UNIVERSITEIT GENT
FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2013 – 2014
‘De woningprijzen in Vlaanderen: Het effect van het gemeentelijk beleid, de aanwezigheid van groen en de verstedelijkingsgraad’ Masterproef voorgedragen tot het bekomen van de graad van Master of Science in de Handelswetenschappen
Sara Nollet Jelle Pattyn
onder leiding van
Prof. dr. Carine Smolders
PERMISSION Ondergetekenden verklaren dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding.
Sara Nollet Jelle Pattyn
Woord Vooraf In dit voorwoord zouden we graag enkele personen willen bedanken die hebben bijgedragen tot het voltooien van deze masterproef. Eerst en vooral zouden we graag Prof. dr. Carine Smolders willen bedanken voor de goede begeleiding gedurende ons onderzoek. Dankzij haar ondersteuning en feedback konden we dit werk verwezenlijken. Daarnaast wensen we ook Dirk Moons van de studiedienst van de Vlaamse Regering te bedanken voor het bezorgen van extra datagegevens. We willen ook onze vrienden en familie bedanken voor de steun tijdens dit werk.Ten slotte nog een speciaal woordje van dank voor onze ouders voor de vele steun die ze ons gegeven hebben gedurende onze opleiding.
Inhoudsopgave 1
2
Inleiding ........................................................................................................................................... 1 1.1
Ontwikkeling vastgoedprijzen tot 2010 .................................................................................. 1
1.2
Recente prijsontwikkelingen ................................................................................................... 4
1.3
Verwachtingen komende jaren ............................................................................................... 6
Literatuuroverzicht .......................................................................................................................... 7 2.1
Het inkomen ............................................................................................................................ 7
2.2
De rente ................................................................................................................................... 9
2.3
Inflatie.................................................................................................................................... 11
2.4
De werkgelegenheidsgraad ................................................................................................... 12
2.5
De werkloosheidsgraad ......................................................................................................... 12
2.6
De aanwezige infrastructuur ................................................................................................. 13
2.7
Aanbod .................................................................................................................................. 14
2.8
Sociale kenmerken ................................................................................................................ 16
2.9
Gemeentelijk beleid .............................................................................................................. 20
2.10
Verstedelijking ....................................................................................................................... 21
2.11
Probleemstelling en hypothesen........................................................................................... 22
3
Methodologie ................................................................................................................................ 24
4
Data ............................................................................................................................................... 29
5
4.1
De afhankelijke variabele ...................................................................................................... 29
4.2
De onafhankelijke variabelen ................................................................................................ 30
4.2.1
De macro-economische variabelen ............................................................................... 30
4.2.2
Het gemeentelijk beleid ................................................................................................ 31
4.2.3
De aanwezigheid van groen .......................................................................................... 33
4.2.4
De verstedelijkingsgraad ............................................................................................... 34
4.2.5
Controlevariabelen ........................................................................................................ 37
Empirische resultaten.................................................................................................................... 40 5.1
Het geschikte panel data model ............................................................................................ 40
5.2
Heteroskedasticiteit .............................................................................................................. 41
5.3
Multicollineariteit .................................................................................................................. 41
5.4
Resultaten met betrekking tot het gemeentelijk beleid ....................................................... 41
5.5
Resultaten met betrekking tot de aanwezigheid van groen ................................................. 47
5.6
Resultaten met betrekking tot de verstedelijkingsgraad ...................................................... 48
5.7
Bespreking controlevariabelen.............................................................................................. 49
6
Conclusie ....................................................................................................................................... 54
7
Bibliografie..................................................................................................................................... 57
Bijlage .................................................................................................................................................... 63
Lijst van tabellen en figuren Tabellen Tabel 1: Summary statistics gemeentelijke beleid 1998 – 2011 .............................................. 32 Tabel 2: Summary statistics verstedelijkingsgraad 1998 – 2011 ............................................. 33 Tabel 3: Het jaarlijks gemiddelde per variabele ....................................................................... 36 Tabel 4: Dependent variable: l_GEMWP ................................................................................ 42 Tabel 5: Dependent variable: l_GEMVP ................................................................................. 46 Tabel 6: Samenvatting resultaten variabelen groen ................................................................. 47 Tabel 7: Output panel data model Random Effects ................................................................. 53
Grafieken Grafiek 1: Vastgoedprijzen in België volgens type (1973 – 2009) ............................................ 2 Grafiek 2: Vastgoedprijzen in België volgens type (2009 – 2013) ............................................ 5 Grafiek 3: Evolutie gemiddelde woning- en villaprijzen in Vlaanderen.................................. 30 Grafiek 4: Evolutie OLO rente ................................................................................................. 31 Grafiek 5: Recreatie per capita ................................................................................................. 32 Grafiek 6: Bos per capita .......................................................................................................... 32 Grafiek 7: Recreatie per oppervlakte........................................................................................ 32 Grafiek 8: Bos per oppervlakte ................................................................................................ 32
1 Inleiding “Iedere Belg wordt geboren met een baksteen in zijn maag” is het gekende spreekwoord dat de gemiddelde Belg erg goed typeert. Als een Belg investeert, is dit in vele gevallen in een eigen woning. Van elke euro die een doorsnee gezin verdient, wordt 21 cent gespendeerd aan woonkosten. Iedere Belg wordt dus geconfronteerd met de vastgoedmarkt. Dit maakt dat er in de media enorm veel aandacht wordt besteed aan deze materie. Verschillende experts schrijven op geregelde tijdstippen gedetailleerde analyses over de vastgoedmarkt. Heel wat mogelijke oorzaken worden aangehaald om de prijsevoluties te verklaren. Echter vaak worden macro-economische oorzaken bestudeerd. Deze masterproef heeft als doel om ook de impact van enkele gemeente specifieke determinanten zoals fiscaliteit en investeringen, groen en de verstedelijkingsgraad te onderzoeken. In dit onderdeel van onze masterproef zullen wij de Belgische vastgoedmarkt proberen te schetsen. Er wordt een overzicht gegeven van de verschillende segmenten en prijsevoluties gedurende het afgelopen decennia.
1.1 Ontwikkeling vastgoedprijzen tot 2010 Grafiek 1 geeft naast een overzicht van de nominale prijsevolutie van de verschillende woontypes, ook deze van bouwgronden weer. In de jaren 70 waren er nominale prijsstijgingen waar te nemen voor de verschillende vastgoedtypes. Echter die periode werd ook gekenmerkt door het hoge inflatieniveau (7,8%), waardoor de prijsstijging in reële termen wat lager was. Villa’s, bungalows en landhuizen stegen het sterkst in die periode. In de eerste helft van de jaren 80 was er een serieuze vastgoedcrash. De huizenprijzen daalden in 2 jaar tijd met ongeveer 20 procent. Vanaf de tweede helft van de jaren 80 stegen de vastgoedprijzen in nominale termen. Echter door het inflatieniveau van ongeveer 4 % was er een reële prijsdaling voor bouwgronden. Sinds begin jaren 90 stegen de vastgoedprijzen onafgebroken tot de financiële crisis in 2008. We merken een enorme stijging in de jaren voorafgaand aan de crisis op. De sterkste stijger was de prijs/m² van de bouwgronden, die sinds het nieuwe millennium met gemiddeld 10% per jaar verhoogde. Verder waren er ook jaarlijkse prijsstijgingen van 7,8% voor de gewone woonhuizen en 7% voor de appartementen (Van Gompel & Noppe, 2012).
1
De opmerkelijke prijsstijging van 30% voor gewone woonhuizen in 2005 kunnen we verklaren door de invoering van de woonbonus en de vrijstelling van het kadastraal inkomen van de eigen woning sinds dat jaar. Voor hypothecaire leningen aangegaan na 1 januari 2005 geldt het nieuwe systeem van de woonbonus. Via dit stelsel kunnen de kapitaalaflossingen en intresten van de hypothecaire lening voor de enige en eigen woning tot een bepaald bedrag van het belastbaar inkomen worden afgetrokken1 (Damen et al., 2014). Deze regeling is in de meeste gevallen voordeliger dan het oude systeem van hypothecaire leningen aangegaan voor 2005. Toen was er een gewone en bijkomende intrestaftrek en een belastingsvermindering voor de kapitaalsaflossingen. Op die belastingsvermindering waren er echter beperkingen van toepassing. Deze waren afhankelijk van het inkomen en het ontleend bedrag. Bovendien heeft een echtgenoot die mede ontlener is, maar geen eigenaar van de woning, wel recht op de woonbonus. Dit was niet het geval bij de belastingsvermindering voor kapitaalsaflossingen in het oude systeem. De nieuwe vastgoedfiscaliteit is in vele gevallen voordeliger waardoor er een forse toename was in de vraag naar hypothecaire leningen. Bovendien is het onroerend inkomen van de enige en eigen woning in vele gevallen vrijgesteld in de personenbelasting sinds 2005 (Van Belleghem, 2013). De prijzen van villa’s, bungalows en landhuizen stegen minder sterk. De stijging binnen dit segment bleef beperkt tot ongeveer 2% per jaar. (Van Gompel & Noppe, 2012).
Grafiek 1 : Vastgoedprijzen in België volgens type ( 1995Q1=100) Bron: Van Gompel & Noppe (2012)
1
In 2013 bedroeg dit bedrag 2280 €. De eerste 10 jaar wordt dit verhoogd met 760 € en indien er meer dan 3 kinderen ten laste zijn is er een extra verhoging van 80 euro voorzien. Deze bedragen worden bovendien jaarlijks geïndexeerd. In 2005 was het maximale bedrag 1870 € + 620 € de eerste 10 jaar.
2
Zoals reeds hierboven besproken werd kende de vastgoedmarkt een enorme boom sinds de jaren 90. Dit ging gepaard met een enorme toename van de woningprijzen gedurende een zeer lange periode. Anderzijds vertraagde de economische groei vanaf 2000, wat niet het geval was voor de woningprijzen. De voordien vastgestelde samenhang tussen de economische conjunctuur en de reële woningprijzen werd dus doorbroken (Baugnet et al., 2011). Sinds begin jaren 90 namen de vastgoedprijzen wereldwijd toe. In de literatuur vinden we enkele verklaringen voor dit fenomeen. Vooraleerst daalden de rentetarieven gedurende die periode. Deze daling was te wijten aan de daling van de inflatie. Dit ondersteunde de binnenlandse vraag naar vastgoed. Een andere reden was de verhoging van de leenquotiteit 2. In verschillende landen steeg deze ratio sterker dan de normale limiet van 80% en in sommige landen zoals Nederland lag deze hoger dan 100%. Banken namen dus meer risico’s in de jaren voor en tijdens de financiële crisis. Sinds 2011 bevindt deze ratio zich op ongeveer 65% in België (Europese Commissie, 2013). Een verhoging van het beschikbaar inkomen en de groei van de bevolking zijn andere elementen die een verklaring vormen voor dit wereldwijde fenomeen (Baugnet et al., 2011). In België waren er enkele specifieke factoren die bijdroegen tot de stijging van de vastgoedprijzen sinds de jaren 90. Ten eerste werden de registratierechten in Vlaanderen en Brussel aan het begin van vorig decennium verlaagd van 12,5 tot 10%. Deze verlaging had een impact op het aantal vastgoedtransacties. Sommige gezinnen die voor deze verlaging levenslang zouden huren, zullen nu toch de koopmarkt betreden. Gezinnen zullen gemiddeld gezien op jongere leeftijd eigenaar worden van een woning (Capéau et al., 2004). Een tweede reden was de regeling met betrekking tot de eenmalige bevrijdende aangifte (verder: EBA) die in werking trad in 2004. Deze regeling, beter bekend als de fiscale amnestie, gaf huishoudens de kans hun fiscale toestand te regulariseren via de betaling van een eenmalige bijdrage. Deze regularisatieperiode werd door de overheid aangekondigd als eenmalig waardoor veel Belgen geld gerepatrieerd hebben. Een gedeelte van dat geld kwam ongetwijfeld terecht in de vastgoedmarkt (Baugnet et al., 2011). Op vandaag stellen we vast dat deze fiscale amnestie niet eenmalig is gebeurd. De overheid besloot om een permanent systeem van fiscale amnestie in te voeren vanaf 2006. De boetetarieven werden wel jaarlijks verhoogd. De laatste fiscale regularisatieronde vond uiteindelijk plaats in 2013 (De Tijd, 03/10/2013).
2
Loan to value ratio = verhouding van het hypothecaire krediet tot de waarde van de woning
3
Ten slotte waren er in het begin van vorig decennium fiscale stimulansen voor energieefficiënt wonen. Wie energiebesparende investeringen deed, zoals isolatie van muren of de vervanging of onderhoud van een stookolieketel, kon onder bepaalde voorwaarden genieten van een belastingsvermindering die kon oplopen tot 40%. Deze gunstmaatregel werd na de financiële crisis afgeschaft (GvA, 2010; Baugnet et al., 2011; Vonck,2013). In de meeste OESO-landen was er een aanzienlijke daling van de woningprijzen waar te nemen na de financiële crisis in 2008. De vastgoedprijzen daalden in de ontwikkelde landen met gemiddeld 9%. In sommige landen zoals Nederland en Spanje werd een daling van 15 tot 20% opgetekend. Evenwel was dit niet zo sterk het geval in België. De reële daling bleef beperkt tot ongeveer 1% in de eerste 2 kwartalen van 2009. Nadien herstelden de prijzen zich (Baugnet et al., 2011).
1.2 Recente prijsontwikkelingen Grafiek 2 toont aan dat de Belgische vastgoedmarkt niet in elkaar stortte na de financiële crisis in 2009. De Belgische nominale vastgoedprijzen stegen in 2010 opnieuw tot het niveau van voor de crisis. Alle verschillende segmenten werden in 2010 meer dan 5% duurder. Het prijsniveau van de bouwgronden bleef in 2011 stabiel. Dit is opmerkelijk want het jaar voordien stegen de prijzen van deze categorie met ruim 8%. Alle andere vastgoedtypes vertoonden een stijging ten opzichte van 2010. Deze toename halveerde echter voor villa’s en appartementen in vergelijking met het jaar voordien. De stijging bedroeg respectievelijk 3,5 en 3%. De toename in prijzen van gewone woonhuizen lag 1% lager dan in 2010. De vastgoedcijfers voor 2012 zijn opvallend. Villaprijzen werden goedkoper. Er werd een kleine prijsdaling van 0,3% waargenomen. Echter vorig jaar stegen de villaprijzen nog. Appartementen werden 3,3% duurder, dit is gelijkaardig als in 2011. De prijzen van woonhuizen stegen met 2,7%. In 2011 steeg deze categorie met 4,1%. Indien we voor deze periode (2010-2012) rekening houden met het inflatieniveau, stellen we vast dat de reële waarde toenam in 2010 voor alle woningtypes, in 2011 voor woonhuizen en in 2012 voor appartementen. In 2013 bleven de vastgoedprijzen in België in alle categorieën stijgen. Dit in tegenstelling tot wat verschillende vastgoedexperts voorspelden in 2012. De prijzen van villa’s, woonhuizen 4
en appartementen stegen met respectievelijk 0,8; 2,1 en 2,8%. De markt van bouwgronden kende in 2013 de sterkste stijging van de afgelopen 3 jaar. De prijzen van bouwgronden namen met gemiddeld 5,5% toe. Bouwgronden zijn de laatste jaren het sterkst toegenomen van al de vastgoedcategorieën. Deze vaststelling wordt visueel weergegeven in grafieken 1 en 2. De belangrijkste oorzaak van dit fenomeen is de schaarste aan bouwgronden (Luysterman, 2014).
