 thousand dwellings. The privatisation of government and corporate-owned residential properties are expected to continue to increase the coming years. Tightening budgets at all federal levels and increased focus on core activities within banks and corporates driving this trend towards real estate disposals. For the years to come it is expected that more than 1.6 million dwellings will be sold.

•

Arguments for the increased purchases with regard to residential real estate: Low interest rates, stable cash-flows, low valuation of German residential real estate compared to international residential markets and potential for value growth.

•

During the last 25 years Germany is characterized as an average Western European country, with a population growth of 6%, decreasing household size to 2.1, leading to a household growth of 21%. Economic growth with an average of 1.37% in the last 12 years has been relatively low compared to other Western European countries. Unemployment rate is currently at 11.2% relatively high.

•

The composition of the German housing stock, compared to average home ownership in Europe of 68% is unique. The home owners segment is with 43% relatively small, the private rental sector with 50% relatively big and social housing with 7% relatively small compared to other European countries. However, within Germany there are big differences.

•

Based on fiscal policy German home-ownership is relatively less attractive compared to other Western European countries. Demographic forecasts for Germany are the worst of Western Europe. The German working force peaked in 1995 and the population will peak in 2010. Till 2030 only marginally growth in the number of households is expected, mainly based on decreasing households.

________________________________________________________________________


7

•

After reunification, based on fiscal policy and optimism, former Eastern Germany was overbuild with mostly apartments. During this period young Eastern Germans left for economical better regions mostly in Western Germany. Resulting in double digit vacancy numbers. Germany is heavily characterized by migration, even nowadays there are huge differences between population forecasts per city. Economic stronger regions are expected to development positive and weaker regions negative. Based on this demographic development the spread between the Eastern and Western part will be wider.

•

Based on the developed regional models the price of terrace houses is explained by: income development, population growth, inflation and a lagged house price. For apartments, number of jobs, population growth, inflation and a lagged house price are the explaining variables in the model.

•

Based on the forecasts of the regional model for Germany the total nominal price growth for terrace houses for the period 2006-2015 is expected to be 29.69% and 6.02% in real terms. For a German apartment, the same period, a nominal price growth of 25.85% and 6.02% in real terms is expected. In figure 1.1 and 1.2 the regional differences of an “Eigentumswohnung” (apartment) and a “Reihenhaus” (terrace house) are displayed.

•

Within Germany there are big differences; economic stronger regions will do better, the opposite counts for weaker regions. More than average price development is forecasted for the cities Munich, Hamburg, Frankfurt am Main, Mainz, Munster, Stuttgart, Regensburg and Cologne. Eastern Germany will develop less then average. Based on the forecasts models the cities; Magdeburg, Halle (Saale), Rostock, Chemnitz, Leipzig, Dresden, Kassel (West Germany) and Berlin will be the weaker regions.

•

Compared to other European countries prices stagnated and the relation of purchasing prices to disposable income declined. But, price levels and therefore rental yields differ widely within Germany. From 4%-4.5% in the economic powerful regions in the south (Bavaria, Baden-Wuerttemberg) up to 7%-8% in eastern parts of Germany. Most of the transactions in 2004 and 2005 took place in Western German regions with yields between 5.5%-6%. (Yields are adjusted by costs, which can not be shifted to the tenant.)

•

Summarizing: Indicators, as socio demographic development (number of households, living space per capita), and especially the low building-activity are strengthening the excess demand on the residential real estate market in Germany. At the same time, regressive price-development occurred during the last decade in Germany, while disposable incomes were rising. All these factors will support a positive development of both, rents and prices for residential real estate in the years to come. The economically strong regions in West Germany show the best potential-risk-relations for the following years. In general, regional distinctions in Germany are in high gear. In the years to come, this trend will strengthen along with the general demographic development.

________________________________________________________________________

8


Inhoudsopgave 1.

Inleiding en Probleemverkenning ........................................................................... 10 1.1 1.2 1.3 1.4 1.5 1.6 1.7

2.

Aanleiding........................................................................................................... 10 Probleemschets ................................................................................................... 10 Probleemstelling ................................................................................................. 11 Doelstelling ......................................................................................................... 11 Onderzoekskader................................................................................................. 12 Onderzoeksopzet................................................................................................. 13 Afbakening.......................................................................................................... 14

Prijsvormingstheorie, wat zegt de literatuur?........................................................ 15 2.1 Specifieke kenmerken van de woningmarkt ....................................................... 15 2.2 Marktwerking op de koopwoningmarkt.............................................................. 20 2.3 Theorie en Relaties ............................................................................................. 22 2.3.1 Gebruikskostentheorie ................................................................................ 24 2.3.2 Neoklassieke theorie ................................................................................... 25 2.4 Indicatoren .......................................................................................................... 26 2.4.1 Vraagzijde ................................................................................................... 26 2.4.2 Aanbodzijde ................................................................................................ 30 2.5 Modellen ............................................................................................................. 33 2.6 Samenvatting en conclusies ................................................................................ 35

3.

Marktanalyse............................................................................................................. 39 3.1 De Duitse woningmarkt in Europees perspectief................................................ 39 3.1.1 Huishoudensontwikkeling........................................................................... 39 3.1.2 Demografische ontwikkeling ...................................................................... 41 3.1.3 Inkomen en vermogen................................................................................. 43 3.1.4 Financieringsmogelijkheden ....................................................................... 43 3.1.5 Opbouw van de woningvoorraad ................................................................ 47 3.2 Duitse woningmarkt............................................................................................ 49 3.2.1 Huishoudensontwikkeling........................................................................... 49 3.2.2 Demografische ontwikkeling ...................................................................... 51 3.2.3 Inkomen en vermogen................................................................................. 53 3.2.4 Financieringsmogelijkheden ....................................................................... 55 3.2.5 Opbouw woningvoorraad............................................................................ 57 3.2.6 Productiekosten........................................................................................... 60 3.3 Samenvatting en conclusies ................................................................................ 61

________________________________________________________________________


4.

Landelijk model ........................................................................................................ 65 4.1 4.2 4.3 4.4 4.5

5.

Data ..................................................................................................................... 77 Methodologie ...................................................................................................... 79 Resultaten............................................................................................................ 80 Voorspellingen.................................................................................................... 83 Samenvatting en conclusies ................................................................................ 90

Interviews................................................................................................................... 93 6.1 6.2 6.3

7.

Data ..................................................................................................................... 65 Methodologie ...................................................................................................... 67 Resultaten............................................................................................................ 69 Voorspellingen.................................................................................................... 71 Samenvatting en conclusies ................................................................................ 73

Regionaal model ........................................................................................................ 77 5.1 5.2 5.3 5.4 5.5

6.

9

Geïnterviewden ................................................................................................... 93 Onderzoeksvragen en uitkomsten ....................................................................... 94 Samenvatting en Conclusies ............................................................................... 97

Conclusies en aanbevelingen.................................................................................... 98

Bibliografie ...................................................................................................................... 104 Appendix A - Regressie uitkomsten .............................................................................. 108 Appendix B - Landelijk model Reihenhaus.................................................................. 115 Appendix C - Landelijk model Eigentumswohnung ................................................... 119 Appendix D - Regionaal model Reihenhaus ................................................................. 115 Appendix E - Regionaal model Eigentumswohnung ................................................... 119 Appendix F - Voorspellingen Reihenhaus .................................................................... 122 Appendix G - Voorspellingen Eigentumswohnung...................................................... 124 Appendix H - Interview structure ................................................................................. 126 Appendix I - Kaart Duitsland ........................................................................................ 129

________________________________________________________________________

10


1.

Inleiding en Probleemverkenning

1.1

Aanleiding

Sinds 1993 is in Duitsland de nominale woningprijs niet meer gestegen, dit in tegenstelling tot omliggende West-Europese landen, waar de koopwoningmarkt het afgelopen decennium gekenmerkt werd door een sterke nominale groei. Binnen Duitsland zijn grote regionale verschillen te ontdekken, maar de bijna constante reële daling van de gemiddelde koopwoningprijs is uniek te noemen. Ter indicatie: in Nederland zijn de nominale koopwoningprijzen afgelopen 10 jaar gemiddeld verdubbeld, waarin dubbel-cijferige groeipercentages geen uitzondering waren. Anno 2006 is in Nederland de stijging afgevlakt, maar er is nog geen dalende trend te ontdekken. Mede als gevolg van de Duitse eenwording en de daarbij komende kosten zijn nationale en regionale overheden diep in de schulden terechtgekomen. Dankzij de wetswijziging van 1990, die privatisering van het sociale woningbestand mogelijk maakt, kunnen de financiële problemen bij de overheden verminderd worden. Momenteel worden grote partijen woningen naar de markt gebracht. Als gevolg van de huidige transacties bestaat er internationale interesse voor de Duitse woningmarkt. Op basis van de huidige demografische vooruitzichten is de vraag of de internationale interesse gegrond is. Om meer inzicht te krijgen in deze markt wordt in deze scriptie de prijsontwikkeling van koopwoningen in Duitsland onderzocht. Uit Amerikaans en Nederlands onderzoek is gebleken dat op lange termijn de prijsontwikkeling van huurwoningen de prijsontwikkeling van koopwoningen volgt. Deze relatie wordt gehanteerd om kwantitatief onderbouwde uitspraken over de Duitse woningmarkt te kunnen doen. Deze aanname wordt door figuur 4.2 bevestigd. Meer inzicht in de prijsvorming op de Duitse woningmarkt is interessant voor enerzijds beleggers en anderzijds particulieren, die woningen bezitten of woningen willen aankopen.

1.2

Probleemschets

Zoals in de eerste paragraaf al is aangestipt is er de laatste jaren een toenemende interesse voor de Duitse woningmarkt. “Duitsland is hot” is een term die in de vakliteratuur opduikt. De interesse voor de Duitse woningmarkt is hoofdzakelijk gebaseerd op de relatief hoge yields ten opzichte van andere West-Europese landen en het grote aanbod van ________________________________________________________________________


11

woningportefeuilles van ex-huurwoningen. Dit in tegenstelling tot commercieel Duits vastgoed waar de yields zich wel in lijn met omliggende landen ontwikkelen. Ondanks de steeds groter wordende interesse, is er niet erg veel bekend over de Duitse woningmarkt. De Duitse woningmarkt, vijf keer zo groot als de Nederlandse, heeft geen overheidsinstanties, die lange cijferreeksen publiceren. Van enige transparantie op de woningmarkt is nog geen sprake. De grote activiteit op de Duitse woningmarkt in combinatie met de beperkte hoeveelheid beschikbare literatuur en cijfermateriaal geeft de relevantie en tegelijkertijd de moeilijkheidsgraad aan van dit scriptieonderwerp. In deze scriptie wordt internationale en Nederlandse prijsvormingstheorie toegepast op de Duitse woningmarkt, met als doel om tot betere begripsvorming van de Duitse woningmarkt te komen, de prijsverklarende factoren te onderscheiden en beter te kunnen verklaren of de Duitse woningmarkt nu echt “hot” is.

1.3

Probleemstelling

De probleemstelling, opgesteld naar aanleiding van de probleemschets, luidt: Welke factoren zijn maatgevend voor de totstandkoming van de prijs op de Duitse koopwoningmarkt en hoe zullen deze factoren de toekomstige prijsontwikkeling beïnvloeden?

1.4

Doelstelling

De doelstelling die hierbij opgesteld kan worden luidt als volgt: Het ontwikkelen van een model dat aan de hand van geselecteerde vastgoedmarkt en economische indicatoren uitspraken kan doen over de prijsontwikkeling op de Duitse koopwoningmarkt, zodat hierdoor meer duidelijkheid ontstaat betreffende de potenties van de Duitse woningmarkt.

________________________________________________________________________

12

1.5


Onderzoekskader

Na de beschrijving van het economisch kader, gewijd aan prijsvormingtheorie, wordt in de marktanalyse de West-Europese en Duitse woningmarkt besproken, de prijsbepalende indicatoren beschreven en de verwachte ontwikkeling weergegeven. Met de prijsbepalende indicatoren zal gezocht worden naar één of meerdere verklarende modellen, om ontwikkelingen uit het verleden en de huidige situatie te kunnen verklaren en gegronde uitspraken te kunnen doen over de toekomstige situatie. Om bovenstaande doelstelling te kunnen uitvoeren wordt internationaal onderzoek naar prijsvorming als uitgangspunt genomen om een model te ontwikkelen waarmee de prijsvorming op de Duitse woningmarkt verklaard kan worden. De probleemverkenning geeft aanzet tot een aantal hoofdonderzoeksvragen: 1 Welke relaties bestaan binnen de woningvastgoed literatuur? 2 Welke prijsverklarende modellen worden in de literatuur gehanteerd? 3 Welke externe factoren zijn van invloed op de woningmarkt? 4 Welke indicatoren kunnen gehanteerd worden voor de modelvorming? 5 Waarom zijn woningprijzen in Duitsland de afgelopen jaren veel minder gestegen dan in andere West-Europese landen? 6 Hoe zal de woningvastgoedmarkt in Duitsland zich de komende jaren ontwikkelen? Deze hoofdvragen leiden tot onderstaande deelvragen: a. Wat zijn de specifieke kenmerken van woningvastgoed? b. Hoe hebben macro-economische en vastgoedmarkt-technische factoren zich ontwikkeld in Duitsland? c. Wat zijn de verschillen in vraag en aanbod tussen Duitsland en andere WestEuropese landen? d. Is de fiscale en juridische behandeling (regelgeving) van de woning in Duitsland verschillend van andere West-Europese landen? e. Hoe zullen demografische ontwikkelingen de Duitse woningmarkt beïnvloeden ten opzichte van andere West-Europese woningmarkten?

________________________________________________________________________


1.6

13

Onderzoeksopzet

Om tot beantwoording van de hoofd- en deelvragen te komen zal in deze scriptie onderstaand proces doorlopen worden: 1. Literatuurstudie naar prijsvormingtheorie Door het bestuderen van de prijsvormingtheorie dient voldoende theoretische achtergrond verkregen te worden betreffende theorieën, indicatoren en eigenschappen van in de literatuur gehanteerde modellen. 2. Marktanalyse Door een marktanalyse van de West-Europese en Duitse woningmarkt, gericht op economische, vastgoedtechnische, fiscale en demografische factoren wordt er een beter inzicht verkregen in de prijsbepalende factoren van de betreffende woningmarkt. 3. Economisch modelleren Op basis van de uit de literatuurstudie en marktanalyse onderscheiden indicatoren het opstellen van een landelijk en regionaal prijsvormingsmodel en verantwoording van de gehanteerde methoden en data. 4. Interviews Interviews met professionals uit de vastgoedsector, om de onder de voorgaande punten opgedane kennis te verifiëren en uit te breiden met praktische inzichten. 5. Evaluatie en conclusie. Het ontwikkelde model toetsen op toepasbaarheid en op basis hiervan conclusies trekken en aanbevelingen opstellen met betrekking tot toekomstig onderzoeksgebied.

________________________________________________________________________

14

1.7


Afbakening

Dit onderzoek richt zich op de prijsontwikkeling van koopwoningen op het Duitse grondgebied, huurwoningen worden buiten beschouwing gelaten. Deze keuze is gemaakt om kwantitatief onderzoek te kunnen verrichten; de beschikbaarheid van data met betrekking tot koopwoningen is simpelweg groter. Enkel om verschillen weer te geven zal er aan de gehele Duitse woningmarkt gerefereerd worden. De marktanalyse zal zich richten op de Duitse situatie. Om verschillen duidelijk te maken worden West-Europese woningmarkten en incidenteel de woningmarkten buiten West-Europa behandeld. Deze keuze is gemaakt om niet voorbij te gaan aan belangrijke Europese of internationale ontwikkelingen. In het derde deel van dit onderzoek wordt er eerst op landelijk en vervolgens op regionaal niveau een model opgesteld op basis van de uit de marktanalyse geselecteerde indicatoren. Overige factoren die eventueel ook van invloed kunnen zijn worden buiten beschouwing gelaten vanwege de beperkte beschikbaarheid van data. In de modellen zal er enkel onderzoek verricht worden naar de prijsontwikkeling van het Reihenhaus en de Eigentumswohnung. Dit is de Duitse benaming voor respectievelijk een eengezinswoning van circa 100 m2 en een appartement van circa 70-80 m2, beide in redelijk goede tot goede staat verkerend. Woningen die in slechte staat verkeren hebben dus geen invloed op het verloop van de in het onderzoek gehanteerde index. Het landelijke model beschrijft de periode 1975 tot 2005 voor de samengestelde index van 49 West-Duitse steden. Voor de overige steden is pas data beschikbaar vanaf de Duitse eenwording. Het regionale model is opgesteld voor 35 steden verspreid over heel Duitsland en om het data probleem te omzeilen voor de periode 1991 tot 2005.

________________________________________________________________________


2.

15

Prijsvormingstheorie, wat zegt de literatuur?

Prijsvormingstheorie is een veel beschreven onderwerp in de economische literatuur. Al zolang er producten zijn, proberen wetenschappers inzicht te krijgen in de drijvende factoren die ten grondslag liggen aan de prijsvorming van deze producten en welke vorm de relaties tussen producten en andere economische variabelen hebben. Vastgoedeconomie is een jonge wetenschap waarbinnen, als gevolg van de korte bestaansduur, minder bekend is over prijsvorming. Het grootste deel van de literatuur is gericht op commercieel vastgoed, over woningen is minder bekend. De prijs van commercieel vastgoed wordt door Geltner en Miller (2001) gedefinieerd als het punt waar de Net Present Value van een marginale koper en verkoper samenkomen. DiPasquale en Wheaton beschrijven de prijs als het evenwicht waar koper en verkoper indifferent zijn tussen overgaan en niet overgaan tot de transactie. Prijsvorming op de woningmarkt is veel minder gedreven door rationele denkbeelden; emotie en gevoel spelen ook een grote rol bij kopende en verkopende partijen. Eerst zullen de specifieke kenmerken van de woningmarkt besproken worden die functioneren als basis voor de volgende paragrafen, waarin achtereenvolgens de marktwerking en het economisch kader worden behandeld. Vervolgens worden de in de literatuur beschreven indicatoren en gehanteerde modellen behandeld waarmee de huizenprijsontwikkeling verklaard wordt. Het hoofdstuk rondt af met een samenvatting.

2.1

Specifieke kenmerken van de woningmarkt

Woningen worden beschouwd als bijzondere goederen. Onderstaand worden de belangrijkste in de literatuur besproken kenmerken weergegeven die invloed hebben op de prijsontwikkeling op de woningmarkt. Aankoop van een woning is geen alledaagse transactie Woningen worden in de literatuur onder consumptiegoederen gerekend. Als gevolg van het bijzondere karakter van dit consumptiegoed heeft de aankoop van een woning grote emotionele en financiële impact op de koper. Een aankoop van een woning heeft dus een groot positief of negatief effect op het verdere verloop van het leven van de koper. Logisch gevolg is dat de prijsverwachting van de koper van groot belang is bij de aankoopbeslissing. ________________________________________________________________________

16


Als naar de vermogensportefeuille van de meest huishoudens in Nederland wordt gekeken neemt de woning de grootste plaats in met 80-90%. Door de omvang en de aard van transacties vinden deze in een mensenleven vaak maar één of enkele malen plaats. Dit in tegenstelling tot andere dagelijkse consumptieve bestedingen. Dit verklaart dan ook het beperkte kennisniveau van de consument van het product wonen. Het verwachtingspatroon van de consument is van belang. Indien potentiële kopers verwachten dat woningprijzen zullen stijgen, veroorzaakt dit een positief effect op woningprijzen. De potentiële kopers vrezen dat zij toekomstige vermogenswinst zullen mislopen en zijn bereid hoog te bieden. Negatieve verwachtingen hebben het tegenovergestelde resultaat. Als het hier om speculatieve vraag gaat, gebaseerd op korte termijnverwachtingen, kunnen prijzen hierdoor tijdelijk stijgen of dalen zonder dat hier fundamentele economische factoren aan ten grondslag liggen. Deze puur financiële afweging is in strijd met de eigenschappen van een consumptiegoed. Over de huizenprijsverwachtingen zijn geen gegevens beschikbaar. Het lijkt aannemelijk dat recente prijsontwikkelingen van invloed zijn op de toekomstverwachting. Te verwachten valt dat de factoren die van invloed zijn op het consumentenvertrouwen, te weten: werkloosheid, economische groei en de aandelenkoers ontwikkeling hierbij een rol spelen. (Verbruggen e.a., 2005) Heterogeniteit Dankzij de lange economische levensduur van woningen is er sprake van grote heterogeniteit op de woningmarkt. Door deze lange bestaansduur wordt de woningmarkt in de literatuur vaak als voorraadmarkt1 gekarakteriseerd. De aangeboden woningen bestaan grotendeels uit “tweedehands” woningen; nieuwbouw is hier maar een beperkt deel van. In de internationale literatuur wordt er vanuit gegaan dat de marktbewegingen in de bestaande voorraad bepalend zijn voor de ontwikkelingen in de nieuwbouwsector (onder andere DiPasquale en Wheaton, 1994, Meen, 2002) Dankzij de heterogeniteit van woningen verschilt deze markt wederom van de “normale” consumptieve goederen. Deze heterogeniteit komt ook naar voren als het aanbod bekeken wordt, waarin woningen van allerlei ouderdomsklassen met elkaar 1

In de paragraaf Inflexibel woningaanbod op pagina 16 worden de karakteristieken van de voorraadmarkt besproken.

________________________________________________________________________


17

concurreren. Bij de keuze van een woning spelen niet enkel puur economische factoren; emotionele factoren spelen vaak ook een grote rol, te denken valt aan vrienden of familie of een goede basisschool in de buurt. In internationale studies (Costello, 2001; Din e.a., 2001; Green en Hendershott, 1996) is bewezen dat kwaliteit van de omgeving en woning invloed heeft op het prijsniveau. Sterk lokale markt In de media wordt regelmatig onterecht gesproken over “de woningmarkt”, echter deze woningmarkt is opgebouwd uit vele kleine deelmarkten; “de woningmarkt” bestaat niet (Brounen en Huij, 2004). De auteurs stellen dat hoewel Nederland een klein en compact land is, de woningmarkt hier bijzonder gevarieerd is. Dit blijkt uit het feit dat er grote verschillen bestaan tussen het gemiddelde prijsniveau tussen regio’s, maar ook de gevoeligheid voor economische factoren zorgt voor grote verschillen. Amerikaans onderzoek geeft soortgelijke resultaten. Regionale woningmarkten reageren verschillend op economische schokken (Capozza e.a., 2002). De verklaringen die hiervoor in de literatuur gegeven worden zijn de verschillen in bevolkingsdichtheid en de variatie in de flexibiliteit van de lokale arbeidsmarkt. Ook verschilt de invloed van de financiële schok per prijssegment. Er is dus horizontaal (op geografisch gebied) en verticaal (op prijssegment) diversiteit op de woningmarkt. In Nederland worden door de Nederlandse Vereniging van Makelaars 80 woningmarktgebieden gehanteerd, die min of meer een zelfstandig prijsvormingsproces kennen. Deze geografische grenzen van woningmarktgebieden zijn vaak afhankelijk van woon- werkafstanden en sociale structuren. In het door Jones (2002) ontwikkelde concept worden verhuisbewegingen als uitgangspunt genomen. Grondgebondenheid De fixatie van de woning aan de grond is een ander belangrijk kenmerk en verschil met normale goederen. Een vraagtoename in een woningmarktgebied kan dus niet opgevangen worden door aanbod van woningen in een ander woningmarktgebied. Hierdoor wordt het effect van vraagwijzigingen versterkt in de woningprijs. Als gevolg van de grondgebondenheid van een woning bepaalt de koper bij de aankoop van een woning direct zijn leefomgeving. Voorbeelden van omgevingsfactoren zijn onder andere natuurgebieden en speelgelegenheden. Opvallend is dat individuen heel ________________________________________________________________________

18


verschillende opvattingen hebben over deze omgevingsfactoren en daarmee ook sterk verschillende voorkeuren aangeven. Dit verklaart de hoge vraag van gezinnen naar bijvoorbeeld een eengezinswoning in een kindvriendelijke wijk en de vraag van gepensioneerden naar seniorenwoningen in een rustige, landelijke omgeving. Priemus (2000) verwoordt de aparte situatie van woningen als volgt: “Niet de woningen komen naar de vragers, maar de vragers worden gedwongen zich naar de woningen te begeven”. Door de fixatie van de woning aan de grond speelt de mobiliteit, de bereidheid om te verhuizen, een erg belangrijke rol. Verhuizen is kostbaar en een niet alledaagse bezigheid. Als gevolg hiervan zijn de koper en verkoper bijna nooit voorzien van optimale en actuele informatie (Boelhouwer en de Vries, 2004). In 1996 omschrijven DiPasquale en Wheaton deze verhuisbeweging als de Net Moving Gain. Grote invloed kapitaalmarkt De aankoop van een huis gaat gepaard met een grote financiële transactie, die vaak niet volkomen uit eigen middelen betaald kan worden. Door middel van een hypothecaire lening wordt het overgrote deel van de woningen gefinancierd. De maximale hoogte van deze lening is daardoor weer van belang voor de ontwikkeling van woningprijzen. Bepalend voor de hoogte van de hypotheek zijn de hypotheeklasten, onder andere bepaald door de omvang van de hypotheek, de hypotheekrente en de fiscale regels. De eerste factor is de omvang van de hypotheek. De bank bepaalt de omvang op basis van het inkomen, de rente en het vermogen van het huishouden. Door stijging van het inkomen stijgt de consumptie van wonen en dit heeft weer een opwaarts effect op de woningprijzen. Het beschikbare vermogen beïnvloedt de ontwikkeling van de woningprijzen. Bij stijging van het gezinsvermogen zal bij een gelijke financieringslast het maximale aankoopbedrag stijgen, ceteris paribus. Dit gezinsvermogen is weer opgebouwd uit verschillende componenten met verschil in liquiditeit. Duidelijk is dat er een verschil is tussen girale en chartale middelen en vermogen dat uit obligaties en aandelen bestaat. Ontwikkelingen op de geld- en kapitaalmarkt kunnen op deze manier doorwerken op de woningmarkt. Van de End en Kakes stellen in 2002 dat de ontwikkeling van de aandelenkoersen ook indirect, via het vertrouwenskanaal, van invloed kunnen zijn op de huizenprijsontwikkeling.

Stijgende

aandelenkoersen

worden

door

huishoudens

geassocieerd met gunstige economische ontwikkelingen. In een markt met een starre aanbodzijde vertaalt dit gevoel zich in hogere woningprijzen. ________________________________________________________________________


19

De tweede bepalende factor is de hypotheekrente, mede bepalend voor de maximale maandlasten, die immers opgebouwd zijn uit rente en vaak aflossing. Door de dalende trend in de hypotheekrente van de afgelopen jaren konden huishoudens op basis van gelijke maandlasten een steeds hogere hypotheekschuld op zich nemen, hetgeen zich weer vertaalt in hogere woningprijzen. De consument is immers hoofdzakelijk geïnteresseerd in zijn maandlasten bij de aankoop van een nieuwe woning. Fiscale situatie Ook fiscale regels zijn van grote invloed op de omvang van de hypotheek. Factoren als het tweeverdienerseffect, nieuwe hypotheekproducten, de hoge loan-to-value ratio en natuurlijk de hypotheekrenteaftrek hebben in Nederland geresulteerd in een hogere maximale hypotheek en bijgedragen aan de positieve ontwikkeling van de huizenprijzen. Sinds midden jaren tachtig zijn de financieringsmogelijkheden in Nederland verruimd. Tegenwoordig kunnen zelfs hele gezinsinkomens meegerekend worden bij het afsluiten van een hypotheek of lening. Door deze wijziging werd in één keer de maximale hypotheek voor de meeste gezinnen sterk vergroot. Ook het door de overheid toestaan van hypotheken hoger dan de aanschafprijs heeft meegewerkt aan de positieve ontwikkeling van de woningprijs (Eichholtz en Theebe, 1999). Het gestegen gebruik van fiscale constructies heeft ook bijgedragen tot de ruimere financiering van de eigen woning. De hypotheekrenteaftrek is de belangrijkste, maar ook worden hypotheken gekoppeld aan fiscaal interessante spaar- en beleggingsproducten. Al deze regelingen leiden tot een soort verkapte subsidie op het bezitten van een koopwoning. Theebe en Eichholtz stellen in 1999 dat deze prijsopdrijvende ontwikkelingen in Nederland grotendeels zijn uitgewerkt. Relatief hoge transactiekosten Transactiekosten maken, in tegenstelling tot andere consumptiegoederen, een aanzienlijk deel uit van de financieringskosten van een woning. De transactiekosten zijn te verdelen in een in geld uit te drukken deel en een deel waarvoor dat niet het geval is. Het grootste deel bestaat uit overdrachtsbelasting die de koper aan de overheid betaalt. Door het eerder besproken tekort aan kennis bij kopende partij worden er vaak ook makelaarskosten gemaakt; deze zijn optioneel. Notariskosten behoren tot de vaste transactiekosten. ________________________________________________________________________

20


Naast deze financiële transactiekosten zijn er ook kosten die niet in geld zijn uit te drukken. Gedacht moet worden aan de tijd die vrijgemaakt moet worden om informatie te verzamelen, woningen te bekijken, te onderhandelen over de prijs en het verhuizen en inrichten van de nieuwe woning (Verbruggen e.a., 2005). In Nederland moet rekening gehouden worden met circa 10% voor het complete pakket aan transactiekosten. Inflexibel woningaanbod Priemus stelt in 2002 dat de levensduur van een woning in Nederland gemiddeld 110 jaar bedraagt. Door deze relatief lange levensduur kan de woningmarkt bestempeld worden als een voorraadmarkt. De aanbod aanpassingen zijn jaarlijks erg klein en de bouwtijd en de bijbehorende trage weten regelgeving zorgen ervoor dat er niet snel op de vraag ingespeeld kan worden. In de literatuur is er redelijke overeenstemming bereikt over het feit dat het aanbod op de woningmarkt inelastisch is. Een indicatie voor het bestempelen van de woningmarkt als voorraadmarkt is de prijs die hoofdzakelijk door de vraag bepaald wordt; het aanbod is immers vrijwel constant. Naast de trage aanpassing van kwantiteit wordt de woningmarkt ook gekenmerkt door trage aanpassing van de kwaliteit van het woningaanbod aan de woningbehoefte. Dit komt niet alleen door de lange realisatie periode maar vooral door de effecten van de lange levensduur. Vijftig jaar geleden werden er andere eisen aan oppervlakte, aantal kamers, sanitair et cetera gesteld dan tegenwoordig het geval is. Enkel door grootschalige aanpassingen kunnen deze verouderde kwaliteitseisen aangepast worden aan de huidige maatstaven.

2.2

Marktwerking op de koopwoningmarkt

Marktwerking geeft in de economische literatuur de relatie tussen vraag en aanbod weer. In een efficiënte markt ontstaat evenwicht op het Pareto-optimalisatiepunt. In het Paretoevenwicht maximaliseren beide partijen hun nutsfunctie, wat resulteert in een maximale opbrengst voor beide partijen. De prijs brengt dus evenwicht tussen vraag en aanbod. Ook zullen er geen overwinsten gemaakt worden in een efficiënte markt; nieuw aanbod wordt immers direct gecorrigeerd in de markt. Efficiëntie is dus een voorwaarde voor evenwicht op de woningmarkt en dus ook voor marktwerking. Hilverink (2004) beschrijft vanuit micro-economische theorieën de ________________________________________________________________________


21

efficiëntie op de Nederlandse koopwoningmarkt. Hij concludeert dat er op de Nederlandse koopwoningmarkt sprake is van een aparte situatie waardoor de volgende twee verschijnselen zich voordoen. Allereerst is er geen Pareto-optimaliteit. Ondanks de sterk gestegen prijs van een woning is er nog steeds krapte op de woningmarkt. De grote schaarste wordt verklaard door de sterke inelasticiteit van het aanbod. De aanbodslijn is bijna verticaal (figuur 2.1). Dit in tegenstelling tot de meeste producten waar de aanbodlijn diagonaal loopt en er bij een hogere vraag een groter aanbod ontstaat, wat weer leidt tot een nieuw evenwicht met een hogere prijs. Figuur 2.1: Ontwikkeling van de koopwoningprijs in Nederland 1995-2004

*Prijsniveaus op basis van cijfers Nederlandse Vereniging van Makelaars, 2004 is 3e kwartaal 2003 Bron: Vastgoedlezing 2004, Amsterdam School of Real Estate

Daarnaast heeft er de laatste jaren nog een bijzonder verschijnsel plaatsgevonden: de aanbodslijn is naar links verschoven (figuur 2.1). Een tegengestelde verschuiving kon verwacht worden in een zo gunstige markt. Sinds 1995 zijn de prijzen sterk gestegen en is het aanbod teruggelopen van 90.000 naar 60.000 nieuwe woningen. Hilverink neemt in deze weergave van het aanbod aan dat de prijs niet in de bestaande voorraad wordt gevormd, maar dat enkel de nieuwe toevoegingen aan het aanbod van belang zijn. Binnen de literatuur bestaan er zeer verschillende opvattingen2 met betrekking tot dit onderwerp. Indien de aanname was gehanteerd dat de prijs op de Nederlandse koopwoningmarkt in de 2

In paragraaf 2.3.2 worden de verschillende stromingen binnen de literatuur uitgebreider besproken.