Grafiek 2: Vastgoedprijzen in België volgens type (2009=100) bron: FOD Economie 120 115 110 105 100 95 90 2009 woonhuizen
2010 Villa's
2011
2012
Appartementen
2013 Bouwgronden
In de laatste tien jaar is het aantal vastgoedtransacties van bouwgronden met ruim 25 % gedaald. De belangrijkste oorzaken voor de crisis op de nieuwbouwmarkt zijn de hierboven vermelde prijsstijgingen en de schaarste van bouwgronden. Evenzeer is er daling van 10 % waar te nemen van het aantal verkochte woonhuizen in de afgelopen tien jaar. Anderzijds merken we op dat binnen de vastgoedmarkt een verschuiving richting de verkoop van appartementen plaatsvindt. Het aantal transacties steeg het voorbije decennium met ruim 12 %. In diezelfde periode steeg ook het aantal verkochte villa’s met ongeveer 6 % (Van Gompel & Noppe, 2012). Niettegenstaande de prijsstijgingen in alle vastgoedcategorieën in 2013, vormt het aantal transacties een probleem. Deze zijn het afgelopen jaar immers in bijna alle segmenten gedaald. Het aantal transacties van bouwgronden daalde met 6,8% ten opzichte van 2012. Ook in 2012 daalde dit ten opzichte van 2011 met 9,6%. Daarnaast werden er ongeveer 2% minder appartementen en woonhuizen verkocht. Alleen de categorie villa’s kende een stijgende verkoop in 2013 van ruim 1%. 5
De dalende verkoopcijfers in de meeste vastgoedcategorieën is negatief want deze zijn vaak een voorloper van een prijscorrectie naar beneden toe (Luysterman, 2014).
1.3 Verwachtingen komende jaren Zoals reeds hierboven vermeld is het erg moeilijk om de toekomst te voorspellen. Verschillende vastgoedexperts maakten in het verleden reeds verkeerde prognoses met betrekking tot de evolutie van de vastgoedprijzen. Iedereen is het er echter over eens dat de Belgische vastgoedmarkt kwetsbaar is voor een prijsdaling in de komende jaren. Het niveau van de daling zal onder andere afhankelijk zijn van de evolutie van de rente, de fiscaliteit en de economische conjunctuur. Bijna alle economen voorspellen dat de Amerikaanse centrale bank (Fed) de rente zal doen stijgen in 2015. Het beleid van de Fed heeft een grotere invloed op de Belgische lange termijn rente dan het beleid van de Europese centrale bank. Aangezien de hypothecaire rente ongeveer gelijkaardig verloopt als de lange termijn rente, zullen de hypothecaire leningen in de toekomst duurder worden (De Tijd, 16/11/2013). Bovendien speelt de onzekerheid over de vastgoedfiscaliteit eveneens een rol. De aankoop van een woning zal in de toekomst fiscaal minder interessant worden. Door de zesde staatshervorming zal de bevoegdheid huisvestiging van de Federale overheid naar de gewesten verhuizen na de verkiezingen van 25 mei 2014. Velen vrezen een kleiner fiscaal voordeel voor wie een lening afsluit om een woning te kopen of te bouwen. Anderzijds pleiten sommige economen zoals Johan Albrecht en Paul de Vries zelfs voor de afschaffing van de woonbonus. Dit zou volgens hen de woningprijzen met ongeveer 10% doen dalen. De woonbonus heeft eigenlijk een pervers effect. Het fiscale voordeel wordt in feite vertaald in hogere prijzen in plaats van betaalbare woningen. De grote winnaars van dit systeem zijn de verkopers van vastgoed en verstrekkers van hypothecaire leningen (Vervenne, 2013; Luysterman, 2014).
6
2 Literatuuroverzicht Een eigen woning is voor vele mensen de belangrijkste belegging die ze bezitten. Verschillende determinanten hebben een invloed op de waarde van hun woning. Natuurlijk spelen vastgoedkarakteristieken een belangrijke rol. De waarde van een nieuwe villa zal logischerwijze hoger liggen dan deze van een gewoon rijhuis. Verschillende macroeconomische variabelen zoals het inkomen, de intrestvoet en het inflatieniveau worden in bijna iedere vastgoedprijzenanalyse opgenomen. Er is echter een grote variabiliteit waar te nemen tussen de woningprijzen van verschillende regio’s. Dit is de reden waarom in sommige analyses ook gemeente specifieke variabelen worden opgenomen.
2.1 Het inkomen In de literatuur is er een consensus te vinden wat betreft de relatie tussen het inkomen en de woningprijzen. Een sterk positieve relatie tussen het inkomen en de woningprijzen wordt vastgesteld voor landen in Centraal- en Oost-Europa. Het beschikbaar inkomen heeft een belangrijke rol gespeeld in de evolutie van de woningprijzen (Égert & Mihaljek, 2007). Ook in een studie in de OESO landen bleek er een lange termijn relatie te bestaan tussen de woningprijzen en het inkomen. De prijzen stijgen dus in lijn met de reële inkomens (Holly, Pesaran & Yamagata, 2006). Bovendien hebben BBP schokken een significante weerslag op huizenprijzen (Goodhart & Hofman, 2008). De Bruyne & Van Hove stellen dat verschillen in het inkomen een van de belangrijkste socioeconomische variabelen zijn in de verklaring van verschillende huisprijzen tussen de Belgische gemeenten. Een hoger inkomen zorgt er voor dat gezinnen meer kunnen spenderen aan huisvestiging waardoor de vastgoedprijzen hoger zijn (2006). Deze resultaten worden bevestigd door Van Gompel & Noppe (2012). Zij vonden dat het beschikbare inkomen van gezinnen een positieve significante impact heeft op de huizenprijzen in België, gedurende de periode 1976-2011. Dit resultaat vond men niet enkel in België. Het Nederlands onderzoek van Verbruggen et al., (2005) kwam tot eenzelfde positieve relatie tussen deze variabelen. Het beschikbare inkomen van de meeste Europese huishoudens steeg de laatste 2 decennia. Dit fenomeen ondersteunde in de meeste Europese landen de vraag naar woningen waardoor de 7
woningprijzen een stijgende trend vertoonden (Baugnet et al., 2011). De la Paz zocht naar een mogelijke relatie tussen huisprijzen en het inkomen in 71 Spaanse steden. Ook deze onderzoeker vond een sterk positief verband tussen beide variabelen (2003). Dit resultaat wordt eveneens bevestigd in het onderzoek van Tsatsaronis & Zhu (2004) en Abelson et al. (2005). Daarnaast stelt men dat er een verband bestaat tussen de consumentenbesteding en de woningprijzen. Deze twee variabelen hadden in het verleden de neiging om in dezelfde richting te bewegen. Gedeeltelijk kan dit verklaard worden doordat schommelingen in woningprijzen kunnen leiden tot veranderingen in de bestedingen. Echter de correlatie weerspiegelt eveneens de invloed van gemeenschappelijke factoren zoals de verwachting van het toekomstige inkomen, dat een impact heeft op woningprijzen en consumptiebestedingen. Bij een stijging van het inkomen, verwachten gezinnen ook in de toekomst een hoger inkomen. Dit leidt tot een stijging van de vraag naar consumentgoederen en –diensten, en eveneens in een toename van de vraag naar woningen (Benito et al., 2006). Attanasio et al. kwamen eveneens tot de bevinding dat de woningprijzen en consumptiegroei een gelijkaardig verloop kenden gedurende de laatste 25 jaar. Beide variabelen worden samen beïnvloed door gemeenschappelijke aspecten zoals herzieningen van het verwachte toekomstig inkomen (2008). Een sterke inkomensgroei heeft een belangrijke impact op de stijgende woningprijzen gedurende de periode 2005 tot 2007 (Yan, Feng & Bao, 2010). Men stelt dat de lange termijn ontwikkeling van de woningmarkt wordt bepaald door het reëel beschikbaar inkomen per hoofd van de bevolking, de reële lange termijn intrestvoet, de bevolkingsgroei en de verstedelijkingsgraad (Kholodolin et al., 2007). Bepaalde OESO landen zoals Canada, Japen en Duitsland kennen een tragere groei van de woningprijzen in vergelijking met andere OESO landen. De verschillende ontwikkeling van de woningprijzen in deze landen is toe te schrijven aan de specifieke waarden van de macroeconomische variabelen in deze twee landen. Canada, Japan en Duitsland zijn gekenmerkt door een gemiddeld lagere groei van het reëel beschikbaar inkomen, een hogere lange termijn intrestvoet en een zwakkere demografische groei. Dit resulteert in dalende woningprijzen op langere termijn. Niet enkel moet er aandacht besteed worden aan de noodzaak om oververhitting van de woningmarkt te voorkomen, maar ook overmatige afkoeling moet
8
vermeden worden want dit brengt een lagere economische groei met zich mee (Kholodilin et al., 2007; Baugnet et al., 2011). Damen et al. waarschuwen echter dat de variabele inkomen alleen niet voldoende is om huisprijzen te verklaren. De determinant inkomen is echter maar een onderdeel in de verklaring van het totale bedrag dat huishoudens kunnen spenderen aan hun hypothecaire lening. Andere factoren zoals de rentevoet, de woningfiscaliteit en innovaties op de hypotheekmarkt zoals de lening op vaste termijn met uitgestelde kapitaalsaflossingen3, spelen ook een belangrijke rol in de stijging van het bedrag dat huishoudens kunnen spenderen. Hetgeen de gezinnen kunnen spenderen aan een hypothecaire lening heeft een positieve significante impact op de huizenprijzen in 8 OESO-landen4 (2014).
2.2 De rente Eenstemmigheid is ook aanwezig wat betreft de impact van de rentevoet op woningprijzen. Een sterke significante negatieve relatie werd bekomen tussen de reële intrestvoet en de huisprijzen. Echter bij een gelijke daling van de reële intrestvoet hebben de woningprijzen in Centraal en Oost-Europa de neiging om dubbel zo snel te stijgen als in de OESO landen. Anderzijds reageren woningprijzen in de OESO landen dan dubbel zo krachtig op kredietgroei in vergelijking met de landen in Centraal- en Oost-Europa (Égert & Mihaljek, 2007). Het effect van monetaire en vraagschokken werd nagegaan voor zes Europese landen, meer bepaald voor Frankrijk, Duitsland, Italië, Spanje, Zweden en het Verenigd Koninkrijk. Men stelt dat negatieve monetaire schokken, bijvoorbeeld een stijging van de rentevoet, een significant negatieve impact heeft op de prijzen van woningen. De mate waarin de monetaire schok wordt weerspiegeld in de woningprijzen kan voor een deel verklaard worden door de verschillen in de woning- en financiële markten. Zowel monetaire schokken als vraagschokken spelen een belangrijke rol in het sturen van de fluctuaties in de woningprijzen op korte termijn. Men beweert dat een strenger monetair beleid en een negatieve schok in de vraag leiden tot een daling van de woningprijzen. Een meer flexibel monetair beleid en een 3
Iedere maand betaalt men intresten, de volledige schuld blijft openstaan tot op vervaldag. Terugbetaling gebeurt dan vaak via uitkering van een levens- of groepsverzekering ofwel door verkoop van de woning. 4
De 8 landen zijn: België, USA, Nederland, Noorwegen, Zweden, Finland en Denemarken.
9
positieve vraagschok hebben een stijging van de huisprijzen tot gevolg. Bovendien zijn prijzen van woningen gevoeliger dan consumptiegoederen voor wijzigingen in het monetair beleid en andere macro-economische verstoringen (Iacoviello, 2000). Holly et al. stellen dat er een lange termijn relatie bestaat tussen de woningprijzen en het inkomen. Maar ook de reële intrestvoet speelt een rol in het bepalen van het niveau van de woningprijzen (2006). Verder vinden ze een significant verband tussen de geldhoeveelheid, de kredieten, de woningprijzen en de economische activiteit. De geldhoeveelheid en de rentestand hebben een invloed op elkaar. Een stijging van de geldhoeveelheid zal een lagere rentevoet tot gevolg hebben. Anderzijds zal een hogere rentevoet de groei van de geldhoeveelheid drukken. Daarenboven heeft de groei van de geldhoeveelheid een significant effect op de woningprijzen en kredieten. Het aantal verstrekte kredieten beïnvloedt de geldhoeveelheid en woningprijzen, eveneens hebben woningprijzen een impact op zowel kredieten als de geldhoeveelheid.
Dit verband is overigens sterker als men naar een meer recente periode kijkt. Schokken in de intrestvoet hebben dus een significante impact op woningprijzen, geldhoeveelheid en kredieten (Goodhart et al., 2008). Zowel woningprijzen als consumentenbesteding worden beïnvloed door een lagere intrestvoet en een minder strikte kredietpolitiek van de financiële instellingen. Dit zal de woningprijzen doen toenemen (Benito et al., 2006). Men stelt dat periodes van lage korte termijn intrestvoeten in 2003 en 2004 een aanzienlijke bijdrage kunnen geleverd hebben aan de sterke toename van de woningprijzen in deze periode. Resultaten toonden aan dat de ontwikkeling van de woningmarkt slechts gedeeltelijk kan worden verklaard door ontwikkelingen van het BBP. Wanneer de lange termijn intrestvoet ook in rekening wordt gebracht kon de stijging van de woningprijzen beter worden
10
voorspeld. Een monetair beleid heeft een uitdrukkelijke impact op investeringen in woningen en woningprijzen (Jarociński & Smets, 2008). Meestal sluiten de huishoudens een lening af om de aankoop van vastgoed te financieren. Een lage rentevoet maakt het voor huishoudens mogelijk om een goedkoper hypothecair krediet te bekomen. Dit zal de vraag naar vastgoed doen toenemen, waardoor de woningprijzen zullen toenemen (Stinglhamber et al., 2011; Baugnet et al., 2011). Van Gompel & Noppe (2012) hebben een langetermijnvergelijking van de huizenprijzen in België geschat. Zij vonden dat deze significant bepaald worden door de lange termijn rentevoet. De coëfficiënt van de rente was negatief. De belangrijkste variabele in de verklaring van huizenprijzen in 20 WestEuropese en Aziatische
landen is de langetermijnrentevoet (Iossifov et al.,2008). De
huisprijzen in Noorwegen stegen begin vorig decennium fors. Deze tendens werd door Jacob & Naug (2005) onder andere verklaard door de dalende rentevoeten op dat ogenblik. Verschillende andere studies zoals Tsatsaronis & Zhu (2004) in ontwikkelde landen zoals Frankrijk, Australië, Japan, Duitsland, Verenigde Staten ; Abelson et al., (2005) ; Wang & Tumbarello (2010) in Australië en Glindro et al., (2011) in Azië kwamen tot dezelfde conclusies.
2.3 Inflatie Vastgoedprijzen worden ook bepaald door het inflatieniveau in een bepaald land. In de literatuur vinden we tegenstrijdige resultaten over wat de impact van inflatie is op de huizenprijzen. Enerzijds vinden we dat de determinant inflatie een positief effect heeft op de huizenprijzen (Abelson et al., 2005). Vastgoed wordt beschouwd als een investering die bescherming biedt tegen inflatie. Als er een hoog inflatieniveau is, zullen de huizenprijzen ook stijgen. Deze bescherming genieten de huishoudens niet als ze investeren in aandelen of obligaties. Daarenboven is een hoog inflatieniveau goed voor mensen met een hypothecaire lening, want deze zal goedkoper worden (Tsatsaronis & Zhu, 2004). Anderzijds gaan hoge inflatieniveaus bijna altijd gepaard met een wijziging van het monetaire beleid. De beleidsmakers zullen de intrestvoeten laten stijgen, waardoor de huizenprijzen zullen dalen. De Europese Centrale Bank doet dit om de economische groei af te zwakken.
11
Dit met het oog om het inflatieniveau te laten dalen. Er is dus een sterk verband tussen de intrestvoet, het inflatieniveau en de huizenprijzen (Girouard et al., 2005). Bovendien zorgt een hoog inflatieniveau voor hoge initiële kapitaalsaflossingen van de hypotheeklening in verhouding tot het inkomen. Dit heeft een negatieve impact op de vraag naar hypothecaire leningen. Huishoudens lenen dus minder in hoge inflatoire perioden, waardoor huisprijzen zullen dalen (Debelle, 2004). Iossifov et al. (2008) vonden een gelijkaardig negatief significant verband tussen inflatie en huizenprijzen.
2.4 De werkgelegenheidsgraad Een andere determinant die van belang is bij het bepalen van het niveau van de woningprijzen is de werkgelegenheid. De ontwikkeling van de arbeidsmarkt speelt een aanzienlijke rol in de beweging van woningprijzen. Dit heeft een grotere impact op woningprijzen in Centraal- en Oost-Europa dan in de OESO landen (Égert & Mihaljek, 2007). Veel werkgelegenheid in de nabijheid is bepalend voor de vastgoedprijzen. In gebieden met veel werkgelegenheid is de druk op de woningmarkt hoger (Visser & van Dam, 2006).
2.5 De werkloosheidsgraad Naast de werkgelegenheidsgraad, kaarten we ook even de werkloosheidsgraad aan. Deze laatste speelt logischerwijze eveneens een rol in de verklaring van de woningprijzen. Deze variabele heeft een negatieve impact op de vraag naar woningprijzen, gezien de loonverwachtingen lager zullen zijn. Bijgevolg zullen huishoudens minder middelen hebben om te investeren in vastgoed (Stepanyan et al., 2010). De werkloosheidsgraad werd reeds in verschillende andere studies opgenomen als verklarende variabele voor woningprijzen. Iossifov et al. voerden onderzoek naar de woningprijzen in 20 ontwikkelde Europese en Aziatische landen. De determinant bleek echter niet significant te zijn in hun optimale model ter verklaring van de woningprijzen (2008). Een gelijkaardig onderzoek werd gevoerd door Klyuev in de Verenigde Staten. Hij stelde dat een hogere werkloosheidsgraad het niveau van de woningprijzen doet verminderen. Dit resultaat was echter niet statistisch significant (2008). Niettegenstaande deze resultaten blijkt de werkloosheidsgraad in andere onderzoeken wel een 12
significante verklaring te zijn voor de huisprijzen. Dit was het geval in het werk van Schurne (2005). Een stijging van de werkloosheidsgraad in de Verenigde Staten doet de woningprijzen met ongeveer hetzelfde volume afnemen. Eenzelfde negatief significante coëfficiënt werd gevonden door Abelson et al. De werkloosheidgraad in Australië had een geringere impact op de woningprijzen, dan deze in de Verenigde Staten (2005). In de literatuur is er echter geen consensus te vinden wat betreft de impact van de werkloosheidsgraad op de woningprijzen. Jacobsen & Naug vinden een positief significant verband tussen de werkloosheidsgraad en de huisprijzen in Noorwegen. Dit verband werd bekomen door de impact van de werkloosheidsgraad op de inflatie en de rentevoeten. In geval van laagconjunctuur heerst er in de economie een laag inflatieniveau, wat gepaard gaat met lage rentevoeten. Dit laatste fenomeen heeft op zijn beurt een positieve invloed op de vraag naar vastgoed, waardoor de woningprijzen zullen stijgen (2005).
2.6 De aanwezige infrastructuur De aanwezigheid van een goede infrastructuur speelt voor de gezinnen een belangrijke rol bij het aankopen van een woning. De toegankelijkheid tot het openbaar transportnetwerk, is een belangrijke determinant die de verschillen in woningprijzen kan verklaren (Gibbons & Machin, 2007). De nabijheid van een autosnelweg heeft een invloed op de woningprijs. Hoe meer wegen bereikbaar zijn, hoe hoger de prijs van het huis (Visser & van Dam, 2006). Ook Kong et al. stellen dat verschillen in woningprijzen in China kunnen toegewezen worden aan allerlei factoren, ondermeer de bereikbaarheid van het werk (2006). Bovendien zullen niet enkel de woningprijzen, maar ook de grondprijzen hoger liggen in gebieden waar de toegankelijkheid tot werkgelegenheid of andere wenselijke reisbestemmingen groter is. Autosnelwegen verhogen de toegankelijkheid, en deze toegankelijkheidspremie zal weerspiegeld worden in hogere grondprijzen. De koper van een woning is bereid meer te betalen voor de betere transportmogelijkheden die een autosnelweg biedt (Boarnet & Chalermpong, 2001). Daarnaast is er ook onderzoek verricht naar het effect van lawaaihinder van de aanwezige infrastructuur op de woningprijzen. Dit doet dan weer de woningprijzen dalen (Kassabian, 1987).
13
Echter niet enkel de aanwezigheid van autosnelwegen, maar ook van treinstations vormen een belangrijk aandachtspunt. De aanwezigheid ervan heeft een positieve impact op de prijs (Debrezion et al., 2007). Deze bevinding wordt bevestigd door Raymond Y.C. Tse die stelt dat de toegankelijkheid tot transport in de prijs wordt weerspiegeld. Hij vond dat de aanwezigheid van een station een sterk positief effect heeft op de woningprijzen (2000). Hoe verder huishoudens wonen van een treinstation, hoe lager de woningprijs ligt (Visser & van Dam, 2006). Debrezion et al. stellen dat dit positief verband niet terug te vinden is in de erg dichte omgeving van het station. In dit geval heeft de afstand tot het station een negatief effect op de woningprijzen, wat hoogstwaarschijnlijk te wijten zal zijn aan geluidsoverlast (2006). Er is een verschil in waardering tussen een IR- en een IC-station volgens het onderzoek van Vastmans et al (2012). Er werd gezocht naar het verband tussen de aanwezigheid van een IRen een IC-station in 249 Vlaamse gemeentes. De aanwezigheid van een IC-station binnen de twee kilometer wordt positief gewaardeerd. Mensen zijn dan bereid meer te betalen voor hun woning. Dit is niet het geval bij een IR-station. De meerwaarde wordt dus in grote mate bepaald door de kwaliteit van het station. Mensen waarderen de aanwezigheid van een ICstation omwille van de vaak aantrekkelijke en moderne omgeving. Verschillende grote winkels bevinden zich vaak in de nabijheid. Een IR-station wordt echter negatief gewaardeerd wegens de afwezigheid van een aantrekkelijke buurt. Geluidshinder is hierbij een doorslaggevende factor. Dit resultaat is tegenstrijdig met de uitkomst van het onderzoek van De Bruyne et al.(2006). De aanwezigheid van een station heeft geen statistisch significante impact op de woningprijzen. In Vlaanderen werken veel mensen de provincie waar ze wonen en wordt de verplaatsing vooral met de auto gedaan. Indien mensen echter in Brussel werken, verkiezen ze dit per trein te doen.
2.7 Aanbod Niet
enkel
vraagkarakteristieken
hebben
een
impact
op
vastgoedprijzen,
ook
aanbodskenmerken spelen een rol. Echter in de literatuur beperken de onderzoekers zich meestal tot vraagfactoren om de huizenprijzen te verklaren. De reden hiervoor is een gebrek aan goede data over het woningaanbod (Van Gompel & Noppe, 2012). Een ander argument is dat de woningmarkt een typisch voorbeeld is van een voorraadmarkt. Het aanbod kan zich op korte termijn niet aanpassen aan de vraag. De lange bouwtijd van woningen, de wettelijke belemmeringen en de regelgeving met betrekking tot ruimtelijke ordening spelen hierbij een 14
belangrijke rol. Vastgoed is beperkt verhandelbaar wegens de grondgebondenheid ervan. Dit verklaart waarom het aanbod van woningen op korte termijn in zeker mate vast staat. Bij een toegenomen vraag in een bepaalde regio kan er geen beroep worden gedaan op extra aanbod uit een andere regio. In Nederland verdrievoudigden de woningprijzen in de periode 19952005. Dit ging niet samen met een stijging van de nieuwbouwwoningen. In dat tijdsbestek was er zelfs een daling waar te nemen. In een voorraadmarkt worden de prijzen dus vooral bepaald door vraagfactoren (Verbruggen et al., 2005). Sommige wetenschappers nemen echter toch aanbodsfactoren op in hun onderzoek. De Bruyne & Vanhove stellen dat het aanbod, wat zij definiëren als de verhouding tussen het aantal vastgoedprojecten en het totaal aantal woningen, een negatief significant verband heeft op de woningprijzen in Vlaanderen. Een stijging van het aantal huizen per capita in Australië, zorgt voor dalende woningprijzen (2006). Dit resultaat is consistent met de economische theorie van vraag en aanbod (Abelson et al., 2005). De resultaten van het werk van Capozza et al., (2002) zijn gelijkaardig. Zij omschreven het aanbod als de gemiddelde oppervlakte per gemeente die nog beschikbaar is om vastgoedprojecten te realiseren. Een stijging van deze determinant heeft een negatief significante invloed op het prijzenniveau van vastgoed in 62 steden in de Verenigde Staten. Er is eveneens een verband te vinden tussen het woonaanbod en de werkgelegenheidsgraad. Saks stelde dat een toename in de vraag naar arbeid zal vertaald worden in een lagere werkgelegenheidsgroei in plaatsen waar het relatief moeilijk is om nieuwe huizen te bouwen. Echter op plaatsen met weinig belemmeringen om te bouwen, dus waar er veel aanbod beschikbaar is, zal een versterkende vraag naar woningen leiden tot meer nieuwe huizen en slechts een beperkte stijging in woningprijzen. De regulering van het woningaanbod heeft een significante impact op de bewegingen in de plaatselijke arbeidsmarkt. Saks concludeert dat een schok in de vraag naar arbeid leidt tot lagere werkgelegenheidsgroei en hogere woningprijzen in gebieden waar het woningaanbod niet elastisch is (2005). In China werd nagegaan wat de impact is van variabelen zoals grondaanbod en op de woningprijzen. Vooral wanneer het grondaanbod opmerkelijk wijzigt over een korte periode, heeft het grondaanbod een invloed op de schommelingen van woningprijzen. Maar vraagfactoren zoals gebruikerskosten en inkomen hebben een grotere impact op woningprijzen dan deze aanbodfactoren (Yan et al., 2010).
15
Niettegenstaande de hierboven besproken resultaten, zijn er ook onderzoeken waar de aanbodscoëfficiënt positief is. Glindro et al. (2011) voorspelden dat bij een toename van de onbebouwde oppervlakte, de huizenprijzen zouden verminderen. In tegenstelling tot wat men verwacht had, vonden de onderzoekers het omgekeerde resultaat. Een stijging van de onbebouwde oppervlakte per gemeente leidt tot hogere huisprijzen in Azië. De onderzoekers probeerden dit te verklaren door in de tegenovergestelde richting te redeneren. Hogere vastgoedprijzen kunnen voor vastgoedontwikkelaars een aanleiding zijn om te investeren in projecten, wat de onbebouwde oppervlakte dan uiteindelijk ook doet afnemen.
2.8 Sociale kenmerken Naast de functionele kenmerken zoals de aanwezigheid van werkgelegenheid, een autosnelweg of een treinstation speelt ook de voorziening in de nabijheid, zoals de kwaliteit van de woonomgeving, een rol in het bepalen van de woningprijs. Woningen in een buurt waar het aandeel niet-westerse allochtonen groot is, zullen een lagere prijs hebben. Hetzelfde geldt voor een omgeving met een lagere sociale status. Een sociale status kunnen we omschrijven als de positie van een individu of groep binnen de maatschappij. In de meeste gevallen is deze sociale status gedeeltelijk afhankelijk van de sociale positie van de ouders. In moderne maatschappijen is het beroep een belangrijke aanwijzing voor status (Visser & van Dam, 2006). Gibbons & Machin vermelden evenzo dat een verbetering in de kwaliteit van de omgeving en van de lokale publieke diensten de woningprijs zal beïnvloeden. Bovendien stijgen prijzen naarmate de woningen dichter bij het centrum gelegen zijn. Dit kan verklaard worden doordat de kosten wat betreft toegankelijkheid tot werkgelegenheid en voorzieningen lager zijn naarmate de woning zich dichter bij het centrum bevindt. Gezinnen zijn bereid te betalen voor goederen en diensten die aangeboden worden door handelaars binnen het centrum (2007). Hoe verder weg voorzieningen gelegen zijn, hoe lager de woningprijs. Naarmate de woning zich verder bevindt van het stadcentrum en station, zal de prijs dalen (Visser & van Dam, 2006).
16
Criminaliteit Nechyba & Strauss vonden een negatief verband tussen het aantal misdrijven en de waarschijnlijkheid dat een persoon in een gemeente van de Amerikaanse provincie Camden County wil wonen (1998). Deze negatieve relatie wordt bevestigd door Bayoh et al. (2006). In het onderzoek van Cullen & Levit (1999) met betrekking tot 127 Amerikaanse steden vond men een negatieve relatie tussen het aantal misdrijven en de bevolkingsaantallen in die steden. Gibbons (2004) onderzocht wat de impact is van verschillende vormen van criminaliteit op de woningprijzen in de omgeving van Londen. Criminaliteitscijfers hebben een grote impact op de perceptie van de bevolking over een bepaalde gemeente. Huishoudens zijn bereid extra te betalen om criminaliteit te vermijden. Het aantal gevallen van vandalisme op woningen had een sterk negatieve significante impact op de woningprijzen in Londen. Anderzijds vertoonde het aantal inbraken in woningen geen significante coëfficiënt. De prijzen van woningen in de zeer dichte nabijheid van deze van een veroordeelde zedendelinquent liggen een stuk lager. Echter dit effect verdwijnt naarmate de afstand tot die woning groter is dan 200 meter (Linden & Rockoff, 2008). In een onderzoek van Gibbons & Machin stelt men dat criminaliteit een belangrijk gegeven is voor de kwaliteit van de omgeving, en dus ook voor de waardering van de woningprijzen. Woningen gelegen in gebieden met een lager niveau van criminaliteit zullen een hoger prijsniveau kennen (2007). Marsden bestudeerde de weerslag op de prijs van woningen in het Amerikaanse Durham, bij strafbare feiten zoals diefstal en brandstichting in een straal van 800 meter. Ook dit onderzoek vond een negatieve significante relatie tussen criminaliteit en woningprijzen (2014).
School Overigens zal de aanwezigheid van een school met een betere kwaliteit de woningprijzen doen stijgen. Scholen zijn een van de belangrijkste factoren bij het bepalen van beslissingen van gezinnen omtrent hun woning. Mensen zijn bereid meer te betalen voor hun woning als de academische kwaliteit van de school hoog wordt gewaardeerd (Gibbons & Machin, 2007). Echter het feit of iemand zich al dan niet vestigt in een bepaalde gemeente is afhankelijk van zijn of haar specifieke voorkeuren. Personen met kinderen zullen het belangrijk vinden dat er
17
goeie scholen zijn in die gemeente. Andere personen zullen een voorkeur hebben voor veel recreatiedomeinen en/of bossen (Tiebout, 1956). Vastmans et al. vonden echter dat de aanwezigheid van een cultureel centrum of een middelbare school verkeershinder kan veroorzaken. Maar de aanwezigheid van een basisschool, grootwarenhuis of sportcentra worden wel positief gewaardeerd. De nabijheid van een school kan dus verkeershinder tot gevolg hebben. Aldus zullen gezinnen met kinderen meer belang hechten aan de aanwezigheid van een school in de nabije omgeving. Bovendien zal de meerwaarde van de school voor een groot deel bepaald worden door de kwaliteit van deze school (2012).