________________________________________________________________________

22


bestaande voorraad werd gevormd en het huidige aanbod was meegenomen, was het aanbod wel gegroeid, hoewel minder dan voorgaande jaren. Efficiëntie op de woningvastgoedmarkt is in de literatuur uitgebreid beschreven door onder andere Cho (1996), Priemus (2000) en Boelhouwer en Haffner (2002). In de literatuur worden de volgende drie voorwaarden het meest genoemd voor volkomen efficiënte marktwerking. Ten eerste informatievoorziening, zodat de spelers bij hun afwegingen rekening kunnen houden met alle relevante informatie. Perfecte informatie is dus voor de huidige en toekomstige situatie vereist. De tweede voorwaarde heeft betrekking op de marktmacht. Deze moet gelijkmatig over de spelers verdeeld zijn. In een markt met veel vragers en aanbieders is dit het geval. De laatste voorwaarde is de vereiste homogeniteit van het product. Deze kenmerken van de woningmarkt zijn in de voorgaande paragraaf uiteengezet. Duidelijk zal zijn dat de woningmarkt niet in aanmerking komt voor de kwalificering van een volkomen efficiënte markt. De vastgoedmarkt wordt immers gekarakteriseerd door imperfecte informatievoorziening en grote mate van heterogeniteit van het product. In de literatuur is hierover een grote mate van consensus bereikt. Cho (1996) betitelt de koopwoningmarkt als een onvolkomen markt. Voor dit onderzoek naar prijsvorming op de woningmarkt is dit een belangrijke constatering, er kan dus niet volstaan worden met enkel eenvoudige vraag- en aanbodrelaties. In de komende paragraaf wordt hier verder op ingegaan.

2.3

Theorie en Relaties

In voorgaande paragrafen zijn de specifieke eigenschappen van en de marktwerking op de woningmarkt besproken. Deze paragraaf zal gewijd zijn aan de literatuur betreffende de relaties en verbanden op de woningmarkt die samen de prijs bepalen. In onderstaand figuur zijn de economische relaties weergegeven. Deze weergave is gebaseerd op de theorievorming van Fair 1972, Tje 1994 en Meen 2002. In figuur 2.1 is de woning het kapitaalgoed dat op zijn beurt woondiensten levert. Deze woondiensten kunnen aangeschaft worden door de koper of de huurder. Een huurder betaalt voor deze woondiensten in de vorm van een huurbedrag en de koper doet dat indirect door de woning te kopen. Beiden maken gebruik (consumeren) woondiensten. De

________________________________________________________________________


23

kostprijs van deze woondiensten worden ook wel de gebruikskosten3 genoemd. Voor de koper geldt dat de marktwaarde van het huis gebaseerd is op de netto contante waarde van de woning. Deze is gelijk aan de contant gemaakte prijs voor woondiensten over de gehele exploitatieperiode. Uit deze schematische weergave komen duidelijk de verschillende rollen van de eigenaar en de huurder naar voren, ook als dit dezelfde persoon is. Concluderend kan gesteld worden dat in een efficiënte woningmarkt zonder invloeden van buitenaf het model binnen het gestippelde kader in evenwicht zou moeten zijn. Immers de prijs van de woondiensten bepaalt de woningprijs. Figuur 2.1: De financieel economische relaties van de woning nieuwbouw- en grondmarkt

kapitaalmarkt

woning = kapitaalgoed

eigenaar

woningprijs

bewoner

prijs woondiensten

woondiensten

overheid

Bron: de Vries en Boelhouwer, 2004

Het in voorgaande paragraaf beschreven proces wordt onder meer beïnvloed door de ontwikkelingen op de nieuwbouw- en grondmarkt. Vraag en aanbod op deze markt beïnvloeden dus de woningprijs binnen de bestaande voorraad. Indien de kosten voor de grond en de bouw stijgen en nieuwbouwwoningen daardoor duurder worden dan bestaande vergelijkbare woningen zal dit een opdrijvend effect hebben op de prijs; bij daling van de kosten visa versa. In theorie wordt hier dan ook evenwicht bereikt op het Paretooptimalisatiepunt. Dit evenwicht gaat op in de klassieke theorie, in de praktijk blijkt de woningmarkt, beschreven in de voorgaande paragrafen, een inefficiënte onvolkomen markt waar dit niet zal plaatsvinden. De literatuur heeft deze stelling dan ook meerdere malen verworpen. Toch blijft deze weergave zinvol om de verbanden aan te geven die leiden tot prijsvorming. De kapitaalmarkt heeft ook invloed op de prijsvorming. Fair beschreef in 1972 dat de prijs van woondiensten niet alleen afhankelijk is van de prijs van het huis maar ook van de hypotheekkosten, belastingen en het onderhoud. Ook brengt Fair naar voren dat de 3

In paragraaf 2.3.1 wordt de gebruikskostentheorie uiteengezet.

________________________________________________________________________

24


kapitaal- en woningmarkt gelijktijdig in evenwicht kunnen zijn. De prijs van woondiensten zorgt voor een evenwicht op de woningmarkt en de rentestand zorgt voor evenwicht op de kapitaalmarkt. Tenslotte kan de overheid invloed uitoefenen op de prijsvorming op de woningmarkt. In het weergegeven model via de kapitaalmarkt of de grond- en nieuwbouwmarkt. Instrumenten hiervoor zijn regelgeving, financiering, productie en inkomensoverdrachten (Boelhouwer en de Vries, 2004).

2.3.1 Gebruikskostentheorie Binnen de neoklassieke micro economie neemt de gebruikskostentheorie een belangrijke plaats in binnen de prijsvormingstheorie. Binnen de micro economie wordt er vanuit gegaan dat de woningprijs een afgeleide is van de woondiensten4. De achterliggende gedachte is gebaseerd op de consumententheorie van vraag naar goederen en diensten. Door nutsmaximalisatie wordt hier evenwicht bereikt, wat bepalend is voor de vraag naar woondiensten. De gebruikskosten zijn hierin een bepalende factor. Aangenomen wordt dat de gebruikskosten door onderstaande economische functie bepaald wordt, waarin de consument op elk moment zijn woonconsumptie kan bijstellen op basis van de prijs (de gebruikskosten van de woondiensten). In 1999 definieert Haffner op basis van deze benadering de prijs van woondiensten, als het resultaat van de verwachte inflatie van de woningprijs, afschrijvingen, rente, fiscaal regime en de nominale prijs van de woning. Onderstaand is de in de literatuur veel voorkomende standaard definitie weergegeven. (1)

Gt = Wt * [(1-y) * it – δ + Ө - ge/gt]

Met: Gt

= gebruikskosten

Wt

= reële waarde van de woning

y

= marginaal tarief van de inkomstenbelasting (%)

it

= marktrente (%)

δ

= inflatie (%)

Ө

= afschrijving (%)

ge/gt = prijsverwachting van de woning (%) 4

Zie de figuur 2.1 voor een grafische weergave.

________________________________________________________________________


25

Door de formule te herschrijven, Wt uit te drukken in overige parameters, wordt duidelijk dat de woningprijs een directe afgeleide is van de gebruikskosten, Gt. Deze gebruikskosten worden wel gecorrigeerd voor de invloed van belasting, rente, inflatie, afschrijvingen en prijsverwachting. De functie (1) voorziet een directe test op de efficiency op de woningmarkt (Meen, 2002). Door de gevonden hoge autocorrelatie in de modellen wordt bewezen dat de woningmarkt een inefficiënte, onvolmaakte markt is. Het historisch verloop van de woningprijs heeft dus grote invloed op het toekomstige prijsverloop (Case en Shiller, 1990; Cho, 1996; Hort, 2000 en Meen, 2002) Ondanks de positieve theoretische achtergrond van functie (1) zal het voor dit onderzoek praktisch onhaalbaar zijn om geschikte data voor de gebruikskosten te bemachtigen. Deze functie zal dan ook puur dienen voor de beeldvorming. 2.3.2 Neoklassieke theorie In de literatuur wordt het economische kader van de woningmarkt vaak gekenmerkt als een neoklassiek kader. Deze benadering is gebaseerd op de micro economische theorieën die het “nut” van een product hanteren. Binnen de neoklassieke stroming is de variatie in de woningprijs het resultaat van de onbalans tussen vraag en aanbod. De vraag naar woondiensten is hier een functie van demografische factoren, inkomen, rente en woningvoorraad. Het aanbod is een functie van grondkosten, bouwkosten en kredietvoorwaarden (Chen, 1998). Binnen de internationale literatuur bestaan er twee stromingen die contrasterend zijn wat betreft de werking van vraag en aanbod op de evenwichtsprijs. De eerste stroming karakteriseert de koopwoningmarkt als een voorraadmarkt, deze aanname is voornamelijk gebaseerd op de lange levensduur van woningen. Ook zijn veel woningmarkten sterk gereguleerd en is bouwgrond schaars. Deze factoren hebben sterke invloed op de totstandkoming van de evenwichtsprijs. In deze stroming wordt ervan uitgegaan dat de prijs tot stand komt in de bestaande voorraad. Nieuwbouw wordt verondersteld maar een klein effect te hebben op de prijsontwikkeling. De tweede stroming geeft echter wel grote betekenis aan nieuwbouw en daarmee de aanbodzijde. Dit heeft als gevolg dat de bouwkosten en het aanbod een grote invloed uitoefenen op de woningprijs, genaamd de aanbodmarkt. In deze filosofie kan er

________________________________________________________________________

26


aangenomen worden dat bij een goed functionerende woningmarkt de prijsontwikkeling van de woning door de productiekosten bepaald wordt.

2.4

Indicatoren

In deze paragraaf wordt een overzicht gegeven van de in de literatuur besproken prijsindicatoren. Er wordt een onderverdeling gemaakt naar vooral vraag en aanbod gedreven factoren. De vraagzijde wordt per indicator behandeld en aan de aanbodzijde is er gekozen om de indicatoren voor de verschillende segmenten (nieuwbouw en bestaande voorraad) apart te behandelen. 2.4.1 Vraagzijde Binnen de internationale literatuur is er veel aandacht besteed aan de factoren die de vraag naar woondiensten beïnvloeden. Belangrijke factoren zijn inkomens- en prijselasticiteit van huurders en kopers. DeLeeuw (1971) maakte een overzicht van cross-sectional bewijs naar woningvraag. Zijn doel was om meer zekerheid te kunnen bieden betreffende de grote range van uitkomsten uit verschillende onderzoeken. Dit overzicht resulteerde in grote mate van consensus over de inkomenselasticiteit van 0,8 tot 1,0 voor huurders. Voor huiseigenaren werd geconcludeerd dat de inkomenselasticiteit gematigd hoger lag dan die voor huurders. Onbeantwoorde vragen bleven onder andere waarom eigenaars- en huurderselasticiteit van elkaar verschillen. Deze uitkomsten spreken het eenvoudige model gepresenteerd in paragraaf 2.3 tegen. In het model wordt een splitsing gemaakt tussen de twee rollen van de koper, enerzijds als eigenaar en anderzijds als gebruiker. Door deze splitsing maakt de eigenaar op dezelfde wijze gebruik van woondiensten als de huurder, hetgeen weer moet leiden tot gelijke elasticiteit. Onderstaand is een overzicht gegeven van de belangrijkste indicatoren die de vraag naar woningen beïnvloeden. Huishoudensontwikkeling Huishoudensontwikkeling is een van de belangrijkste vraagindicatoren, opgebouwd uit enerzijds huishoudensgrootte en anderzijds demografische ontwikkelingen. Binnen de literatuur was Easterlin (1966) een van de eersten die het grote belang van demografische ontwikkelingen inzag voor het modelleren van economische factoren. Zijn advies was dan ook om eerst de ex post variabele, de bevolkingsgroei, te analyseren voordat er overgegaan wordt tot het maken van een statistisch model. ________________________________________________________________________


Het

meest

27

besproken

en

bekritiseerde

onderzoek

naar

demografische

ontwikkelingen op de vraag naar woningen is afkomstig van Mankiw en Weil (1989). In dit onderzoek voorspellen de auteurs een substantiële daling van de reële woningprijzen. De meeste aandacht trok de voorspelling dat de reële woningprijs op de Amerikaanse woningmarkt tot 2007 verwacht werd met 47% te dalen. Dit is een van de weinige onderzoeken naar de woningmarkt die rekening hielden met een daling van reële woningprijzen. Mankiw en Weil deden deze opzienbarende uitspraken op basis van onderzoek in de Verenigde Staten. De auteurs beweerden dat de sterke reële woningprijsstijging in de jaren zeventig veroorzaakt werd door de toetreding van de babyboom generatie tot de woningmarkt. Als gevolg van het lage geboortecijfer na de babyboom en de hierdoor kleinere groep toetreders twintig tot dertig jaar later, werd een sterke negatieve invloed op de vraag naar woningen verwacht. Verwacht werd dat als gevolg van deze babybust de woningvraag in de jaren negentig veel minder zou groeien als de voorgaande veertig jaar. Door deze lagere groei van de woningvraag voorspelden de auteurs deze substantiële daling van de reële Amerikaanse huizenprijzen. Anno 2006 kan geconcludeerd worden dat deze voorspelde daling van de woningprijzen niet is uitgekomen. Woodward (1991) en Swan (1995) geven als hoofdoorzaak voor de onjuiste uitkomsten, de misinterpretatie van de vraag variabele. Door de vraag variabele te meten in enkel een maat van demografische ontwikkeling wordt voorbij gegaan aan het feit dat de vraag variabele de ontwikkeling in inkomen, de relatieve prijzen en de rente moet weergeven. Ook stelt Swan dat de bouwkosten stijging in de periode 1947-1987 een belangrijke oorzaak kan zijn voor de sterk gestegen huizenprijzen in de jaren zeventig. Naar mijn mening heeft de permanente daling van de huishoudensomvang en de permanent stijgende vrouwenparticipatie op de arbeidsmarkt mede bijgedragen aan deze sterke reële groei van de woningprijzen. Op basis van onderzoek uitgevoerd door Brounen en Eichholtz (2004), bijna dertig jaar later, wordt in een internationale studie het nadelige effect van de vergrijzende bevolking aangeduid en de verwachte relatie tot de vastgoedmarkten. Opvallend is dat de door Mankiw en Weil verwachte negatieve invloed van de babybust op de Amerikaanse huizenmarkt is uitgebleven en de bevolking, onder invloed van hoofdzakelijk de constante

________________________________________________________________________

28


immigratiestroom, enkel gegroeid is en de verwachting is dat dit tot 2050 voor Amerika zo blijft.5 Vastgoedcrisissen uit het verleden zijn meestal veroorzaakt door een te sterke groei van het aanbod of een te sterke afname van de vraag, of een combinatie van deze factoren. Het tijdseffect en daarmee de meestal weer opstartende economie in combinatie met een groeiende bevolking en hoeveelheid werknemers zorgden meestal voor het normaliseren van de verhoudingen tussen vraag en aanbod. Door het weer naar elkaar groeien van vraag- en aanbodfactoren wordt er nieuw “evenwicht” bereikt. Na verloop van tijd wordt de mismatch dus verholpen (Brounen en Eichholtz, 2004). In de marktanalyse, in het volgende hoofdstuk, wordt uitgebreid stilgestaan bij deze ontwikkeling en de effecten op de sterk vergrijzende Duitse woningmarkt besproken. Inkomen en Vermogen In theorie is de woningprijs gevoelig voor inkomensverandering en bestaat er op veel woningmarkten een lange termijn evenwicht tussen het inkomen en de woningprijs. Uit de verklarende woningprijsmodellen kan een inkomenselasticiteit gedestilleerd worden. Indien de inkomenselasticiteit groter is dan 1, dan leidt een inkomensstijging tot een meer dan evenredige stijging van de woningprijs (Boelhouwer en de Vries, 2004). Meen (2001) toonde aan dat een inkomensverandering niet automatisch leidt tot eenzelfde proportionele verandering in de woningprijs. De auteur geeft aan dat het minimale eigen vermogen dat een huishouden nodig heeft, de doorstroming op de koopwoningmarkt belemmert. Immers het verschil van de kosten en de maximale hypotheek is het eigen vermogen dat een huishouden moet inbrengen bij een woningtransactie. Dit is de resultante uit de huishoudensituatie en geeft vaak bij de lagere inkomens moeilijkheden. Duidelijk is dat inkomen en de vermogensontwikkeling van huishoudens grote invloed hebben op de vraag van huishoudens naar woningen. Deze variabelen zijn sterk afhankelijk van de ontwikkeling van de werkloosheid, het bruto binnenlands product en daarmee de ontwikkeling van de economie. Binnen de woningliteratuur bestaat overeenstemming dat huishoudens een vast percentage van hun inkomen besteden aan wonen. Boelhouwer en de Vries (2001) becijferen dit lange termijn evenwicht voor de 5

In hoofdstuk 3.4 wordt verder ingegaan op de demografische ontwikkelingen en in tabel 3.3 is de bevolkingsontwikkeling uit het onderzoek van Brounen en Eichholtz weergegeven.

________________________________________________________________________


29

Nederlandse woningmarkt op 23,4%. Dus op lange termijn ligt een stijgend inkomen of vermogen ten grondslag aan een stijgende woonconsumptie en daarmee aan een stijgende woningprijs. Financieringsmogelijkheden Op de financieringsmogelijkheden bij banken zijn de rente, de fiscale situatie en de hypotheekvormen van invloed. De ontwikkeling op de rentemarkt houdt direct verband met de maandlasten van huishoudens en is van invloed op het maximale hypotheekbedrag. Door deze factoren beïnvloedt de rente de prijsvorming op de koopwoningmarkt. De ontwikkeling op de rentemarkt is afhankelijk van de economische ontwikkeling en wordt voor de korte rente grotendeels gedicteerd door de Europese Centrale Bank, op lange termijn blijft de inflatie leidend. De belangrijkste indicatoren voor renteontwikkelingen in de Eurozone zijn de inflatie en M3 geldhoeveelheid. Dit zijn de pijlers waarop de Europese Centrale Bank stuurt met als doelstelling respectievelijk 2% en 5%. Daarnaast kijkt de Europese Centrale Bank voornamelijk naar het sentiment en het vertrouwen wanneer ze een beslissing over het minimum tarief van de herfinancieringsrente neemt, ook wel de refi-rente genaamd. Mutaties van de refi-rente gaan geleidelijk en hoofdzakelijk stapsgewijs met 25 basispunten om geen onrust op de financiële markten te veroorzaken. Indirect worden hierdoor alle rentetarieven gestuurd, dus ook het rentetarief op de hypotheekmarkt. De ECB stuurt in veel landen via de rentetarieven de vraag naar koopwoningen. In Nederland worden huishoudens door de hypotheekrenteaftrek en daarmee lagere netto maandlasten in staat gesteld een groter bedrag vrij te maken om aan woondiensten te besteden. Door deze verkapte overheidssubsidie stijgt de vraag naar en daarmee de prijs van koopwoningen. In veel Europese landen is deze subsidie afgeschaft en wordt er door bijvoorbeeld het aanbieden van goedkopere leningen voor lagere inkomens mogelijk gemaakt toch een woning te kopen. DiPasquale (1999) stelt dat fiscale subsidies zoals, belastingaftrek een aanzienlijke invloed hebben op de vraag naar huizen en het woningbezit. De fiscale situatie en de hypotheekvormen worden vaak als exogene variabelen behandeld. De reden hiervoor is de vaak constante invloed op de prijsontwikkeling; rente daarentegen is direct van invloed op de maandlasten. In de marktanalyse worden deze indicatoren uitgebreid besproken. ________________________________________________________________________

30


2.4.2 Aanbodzijde In de internationale literatuur is minder aandacht besteed aan de factoren die het aanbod naar woondiensten beïnvloeden. De literatuur die aanbodfactoren behandelt is hoofdzakelijk gericht op het nieuwe aanbod; verbeteringen in de oude voorraad worden meestal buiten beschouwing gelaten terwijl dit een steeds groter deel beslaat. Naast de uitbreiding van het aanbod is overheidsbeleid met betrekking tot de woning niet enkel aan de vraagzijde van belang maar ook aan de aanbodzijde. Nieuwbouw In de eerste empirische studies in de Verenigde Staten naar de aanbodzijde, beweren Muth (1960) en later Follian (1979) dat de aanbodzijde perfect elastisch is. Stover (1986) concludeert het tegenovergestelde, een inelastische aanbodzijde. Meer recent rapporteren Malpezzi en Maclennan (1996) een prijselasticiteit van 4 tot 13 voor de Verenigde Staten, afhankelijk van de specificaties. De diversiteit van de studies wordt hier meteen duidelijk. De recentere studies trachten direct het huizenaanbod te modelleren er bestaan hier twee hoofdstromingen. Enerzijds de stroming vanuit de investeringshoek en anderzijds de planologische insteek. Het grote verschil tussen deze stromingen komt tot uiting in de manier hoe de component land wordt behandeld. De investeringsliteratuur gaat voorbij aan het unieke karakter van grond als productiefactor, terwijl de planologen expliciet de grondmarkt in de functie opnemen. Poterba (1984) definieert aanbod als de netto investering in objecten. In zijn studie erkent hij het belang van grond, maar als gevolg van ontbrekende data wordt grond niet in zijn model opgenomen. In het model van Poterba is de netto investering in objecten een functie van de reële huisprijs, de prijs van het output alternatief (in dit geval gemeten in een commerciële bouwdeflator), bouwkosten (gemeten in reële bouwlonen) en de kredietbeschikbaarheid (gemeten in de netto instroom van spaarmiddelen bij banken). Uit deze vergelijking blijkt dat de huizenprijs de voornaamste indicator voor nieuwbouw is. Tobel en Rosen (1998) meten aanbod in de vorm van de bouw van nieuwe woningen gemeten in reële huizenprijzen en een vector voor de verandering in bouwkosten. De auteurs stellen dat reële interest en verwachte inflatie een significante invloed hebben op de bouwactiviteit. De op investeringstheorie gebaseerde modellen gaan voorbij aan de eigenschappen van grond, misschien wel de meest unieke component van een woning. In vergelijking met ________________________________________________________________________


31

de overige factoren die de aanbodzijde verklaren, gedraagt grond zich fundamenteel anders. Grondprijzen zijn gebaseerd op de voorraad van woningen en niet op het niveau van de bouwactiviteit. Binnen deze redenering leidt een stijging van de woningprijs tot overrendementen, waarop de bouwhoeveelheid enkel tijdelijk boven het normale niveau stijgt. Als gevolg van de vergrote voorraad woningen, stijgen de grondprijzen en worden de overrendementen geabsorbeerd en daalt de bouw weer tot het normale lange termijn niveau. DiPasquale en Wheaton (1994) combineren de inzichten en modelleren de nieuwbouwproductie als een functie van de huidige huizenprijzen, de reële korte rente (als financieringskosten voor bouwbedrijven), grondkosten (gemeten in de kosten voor landbouwgrond), bouwkosten (gemeten als een gewogen gemiddelde van arbeids- en materiaalkosten) en de woningvoorraad uit de vorige periode. De auteurs concluderen dat de voorraad, via de nieuwbouw, zich erg traag aanpast aan de nieuwe evenwichtssituatie. In het model heeft de reële korte rente een significante negatieve invloed en de grondprijs geen invloed op de nieuwbouw. Opvallend is dat DiPasquale en Wheaton, net als Poterba en Topel en Rosen, geen significante relatie vinden tussen bouwkosten en nieuwbouw. Samenvattend kan binnen de literatuur over nieuwbouw gesteld worden dat de reële huizenprijs, kredietbeschikbaarheid en de reële korte rente als indicatoren genoemd worden; over de behandeling van de component grond bestaat nog discussie en de bouwactiviteit blijkt niet afhankelijk van de bouwkosten te zijn, hetgeen gevoelsmatig niet juist lijkt. Bestaande voorraad Dankzij het duurzame karakter van de woning, wordt het aanbod niet enkel door de productiebeslissingen van bouwbedrijven, maar ook door eigenaren en investeerders bepaald. Deze partijen kunnen besluiten om grotere wooneenheden te delen in bijvoorbeeld meerdere appartementen. Ook renovatie kan een bijdrage leveren. Deze toevoegingen aan de bestaande voorraad zijn aanzienlijk. Baer (1986) stelt dat, terwijl de nieuwbouw hoofdzakelijk zorgt voor de uitbreiding van het aanbod, de toevoegingen afkomstig uit verbeteringen van de bestaande voorraad groeien met de tijd. In de Verenigde Staten bedroeg deze hoeveelheid ongeveer 10% van de totale nieuwbouw tijdens de jaren vijftig en zestig en al 27% tussen 1973-1980. ________________________________________________________________________

32


Doordat deze verbeteringen op huishoudelijk niveau plaatsvinden is er weinig data beschikbaar, dit maakt onderzoek naar dit onderwerp erg lastig. Bogdom (1992) stelt dat de beschikbare literatuur gericht is op de aanname dat de huiseigenaar zijn nut uit de woning maximeert; dit kan door verbouwing en onderhoud. Poteman (1989) stelt dat bij een stijgend inkomen de keus bestaat om te verbouwen of te verhuizen. Ook geeft de auteur aan dat bij een stijgende rente de aantrekkingskracht van verbouwen en niet verhuizen sterker wordt, onder de voorwaarde dat de hypotheek variabel gefinancierd is. Montgomery (1992) geeft aan dat huishoudens met hogere inkomens meer verbeteren aan hun woning dan de lagere inkomens en als inkomens stijgen vaker verhuizen dan verbouwen. Ook spenderen huishoudens in oudere huizen meer aan verbouwing. Samenvattend kan gesteld worden dat er weinig bekend is over aanpassingen binnen de bestaande voorraad, maar dat het aandeel van deze aanpassingen een steeds sterkere rol gaat spelen binnen het aanbod. Indicatoren die in literatuur worden gehanteerd zijn renovatie en verbouwing op huishoudensniveau, maar deze blijken erg lastig te verzamelen. Duidelijk is wel, dat huishoudens met hogere inkomens eerder en meer verbouwen aan hun woning en bij een stijgend inkomen eerder verhuizen. Overheidsbeleid Overheidsbeleid is, vaak indirect, van invloed op de aanbodskant. Huursubsidie (rental assistance in de Verenigde Staten) of goedkoper lenen (bausparen in Duitsland) leidt tot een sterkere vraag naar woondiensten en werkt afhankelijk van de prijselasticiteit van het aanbod door in de productie van het aantal woningen. Overheidsbeleid kan ook direct van invloed zijn op de aanbodkant. Gedacht moet worden aan de uitgifte van bouwvergunningen en bestemmingsplannen. De VINEX-locaties in Nederland zijn een goed voorbeeld van overheidsbeleid dat direct van invloed is. Door de bouw van sociale woningen, is er direct verband tussen het overheidsbeleid en de aanbodzijde. Ditzelfde geldt voor belastingbeleid ontworpen om de private bouw van nieuwe huurwoningen te stimuleren. Uit de literatuur komt naar voren dat subsidies aan de aanbodkant meestal ingevoerd zijn ten gunste van de huursector. Murray

(1983)

concludeert

uit

eigen

onderzoek

dat

gesubsidieerde

woningprogramma’s niet leiden tot extra toevoeging van woningen aan de bestaande ________________________________________________________________________


33

voorraad, maar dat er substitutie optreedt binnen de nieuwbouw. Particuliere woningbouw neemt af en gesubsidieerde woningbouw stijgt. Ook belastingbeleid kan invloed hebben op het woningaanbod, aan de aanbodzijde vooral op de huurwoningmarkt. DiPasquale en Wheaton (1992) concluderen uit hun empirisch onderzoek dat één procent stijging van de kapitaalkosten voor investeerders in huurwoningen leidt tot 14% verlaging van de bouw van woningen. Samenvattend kan gesteld worden dat overheidsbeleid vooral invloed heeft op de huurwoningmarkt, maar een sterke gesubsidieerde stijging van het aantal nieuwe huurwoningen kan leiden tot een afname van het aantal nieuwe goedkope koopwoningen. Via bouwvergunningen en bestemmingsplannen kan er door de overheid invloed uitgeoefend worden op de gehele woningmarkt. Wijzigend belastingbeleid voor investeerders heeft via de financieringskosten invloed op de bouw van nieuwe woningen.

2.5

Modellen

Een groot deel van de internationale studies laat zien dat woningprijsmodellen gekenmerkt worden door een hoge mate van autocorrelatie. De vertraagde woningprijs heeft dus een sterke invloed op de prijsvorming. De meest geciteerde studies naar autocorrelatie patronen zijn die van Case en Shiller (1988 en 1990). De auteurs rapporteren sterk bewijs voor positieve autocorrelatie bij het gebruik van kwartaaldata en zwakker bewijs voor negatieve autocorrelatie bij het gebruik van data met een lagere frequentie. In de literatuur worden meestal reële waarden in de modellen opgenomen, enkele onderzoeken modelleren de nominale huizenprijs. Het onderzoek van Brounen en Huij (2004) is hier een voorbeeld van. De reden van het filteren van de inflatie is dat er vaak naar veranderingen gekeken wordt en de inflatie dan enkel een verstorend effect geeft. Economische variabelen worden gekenmerkt door groei. Om deze verklarende variabelen stationair te maken, dat wil zeggen dat de wijzigingen constant zijn over de tijd, wordt er in de literatuur vaak een log-transformatie uitgevoerd. In veel internationale onderzoeken naar woningprijsontwikkelingen wordt de vraag relatie weergegeven in de volgende log lineaire vorm: ln H = a + b ln y + c ln pH, met H de vraag naar woondiensten, y het inkomen, pH de relatieve prijs van woondiensten en a, b en c constanten. Het reëel maken van de variabelen heeft vaak hetzelfde effect.

________________________________________________________________________

34


Uit de overtuiging dat in veel woningmarkten de prijs in de bestaande voorraad wordt bepaald zijn er weinig modellen die aanbodfactoren opnemen. OESO (2004) echter neemt in het model voor de Nederlandse huizenmarkt de woningvoorraad als aanbodfactor op. In tabel 2.1 zijn drie vaak in de literatuur voorkomende vormen van modellen weergegeven. In hoofdstuk 4 en 5 waar het landelijke en regionale model wordt opgesteld worden de gehanteerde modellen uitgebreider besproken. Onderstaand worden kort de eigenschappen aangegeven. Tabel 2.1: Overzicht prijsvormingsmodellen op de koopwoningmarkt Time Series

Cross-Section

Pooled data of Panel data

trend analyse (verklaren gegevens uit eigen verleden)

structural analyse (verklaren combinatie Time Series en Crossgegevens uit andere variabelen Section (verklaren gegevens uit eigen verleden en andere variabelen

langere tijdsperiode

binnen een tijdsperiode

combinatie

n>30

n>30

n afhankelijk van de specificaties bij gelijke hoeveelheid variabelen betere uitkomsten

Bron: Eigen bewerking literatuur

________________________________________________________________________


2.6

35

Samenvatting en conclusies

In dit hoofdstuk is een beschrijving van de specifieke karakteristieken van het consumptiegoed wonen gegeven. Eigenschappen als heterogeniteit, grondgebondenheid, hoge transactiekosten en het inflexibele woningaanbod kenmerken het product wonen en zijn van grote invloed op de prijsvorming. Deze unieke combinatie van eigenschappen van het product wonen heeft invloed op de mate van marktwerking op de koopwoningmarkt, waar prijsvorming een resultante van is. Duidelijk is geworden dat er op de meeste woningmarkten sprake is van een inefficiënte markt. Aan de drie meest genoemde kenmerken van efficiëntie: beschikken over perfecte informatie, gelijke marktmacht en homogeniteit van het product voldoet de woningmarkt niet. Op deze onvolkomen markt is er sprake van een onstabiel evenwicht, veroorzaakt door nog niet uitgewerkte economische krachten waardoor er van binnenuit veranderingen ontstaan, hetgeen lastig is te modelleren. Tabel 2.2: Overzicht van vraag- en aanbodfactoren op de koopwoningmarkt Vraag factoren

Aanbod factoren

Aantal huishoudens huishoudenomvang demografische ontwikkeling Inkomen en Vermogen economische situatie werkloosheid GDP Financieringsmogelijkheden rente fiscale situatie hypotheek mogelijkheden

Opbouw woningvoorraad omvang huur- en koopsector kwaliteit woningvoorraad schaarste en leegstand Invloed Overheid weten regelgeving bouw grond- en subsidiebeleid belasting klimaat Productiekosten bouwkosten grondkosten

Bron: Eigen bewerking literatuur

Uit de besproken literatuur is een selectie van prijsverklarende factoren gemaakt, waarmee in dit onderzoek gezocht zal worden naar een verklaring voor de prijsontwikkeling van Duitse koopwoningen. In tabel 2.2 worden deze factoren weergegeven. Er kan hier een onderverdeling gemaakt worden naar vooral vraaggedreven factoren en factoren die vooral het aanbod beïnvloeden. In de marktanalyse in het volgende hoofdstuk zullen deze vraag- en aanbodfactoren voor de Duitse woningmarkt behandeld worden, indien relevant in Europees perspectief. Over prijsverwachting van ________________________________________________________________________

36


consumenten zijn geen gegevens beschikbaar; dit is dan ook de reden dat deze factor niet opgenomen is. De veranderingen van deze vraag- en aanbodfactoren zijn van invloed op de ontwikkeling

van

de

woningprijs.

Ook

speelt

inflatie

een

rol.

In

veel

prijsvormingsmodellen wordt er daarom met reële waarden gewerkt om de vaak bijna constante invloed van inflatie uit het model te filteren en beter inzicht te krijgen welke factoren prijsbepalend zijn. Een log-transformatie of het hanteren van reële waarden kan bijdragen in het proces de variabelen stationair te maken. Door de procentuele wijzingen van de modelvariabelen te hanteren en hoofdzakelijk constant ontwikkelende inflatie buiten het model te houden, wordt er beter inzicht gegeven in de factoren die de reële prijsontwikkelingen bepalen. Binnen de modellen valt eenheid te ontdekken. De meeste onderzoeken hanteren een vorm van de het neoklassieke model Q = q(Y, PH, PO, T) met Q woningconsumptie, Y het huishoudensinkomen, Ph de relatieve prijs van wonen, Po een vector van prijzen van andere goederen en diensten en T een smaak parameter. Dit neoklassieke model wordt in de meeste onderzoeken herschreven zodat P een functie van Q wordt en in de vorm van een Tijdreeks, een Cross-Section of Panel data model uitgewerkt wordt. Uit de literatuurstudie komt naar voren dat er twee stromingen in de vastgoedliteratuur bestaan, te weten de groep die denkt dat prijsvorming plaats vindt binnen de bestaande voorraad en de groep die het aanbod als belangrijke variabele aanwijst in het prijsvormingsproces. Deze splitsing is van invloed op de verklarende modellen. Concluderend: er is nog geen eenheid in de woningliteratuur. Er bestaan zeer verschillende

opvattingen

en

zeer

veel

verschillende

indicatoren

die

in

het

prijsvormingstraject worden gehanteerd. Ook moet gesteld worden dat er grote verschillen zijn in woningprijsmodellen tussen verschillende landen, maar ook binnen landen kunnen deze modellen sterk verschillen.

________________________________________________________________________


37

________________________________________________________________________

38


Figuur 3.1: Prijsindex reële huizenprijzen; 1980-2001 230 210 190 170 150 130 110 90

19 80 19 81 19 82 19 83 19 84 19 85 19 86 19 87 19 88 19 89 19 90 19 91 19 92 19 93 19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01

70

Spanje

Verenigd Koninkrijk

Verenigde Staten

Frankrijk

Japan

Duitsland

Bron: The economist, 2005 Figuur 3.2: Bevolkings- en huishoudensgroei in procenten; 1980-2004 België Denemarken Duitsland Frankrijk Nederland Verenigd Koninkrijk Zweden EU 25 0

5

10

15

20

huishoudensgroei 1980-2000

25

30

35

40

bevolkingsstijging 1980-2004

Bron: Housing Statistics in the European Union, 2004 Tabel 3.1: Demografische en sociaal-economische kenmerken, 2004 bevolking huishoudens huishouden BNP werkloosheid (in mln) (in mln) omvang (per capita) percentage België 10,4 4,4 2,4 € 26.000 8,1 Denemarken 5,4 2,5 2,2 € 34.900 5,6 Duitsland 82,5 38,9 2,1 € 25.800 9,6 Frankrijk 59,6 24,9 2,3 € 25.300 9,4 Nederland 16,2 7 2,3 € 28.000 3,8 Verenigd Koninkrijk 59,3 24,4 2,4 € 26.600 5 Zweden 8,9 4,5 1,9 € 32.300 5,6 EU 25 453,6 € 21.300 9,1

Bron: Housing Statistics in the European Union, 2004

________________________________________________________________________


3.

39

Marktanalyse

Dit hoofdstuk geeft een analyse van de Duitse woningmarkt. De marktanalyse is opgebouwd uit twee delen. Het eerste deel behandelt de Duitse woningmarkt in Europees perspectief. Door de Duitse situatie te vergelijken met Europese landen worden overeenkomsten en verschillen duidelijk. Het tweede deel is meer gericht op de verschillen binnen Duitsland. De Europese en Duitse paragraaf behandelen, voor zover relevant, de in het voorgaande hoofdstuk gepresenteerde vraag- en aanbodfactoren.

3.1

De Duitse woningmarkt in Europees perspectief

In figuur 3.1 is de reële prijsontwikkeling van woningen vanaf 1980 weergegeven. De zeven landen zijn gekozen om uitersten aan te geven. Opvallend zijn de grote verschillen tussen enerzijds Spanje en het Verenigd Koninkrijk die een sterk stijgende trend kenden vanaf 1980 en anderzijds Duitsland dat de laatste jaren door een dalende trend werd gekenmerkt. Door middel van een analyse zal getracht worden een verklaring te vinden voor deze dalende trend op de Duitse woningmarkt. 3.1.1 Huishoudensontwikkeling In alle onderzochte Europese landen is de bevolking de afgelopen 25 jaar gestegen met gemiddeld rond de 6%. In Duitsland en België zijn er een aantal jaren geweest met een netto afname van het aantal inwoners. Nederland en Frankrijk laten sinds 1980 de snelste stijging van het aantal inwoners zien, respectievelijk ruim 16% en 11%. Het aantal huishoudens is deze periode harder gestegen met 21% in Frankrijk, Duitsland en het Verenigd Koninkrijk. Nederland heeft de grootse huishoudensgroei doorgemaakt met bijna 36%, weergegeven in figuur 3.2. De omvang van de huishoudens is gedurende de tijd gedaald naar waarden tussen de 1,9 en 2,4 personen. Duitsland heeft, na Zweden, de kleinste huishoudensomvang met gemiddeld 2,1 personen. Opgemerkt moet worden dat er binnen de onderzochte landen verschillende meetmethoden van huishoudensomvang gehanteerd worden. In Zweden worden huishoudens die een woning delen ook meegeteld, hierdoor valt de huishoudensomvang lager uit. Het Statistisches Bundesamt verwacht tot 2030 een marginale groei van het aantal huishoudens, enkel gedreven door kleinere huishoudens. Een daling van 2,1 tot 1,9 leidt tot een stijging van ruim 4 miljoen huishoudens. ________________________________________________________________________

40


Tabel 3.2: Aantal werknemers (x1000 personen) in internationaal perspectief; 1950-2000

Duitsland Frankrijk Nederland Verenigd Koninkrijk Zweden Australië Verenigde Staten Wereld

aantal werknemers 2000 53.035 36.320 10.244 35.888 5.387 14.356 174.872 3.482.774

cumulatieve groei max werknemers in 1950-2000 2000-2050 23,8% -27,9% 1995 41,3% -8,1% 2005 74,2% -13,8% 2005 14,1% -16,2% 2015 22,3% -11,6% 2010 133,6% 21,5% 2050 83,1% 28,8% 2050 152,6% 53,4% 2050

Het aantal werknemers is per land gedefinieerd als het aantal personen tussen de 18 en 64 jaar. Groeipercentages voor 1950-2000 zijn historisch en voor 2000-2050 voorspellingen. Tabel 3.3: Totale bevolking (x1000 personen) in internationaal perspectief; 1950-2000

Duitsland Frankrijk Nederland Verenigd Koninkrijk Zweden Australië Verenigde Staten Wereld

totale bevolking 2000 82.282 59.296 15.898 58.689 8.856 19.453 285.003 6.070.581

cumulatieve groei 1950-2000 2000-2050 20,3% -3,8% 41,8% 8,3% 57,2% 6,6% 17,8% 12,7% 26,3% -1,8% 133,0% 33,5% 80,6% 43,4% 152,6% 53,4%

max bevolking in 2010 2040 2035 2050 2025 2050 2050 2050

De bevolking is de nationale bevolking per land. Groeipercentages voor 1950-2000 zijn historisch en voor 2000-2050 voorspellingen. Bron: United Nations World Population Prospects Database, Brounen en Eichholtz, 2004

________________________________________________________________________


41

3.1.2 Demografische ontwikkeling Demografische ontwikkelingen behoren tot belangrijkste indicatoren voor de toekomstige vraag naar vastgoed. Dit geldt niet alleen voor woningvastgoed maar ook voor bedrijfsonroerendgoed. Anders dan in de periode vanaf de Tweede Wereldoorlog zal er op de Europese markt een omslag komen van groei naar stagnatie naar uiteindelijk afname van de bevolking en daarmee uiteindelijk ook onvermijdelijk een dalende vraag naar vastgoed. De richting is bekend, onduidelijk is nog hoe sterk de invloed op de vastgoedmarkt zal zijn. Voor de woningmarkt is essentieel dat de bevolkingsontwikkeling alleen, niet de vraag naar woningen bepaalt, deze wordt mede bepaald door de omvang van de huishoudens. Negatieve effecten op bevolkingsomvang worden dan ook door de positieve ontwikkeling van de huishoudensomvang gedeeltelijk teniet gedaan. Door deze compenserende werking wordt verwacht dat de vergrijzende bevolking de eerste uitwerking zal hebben op de kantorenmarkt, die door het directe verband, het dalende aantal werknemers, als eerste de negatieve effecten van demografische ontwikkelingen zal ondervinden. Tabel 3.2 en 3.3 geven aan dat in Duitsland de bevolkingspiek in 2010 zal plaatsvinden en in 1995 de werknemerspiek al heeft plaats gevonden. Dit is het vroegst van de onderzochte landen. Duitsland heeft met een cumulatieve bevolkingsdaling van 3,8% en een werknemersdaling van 27,9% tot 2050 de slechtste vooruitzichten van de onderzochte landen. Landen als Nederland, het Verenigd Koninkrijk en Zweden zullen beter presteren, maar krijgen later met hetzelfde fenomeen te maken. Belangrijk om op te merken is dat volwassen economieën, door immigratie gedreven, de uitzondering op de regel zijn. Tot 2050 laten Australië en de Verenigde Staten een groei van de bevolking en het aantal werknemers zien. Het nu al aanwezige overaanbod, in combinatie met deze slechte vooruitzichten, kan funeste gevolgen voor de Duitse woningmarkt hebben. Zoals in alle niet meer groeiende markten zal er enkel nog een vervangingsvraag optreden. Met als gevolg dat de vraag hoofdzakelijk kwalitatief gedreven zal worden. In combinatie met het lange bestaanskarakter van woningen zal dit leiden tot structurele leegstand in kwalitatief slechte gebieden. Tenzij er door herstructurering en sloop voldoende op dit groeiende probleem wordt geanticipeerd. Als alleen naar de tabellen 3.2 en 3.3 gekeken wordt, kan de nog steeds groeiende ________________________________________________________________________

42


Figuur 3.3: Economische groei per capita gemeten in reëel GDP; 1994-2005. 5 4

%

3 2 1 0 1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

-1 België

Denemarken

Duitsland

Frankrijk

Nederland

Zw eden

Verenigd Koninkrijk

EU15

Bron: Eurostat 2006 Figuur 3.4: Gemiddeld bruto jaarinkomen per FTE in de industrie en dienstensector; 1995-2004 € 44.000 € 42.000 € 40.000 € 38.000 € 36.000 € 34.000 € 32.000 € 30.000 € 28.000 € 26.000 € 24.000 1995 België

1996

1997

Denemarken

1998

1999

Duitsland

Frankrijk

2000

2001

Nederland

2002

Zweden

2003

Verenigd Koninkrijk

2004 EU15

Bron: Eurostat 2006 Figuur 3.5: Werkloosheidspercentage ten opzichte van de beroepsbevolking; 1994-2004 12 11 10 9

%

8 7 6 5 4 3 2 1994 België

1995 Denemarken

1996

1997 Duitsland

1998

1999

Frankrijk

2000 Nederland

2001

2002 Zweden

2003

2004

Verenigd Koninkrijk

2005 EU15

Bron: Eurostat 2006

________________________________________________________________________


43

interesse van beleggers voor de Duitse woningmarkt niet verklaard worden; andere factoren zullen mede van invloed zijn. Een verklaring kan zijn dat er nu al een verschuiving optreedt van beleggers in vastgoedsectoren met nog slechtere vooruitzichten. Opgemerkt moet wel worden dat deze uitkomsten gebaseerd zijn op voorspellingen van de Verenigde Naties. Ondanks dat een groot deel van de personen, besproken in de statistieken, al geboren zijn kunnen er wijzigingen optreden onder andere door politieke beslissingen omtrent immigratiewetgeving. Ook zijn de cijfers op nationaal niveau, hetgeen betekent dat er grote regionale verschillen mogelijk zijn. 3.1.3 Inkomen en vermogen Inkomens- en vermogensontwikkeling zijn een resultante van de economische situatie. In figuur 3.3 is de economische groei per capita weergegeven voor de onderzochte landen. Opvallend is dat de economische groei zich in dezelfde trend ontwikkelt. De economische groei in Duitsland behoort tot de laagste van de vergeleken landen, gemiddeld 1,37% over de afgelopen 12 jaar, Zweden produceerde de hoogste groei met 2,66% over de laatste 12 jaar. In figuur 3.4 is ter indicatie het gemiddeld bruto jaarinkomen weergegeven in de dienstensector Absoluut gezien presteert Duitsland, op Denemarken na, het best. Op gebied van werkloosheid bestaan grote verschillen binnen de Europese landen. Duitsland heeft momenteel met ruim 5 miljoen werklozen, het hoogste percentage van de onderzochte landen. In 2005 heeft Duitsland met 9,6% Frankrijk achter zich gelaten; op basis van cijfers van de Economist blijkt de werkloosheid zelfs 11,2% te zijn. In België, Frankrijk en Duitsland ligt de werkloosheid boven het Europees (EU15) gemiddelde. De overige onderzochte landen presteren beter met percentages rond de 5%. Duidelijk is dat Duitsland in vergelijking met de onderzochte landen op economische groei en werkloosheid het slechtst presteert. Toch ligt het inkomen, op Denemarken na, het hoogst. De vraag blijft of door toenemende Europese eenwording de verschillende Europese economieën de komende jaren verder zullen convergeren. 3.1.4 Financieringsmogelijkheden In deze paragraaf worden de fiscale en niet fiscale regelingen besproken die van invloed zijn of zijn geweest op de koopwoningmarkt. In Europees perspectief wordt gekeken naar directe verbanden tussen wijzigingen in de fiscale situatie en de ontwikkeling van de woningprijs. Ook wordt de relatie tussen de fiscale situatie en hypotheekschuld belicht. In Duitsland bestaat een ingewikkeld stelsel van regelingen die deels landelijk en ________________________________________________________________________

44


Tabel 3.4: Fiscale regelingen; 2000 Eigen Hypotheekrente woningforfait aftrek ja, lokaal gedifferentieerd ja, 1e 12 jaar 55% progressief nee ja, 39% progressief nee nee nee nee ja, 0.8% ja, 52% progressief (max 30j) nee nee nee ja, 30% proportioneel

België Denemarken Duitsland Frankrijk Nederland Verenigd Koninkrijk Zweden

Overige fiscale maatregelen aflossing en onderhoud aftrekbaar

onderhoud aftrekbaar

Bron: Boelhouwer e.a. 2001 Tabel 3.5: Niet fiscale stimulerings- en ondersteuningsmaatregelingen; 2000

België Denemarken Duitsland Frankrijk Nederland Verenigd Koninkrijk Zweden

bouwsubsidies

Bijdragen eenmalig

periodiek

ja nee nee ja ja ja ja

nee nee nee nee nee ja nee

ja nee ja ja ja ja nee

rentekorting bouwsparen nee nee ja ja nee nee nee

Overig garanties, verzekeringen ja nee nee ja ja ja nee

Bron: European Mortgage Federation, landendocumentatie en Boelhouwer e.a. 2001 Tabel 3.6: Wijzigingen in de fiscale behandeling van de eigen woning; 1980-2006 Denemarken Zweden

Periode 1987-1993 1991

Duitsland

1987 1996 2006

België Frankrijk Verenigd Koninkrijk

1979-2000

Maatregel Invoering duaal stelsel; forse tariefverlagingen en grondslagverbreding. Afschaffing Eigen woonforfait in Zweden (1991) en Denemarken (2000) en beperking hypotheekrenteaftrek in Zweden (1991) van 80% tot 30% Afschaffing eigen woonforfait en hypotheekrenteaftrek, vervangen door afschrijvingsaftrek en het Baukindergeld Volledige defiscalisering, vervangen door soortgelijke subsidieregeling (Eigenheimzulagen-Gesetz) Afschaffing Eigenheimzulagen-Gezetz Geringe tariefsverlaging en begin jaren negentig uitbreiding van de hypotheekrenteaftrek Geringe tariefsverlaging en hypotheekrenteaftrek, afgeschaft in 1997-1998 geleidelijke afbouw hypotheekrenteaftrek, definitief afgeschaft in 2000

Bron: diverse landendocumentatie en Boelhouwer e.a. 2001, geactualiseerd Tabel 3.7: Relatie prijsontwikkelingen en fiscale wijzigingen van een koopwoning; 2006 Periode

Denemarken Zweden Duitsland

1987-1993 1991 1987 1996 2006

België Frankrijk Verenigd Koninkrijk

1997-1998 1979-2000

onderdeel totale herziening ja ja nee nee nee nee nee nee

Fiscale wijziging invoering economische situatie ineens recessie ineens recessie geleidelijke divers overgangsmaatregels ineens divers geleidelijk

divers

Prijsontwikkeling na invoering (5 jaar)* -33% -15% 20% 0% mix mix mix

*prijseffecten kunnen niet enkel toegeschreven worden aan veranderingen in de fiscale situatie. Bron: Boelhouwer e.a. 2001, geactualiseerd

________________________________________________________________________


45

deels regionaal (per Länder) worden geregeld. De regelingen worden frequent gewijzigd en zijn over het algemeen, inkomens- en kindafhankelijk. Het behandelen van alle regionale regelingen gaat voorbij aan doel van dit onderzoek. In tabel 3.4 en 3.5 zijn de fiscale en niet fiscale regelingen opgenomen. Binnen de onderzochte landen bestaan er grote verschillen. De in Nederland bijna heilige hypotheekrenteaftrek is in de meeste Europese landen afgeschaft. In Duitsland gebeurde dat al in 1987 tegelijk met de afschaffing van het eigen woonforfait. Ter vervanging werden de afschrijvingsaftrek en het Baukindergeld ingevoerd. Deze regelingen zorgden beiden voor een aftrekpost op de inkomensbelasting. Het Baukindergeld was kindafhankelijk en de Afschrijvingsaftrek bedroeg 5% van de waarde van de woning inclusief 50% van de waarde van de grond. In 1996 werden in Duitsland alle fiscale regelingen afgeschaft en vervangen door niet fiscale stimulerings- en ondersteuningsregelingen, overigens wel uitgevoerd door de fiscus (figuur 3.6). Het bouwfonds spaarsysteem heeft alle wijzigingen overleefd en biedt deelnemers de mogelijkheid goedkoper een lening af te sluiten. De laatste ontwikkeling in Duitsland betreft de afschaffing van de Eigenheimzulagen-Gezetz per januari 2006. Het doel van deze regeling was het woningbezit te stimuleren. De huidige regering van christen- en sociaaldemocraten verwacht hierdoor de komende vier jaar 10 miljard euro te besparen. De regeling bestond uit 8 jaar lang staatssubsidie van maximaal 1250 euro per jaar. Voor elk kind was er jaarlijks 800 euro extra. Een gezin met twee kinderen had dus recht op maximaal 22.800 euro (Vastgoedmarkt, december 2005). Op basis van deze veronderstelling raakt deze maatregel circa 1 miljoen huishoudens, dit zal een negatieve uitwerking hebben op de woningprijzen. Uit tabel 3.7 blijkt dat in Duitsland de koopprijzen tussen eind jaren tachtig en begin jaren negentig zijn gestegen. Deze stijging ging hand in hand met een verbetering van de fiscale regelingen. Of hier sprake was van een causaal verband tussen fiscaliteit en de koopprijsontwikkeling, is in de literatuur niet terug te vinden. Denemarken en Zweden laten voor ditzelfde tijdvlak een sterke negatieve ontwikkeling zien na de plotseling ingevoerde fiscale wijziging. Opgemerkt moet worden dat deze wijziging ten tijde van een recessie plaatsvond (Boelhouwer e.a., 2001). In het in 2005 verschenen onderzoek van de Europese Commissie naar de ontwikkeling van de integratie op de Europese hypotheekmarkt, stellen de consultants van London Economics dat door dalende interest spreads op de Europese hypotheekmarkt ________________________________________________________________________

46


Tabel 3.8: Hypotheekschuld als percentage van de het besteedbaar inkomen, GDP en producten; 2003

% besteedbaar inkomen 2003 België Denemarken Duitsland Frankrijk Nederland Verenigd Koninkrijk Zweden

188 83 40 208 105 98

% GDP voorspelling 2015 43.7 135.1 106.6 62.8 154.1 70.3 61.8

actueel 2003 28.3 87.5 54.3 24.8 99.8 70.3 50.1

hypotheekproducten gemiddelde LTV maximale LTV 75 125 80 80 70 60* 80 80-110 125 70-80 130 70-80

*60% LTV op lenigingen die door een Pfandbrief gedekt zijn Bron: samenstelling van tabellen afkomstig van RICS(2006) en London Economics (2005).

Figuur 3.6: Opbouw van de woningvoorraad; 2003 Nederland Denemarken Zweden Verenigd Koninkrijk Finland Frankrijk Ierland België Duitsland Portugal Italië Oostenrijk Luxemburg Spanje Griekenland 0%

10%

20%

30%

Sociale huur

40%

50%

Particuliere huur

60%

70%

Koopsector

80%

90%

100%

Overig

Bron:Norris en Shield, 2005

________________________________________________________________________


47

de consumentenvraag naar koopwoningen zal stijgen. Daarnaast zal door integratie van de hypotheekmarkt het aanbod van hypotheekproducten groter worden waardoor vooral lagere inkomens de hypotheekmarkt kunnen betreden. Als gevolg van deze ontwikkeling wordt verwacht dat de loan-to-value ratio’s zullen stijgen. In tabel 3.8 zijn voor de onderzochte landen de procentuele hypotheekschulden opgenomen. Opvallend zijn de grote verschillen van de huidige situatie maar ook tussen de voorspellingen. De onderzoekers verwachten tot 2015 voor Duitsland de grootste verruiming van de hypotheekmarkt. Opvallend is dat voor Nederland ook nog een groei verwacht wordt, terwijl de regering september dit jaar Nederlandse tophypotheken gaat beperken. Duidelijk wordt ook dat er een relatie bestaat tussen de groei van de hypotheekschuld en die van woningprijzen. Op basis van deze veronderstelling en het eerder veronderstelde causale verband tussen fiscaliteit en de woningprijs kan een verruiming van de Duitse hypotheekmarkt leiden tot een stijging van de woningprijzen. 3.1.5 Opbouw van de woningvoorraad Met 43% heeft Duitsland de kleinste koopsector van Europa. Het eigenwoningbezit in Europa ligt rond de 63%, met zelfs percentages van 75-80% in Zuid Europa. Een verklaring die in de literatuur genoemd wordt is het hoge aantal grote steden in Duitsland, waar gewoonlijk eigendomspercentages lager liggen. Percentages zoals in Zuid Europa zullen in Duitsland niet gehaald worden, maar analisten verwachten dat mede als gevolg van de grote partijen woningen die worden aangeboden 55-60% haalbaar moet zijn. Duitsland heeft met 50% van het woningbestand wel de grootste hoeveelheid particuliere huurwoningen en met 6% een veel kleinere hoeveelheid sociale huur. In Nederland is deze situatie tegengesteld. Nederland heeft de grootste sociale huursector van Europa met 35% en maar 10% particuliere huur. In Duitsland is het onderscheid tussen de sociale en de commerciële huursector niet gebonden aan eigenaar, maar aan de woning. Ook kunnen sociale woningen zowel door non-profit als door verhuurders met een winstoogmerk gebouwd en geëxploiteerd worden. Binnen de deelstaten zijn er grote verschillen. In Nordrhein-Westfalen subsidieert de overheid per m2 de bouw van een woning. In ruil voor deze subsidie moet de woning voor een periode van dertig jaar, een vastgestelde, lagere huur berekenen. Na afloop van de subsidieperiode vallen de woningen onder het particuliere huurregime. Geconcludeerd kan worden dat er grote verschillen heersen op de Europese woningmarkt (figuur 3.6). ________________________________________________________________________

48


Figuur 3.7: Nominale prijsontwikkeling eengezinswoning in Duitsland; 1975-2005 € 260.000 € 240.000 € 220.000 € 200.000 € 180.000 € 160.000 € 140.000

49 s teden Wes t Duits land

100 s teden Wes t Duits land

20 05

20 03

20 01

19 99

19 97

19 95

19 93

19 91

19 89

19 87

19 85

19 83

19 81

19 79

19 77

19 75

€ 120.000

25 s teden Oos t Duits land

Bron: BulwienGesa AG Figuur 3.8: Ontwikkeling aantal huishoudens; 1991-2003 40 35 30 m iljoen

25 20 15 10 5 0 1991

1992

1993

1994

1995

1996

1997

Duits land

1998

Wes t

1999

2000

2001

2002

2003

Oos t

Bron: German Federal Statistic Office, Deutsche Bank Research Figuur 3.9: Ontwikkeling huishoudensmix; 1968-2003 40% 35% 30% 25% 20% 15% 10% 5%

1-Pers on

2-Pers on

3-Pers on

4-Pers on

20 03

20 02

20 00

20 01

19 99

19 98

19 97

19 96

19 95

19 94

19 93

19 92

19 91

19 90

19 89

19 88

19 87

19 86

19 85

19 84

19 83

19 82

19 81

19 80

19 79

19 78

19 76

19 77

19 75

19 74

19 73

19 72

19 70

19 71

19 69

19 68

0%

5-Pers on

Bron: German Federal Statistical Office, Deutsche Bank Research Tabel 3.9: Procentueel woningbezit per huishouden; 2002 woningbezit per huishoudtype omvang huishouden

leeftijd per hoofd

maandelijks inkomen

1 persoon 2 persoons 3 of meer < 30 jaar 30-60 jaar >60 jaar < € 500 € 500 - € 1300 € 1300 - € 3200 > € 3200

Duitsland 25% 49% 56% 7% 43% 50% 16% 24% 43% 68%

West Duitsland 27% 52% 57% 8% 44% 54% 18% 26% 45% 69%

Bron Federal Statistical Office, 2002

________________________________________________________________________


3.2

49

Duitse woningmarkt

De woningsituatie in het grootste land van Europa, qua inwoners en nationaal inkomen, is om meerdere redenen uniek te noemen. Het lage woningbezit, de grote particuliere huursector en de grootschalige nieuwbouw- en migratiegolf na de eenwording zijn karakteristieken die sterk verschillen van de in voorgaande paragraaf onderzochte Europese landen. Veel van deze verschillen zijn direct terug te leiden naar het Oost- en West-Duitse verleden. Sinds 1990 heeft Duitsland, net als voormalig West-Duitsland, een federale structuur, bestaand uit 16 deel- en bondsstaten. Mede door de eenwording bestaan er grote verschillen tussen de kwaliteit en de prijzen van woningen op het Duitse grondgebied. Ter illustratie is in figuur 3.7 de nominale prijsontwikkeling van eengezinswoningen weergegeven. In deze paragraaf zal, voor zover er gegevens over de regionale situatie beschikbaar zijn, meer duidelijkheid gegeven worden over de regionale verschillen. Ook zullen reeds behandelde aspecten verder uitgewerkt worden. 3.2.1 Huishoudensontwikkeling Het aantal huishoudens is de laatste jaren licht gestegen. In figuur 3.8 is zichtbaar dat sinds 1991 het aantal huishoudens is toegenomen met bijna 4 miljoen. Uit figuur 3.9 valt te herleiden dat deze groei hoofdzakelijk afkomstig is uit het toegenomen aantal één- en tweepersoonshuishoudens en het afnemende aantal grotere gezinnen. De laatste jaren is het percentage één- en tweepersoonshuishoudens gegroeid tot respectievelijk 37 en 34%. Dit betekent dat deze groep nu bijna drie kwart van de huishoudens representeert. Op regionaal

niveau

zijn

geen

gegevens

beschikbaar

met

betrekking

tot

huishoudensontwikkeling. Als alternatief wordt de bevolkingsontwikkeling in de volgende paragraaf behandeld. Zoals al eerder aangegeven ligt het woningbezit met 43% erg laag in Duitsland. Toch zijn er grote verschillen tussen voormalig Oost en West; in West ligt het percentage gewoonlijk 10% hoger. Maar ook binnen de Länder is er sprake van grote diversiteit. Berlijn en Hamburg behoren met respectievelijk 11% en 20% tot de regio’s met het laagste woningbezit. Saarland heeft met 58% het hoogste woningbezit van Duitsland. Rheinland Paltz 55% en Baden Württenberg, Beieren, Niedersaksen en Schleswig Holstein net onder de 50%. Uit onderzoek van het Statistische Bundesamt blijkt dat sinds de hereniging het woningbezit in Oost-Duitsland met 5% sneller stijgt dan in het Westelijk deel. ________________________________________________________________________

50


Tabel 3.10:Cumulatieve procentuele groei nominale woningen grondprijzen, bevolking, GDP en banen Prijsontwikkeling Eigentumw. Reihenhaus Grondprijs 1991-2005 1991-2005 1991-2005 Munster 30.39% 28.40% 68.01% Koln 26.21% 28.69% 45.56% Essen 25.22% 9.06% 63.52% Frankfurt am Main 19.48% 16.24% 50.45% Regensburg 17.74% 25.26% 58.23% Hannover 15.99% 15.99% 66.45% Osnabruck 14.65% 18.59% 39.70% Wurzburg 12.72% 29.24% 56.34% Hamburg 12.57% 23.42% 71.61% Dusseldorf 11.91% 5.09% 71.04% Duisburg 11.20% -2.27% 31.99% Berlin 10.83% -6.76% -3.71% Nurnberg 9.96% 22.13% 9.66% Bonn 7.97% 12.10% 9.52% Stuttgart 7.09% 8.22% 36.69% Bottrop 6.68% 8.09% 52.84% Bochum 6.55% 13.59% 39.94% Bremen 6.36% 7.50% 46.68% Dortmund 6.36% 15.75% 74.46% Kiel 6.23% 14.57% 36.69% Munchen 3.68% 9.51% 12.77% Aachen 3.02% 33.99% 112.22% Karlsruhe 2.68% 4.22% 60.81% Braunschweig 0.64% 9.94% 18.08% Mannheim -2.32% 29.41% 51.63% Ulm -5.21% 18.27% 23.87% Wiesbaden -6.42% 4.70% 67.32% Mainz -9.60% 27.07% 42.11% Erfuhrt -9.93% 15.90% 80.53% Rostock -13.07% 17.35% -2.64% Leipzig -18.13% 4.31% 95.57% Kassel -19.47% 10.33% 17.18% Dresden -21.77% -5.00% -16.18% Halle (Saale) -23.35% 9.53% 79.64% Chemnitz -29.10% -14.43% -8.32% Magdeburg -34.81% -17.86% 95.60% gemiddeld 2.30% 12.50% 46.00% Duitsland

Stad (NUTS3)

Bevolkingsontwikkeling

GDP per capita

Banengroei (FTE)

1991-2005 2006-2016 3.01% -1.15% 2.41% 2.93% -6.56% -2.05% -0.16% 2.43% 5.35% 1.34% 4.57% 1.25% 1.37% 1.16% 3.37% 0.05% 5.06% 3.14% -1.05% -2.05% -5.63% -2.05% -2.02% -1.81% 0.56% 2.67% 5.38% 1.35% 2.16% 4.23% 1.57% -1.15% -2.29% -0.42% -2.15% -4.06% -2.42% -5.70% -5.05% 2.24% 2.97% 6.73% 3.46% 1.16% 2.72% 1.07% -4.95% -0.76% -0.43% 1.07% 8.42% 2.57% 4.12% 1.17% 3.05% -0.95% -1.03% -2.37% -20.61% -12.93% -4.85% -5.34% -0.84% -2.34% -1.54% -8.90% -24.11% -13.39% -9.96% -7.28% -13.13% -10.44% -1.37% -1.35% 3.23% 0.23%

1991-2005 2006-2016 20.44% 20.44% 9.97% 10.92% 12.08% 19.46% 14.57% 15.47% 23.10% 24.75% 8.99% 11.78% 3.09% 9.78% 9.62% 18.36% 17.68% 14.15% 23.56% 25.28% 3.99% 17.44% 2.17% 11.10% 13.90% 10.58% 11.27% 10.38% 24.49% 21.94% 8.46% 21.60% 8.70% 15.71% 24.13% 17.34% 14.23% 18.45% 14.11% 5.28% 13.73% 17.06% 17.63% 15.16% 4.79% 11.90% 23.01% 22.84% 15.95% 17.02% 8.87% 14.03% 25.32% 19.88% 8.91% 27.91% 3.14% 19.27% 38.90% 26.96% 15.26% 8.64% 10.01% 17.36% 34.76% 22.38% 40.09% 37.03% 10.66% 10.29% 34.80% 27.79% 15.96% 17.66% 17.52% 18.91%