Recreatief groen Naast de functionele en sociale kenmerken spelen ook de fysieke kenmerken een rol. Het betreft hier open ruimtes, de aanwezigheid of nabijheid van stedelijk groen en bedrijven. De aanwezigheid van recreatief groen wordt positief gewaardeerd, echter de aanwezigheid van bedrijventerreinen wordt al negatief erkend (Visser & van Dam, 2006). Bovendien is er een stijgende vraag naar een groene omgeving. Het verkrijgen van esthetisch genot, recreatie en toegang tot een stille omgeving zijn steeds meer van belang voor de inwoners (Liu et al., 2008). Verschillen in woningprijzen kunnen dus ondermeer worden toegewezen aan de recreatieve waarde van de omgeving. De aanwezigheid van groen in een stad heeft een aanzienlijke recreatieve waarde dat vrijetijdsmogelijkheden met zich meebrengt. Mensen zijn bereid meer te betalen om te wonen in de nabijheid van een plaatselijke recreatieve omgeving. Een groene omgeving heeft daadwerkelijk een impact op de woningprijzen in China. De aanwezigheid van stedelijk groen zorgt voor een aangename omgeving om in te leven, en dit vertaalt zich in de prijs van de omliggende woningen (Kong et al., 2006). Eveneens in Engeland kwam men tot dezelfde conclusie. Omgevingsfaciliteiten zoals tuinen, groene ruimtes en watergebieden worden hoog gewaardeerd door huiseigenaars en hebben een aanzienlijke impact hebben op de woningprijzen. De aanwezigheid van deze omgevingsvariabelen resulteert in een positieve prijspremie (Gibbons et al., 2014). Lutzenhiser et al. kwamen tot een gelijkaardig besluit namelijk dat open ruimtes een belangrijke component zijn van stedelijke ontwikkeling omwille van het positief effect op de 18
woningprijzen (2001). In 2003 toonde ook Morancho dit aan. Overigens bestaat er ook een positieve relatie tussen de luchtkwaliteit en de waarde van de woningen (Kong, Yin & Nakagoshi, 2006). Ook Liu et al. stellen dat inwoners steeds meer belang hechten aan een schone lucht (2008). Nys (2014) vond dat fysieke omgevingskenmerken een belangrijke invloed hebben op de woningprijzen. De aanwezigheid van nabije natuur in een bepaalde gemeente biedt heel wat voordelen. Uit onderzoek blijkt dat voldoende groen een positieve invloed heeft op zowel de mentale als de fysieke gezondheid. In gemeenten waar er meer groen aanwezig is in de dichte omgeving, liggen de medische kosten fors lager. Mensen die wonen in de nabijheid van natuur zijn gezonder. Het aantal gevallen van diabetes, depressies en longaandoeningen zijn een stuk lager. Een portie natuur biedt ook vele voordelen voor de economie.
De
arbeidsproductiviteit ligt hoger en er is een daling van het ziekteverzuim. Groen en natuur trekken ook veel fietsers en wandelaars aan, waardoor ook de locale horeca een graantje kan meepikken. De bevolking heeft beduidend minder stress als er mogelijkheden zijn om te gaan wandelen in een groene omgeving. De aanwezigheid van natuur heeft dus een erg positieve impact op de woonkwaliteit van de burger ( Bergmans, 2014) . Dit verklaart waarom de woningprijzen fors hoger blijken te zijn voor huizen die dichtbij natuurgebieden gelegen zijn (Nys, 2014; De Bruyne & Van Hove, 2006). In Nederland werd reeds heel wat onderzoek gedaan naar de impact van de woonomgeving op de vastgoedprijzen. Een aangename woonomgeving wordt vaak geassocieerd met een groene woonomgeving. Groen heeft een positieve impact op vastgoedprijzen (Visser et al., 2006). Ook Luttik (2000) vindt dat een woning met veel groen in de nabije omgeving een fors verhogend effect heeft op de prijs van die woning. Velen bestudeerden reeds de waarde van faciliteiten, zoals de waarde van open ruimtes (Geogheghan et al., 2000), de waarde van een uitzicht (Fraser & Spencer, 1999; taylor & Smith, 2000; Patterson & Boyle, 2002) en de waarde van waterkwaliteit (Boyle et al.,1999). MacDonald et al. stellen dat er een niet lineaire relatie bestaat tussen de verkoopprijs en de ratio van private groene ruimte tot de oppervlakte van de woning (2010). Robinson echter beweert dat, hoewel recreatieve waarden verbeteren, dit niet automatisch zal leiden tot een verhoging van het genot en de aantrekkelijkheid om dicht bij een park te wonen. Enkel 19
wanneer inwoners gebruik maken van deze voorzieningen zal er daadwerkelijk een hogere aantrekkingskracht zijn tot het park (2011). Een andere bevinding is dat de aanwezigheid van groene open ruimtes positiever gewaardeerd wordt in een stedelijk gebied dan in een gemeentelijk gebied. Hoe hoger de alternatieve kost van het niet bebouwen van een oppervlakte, hoe sterker deze gebieden de groene open ruimtes waarderen (Gulicher, 2008).
2.9 Gemeentelijk beleid We stellen vast dat er in de literatuur reeds veel onderzoek is gevoerd naar mogelijke prijsdeterminanten van vastgoed. Echter deze onderzoeken waren vooral gebaseerd op klassieke macro- en socio economische variabelen. Ons onderzoek houdt ook rekening met deze variabelen maar wij voegen er nog enkele specifieke variabelen aan toe. De impact van deze specifieke variabelen op de vastgoedprijzen in de Vlaamse gemeenten werd nog niet bestudeerd.
Aanvullende personenbelasting & opcentiemen op onroerende voorheffing Een eerste variabele die we willen onderzoeken is de invloed het niveau van de aanvullende personenbelasting en de opcentiemen op de onroerende voorheffing per gemeente op de vastgoedprijzen. Deze twee zijn de belangrijkste lokale belastingen. Hogere gemeentelijke belastingen leiden doorgaans tot een betere dienstverlening ( Goeminne et al., 2009). In gemeenten met een hoger niveau van dienstverlening zouden we dus kunnen verwachten dat gezinnen bereid zijn om meer te betalen voor de aankoop van hun woning. Anderzijds vinden Feld & Kirchgässner (2001) en Schmidheiny (2006) dat lokale belastingen een invloed hebben op de beslissing van huishoudens om al dan niet in een bepaalde Zwitserse gemeente te gaan wonen. Lokale belastingen hebben een negatief effect op het nut dat huishoudens hebben om zich in een bepaalde gemeente te vestigen. De vraag naar vastgoed in gemeenten met hoge belastingen daalt, wat betekent dat de huizenprijzen lager zullen zijn. Door de progressiviteit van de belastingen versterkt dit fenomeen naarmate het inkomen van de huishoudens hoger is. Bayoh et al., (2006) bekomt gelijkaardige resultaten voor gemeenten in de Amerikaanse staat Ohio. 20
Hoge lokale belastingen hebben een negatieve impact op de aantrekkingskracht van Zweedse gemeenten. Huishoudens worden door de hoge belastingen afgeschrikt om in die gemeenten vastgoed te verwerven (Dahlberg et al., 2012). Gemeentelijke investeringsuitgaven Een tweede gemeente specifieke variabele is de investeringsuitgaven per gemeente. Hogere investeringsuitgaven voor onderwijs in New Jersey doet de kans dat huishoudens zich vestigen in die gemeente toenemen. Investeringsuitgaven voor onderwijs van een gemeente zijn een factor in de verklaring waarom huishoudens zich precies in die gemeente vestigen (Nechyba & Strauss, 1998). Deze resultaten zijn niet consistent met het onderzoek van Dahlberg et al. Zij vinden geen positief significant verband tussen beide variabelen. Er is wel een positief significant verband tussen de investeringen in cultuur, parken, recreatiegebieden en de waarschijnlijkheid dat huishoudens zich zullen vestigen in een Zweedse gemeente (2012). Het resultaat van het onderzoek van Quigley was tegenstrijdig met de hierboven beschreven latere studies. In de Amerikaanse staat Pennsylvania was er een negatief verband tussen de investeringen in onderwijs en de kans dat mensen zich daar zouden vestigen. Dezelfde niet intuïtieve relatie werd bekomen tussen de gemeentelijke investeringsuitgaven en de kans dat huishoudens zich in die gemeenten zullen vestigen (1985).
2.10 Verstedelijking De lange termijn ontwikkeling van de woningmarkt wordt niet enkel bepaald door het reëel beschikbaar inkomen per hoofd van de bevolking, de lange termijn intrestvoet en de bevolkingsgroei. Ook de verstedelijkingsgraad heeft een belangrijke invloed (Kholodilin, Menz & Silverstrovs, 2007). De stedelijke ontwikkeling heeft een positief effect op de prijzen van woningen (Lutzenhiser et al., 2001). Er wordt verwacht dat de trend van woningprijzen positief zal evolueren in landen met een groeiende populatie. Een bevolkingsgroei doet de dichtheid van de woningmarkt verhogen. Dit effect wordt nog versterkt door de trend van verstedelijking die zich voordoet in veel van deze landen. Naarmate de dichtheid toeneemt, is er meer schaarste aan woningen, waardoor de woningprijzen in het betreffende gebied toenemen. Bovendien zal de aanwezigheid van sterke immigratie de bevolkingsgroei doen 21
toenemen. Echter landen die gekenmerkt worden door een dalende bevolkingsgroei merken een dalende trend in de woningprijzen. Dit laatste is het geval voor Japan en Duitsland (Ahearne et al., 2005). Holly et al. stelden eveneens dat het niveau van de populatiegroei een significant positief effect heeft op veranderingen in de woningprijzen (Holly et al., 2007). Otto bevestigt dat demografische factoren zoals de bevolkingsgroei een aanzienlijke rol spelen in het bepalen van het prijsniveau van de woningmarkt. Hij vond dat de bevolkingsgroei de woningprijzen positief beïnvloedde in Melbourne, Brisbane, Adelaine en Hobart (2007).
Op basis van de hierboven besproken literatuur, kunnen we in ieder geval stellen dat de macro-economische variabelen in heel wat onderzoeken naar het niveau van de woningprijzen terug te vinden zijn. Voor de meeste van deze variabelen is er bovendien een consensus te vinden wat betreft de impact op woningprijzen. Gezien de belangrijkheid van deze variabelen willen wij deze ook in ons onderzoek opnemen, maar leggen hierbij de focus op andere variabelen. Macro-economische variabelen zullen slechts als controlevariabelen worden opgenomen. Verder stellen we vast dat vaak tegenstrijdige resultaten worden bekomen wat betreft de impact van de overige variabelen op het niveau van de woningprijzen. Wij zullen onze aandacht onder meer vestigen op variabelen waarnaar minder onderzoek werd verricht, zoals de gemeentelijke investeringen en fiscaliteit. Opmerkelijk is ook de groeiende belangstelling die er heerst wat betreft de aanwezigheid van groen en recreatieve ruimtes. Om na te gaan wat de impact is van al deze variabelen op de woningprijzen, moeten we eveneens rekening houden met het aantal inwoners die een gemeente telt en de heersende bevolkingsdichtheid. Dit brengt er ons toe eveneens de verstedelijkingsgraad in kaart te brengen.
2.11 Probleemstelling en hypothesen Uit de literatuurstudie blijkt duidelijk dat heel wat variabelen een impact hebben op de woningprijzen. We stellen echter vast dat nog niet zoveel onderzoek werd verricht naar de impact van gemeentelijke investeringen en het niveau van de plaatselijke fiscaliteit op de woningprijzen. Deze variabelen brengen wij samen onder de noemer ‘het gemeentelijk 22
beleid’. Het lijkt ons interessant om hier dieper op in te gaan. Onze eerste hypothese luidt dan ook als volgt: Hypothese 1: Het gemeentelijk beleid heeft een belangrijke impact op de woningprijzen. De literatuur toont eveneens aan dat de aanwezigheid van recreatief groen de laatste jaren alsmaar belangrijker wordt voor de inwoners van een gemeente. Vanuit deze stijgende belangstelling voor groene ruimtes willen wij ook dit aspect meenemen in ons onderzoek, wat ons brengt tot de volgende hypothese: Hypothese 2: Naarmate meer groen aanwezig is in een gemeente zal de woningprijs hoger liggen. De impact van de verstedelijkingsgraad op woningprijzen werd reeds in meerdere onderzoeken nagegaan. Uit de literatuur blijkt dat de verstedelijkingsgraad dan ook een belangrijke vraagfactor is die bepalend is voor het niveau van de woningprijzen. Wij zullen eveneens de volgende hypothese toetsen: Hypothese 3: Hoe sterker de verstedelijkingsgraad in een gemeente, hoe hoger het prijsniveau van de woningen zal liggen. Voorafgaande hypotheses zullen getoetst worden, maar dit enkel in het kader van de gemiddelde prijs van een gewone woning. Het lijkt ons interessant te onderzoeken als het effect van deze variabelen op de woningprijzen in sterkere of minder sterke mate aanwezig is wanneer we kijken naar de gemiddelde villaprijzen in een gemeente. Onze laatste hypothese is de volgende: Hypothese 4: De onafhankelijke variabelen zullen een verschillende impact hebben op de prijzen van gewone woonhuizen dan op de prijzen van villa’s. Deze hypothese zal getest worden bij de eerste drie hypothesen, om zo een overzichtelijke vergelijking te kunnen maken. Deze vier hypothesen brengen ons tot de volgende probleemstelling: “De woningprijzen in Vlaanderen: Het effect van het gemeentelijk beleid, de aanwezigheid van groen en de verstedelijkingsgraad.”
23
3 Methodologie Na een grondige analyse van zowel de afhankelijke als de onafhankelijke variabelen namen we de beslissing om een model voor panel data op te stellen. Deze keuze is gebaseerd op het feit dat we over data beschikken voor de 308 Vlaamse gemeenten over een periode van 14 jaar (1998-2011). Panel data bestaat dus uit twee andere datadimensies die gecombineerd worden: Enerzijds de cross-sectionele dimensie van verschillende gemeenten en anderzijds de tijdsdimensie. Panel data brengt enkele belangrijke voordelen met zich mee: het zorgt voor een aanzienlijke stijging van de grootte van de steekproef en het creëert meer variabiliteit in de variabelen. Deze twee voordelen hebben een impact op de standaardfout van de geschatte coëfficiënten. Een grotere steekproef en meer variabiliteit in de variabelen dragen bij tot een lagere standaardfout van de geschatte coëfficiënten en bijgevolg ook tot een meer nauwkeurigere schatting. Bovendien biedt panel data, in tegenstelling tot tijdreeksdata, de mogelijkheid om de individuele heterogeniteit tussen de verschillende gemeenten waar te nemen. Deze datavorm maakt het dus mogelijk om rekening te houden met bepaalde effecten die kunnen verschillen tussen de gemeenten en over de tijd. Het stelt ons in staat om conclusies te trekken met betrekking tot het algemene effect van verschillende determinanten op de gemiddelde woningprijzen in Vlaanderen. Om deze conclusies te kunnen trekken, zullen we het softwarepakket Gretl5 hanteren. Zoals hierboven reeds aangehaald, opteren wij voor een panel data model voor onze regressie analyses. Er bestaan verschillende panel data modellen. Een eerste model is het pooled model. Daarnaast zijn er ook nog twee individuele effecten modellen, namelijk het fixed effects model en het random effects model. Aan de hand van verschillende statistische testen kan worden onderzocht welk model het meest geschikt is voor de beschikbare dataset. In eerste instantie werd een pooled model geschat via gretl ( niet gerapporteerd). Dit is het eenvoudigste model van de drie. Het is een standaard regressie model dat gebruikt maakt van
5
Gretl staat voor Gnu Regression, Econometrics and Time-series Library.
24
de OLS6 methode. Via het pooled model bekomen we één regressielijn voor alle 308 gemeenten. Echter voor heel wat panel data is dit model niet het meest geschikte. Het pooled model is niet in staat de individuele heterogeniteit van de verschillende gemeenten in kaart te brengen. De verschillen tussen gemeentekarakteristieken kunnen ervoor zorgen dat de woningprijzen in een bepaalde gemeente hoger liggen, los van het niveau van de opgenomen onafhankelijke variabelen in dit onderzoek. Om dit probleem op te lossen hanteren we de individuele effecten modellen. Ze houden ook rekening met een ‘individueel effect’. Dit wil zeggen dat dit model toestaat dat iedere gemeente een verschillende regressielijn heeft. Zoals eerder vermeld, bestaan hieronder twee modellen. Bij een fixed effects model heeft elke gemeente een eigen regressielijn, en dit model kan geschat worden aan de hand van een eenvoudige OLS- regressie. In ons onderzoek gebruiken wij het fixed effects 1e verschil model. Hierbij wordt van iedere waarneming deze van de vorige periode afgetrokken. Het gevolg van deze keuze is dat we de eerste observatie zullen verliezen. Door het hoge aantal observaties in dit onderzoek is dit echter minder problematisch. Het grote nadeel van dit model is dat we variabelen die constant blijven doorheen de tijd zullen verliezen. In dit onderzoek betekent dit concreet dat we geen gebruik zullen kunnen maken van de variabele ‘dummy IC-station’ indien we werken met het fixed effects model 1e verschil. Om toch te kunnen testen wat de impact is van deze variabele zullen we ook een random effects model schatten (Gujarati, 2004). Door toe te laten dat de constantes verschillen bij iedere gemeente, kan de verklaringskracht sterk toenemen. Dit zorgt ervoor dat het fixed model meestal verkozen wordt boven het pooled model. Om te weten welk model de voorkeur geniet is het dus zeker en vast relevant te testen als alle constantes identiek zijn. Indien dit het geval zou zijn, maken we beter gebruik van een pooled model. Dit zullen we testen aan de hand van de F-test met volgende hypotheses: H0: α1 = α2 = … = αn H1: minstens één α is verschillend
6
OLS staat voor Ordinary Least Squares. Via deze methode is de som van de foutterm in het kwadraat geminimaliseerd.