1991-2005 2006-2016 2.57% 3.10% -0.94% 5.50% -5.75% -0.37% -3.63% 5.46% 5.06% 5.40% -1.66% 1.15% -5.02% 2.37% -7.83% -3.26% -3.93% 0.77% -6.36% 0.81% -15.22% -1.88% -13.26% -5.16% -7.99% -2.45% 10.16% 4.79% -8.04% 3.21% 8.76% 5.17% -7.43% -5.16% -10.32% -6.89% -14.56% -7.23% -11.79% -6.86% -5.03% 4.07% 0.43% 5.06% -6.66% 0.67% -10.47% -0.54% -6.56% 3.21% -5.54% 0.36% -3.76% 3.13% -0.16% 10.08% -5.32% -4.41% -25.48% -11.02% -10.01% -13.05% -13.92% -5.08% -1.40% -7.57% -21.68% -8.28% -21.79% -13.37% -21.38% -15.42% -7.11% -1.49% -5.08% 0.06%

De bevolking, GDP per capita en banengroei is weergegeven op NUTS3 niveau en voor de steden Berlijn, Hamburg, Munchen, Hannover en Köln met meer dan 0,8 miljoen inwoners, wordt het NUTS 2 niveau gehanteerd. De cumulatie bevolkingsontwikkeling en GDP per capita is voor Halle, Leipzig en Magdeburg weergegeven per 1993-2005, voor Dresden en Chemnitz per 1994-2005 en voor Erfurt voor de periode 1999-2005. De cumulatieve banengroei is voor Erfurt per 1995-2005 weergegeven. De groei percentages voor 1991-2005 zijn historisch en voor 2006-2016 voorspellingen. Bron: Eigen bewerking dataset BulwienGesa AG en Experian Limited © Figuur 3.10: Regressie bevolkingsontwikkeling en prijsontwikkeling Eigentumswohnung; 1991-2005 prijsontwikkeling Eigentumswohnung

35% 25% 15% 5% -25%

-20%

-15%

-10%

-5%

-5% 0%

5%

10%

-15% -25% -35%

y = 1.1803x + 0.0392 R2 = 0.2675

bevolkingsontwikkeling

Bron: Eigen bewerking dataset BulwienGesa AG en Experian Limited©

________________________________________________________________________


51

Om meer inzicht te krijgen wie de huiseigenaren zijn is in tabel 3.9 een overzicht opgenomen. Gesteld kan worden dat het huizenbezit het hoogst is onder grote huishoudens, personen in de hogere leeftijdscategorieën en de hogere inkomens. In Duitsland wordt niet zoals in Nederland al op jonge leeftijd een woning gekocht, maar pas later, meestal bij gezinsuitbreiding. Vaak trekken de gezinnen naar betere leefgebieden, vaak net buiten de stad, huizenbezit ligt in die regio’s gewoonlijk ook hoger. Recente regeringen hebben geprobeerd het woningbezit te stimuleren maar deze effecten zijn tot op heden minimaal geweest. Het lage woningbezit is het resultaat van meerdere factoren, maar de belangrijkste oorzaak ligt bij de Duitse overheden. Het huidige lage woningbezit is een product van overheid gestuurde bouwprogramma’s en meer recent de bouwhausse na de Duitse eenwording. Voorbeelden hiervan zijn dat er onder de verantwoording van lokale overheden in de jaren vijftig en zestig voornamelijk huurwoningen gebouwd zijn. Maar ook later is door omvangrijke renovatieprogramma’s deze onbalans in stand gehouden. Als gevolg van de Tweede Wereldoorlog was er een groot tekort aan woningen. Door deze omvangrijke bouwprogramma’s kon het woningtekort opgevangen worden. Het woningtekort dat ontstond als gevolg van de migratiegolf van Oost naar West na de eenwording, deed de regering wederom besluiten tijdelijk de bouw van nieuwe huurwoningen te stimuleren. De explosieve huurwoninggroei leidde zelfs tot een daling van het woningbezit (RICS, 2006). 3.2.2 Demografische ontwikkeling Om meer inzicht te geven in de verschillen van historische en verwachte bevolkingsontwikkeling binnen Duitsland is op basis van data observaties en data voorspellingen van Experian Limited © de cumulatieve bevolkingsontwikkeling van 36 steden weergegeven (tabel 3.10). Naast deze bevolkingsontwikkeling is op basis van de door BulwienGesa AG beschikbare dataset de cumulatieve prijsontwikkeling van koopwoningen en bouwgrond voor eengezinswoningen weergegeven. Uit de tabel blijkt dat er grote verschillen bestaan tussen de prijs- en de bevolkingsontwikkeling, maar duidelijk is wel dat er een verband bestaat. Steden die sinds 1991 te maken hebben met een sterk negatieve bevolkingsontwikkeling kennen in deze periode vaak ook een zich negatief ontwikkelende woningprijs. Ook kan gesteld worden dat steden met sterke negatieve vooruitzichten voor de periode 2006-2016, tot de steden behoren met de grootste negatieve prijsontwikkeling in de periode 1991-2005. ________________________________________________________________________

52


Figuur 3.11: Regressie bevolkingsontwikkeling en prijsontwikkeling Reihenhaus; 1991-2005

prijsontwikkeling Reihenhaus

40% 30% 20% 10% 0% -25%

-20%

-15%

-10%

-5%

-10%

0%

5%

10%

y = 0.7477x + 0.1353 R2 = 0.1781

-20% bevolkingsontwikkeling

Bron: Eigen bewerking dataset BulwienGesa AG en Experian Limited © Figuur 3.12: Regressie ontwikkeling GDP per capita en prijsontwikkeling Eigentumswohnung; 91-05

prijsontwikkeling Eigentumswohnung

35% 25% 15% 5% -5%

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

-15% -25% -35%

y = -0.6155x + 0.1213 R2 = 0.1529

ontwikkeling gdp/capita

Bron: Eigen bewerking dataset BulwienGesa AG en Experian Limited © Figuur 3.13: Nominale GDP per capita; 1991-2005 € 65.000 € 55.000 € 45.000 € 35.000 € 25.000 € 15.000 1991

1992

1993

1994 Berlijn

1995

1996

1997

Frankfurt am Main

1998

1999

Hamburg

2000

2001

Köln

2002

2003

2004

2005

München

purchasing power standards, basisjaar 2002 Bron: Experian Limited ©

________________________________________________________________________


53

Uit de gegevens valt ook te herleiden dat de woningcategorie Reihenhaus6 gemiddeld gezien beter presteert dan de Eigentumswohnung, met respectievelijk 12,5% en 2,3% nominale prijsstijging. De steden die de afgelopen 15 jaar het best gepresteerd hebben liggen in de deelstaat Nordrhein-Westfalen. Na de eenwording hebben deze steden cumulatief de sterkste groei doorgemaakt met percentages tot ruim dertig procent. In Saksen en Saksen Anhalt liggen de plaatsen die de afgelopen jaren de grootste daling hebben doorgemaakt, cumulatief rond de 25%. Om de geformuleerde hypothese omtrent de te verwachten relatie tussen bevolkingsontwikkeling en woningprijsontwikkeling te testen is er in figuur 3.10 en 3.11 een regressievergelijking opgenomen voor respectievelijk een Eigentumswohnung en het Reihenhaus. Op basis van de visuele inspectie en de regressie uitkomsten opgenomen in appendix A kan geconcludeerd worden dat de hypothese (H0: βbevolkingsontwikkeling=0) bij een betrouwbaarheidsniveau van 95% verworpen dient te worden. Voor beide regressies geldt dat de variabele de bevolkingsgroei een t-waarde heeft groter dan 2, wat betekent dat de variabele significant is. Geconcludeerd kan worden dat er een relatie tussen de bevolkingsgroei en nominale woningprijsontwikkeling bestaat. Indien er gekeken wordt naar de reële prijsontwikkeling moet er een inflatie correctie van circa 30% worden opgenomen, hetgeen er op duidt dat Münster en Köln het reële niveau van 1991 hebben behouden en steden als Chemnitz en Magdeburg een reële daling hebben laten zien van ruim 50% ten opzichte van 1991. Opgemerkt dient te worden dat er door het gebruik van cumulatieve waarden tussentijdse schommelingen worden verwaarloosd, maar dat er op basis van de regressies van de nominale woningprijs en bevolkingsontwikkeling van de laatste 15 jaar geconcludeerd kan worden, dat er voldoende aanwijzingen zijn gevonden om aan te nemen dat er op de Duitse woningmarkt een relatie bestaat tussen bevolkingsontwikkeling en de prijsvorming op de koopwoningmarkt. 3.2.3 Inkomen en vermogen Om meer inzicht te krijgen in de relatie tussen de woningprijs- en inkomensontwikkeling is in figuur 3.12 op basis van de cumulatieve gegevens uit tabel 3.10 de regressie tussen de prijsontwikkeling van een Eigentumswohnung en de GDP per capita opgenomen. Op basis

6

Reihenhaus is een soort kooprijtjeswoning en Eigentumswohnung is vergelijkbaar met een koop appartement in paragraaf 4.2 worden deze woningen uitgebreider beschreven.

________________________________________________________________________

54


Figuur 3.14: Ontwikkeling 10 jaars hypotheekrente en inflatie; 1975-2005 12,0% 10,0%

8,0% 6,0% 4,0% 2,0%

10 jaars hypotheekrente

Inflatie

20 05

20 03

20 01

19 99

19 97

19 95

19 93

19 91

19 89

19 87

19 85

19 83

19 81

19 79

-2,0%

19 77

19 75

0,0%

Reële 10 jaars hypotheekrente

Hypotheekrente, reële woningprijs en inflatie per ultimo jaar. Bron: Deutsche Bundesbank, EWU Zinstatistik für Wohnungsbaukredite

Figuur 3.15: Eigendomsstructuur woningbestand Duitsland; 2003

Woningvoorraad Duitsland 38.690.000 Commercieel /institutioneel 9.769.000

Kleine private aanbieders 13.791.000

Eigenaar-bewoners 15.130.000

Gemeentelijke instanties 2.744.000

Private kleine uitbaters 7.0 miljoen

Een- en tweegezinswoningen 12.249.000

Overige overheidsinstellingen 390.000

Verhuurders met eigen.-bew. 3.9 miljoen

Meer familie woningen (flats) 2.881.000

Coöperatief 2.288.000 Private partijen 2.597.000 Overig* 1.750.000

* Banken, verzekeringsmaatschappijen, vastgoedfondsen, kerken en organisaties zonder winstoogmerk Bron: GDW, Federal Statistical Office

________________________________________________________________________


55

van de regressie uitkomsten opgenomen in appendix A kan geconcludeerd worden dat de hypothese (H0: βGDP

per capita=0)

bij een betrouwbaarheidsniveau van 95% enkel voor de

Eigentumswohnung verworpen dient te worden, hetgeen betekent dat de variabele GDP per capita in het model voor de Eigentumswohnung significant is. Voor het Reihenhaus geldt dat de variabele GDP per capita (t-waarde = -0,91) niet significant is. De negatieve relatie tussen GDP ontwikkeling en de prijsontwikkeling van de Eigentumswohnung is omgekeerd aan de logica. Opgemerkt dient te worden dat de voormalig Oost-Duitse steden Dresden, Rostock, Halle en Magdenburg van grote invloed zijn op dit negatieve verband. Mogelijke oorzaken zijn dat ondanks het gestegen GDP per capita, de bevolking sterk is afgenomen, met leegstand tot gevolg. Ook kan de massale uittocht van jongeren een verklaring kunnen zijn; jongeren hebben gewoonlijk een lager inkomen. Leegstand in combinatie met migratie van lagere inkomens, lijkt mij de meest plausibele verklaring voor dit theoretisch onjuiste verband. Deze verklaringen zijn in de interviews bevestigd. In figuur 3.13 is voor de 5 grootste steden van Duitsland het GDP per capita weergegeven. Opvallend zijn de grote verschillen. In München wordt per persoon in 2005 het meest verdiend met bijna 65.000 euro en in Berlijn het minst met ruim 20.000 euro op jaarbasis. Op dit moment bestaat circa 40% van het vermogen van huishoudens uit wonen, enerzijds door bezit en anderzijds door woninginvesteringen (RICS, 2006). Dit percentage is veel lager dan in omliggende landen. Veel Duitsers zien de woning niet als pensioenvoorziening maar vertrouwen op een goed overheidspensioen.

3.2.4 Financieringsmogelijkheden In Europees verband zijn de fiscale situatie en de hypotheekmogelijkheden besproken. Uit de analyse komt naar voren dat Duitsland één van de minst ontwikkelde hypotheekmarkten heeft en de fiscale situatie de afgelopen jaren permanent verslechterd is. Deze paragraaf zal enkel gericht zijn op de renteontwikkelingen in Duitsland. In figuur 3.14 is de ontwikkeling van de hypotheekrente weergegeven. Na de hoge renteniveaus na de oliecrisis en de Duitse eenwording ontwikkelt de rente zich vanaf 1993 in een dalende trend tot het huidige laagste niveau van 4,5% eind 2005. De inflatie ligt de laatste tien jaar rond de 2%. Vóór 1995 heeft Duitsland een hogere inflatie gekend. De reële rente, het verschil tussen de nominale rente en de inflatie, heeft zich over de gehele periode constanter ontwikkeld met een percentage rond de 4 procent. ________________________________________________________________________

56


Figuur 3.16:Bouwproductieviteit in woningen en procentueel t.o.v. de bestaande voorraad; 1990-2004 600

3.0%

500

2.5%

400

2.0%

300

1.5%

200

1.0%

100

0.5%

0

0.0% 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 W est (absoluut)

Oost (absoluut)

W est (%)

Oost (%)

Bron: German Federal Statistic Office, Deutsche Bank Research Figuur 3.17: Ontwikkeling leegstandpercentage; 1998-2002 Duits land Oos t Duits land Wes t Duits land Sachs en Sachs en-Anhalt Brandenburg Mecklenburg- Vorpom m ern Thurlingen Berlijn Reihnland-Pfatz Nordrhein-Wes tfalen Saarland Nieders achs en Baden- Wurttem berg Bayern Ham burg Brem en Schles wig-Hols tein Hes s en

0%

2%

4%

6%

8%

percentage leegs tand 2002

10%

12%

14%

16%

18%

percentage leegs tand 1998

Bron: German Federal Statistic Office, Mikrozensus 2002, HBV Market Report

________________________________________________________________________


57

Concluderend kan gesteld worden dat het renteniveau de laatste jaren zowel reëel als nominaal is gedaald, hetgeen leidt tot een verbeterde positie voor nieuwe woningeigenaren en bestaande variabel gefinancierde hypotheken. Als gevolg van de in Duitsland gebruikelijke lange looptijden van vast gefinancierde hypotheken zal dit effect minimaal zijn. De betere betaalbaarheid leidt gewoonlijk tot een stijgende woningprijs, immers bij gelijkblijvende maandlasten kan er door huishoudens een hogere hypotheek worden aangegaan. In Duitsland is dit niet gebeurd, waarschijnlijk is deze positieve ontwikkeling teniet gedaan door de eerder besproken negatieve ontwikkelingen op fiscaal gebied. De nog niet volwassen hypotheekmarkt, waar het oversluiten van hypotheken nog niet zo veel voorkomt als in Nederland, kan ook een oorzaak zijn. De verwachte verdere integratie van de hypotheekmarkt kan de komende jaren bijdragen aan een stijgende woningprijs. 3.2.5 Opbouw woningvoorraad Uit de Europese context is al gebleken dat Duitsland met 43% de kleinste koopsector en met 50% de grootste particuliere huursector van Europa heeft. In figuur 3.15 is een verfijnde weergave gegeven van de eigendomsstructuur in Duitsland. Anders dan in andere West-Europese woningmarkten wordt Duitsland gekarakteriseerd door meer aanbod dan vraag naar woningen. Deze unieke situatie leidt in Duitsland in mindere gebieden tot soms wel 20% leegstand. Als gevolg van het eerder besproken dataprobleem is het erg lastig gebleken om betrouwbare jaarlijkse gegevens te vinden met betrekking tot leegstand op regionaal niveau en de kwaliteit van het woningaanbod. In deze paragraaf wordt met de beschikbare informatie een beeld van de regionale verschillen geschetst. Om de vergelijking met Nederland te maken, de Nederlandse regering streeft naar maximaal 1,5% woningtekort, afgelopen jaar was dit tekort zelfs rond de 2,5%. Zoals nu al blijkt, een totaal andere situatie. De vraag is of op de Duitse markt, gekarakteriseerd door aanbodoverschot, een ander prijsmechanisme werkt. Zoals eerder beschreven worden de meeste woningmarkten gekarakteriseerd door krapte, ditzelfde geldt dus voor de ontwikkelde prijsvormingsmodellen. Deze stelling zal op basis van de in de in hoofdstuk 4 en 5 opgestelde modellen beantwoord worden. Het overheidsbeleid is in Duitsland de hoofdoorzaak van de laatste jaren sterk gestegen leegstand. Na de Duitse eenwording werd gedacht dat door hoge investeringen, voormalig Oost gelijk getrokken kon worden met het westelijk deel. Door de overheid ________________________________________________________________________

58


Figuur 3.18: Ontwikkeling aantal huishoudens en woonruimte per persoon; 1995-2005 40.000

41

39.000

40

38.000

39

37.000

38

36.000

37

35.000

36 1995

1996

1997

1998

1999

2000

2001

huishoudens (x1000)

2002

2003

2004

2005

m2 leefruimte

Bron: Feri Research Tabel 3.11: Woningeigenschappen vier grote steden in Duitsland Berlijn

München

Hamburg

Düsseldorf

woningbezit gemiddelde huur koopprijs per m2 nieuw koopprijs per m2 bestaand Gemiddelde koopprijs* werkloosheidpercentage

11% € 5 – 7 / m2 € 1.600 – 2.400 € 1.300 – 2.400

19% € 9 – 12 / m2 € 2.800 – 3.800 € 1.900 – 3.300

20% € 7,5 – 9 m2 € 1.750 – 2.350 € 1.200 – 1.850

15% € 6 – 7,5 m2 € 1.900 – 2.250 € 1.500 – 1.850

€ 230k - 310k 17,4 %

€ 480k - 640k 6,0%

€ 230k - 330k 10,0 %

€ 345k - 440k 10,1 %

woningvoorraad leegstaande woningen Nieuwbouw** aantal inwoners

1,87 miljoen 130k 4.396 3,39 miljoen

3.337 1.23 miljoen

3.389 1,73 miljoen

1.14 0,57 miljoen

*eengezinswoning, **aantal in 2002 Bron: HNK, 2004; HVB Expertise reports 2003, 2004; Statistische Landesambt en NIB Capital Figuur 3.19: Index bouwgrond en constructiekosten ten opzichte van de woningprijzen; 1998-2002 350.00

300.00

250.00

200.00

150.00

Reihenhaus (DL)

Grunds tüc k Einfam ilienhaus (DL)

Reihenhaus (W D)

Grunds tüc k Einfam ilienhaus (W D)

20 03

20 01

19 99

19 97

19 95

19 93

19 91

19 89

19 87

19 85

19 83

19 81

19 79

19 77

19 75

100.00

De in de grafiek gehanteerde afkortingen DL en WD betekenen respectievelijk Duitsland en West-Duitsland. Bron: BulwienGesa AG

________________________________________________________________________


59

werden woningbouwprojecten zwaar gesubsidieerd. Deze aantrekkelijke bouwmarkt die in het oude Oost-Duitsland ontstond had een ware bouwhausse als gevolg. Met 1997 als hoogtepunt met een nieuwe aanwas van bijna 200.000 woningen, bijna 3% van het bestaande woningbestand. De bouwproductiviteit is weergegeven in figuur 3.16. Snel na de eenwording bleek dat veel, vaak jonge Oost-Duitsers, wegtrokken richting het Westen, op zoek naar werk en een beter leven. Deze massale migratiegolf in combinatie met een sterke groei van het woningbestand leidde tot een explosieve groei van de leegstand. Als gevolg van deze ruime Oost-Duitse woningmarkt is de vraag nu hoofdzakelijk kwalitatief gedreven, resulterend in mindere gebieden met excessief hoge leegstand. Het beoogde overheidsbeleid is op dit vlak dus volkomen mislukt. Voor de jaren 1998 en 2002 is de leegstand weergegeven in figuur 3.17. Ondanks de leegstand verwacht het Duitse Nationale Bureau voor Bouw en Regionale Planning de komende 10 jaar een vraag naar nieuwe koopwoningen van circa 300.000 per jaar, met een stijging van 20% in oppervlak. Dit komt neer op een jaarlijkse toevoeging van 1% aan de huidige woningvoorraad. Ditzelfde bureau verwacht de komende 10 jaar een stijging van het woningbezit met 20% en een stagnering in de huursector. Verwacht wordt dat veel van deze vraag wordt veroorzaakt door vraag naar eengezinswoningen en ruime appartementen. Ook is de verwachting dat er een grote hoeveelheid gedateerde woningen gesloopt zullen worden, vooral in gebieden met hoge leegstand en lage vraag. Dit proces is in Oost-Duitsland al geïnitieerd. In figuur 3.18 is de ontwikkeling van het aantal huishoudens en de woonruimte per persoon weergegeven. De afgelopen 10 jaar is de woonruimte per Duitser toegenomen van gemiddeld 36,8 m2 in 1995 tot bijna 40,9 m2 in 2005. Dit is een toename van 11%. De door het Duitse Nationale Bureau voor Bouw en Regionale Planning voorspelde 20% de komende 10 jaar is naar mijn mening te optimistisch, maar een stijging tot gemiddeld 45m2 per Duitser is aannemelijk. Om de stelling, het woningbezit ligt normaal gesproken lager in grote steden, te onderbouwen is in tabel 3.11 onder andere het woningbezitpercentage weergegeven voor vier grote steden. Duidelijk blijkt dat percentages tussen de 11% en 20% nog vele malen lager zijn dan het Duitse gemiddelde. Als er enkel naar het woningbezitpercentage gekeken wordt, bestaan er nog grote kansen voor uitpondsenario’s in grote steden.

________________________________________________________________________

60


3.2.6 Invloed overheid De regionale en lokale overheid hebben in Duitsland de verantwoordelijkheid over het beleid gericht op wonen en het gebruik van het landschap. Deze lagere overheden kunnen door renovatie- en herontwikkelingsprogramma’s, woningsubsidies, grondeigendom, relaties met woningcorporaties en publieke banken invloed uitoefenen op de lokale woningmarkt. Een deel van de grote lokale verschillen in woningbezit zijn veroorzaakt door verschillend regionaal beleid. Opgemerkt moet worden dat door de slechte financiële situatie van de overheden, de geldverslindende huurprogramma’s van deze locale overheden afnemen. Verwacht wordt dat er twee belemmeringen aan de aanbodkant het verwachte groeiende huizenbezit stagneren. Beide veroorzaakt door lokale en regionale overheden. Allereerst de uitgifte van bouwgrond. In gebieden waar veel vraag naar bouwgrond is, wordt nu door regionale overheden al gepleit voor het behoud van grote groene gebieden uit recreatie en milieu oogpunt. In het verleden hebben planningsbelemmeringen vaker de woningproductie gehinderd. De tweede belemmering aan de aanbodzijde behelst die van de mogelijkheid van uitponden van particuliere huurwoningen. Door huurbescherming en de per Länder verschillende wetten en regels, kunnen huiseigenaren lastig verkopen. Dit geeft nu al grote moeilijkheden in steden waar veel vraag is naar koopflats, zoals in München. 3.2.6 Productiekosten De productiekosten, prijsontwikkeling van bouwgrond en de constructiekosten van een woning, zijn in figuur 3.19 weergeven. Ter vergelijk is de woningprijs van een Reihenhaus weergegeven. In de opgenomen indices is onderscheid gemaakt in de situatie in Duitsland en West-Duitsland. Opvallend is dat de bouwkosten en constructiekosten al sinds 1978 sterker stijgen dan de kosten voor een Reihenhaus. De grondprijs heeft vooral een sterke groei laten zien in de periode van 1991 en 1995, tijdens de bouwhausse na de Duitse eenwording. In Duitsland kiezen veel nieuwe woningbezitters voor het kopen van een stuk grond om daar een huis op te bouwen. Traditioneel blijven deze eigenaren daar dan een lange periode wonen. Deze eigenschap, de leeftijd en sociale eigenschappen van huiseigenaren leidt er toe dat Duitsers niet als in andere landen meerdere malen verhuizen gedurende de levenscyclus. ________________________________________________________________________


3.3

61


Samenvattend kan gesteld worden dat Duitsland de afgelopen 25 jaar gekarakteriseerd kan worden als een gemiddeld West-Europees land, met gematigde bevolkingsgroei (6%) en door afnemende huishoudensomvang een sterkere groei van het aantal huishoudens (21%), in lijn met de andere onderzochte landen. De werkloosheid valt op met 9,6% in 2003, momenteel rapporteert de Economist zelfs 11,2%, het hoogst van de onderzochte WestEuropese landen. Opvallend is ook dat Duitsland over de laatste 12 jaar de laagste economische groei heeft gekend, met een gemiddelde waarde van 1,37%. De opbouw van de woningmarkt in Duitsland is opmerkelijk, 43% van de woningvoorraad bestaat uit koop, 50% uit particuliere huur en maar 7% uit sociale huur. Het woningbezitpercentage ligt in Duitsland ook het laagst van West Europa met circa 43%. Wel zijn er sterke verschillen binnen Duitsland: in Berlijn ligt het eigenaarpercentage met 11% het laagst en in Saarland het hoogst met 58%. Op fiscaal gebied is woningbezit in Duitsland op dit moment veel minder aantrekkelijk dan in omliggende landen. Na 1996 zijn alle fiscale voorzieningen omgezet naar

subsidieregelingen.

De

laatste

ontwikkeling

is

de

afschaffing

van

de

Eigenheimzulagen-Gesetz per januari 2006. De laatste actieve regeling is het Bausparen; een regeling die voor deelnemers goedkopere leningen arrangeert. De Duitse hypotheekmarkt behoort tot de minst ontwikkelde van Europa. Maar op basis van recent onderzoek, wordt als gevolg van de integratie van de Europese hypotheekmarkt, de grootste verruiming in Duitsland verwacht. Deze verwachte verruiming kan de komende 10 jaar een positieve ontwikkeling op de woningprijzen hebben. Opmerkelijk genoeg heeft de vanaf 1993 dalende hypotheekrente in Duitsland niet gezorgd voor een stijging van de woningprijzen, waarschijnlijk is dit positieve effect door de vele negatieve effecten overstemd. Duitsland heeft de slechtste demografische vooruitzichten van West Europa. Met een arbeidsbevolking die in 1995 zijn top al heeft bereikt en een verwachte bevolkingspiek in 2010. De afvlakking en uiteindelijke daling zal zijn weerslag hebben op de woningmarkt, de vraag is enkel wanneer en hoe sterk dit effect zal zijn. Door middel van een regressievergelijking is in dit onderzoek een verband gevonden tussen de ontwikkeling van de bevolking en de nominale woningprijs. Deze opmerkelijke vinding past binnen het

________________________________________________________________________

62


onderzoeksparadigma van Mankiw en Weil, die in 1989 op basis van een afnemende bevolkingsgroei een sterke reële daling van de Amerikaanse woningprijs voorspelden. Na de eenwording heeft het overheidsbeleid niet bijgedragen aan de verbetering van de situatie op de woningmarkt. In het begin van de jaren negentig kwam in voormalig Oost-Duitsland een gigantische bouwhausse op gang. Samen met een migratiegolf van vooral jonge Oost-Duitsers had dit desastreuze gevolgen voor de Oost-Duitse economie en woningmarkt. Leegstandspercentages van tot soms wel 20%, in combinatie met hoge werkloosheid zijn in Oost-Duitsland geen uitzondering. Het gemiddelde woonoppervlak is per Duitser het afgelopen decennium gestegen met 11% tot 40,9m2, op basis van het verleden kan een verdere stijging tot 45m2 verwacht worden. Opvallend zijn de sterker gestegen bouwen grondkosten in Duitsland; sinds 1975 zijn de grondkosten met circa 300% gestegen, terwijl de woningprijzen de laatste 30 jaar nominaal nog geen 200% zijn gestegen. Uit de samenvatting blijkt dat in Duitsland negatief ontwikkelende factoren de overhand hebben gehad. Mede door deze ontwikkelingen valt de reële prijsdaling van Duitse woningen de afgelopen jaren beter te begrijpen. Toekomstige kansen liggen vooral in de verwachte stijging van het woningbezit, de aantrekkende economie, de verwachte verruiming van de hypotheekmarkt en de lage bouwactiviteit. Of deze ontwikkelingen afdoende zijn om de negatieve demografische vooruitzichten, de enorme leegstand en de beperkende wet en regelgeving teniet te doen, zal de tijd moeten uitwijzen.

________________________________________________________________________


63

________________________________________________________________________

64


Figuur 4.1: Nominale prijsontwikkeling Reihenhaus Duitsland; 1975-2005 € 260.000 € 240.000 € 220.000 € 200.000 € 180.000 € 160.000 € 140.000

49 steden West Duitsland

100 steden West Duitsland

20

20

05 20

03

01

99 19

97

95

19

19

19

93

91 19

89

19

19

87

85

19

19

83

81 19

79 19

19

19

75

77

€ 120.000

25 steden Oost Duitsland

Bron: BulwienGesa AG

Figuur 4.2: Prijsindices West-Duitsland (op basis van 49 steden); 1975-2005 340

290

240

190

140

04

20

03

20

02

20

01

00

20

20

99

98

19

19

97

96

19

19

95

94

19

93

19

19

92

91

19

19

90

89

19

19

88

87

19

86

19

19

85

84

19

19

83

82

19

19

81

80

19

19

79

19

78

19

77

76

19

19

19

75

90

Eigentumswohnung

Wohnungsmiete Neubau

Wohnungsmiete Wiedervermietung

Reihenhaus

Grundstück Einfamilienhaus

Index Wohnen


________________________________________________________________________


4.

65

Landelijk model

In dit hoofdstuk wordt voor de gehele Duitse woningmarkt gezocht naar een prijsverklarend model. Er wordt voorbij gegaan aan de stelling van onder andere Brounen en Hui (2004) dat “de woningmarkt” niet bestaat. Op basis van een, voor Duitsland, lange prijsontwikkelingsreeks van 49 voormalig West-Duitse steden, weergegeven in figuur 4.1 en 4.2, wordt aan de hand van een tijdreeksanalyse onderzocht of er een relatie bestaat tussen de woningprijs en de verklarende factoren. Door de gehele woningmarkt te benaderen met variabelen die in de Nederlandse woningliteratuur gebruikelijk zijn, wordt onderzocht of dezelfde verklarende factoren ook in Duitsland verklarend zijn voor de woningprijsontwikkeling. Om meer inzicht te krijgen in de lange termijn ontwikkeling van de woningprijs in Duitsland is in figuur 4.2 de woningprijsindex opgenomen van 49 West-Duitse steden. Deze index is gebaseerd op dezelfde 49 steden waarvoor in figuur 4.1 de absolute waarde van een Reihenhaus is weergegeven. Uit de index blijkt dat de grondprijs van een eengezinswoning de afgelopen 30 jaar nominaal het sterkst is gestegen; een koopappartement (Eigentumswohnung) en een eengezinskoopwoning (Reihenhaus) veel minder. De huurindices en de samengestelde woonindex zijn enkel indicatief. Opvallend is dat met uitzondering van de grondprijs de koopprijzen sinds 1993 nominaal op hetzelfde niveau liggen, hetgeen een reële daling betekent.

4.1

Data

De woningprijsdata gehanteerd in dit hoofdstuk zijn afkomstig van BulwienGesa AG (voormalig bekend als Bulwien & Partner en Bulwien AG). Dit instituut is in Duitsland de enige (commerciële) partij die lange reeksen van woningprijzen bijhoudt. De reeksen van BulwienGesa AG zijn gebaseerd op verschillende bronnen, te weten: Ring Deutsche Makler, Verband Deutsche Makler, Kamer van Industrie en Commercie, lagere overheden, bouwen hypotheekbedrijven, onderzoeksinstituten, eigen onderzoek, media en informatie uit testaankopen. BulwienGesa AG heeft de absolute prijsontwikkeling van 1975 tot 2005 voor het Reihenhaus beschikbaar gesteld. Deze index geeft de absolute koopprijs weer van een eengezinswoning, met circa 100 m2 leefruimte op een gemiddeld tot goede locatie. Voor het Reihenhaus en de Eigentumswohnung zijn er indices voor West-Duitsland beschikbaar ________________________________________________________________________

66


gesteld. De Eigentumswohnung index geeft de koopprijs weer van appartementen, met gemiddeld 70-80 m2 leefruimte op een gemiddeld tot goede locatie. De samengestelde nominale prijsindex voor Duitsland van een Reihenhaus over de periode 1975 tot 1989 wordt gevormd door 49 steden in West-Duitsland en wordt per 1990 aangevuld tot 100 West-Duitse steden . Voor Oost-Duitsland bestaat er een index per 1990 voor 25 steden die in 1995 is toegevoegd aan de samengestelde landelijke index. De OostDuitse index wordt door Leifer (2004) voor 1995 gekarakteriseerd als onbetrouwbaar. De reden hiervoor is dat West Berlijn per 1994 zijn status heeft veranderd en per 1995 behoort tot Oost-Duitsland. Tevens speelt de lage frequentie van transacties een rol waar de OostDuitse index tot 1995 op gebaseerd is. De absolute waarden van de Oost- en twee WestDuitse indices voor een Reihenhaus waaruit de samengestelde index is geconstrueerd zijn in figuur 4.1 weergegeven. Voor het landelijke model is gekozen om de index van 1975 tot 2005 te hanteren, gebaseerd op 49 West-Duitse steden. Enerzijds omdat hier sprake is van zo min mogelijk verstoringen en anderzijds is het praktisch onmogelijk om gegevens voor voormalig Oostof voor geheel Duitsland te bemachtigen die in 1975 beginnen. De reden hiervoor ligt bij het communistische verleden van Oost-Duitsland. Voor West-Duitsland is het probleem dat de series wel per 1975 beschikbaar zijn maar slechts tot maximaal 1995 doorlopen. Door het koppelen van prijsindices is dit probleem verholpen. In de dataset is de index van de grondprijs weergegeven en de index van het huurniveau van nieuwe en oude woningen opgenomen. Er wordt geprobeerd een model op te stellen dat vanuit macro-economische factoren een verklaring biedt voor de huizenprijsontwikkeling. Indien er met de macro economische factoren geen verklaring gevonden wordt, worden de grondprijs en het huurniveau opgenomen in het model. In tabel 4.1 zijn de in het model gebruikte indicatoren opgenomen. Voor de indicator GDP en besteedbaar inkomen is een correctie in het jaar 1991 doorgevoerd. Vóór de eenwording werd er enkel voor West-Duitsland gerapporteerd en na de eenwording werd de economische groei weergegeven voor heel Duitsland. Doordat er gebruik werd gemaakt van een reeks die jaarlijkse procentuele wijzigingen weergeeft kon, door vergelijkbare reeksen met de gehanteerde reeks te vergelijken, de toename van de eenmalige toevoeging van Oost-Duitsland uit de reeks gefilterd worden. Het ging hier om een eenmalige stijging van het GDP van 15,62% en het besteedbaar inkomen van 26,92%, beide gecorrigeerd tot respectievelijk 3,88% en 7,72%. ________________________________________________________________________


67

Tabel 4.1: Opgenomen variabelen landelijk model Duitsland; 1975-2004 Serie te verklaren variabele %∆ Reihenhaus %∆ Eigentumswohnung indicatoren %∆ GDP

%∆ Besteedbaar Inkomen %∆ Hypotheekrente %∆ Werkloosheid %∆ Beurskoers %∆ Consumentenvertrouwen %∆ Inflatie %∆ Huurprijs nieuwbouw %∆ Huurprijs oudbouw %∆ Bouwgrond %∆ Constructie woningen

Beschrijving

Benaming model

Eengezinswoning, 100m2 Bron: Bulwien Gesa AG Appartement, 70-80m2 Bron: Bulwien Gesa AG

PRIJSRH

Bruto Binnenlands Product West-Duitsland constante prijzen uit 1995 Bron: Statistisches Bundesamt Besteedbaar Inkomen huishoudens West-Duitsland Bron: Statistisches Bundesamt Hypotheekrente 10 jaar vaste rente periode Bron: Deutsche Bundesbank en EWU Zinstatistik Werkloosheid Arbeidsbevolking West-Duitsland Bron: Deutsche Bundesbank Dax Aandelen Index Bron: Bloomberg Consumentenvertrouwen West-Duitsland Bron: Bloomberg Consumer Price Index voor West-Duitsland Bron: Deutsche Bundesbank Huur Index nieuwbouw Bron: Bulwien Gesa AG Huur Index bestaande voorraad Bron: Bulwien Gesa AG Prijsindex bouwgrond eengezinswoning Bron: Bulwien Gesa AG Bouwproductiviteit in aantal woningen Bron: Datastream

PRIJSEW

GDP

INKBEST RENTE WL DAX CONS INFLATIE HUURN HUURO PRIIJSG CONSTRUCTIE

Bron: opgenomen in tabel

4.2

Methodologie

In de voorgaande hoofdstukken zijn vele factoren die van invloed kunnen zijn op de huizenprijsontwikkeling behandeld. In dit hoofdstuk wordt geprobeerd aan de hand van in Nederland gangbare indicatoren empirisch onderzoek naar de huizenprijsontwikkeling in Duitsland te verrichten. Onderstaand wordt een kort overzicht gegeven van de, in Nederlands onderzoek, meest gevonden verklarende variabelen. De onderlinge verschillen in specificaties van variabelen en gehanteerde tijdsbasis zijn aanzienlijk. Wel hebben de onderzoeken, met uitzondering van Brounen en Huij (2004), gemeen dat een of andere vorm van een foutencorrectiemodel wordt geschat. Uit de empirische bevindingen in Nederlands onderzoek volgt dat de huizenprijs voornamelijk door vraagfactoren wordt bepaald. De meeste onderzoeken laten zien dat de ontwikkeling van het reëel beschikbaar inkomen en de reële rente van invloed zijn op de reële huizenprijsontwikkeling. In de onderzoeken van De Vries e.a. (2001, 2004) en PWC (2004) wordt de huizenprijsontwikkeling daarnaast bepaald door de ontwikkeling van de ________________________________________________________________________

68


huizenprijs in het (recente) verleden. Bij de eerstgenoemde auteurs is dit zelfs veruit de belangrijkste verklarende variabele. Naast deze vraagfactoren speelt bij alleen de OESO (2004) ook een aanbodfactor, te weten de woningvoorraad, een rol. Ten slotte vinden Van Els en Vlaar (1996) in hun schattingen ten behoeve van hun model een positieve invloed van de reële huurprijs op het lange termijnniveau van de woningprijs en vindt de OESO (2004) ook een effect van het financiële gezinsvermogen. Zoals reeds is aangegeven, is de beschikbaarheid van Duitse prijsseries en verklarende variabelen veel minder dan binnen de Nederlandse woningmarkt. Dit is ook de reden dat er bepaalde factoren niet zijn opgenomen. Als gevolg van weinig bevredigende uitkomsten in een reëel model met log-transformaties, is er gekozen om met de eerste verschillen van de variabelen te werken. Bijkomend voordeel is dat procentuele wijzigingen makkelijker te interpreteren zijn en er bovendien meer verklarende variabelen beschikbaar zijn doordat er nu ook indices gehanteerd kunnen worden bij gebrek aan absolute waarden. Voor het landelijk model is gekozen om gebruik te maken van een tijdreeksanalyse. De voorwaarden voor het uitvoeren van een statistisch verantwoorde tijdreeksanalyse is het minimale aantal observatiepunten. Voor het reële model werden 30 punten exact behaald, maar vanwege de slechte resultaten is er gekozen om de eerste verschillen te hanteren. Het gevolg van deze keuze is dat er een observatie wegvalt. Ondanks dat het model nu maar over 29 observatiepunten beschikt, is er toch gekozen om door te gaan met dit model. Dit is namelijk de enige mogelijkheid om met de beschikbare data op lange termijn uitspraken te kunnen doen over verklarende variabelen die op de Duitse woningmarkt spelen. Uit de literatuur blijkt dat het de voorkeur heeft meerdere modellen door te rekenen en de resultaten te vergelijken. Dit vergelijken kan op twee manieren: “voorwaarts”, door het stapsgewijs toevoegen van één of meer variabelen of “achterwaarts”, door het opnemen van alle onafhankelijke variabelen en vervolgens stapsgewijs die variabelen uit het model verwijderen die het minste bijdragen aan de verklaringskracht of niet significant zijn. In dit onderzoek is gekozen om gebruik te maken van de eerst besproken methode.

________________________________________________________________________


4.3

69

Resultaten

In tabel 4.2 en 4.3 zijn de schattingsresultaten van de tijdreeksen van het Reihenhaus en de Eigentumswohnung opgenomen. Voor beide woningsoorten is een overzicht gegeven van de uit Eviews afkomstige modellen. Eviews is een voorspelling en econometrisch analyse softwarepakket. Voor alle opgenomen modellen geldt dat de variabelen bij een betrouwbaarheidsinterval van 95% significant zijn. Hetgeen leidt tot een t-waarde groter dan 2 of kleiner dan -2. Er is gekozen om de dataset in te lezen als jaarlijkse procentuele veranderingen. Dit betekent dat er niet door middel van log-transformaties of het reëel maken van de variabelen gezorgd hoeft te worden dat de variabelen stationair worden. Door niet enkel de Adjusted R2 te beoordelen, maar ook de Durbin-Watson toets te hanteren worden schijnrelaties ontmaskerd en enkel statistisch juiste relaties meegenomen in het verdere onderzoek. Per woningsoort zullen achtereenvolgens de modellen besproken worden en het beste model worden aangeduid. Tabel 4.2: Schattingsresultaten tijdreeksen Reihenhaus met t-waarden; 1975-2004 Model

1

2

3

4

te verklaren variabele %∆ Reihenhaus variabelen %∆ Reihenhaus (-1) %∆ Reihenhaus (-2) %∆ GDP %∆ Besteedbaar Inkomen %∆ Hypotheekrente %∆ Werkloosheid %∆ Inflatie %∆ Bouwgrond %∆ Constructie woningen Constante Adjusted R2 Durbin-Watson statistiek Schattingsperiode

1,13 (5,69)

0,74 (3,39)

0,60 (5,34)

0,92 (5,60) -0,38 (-2,63)

0,57 (3,40)

0,51 (3,38)

0,82 (2,92)

-2,49 (-2,57)

-3 (-3,43)

-1,74 (-2,56)

-1,25 (-2,01)

0,53 0,82 1976-2004

0,63 0,82 1976-2004

0,77 1,39 1977-2004

0,81 2,17 1978-2004

Variabelen en te verklaren variabele weergegeven als procentuele prijsverandering. Hypotheekrente, werkloosheid en inflatie in procentuele veranderingen. Per variabele is de beta en tussen haakjes de t-waarde weergegeven. Bron: Eviews uitkomsten, opgenomen in appendix B

________________________________________________________________________

70


Uit de schattingsresultaten van de Reihenhaus modellen blijkt dat het besteedbare inkomen in alle 4 de modellen samen met de inflatie in model 2, de enige macroeconomische verklarende variabelen zijn, die opgenomen kunnen worden om de woningprijs mee te verklaren. Zoals al eerder uit de literatuurstudie gebleken is, heeft de vertraagde woningprijs een sterke invloed op de woningprijs. Het toevoegen van een AR term heeft niet geleid tot significante uitkomsten. Op basis van de Durbin-Watson ondergrens geldt dat model 1 en 2 een lagere waarde produceren dan de gestelde DW-ondergrens. De ondergrens voor de DW-statistiek ligt voor dit model bij het gebruik van 1 of 2 verklarende variabelen op 1,26 tot 1,34. Deze constatering betekent dat er voor de residuen van beide modellen geldt dat er sprake is van positieve

eerste

orde

autocorrelatie,

een

bekend

verschijnsel

binnen

de

woningprijsmodellen. Voor model 3 geldt dat het niet duidelijk is of hier sprake is van positieve autocorrelatie; de DW-waarde 1,39 valt in het zogenaamde “grijze gebied”. Een DW-waarde tussen de 1,56 en 2,44 betekent voor deze modaliteiten dat er geen sprake is van autocorrelatie. Model 4 voldoet wel aan deze eis. Tabel 4.3: Schattingresultaten tijdreeksen Eigentumswohnung met t-waarden; 1975-2004 Model

1

2

3

1,16 (7,35)

0,53 (2,59)

0,47 (2,97)

0,41 (3,89)

0,46 (5,71)

-3,05(-3,97)

-2,05 (-3,04)

-2,00 (-4,07) -0,41 (-2,22)

0,65 1,68 1976-2004

0,77 2,68 1976-2004

0,81 2,10 1977-2004

te verklaren variabele %∆ Eigentumswohnung variabelen %∆ Eigentumswohnung (-1) %∆ GDP %∆ Besteedbaar Inkomen %∆ Hypotheekrente %∆ Werkloosheid %∆ Inflatie %∆ Bouwgrond %∆ Constructie woningen Constante AR (1) Adjusted R2 Durbin-Watson statistiek Schattingsperiode

Variabelen en te verklarende variabele weergegeven als procentuele prijsverandering. Hypotheekrente, werkloosheid, inflatie en constructie nieuwe woningen in procentuele veranderingen. Per variabele is de beta en tussen haakjes de t-waarde weergegeven. Bron: Eviews uitkomsten, opgenomen in appendix C

________________________________________________________________________


71

De schattingsresultaten van de Eigentumswohnung zijn in tabel 4.3 weergegeven. Uit de tabel blijkt dat het besteedbaar inkomen in alle drie de modellen de enige macroeconomische verklarende variabele is. In de modellen 2 en 3 is de prijsontwikkeling van bouwgrond mede verantwoordelijk. Model 3 geeft de beste uitkomsten na de toevoeging van de autoregressieve variabele AR(1). Deze variabele corrigeert de storingsterm voor niet opgenomen verklarende variabelen. Op basis van de Durbin-Watson toets kan gesteld worden dat modellen 1 en 3 een waarde hebben die dicht genoeg bij 2 ligt, dat wil zeggen tussen de 1,48 en 2,52, resulterende in geen eerste orde autocorrelatie van de residuen.

4.4

Voorspellingen

Door het ontbreken van goede voorspellingen voor de gevonden verklarende variabelen is er gekozen om geen landelijke voorspellingen te doen op basis van de in dit hoofdstuk gepresenteerde modellen. In hoofdstuk 5 is op basis van een kortere tijdsperiode (19902005) een panel data model ontwikkelend. Met dit regionale model kunnen op basis van de Experian Limited © dataset ook landelijke uitspraken gedaan worden. In figuur 4.3 en 4.4 zijn de voorspellingen van de procentuele ontwikkelingen van respectievelijk een Reihenhaus en een Eigentumswohnung weergegeven. Voor verdere uitwerking van de methodologie en gehanteerde data wordt verwezen naar hoofdstuk 5. De totale voorspelde prijsontwikkeling over de periode 2006-2015 bedraagt voor een Reihenhaus nominaal 29,69% en reëel 9,31%. Voor een Eigentumswohnung wordt over dezelfde periode een nominale prijsstijging voorspeld van 25,85% en 6,02% reëel. De schattingen betreffen puntschattingen, ook wel schattingen van het gemiddelde.

________________________________________________________________________

72


Figuur 4.3: Voorspellingen procentuele ontwikkeling Reihenhaus Duitsland; 2006-2015 5% 4% 3% 2% 1%

15

14

20

13

20

12

20

11

20

10

20

09

20

08

20

07

20

06

20

05

20

04

20

03

20

20

01

02

20

00

20

99

20

98

19

97

19

96

19

95

19

94

19

93

19

19

19

19

91

-1%

92

0%

-2% -3% -4% -5% Duitsland nominaal

voorspelling Duitsland nominaal

Duitsland reëel

voorspelling Duitsland reëel

Bron: onderzoeksresultaten regionaal panel data model Figuur 4.4: Voorspellingen procentuele ontwikkeling Eigentumswohnung Duitsland; 2006-2015 5% 4% 3% 2% 1%

15

14

20

13

20

12

20

11

20

10

20

20

08

09

20

07

20

06

20

05

20

04

20

20

03

20

02

01

20

00

20

99

20

98

19

97

19

96

19

95

19

94

19

19

92

19

19

91

19

93

0% -1% -2% -3% -4% -5% Duitsland nominaal

voorspelling Duitsland nominaal

Duitsland reëel

voorspelling Duitsland reëel

Bron: onderzoeksresultaten regionaal panel data model

________________________________________________________________________


4.5

73


Op basis van gehanteerde landelijke dataset blijkt dat er in Duitsland andere variabelen prijsverklarend zijn dan in Nederlandse modellen gebruikelijk is. Opmerkelijk is dat de hypotheekrente in geen van de modellen een significant effect geeft. Mogelijke verklaring hiervoor is de verslechterde fiscale situatie in Duitsland. En zoals uit de interviews zal blijken, zijn banken veel minder coulant in het verstrekken van een hypotheek dan in Nederland het geval is. Voor de modeluitkomsten van het Reihenhaus geldt dat statistisch gezien model 4 de beste resultaten laat zien. Opgemerkt moet worden dat door het opnemen van twee vertraagde woningprijsvariabelen de verklaringsgraad enigszins geflatteerd is. Het negatieve teken van de twee perioden vertraagde woningprijs is een correctie op de positieve één periode vertraagde woningprijs. Bij dit proces is de één periode vertraagde woningprijs afhankelijk van de twee periode vertraagde woningprijs. Door de twee periode vertraagde woningprijs van de één periode vertraagde woningprijs af te halen wordt de invloed van de variabele geringer. De enige macro-economische verklarende variabele blijkt het besteedbaar inkomen te zijn, hetgeen op basis van de in de literatuur gevonden relaties logisch lijkt. Tevens is de richting van deze variabele gevoelsmatig juist. Bij een stijging van het besteedbaar inkomen met 1% zal de woningprijs met 0,51% stijgen. Zoals uit de literatuur en de interviews blijkt worden de niet-economische krachten, zoals gevoel van consumenten door de vertraagde woningprijs verklaard. Voor de modeluitkomsten van de Eigentumswohnung geldt dat model 3 statistisch gezien de beste resultaten laat zien. Net als het model van het Reihenhaus is het besteedbaar inkomen de enige macro-economische verklarende variabele. De beta 0,47 geeft aan dat een stijging van 1% van het besteedbaar inkomen leidt tot stijging van de prijs van een appartement met 0,47%. Deze relatie is conform wat in de literatuur gebruikelijk is. De ontwikkeling van de prijs van bouwgrond heeft een vergelijkbare invloed op de woningprijs als voor het besteedbaar inkomen geldt. Het opnemen van een autoregressieve variabele is lastiger te verklaren. Net als een vertraagde woningprijs worden de door niet-economische variabelen te verklaren krachten door deze variabele verklaard. Om toch landelijke voorspellingen te kunnen doen, worden de panel data modellen uit hoofdstuk 5 gehanteerd. De totale voorspelde prijsontwikkeling voor de periode 2006________________________________________________________________________

74


2015 bedraagt voor een Reihenhaus nominaal 29,69% en reëel 9,31%. Voor een Eigentumswohnung wordt voor dezelfde periode een nominale prijsstijging voorspeld van 25,85% en 6,02% reëel. Concluderend: In beide landelijke modellen geldt dat als het besteedbaar inkomen met 1% stijgt, de prijs van een woning met circa 0,5% toeneemt. Anders als in Nederlandse modellen is de ontwikkeling van de hypotheekrente in de gevonden modellen niet van invloed op de woningprijs. Wel blijkt dat door de vertraagde woningprijs voor het Reihenhaus en door de autoregressieve variabele voor de Eigentumswohnung het niet door economische factoren te verklaren deel verklaard kan worden. Onderstaand zijn de gevonden modellen weergegeven die de procentuele wijzing in de woningprijs op jaarbasis verklaren vanuit de procentuele verandering van de verklarende variabelen. PRIJSRH =-1.25 + 0.51 INKBEST + 0.92 RRIJSRH(-1) -0.38PRIJSRH(-2) PRIJSEW = -2.0 + 0.47 INKBEST + 0.46 PRIJSG + [AR(1)=-0.4150130953] Met: PRIJSEW

= de procentuele prijsverandering van de Eigentumswohnung

PRIJSRH

= de procentuele prijsverandering van een Reihenhaus

INKBEST

= de procentuele verandering van het besteedbaar inkomen

PRIJSG

= de procentuele verandering van bouwgrond

________________________________________________________________________


75

________________________________________________________________________

76


Figuur 5.1: Prijsindex Eigentumswohnung; 1990-2005 140

130

120

110

100

90

80

70

60 1990

1991

1992

1993

Ham burg

1994 Köln

1995

1996

1997

Frankfurt am M ain

1998

1999

M ünchen

2000 Berlin

2001

2002

Chem nitz

2003

2004

2005

Dres den

Bron: BulwienGesa AG Figuur 5.2: Prijsindex Reihenhaus; 1990-2005 150

140

130

120

110

100

90

80 1990

1991

1992

1993

Ham burg

1994 Köln

1995

1996

1997

Frankfurt am M ain

1998

1999

M ünchen

2000 Berlin

2001

2002

Chem nitz

2003

2004

2005

Dres den

Bron: BulwienGesa AG Figuur 5.3: Prijsindex bouwgrond 1990-2005 200

180

160

140

120

100

80 1990

1991

1992

1993

Ham burg

1994 Köln

1995

1996

1997

Frankfurt am M ain

1998

1999

M ünchen

2000 Berlin

2001

2002

Chem nitz

2003

2004

2005

Dres den


________________________________________________________________________


5.

77

Regionaal model

In dit hoofdstuk zal onderzocht worden of er op regionaal niveau, over een kortere tijdsperiode, relaties gevonden kunnen worden tussen de woningprijsontwikkeling en de ontwikkeling in de verklarende variabelen. Door deze kortere periode te hanteren kunnen de dataproblemen uit het landelijke model vermeden worden, gedacht moet worden aan onderbroken prijsreeksen rond de eenwording. De panel data methodologie wordt gehanteerd om statistisch verantwoorde uitspraken te kunnen doen. Om de grote regionale verschillen weer te geven, is in de figuren hiernaast de prijsontwikkeling voor zeven steden weergegeven. De steden zijn geselecteerd op bevolkingsomvang: Berlijn (3,4 miljoen), Hamburg (1,7 miljoen), München (1,2 miljoen) Hannover (1,1 miljoen), Köln (0,97 miljoen) en Frankfurt am Main (0,65 miljoen). Aan deze set zijn de voormalig Oost-Duitse steden: Dresden (0,47 miljoen) en Chemnitz (0,25 miljoen) toegevoegd om de grote verschillen weer te kunnen geven. Figuur 5.1 geeft voor deze steden de prijsontwikkeling van de Eigentumswohnung weer, figuur 5.2 voor het Reihenhaus en 5.3 voor de prijsontwikkeling van bouwgrond. Geconcludeerd kan worden dat de prijsindices, van zowel de Eigentumswohnung, het Reihenhaus als de bouwgrond, de afgelopen 15 jaar het sterkst gestegen zijn in de steden Hamburg, Köln en Frankfurt am Main. Voor de steden Chemitz en Dresden geldt dat tijdens deze periode de drie indices de slechtste resultaten hebben laten zien. Voor München geldt dat de drie indices een vlakker licht stijgend verloop laten zien. Voor Berlijn verlopen de drie indices niet eenduidig, de Reihenhaus index laat een daling zien en de Eigentumswohnung en de bouwgrond een stijging.

5.1

Data

De dataset die in dit hoofdstuk wordt gebruikt bestaat uit 35 steden. De stad Erfurt is uit de dataset verwijderd vanwege de summiere beschikbaarheid van data. De steden zijn geselecteerd op hun omvang en ligging. 12 steden hebben een bevolking groter dan een half miljoen inwoners, bij de overige 23 telt de bevolking tussen de 120.000 en 500.000 inwoners. BulwienGesa AG heeft voor de betreffende steden prijsindices beschikbaar gesteld. Deze zijn opgesteld voor een eengezinswoning (Reihenhaus) met circa 100 m2 leefruimte en een appartement (Eigentumswohnung) met gemiddeld 70-80 m2 leefruimte; beide op een gemiddeld tot goede locatie. ________________________________________________________________________

78


Het regionale model beslaat de periode 1990 tot 2005. Deze periode is enerzijds gekozen om het verstorende effect van de Duitse eenwording uit de index te filteren en anderzijds omdat het onmogelijk was regionale data te vinden met een langere historie. Experian Limited© heeft voor deze 35 geselecteerde steden regionale data beschikbaar gesteld. Van de in het model opgenomen variabelen is in tabel 5.1 een overzicht gegeven. De hypotheek- en inflatiecijfers zijn afkomstig van respectievelijk de Deutsche Bundesbank en het Statistisches Bundesamt. Tabel 5.1: Opgenomen variabelen regionaal model Duitsland; 1990-2005 Serie te verklaren variabele %∆ Reihenhaus %∆ Eigentumswohnung indicatoren %∆ GDP per capita

Beschrijving

Benaming model

Eengezinswoning, 100m2 Bron: Bulwien Gesa AG Appartement, 70-80m2 Bron: Bulwien Gesa AG

PRIJSRH

Bruto Binnenlands Product per stad purchasing power standards, 2002 basisjaar Bron: Experian Limited © %∆ Hypotheekrente Hypotheekrente 10 jaar vaste rente periode Bron: Deutsche Bundesbank en EWU Zinstatistik %∆ Consumentenbestedingen Consumenten bestedingen per regierungsbezirke purchasing power standards, 2002 basisjaar Bron: Experian Limited © %∆ Bevolkingsontwikkeling Bevolkingontwikkeling per stad Bron: Experian Limited © %∆ Werkgelegenheid Banen in FTE per stad Bron: Experian Limited © %∆ Werkgelegenheid Banen in personen per stad Bron: Experian Limited © %∆ GDP Bruto Binnenlands Product per werknemer per stad purchasing power standards, 2002 basisjaar Bron: Experian Limited © %∆ Inflatie Consumer Price Index voor Duitsland Not seasonaly adjusted Bron: Statistische Bundesamt %∆ Huurprijs nieuwbouw Huur Index nieuwbouw Bron: Bulwien Gesa AG %∆ Huurprijs oudbouw Huur Index oudbouw Bron: Bulwien Gesa AG %∆ Bouwgrond Prijsindex bouwgroind eengezinswoning Bron: Bulwien Gesa AG

PRIJSEW

GDPCAP

RENTE CONS

BEV WERK BANEN GDP

INFLATIE

HUURN HUURO PRIIJSG

Bron: opgenomen in tabel

Experian maakt gebruik van de NUTS-indeling binnen Europa (the Nomenclature of Territorial Units for Statistics). De NUTS-indeling is hiërarchisch, hetgeen betekent dat elke lidstaat onderverdeeld wordt in een aantal NUTS 1-regio's, die elk zijn onderverdeeld in een aantal NUTS 2-regio’s en deze laatste zijn weer verdeeld in NUTS 3-regio’s. Op regionaal niveau omvat de bestuurlijke structuur van Duitsland twee regionale hoofdniveaus: Länder (Deelstaat, NUTS 2) en Kreise (Stad, NUTS 3). Als uitzondering ________________________________________________________________________


79

bestaan er ook grote steden of stedelijke gebieden die als NUTS 2 gebied worden aangezien. In het model worden de verstrekte gegevens op stadsniveau (NUTS 3) gebruikt en voor de steden Berlijn, Hamburg, München, Hannover en Köln, met meer dan 0,8 miljoen inwoners, wordt de stadsdata op NUTS 2 niveau gerapporteerd, tevens gehanteerd in het model. In het regionale model is gekozen om op basis van de eerste verschillen, dat wil zeggen procentuele wijziging per indicator, de procentuele wijziging van de te verklaren variabelen te schatten. De dataset is in het statistische pakket Eviews ingelezen in de vorm van jaarlijkse procentuele wijzigingen. Deze vorm brengt twee voordelen met zich mee: er hoeft geen log- of inflatiecorrectie worden uitgevoerd om de variabelen stationair te maken en de uitkomsten eenvoudig te interpreteren.

5.2

Methodologie

Gebaseerd op de uitkomsten van het landelijke model, is er in dit hoofdstuk op basis van een kortere tijdsperiode, voor meerdere steden tegelijk een model opgesteld. Daar nu slechts de periode 1990-2005 behandeld wordt, kan het effect van de eenwording buiten het model gehouden worden. Ook heeft deze kortere periode als voordeel, dat er meer indicatoren beschikbaar zijn met regionale voorspellingen voor de periode tot 2016. Om over deze kortere periode statistisch verantwoorde uitspraken te kunnen doen, is er gekozen om gebruik te maken van de panel data methodologie. Het aantal punten dat wordt meegenomen om het model te kunnen schatten wordt hierdoor met een factor 35 verhoogd, hetgeen zal leiden tot hogere nauwkeurigheid van de uitkomsten. Deze constatering wordt door de literatuur onderschreven. Een panel data set bevat herhaaldelijke observaties van dezelfde units, verzameld over twee of meer perioden. In dit onderzoek worden verschillende onafhankelijke timeseries, de prijsseries van de 35 steden, met stadsgebonden en dus onafhankelijke indicatoren gecombineerd in een pool. In plaats dat er 35 onafhankelijke modellen geschat worden schat de panel data methodologie er één. Doordat panel data sets gewoonlijk groter zijn dan cross-sectional of time serie data sets en de verklarende variabelen over twee dimensies verspreid zijn geeft panel data nauwkeurigere resultaten. Zelfs bij sets van gelijke omvang, laat de panel data methodologie betere resultaten zien. ________________________________________________________________________

80


In dit onderzoek wordt panel data met fixed effects gehanteerd. Door gebruik te maken van fixed effects kunnen de niet opgenomen variabelen gecontroleerd worden voor cases die variëren over tijdsperioden. Het gebruik van fixed effects bij panel data is statisch verantwoord, vanwege het feit dat het gebruik van fixed effects altijd consistente resultaten geeft. Toch hoeft het niet altijd de meest efficiënte manier te zijn. Random effects geven daarentegen wel betere p-waarden. De grote verschillen binnen Duitsland op economisch gebied kunnen door het hanteren van panel data op regionaal niveau nu beter tot uitdrukking komen. Net als beschreven in de methodologie van het landelijke model, zal er op basis van in Nederland gangbare verklarende variabelen, gezocht worden naar het beste model. Eveneens is er gekozen om voor de modelselectie de voorwaartse methode te hanteren.

5.3

Resultaten

In tabel 5.2 en 5.3 zijn de schattingsresultaten van de panel data series van het Reihenhaus en de Eigentumswohnung opgenomen. Voor beide woningsoorten volgt een overzicht van de uit Eviews afkomstige modellen. Voor alle opgenomen modellen geldt dat de variabelen bij een betrouwbaarheidsinterval van 95% significant zijn. Dit leidt tot een t-waarde groter dan 2 of kleiner dan -2. Er is gekozen om de dataset in te lezen als jaarlijkse procentuele veranderingen. Dit betekent dat er niet door middel van log-transformaties of het reëel maken van de variabelen gezorgd hoeft te worden dat de variabelen stationair worden. Door niet alleen de Adjusted R2 te beoordelen, maar ook de Durbin-Watson toets te hanteren worden schijnrelaties ontmaskerd en enkel statistisch juiste relaties meegenomen in het verdere onderzoek. Per woningsoort zullen achtereenvolgens de modellen besproken worden en het beste model worden benoemd.

________________________________________________________________________


81

Tabel 5.2: Schattingresultaten panel data analyse Reihenhaus met t-waarden; 1991-2005 Model

1

2

3

4

5

6

te verklaren variabele %∆ Reihenhaus variabelen %∆ Reihenhaus (-1) 0,35 (8,15) 0,26 (6,02) 0,26 (5,80) 0,25 (5,73) %∆ GDP 0,15 (1,92) %∆ GDP per capita %∆ GDP per capita (-1) 0,17 (2,75) 0,20 (3,25) %∆ Hypotheekrente 0,03 (2,76) 0,03 (2,99) 0,03 (3,13) %∆ Consumentenbestedingen %∆ Bevolkingsontwikkeling 0,69 (3,02) 0,45 (2,54) %∆ Werkgelegenheid %∆ Inflatie 1,03 (5,95) 1,03 (5,88) 0,97 (5,48) %∆ Huurprijs nieuwbouw %∆ Huurprijs oudbouw %∆ Bouwgrond 0,21 (7,59) Constante -0,01 tot 0,02 -0,02 tot 0,02 -0,01 (-3,89) -0,02 (-3,88) -0,01 (-3,84) Adjusted R2 Durbin-Watson statistiek Observaties Schattingsperiode

0.12 2,05 454 1993-2005

0.15 1,61 478 1992-2005

0,22 2,02 454 1993-2005

0.22 2,02 442 1993-2005

0.23 1,92 442 1993-2005

0,27 (6,18)

0,19 (3,04)

0,42 (2,37) 0,94 (5,31)

-0,01(-4,46) 0,22 1,88 443 1993-2005

Variabelen en te verklaren variabele weergegeven als procentuele prijsverandering. Hypotheekrente, werkloosheid, inflatie, constructie nieuwe woningen en bevolkingsontwikkeling in procentuele verandering. Per model is de beta en tussen haakjes de t-waarde weergegeven. Bron: Eviews uitkomsten, opgenomen in appendix D

Uit de schattingsresultaten van de Reihenhaus modellen blijkt dat het GDP per capita van het voorgaande jaar, de bevolkingsontwikkeling, de inflatie en de vertraagde woningprijs de voornaamste verklarende variabelen zijn. Opvallend is de positieve beta van de hypotheekrente. Volgens de economische logica behoort dit tegengesteld te zijn. Als er naar de Adjusted R2 en de Durbin-Watson toets wordt gekeken geeft model 5 de beste resultaten, maar als gevolg van de beperkte invloed van de hypotheekrente (bij een stijging van de rente met 1% stijgt de woningprijs maar met 0,03%) en de positieve beta is model 6 verkozen boven model 5.