25
Indien de p-waarde < 0.05 verwerpen we de nulhypothese en kunnen we besluiten dat het fixed effects model het meest geschikte model is. Indien de p-waarde > 0.05 aanvaarden we de nulhypothese en kunnen we stellen dat het pooled model het beste model is aangezien dat alle constantes identiek zijn (Gujarati, 2004). Een ander individueel effecten model is het random effects model. Dit model veronderstelt dat het individueel effect een willekeurige variabele is. Dit individueel effect wordt opgenomen in de foutterm. Men opteert ook voor een random effects model indien er belangrijke verklarende variabelen constant zijn. Deze variabelen gaan verloren bij het fixed effects model (zie supra). Om te testen als er een willekeurig effect aanwezig is in het model, maken we gebruik van de Breusch-Pagan test. Via deze test kan er bepaald worden als het pooled of het random effects model het meest geschikt is. Dit zijn de hypotheses van deze test: H0: σ²v = 0 H1: σ²v ≠ 0 Indien de individuele effecten geen spreiding vertonen, dus identiek zijn, verkiezen we het pooled model. Hier is de p-waarde > 0,05 en wordt de nulhypothese aanvaard. Wanneer de individuele effecten verschillen van elkaar, verwerpen we de nulhypothese en is het random effects model het meest geschikte model. Dit is het geval wanneer p < 0,05. Ten slotte moet de Hausman test nog uitgevoerd worden om na te gaan als het random of fixed effects model het meest geschikt is. Deze test is van belang indien de eerste test aantoont dat het fixed effects model wordt verkozen boven het pooled model, en de BreushPagan test het random effects model verkiest. Bij het random effects model bestaat de mogelijkheid dat de foutterm gecorreleerd is met de verklarende variabelen. Indien dit het geval is, zijn de schattingen biased. Dit betekent dat ze niet betrouwbaar zijn. De schattingen van de coëfficiënten zal gemiddeld gezien niet gelijk zijn aan de werkelijke waarde van de coëfficiënten. Het is dus absoluut noodzakelijk om te testen of de coëfficiënten al dan niet biased zijn. Via de Hausman test worden volgende hypotheses getoetst: H0: cov (Xit , εit) = 0 H1: cov (Xit , εit) ≠ 0 Indien de p-waarde > 0,05 wordt de nulhypothese aanvaard en is het random effects model te verkiezen boven het fixed effects model. De schattingen zijn zuiver en nauwkeurig. Echter 26
wanneer de p-waarde < 0,05 zullen we de alternatieve hypothese accepteren, wat wil zeggen dat het fixed effects model het meest geschikte model is (Gujarati, 2004). Naast het econometrische verhaal is er ook een economisch verhaal dat verklaart wanneer er voor een random effects model of een fixed effects model moet gekozen worden. Bij een random effects model worden de gemeenten willekeurig getrokken uit een grote groep. Bij het fixed effects model zijn de individuen geen willekeurige trekking uit de populatie. Er wordt bewust gekozen voor bepaalde individuen. Het economische verhaal is een eerst indicatie dat voor dit onderzoek het fixed effects model meest geschikt is. Wanneer we uiteindelijk weten wat het geschikte model is om te gebruiken voor onze regressie, is het van belang om na te gaan als er heteroskedasticiteit aanwezig is. Dit is het geval wanneer de variantie van de foutterm niet constant is. Aan de hand van de Wald test kan dit worden onderzocht. H0: var (ei) = σ² H1: var (ei) = σ²i Indien p > 0,05 kunnen we de nulhypothese aanvaarden wat wil zeggen dat we te maken hebben met homoskedasticiteit. Echter wanneer p < 0,05 wordt de nulhypothese verworpen wat duidt op de aanwezigheid van heteroskedasticiteit. Dit probleem kan worden verholpen door gebruik te maken van de robuuste standaardfouten. Verder zal er worden nagegaan als het probleem van multicollineariteit aanwezig is. Indien dit het geval is heeft het model moeite om 2 onafhankelijke variabelen die erg sterk gecorreleerd zijn, uit elkaar te halen. Het regressie model heeft problemen om te verklaren welke van de 2 onafhankelijke variabele de afhankelijke variabele verklaart. Dit zullen we testen aan de hand van de VIF-test. Wanneer een variabele een waarde aanneemt die hoger ligt dan 10, is er sprake van multicollineariteit. Er is geen probleem als de coëfficiënten significant zijn. Indien dit niet het geval zou zijn, zullen we één van de twee sterk gecorreleerde variabelen uit ons model laten (Koop, 2006).
27
Hierna volgen de vergelijkingen van de twee belangrijkste modellen die we zullen schatten: Δlog GEMWPit = β1 Δgemeentelijk beleidit + β2 Δgroenit + β3 Δverstedelijkingsgraadit + β4 ΔINKit +β5 ΔINFit +β6 ΔOLOit + β7 ΔUNEMPLit + β8 ΔCRIMIit + β9 ΔFIRMSit + β10 ΔAANBODit + β11 ΔMSALDOit
Δlog GEMVPit = β1 Δgemeentelijk beleidit + β2 Δgroenit + β3 Δverstedelijkingsgraadit + β4 ΔINKit +β5 ΔINFit +β6 ΔOLOit + β7 ΔUNEMPLit + β8 ΔCRIMIit + β9 ΔFIRMSit + β10 ΔAANBODit + β11 ΔMSALDOit Met: GEMWP
Gemiddelde woningprijzen
GEMVP
Gemiddelde villaprijzen
INV
Investeringen per capita
APB
Aanvullende personenbelasting
OOV
Opcentiemen op de onroerende voorheffing
BOS_O
Vierkante meter bos per totale oppervlakte
BOS_C
Vierkante meter bos per capita
RECR_O
Vierkante meter recreatieterreinen per totale oppervlakte
RECR_C
Vierkante meter recreatieterreinen per capita
INW
Inwoners per gemeente
DENS
Bevolkingsdichtheid
INK
Gemiddeld inkomen
INF
Inflatie
OLO
OLO rentevoet op 10 jaar
Gemeentelijk beleid
Groen
Verstedelijkingsgraad
UNEMPL Werkloosheidsgraad CRIMI
Diefstallen per capita
FIRMS
Netto aangroei ondernemingen
AANBOD Onbebouwde oppervlakte in verhouding tot de totale oppervlakte MSALDO Migratiesaldo
28
4 Data Een uitgebreide dataset is noodzakelijk om onze hypotheses te testen. Wat betreft de geografische spreiding van ons onderzoek beperken wij ons tot het woongebied Vlaanderen. Voor deze 308 Vlaamse gemeentes beschikken wij over data voor de periode 1998:Q1 – 2011:Q4. We beschikken over kwartaaldata voor onze afhankelijke variabele, de gemiddelde woningprijs van gewone woonhuizen en villa’s. Echter voor vele andere variabelen die in ons onderzoek worden opgenomen (zoals de variabelen met betrekking tot het gemeentelijk beleid en de aanwezigheid van groen) is slechts jaardata te verkrijgen. Deze kwartaaldata wordt omgezet naar jaardata door het gemiddelde te nemen van de vier kwartaalcijfers.
4.1 De afhankelijke variabele De gemiddelde woningprijs in Vlaanderen (l_GEMWP) is de eerste afhankelijke variabele in ons model. Deze variabele is op jaarbasis ter beschikking en werd voor de 308 Vlaamse gemeentes verkregen via de website van de Studiedienst van de Vlaamse Regering. In dit onderzoek nemen we ook een tweede afhankelijke variabele op, namelijk de gemiddelde villaprijzen in Vlaanderen (l_GEMVP). In de summary statistics wordt het gemiddelde, de standaardafwijking, het minimum en het maximum gerapporteerd (bijlage 1). Bij de econometrische analyse maken we echter gebruik van het natuurlijk logaritme van de gemiddelde woning- en villaprijzen. Na het uitvoeren van de Doornik-Hansen test (bijlage 2) vonden we dat de gemiddelde woning- en villaprijzen niet normaal verdeeld zijn. Door het natuurlijk logaritme te nemen verkrijgen we een logaritmische verdeling voor de afhankelijke variabelen. Grafiek 3 geeft een overzicht van de gemiddelde woning- en villaprijzen in Vlaanderen voor de periode 1998-2011. We stellen een stijgende trend vast voor beide variabelen. De gemiddelde woningprijzen zijn gestegen van 79.389 euro in 1998 tot 202.566 euro in 2011. Vanaf 2005 is een duidelijke groei merkbaar, wegens de in de inleiding besproken invoering van de woonbonus en vrijstelling van het kadastraal inkomen van de eigen woning. Enkel in het begin van 2009 is er een beperkte daling waar te nemen.
29
In 1998 bedroeg de gemiddelde villaprijs 226.780 euro terwijl dit 13 jaar later gemiddeld 332.675 euro is. Opmerkelijk is de prijsdaling met ongeveer 7,5% in 2004. In 2005 stegen de villaprijzen opnieuw met hetzelfde percentage. Dit kunnen we verklaren door het feit dat veel mensen in 2004 hun villa-aankoop uitgesteld hebben om te kunnen genieten van de voordeligere fiscaliteit in 2005.
Grafiek 3: Evolutie gemiddelde woning-en villaprijzen in Vlaanderen 350000 300000 250000 200000 150000 100000 50000 0
Gemiddelde woningprijzen
Gemiddelde Villaprijzen
4.2 De onafhankelijke variabelen Voor de bespreking van de onafhankelijke variabelen wordt er een opdeling gemaakt. Als eerste zijn er variabelen die betrekking hebben op de macro-economische determinanten. Daarnaast hebben we variabelen die gerelateerd zijn aan ofwel het gemeentelijk beleid, de aanwezigheid van groen of de verstedelijkingsgraad. Tenslotte worden ook nog een aantal controlevariabelen opgenomen in ons model.
4.2.1
De macro-economische variabelen
Tot deze categorie behoren de variabelen inkomen, inflatie en rentevoet. De data van het gemiddeld inkomen (INK) werd verzameld via de website van Adsei7 van de FOD Economie, en dit op jaarbasis. Voor de onderzochte periode bedraagt het gemiddeld inkomen in 7
ADSEI staat voor Algemene Directie Statistiek en Economische Informatie
30
Vlaanderen 14.193 euro. Het minimum van het gemiddeld loon komt op 7.197,10 euro en het maximum van het gemiddeld loon op 24.278 euro. Een stijgende tendens is merkbaar over de periode 1998 – 2011. De variabele inflatie (INF) is op jaarbasis opgenomen in ons model. Hier werken we aan de hand van de CPI inflatie. Per jaar wordt het gemiddelde van de vier opeenvolgende kwartalen van het desbetreffende jaar genomen. De dataverzameling hiervan gebeurde via Datastream. Echter het inflatieniveau is voor alle Vlaamse gemeentes identiek, gezien dit op nationaal niveau wordt bepaald. De inflatie evolueerde van een gemiddelde van 0,94% in 1998 naar 3,53% in 2011. Het gemiddelde inflatieniveau over de volledige periode 1998:Q1 – 2011:Q4 bedraagt 2,07%. De Europese Centrale Bank (ECB) streeft ernaar prijsstabiliteit te behouden. Dit wil zeggen dat men poogt een inflatieniveau van iets minder dan 2% te behalen. Maar eveneens deflatie tracht men te vermijden. Om de rentevoet (OLO) weer te geven maken we gebruik van de OLO-rente op 10 jaar.
Deze
kwartaaldata
hebben
we
verkregen via de site van de Nationale Bank van België (NBB). Eveneens hier wordt jaarlijks het gemiddelde van de vier opeenvolgende kwartalen in ons model opgenomen. hetzelfde
als
Voor voor
de het
rentevoet
geldt
inflatieniveau,
namelijk dat ook deze variabele voor alle 308 Vlaamse gemeentes steeds identiek is. Op grafiek 4 wordt het verloop van de gemiddelde OLO rentevoet op 10 jaar weergegeven voor de onderzochte periode. Een dalende evolutie is duidelijk merkbaar. In 1998 lag het niveau van de rentevoet nog op 5,12%, terwijl dit in 2010 daalde tot slechts 3,46%. Na dit dieptepunt kende het renteniveau in 2011 opnieuw een lichte stijging tot een gemiddelde van 4,23%. Over de volledige periode bedraagt de gemiddelde lange termijn rentevoet 4,37%.
4.2.2
Het gemeentelijk beleid
De onafhankelijke variabelen opcentiemen op de onroerende voorheffing (OOV), de aanvullende personenbelasting (APB) en de investeringen per capita (INV) brengen we samen
31
onder de noemer ‘het gemeentelijk beleid’. Voor al deze variabelen werd de data op jaarbasis verkregen via de website van de ‘Studiedienst van de Vlaamse Regering’.
Tabel 1: Summary statistics gemeentelijk beleid 1998 – 2011 APB
Opcentiemen
Investeringen/cap
Gemiddelde
7,01
1250,40
222,54
Standaardafwijking
1,18
319,42
1556,68
Minimum
0
438
0
Maximum
9,50
2250
2783,20
Bij de aanvullende belasting op de personenbelasting (APB) wordt een percentage geïnd door de gemeente bovenop de inkomstenbelasting. Die laatste wordt zowel geregeld als geïnd door de federale overheid. De beschrijvende statistieken (tabel 1) tonen aan dat het percentage gemiddeld gezien varieert van 0 (het minimum) tot en met 9,5% (het maximum). Als globaal gemiddelde percentage vinden we 7,01% aanvullende personenbelasting. In ons onderzoek maken we gebruik van de verandering van de APB aangezien dit het gedrag van kandidaatkopers meer zal beïnvloeden dan het niveau van de belasting. De onroerende voorheffing is een gewestbelasting op het kadastraal inkomen. Op die belasting kunnen provincies en gemeenten ook een belasting toepassen. In dat geval wordt dit opcentiemen op de onroerende voorheffing (OOV) genoemd. De opcentiemen worden samen met de onroerende voorheffing geïnd door de Vlaamse belastingdienst en nadien doorgestort naar de gemeenten en provincies. Algemeen gezien is een opcentiem een verhoging van een bepaald tarief met één procent. De gemeentelijke opcentiemen op de onroerende voorheffing zijn in iedere gemeente verschillend. Het gemiddeld niveau van opcentiemen over alle gemeentes gedurende de periode 1998 – 2011 bedraagt 1.250,40. De summary statistics tonen ons een minimum van 438 en een maximum van 2.250. In dit werk nemen we ook van deze belasting de verandering. Eveneens gemeentelijke investeringen willen we in kaart brengen. De Studiedienst van de Vlaamse regering haalde deze cijfers uit de balansen van gemeentes in het Vlaamse gewest. Gezien dit sterk kan verschillen naargelang de grootte van de gemeente, bekijken we de investeringen per capita (INV). De gemiddelde investering per capita over de bestudeerde 32
periode bedraagt 222,54 euro. In sommige gemeentes was dit echter nul euro. Dit was tot en met 2009 het geval voor de gemeente Herstappe. Sinds 2010 is een kleine investering/capita merkbaar van ± 50 euro. In andere gemeentes daarentegen kan dit zeer hoog oplopen. Voor de gemeente Mesen gaat dit zelfs tot 2.783,2 euro investeringen per capita.