________________________________________________________________________

82


Tabel 5.3: Schattingresultaten panel data analyse Eigentumswohnung met t-waarden; 1991-2005 Model

1

2

3

4

te verklaren variabele %∆ Eigentumswohnung variabelen %∆ Eigentumswohnung (-1) %∆ GDP %∆ GDP per capita %∆ GDP per capita (-1) %∆ Hypotheekrente %∆ Consumentenbestedingen %∆ Bevolkingsontwikkeling %∆ Werkgelegenheid %∆ Inflatie %∆ Huurprijs nieuwbouw %∆ Huurprijs oudbouw %∆ Bouwgrond Constante Adjusted R2 Durbin-Watson statistiek Observaties Schattingsperiode

0,19 (4,28)

0,56 (2,71)

0,53 (2,58)

0,23 (8,11)

0,21 (7,56)

1,19 (10,73)

-0,02 (-8,54)

-0,02 tot 0,02

0,19 1,60 490 1992-2005

0.25 1,88 478 1992-2005

0,47 (2,66) 0,33 (3,58) 1,00 (5,69)

0,09 (3,75) -0,02 tot 0,01 -0,02 (-5,31) 0.27 1,96 478 1992-2005

0,20 2,05 448 1993-2005

Variabelen en te verklarende variabele weergegeven als procentuele prijsverandering. Hypotheekrente, werkloosheid, inflatie, constructie nieuwe woningen en bevolkingsontwikkeling in procentuele verandering. Per model is de beta en tussen haakjes de t-waarde weergegeven. Bron: Eviews uitkomsten, opgenomen in appendix E

De schattingsresultaten van de Eigentumswohnung zijn in tabel 5.3 weergegeven. Uit de tabel blijkt dat de bevolkingsontwikkeling, de werkgelegenheid en de inflatie de macro-economische verklarende variabelen zijn. De huurprijs van nieuwbouw en de prijs van bouwgrond vormen de niet economische verklarende variabelen. Op basis van de Adjusted R2 en de Durbin-Watson toets geeft model 3 de beste resultaten. Hoewel Els en Vlaar (1996) de huurprijs opnemen in hun model, blijft deze variabele discutabel vanwege het natuurlijk verband tussen deze twee. De vraag is dan ook of het verklaren van de woningprijs door een huurvariabele een meerwaarde heeft, laat staan dat er goede voorspellingen zijn voor deze variabele. Op basis van macro economische variabelen geeft model 4 de beste resultaten. Dit is ook de reden dat er voor model 4 gekozen wordt.

________________________________________________________________________


5.4

83

Voorspellingen

Op basis van de gepresenteerde modellen voor de Eigentumswohnung en het Reihenhaus is op basis van de macro economische voorspellingen uit de Experian Limited © dataset per stad op jaarbasis de nominale procentuele woningprijsverandering berekend. De inflatievoorspellingen zijn afkomstig van Thomson Financial Datastream. Om beter inzicht te geven in de prijsontwikkeling is ook de reële prijsontwikkeling weergegeven. Bijkomend voordeel van deze reële weergave is dat de landelijk voorspelde inflatie uit de voorspellingen wordt gefilterd, zodat deze primair gebaseerd zijn op regionale Experian Limited © voorspellingen. De reële prijsstijging wordt berekend door de nominale voorspellingsuitkomsten te verminderen met de voorspelde inflatie van het desbetreffende jaar. De inflatie voorspellingen tussen 2006 en 2015 liggen in de range van 1,5%-2,3%, dus op jaarbasis zijn de verschillen minimaal. Maar over een decennium zijn deze verschillen wel degelijk van invloed op de totale prijsverandering. De nominale en reële voorspellingen van de 35 steden zijn voor het Reihenhaus in appendix F opgenomen en voor de Eigentumswohnung in appendix G. Op basis van de onderzoeksresultaten is in figuur 5.4 en 5.5 een weergave gegeven van de reële prijsontwikkeling over de periode 2006 tot 2015. De bevolkingontwikkeling is in figuur 5.6 opgenomen. Duidelijk valt te zien dat in demografisch mindere gebieden, zich een daling van de woningprijzen voordoet. De deelstaten die de komende 10 jaar demografisch het mist presteren (-4% tot -16%) zijn: Mecklenburg-Vorpommern, Saksen-Anhalt en Saksen. De deelstaten Thüringen, Nordrijn-Westfalen en Rijnlandplatz vormen de midden sector (0% tot -4%). Rond de economische centra in de deelstaten Beieren, BadenWurtenberg, Hessen en Hamburg worden de beste resultaten gevonden. Door deze uitkomsten worden de eerder geformuleerde hypothese bevestigd; verschillen in regionale bevolkingsgroei zijn van grote invloed op regionale verschillen in huizenprijzen. In figuur 4.3 en 4.4 zijn de voorspelling voor Duitsland weergegeven. Uit de voorspellingen blijkt dat de eengezinswoning een positievere ontwikkeling laat zien in vergelijking tot het appartement. De totaal voorspelde prijsontwikkeling voor de periode 2006-2015 bedraagt voor een Reihenhaus nominaal 29,69% en reëel 9,31%. Voor een Eigentumswohnung wordt voor dezelfde periode een nominale prijsstijging voorspeld van 25,85% en 6,02% reëel. Voor de voorspelde woningprijs geldt dat er gekozen is voor puntschattingen, dit betekent dat er gekeken wordt naar het verloop van het gemiddelde. ________________________________________________________________________

84


Figuur 5.4: Voorspelling reële prijsontwikkeling appartement 2006-2015



________________________________________________________________________


85

Figuur 5.5: Voorspelling reële prijsontwikkeling eengezinswoning 2006-2015



________________________________________________________________________

86


Figuur 5.6: Voorspelling bevolkingsontwikkeling Duitsland; 2006-2015

Deelgebieden zijn gemarkeerd op basis van de onderzoeksresultaten van de steden in het betreffende gebied = stijging van 4% tot 8% = stijging van 0% tot 4% = daling van 0% tot -4% = daling van -4% tot -8% = daling van -8% tot -12% = daling van -12% tot -16%

Bron: Experian Limited ©

________________________________________________________________________


87

Binnen Duitsland bestaan er grote verschillen; zo zullen economisch sterke gebieden, profiteren van een stijgende bevolkingsontwikkeling en mede daardoor zal het GDP stijgen, wat weer leidt tot een stijgende werkgelegenheid. Deze elkaar versterkende effecten leiden tot een sterker dan gemiddelde stijging van de woningprijzen in steden als München, Hamburg, Frankfurt am Main, Düsseldorf, Mainz, Stuttgart, Hannover en Keulen. Economisch minder sterke regio’s, die gekenmerkt worden door negatieve demografische ontwikkelingen, maken een tegengestelde versterkte beweging mee. Steden die het komende decennium minder zullen presteren liggen vooral in het voormalige OostDuitsland. Voorbeelden zijn: Magdeburg, Halle (Saale), Rostock, Chemnitz, Leipzig en Dresden. De voorspellingen voor de steden Hamburg, Frankfurt am Main, München en Berlijn zijn in de figuren 5.7 tot en met 5.14 weergegeven. De Eigentumswohnung presteert over het algemeen slechter in vergelijking tot het Reihenhaus. Deze slechtere prestaties zijn mede te verklaren door de bouwhausse na de eenwording, door de fiscaal aantrekkelijke situatie die ontstond in het oostelijk deel, maar ook - in mindere mate - in het westelijk deel, is er een overaanbod ontstaan in appartementen .

________________________________________________________________________

88


Figuur 5.7 - 5.10: Voorspellingen procentuele ontwikkeling Reihenhaus; 2006-2015 8,0% 6,0% 4,0% 2,0%

19 91 19 92 19 93 19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 20 09 20 10 20 11 20 12 20 13 20 14 20 15

0,0% -2,0% -4,0% -6,0% -8,0% Hamburg nominaal

voorspelling Hamburg nominaal

Hamburg reëel

voorspelling Hamburg reëel

8,0% 6,0% 4,0% 2,0%

19 91 19 92 19 93 19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 20 09 20 10 20 11 20 12 20 13 20 14 20 15

0,0% -2,0% -4,0% -6,0% -8,0% Frankfurt nominaal

voorspelling Frankfurt nominaal

Frankfurt reëel

voorspelling Frankfurt reëel

8,0% 6,0% 4,0% 2,0%

19 91 19 92 19 93 19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 20 09 20 10 20 11 20 12 20 13 20 14 20 15

0,0% -2,0% -4,0% -6,0% -8,0% München nominaal

voorspelling München nominaal

München reëel

voorspelling München reëel

8,0% 6,0% 4,0% 2,0% 0,0% 19 91 19 92 19 93 19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 20 09 20 10 20 11 20 12 20 13 20 14 20 15

-2,0% -4,0% -6,0% -8,0%

Berlin nominaal

voorspelling Berlin nominaal

Berlin reëel

voorspelling Berlin reëel


________________________________________________________________________


89

Figuur 5.11 - 5.14: Voorspellingen procentuele ontwikkeling Eigentumswohnung; 2006-2015 8,0% 6,0% 4,0% 2,0%

19 91 19 92 19 93 19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 20 09 20 10 20 11 20 12 20 13 20 14 20 15

0,0% -2,0% -4,0% -6,0% -8,0% Hamburg nominaal

voorspelling Hamburg nominaal

Hamburg reëel

voorspelling Hamburg reëel

8,0% 6,0% 4,0% 2,0%

19 91 19 92 19 93 19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 20 09 20 10 20 11 20 12 20 13 20 14 20 15

0,0% -2,0% -4,0% -6,0% -8,0% Frankfurt nominaal

voorspelling Frankfurt nominaal

Frankfurt reëel

voorspelling Frankfurt reëel

8,0% 6,0% 4,0% 2,0% 0,0% 19 91 19 92 19 93 19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 20 09 20 10 20 11 20 12 20 13 20 14 20 15

-2,0% -4,0% -6,0% -8,0%

München nominaal

voorspelling München nominaal

München reëel

voorspelling München reëel

8,0% 6,0% 4,0% 2,0% 0,0% 19 91 19 92 19 93 19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 20 09 20 10 20 11 20 12 20 13 20 14 20 15

-2,0% -4,0% -6,0% -8,0%

Berlin nominaal

voorspelling Berlin nominaal

Berlin reëel

voorspelling Berlin reëel


________________________________________________________________________

90


5.5 Samenvatting en conclusies Uit de gevonden regionale modellen blijkt wederom dat er in Duitsland andere variabelen prijsverklarend zijn dan in Nederlandse modellen gebruikelijk is. In het regionale model geeft de verklarende variabele de hypotheekrente een klein effect. Vreemd blijft de positieve beta voor de hypotheekrente, hetgeen betekent dat indien de hypotheekrente stijgt, de woningprijzen dit ook zullen doen. Deze constatering conflicteert met de logica en met relaties die binnen de literatuur gebruikelijk zijn. Een mogelijke verklaring is het totaal anders functionerende banksysteem in Duitsland, wat door angst is ingegeven. Deze opmerkelijke constatering wordt in het hierop volgende hoofdstuk nader behandeld. Voor de modeluitkomsten van het Reihenhaus geldt, dat statistisch gezien, op basis van macro-economische variabelen, model 6 de beste resultaten laat zien. De eengezinswoningprijs wordt hier verklaard door inkomen, bevolking, inflatie en de vertraagde woningprijs. De gevonden richting van de beta’s zijn logisch en conform de literatuur. Uit het model blijkt dat, indien de GDP per capita met 1% stijgt, de woningprijs met 0,19% stijgt. Bij een stijging van 1% in de bevolking geeft dit een effect van 0,42% op de woningprijs. Een stijging van 1% in de inflatie werkt met 0,94% door in de prijs. Indien de prijs van een eengezinswoning een jaar eerder met 1% gestegen is, leidt dit tot 0,27% stijging het huidige jaar. Voor de modeluitkomsten van de Eigentumswohnung geldt dat model 4, statistisch gezien, op basis van macro-economische variabelen, de beste resultaten laat zien. Net als het model van het Reihenhaus is een GDP gerelateerde variabele, de bevolking, de inflatie en de vertraagde woningprijs bepalend voor de ontwikkeling van de prijs van een appartement. Een stijging van 1% in het aantal banen in een stad betekent dat de woningprijs met 0,33% zal stijgen; een stijging van de bevolking van 1% leidt tot een stijging van 0,47% en voor inflatie geldt dat indien deze met 1% stijgt de woningprijs ook met 1% zal stijgen. Indien de prijs van een eengezinswoning een jaar eerder met 1% gestegen is, leidt dit tot 0,19% stijging dit jaar. De gevonden modellen voor de Eigentumswohnung en het Reihenhaus zijn aan het eind van deze paragraaf weergegeven. Op basis van de in de bovenstaande paragrafen beschreven modellen zijn voorspellingen voor de jaarlijkse woningprijsontwikkeling gedaan. Voor de periode 20062015 is op stadsniveau op basis van regionale data een jaarlijkse voorspelling gemaakt. Anders als het voorgaande decennium, wordt er de komende tien jaar voor Duitsland een ________________________________________________________________________


91

stijging in zowel nominale als in reële termen verwacht. Voor een Reihenhaus nominaal 29,69% en reëel 9,31% en voor een Eigentumswohnung wordt voor dezelfde periode een nominale prijsstijging voorspeld van 25,85% en 6,02% reëel. Binnen Duitsland bestaan er grote verschillen; zo zullen economisch sterke gebieden, profiteren van een stijgende bevolkingsontwikkeling en mede daardoor zal het GDP stijgen, wat weer leidt tot een stijgende werkgelegenheid. Deze elkaar versterkende effecten leiden tot een sterker dan gemiddelde stijging van de woningprijzen in steden als München, Hamburg, Frankfurt am Main, Düsseldorf, Mainz, Stuttgart, Hannover en Keulen. Economisch minder sterke regio’s, die gekenmerkt worden door negatieve demografische ontwikkelingen, maken een tegengestelde versterkte beweging mee. Steden die het komende decennium minder zullen presteren liggen vooral in het voormalige OostDuitsland. Voorbeelden zijn: Magdeburg, Halle (Saale), Rostock, Chemnitz, Leipzig en Dresden. De Eigentumswohnung presteert over het algemeen slechter in vergelijking tot het Reihenhaus. Deze slechtere prestaties zijn mede te verklaren door de bouwhausse na de eenwording, door de fiscaal aantrekkelijke situatie die ontstond in het oostelijk deel, maar ook - in mindere mate - in het westelijk deel, is er een overaanbod ontstaan in appartementen. Concluderend: in beide regionale modellen wordt de woningprijs door een macroeconomische, een demografische variabele, de inflatie en de vertraagde eigen variabele verklaard. Anders als in Nederlandse modellen is de hypotheekrente van minimale impact op de woningprijs en geeft deze ook een theoretisch onlogische richting. Voor de voorspellingen geldt dat er het komende decennium, onder de aanname dat de economische omstandigheden verbeteren in Duitsland, zowel voor de eengezinswoning als voor het appartement in nominale als in reële termen een stijging in de woningprijs wordt verwacht. Binnen Duitsland bestaan er grote verschillen tussen de economisch sterkere gebieden rond de grote steden, waar de prijzen gewoonlijk sterker zullen stijgen en de economische mindere gebieden waar de prijsontwikkeling minder zal zijn.

________________________________________________________________________

92


PRIJSRH=-0.01 + 0.19GDPCAP(-1) +0.42BEV + 0.94INFLATIE + 0.27PRIJSRH(-1) PRIJSEW = -0.02 + 0.33 BANEN +0.47 BEV + 1.00 INFLATIE + 0.19 PRIJSEW(-1) Met: PRIJSRH

= de procentuele prijsverandering van een Reihenhaus

PRIJSEW

= de procentuele prijsverandering van de Eigentumswohnung

GDPCAP

= de procentuele verandering van het GDP per capita

BEV

= de procentuele verandering van bevolking

BANEN

= de procentuele verandering van de werkgelegenheid

INFLATIE

= de procentuele verandering van de inflatie

________________________________________________________________________


6.

93

Interviews

Na afloop van het onderzoek zijn interviews gehouden om de onderzoeksmethodologie en de gerapporteerde onderzoeksresultaten te verifiëren en aan te vullen met inzichten van (Duitse) vastgoedprofessionals. In dit hoofdstuk worden de belangrijkste inzichten gepresenteerd. Overige opmerkingen en aanvullingen zijn in het onderzoek verwerkt. De complete vragenlijst is in appendix H opgenomen.

6.1

Geïnterviewden

Er is gekozen om enkel Duitse onderzoekers en professionals te interviewen. De reden hiervoor is dat deze personen over betere lokale marktkennis beschikken. Ook bestaan er onder Nederlandse partijen veel verschillende opvattingen, vaak gebaseerd op verschillende data bronnen. Onderstaand zijn de geïnterviewden weergegeven. •

Dhr. R. C. Bartholomäi RICS Deutschland Board Member and Member of the Residential Faculty Board RICS Deutschland

•

Dr. T. Schilling Director Real Estate Research Feri Rating & Research GmbH

•

Dhr. D. Quinten Banking supervision/ Researcher Deutsche Bundesbank

•

Mw. F. Wenzel Researcher BulwienGesa AG

________________________________________________________________________

94

6.2


Onderzoeksvragen en uitkomsten

Verklaring voor de internationale interesse voor Duitse woningportfolio’s De geïnterviewden geven veel overeenkomstige antwoorden op deze vraag. De hoofdreden die genoemd wordt, is de vooral uit internationaal perspectief bekeken onderwaardering van de Duitse woningmarkt in vergelijking tot andere West-Europese woningmarkten. Deze onderwaardering, in combinatie met een aantrekkende Duitse economie, versterkt de verwachting van een toekomstige waardeontwikkeling op de Duitse woningmarkt. Andere redenen die genoemd worden zijn het lage woningbezit in combinatie met de huidige lage rente en prijzen, waardoor de kans op succesvol uitponden vergroot wordt. De verkochte woningportfolio’s worden voornamelijk verkocht door publieke of semipublieke instellingen. Over het algemeen betekent dit dat de woningen goed onderhouden zijn en een huur lager dan de markthuur hebben. Aangenomen dat Duitse partijen betere marktkennis hebben van de Duitse woningmarkt, waarom worden er dan door Duitse partijen enkel woningportfolio’s verkocht in plaats van aangekocht? Ten grondslag aan dit fenomeen liggen volgens de geïnterviewden geen puur economische verschijnselen, maar wordt dit grotendeels door psychologische factoren verklaard, zoals angst en pessimisme. Consensus bestaat er onder de geïnterviewden dat Duitsers veel minder positief zijn over de eigen economie en woningmarkt. Ook bestaat er nog steeds angst binnen de financiële wereld voor een soortgelijke zeepbel die na de Duitse eenwording ontstond en enkele jaren later uiteen klapte waardoor de Duitse banken (waaronder de Dresdnerbank en de Commerzbank) tot op de rand van de afgrond gebracht werden. Als gevolg van deze ontwikkeling zijn banken veel voorzichtiger geworden in het verstrekken van kredieten aan particulieren, met name hypotheken. Na deze financiële shock werden veel Duitse partijen meer internationaal gefocust en daalden de binnenlandse investeringen in vastgoed en vooral in woningvastgoed.

________________________________________________________________________


95

Ontwikkeling Duitse economie het komend decennium Opvallend is dat de geïnterviewden allen aangeven dat buitenlanders veel rooskleuriger tegen de ontwikkeling van de Duitse economie aankijken dan de Duitsers zelf. Mede hierdoor wordt de lage interesse van Duitse partijen in Duits vastgoed verklaard. Consensus bestaat er over het aantrekken van de economie de komende jaren. De voorspellingen voor het komende decennium liggen rond een jaarlijkse groei van 2%. Gedurende de periode 1980-2006 zijn veel fiscale en andere subsidies ten gunste van de woningbezitters afgeschaft. Bestaat er tussen deze fiscale verslechterende situatie en de dalende woningprijs een causaal verband? De ontwikkeling van het GDP is de belangrijkste verklarende variabele; de meest recente afschaffing

van

de

Eigenheimzulagen-Gesetz

raakt

slechts

een

kleine

groep

woningbezitters voornamelijk in landelijke gebieden, dus niet in de grote steden die in dit onderzoek behandeld zijn. In vergelijking tot andere Europese landen is het woningbezit in Duitsland met 43% erg laag te noemen. Wat is hier de verklaring voor? Hoe zal het woningbezit zich het komend decennium ontwikkelen? Geen van de geïnterviewden verwacht een sterke stijging van het woningbezit het komend decennium. De door sommige analisten voorspelde 55 tot 60% lijkt onwaarschijnlijk. Er wordt de komende jaren een marginale stijging verwacht. Redenen die genoemd worden zijn: de aantrekkelijk geprijsde, grote omvang en goede kwaliteit van de voorraad huurwoningen, maar ook de ten opzichte van veel West-Europese landen gunstige huurwoonquote. Door de sterk beschermde situatie van huurders is het lastig om huurverhogingen door te voeren. Tevens wordt aangegeven dat veel huishoudens liever huren om flexibel op de arbeidsmarkt te kunnen opereren; Duitsland is immers veel groter dan Nederland. Prijsverklarende variabelen in Duitse woningprijs modellen. Als indicatoren voor toekomstige woningprijsontwikkeling worden in volgorde van importantie genoemd: de economische structuur van een gebied, de ontwikkeling van het GDP (bepalend voor werkgelegenheid en inkomensgroei en oorzaak voor migratie), de ________________________________________________________________________

96


huishoudensontwikkeling en de vertraagde woningprijs (een indicator voor niet economische factoren: irrationeel gedrag van de consument) De reeds beschreven, anders functionerende, bankwereld in Duitsland is volgens de geïnterviewden de meest plausibele verklaring voor het niet opnemen van hypotheekrente in prijsvormingsmodellen. De fiscale situatie wordt van veel minder invloed geacht. De reden hiervoor is dat slechts lagere inkomens gebruik maken van deze regelingen en deze beperkte groep vaak buiten de onderzochte steden woont. Databeschikbaarheid Alle geïnterviewden geven aan dat de databeschikbaarheid erg slecht is in Duitsland. Soortgelijke dataproblemen die in dit onderzoek naar voren kwamen, zijn voor de geïnterviewden niet onbekend. In prijsvormingsmodellen wordt enkel de procentuele groei van variabelen gehanteerd, omdat absolute waarden voor steden niet altijd overeenkomen. In Düsseldorf zijn bijvoorbeeld meer huishoudens dan woningen bekend. De oorzaak voor dit grote probleem is dat de laatste West-Duitse volkstelling in 1987 heeft plaatsgevonden en de vierjaarlijkse Microcensus slechts 1% van de Duitsers raadpleegt. Soms worden leegstandcijfers zelfs op alternatieve manieren berekend om dit dataprobleem te ondervangen. Best presenterende steden gebaseerd op te verwachte huisprijsontwikkelingen Dit zijn: München, Frankfurt am Main, Hamburg, Keulen, Stuttgart. Maar ook in OostDuitse steden als Leipzig en Dresden wordt verwacht dat deze steden het dal gepasseerd. Mede onder invloed van de florerende IT- en auto-industrie en de nog relatief lage lonen wordt hier een stijging van de woningprijzen verwacht. Prijsontwikkeling huurmarkt in trend met de prijsontwikkeling van de koopmarkt Aangeven wordt dat de investeringsmarkt meer door rationele denkwijzen wordt gedreven; voor de koopwoningmarkt geldt dat deze meer door emotie wordt geregeerd. Immers vrouwen bepalen waar het huishouden gaat wonen.

________________________________________________________________________


6.3

97

Concluderend

Redenen voor sterke interesse van vooral Angelsaksische partijen in Duits woning vastgoed zijn: de huidige onderwaardering, het lage woningbezit, de lage rente de meestal lager dan marktconforme huur van de aangeboden portfolio’s. Opvallend is dat de lage interesse van Duitse partijen vooral door de psychologische effecten (angst en pessimisme) verklaard wordt. De geïnterviewden geven allen aan betere tijden te verwachten, gerekend wordt op een gemiddelde economische groei van 2% voor de komende 10 jaar. Opvallend is dat geen van de geïnterviewden verwacht dat het woningbezit sterk zal stijgen, enkel een marginale stijging wordt verwacht. Redenen als de goede kwaliteit en prijs van het huurbestand worden genoemd. Maar ook geeft huren de mogelijkheid om flexibel op de arbeidsmarkt te opereren. Als verklarende variabelen voor toekomstige woningprijsontwikkeling worden in volgorde van importantie genoemd: de economische structuur van een gebied, de ontwikkeling van het GDP (bepalend voor werkgelegenheid, inkomensgroei en oorzaak voor migratie), de huishoudensontwikkeling en de vertraagde woningprijs. De reeds uit het onderzoek bekende steden: München, Frankfurt am Main, Hamburg, Keulen en Stuttgart worden aangegeven als best presterende gebieden. Maar ook voor de Oost-Duitse steden Leipzig, Dresden en Jena wordt de komende jaren sterke economische groei en stijging van de woningprijzen verwacht. De geïnterviewden achten de beleggersmarkt rationeler dan de koopwoningmarkt, deze constatering verklaart mede de sterke interesse van Angelsaksische financiële partijen die puur kasstroommatig naar Duitse woningportfolio’s kijken. De Duitse consument daarentegen, door angst en pessimisme ingegeven, is mede verklarend voor het lage woningbezit.

________________________________________________________________________

98

7.


Conclusies en aanbevelingen

In deze studie is een analyse van de Duitse woningmarkt gemaakt waarin de theoretische achtergrond van prijsvormingsmodellen is beschreven, indicatoren zijn benoemd en op basis van deze indicatoren een marktanalyse is gemaakt. Eerst uit Europees perspectief en vervolgens van de Duitse markt waar de regionale verschillen worden behandeld. In het tweede deel zijn op basis van de uit de literatuur afkomstige indicatoren twee landelijke en twee regionale modellen opgesteld, waarmee voor de periode 2006-2015 voorspellingen zijn gedaan met betrekking tot de prijsontwikkeling van het appartement en de eengezinswoning. In het derde deel worden de modelvoorspellingen gepresenteerd en de resultaten uit de interviews besproken. De interviews met Duitse vastgoedprofessionals hebben als doel om de onderzoeksresultaten te verifiëren en uit te breiden met nieuwe inzichten. Afsluitend worden de conclusies en aanbevelingen geformuleerd. Analyse De woningmarkt kan gekarakteriseerd worden als een inefficiënte markt. Aan de meest genoemde kenmerken: beschikken over perfecte informatie, gelijke marktmacht en homogeniteit van het product voldoet de woningmarkt niet. Op deze onvolkomen markt is sprake van een onstabiel evenwicht, veroorzaakt door niet uitgewerkte economische krachten, waardoor er van binnenuit veranderingen ontstaan. Dit is ook de reden voor de gecompliceerde modellering van deze markt. Binnen de woningmarktliteratuur bestaat er nog geen eenheid over welke factoren de woningprijs bepalen. Ook kan er gesteld worden dat er grote verschillen bestaan tussen woningprijsmodellen in verschillende landen. Daarom is binnen dit onderzoek gekozen voor een vaste set woningprijsindicatoren. De marktanalyse laat zien dat Duitsland op basis van de afgelopen 25 jaar gekarakteriseerd kan worden als een gemiddeld West-Europees land. De bevolkingsgroei bedroeg deze periode 6%. Door een afnemende huishoudensomvang tot het huidige niveau van 2,1 personen per huishouden, viel de huishoudensgroei hoger uit met 21%. Binnen de vergeleken West-Europese landen valt het hoge werkloosheidspercentage op van 11,2%. Ditzelfde geldt voor de economische groei, deze lag de afgelopen 12 jaar in Duitsland met 1,37% het laagst van de onderzochte landen. ________________________________________________________________________


99

De opbouw van de Duitse woningmarkt (2003) is opmerkelijk te noemen, het koopsegment is met 43% klein, de particuliere huursector groot met 50% en de sociale huursector met 7% erg klein. Met 43% (2006) ligt het woningbezit in Duitsland ook het laagst binnen de Europese Unie (68%). Wel zijn er erg grote verschillen binnen Duitsland; in het voormalig oostelijk deel ligt het woningbezit gemiddeld 10% lager dan in het westelijk deel. Ook binnen de steden en deelgebieden zijn grote verschillen te ontdekken. In Berlijn ligt het woningbezit met 11% het laagst en in Saarland met 58% het hoogst. Net als in andere landen is vooral in grote steden het woningbezit lager; in kleinere steden en op het platteland ligt dit percentage gewoonlijk hoger. Op fiscaal gebied is woningbezit in Duitsland veel minder aantrekkelijk dan in omliggende landen. Duitsland kent een lange reeks van afgeschafte regelingen. Op hypotheekgebied behoort Duitsland tot de minst ontwikkelde landen van Europa. Maar ook op demografisch gebied heeft Duitsland de slechtste vooruitzichten van West-Europa. De Duitse arbeidsbevolking heeft in 1995 zijn top bereikt en de bevolkingspiek wordt in 2010 verwacht. Het Statistisches Bundesamt verwacht tot 2030 nog een marginale stijging van het aantal huishoudens. Opgemerkt moet worden dat er grote verschillen tussen de verschillende regio´s bestaan. Na de eenwording heeft het overheidsbeleid niet bijgedragen aan de verbetering van de situatie op de woningmarkt. In het begin van de jaren negentig kwam, gedreven door fiscaal beleid en optimisme in voormalig Oost-Duitsland, een gigantische bouwhausse op gang. Samen met een migratiegolf van vooral jonge Oost-Duitsers had dit desastreuze

gevolgen

voor

de

Oost-Duitse

economie

en

woningmarkt.

Leegstandspercentages van tot soms wel 20%, in combinatie met hoge werkloosheid, zijn in Oost-Duitsland geen uitzondering. Opvallend zijn de sterker gestegen bouwen grondkosten; deze hebben sinds 1975 een stijging van circa 300% laten zien, terwijl de woningprijzen de laatste 30 jaar nominaal nog geen 200% zijn gestegen. Uit de analyse van de Duitse markt blijkt dat negatief ontwikkelende factoren de overhand hebben gehad. Mede door deze ontwikkelingen valt de reële prijsdaling van Duitse woningen de afgelopen jaren beter te begrijpen. Toekomstige kansen liggen vooral in de verwachte stijging van het woningbezit, de aantrekkende economie, de verwachte verruiming van de hypotheekmarkt en de lage bouwactiviteit. Deze ontwikkelingen moeten wel sterk genoeg zijn om de negatieve demografische vooruitzichten, de enorme leegstand en de beperkende wet en regelgeving teniet te doen. ________________________________________________________________________

100


Modellen Op basis van de landelijk en regionaal gehanteerde dataset blijkt dat in Duitsland andere variabelen prijsverklarend zijn dan in Nederlandse modellen gebruikelijk zijn. Voor de landelijke en regionale dataset is gekozen om op basis van jaarlijkse procentuele wijzigingen een model op te stellen. Eerst worden de resultaten van het landelijke model besproken, gevolgd door de resultaten van het regionale model, afsluitend worden de voorspellingen voor de periode 2006-2015 gepresenteerd. In de gevonden tijdreeks voor het landelijke Reihenhaus model is het besteedbaar inkomen de enige macro-economisch verklarende variabele. Bij een stijging van het besteedbaar inkomen met 1%, stijgt de prijs van een woning met 0,51%. Niet-economische krachten, zoals gevoel van consumenten wordt door de opgenomen vertraagde woningprijs verklaard. Voor de gevonden tijdreeks voor de Eigentumswohnung geldt dat, net als bij het Reihenhaus, het besteedbaar inkomen de enige macro-economisch verklarende variabele is. Een stijging van het besteedbaar inkomen met 1% leidt tot een stijging van 0,47% in de woningprijs. Een stijging van de prijs van bouwgrond met 1% leidt tot een woningprijsstijging van 0,46%. Net als in het model van het Reihenhaus is er een autoregressieve variabele opgenomen, die het handelen van de irrationale consument beschrijft. Op regionaal niveau verklaart het panel data model de prijsontwikkeling van een Reihenhaus door de variabelen: inkomen, bevolkingsomvang, inflatie en de vertraagde woningprijs. Uit het model blijkt dat, indien de GDP per capita met 1% stijgt, de woningprijs met 0,19% stijgt. Bij een stijging van 1% in de bevolking geeft dit een effect van 0,42% op de woningprijs. Een stijging van 1% in de inflatie werkt met 0,94% door in de woningprijs. Indien de prijs van een eengezinswoning een jaar eerder met 1% gestegen is, leidt dit tot 0,27% stijging dit jaar. In het regionale panel data model voor de Eigentumswohnung zijn, net als in het model van het Reihenhaus, vergelijkbare factoren bepalend voor de ontwikkeling van de prijs

van

een

appartement.

Dit

zijn:

een

GDP

gerelateerde

variabele,

de

bevolkingsomvang, de inflatie en de vertraagde woningprijs. Een stijging van 1% in het aantal banen in een stad betekent dat de woningprijs met 0,33% zal stijgen; een stijging van de bevolking van 1% leidt tot een stijging van 0,47% en voor inflatie geldt dat indien ________________________________________________________________________


101

deze met 1% stijgt de woningprijs ook met 1% zal stijgen. Indien de prijs van een eengezinswoning een jaar eerder met 1% gestegen is leidt dit tot 0,19% stijging dit jaar. Opvallend is dat hypotheekrente in geen van de modellen opgenomen kan worden, enerzijds omdat de hypotheekrente niet significant is en anderzijds omdat de relatie tegengesteld is aan de logica. Vanwege de minimale invloed op de woningprijs is er gekozen deze onlogische relatie niet op te nemen. Voorspellingen Op basis van de ontwikkelde regionale modellen is voor de periode 2006-2015 voor Duitsland de nominale en reële prijsontwikkeling berekend. De totale voorspelde prijsontwikkeling voor de periode 2006-2015 bedraagt voor een Reihenhaus nominaal 29,69% en reëel 9,31%. Voor een Eigentumswohnung wordt voor dezelfde periode een nominale prijsstijging voorspeld van 25,85% en 6,02% reëel. Binnen Duitsland bestaan grote verschillen; zo zullen economisch sterke regio’s profiteren van een stijgende bevolkingsontwikkeling en mede daardoor zal het GDP stijgen, wat weer leidt tot een stijgende werkgelegenheid. Deze elkaar versterkende effecten leiden tot een sterker dan gemiddelde stijging van de woningprijzen in steden als München, Hamburg, Frankfurt am Main, Hannover, Düsseldorf, Mainz, Munster, Stuttgart en Keulen, maar ook Regensburg laat goede resultaten zien. Economisch minder sterke regio’s, die gekenmerkt worden door negatieve demografische ontwikkelingen, maken een tegengestelde versterkte beweging mee. Steden die het komende decennium minder zullen presteren, liggen vooral in het voormalige Oost-Duitsland. Voorbeelden zijn: Magdeburg, Halle (Saale), Rostock, Chemnitz, Leipzig, Dresden, Berlijn en Kassel (in voormalig West-Duitsland). In de interviews worden overeenkomstige steden genoemd die de komende jaren goed zullen presteren. Wel voorspellen de geïnterviewden dat de steden Leipzig, Dresden en Chemnitz het dal gepasseerd zijn en verwachten de geïnterviewden dat als gevolg van de aanwezigheid van zowel auto- en IT-industrie deze steden het komende decennium beter zullen presteren. De voormalig Oost-Duitse stad waar de prijzen het sterkst stijgen is Jena; dit komt voornamelijk door de aanwezigheid van Carl Zeiss, een sterk groeiend bedrijf, bekend van de lenzen in Sony camera’s.

________________________________________________________________________

102


Afsluitend Door de sterke invloed van de demografische ontwikkelingen in de voorspelde modellen ontstaat er gelijkenis met de gepresenteerde voorspelling van Mankiw en Weil (1989). Beide onderzoeken laten zien dat de bevolkingsontwikkeling grote inpact heeft op de woningprijs. Het grootste verschil tussen de onderzoeksresultaten van de Amerikaanse en Duitse markt is dat dit regionale model rekening houdt met de grote regionale verschillen die in een land heersen of ontstaan door afnemende bevolking. Op basis van deze onderzoeksresultaten en de analyse van de periode 1990-2005 is gebleken dat grote demografische veranderingen in economisch mindere gebieden ten grondslag hebben gelegen aan een reële woningprijsdaling van soms rond de 50%. Het is niet waarschijnlijk dat op de Duitse woningmarkt een ander prijsvormingsmechanisme werkt, wel is duidelijk dat de verklarende variabele bevolkingsgroei uniek is te noemen. Aanbeveling beleggers Uit dit onderzoek komt naar voren dat er zeker kansen liggen in Duitsland. Echter de situatie zoals 2 tot 3 jaar geleden, met kwalitatief goede woningportfolio’s die voor circa € 400-500 per m2 verkocht werden zijn schaars geworden. Momenteel is mede door de grote hoeveelheid kapitaal in omloop en de sterke interesse van internationale partijen de prijs opgedreven, de vergelijkbare woningportfolio’s worden nu voor circa € 800-1200 per m2 verkocht. In verhouding tot welk West Europees land dan ook blijven dit zeer lage prijzen. Ook zullen de komende jaren meer woningen op de markt gebracht worden. De meest recentste is de verkoop van 275.000 woningen in West-Berlijn om een faillissement van de stad af te wentelen. Het belangrijkste verschil tussen de Duitse en West-Europese woningmarkt blijft de aanwezige leegstand. Dit gegeven in combinatie met de demografische vooruitzichten geeft de vastgoedtechnische spreuk “locatie, locatie, locatie” wederom veel waarde. Sterker als nu al het geval is zullen economisch krachtige gebieden in bevolking en GDP groeien en economisch mindere gebieden in bevolking en GDP dalen. Binnen Duitsland zullen de komende jaren de kansen liggen in economisch sterke gebieden en zal de Duitse woning consument vooral op zoek zijn naar kwaliteit in goede stadsdelen en buitenwijken. Zanders Real Estate Finance (035 - 692 89 79) faciliteert vervolg onderzoek op basis van een verfijnder model voor meer steden, met meer indicatoren dat op basis van stadsdelen voorspellingen omtrent prijs- en ________________________________________________________________________


103

huurontwikkelingen geeft. Kortom binnen Duitsland bestaan de komende jaren genoeg kansen mits locatie, kwaliteit en prijs goed gekozen zijn.

________________________________________________________________________

104


Bibliografie Ball, M. (2004). RICS European housing review 2004. RICS Bartholomäi, R.C. (2004). Wohnungspolitik in Deutschland, Positionen. Akteure. Intrumente. Schader-Stiftung, Darnstadt. Berkelder, M. (2005). German Residential. Amsterdam: Kempen & Co Research. Bodie, Z., Kane, A., Marcus, A.J., “Investments” 2002. Boelhouwer, P.J., Conijn, J. en Vries, P. de (1996). Development of house prices in the Netherlands. Netherlands Journal of the Build Enviroment, vol 11, no 4, 381-399. Boelhouwer, P.J. (1999). Koopprijsontwikkeling in internationaal perspectief. Utrecht: NETHUR. Boelhouwer, P.J., e.a (2001). Koopprijsontwikkeling en de fiscale behandeling van het eigen huis. Den Haag: Onderzoeksinstituut OTB. Boelhouwer, P.J. en Haffner, M.E.A. (2002). Subjectsubsidiëring in de huursector onder de loep. Utrecht: NETHUR. Boelhouwer, P. en Vries, P. de (2004). Langetermijnevenwicht op de koopwonmingmarkt. Relatie woningprijs, inkomen en woningproductie. Utrecht: NETHUR. Brounen, D. en Eichholtz, M.A. (2004). Demographic contraction and European property markets, Consequences for the demand for office, retail and residential space, waar gepubliceerd? Brounen, D. en Huij J.J. (2004). De woningmarkt bestaat niet. Economische Statistische Berichten, 126-128. Case, B., e.a. (2004). Modeling spatial and temporal house price patterns: a comparison of four models. Journal of Real Estate Finance and Economics, 29:2, 167-191. Case, K.E. en Shiller, R.J. (1990). Forecasting prices and excess returns in the housing market. AREUEA Journal, vol.18, no.3, 251-273. Case, K.E., Quigley, J.M. en Shiller, R.J. (2001). Comparing wealth effects: The stock Market Versus the Housing Market. Cowles Foundation, no. 1335, 1-13. Cho, M. (1996). House price dynamics: a survey of theoretical and empirical issues. Journal of Housing Research, 7(2), 145-172. Chun, G.H., Green, R.K. en Malpezzi, S. (1988). New place-to-place housing price indexes for U.S. metropolitan areas and their determinants. Real Estate Economics, vol. 26, 235-274. ________________________________________________________________________


105

DiPasquale, D. and Wheaton, W.C. (1996). The market for housing services: moving, sales and vacancy. Urban economics and Real Estate Markets, 216-239. DiPasquale, D. (1999). Why don’t we know more about housing supply? Journal of Real Estate Finance and Economics, 18:1, 9-23. Dougherty, C (2002). Introduction to Econometrics. Oxford University Press End, J.W. van den en Kakes, J. (2002). De samenhang tussen beurskoersen en huizenprijzen. MEB Research memorandum, nr. 17. Enders, W., “Applied Econometric Time Series”, 2004. Englund, P. en Ioannides, Y.M. (1997). House price dynamics: An international perspective. Journal of Housing Economics 6, 119-136 Fair, R.C. (1972). Disequilibrium in housing models. Journal of Finance, 27(2), 207-221. Federal Office for Building and Regional Planning (2001). Spatial development and Spatial Planning Germany. Geltner D. and Miller, N.G., “Commercial Real Estate Analysis and Investments”, 2001. Gruis, V. en Nieboer, N. (2004). Asset management in the social rented sector, policy and practice in Europe and Australia. Dordrecht: Kluwer Academic Publishers Haffner, M.E.A. en Hoekstra, J.S.C.M. (2004). Woonruimteverdeling in Europese context. Den Haag: Onderzoeksinstituut OTB. Heijden, H.M.H. van der en Neutenboom, P. (2005). Een indicator voor productie en prijs van koopwoningen. Economische Statistische Berichten, 491-493. Heijden, H. van der en Neuteboom, P. (2005). Conjunctuur op de Nederlandse Woning(bouw)markt. Utrecht: NETHUR. Hendriks, C.J.G.M. en Muller, F.L.P., “Vastgoedbeleggingen Deel B”, 2004 Hilverink, H.G. (2004). De Vastgoedlezing 2004, De inefficiëntie van de woningmarkt. Amsterdam: Amsterdam School of Real Estate. Hort, K. (2000). Prices and turnover in the market for owner-occupied homes. Regional Science and Urban Economics, nr. 8, 27-62. La Paz, P.T. de, “Determinants of housing prices in Spanish cities” Leifer, H.A. (2004). Preisindikatoren für Wohnimmobilien in Deutschland. Allgemeines Statistisches Archiv 88, 435-450

________________________________________________________________________

106


Loenen, E. van (1994). De Prijsvorming op de Nederlandse Woningmarkt, De voorwaarden en kenmerken van een efficiënte woningmarkt en een beperkte empirische toets naar de mate van efficiëntie op de Nederlandse woningmarkt. Doctoraal werkstuk, Universiteit van Amsterdam. Lusht, K. M. (2001). Real estate valuation, principles and applications. KML Publishing. Malpezzi, S. (1999). A Simple Error Correction Model of House Prices. Journal of Housing Economics, 8, 27-62. Mankiw, N.G., Weil, D.N. (1989). The baby boom, the baby bust and the housing market. Regional Sceince and Urban Economics, 19, 235-258 Mayo, S.K. (1981). Theory and estimation in the economics of housing demand. Journal of Urban Economics, 10, 95-116. Meen, G. (2002). The time-series behavior of house prices: a transatlantic divide?. Journal of Housing Economics, 11, 1-23. Mulder, C. en Wagner, M. (1998). First-time home-ownership in the family life course: a West German-Dutch comparison. Urban Studies, vol. 35, no 4, 687-713. National Board of Housing, Building and Planning, Sweden en Ministry for Regional Development of the Czech Republic (2005). Housing Statistics in the European Union 2004. Karlskrona: Boverket. Paulusma, R.R. (2004). De Duitse woningmarkt tot 2015. Kansrijke deelmarkten in beeld gebracht voor Nederlandse ontwikkelaars. Masterproof, Amsterdam School of Real Estate. Peek, J. en Wilcox, J. (1991). The measurement and determinants of single-family house prices. AREUEA Journal, vol. 19, no. 3, 353-382. Priemus, H. (2000). Mogelijkheden en grenzen van marktwerking in de volkshuisvesting. Utrecht: Nethur Rees, W.H. en Hayward, R.E.H. (2000). Principles into practice, a handbook for advanced students and practitioners. Schulz, R. en Werwatz, A. (2004). A state space model for Berlin house prices: estimation and economic interpretation. Journal of Real Estate Finance and Economics, 28:1, 37-57. Swan, C. (1995). Demography and the demand for housing. A reinterpretation of the Mankiw-Weil demand variable. Regional Science and Urban economics, 25, 41-58. Tse, Y.C. (1994). Real estate economics: theory and policy. Hong Kong: EIA Publishing Ltd. Vastgoedmarkt, oktober 2005, special Duitsland ________________________________________________________________________


107

Verbruggen, J., e.a. (2005). Welke factoren bepalen de ontwikkeling van de huizenprijs in Nederland? Centraal Planbureau, Den Haag: Staatsuitgeverij. Veerbeek, M (2000). .A guide to Modern Econometrics. Wiley Volhard, Weber en Usinger (2002). Real property in Germany, legal and tax aspects of development and investment. Wensing, W. (2004). De markthuur van woningen. Amsterdam School of Real Estate Research publications, Universiteit van Amsterdam. Woodward, S.E. (1991). Economists’prejudices: Why the Mankiw-Weil story is not credible, Regional Sceince and Urban Economics, 21, 531-537.

________________________________________________________________________

108


Appendix A - Regressie uitkomsten Regressie uitkomsten bevolkingsontwikkeling-Reihenhaus SUMMARY OUTPUT Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations

0.422061432 0.178135852 0.153963377 0.111846352 36

ANOVA df Regression Residual Total

1 34 35

Intercept bevolkingsontwikkeling

SS 0.092187887 0.425326618 0.517514506

Coefficients Standard Error 0.13526167 0.019017626 0.7476658 0.275418055

MS F Significance F 0.092187887 7.3693675 0.010345766 0.012509606

t Stat P-value 7.112437153 3.22E-08 2.714657904 0.0103458

Lower 95% Upper 95% 0.096613204 0.173910136 0.187948973 1.307382627

RESIDUAL OUTPUT Observation 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Predicted Reihenehaus 0.161152974 0.120172114 0.118120314 0.175513256 0.147014209 0.098260298 0.119214582 0.060808881 0.117190257 0.123714102 0.093167984 0.127382478 0.127575164 0.086228541 0.134069242 -0.0450369 0.173103911 0.169431786 0.155617875 0.12898417 0.097505829 0.15329864 0.099005792 0.03705913 0.158083158 0.132047597 0.157445068 0.157749183 0.139447854 0.145501654 0.175262433 -0.018828803 0.151448362 0.198213872 0.166050682 0.160424312

Residuals Standard Residuals 0.178747026 1.621479881 -0.187772114 -1.703349773 0.017779686 0.161286062 -0.054513256 -0.494509756 -0.066114209 -0.599746259 0.001139702 0.010338658 -0.044214582 -0.401086707 -0.205108881 -1.860617946 0.040309743 0.365664477 -0.173714102 -1.575824384 -0.115867984 -1.05108101 -0.076482478 -0.693800633 0.031424836 0.285066224 0.004371459 0.039655109 0.028330758 0.256998707 0.1403369 1.273047533 0.061096089 0.554225047 -0.009531786 -0.086466329 -0.113417875 -1.028855175 -0.02568417 -0.232990535 0.048194171 0.437187017 0.13360136 1.21194698 -0.055905792 -0.507141956 -0.21565913 -1.956323126 0.112616842 1.021588714 0.162052403 1.47003683 -0.062345068 -0.565554998 0.126250817 1.145267503 0.081852146 0.742510861 0.040398346 0.366468222 0.077337567 0.701557454 0.192328803 1.74468517 -0.069248362 -0.628177307 -0.015513872 -0.140732031 -0.119050682 -1.079952437 0.131975688 1.197199913

________________________________________________________________________


109

Regressie uitkomsten bevolkingsontwikkeling-Eigentumswohnung SUMMARY OUTPUT Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations

0.517168716 0.267463481 0.245918289 0.1360447 36


1 34 35

Intercept bevolkingsontwikkeling

SS 0.229761565 0.62927745 0.859039016

Coefficients Standard Error 0.039227674 0.023132156 1.180345843 0.335005711

MS F Significance F 0.229761565 12.414068 0.0012386 0.01850816

t Stat P-value Lower 95% Upper 95% 1.695807105 0.0990623 -0.0077825 0.0862379 3.523360363 0.0012386 0.4995323 1.8611594


Predicted Eigentumswohnung 0.080102478 0.015405674 0.01216648 0.102773167 0.057781499 -0.019186682 0.013894011 -0.078311527 0.010698192 0.020997437 -0.027225959 0.026788731 0.027092926 -0.038181311 0.037345178 -0.245411089 0.098969515 0.093172302 0.071364173 0.029317335 -0.020377768 0.067702778 -0.018009765 -0.115805445 0.075256134 0.034153592 0.074248777 0.074728886 0.045836435 0.055393617 0.102377191 -0.204036161 0.06478173 0.138610807 0.087834528 0.078952132

Residuals Standard Residuals -0.049902478 -0.37216459 0.092894326 0.692790824 0.05333352 0.397752745 -0.023073167 -0.172075938 0.009018501 0.067258521 0.025586682 0.190821329 0.049705989 0.370699208 -0.212688473 -1.586196147 0.052901808 0.394533107 -0.238697437 -1.780166788 0.139225959 1.038324625 0.092311269 0.688442474 -0.126392926 -0.942617949 0.290381311 2.165616734 0.157454822 1.174272536 0.011911089 0.088830967 0.026730485 0.19935162 0.066727698 0.497644349 -0.044564173 -0.332352378 -0.224017335 -1.670684965 0.082677768 0.616597391 0.194397222 1.44978296 -0.163290235 -1.217792095 -0.232294555 -1.73241513 -0.171256134 -1.277200483 -0.057353592 -0.427733786 -0.037448777 -0.279286911 0.229171114 1.709121011 0.053763565 0.400959952 0.091106383 0.679456635 0.075022809 0.559507944 0.075036161 0.559607523 0.00611827 0.045629067 -0.190710807 -1.42229028 -0.152034528 -1.133848856 0.048247868 0.359824774

________________________________________________________________________

110


Regressie uitkomsten ontwikkeling GDP per capita -Reihenhaus SUMMARY OUTPUT Regression Statistics Multiple R 0.154211099 R Square 0.023781063 Adjusted R Square -0.004931259 Standard Error 0.121897674 Observations 36 ANOVA df Regression Residual Total

1 34 35

SS MS F Significance F 0.012307045 0.012307045 0.82825287 0.369185197 0.505207461 0.014859043 0.517514506

Coefficients Standard Error t Stat P-value 0.155094117 0.038773449 4.000008279 0.00032381 -0.188369232 0.206980052 -0.91008399 0.3691852

Intercept GDP/cap

Lower 95% Upper 95% 0.076296989 0.233891245 -0.609003305 0.23226484


Predicted Reihenhaus 0.121884235 0.151008724 0.138708514 0.133856388 0.139161486 0.111743064 0.109649098 0.13500501 0.128296047 0.089625722 0.147574574 0.110707831 0.149173763 0.132345309 0.127647693 0.079583935 0.121793019 0.138162672 0.146076158 0.136241475 0.128515289 0.136308981 0.126340629 0.089544129 0.138313513 0.125044181 0.129222629 0.116585505 0.128914055 0.149274191 0.111582783 0.081809447 0.108961974 0.138379735 0.10739434 0.136963901

Residuals 0.218015765 -0.218608724 -0.002808514 -0.012856388 -0.058261486 -0.012343064 -0.034649098 -0.27930501 0.029203953 -0.139625722 -0.170274574 -0.059807831 0.009826237 -0.041745309 0.034752307 0.015716065 0.112406981 0.021737328 -0.103876158 -0.032941475 0.017184711 0.150591019 -0.083240629 -0.268144129 0.132386487 0.169055819 -0.034122629 0.167414495 0.092385945 0.036625809 0.141017217 0.091690553 -0.026761974 0.044320265 -0.06039434 0.155436099

________________________________________________________________________


111

Regressie uitkomsten ontwikkeling GDP per capita – Eigentumswohnung SUMMARY OUTPUT Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations

0.391076365 0.152940723 0.128027215 0.146293115 36


1 34 35

SS 0.131382 0.727657 0.859039

Standard Erro Coefficients 0.121288812 0.0465332 -0.615461778 0.2484031

Intercept GDP/cap

MS 0.131382048 0.021401676

F Significance F 6.1388674 0.018351812

t Stat P-value 2.606500653 0.01348168 -2.477673787 0.01835181

Lower 95% Upper 95% 0.026721975 0.215855648 -1.120277552 -0.110646003


Predicted Eigentumswohnung 0.01278164 0.107940542 0.067751872 0.051898445 0.069231875 -0.02035277 -0.027194418 0.055651354 0.033731055 -0.092617112 0.096720089 -0.023735203 0.101945147 0.04696127 0.031612674 -0.125426803 0.012483608 0.065968435 0.091824292 0.059691275 0.034447385 0.05991184 0.027342084 -0.092883703 0.066461278 0.023106179 0.03675849 -0.004530988 0.035750281 0.102273275 -0.02087646 -0.118155353 -0.029439469 0.066677647 -0.034561426 0.06205167

Residuals Standard Residuals 0.0174184 0.120803062 0.0003595 0.002492981 -0.0022519 -0.015617604 0.0278016 0.192814535 -0.0024319 -0.016865995 0.0267528 0.185540804 0.0907944 0.629694392 -0.3466514 -2.404161158 0.0298689 0.207152684 -0.1250829 -0.867498189 0.0152799 0.105972088 0.1428352 0.990617357 -0.2012451 -1.395712899 0.2052387 1.423409938 0.1631873 1.131767195 -0.1080732 -0.749529404 0.1132164 0.785199452 0.0939316 0.651451719 -0.0650243 -0.450968607 -0.2543913 -1.764301842 0.0278526 0.193168651 0.2021882 1.402253056 -0.2086421 -1.44701352 -0.2552163 -1.770023689 -0.1624613 -1.126731774 -0.0463062 -0.321151256 4.151E-05 0.000287885 0.308431 2.139088145 0.0638497 0.442822486 0.0442267 0.306729435 0.1982765 1.375123908 -0.0108446 -0.07521182 0.1003395 0.69589301 -0.1187776 -0.823768905 -0.0296386 -0.205554973 0.0651483 0.451828853

________________________________________________________________________

112


Appendix B - Landelijk model Reihenhaus Model 1 Dependent Variable: PRIJSRH Method: Least Squares Date: 04/11/06 Time: 13:25 Sample(adjusted): 1976 2004 Included observations: 29 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

INKBEST C

1.126392 -2.486368

0.198077 0.967599

5.686632 -2.569625

0.0000 0.0160

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.544978 0.528125 2.280530 140.4220 -64.02089 0.824907

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

2.461035 3.319880 4.553164 4.647461 32.33778 0.000005

Model 2 Dependent Variable: PRIJSRH Method: Least Squares Date: 04/26/06 Time: 20:25 Sample(adjusted): 1976 2004 Included observations: 29 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

C INKBEST INFLATIE

-2.998607 0.743134 0.823282

0.873497 0.218900 0.281991

-3.432877 3.394861 2.919538

0.0020 0.0022 0.0071


0.657320 0.630960 2.016782 105.7526 -59.90942 0.824945


2.461035 3.319880 4.338580 4.480025 24.93630 0.000001

________________________________________________________________________


113


Coefficient

Std. Error

t-Statistic

Prob.

PRIJSRH(-1) INKBEST C

0.602733 0.575721 -1.743434

0.112816 0.169234 0.682173

5.342610 3.401923 -2.555705

0.0000 0.0023 0.0171


0.788875 0.771985 1.573590 61.90467 -50.83775 1.390819


2.323360 3.295417 3.845554 3.988290 46.70673 0.000000


Coefficient

Std. Error

t-Statistic

Prob.

C INKBEST PRIJSRH(-1) PRIJSRH(-2)

-1.257587 0.508649 0.918282 -0.385547

0.624574 0.150369 0.163893 0.146626

-2.013513 3.382674 5.602940 -2.629456

0.0559 0.0026 0.0000 0.0150


0.833108 0.811340 1.382058 43.93191 -44.88319 2.171556


2.124228 3.181895 3.620977 3.812953 38.27127 0.000000

________________________________________________________________________

114


Appendix C - Landelijk model Eigentumswohnung Model 1 Dependent Variable: PRIJSEW Method: Least Squares Date: 04/11/06 Time: 13:42 Sample(adjusted): 1976 2004 Included observations: 29 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

INKBEST C

1.159273 -3.053332

0.157619 0.769961

7.354922 -3.965566

0.0000 0.0005


0.667057 0.654725 1.814717 88.91638 -57.39503 1.682340


2.038493 3.088351 4.096209 4.190505 54.09487 0.000000

Model 2 Dependent Variable: PRIJSEW Method: Least Squares Date: 04/11/06 Time: 13:52 Sample(adjusted): 1976 2004 Included observations: 29 after adjusting endpoints Variable

Coefficient

Std. Error

t-Statistic

Prob.

C INKBEST PRIJSG

-2.048862 0.531574 0.406303

0.674809 0.205609 0.104333

-3.036211 2.585362 3.894298

0.0054 0.0157 0.0006


0.789714 0.773538 1.469684 56.15923 -50.73220 2.676441


2.038493 3.088351 3.705669 3.847113 48.82066 0.000000

Model 3 Dependent Variable: PRIJSEW Method: Least Squares Date: 04/25/06 Time: 17:57 Sample(adjusted): 1977 2004 Included observations: 28 after adjusting endpoints Convergence achieved after 9 iterations Variable

Coefficient

Std. Error

t-Statistic

Prob.

C INKBEST PRIJSG AR(1)

-2.001227 0.472241 0.459621 -0.415013

0.491765 0.159201 0.080437 0.186893

-4.069474 2.966313 5.714042 -2.220590

0.0004 0.0067 0.0000 0.0361

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots

0.827909 0.806398 1.381116 45.77956 -46.61314 2.096494


2.074313 3.138882 3.615225 3.805539 38.48707 0.000000

-.42

________________________________________________________________________


115

Appendix D - Regionaal model Reihenhaus Model 1 Dependent Variable: PRIJSRH? Method: Pooled Least Squares Date: 03/29/06 Time: 11:20 Sample(adjusted): 1993 2005 Included observations: 13 after adjusting endpoints Number of cross-sections used: 35 Total panel (unbalanced) observations: 454 Variable

Coefficient

Std. Error

t-Statistic

Prob.

PRIJSRH?(-1) Fixed Effects _AACH--C _BER--C _BOCH--C _BONN--C _BOTT--C _BRAU--C _BREM--C _CHEM--C _DORT--C _DRES--C _DUIS--C _DUSS--C _ESS--C _FRANK--C _HALL--C _HAM--C _HAN--C _KARL--C _KAS--C _KIEL--C _KOL--C _LEIP--C _MAG--C _MAIN--C _MANN--C _MUNCH--C _MUNS--C _NURN--C _OSNA--C _REG--C _ROST--C _STUTT--C _ULM--C _WIES--C _WURZ--C

0.350285

0.042997

8.146773

0.0000

R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic)

0.012520 -0.005257 0.002436 0.004610 0.004343 -0.002736 0.003627 -0.015599 0.006341 -0.003144 -0.002947 0.000178 -0.000512 0.005978 0.006459 0.005892 -2.90E-05 0.003616 -0.003172 0.007042 0.012384 -0.010695 -0.010806 0.010409 0.008879 0.002311 0.011182 0.008082 0.005665 0.005593 -0.000624 -0.001901 0.003824 -0.001557 0.007553 0.185950 0.117787 0.033569 2.728048 0.000001

Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat

0.005799 0.035740 0.471043 2.048834

________________________________________________________________________

116


Model 2 Dependent Variable: PRIJSRH? Method: Pooled Least Squares Date: 03/29/06 Time: 14:16 Sample(adjusted): 1992 2005 Included observations: 14 after adjusting endpoints Number of cross-sections used: 35 Total panel (unbalanced) observations: 478 Variable Coefficient Std. Error t-Statistic PRIJSG? 0.205168 0.027022 7.592726 BEV? 0.688550 0.227628 3.024895 GDP? 0.153917 0.080092 1.921750 Fixed Effects _AACH--C 0.006784 _BER--C -0.003991 _BOCH--C 0.004954 _BONN--C 0.004526 _BOTT--C 4.52E-05 _BRAU--C 0.004848 _BREM--C -0.002499 _CHEM--C -0.021907 _DORT--C 0.002025 _DRES--C -0.017607 _DUIS--C -0.003204 _DUSS--C -0.005833 _ESS--C 0.002471 _FRANK--C 0.002670 _HALL--C 0.021490 _HAM--C 0.001676 _HAN--C 2.44E-06 _KARL--C 0.005503 _KAS--C 0.003806 _KIEL--C 0.006540 _KOL--C 0.010433 _LEIP--C -0.016191 _MAG--C -0.003074 _MAIN--C 0.011252 _MANN--C 0.010591 _MUNCH--C 0.001105 _MUNS--C 0.006725 _NURN--C 0.010611 _OSNA--C 0.005647 _REG--C 0.005019 _ROST--C 0.019326 _STUTT--C -0.002920 _ULM--C 0.002517 _WIES--C -0.008301 _WURZ--C 0.007823 R-squared 0.214415 Mean dependent var Adjusted R-squared 0.148355 S.D. dependent var S.E. of regression 0.033193 Sum squared resid F-statistic 3.245742 Durbin-Watson stat Prob(F-statistic) 0.000000

Prob. 0.0000 0.0026 0.0553

0.007621 0.035968 0.484772 1.612174

________________________________________________________________________


117

Model 3 Dependent Variable: PRIJSRH? Method: Pooled Least Squares Date: 03/29/06 Time: 11:24 Sample(adjusted): 1993 2005 Included observations: 13 after adjusting endpoints Number of cross-sections used: 35 Total panel (unbalanced) observations: 454 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C RENTE? INFLATIE? PRIJSRH?(-1)

-0.013088 0.025253 1.032198 0.261879

0.003369 0.009137 0.173447 0.043487

-3.885247 2.763777 5.951084 6.022052

0.0001 0.0059 0.0000 0.0000


0.224592 0.219422 0.031576 43.44649 0.000000


0.005799 0.035740 0.448683 2.022578


Coefficient

Std. Error

t-Statistic

Prob.

C RENTE? INFLATIE? PRIJSRH?(-1) GDPCAP?(-1)

-0.015024 0.026451 1.032718 0.254442 0.166002

0.003439 0.008841 0.175577 0.043839 0.060338

-4.368605 2.991887 5.881864 5.803999 2.751207

0.0000 0.0029 0.0000 0.0000 0.0062


0.228377 0.221315 0.030359 32.33477 0.000000


0.004914 0.034404 0.402770 1.912574

________________________________________________________________________

118



Coefficient

Std. Error

t-Statistic

Prob.

C RENTE? INFLATIE? PRIJSRH?(-1) GDPCAP?(-1) BEV?

-0.013350 0.027499 0.967600 0.249777 0.199148 0.451251

0.003481 0.008796 0.176368 0.043607 0.061370 0.177755

-3.835293 3.126305 5.486245 5.727879 3.245018 2.538613

0.0001 0.0019 0.0000 0.0000 0.0013 0.0115


0.239617 0.230897 0.030172 27.47901 0.000000


0.004914 0.034404 0.396903 1.924865


Coefficient

Std. Error

t-Statistic

Prob.

C PRIJSRH?(-1) GDPCAP?(-1) BEV? INFLATIE?

-0.015388 0.268345 0.188142 0.423661 0.942357

0.003450 0.043430 0.061817 0.179061 0.177565

-4.459969 6.178825 3.043538 2.366015 5.307097

0.0000 0.0000 0.0025 0.0184 0.0000


0.222471 0.215370 0.030441 31.33070 0.000000


0.004903 0.034366 0.405872 1.882842

________________________________________________________________________


119

Appendix E - Regionaal model Eigentumswohnung Model 1 Dependent Variable: PRIJSEW? Method: Pooled Least Squares Date: 03/29/06 Time: 09:47 Sample(adjusted): 1992 2005 Included observations: 14 after adjusting endpoints Number of cross-sections used: 35 Total panel (balanced) observations: 490 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C INFLATIE?

-0.022407 1.186912

0.002623 0.110606

-8.542214 10.73100

0.0000 0.0000


0.190920 0.189262 0.030252 115.1544 0.000000


0.001619 0.033598 0.446606 1.602458

Model 4 Dependent Variable: PRIJSEW? Method: Pooled Least Squares Date: 03/29/06 Time: 10:51 Sample(adjusted): 1993 2005 Included observations: 13 after adjusting endpoints Number of cross-sections used: 35 Total panel (unbalanced) observations: 448 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C BEV? INFLATIE? PRIJSEW?(-1) BANEN?