4.2.3
De aanwezigheid van groen
Om de aanwezigheid van recreatief groen zo goed mogelijk te weerspiegelen worden meerdere variabelen met betrekking tot het groen in ons model opgenomen. Zowel bossen en recreatieterreinen8 worden in kaart gebracht. Om er voor te zorgen dat alle variabelen op dezelfde schaal worden gemeten, worden deze per capita bestudeerd. Daarnaast bekijken we eveneens deze variabelen per oppervlakte. De bron van deze jaardata is de website van de ‘Studiedienst van de Vlaamse Regering’.
De gemiddelde aanwezigheid van recreatieterreinen per capita (RECR_C) is behoorlijk constant gebleven over de jaren heen. Een lichte daling is merkbaar van 8,29 m² recreatieterreinen per capita in 1998 tot 7,77 m² per capita in 2011. Gemiddeld gezien komt 8
Recreatieterreinen omvat sportterreinen en speelpleinen.
33
dit neer op 8,04 m² per capita voor alle gemeentes over de volledige bestudeerde periode (grafiek 5).
Op grafiek 6 merken we een dalende trend over de jaren heen wat betreft de hoeveelheid m² bos per capita (BOS_C). De gemiddelde aanwezigheid bos per capita voor de Vlaamse gemeentes bedraagt 241,16 m² per capita. Wel zijn er grote verschillen merkbaar tussen gemeentes, waarbij dit kan variëren van 0 tot 2.133,4 m² bos per capita. Echter wanneer we de variabelen recreatieterreinen en de hoeveelheid bos gaan bekijken per oppervlakte van de gemeente stellen we slechts minimale afwijkingen vast (RECR_O en BOS_O). Zowel grafiek 7 en 8 vertonen een behoorlijk constant verloop in absolute cijfers voor de onderzochte tijdsperiode 1998 - 2011.
4.2.4
De verstedelijkingsgraad
Om na te gaan welke impact de verstedelijkingsgraad heeft op de woningprijzen, worden daartoe twee variabelen in het model opgenomen. Enerzijds het aantal inwoners per gemeente, en anderzijds de bevolkingsdichtheid van een gemeente. Deze gegevens werden verkregen via de website van de ‘Studiedienst van de Vlaamse Regering’, en via Adsei. We hanteren voor deze variabelen een jaarlijkse frequentie.
Tabel 2: Summary statistics verstedelijkingsgraad 1998 – 2011 Aantal inwoners
Bevolkingsdichtheid
Gemiddelde
19.686
519,83
Standaardafwijking
31.406
446,88
Minimum
80
50,54
Maximum
493.517
3237
Uit tabel 2 kunnen we afleiden dat een gemeente gedurende de periode 1998 – 2011 gemiddeld 19.686 inwoners telt. Deze bevolkingsaantallen per gemeente (INW) kunnen echter sterk schommelen. De gemeente Herstappe telt slechts 85 inwoners in 2011. Dit is eveneens de gemeente die slechts een beperkte investeringsuitgave per capita kent. Een volledig ander 34
cijfer wordt gegeven voor de gemeente Antwerpen, die in 2011 maar liefst 493.517 inwoners heeft. Naast het aantal inwoners bespreken we ook de bevolkingsdichtheid van een gemeente (DENS). De verhouding tussen het aantal inwoners per gemeente en de oppervlakte van een gemeente
wordt
weergegeven
door
de
bevolkingsdichtheid.
Vaak
zal
men
de
bevolkingsdichtheid uitdrukken in het aantal inwoners per vierkante kilometer. Wij stellen een gemiddelde bevolkingsdichtheid vast van 519,83 inwoners per vierkante kilometer. De gemeente met de hoogste bevolkingsdichtheid is Mortsel. De laagste bevolkingsdichtheid wordt toegeschreven aan de gemeente Lo-Reninge die slechts 53 inwoners per vierkante kilometer telt.
In tabel 3 wordt een overzicht gegeven van de evolutie van de gemiddeldes van de belangrijkste variabelen uit ons model.
35
Tabel 3: Het jaarlijks gemiddelde per variabele 1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
79.389
86.059
90.775
96.075
103.280
108.990
115.720
142.610
160.120
174.430
184.100
185.350
193.870 202.570,00
226.780
246.520
258.280
257.540
270.660
270.180
282.100
261.030
281.990
306.660
315.600
309.670
320.900 332.680,00
INV
203,55
235,97
213,9
164,58
184,2
178,25
206,25
275,56
228,32
214,52
219,75
248,61
253,09
289,02
APB
6,6617 1.075,90
6,6143 6,5912 6,8101 1.072,90 65.912,00 1.168,80
7,0198 1.259,10
7,1575 1.292,50
7,1821 1.305,30
7,1552 1.304,50
7,1224 1.297,40
7,1221 1.307,60
7,1734 1.333,80
7,1675 1.332,70
7,1802 1.340,50
7,1688 1.341,60
WONINGPRIJS VILLAPRIJS
OOV
2010
2011
BOS_O
0,0788
0,0789
0,0787
0,0787
0,0786
0,0786
0,0785
0,0785
0,0784
0,0784
0,0787
0,0787
0,0787
0,0786
BOS_C
248,37
247,31
245,9
245
244,24
243,32
242,45
241,28
239,79
238,14
237,38
253,63
234,49
232,93
RECR_O
0,0037
0,0037
0,0037
0,0037
0,0037
0,0037
0,0037
0,0037
0,0037
0,0037
0,0037
0,0037
0,0037
0,0037
RECR_C DENS
8,2913 507,91
8,2593 509,18
8,2229 510,45
8,169 511,36
8,1748 512,87
8,1257 514,41
8,097 515,99
8,0621 518,28
7,9761 521,11
7,8916 524,09
7,8898 527,46
7,8247 531,14
7,8567 534,59
7,7673 538,7
INW
19.196
19.243
19.287
19.326
19.392
19.466
19.533
19.621
19.736
19.862
20.005
20.159
20.299
20.476
36
4.2.5
Controlevariabelen
De variabelen die gerelateerd zijn aan het gemeentelijk beleid, het recreatief groen en de verstedelijkingsgraad vormen voor ons onderzoek de belangrijkste variabelen. Het is uiteraard van belang om eveneens de macro-economische determinanten op te nemen in het model. Echter daarnaast worden nog enkele controlevariabele opgenomen in onze regressie. Het betreft de volgende variabelen: het migratiesaldo, de werkloosheidsgraad, de aanwezigheid van een IC-station, het aantal diefstallen per capita, de netto-aangroei van ondernemingen en de onbebouwde oppervlakte. Het betreft hier jaardata gezien het voor deze variabelen niet relevant is kwartaaldata te gebruiken. Data van het migratiesaldo werd verkregen via ADSEI van de FOD economie. Voor de overige variabelen werd telkens beroep gedaan op de website van de Studiedienst van de Vlaamse Regering.
Het migratiesaldo De som van het intern en extern migratiesaldo wordt hier in aanmerking genomen. Het intern migratiesaldo geeft een overzicht van de binnenlandse migraties tussen de verschillende Belgische gemeenten. Het extern migratiesaldo is het verschil tussen het aantal immigraties (mensen die van het buitenland naar België komen wonen) en het aantal emigraties (mensen die vanuit België naar het buitenland gaan wonen). Beide saldi worden dan uitgedrukt ten opzicht van het aantal inwoners van een gemeente en vermenigvuldigd met 1000. Indien het migratiesaldo een positieve waarde aanneemt, stijgt het aantal inwoners in de gemeente. Indien dit een negatief teken vertoont zijn er meer inwoners die de gemeente verlaten dan mensen die er naar toe trekken. We zullen in ons onderzoek eveneens nagaan als dit migratiesaldo een impact heeft op woningprijzen in een gemeente. Uit resultaten blijkt een gemiddeld migratiesaldo van + 3,69. In sommige gemeentes was dit saldo echter sterk negatief. Enkel in 2009 was er een neerwaartse trend waar te nemen. Maar sinds 2010 is het gemiddeld migratiesaldo terug positief.
37
De werkloosheidsgraad Een belangrijke controlevariabele is de werkloosheidsgraad. Uit resultaten blijkt dat de werkloosheidsgraad gemiddeld gezien op 2% ligt. We stellen vast dat de wijzigingen van de werkloosheidsgraad de economische conjunctuur volgen. In de crisisjaren is een forse stijging van de werkloosheid te zien. Het hoogste werkloosheidscijfer (5,9%) is te vinden in de gemeente Genk, in het jaar 2004. Maar in een aantal gemeentes zoals Gooik en Hove schommelt dit telkens rond de 1% (bijlage 1).
De aanwezigheid van een IC-station Een intercity (IC-trein) is een trein die een vlotte verbinding vormt tussen de grotere steden. Het is in principe een trein die enkel stopt in belangrijke, grote steden. Om na te gaan als de aanwezigheid van een IC-trein effectief een impact heeft op de woningprijzen, wordt een dummy variabele opgenomen in het model. Wanneer deze dummy variabele de waarde ‘1’ aanneemt wil dit zeggen dat er in die gemeente een IC-station aanwezig is. Echter wanneer de dummy variabele de waarde ‘0’ aanneemt, duidt dit op de afwezigheid van een IC-station in deze gemeente. Er zijn 50 van de 308 Vlaamse gemeentes die de waarde ‘1’ aannemen. Dit is niet gewijzigd over de periode 1998 – 2011. Eveneens geven de summary statistics een gemiddelde van 0,16 aan, wat wil zeggen dat slechts de minderheid van de Vlaamse gemeentes over een IC-station beschikt.
Aantal diefstallen per inwoner In dit onderzoek nemen we het aantal diefstallen per inwoner in aanmerking. Over de volledig onderzochte periode vinden we een gemiddelde van 2,31%. Dit cijfer varieert sterk over de verschillende gemeentes. In de gemeente Herstappe stellen we nauwelijks diefstallen vast, terwijl het aantal diefstallen in Wijnegem zeer hoog ligt. In 2001 liep dit cijfer er zelfs op tot 13,10%. In 2011 was dit niveau wel gedaald tot 7,69%. Over de periode 1998 – 2011 is dit gemiddelde van 2,31% behoorlijk stabiel gebleven. Er is geen opmerkelijke trend waarneembaar.
38
Netto aangroei ondernemingen Er is een opmerkelijke opwaartse tendens merkbaar wat betreft de gemiddelde netto-aangroei van ondernemingen. Deze determinant meet het verschil tussen het aantal opgerichte en verdwenen ondernemingen, ten opzichte van het aantal actieve ondernemingen. Het is een proxy voor de werkgelegenheid in de gemeente. In 2000 bedroeg deze ratio slechts 0,43 terwijl deze steeg tot 2,20 in 2011. Eveneens stellen we hier grote verschillen vast tussen de gemeentes. In het jaar 2002 was er een netto aangroei van 6,38% in Mesen. Eveneens Machelen scoorde in het jaar 2000 zeer goed met een netto aangroei van 5,09%. Echter verschillende gemeentes werden gedurende een aantal jaren geconfronteerd met een negatieve groei. Dit was onder andere het geval voor de gemeentes Horebeke, Halen, Poperinge en SintLievens-Houtem. Eveneens Herstappe had in de periode 2004-2005 te maken met een sterk negatieve groei (-6,67% en -7,14%). Echter in 2007 kende deze gemeente een netto-aangroei van maar liefst 18,18%. Sterke fluctuaties wat betreft de netto aangroei van ondernemingen zijn duidelijk merkbaar.
Onbebouwde oppervlakte Als laatste controlevariabele nemen we de onbebouwde oppervlakte in aanmerking. De reden hiervoor is dat we in ons onderzoek eveneens een aanbodsvariabele willen opnemen. Dit werd ook gedaan in de onderzoeken van Deze variabele geeft een indicatie van de oppervlakte in een gemeente die nog niet bebouwd is. De onbebouwde oppervlakte wordt uitgedrukt ten opzicht van de totale oppervlakte van een gemeente. Het gemiddelde over de volledig onderzochte periode bedraagt 74 procent, en kent een licht dalend verloop. In 1998 bedroeg dit 75,31 procent, en daalde tot 72,41 procent in 2011. Uit resultaten bleek een minimum van 26 procent en een maximum van 93 procent van de totale oppervlakte die nog onbebouwd is (bijlage 1).
39
5 Empirische resultaten 5.1 Het geschikte panel data model Zoals hierboven beschreven, zijn er bij het opstellen van een panel data model verschillende modellen mogelijk. Aan de hand van enkele testen werd achterhaald welk model het meest geschikt is voor dit onderzoek. In eerste instantie werd de F-test (bijlage 3) uitgevoerd voor het fixed effects model met 1e verschil. We stellen een p-waarde vast van nul wat wil zeggen dat de nulhypothese wordt verworpen gezien deze waarde kleiner is dan 0,05. We kunnen dus besluiten dat het fixed effects model beter is dan het pooled model. Om na te gaan of er een willekeurig effect aanwezig is in het model, voeren we een tweede test uit. De Breusch-Pagan test (bijlage 4) gaat na welk model het meest geschikt is: het pooled model of het random model. Hieruit bleek de p-waarde nul te zijn, waardoor we de nulhypothese moeten verwerpen. Het random effects model geniet dus de voorkeur op het pooled model. Een laatste test is dus noodzakelijk om uit te maken of we een fixed effects model of een random effects model verkiezen. Uit de Hausmann test (bijlage 4) bleek dat het fixed effects model het meest geschikt is voor dit onderzoek. De p-waarde van de test statistiek was opnieuw kleiner dan 0,05. We kunnen dus besluiten dat het fixed effects model het meest aangewezen is voor dit type onderzoek. Dit is in overeenstemming met wat we op voorhand verwacht hadden. Een bijkomende motivatie voor dit model is dat we specifiek voor de 308 Vlaamse gemeentes gekozen hebben. Het is niet zo dat we willekeurig enkele gemeentes gekozen hebben.
40
5.2 Heteroskedasticiteit Het is eveneens van belang om na te gaan of er heteroskedasticiteit aanwezig is. Hiervoor maken we gebruik van de Wald test (bijlage 5). Deze test geeft een p-waarde van nul aan. Dit betekent dat de alternatieve hypothese wordt aanvaard, en dat de variantie van de foutterm heteroskedastisch is. Om dit probleem te verhelpen maken we in al onze schattingen gebruik van de robuuste standaardfouten9.
5.3 Multicollineariteit Een goeie methode om na te gaan of er een multicollineariteitsprobleem bestaat tussen 2 onafhankelijke variabelen is de VIF-test (bijlage 6). Indien de waarden bij de VIF-test hoger zijn dan 10 is dit een aanwijzing van multicollineariteit. Uit de resultaten blijkt dit bij de onafhankelijke variabelen niet het geval te zijn.
5.4 Resultaten met betrekking tot het gemeentelijk beleid In dit deel gaan we na indien hypothese 1 al dan niet van toepassing is op ons model. We bestuderen de variabelen investeringen per capita, de opcentiemen op de onroerende voorheffing en de aanvullende personenbelasting. Om het effect van deze variabelen na te gaan, hebben we meerdere modellen geschat. Ons eerste model bevat alle variabelen. Daarnaast hebben we eveneens een model geschat zonder de variabele werkloosheid, omdat wij denken dat deze variabele er voor zorgt dat zowel de opcentiemen als aanvullende personenbelasting niet significant zijn. We gaan ervan uit dat werklozen meestal geen eigen woning bezitten en bijgevolg geen opcentiemen op de onroerende voorheffing betalen. Bovendien zal de aanvullende personenbelasting erg beperkt zijn. We veronderstellen ook dat er een samenhang is tussen de werkloosheidsgraad en het inkomen (Stepanyan et al. 2010). Indien we de werkloosheidsgraad opnemen kunnen we dus vertekende resultaten verkrijgen. Daarnaast stellen we ook twee regressies op waarbij de twee belangrijkste gemeentelijke belastingen apart worden opgenomen. De resultaten van de vier fixed effects modellen 1e verschil worden weergegeven in tabel 410.
9
HAC = heteroskedasticity and autocorrelation consistent. Het aantal sterren in de laatste kolom geven het significantieniveau aan. * duidt op een significantieniveau van 10% ** op 5% en *** op 1%. 10
41
Tabel 4: Dep. Var. : l_GEMWP Coefficient
Std. Error
Coefficient
Std. Error
Coefficient
Std. Error
Coefficient
Std. Error
const
11,085900
0,600201
***
11,315000
0,606865
***
11,306900
0,604605
***
11,314400
0,606958
***
INV_1
0,000048
0,000014
***
0,000049
0,000014
***
0,000049
0,000014
***
0,000049
0,000014
***
d_APB
-0,006276
0,005506
-0,008165
0,005385
-0,010977
0,004754
**
d_OOV
-0,000010
0,000020
RECR_O
11,727100
5,807590
12,108800
5,913310
**
BOS_O
-0,560877
RECR_C
-0,000021
0,000019
12,171900
5,923590
-0,000034
0,000017
**
12,194500
5,924730
**
2,397670
-0,723865
2,436280
-0,760652
2,431300
-0,667774
2,430660
-0,001744
0,001470
-0,001610
0,001504
-0,001654
0,001515
-0,001593
0,001501
BOS_C
0,000754
0,000413
DENS
0,001016
0,000275
*
0,000754
0,000427
*
0,000753
0,000424
*
0,000748
0,000427
*
***
0,001063
0,000284
***
0,001066
0,000284
***
0,001062
0,000283
***
INW
0,000010
0,000003
***
0,000009
0,000003
***
0,000009
0,000003
***
0,000009
0,000003
***
INK_1
0,000125
0,000004
***
0,000122
0,000004
***
0,000122
0,000004
***
0,000122
0,000004
***
INF OLO
0,014625 0,012340
0,001123 0,005397
***
0,013262 -0,005244
0,001099 0,003667
***
0,013292 -0,005251
0,001098 0,003665
***
0,013260 -0,005549
0,001097 0,003634
***
UNEMPL CRIMI
0,039752
0,008701
***
-3,437840
0,668842
***
-3,526560
0,673745
***
-3,529580
0,671553
***
-3,534190
0,673875
***
FIRMS AANBOD
0,007530
0,001453
***
0,007716
0,001486
***
0,007764
0,001488
***
0,007715
0,001486
***
-0,027626
0,006823
***
-0,028096
0,006948
***
-0,027972
0,006914
***
-0,028113
0,006952
***
MSALDO
0,000769
0,000508
0,000809
0,000509
0,000818
0,000509
0,000810
0,000510
R-squared
0,924062
0,923432
Schwarz criterion
-4342,703
Akaike criterion
-6355,048
Hannan-Quinn
N U T
**
**
0,923395
0,923411
-4320,488
-4326,91
-4327,702
-6326,621
-6326,833
-6327,624
-5638,705
-5612,489
-5614,912
-5615,703
3681
3681
3681
3681
307
307
307
307
min 10 max 12
min 10 max 12
min 10 max 12
min 10 max 12
42
Op basis van de studie van Dahlberg et al. (2012) verwachten we dat gemeentelijke investeringen een positief effect hebben op de gemiddelde woningprijzen in Vlaanderen. Onze regressiemodellen bevestigen deze resultaten. We hebben echter een vertraagde van de investeringen per capita moeten toevoegen om tot statistisch significante resultaten te komen. Het duurt echter een tijdje voordat de bevolking van deze investeringen kan genieten, vandaar de keuze om een vertraagde toe te voegen. Als de investeringen per capita met 1% toenemen, ceteris paribus11, stijgen de gemiddelde woningprijzen met 0,0113%. We kunnen dus stellen dat de gemeentelijke investeringen per capita een positieve invloed hebben op de gemiddelde woningprijzen in Vlaanderen. Indien de variabele investeringen per capita wordt opgenomen zonder vertraagde, bekomen we ook een positief teken. Het resultaat is echter niet significant (niet gerapporteerd in tabel 4). In de literatuur is er geen consensus te vinden over de impact van de gemeentelijke fiscaliteit op de woningprijzen. We stellen echter vast dat de meerderheid van de onderzoeken een negatief verband bekomt. Deze resultaten worden bevestigd in ons onderzoek, maar zijn niet significant in ons eerste model. Indien we zowel de variabelen gerelateerd aan de gemeentelijke fiscaliteit en de werkloosheidsgraad in ons model opnemen verkrijgen we vertekende resultaten. Zoals reeds hierboven aangehaald leveren werklozen slechts een beperkte tot geen bijdrage aan de gemeentelijke belastingen. Daarom hebben we een nieuw model geschat waarin de werkloosheidsgraad niet werd opgenomen. Dit levert echter opnieuw geen significante resultaten op. Een mogelijke verklaring is dat beide fiscaliteitsvariabelen een gelijkaardig verloop vertonen gedurende de onderzochte tijdsperiode. We vermoeden dat het hierdoor interessant kan zijn om beide variabelen eens apart op te nemen, gezien beide variabelen gerelateerd zijn aan elkaar. Dit wordt bevestigd in onze resultaten. Indien beide variabelen apart opgenomen worden hebben ze een statistisch negatieve significante invloed op de gemiddelde woningprijzen in Vlaanderen. Hogere gemeentelijke belastingen, worden dus vertaald in lagere gemiddelde woningprijzen. Deze resultaten bevestigen de bevindingen van Feld & Kirchgässner (2001), Schmidheiny (2006) en Bayoh et al. (2006). Indien de verandering van de opcentiemen op de onroerende voorheffing met 1% stijgt, ceteris paribus, dan dalen de gemiddelde woningprijzen met 0,00010%. Bij een 1% stijging van de verandering van de aanvullende personenbelasting, ceteris paribus, dan dalen de gemiddelde woningprijzen in Vlaanderen 11
Indien we een coëfficiënt bij een bepaalde variabele willen interpreteren, moeten we de overige onafhankelijke variabelen als onveranderd beschouwen.
43
met 0,00045 %. We kunnen dus besluiten dat de gemeentelijke fiscaliteit een significante impact heeft op de gemiddelde woningprijzen in Vlaanderen. Het gemeentelijk beleid heeft dus een impact op de woningprijzen, deze is echter wel gering. We vinden dat een wijzigingen in de lokale belastingen slechts een minimale invloed hebben op de gemiddelde woningprijzen in Vlaanderen. Dit zou kunnen verklaard worden door het feit dat huishoudens bij de aankoop van een woning in een bepaalde gemeente minder belang hechten aan de lokale belastingen. We merken op dat de investeringen per capita een grotere invloed hebben op de vastgoedprijzen, echter blijft deze ook beperkt. Deze resultaten kunnen voor gemeentes een indicatie zijn dat het gemeentelijk beleid slechts in beperkte mate een rol speelt bij de woningprijzen. We kunnen dus besluiten dat onze eerste hypothese slechts gedeeltelijk bevestigd wordt. Naast de impact van het gemeentelijk beleid op woningprijzen willen we dit ook toetsen op de villaprijzen. Dit model is te vinden in tabel 5. Eveneens werd hier op dezelfde wijze tewerk gegaan als bij de gemiddelde prijzen van gewone woonhuizen. Naast een model met alle variabelen werd dus ook een model opgenomen zonder de variabele werkloosheid. Daarenboven werden de variabelen m.b.t. de gemeentelijke fiscaliteit afzonderlijk in het model opgenomen. Wat zeer opmerkelijk is, is dat fiscaliteitsvariabelen een positief teken hebben en de investeringen een negatief teken, wat het tegenovergestelde is in vergelijking met de gewone woningprijzen. In ons model vinden we dat hogere gemeentelijke belastingen leiden tot hogere gemiddelde villaprijzen. Enkel de aanvullende personenbelasting blijkt statistisch sterk significant te zijn. Dit kunnen we verklaren aan de hand van Goeminne et al.(2009). Hogere belastingsinkomsten gaan normaal gezien gepaard met een betere dienstverlening. Mensen zijn dus bereid meer te betalen voor hun villa wegens de betere voorzieningen. In bepaalde rijkere gemeenten is er hoogstwaarschijnlijk een publiek dat goede bibliotheken, culturele centra, musea en meer blauw op straat wenst. Bij een verhoging met 1% van de verandering van de aanvullende personenbelasting, ceteris paribus, stijgen de gemiddelde villaprijzen in Vlaanderen met 0,00152%. Het is opmerkelijk dat deze determinant in alle modellen over gemiddelde villaprijzen significant is op het 1 procentniveau. Het niveau van de opcentiemen op de onroerende voorheffing is statistisch niet significant om de gemiddelde villaprijzen te verklaren. Een mogelijke verklaring hiervoor kan zijn dat de onroerende voorheffing berekend wordt op basis van het kadastraal inkomen (KI). Dit KI 44
komt overeen met het gemiddelde netto-inkomen dat de eigenaar zou verdienen indien de woning een jaar verhuurd zou worden. Voor de berekening van dat KI wordt echter rekening gehouden met de huurmarkt op het referentietijdstip van 1 januari 1975. Deze waarde wordt wel jaarlijks geïndexeerd maar is absoluut niet representatief voor de actuele verhuurprijzen. Het KI is dus flink ondergewaardeerd waardoor de OOV minder impact heeft voor rijkere personen.
Het investeringsniveau per capita heeft ook bij villaprijzen een significante impact indien er een vertraagde toegevoegd wordt. Het teken is echter verschillend van de gewone woonhuizen. Dit negatieve teken kan verklaard worden door het feit dat een bepaald publiek al deze investeringen niet nodig acht. Deze personen zijn zelf voorzien van voldoende faciliteiten en hoeven geen extra aanbod van de overheid. Bij
een
stijging
van
de
investeringen per capita met 1%, ceteris paribus, zullen de gemiddelde villaprijzen in Vlaanderen met 0,00802 % dalen. De impact van het gemeentelijk beleid op de woning- en villaprijzen is dus verschillend. Daaruit volgt dat de 4e hypothese kan bevestigd worden voor de variabelen die gerelateerd zijn aan het gemeentelijk beleid.
45
Tabel 5: Dep. Var. : l_GEMVP Coefficient
Std. Error
Coefficient
Std. Error
Coefficient
Std. Error
const
11,680900
0,773646
INV_1
-0,000034
d_APB
***
11,804400
0,775135
***
11,853700
0,778815
0,000016
**
-0,000033
0,000016
**
-0,000034
0,000016
0,031644
0,010306
***
d_OOV
0,000018
0,000037
0,030654
0,010259
***
0,000011
0,000037
0,000060
0,000038
RECR_O
-9,570950
12,745500
-8,570710
12,982800
-9,548640
13,119400
BOS_O
-5,328010
2,603930
-5,507440
2,654630
-5,453600
2,657300
RECR_C
0,004440
BOS_C
0,001198
0,003854
0,004212
0,003903
0,004589
0,000458
0,001233
0,000469
0,001243
DENS
0,000460
0,000593
0,000479
0,000602
0,000474
INW
0,000002
0,000003
0,000002
0,000004
INK_1
0,000067
0,000005
***
0,000065
0,000005
INF OLO
0,002799 0,049938
0,001928 0,008143
***
0,002049 0,039313
0,001899 0,005563
UNEMPL CRIMI
0,022726
0,010865
**
-0,534062
0,809593
-0,550271
0,815311
FIRMS AANBOD
0,001129
0,002143
0,001372
-0,006703
0,008897
-0,006812
MSALDO
0,000320
0,000625
0,000328
R-squared
0,826644
Schwarz criterion
** ***
Coefficient
Std. Error
***
11,800500
0,776298
***
**
-0,000033
0,000016
**
0,032076
0,010215
***
-8,524180
12,979000
-5,533080
2,650420
0,003951
0,004214
0,003900
0,000470
0,001236
0,000469
0,000600
0,000480
0,000602
0,000002
0,000004
0,000002
0,000004
***
0,000065
0,000005
***
0,000065
0,000005
***
***
0,001990 0,039222
0,001908 0,005539
***
0,002060 0,039475
0,001901 0,005573
***
-0,540430
0,825457
-0,552175
0,814630
0,002144
0,001116
0,002158
0,001353
0,002140
0,008912
-0,007492
0,008977
-0,006751
0,008928
0,000627
0,000247
0,000624
0,000334
0,000626
** ***
** ***
0,826288
0,825487
0,826280
-1942,032000
-1938,109000
-1949,757000
-3737,176000
-3727,404000
-3739,053000
Akaike criterion
-1939,436000 -3740,426000
Hannan-Quinn
-3087,356000
-3086,226000
-3078,575000
-3090,223000
N
2559,000000
2559,000000
2559,000000
2559,000000
U
291,000000
291,000000
291,000000
291,000000
T
min 1 max 12
min 1 max 12
min 1 max 12
min 1 max 12
** ***
46
5.5 Resultaten met betrekking tot de aanwezigheid van groen Middels de tweede hypothese willen we onderzoeken of de aanwezigheid van groen een positief effect heeft op de gemiddelde woning- en villaprijzen. Zoals reeds bij de databeschrijving vermeld werd, toetsen we deze hypothese aan de hand van de oppervlakte bos en recreatieterreinen per gemeente. De resultaten van het fixed effects model (tabel 3 en 4) worden samengevat in tabel 6.
Tabel 6: Samenvatting resultaten variabelen groen Variabele
GEMWP
GEMVP
BOS_C
+
+
BOS_O
NS
-
RECR_C
NS
NS
RECR_O
+
NS
We vinden een positief significant verband tussen de variabelen m² bos/capita en m² recreatieterreinen/oppervlakte en de gemiddelde woningprijzen in Vlaanderen. Dit is in overeenstemming met Kong et al.,(2006); Gibbons et al.,(2014) en Nys (2014). Veel mensen vinden het belangrijk dat er voldoende natuur aanwezig is in een bepaalde gemeente en zijn dus bereid daar extra voor te betalen. Indien er een toename is met 1% van het aantal m² bos/capita, ceteris paribus, zullen de gemiddelde woningprijzen in Vlaanderen vermeerderen met 0,18%. Het is ook belangrijk dat er voldoende sportterreinen en speelpleinen in een bepaalde gemeente aanwezig zijn. Ze hebben een positieve impact op de gemiddelde woningprijzen. Bovendien nemen die recreatieterreinen heel wat ruimte in waardoor er aanbodsschaarste ontstaat. Dit is een bijkomende verklaring voor deze positieve coëfficiënt. Bij een stijging van de variabele RECR_O met 1%, ceteris paribus, kennen de gemiddelde woningprijzen in Vlaanderen een stijging van 0,44%. We kunnen besluiten dat de aanwezigheid van groen zeker een vast een aanzienlijke positieve impact heeft op de woningprijzen in Vlaanderen. Hier wordt eveneens hypothese 2 bevestigd. 47
Net zoals bij de gemiddelde woningprijzen heeft het aantal m² bos/capita een positieve significante impact op de gemiddelde villaprijzen in Vlaanderen. Bij een toename van de variabele BOS_C met 1%, ceteris paribus, vermeerderen de gemiddelde villaprijzen met 0,29%. Tegen onze verwachtingen in vinden we dat het aantal m² bos/oppervlakte een negatief significant teken heeft. Voor dit resultaat kunnen we slechts één verklaring bedenken. Het bezitten van een villa in een kleine gemeente met zeer veel vierkante meter bos, maakt het voor sommige mensen misschien minder aantrekkelijk om er te wonen. De jongere rijken verkiezen hoogstwaarschijnlijk een gebied waar er zowel groen als verstedelijking aanwezig is. Indien een gebied te verlaten is, kan dit een negatieve impact uitoefenen op het niveau van de villaprijzen. De vermeerdering van de determinant BOS_O met 1%, ceteris paribus, verlaagt de gemiddelde villaprijzen in Vlaanderen met 0,42%. Een mogelijke oorzaak voor het feit dat de aanwezigheid van recreatieterreinen geen significante impact heeft op de gemiddelde villaprijzen is dat er in sommige villa’s al een zwembad of tennisterrein aanwezig is. Deze mensen hebben dus geen nood aan extra voorzieningen binnen de gemeente. Dit brengt bovendien extra bezoekers met zich mee van de omliggende gemeentes waardoor de rust verstoord kan worden. De 4e hypothese kan niet eenduidig aanvaard worden. De variabele bos per capita heeft op villaprijzen dezelfde impact als op de gewone woningprijzen. Echter voor de variabele bos per oppervlakte vinden we wel een tegengesteld effect.