-0.018090 0.465005 0.999191 0.191333 0.330073

0.003405 0.174569 0.175545 0.044720 0.092305

-5.312878 2.663727 5.691939 4.278457 3.575882

0.0000 0.0080 0.0000 0.0000 0.0004


0.204688 0.197507 0.028852 28.50355 0.000000


-0.001470 0.032207 0.368760 2.051002

________________________________________________________________________

120


Model 2 Dependent Variable: PRIJSEW? Method: Pooled Least Squares Date: 03/29/06 Time: 13:50 Sample(adjusted): 1992 2005 Included observations: 14 after adjusting endpoints Number of cross-sections used: 35 Total panel (unbalanced) observations: 478 Variable Coefficient Std. Error t-Statistic HUURN? 0.227283 0.028027 8.109491 BEV? 0.560888 0.207061 2.708807 Fixed Effects _AACH--C -0.000433 _BER--C 0.011728 _BOCH--C 0.004720 _BONN--C 0.003694 _BOTT--C 0.000427 _BRAU--C 0.003768 _BREM--C 0.003148 _CHEM--C -0.020086 _DORT--C 0.004812 _DRES--C -0.014864 _DUIS--C 0.007763 _DUSS--C 0.007893 _ESS--C 0.016469 _FRANK--C 0.010752 _HALL--C -0.004922 _HAM--C 0.005513 _HAN--C 0.008821 _KARL--C 0.004877 _KAS--C -0.014171 _KIEL--C 0.007407 _KOL--C 0.013301 _LEIP--C -0.009202 _MAG--C -0.022685 _MAIN--C -0.008536 _MANN--C -0.001304 _MUNCH--C 0.000114 _MUNS--C 0.016788 _NURN--C 0.008041 _OSNA--C 0.008281 _REG--C 0.008308 _ROST--C 0.004117 _STUTT--C 0.000492 _ULM--C -0.009991 _WIES--C -0.007528 _WURZ--C 0.007494 R-squared 0.305711 Mean dependent var Adjusted R-squared 0.249034 S.D. dependent var S.E. of regression 0.028958 Sum squared resid F-statistic 5.393937 Durbin-Watson stat Prob(F-statistic) 0.000000

Prob. 0.0000 0.0070

0.001191 0.033417 0.369816 1.875655

________________________________________________________________________


121

Model 3 Dependent Variable: PRIJSEW? Method: Pooled Least Squares Date: 03/29/06 Time: 14:04 Sample(adjusted): 1992 2005 Included observations: 14 after adjusting endpoints Number of cross-sections used: 35 Total panel (unbalanced) observations: 478 Variable Coefficient Std. Error t-Statistic HUURN? 0.211371 0.027943 7.564396 PRIJSG? 0.088146 0.023477 3.754629 BEV? 0.526179 0.204262 2.575998 Fixed Effects _AACH--C -0.004983 _BER--C 0.011573 _BOCH--C 0.002721 _BONN--C 0.003209 _BOTT--C -0.001697 _BRAU--C 0.002461 _BREM--C 0.000680 _CHEM--C -0.021392 _DORT--C 0.001301 _DRES--C -0.013382 _DUIS--C 0.006179 _DUSS--C 0.004522 _ESS--C 0.013577 _FRANK--C 0.008111 _HALL--C -0.006206 _HAM--C 0.002470 _HAN--C 0.005742 _KARL--C 0.001909 _KAS--C -0.015344 _KIEL--C 0.005352 _KOL--C 0.011158 _LEIP--C -0.011349 _MAG--C -0.022181 _MAIN--C -0.010262 _MANN--C -0.003762 _MUNCH--C -0.000571 _MUNS--C 0.013664 _NURN--C 0.007387 _OSNA--C 0.006200 _REG--C 0.005652 _ROST--C 0.003042 _STUTT--C -0.001236 _ULM--C -0.011108 _WIES--C -0.010395 _WURZ--C 0.004926 R-squared 0.327264 Mean dependent var Adjusted R-squared 0.270693 S.D. dependent var S.E. of regression 0.028538 Sum squared resid F-statistic 5.785026 Durbin-Watson stat Prob(F-statistic) 0.000000

Prob. 0.0000 0.0002 0.0103

0.001191 0.033417 0.358335 1.959177

________________________________________________________________________

-0,000154 0,188142 0,423661 0,942357 0,268345

29,69%

1,54% 2,81% 2,57% 2,47% 2,44% 2,58% 2,80% 2,95% 3,08% 3,11% 3,20%

30,15%

1,77% 2,96% 2,68% 2,53% 2,46% 2,57% 2,77% 2,90% 3,02% 3,05% 3,14%

Aachen

2006-2015

2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

9,31%

0,04% 1,11% 0,87% 0,17% 0,84% 1,08% 1,30% 1,25% 1,18% 1,11% 1,10%

Duitsland

9,70%

0,07% 0,66% 1,08% 1,03% 0,96% 0,87% 0,87% 0,90% 0,92% 0,95% 0,94%

Aachen

voorspelling reële prijsontwikkeling

2006-2015

2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

Duitsland

voorspelling nominale prijsontwikkeling

alpha beta gdp(-1) beta bev beta inflatie beta rh(-1)

5,93%

-0,59% 0,18% 0,67% 0,67% 0,64% 0,57% 0,60% 0,65% 0,68% 0,72% 0,71%

Berlin

25,75%

1,11% 2,48% 2,27% 2,17% 2,14% 2,27% 2,50% 2,65% 2,78% 2,82% 2,91%

Berlin

8,50%

-0,02% 0,47% 0,89% 0,86% 0,83% 0,76% 0,79% 0,84% 0,87% 0,91% 0,91%

Bochum

28,75%

1,68% 2,77% 2,49% 2,36% 2,33% 2,46% 2,69% 2,84% 2,97% 3,01% 3,11%

Bochum

9,25%

0,67% 0,60% 0,84% 0,82% 0,80% 0,76% 0,79% 0,84% 0,87% 0,90% 0,90%

Bonn

29,62%

2,37% 2,90% 2,44% 2,32% 2,30% 2,46% 2,69% 2,84% 2,97% 3,00% 3,10%

Bonn

9,33%

0,06% 0,52% 0,91% 0,91% 0,89% 0,86% 0,89% 0,94% 0,98% 1,01% 1,02%

Bottrop

29,72%

1,76% 2,82% 2,51% 2,41% 2,39% 2,56% 2,79% 2,94% 3,08% 3,11% 3,22%

Bottrop

PRIJSRH = -0.01 + 0.19 GDPCAP(-1) +0.42 BEV + 0.94 INFLATIE + 0,27 PRIJSRH(-1)

9,00%

-0,68% 0,44% 1,03% 1,04% 1,01% 0,93% 0,93% 0,97% 0,99% 1,01% 1,00%

Braunschweig

29,33%

1,02% 2,74% 2,63% 2,54% 2,51% 2,63% 2,83% 2,97% 3,09% 3,11% 3,20%

Braunschweig

6,92%

-0,05% 0,38% 0,74% 0,71% 0,66% 0,60% 0,62% 0,66% 0,69% 0,71% 0,70%

Bremen

26,91%

1,65% 2,68% 2,34% 2,21% 2,16% 2,30% 2,52% 2,66% 2,79% 2,81% 2,90%

Bremen

0,66%

-2,08% -0,53% 0,16% 0,26% 0,27% 0,26% 0,28% 0,33% 0,36% 0,38% 0,37%

Chemnitz

19,60%

-0,38% 1,77% 1,76% 1,76% 1,77% 1,96% 2,18% 2,33% 2,46% 2,48% 2,57%

Chemnitz

6,97%

0,49% 0,45% 0,71% 0,66% 0,61% 0,53% 0,53% 0,57% 0,59% 0,62% 0,61%

Dortmund

26,97%

2,19% 2,75% 2,31% 2,16% 2,11% 2,23% 2,43% 2,57% 2,69% 2,72% 2,81%

Dortmund

28,03%

1,63% 2,71% 2,44% 2,32% 2,28% 2,41% 2,63% 2,78% 2,90% 2,94% 3,03%

3,13%

-1,59% -0,15% 0,48% 0,51% 0,47% 0,45% 0,45% 0,48% 0,49% 0,51% 0,49%

7,88%

-0,07% 0,41% 0,84% 0,82% 0,78% 0,71% 0,73% 0,78% 0,80% 0,84% 0,83%

Dresden Duisburg

22,47%

0,11% 2,15% 2,08% 2,01% 1,97% 2,15% 2,35% 2,48% 2,59% 2,61% 2,69%

Dresden Duisburg

10,44%

0,52% 0,73% 1,06% 1,01% 0,96% 0,89% 0,90% 0,95% 0,97% 0,99% 0,98%

Dusseldorf

31,02%

2,22% 3,03% 2,66% 2,51% 2,46% 2,59% 2,80% 2,95% 3,07% 3,09% 3,18%

Dusseldorf

8,05%

-0,04% 0,38% 0,80% 0,81% 0,79% 0,73% 0,76% 0,82% 0,85% 0,89% 0,89%

Erfuhrt

28,23%

1,66% 2,68% 2,40% 2,31% 2,29% 2,43% 2,66% 2,82% 2,95% 2,99% 3,09%

Erfuhrt

30,39%

1,64% 2,88% 2,64% 2,52% 2,49% 2,61% 2,84% 2,99% 3,12% 3,15% 3,25%

5,96%

-1,58% 0,00% 0,71% 0,79% 0,78% 0,75% 0,78% 0,84% 0,87% 0,90% 0,90%

9,90%

-0,06% 0,58% 1,04% 1,02% 0,99% 0,91% 0,94% 0,99% 1,02% 1,05% 1,05%

Essen Frankfurt

25,78%

0,12% 2,30% 2,31% 2,29% 2,28% 2,45% 2,68% 2,84% 2,97% 3,00% 3,10%

Essen Frankfurt

31,40%

2,13% 3,03% 2,68% 2,55% 2,50% 2,63% 2,86% 3,01% 3,14% 3,17% 3,26%

Hamburg

5,79%

0,46% 0,26% 0,53% 0,46% 0,42% 0,42% 0,45% 0,51% 0,55% 0,59% 0,59%

10,77%

0,43% 0,73% 1,08% 1,05% 1,00% 0,93% 0,96% 1,01% 1,04% 1,07% 1,06%

Halle Hamburg

25,59%

2,16% 2,56% 2,13% 1,96% 1,92% 2,12% 2,35% 2,51% 2,65% 2,69% 2,79%

Halle

122 Prijsvorming op de Duitse woningmarkt

Appendix F - Voorspellingen Reihenhaus

________________________________________________________________________

-0,0001539 0,188142 0,423661 0,942357 0,268345

2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

28,49%

27,86%

25,45%

0,22% 2,33% 2,33% 2,25% 2,24% 2,38% 2,61% 2,76% 2,90% 2,94% 3,03%

Kassel

-0,09% 0,41% 0,82% 0,82% 0,81% 0,77% 0,80% 0,85% 0,89% 0,92% 0,93%

8,28%

7,74%

Karlsruhe

-0,66% 0,34% 0,89% 0,90% 0,86% 0,78% 0,80% 0,84% 0,86% 0,89% 0,88%

Hannover

5,67%

-1,48% 0,03% 0,73% 0,75% 0,74% 0,68% 0,71% 0,76% 0,80% 0,84% 0,83%

Kassel


1,61% 2,71% 2,42% 2,32% 2,31% 2,47% 2,70% 2,85% 2,99% 3,02% 3,13%

Karlsruhe

1,04% 2,64% 2,49% 2,40% 2,36% 2,48% 2,70% 2,84% 2,96% 2,99% 3,08%

Hannover


alpha beta gdp(-1) beta bev beta inflatie beta rh(-1)

7,79%

0,02% 0,44% 0,81% 0,78% 0,74% 0,69% 0,71% 0,75% 0,78% 0,81% 0,80%

Kiel

27,92%

1,72% 2,74% 2,41% 2,28% 2,24% 2,39% 2,61% 2,75% 2,88% 2,91% 3,00%

Kiel

9,47%

0,05% 0,58% 1,03% 0,99% 0,95% 0,85% 0,86% 0,91% 0,93% 0,95% 0,94%

Koln

29,88%

1,75% 2,88% 2,63% 2,49% 2,45% 2,55% 2,76% 2,91% 3,03% 3,05% 3,14%

Koln

1,91%

-1,78% -0,31% 0,34% 0,38% 0,36% 0,32% 0,34% 0,39% 0,42% 0,44% 0,43%

Leipzig

21,06%

-0,08% 1,99% 1,94% 1,88% 1,86% 2,02% 2,24% 2,39% 2,52% 2,54% 2,63%

Leipzig

PRIJSRH = -0.01 + 0.19 GDPCAP(-1) +0.42 BEV + 0.94 INFLATIE + 0,27 PRIJSRH(-1)

1,64%

-2,61% -0,49% 0,35% 0,45% 0,44% 0,45% 0,47% 0,51% 0,54% 0,56% 0,55%

Magdeburg

20,74%

-0,91% 1,81% 1,95% 1,95% 1,94% 2,15% 2,37% 2,51% 2,64% 2,66% 2,75%

Magdeburg

10,57%

-0,06% 0,58% 1,08% 1,09% 1,07% 1,01% 1,02% 1,07% 1,10% 1,14% 1,13%

Mainz

31,16%

1,64% 2,88% 2,68% 2,59% 2,57% 2,71% 2,92% 3,07% 3,20% 3,24% 3,33%

Mainz

33,84%

1,89% 3,14% 2,91% 2,80% 2,77% 2,88% 3,11% 3,26% 3,39% 3,43% 3,52%

9,64%

-0,02% 0,57% 1,01% 0,99% 0,95% 0,89% 0,91% 0,95% 0,98% 1,02% 1,01% 12,87%

0,19% 0,84% 1,31% 1,30% 1,27% 1,18% 1,21% 1,26% 1,29% 1,33% 1,32%

Mannheim Munchen

30,08%

1,68% 2,87% 2,61% 2,49% 2,45% 2,59% 2,81% 2,95% 3,08% 3,12% 3,21%

Mannheim Munchen

29,41%

1,73% 2,82% 2,53% 2,41% 2,39% 2,52% 2,75% 2,90% 3,03% 3,06% 3,16%

11,06%

1,28% 0,87% 1,02% 0,95% 0,90% 0,85% 0,86% 0,91% 0,94% 0,96% 0,96% 9,07%

0,03% 0,52% 0,93% 0,91% 0,89% 0,82% 0,85% 0,90% 0,93% 0,96% 0,96%

Munster Nurnberg

31,74%

2,98% 3,17% 2,62% 2,45% 2,40% 2,55% 2,76% 2,91% 3,04% 3,06% 3,16%

Munster Nurnberg

7,80%

-0,13% 0,33% 0,78% 0,80% 0,79% 0,73% 0,75% 0,80% 0,83% 0,87% 0,87%

Osnabruck

27,93%

1,57% 2,63% 2,38% 2,30% 2,29% 2,43% 2,65% 2,80% 2,93% 2,97% 3,07%

Osnabruck

11,44%

0,09% 0,70% 1,16% 1,15% 1,13% 1,06% 1,08% 1,14% 1,17% 1,21% 1,21%

Regensburg

32,17%

1,79% 3,00% 2,76% 2,65% 2,63% 2,76% 2,98% 3,14% 3,27% 3,31% 3,41%

Regensburg

33,12%

1,61% 3,06% 2,90% 2,81% 2,79% 2,87% 3,08% 3,22% 3,34% 3,37% 3,45%

3,41%

-0,41% 0,03% 0,43% 0,38% 0,30% 0,31% 0,30% 0,33% 0,34% 0,36% 0,34%

12,25%

-0,09% 0,76% 1,30% 1,31% 1,29% 1,17% 1,18% 1,22% 1,24% 1,27% 1,25%

Rostock Stuttgart

22,81%

1,29% 2,33% 2,03% 1,88% 1,80% 2,01% 2,20% 2,33% 2,44% 2,46% 2,54%

Rostock Stuttgart

11,78%

1,29% 0,94% 1,11% 1,03% 0,99% 0,92% 0,93% 0,97% 1,00% 1,02% 1,02%

Ulm

32,57%

2,99% 3,24% 2,71% 2,53% 2,49% 2,62% 2,83% 2,97% 3,10% 3,12% 3,22%

Ulm

8,33%

-1,45% 0,30% 1,03% 1,07% 1,04% 0,97% 0,98% 1,02% 1,04% 1,06% 1,05%

Wiesbaden

28,55%

0,25% 2,60% 2,63% 2,57% 2,54% 2,67% 2,88% 3,02% 3,14% 3,16% 3,25%

Wiesbaden

9,38%

0,06% 0,55% 0,93% 0,92% 0,90% 0,86% 0,89% 0,94% 0,97% 1,00% 1,00%

Wurzburg

29,78%

1,76% 2,85% 2,53% 2,42% 2,40% 2,56% 2,79% 2,94% 3,07% 3,10% 3,20%

Wurzburg

Analyse en Modelvorming 123

________________________________________________________________________

-0,000181 0,330073 0,465005 0,999191 0,191633

25,85%

1,92% 2,83% 2,24% 2,03% 1,95% 2,13% 2,36% 2,51% 2,64% 2,65% 2,74%

28,87%

2,05% 3,13% 2,51% 2,27% 2,18% 2,37% 2,61% 2,75% 2,90% 2,91% 3,01%

Aachen

2006-2015

2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

6,02%

0,42% 1,13% 0,54% -0,27% 0,35% 0,63% 0,86% 0,81% 0,74% 0,65% 0,64%

Duitsland

8,60%

0,35% 0,83% 0,91% 0,77% 0,68% 0,67% 0,71% 0,75% 0,80% 0,81% 0,81%

Aachen


2006-2015

2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

Duitsland


alpha beta banen beta bev beta inflatie beta ew(-1)

3,00%

0,42% 0,87% 0,22% -0,61% 0,02% 0,30% 0,54% 0,48% 0,41% 0,33% 0,32%

Berlin

22,34%

1,92% 2,57% 1,92% 1,69% 1,62% 1,80% 2,04% 2,18% 2,31% 2,33% 2,42%

Berlin

3,35%

0,11% 0,92% 0,31% -0,52% 0,09% 0,37% 0,60% 0,54% 0,49% 0,40% 0,39%

Bochum

22,74%

1,61% 2,62% 2,01% 1,78% 1,69% 1,87% 2,10% 2,24% 2,39% 2,40% 2,49%

Bochum

8,40%

0,47% 1,27% 0,76% -0,04% 0,61% 0,90% 1,14% 1,08% 1,00% 0,92% 0,92%

Bonn

28,64%

1,97% 2,97% 2,46% 2,26% 2,21% 2,40% 2,64% 2,78% 2,90% 2,92% 3,02%

Bonn

7,00%

0,37% 1,17% 0,63% -0,17% 0,47% 0,76% 0,99% 0,93% 0,86% 0,78% 0,78%

Bottrop

27,00%

1,87% 2,87% 2,33% 2,13% 2,07% 2,26% 2,49% 2,63% 2,76% 2,78% 2,88%

Bottrop

PRIJSEW = -0.02 + 0.33 BANEN +0.47 BEV + 1.00 INFLATIE + 0.19 PRIJSEW(-1)

5,14%

0,28% 1,11% 0,50% -0,33% 0,26% 0,54% 0,77% 0,71% 0,64% 0,55% 0,54%

Braunschweig

24,83%

1,78% 2,81% 2,20% 1,97% 1,86% 2,04% 2,27% 2,41% 2,54% 2,55% 2,64%

Braunschweig

1,11%

0,39% 0,69% 0,02% -0,81% -0,19% 0,10% 0,33% 0,27% 0,20% 0,11% 0,10%

Bremen

20,13%

1,89% 2,39% 1,72% 1,49% 1,41% 1,60% 1,83% 1,97% 2,10% 2,11% 2,20%

Bremen

-3,23%

0,12% 0,20% -0,46% -1,28% -0,64% -0,34% -0,11% -0,17% -0,25% -0,34% -0,35%

Chemnitz

15,06%

1,62% 1,90% 1,24% 1,02% 0,96% 1,16% 1,39% 1,53% 1,65% 1,66% 1,75%

Chemnitz

0,36%

0,34% 0,65% -0,02% -0,86% -0,26% 0,01% 0,24% 0,17% 0,10% 0,00% -0,01%

Dortmund

19,25%

1,84% 2,35% 1,68% 1,44% 1,34% 1,51% 1,74% 1,87% 2,00% 2,00% 2,09%

Dortmund

23,22%

1,63% 2,65% 2,05% 1,83% 1,73% 1,92% 2,15% 2,29% 2,42% 2,43% 2,51%

-1,39%

0,74% 0,48% -0,30% -1,16% -0,55% -0,21% 0,02% -0,05% -0,13% -0,22% -0,24%

3,76%

0,13% 0,95% 0,35% -0,47% 0,13% 0,42% 0,65% 0,59% 0,52% 0,43% 0,41%

Dresden Duisburg

17,22%

2,24% 2,18% 1,40% 1,14% 1,05% 1,29% 1,52% 1,65% 1,77% 1,78% 1,86%

Dresden Duisburg

4,92%

0,24% 1,05% 0,46% -0,36% 0,25% 0,54% 0,77% 0,70% 0,63% 0,54% 0,53%

Dusseldorf

24,57%

1,74% 2,75% 2,16% 1,94% 1,85% 2,04% 2,27% 2,40% 2,53% 2,54% 2,63%

Dusseldorf

3,21%

0,54% 0,88% 0,22% -0,59% 0,02% 0,31% 0,54% 0,49% 0,42% 0,34% 0,33%

Erfuhrt

22,58%

2,04% 2,58% 1,92% 1,71% 1,62% 1,81% 2,04% 2,19% 2,32% 2,34% 2,43%

Erfuhrt

29,41%

1,78% 3,13% 2,58% 2,37% 2,29% 2,47% 2,70% 2,84% 2,98% 2,99% 3,08%

11,21%

0,17% 1,51% 0,96% 0,76% 0,70% 0,96% 1,21% 1,37% 1,52% 1,54% 1,63%

28,59%

2,33% 3,08% 2,45% 2,22% 2,14% 2,32% 2,55% 2,70% 2,83% 2,85% 2,94%

Halle Hamburg

4,42%

0,21% 0,99% 0,41% -0,42% 0,20% 0,49% 0,72% 0,66% 0,59% 0,50% 0,48%

9,07%

0,28% 1,43% 0,88% 0,07% 0,69% 0,97% 1,20% 1,14% 1,08% 0,99% 0,98%

-6,52%

-1,33% -0,19% -0,74% -1,54% -0,90% -0,54% -0,29% -0,33% -0,38% -0,46% -0,47%

8,36%

0,83% 1,38% 0,75% -0,08% 0,54% 0,82% 1,05% 1,00% 0,93% 0,85% 0,84%

Essen rt am Mainalle (Saale) Hamburg

23,99%

1,71% 2,69% 2,11% 1,88% 1,80% 1,99% 2,22% 2,36% 2,49% 2,50% 2,58%

Essen Frankfurt

124 Prijsvorming op de Duitse woningmarkt

Appendix G - Voorspellingen Eigentumswohnung

________________________________________________________________________

-0,0001809 0,330073 0,465005 0,999191 0,191633

2,28% 2,95% 2,31% 2,09% 2,02% 2,22% 2,45% 2,60% 2,74% 2,76% 2,86%

27,28%

28,58%

Karlsruhe

2,92% 3,15% 2,41% 2,15% 2,06% 2,23% 2,46% 2,60% 2,73% 2,74% 2,83%

Hannover

2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

0,78% 1,25% 0,61% -0,21% 0,42% 0,72% 0,95% 0,90% 0,84% 0,76% 0,76%

7,23%

8,35%

Karlsruhe

1,42% 1,45% 0,71% -0,15% 0,46% 0,73% 0,96% 0,90% 0,83% 0,74% 0,73%

Hannover


2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016


alpha beta banen beta bev beta inflatie beta ew(-1)

0,58%

-1,25% 0,56% 0,11% -0,67% -0,04% 0,26% 0,49% 0,44% 0,39% 0,31% 0,30%

Kassel

19,50%

0,25% 2,26% 1,81% 1,63% 1,56% 1,76% 1,99% 2,14% 2,29% 2,31% 2,40%

Kassel

5,42%

1,18% 1,14% 0,40% -0,45% 0,18% 0,47% 0,70% 0,64% 0,57% 0,48% 0,47%

Kiel

25,16%

2,68% 2,84% 2,10% 1,85% 1,78% 1,97% 2,20% 2,34% 2,47% 2,48% 2,57%

Kiel

9,83%

0,59% 1,56% 0,97% 0,13% 0,73% 0,99% 1,22% 1,16% 1,09% 1,00% 0,98%

Koln

30,30%

2,09% 3,26% 2,67% 2,43% 2,33% 2,49% 2,72% 2,86% 2,99% 3,00% 3,08%

Koln

-1,38%

0,78% 0,54% -0,26% -1,14% -0,54% -0,23% -0,01% -0,08% -0,16% -0,26% -0,29%

Leipzig

17,22%

2,28% 2,24% 1,44% 1,16% 1,06% 1,27% 1,49% 1,62% 1,74% 1,74% 1,81%

Leipzig

PRIJSEW = -0.02 + 0.33 BANEN +0.47 BEV + 1.00 INFLATIE + 0.19 PRIJSEW(-1)

Mainz 1,12% 2,98% 2,55% 2,36% 2,28% 2,46% 2,69% 2,82% 2,96% 2,97% 3,06%

-6,25%

-0,41% -0,05% -0,74% -1,59% -0,98% -0,63% -0,39% -0,46% -0,54% -0,65% -0,67%

Magdeburg

8,05%

-0,38% 1,28% 0,85% 0,06% 0,68% 0,96% 1,19% 1,12% 1,06% 0,97% 0,96%

Mainz

11,52% 28,22%

1,09% 1,65% 0,96% 0,71% 0,62% 0,87% 1,11% 1,24% 1,36% 1,35% 1,43%

Magdeburg

32,66%

2,54% 3,44% 2,80% 2,57% 2,48% 2,64% 2,87% 3,01% 3,15% 3,16% 3,24%

7,67%

0,43% 1,29% 0,70% -0,11% 0,51% 0,80% 1,04% 0,98% 0,93% 0,85% 0,84% 11,86%

1,04% 1,74% 1,10% 0,27% 0,88% 1,14% 1,37% 1,31% 1,25% 1,16% 1,14%

Mannheim Munchen

27,79%

1,93% 2,99% 2,40% 2,19% 2,11% 2,30% 2,54% 2,68% 2,83% 2,85% 2,94%

Mannheim Munchen

6,75%

0,72% 1,19% 0,57% -0,25% 0,39% 0,68% 0,91% 0,86% 0,79% 0,71% 0,71%

Munster

26,71%

2,22% 2,89% 2,27% 2,05% 1,99% 2,18% 2,41% 2,56% 2,69% 2,71% 2,81%

Munster

6,30%

0,33% 1,16% 0,58% -0,23% 0,40% 0,67% 0,90% 0,84% 0,78% 0,69% 0,68%

Nurnberg

26,18%

1,83% 2,86% 2,28% 2,07% 2,00% 2,17% 2,40% 2,54% 2,68% 2,69% 2,78%

Nurnberg

7,32%

0,38% 1,27% 0,71% -0,10% 0,50% 0,77% 1,00% 0,93% 0,87% 0,78% 0,76%

Osnabruck

27,38%

1,88% 2,97% 2,41% 2,20% 2,10% 2,27% 2,50% 2,63% 2,77% 2,78% 2,86%

Osnabruck

8,04%

0,12% 1,31% 0,78% -0,02% 0,60% 0,88% 1,12% 1,06% 1,00% 0,92% 0,91%

Regensburg

28,22%

1,62% 3,01% 2,48% 2,28% 2,20% 2,38% 2,62% 2,76% 2,90% 2,92% 3,01%

Regensburg

29,96%

2,02% 3,19% 2,63% 2,43% 2,33% 2,47% 2,69% 2,83% 2,98% 2,99% 3,07%

-4,96%

0,58% 0,15% -0,71% -1,60% -1,00% -0,60% -0,36% -0,43% -0,50% -0,60% -0,62%

9,53%

0,52% 1,49% 0,93% 0,13% 0,73% 0,97% 1,19% 1,13% 1,08% 0,99% 0,97%

Rostock Stuttgart

13,03%

2,08% 1,85% 0,99% 0,70% 0,60% 0,90% 1,14% 1,27% 1,40% 1,40% 1,48%

Rostock Stuttgart

Ulm

6,89%

-0,03% 1,16% 0,67% -0,12% 0,52% 0,79% 1,02% 0,97% 0,90% 0,82% 0,81%

Ulm

26,88%

1,47% 2,86% 2,37% 2,18% 2,12% 2,29% 2,52% 2,67% 2,80% 2,82% 2,91%

6,59%

-0,37% 1,10% 0,65% -0,13% 0,51% 0,81% 1,05% 0,99% 0,94% 0,86% 0,86%

Wiesbaden

26,52%

1,13% 2,80% 2,35% 2,17% 2,11% 2,31% 2,55% 2,69% 2,84% 2,86% 2,96%

Wiesbaden

3,92%

-0,20% 0,86% 0,36% -0,44% 0,21% 0,51% 0,74% 0,68% 0,62% 0,54% 0,53%

Wurzburg

23,41%

1,30% 2,56% 2,06% 1,86% 1,81% 2,01% 2,24% 2,38% 2,52% 2,54% 2,63%

Wurzburg

Analyse en Modelvorming 125

________________________________________________________________________

126


Appendix H - Interview structure Title Master Thesis: Value drivers on the German housing market. Analysis and Model making. University:

University of Amsterdam, Master of Real Estate

Professors: _

dr. M. A. J. Theebe and prof. dr. P. van Gool _

Research Question Which indicators are responsible for pricing on the German owner occupied housing market and how will those indicators develop in the future and what will be the influence on the future residential prices? Introduction (1) Can you explain the international interest for German housing portfolios? (2) Assuming German investors have better local market knowledge, why are they selling housing portfolios instead of buying them? Theory and Data In my research on the German Housing market I used six main indicators for explaining the past development of owner occupied housing prices. The used indicators are in the table below. Demand factors

Supply factors

Number of households persons per household demographic development Income and Wealth economic situation unemployment GDP Finance possibilities interest fiscal situation mortgage possibilities

Composition of housing stock amount rental and owner occupied houses quality of housing stock scarcity or oversupply Influence Government building regulations ground and subsidies laws tax climate Production Costs building costs ground costs

(3) Research of Eichholtz and Brounen (2004) claim that in Germany in 2010 the population will peak. The German Federal Statistical Office expects that the number of households will grow marginally until 2030. According to the future negative demographic developments, how do you think this will affect the German housing prices? What can be done to avoid this?

________________________________________________________________________


127

(4) In my research I found that former East German cities (Dresden, Halle and Magdenburg) had a strong positive developing GDP per capita and a negative development of the price of an Eigentumswohnung in the period 1991-2005. Can you explain this event? (5) How do you think the German Economy will develop over a period of 10 years? And what will be the effects on German house prices in that period? (6) During the period 1980-2006 home owner fiscal allowance and other subsidies have been reduced. (wohnungforfait, interest rate reduction and Eigentumzulage-Gezetz). Has there been a causal connection between the changing fiscal situation and the house prices? (7) What do you think the influence of European integration will be on the mortgage market and how will this influence house prices the next decade? (8) Comparing to other European countries home ownership is with 43% very low, can you explain this unique situation? How do you think this will develop the next decade? (9) Dutch housing models are driven by the demand indicators as (real) GDP and (real) interest rates, in my research on the German housing market I found population development as an indicator and surprisingly interest rates were of no influence on the development of house prices. Do you think that the German housing market, characterized by vacancy, must be modeled by a different pricing model, based different variables? And what indicators do you think are influencing German house prices? Is there accurate data available on the development of vacancy? (10) How does ground and government regulation influence the housing supply? How do you expect this will develop the next decade? (11) What are the main differences between Ländern (and cities) in how (social) housing programs work? In means of building, rental and other subsidies? (12) According to BulwienGesa AG data since 1975 plot prices are rising stronger than house prices, especially in former East, is there an explanation for this event? (13) What will be the most interesting German cities, according to house prices and owner occupied growth this next decade? (14) Do you think the price development on the owner occupied market is developing in trend with the investor market? And if there are differences, what are they? Research results Based on the panel data analysis of 35 cities for the period 1990-2005 I found the following pricing models. The models explain in percentage change in the house prices by percentage change in the variables. The models are based on nominal indicators, the Eviews results are listed below. The models are based on a dataset of more than 440 observations. Interesting is the strong influence of the population development on house prices. ________________________________________________________________________

128


PRICEREIHENHAUS = -0.01 + 0.19 GDPCAP(-1) +0.42 POPULATION + 0.94 INFLATION + 0,27 PRICEREIHENHAUS(-1) Dependent Variable: PRIJSRH? Method: Pooled Least Squares Date: 04/26/06 Time: 16:01 Sample(adjusted): 1993 2005 Included observations: 13 after adjusting endpoints Number of cross-sections used: 35 Total panel (unbalanced) observations: 443 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C PRIJSRH?(-1) GDPCAP?(-1) BEV? INFLATIE?

-0.015388 0.268345 0.188142 0.423661 0.942357

0.003450 0.043430 0.061817 0.179061 0.177565

-4.459969 6.178825 3.043538 2.366015 5.307097

0.0000 0.0000 0.0025 0.0184 0.0000


0.222471 0.215370 0.030441 31.33070 0.000000


0.004903 0.034366 0.405872 1.882842

PRICEEIGENTUMSWOHNUNG = -0.02 + 0.33 JOBS +0.47 POPULATION + 1.00 INFLATION + 0.19 PRICEEIGENTUMSWOHNUNG(-1) Dependent Variable: PRIJSEW? Method: Pooled Least Squares Date: 04/26/06 Time: 17:32 Sample(adjusted): 1993 2005 Included observations: 13 after adjusting endpoints Number of cross-sections used: 35 Total panel (unbalanced) observations: 448 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C PRIJSEW?(-1) BANEN? BEV? INFLATIE?

-0.018090 0.191333 0.330073 0.465005 0.999191

0.003405 0.044720 0.092305 0.174569 0.175545

-5.312878 4.278457 3.575882 2.663727 5.691939

0.0000 0.0000 0.0004 0.0080 0.0000


0.204688 0.197507 0.028852 28.50355 0.000000


-0.001470 0.032207 0.368760 2.051002

Data difficulties - shortages >Number of households and number of houses on a yearly basis for Germany or regions or cities for the period 1975-2005 and/or 1990-2005 >Vacancy rates and development of vacancy on a yearly basis for the period 1975-2005 and/or for the period 1990-2005.

________________________________________________________________________


129

Appendix I - Kaart Duitsland

________________________________________________________________________

Prijsvorming op de Duitse woningmarkt

Recommend Documents