5.6 Resultaten met betrekking tot de verstedelijkingsgraad Ten slotte bespreken we nog de resultaten van hypothese 3 m.b.t. de verstedelijkingsgraad. Op basis van de studie van Lutzenhiser et al. (2001) verwachten we dat de stedelijke ontwikkeling een positief effect heeft op de prijzen van woningen. Eveneens het onderzoek van Ahaerne et al. (2005) stelt dat een bevolkingsgroei in een gemeente de dichtheid van de woningmarkt doet verhogen. Bovendien wordt dit effect versterkt door de trend van verstedelijking die zich voordoet in vele landen. Naarmate de dichtheid toeneemt, is er meer schaarste aan woningen wat resulteert in hogere woningprijzen. Onze resultaten uit tabel 4 bevestigen deze stellingen. Er is een positief significant verband te vinden tussen zowel het aantal inwoners en de woningprijzen, en de bevolkingsdichtheid en het niveau van de 48
woningprijzen. Beide verklarende variabelen hebben een positieve invloed op de prijzen van gewone woonhuizen, en deze zijn bovendien sterk significant (significantieniveau 1%). Wanneer het aantal inwoners toeneemt met 1%, ceteris paribus, vertoont het niveau van de woningprijzen een stijging van 0,20%. Indien de bevolkingsdichtheid verhoogt met 1%, ceteris paribus, stijgen de woningprijzen met 0,52%. We kunnen besluiten dat de verstedelijkingsgraad een impact heeft op het niveau van de gewone woningprijzen, wat wil zeggen dat ten slotte hypothese 3 wordt bevestigd. Een wijziging van het aantal inwoners of de bevolkingsdichtheid heeft een aanzienlijke impact op de gemiddelde woningprijzen. Deze stelling werd eveneens onderzocht voor de villaprijzen. De resultaten vertonen net zoals bij de gewone woningprijzen een positief verband tussen het aantal inwoners en de villaprijzen, en de bevolkingsdichtheid en het niveau van de villaprijzen (tabel 5). We stellen echter vast dat deze bevindingen bij de villawoningen niet statistisch significant zijn. Hieruit volgt dat we voor hypothese 4 geen conclusie kunnen trekken met betrekking tot deze variabelen.
5.7 Bespreking controlevariabelen Uit tabel 4 blijkt dat de meeste van onze controlevariabelen zeer significant zijn in de verklaring van de gemiddelde woningprijzen in Vlaanderen. Hierna volgt een overzicht van de resultaten van het fixed effects model:
Inkomen (INK) Van de variabele inkomen wordt een vertraagde in het model opgenomen. We gaan ervan uit dat het inkomen van de vorige periode een effect zal hebben op de woningprijzen van de huidige periode. In de literatuur is er een consensus te vinden wat betreft de relatie tussen het inkomen en de woningprijzen. Hogere inkomens zullen weerspiegeld worden in hogere woningprijzen. De studie van De Bruyne & Van Hove (2006) stelt bovendien dat verschillen in het inkomen een van de belangrijkste socio-economische variabelen zijn in de verklaring van de verschillende woningprijzen tussen Belgische gemeenten. Uit resultaten van tabel 3 blijkt dat er een positief significant verband bestaat tussen het inkomen en het niveau van de woningprijzen. Dit onderzoek bevestigt dus eerdere studies wat betreft de impact van het 49
inkomen op de woningprijzen. Het significantieniveau bedraagt hier 1%. Wanneer het inkomen in periode x-1 met 1% toeneemt, ceteris paribus, zal het prijsniveau van de woningen in periode x met 1,79% toenemen. Dit bevestigt de bevindingen uit de literatuur. Bij de villaprijzen komen we tot gelijkaardige bevindingen als bij de gewone woningprijzen. Eveneens een zeer positief significant verband is merkbaar tussen het inkomen en het niveau van de villaprijzen. Wanneer het inkomen in periode x-1 met 1% stijgt, ceteris paribus, kennen de villaprijzen een toename van 0,96%. We stellen vast dat deze coëfficiënt een lager niveau kent dan bij de gewone woningprijzen. Dit is intuïtief te verklaren door het feit dat een stijging van het inkomen bij rijkere mensen een geringere impact heeft op hun economische beslissingen.
Inflatie (INF) In de literatuur zijn tegenstrijdige resultaten te vinden wat betreft de variabele inflatie. Ons onderzoek toont aan dat inflatie een positief effect heeft op de gewone woningprijzen. Bovendien is deze coëfficiënt statistisch zeer significant (niveau 1%). Als de inflatie stijgt met 1%, ceteris paribus, dan verhogen de woningprijzen met 0,03%. Deze bevinding bevestigt de resultaten van Tsatsaronis & Zhu (2004), die stellen dat vastgoed kan gezien worden als een investering die bescherming biedt tegen inflatie. Een hoog inflatieniveau zal de woningprijzen doen stijgen. Wanneer huishoudens investeren in aandelen of obligaties genieten ze deze bescherming niet. Het is dus mogelijk dat huishoudens dan koopkracht verliezen. Bij villaprijzen is er eveneens een positief verband te vinden, maar deze zijn niet significant.
OLO rentevoet (OLO) Vele studies onderzochten de relatie tussen de langetermijnrente en de woningprijzen. Op basis van onze literatuurstudie zouden we een negatieve relatie verwachten tussen het renteniveau en de gemiddelde woningprijzen. Tabel 4 toont deze negatieve relatie aan, maar dit verband is echter statistisch niet significant. Daartegenover is een positief verband te vinden tussen de rentevoet en de gemiddelde villaprijzen, op het significantieniveau van 1 procent (tabel 5). Deze bevinding is tegenstrijdig met de literatuur. Een mogelijke verklaring voor deze positieve relatie zou kunnen zijn dat mensen met heel wat kapitaal een alternatieve opbrengst zoeken. Wanneer de rente stijgt gaan 50
deze rijkere mensen op zoek naar andere beleggingsopportuniteiten zoals vastgoed. Immers bij een stijging van de rente, neemt de waarde van een obligatieportefeuille af. Als de rente met 1% opgetrokken wordt, ceteris paribus, gaan de villaprijzen toenemen met 0,22%.
Werkloosheidsgraad (UNEMPL) In de literatuur is er geen overeenstemming te vinden wat betreft de impact van de werkloosheidsgraad op de woningprijzen. Uit onze resultaten blijkt zowel voor woning- als villaprijzen een positief verband te bestaan met de werkloosheidsgraad (zie tabel 4 en 5). Dit is een bevestiging van de resultaten van Jacob & Naug (2005). Deze bevindingen zijn statistisch significant op respectievelijk 1 en 5 procent significantieniveau. Wanneer de werkloosheidsgraad toeneemt met 1%, ceteris paribus, gaan de woningprijzen stijgen met 0,08% en de villaprijzen met 0,05%. Voor de villaprijzen ligt deze stijging lager, wat we kunnen toe schrijven aan het feit dat de werkloosheidsgraad geen goede variabele is om de villaprijzen te verklaren.
Criminaliteit (CRIMI) Er wordt een negatieve relatie verwacht tussen het niveau van criminaliteit en de woning- en villaprijzen. Ons onderzoekt bevestigt deze verwachting. Echter voor villaprijzen worden geen statistisch significante resultaten verkregen. Voor de prijzen van de gewone woonhuizen bekomen we resultaten op het significantieniveau van 1%. Wanneer het aantal diefstallen per capita in een bepaalde gemeente met 1% stijgt, ceteris paribus, gaat het prijsniveau van de gewone woonhuizen dalen met 0,80%. Deze resultaten bevestigen dus het werk van Linden & Rockoff (2008) en Durham (2014).
Netto aangroei ondernemingen (FIRMS) We verkrijgen een positief verband tussen de netto aangroei van ondernemingen en de gewone woningprijzen, die bovendien statisch significant is (tabel 4). Dit is niet het geval voor villaprijzen (tabel 5). Deze positieve relatie is consistent met de studie van Visser & van Dam, die stellen dat in gebieden met veel werkgelegenheid de druk op de woningmarkt hoger
51
ligt (2006). Wanneer de netto aangroei van de ondernemingen toeneemt met 1%, ceteris paribus, verhoogt het prijsniveau van de gewone woonhuizen met 0,01%. Aanbod De aanbodsvariabele blijkt opnieuw significant te zijn voor de gewone woonhuizen ( tabel 4), en niet voor de villaprijzen (tabel 5). Een stijging van het woonaanbod met 1%, ceteris paribus, doet de gemiddelde woningprijzen dalen met 0,02%. Dit bevestigt de studie van De Bruyne & Vanhove (2006) waaruit bleek dat het aanbod een negatief significant verband heeft op de woningprijzen in Vlaanderen.
Dummy IC-station ( ICSTATION) Zoals reeds hierboven aangehaald werd, besloten we om het fixed effects 1e verschil model te gebruiken. Echter dit betekent dat we dan variabelen verliezen die constant blijven doorheen de tijd. De literatuur toonde aan dat het interessant kan zijn om te testen wat het effect is van een IC-station op de woning- en villaprijzen in Vlaanderen. Een random effects model werd geschat, waarvan de resultaten te vinden zijn in tabel 6. We vinden dat de aanwezigheid van een IC-station in een bepaalde gemeente negatief gewaardeerd wordt. Een IC-station, ceteris paribus, verlaagt de gemiddelde woningprijs met ongeveer 9%. Dit resultaat is tegenstrijdig met de onderzoeken van Debrezion et al.(2007) en Vastmans et al.(2012). Dit kan verklaard worden door het feit dat wij in onze dataset geen rekening gehouden hebben met de afstand van een bepaalde woning tot het IC-station. Er werd enkel gekeken als een bepaalde gemeente al dan niet een IC-station heeft. Veel IC-stations in Vlaanderen hebben echter geen aantrekkelijke omgeving en brengen veel overlast met zich mee. Tot op vandaag zijn de meerderheid van IC-stations verouderd en gelegen in weinig aantrekkelijke buurten. Echter in enkele stations worden momenteel vernieuwingswerken uitgevoerd om de buurt terug ‘woonvriendelijker’ te maken.
52
Tabel 7: Output panel data model Random effects
Dep. Var: l_GEMWP
Dep. Var: l_GEMVP
Coefficient
Std. Error
Coefficient
Std. Error
9,825810
0,116761
const
11,422800
0,155875
0,000063
0,000013
INV_1
-0,000020
0,000017
d_APB
-0,008020
0,006897
d_APB
0,030155
0,009704
d_OOV
-0,000008
0,000024
d_OOV
0,000023
0,000034
RECR_O
0,870630
2,233400
RECR_O
5,601280
3,067750
BOS_O
-0,572060
0,147123
BOS_O
-0,020641
0,203683
RECR_C
-0,000705
0,000871
RECR_C
0,000505
0,001178
BOS_C
0,000270
0,000040
BOS_C
0,000010
0,000059
DENS
0,000032
0,000033
DENS
0,000061
0,000047
INW
0,000001
0,000000
INW
0,000001
0,000000
INK_1
0,000134
0,000001
INK_1
0,000065
0,000002
INF
0,017675
0,001737
INF
0,002388
0,002124
OLO
-0,003370
0,005242
OLO
0,033438
0,007070
UNEMPL
0,037373
0,006907
UNEMPL
-0,005585
0,009152
CRIMI
-2,145660
0,400017
CRIMI
0,718826
0,532343
FIRMS
0,008912
0,001477
FIRMS
0,001477
0,002162
AANBOD
-0,000136
0,001207
AANBOD
-0,001124
0,001624
ICSTATION
-0,090013
0,019428
ICSTATION
-0,034400
0,024580
MSALDO
0,000760
0,000391
MSALDO
0,000488
0,000571
Schwarz criterion
-2048,526
Akaike criterion Hannan-Quinn
CONST INV_1
*** ***
*** *** *** *** *** *** *** *** *** *
-2166,534
Schwarz criterion Akaike criterion
-1331,245
-2124,526
Hannan-Quinn
-1290,959
N
3681
N
2559
U
307
U
291
T
min 10 max 12
T
min 1 max 12
*** *** *
*** *** ***
-1220,45
53
6 Conclusie In dit onderzoek gingen wij na wat de impact is van het gemeentelijk beleid, de aanwezigheid van groen en de verstedelijkingsgraad op de woningprijzen in Vlaanderen. Eveneens werd nagegaan welk effect deze variabelen hebben op de villaprijzen. Deze onderzoeksvraag werd getest aan de hand van meerdere hypotheses, die zowel werden getoetst voor de gewone woningprijzen als de villaprijzen. Na een grondige analyse van zowel de afhankelijke als de onafhankelijk variabelen werd er besloten om panel data model op te stellen. Deze keuze is gebaseerd op het feit dat we over data beschikken voor de 308 Vlaamse gemeentes over een periode van 14 jaar (1998 – 2011). In ons model hanteren wij een fixed effects model 1e verschil, waardoor elke gemeente een eigen regressielijn heeft. Door toe te laten dat de constante van iedere gemeente verschilt, neemt de verklaringskracht sterk toe. De Hausman test bevestigt dat een Fixed Effects model het meest geschikte model is voor ons onderzoek. De eerste hypothese die wordt getoetst is de volgende: “Het gemeentelijk beleid heeft een belangrijke impact op de woningprijzen”. Op basis van de literatuurstudie stellen we vast dat in mindere mate onderzoek werd verricht naar de impact van het gemeentelijk beleid op de woningprijzen. Het leek ons interessant om zowel de impact van de gemeentelijke investeringen als van de fiscaliteit op de woningprijzen na te gaan. Om dit te kunnen testen worden de volgende variabelen in ons model opgenomen: investeringen per capita, de aanvullende personenbelasting en de opcentiemen op de onroerende voorheffing. Voor de variabelen die betrekking hebben op de fiscaliteit nemen we de verandering, aangezien dit het gedrag van de kandidaat-kopers sneller zal beïnvloeden dan het niveau van de belastingen. De literatuur toont eveneens aan dat er een groeiende belangstelling heerst voor de aanwezigheid van groen. Het effect van recreatief groen zal worden onderzocht door de volgende hypothese te toetsen: “Naarmate meer groen aanwezig is in een gemeente zal de woningprijs hoger liggen.” Variabelen die in aanmerking worden genomen zijn de volgende: het aantal vierkante meter recreatieterreinen en het aantal vierkante meter bos. Om er voor te zorgen dat alle variabelen op dezelfde schaal worden gemeten, worden deze per capita bestudeerd. Daarnaast bekijken we eveneens deze variabelen per oppervlakte.
54
De derde hypothese die wij in ons onderzoek zullen toetsten luidt als volgt: “Hoe sterker de verstedelijkingsgraad in een gemeente, hoe hoger het prijsniveau van de woningen zal liggen”. Om de verstedelijkingsgraad in kaart te brengen maken wij gebruik van zowel de bevolkingsdichtheid, als het aantal inwoners dat een gemeente telt. De belangrijkste conclusies van dit onderzoek zijn dat er duidelijk verschillen merkbaar zijn tussen de impact van bepaalde variabelen op enerzijds woningprijzen en anderzijds villaprijzen in Vlaanderen. Het gemeentelijk beleid speelt een beperkte rol bij de vastgoedprijzen. Een hoog niveau van belastingen heeft een negatieve invloed op de woningprijzen. Anderzijds is de impact van hoge belastingen op villaprijzen positief. De waardering van investeringen is ook verschillend. Veel gemeentelijke investeringen verhogen de waarde van gewone woonhuizen. Deze investeringen worden echter negatief gewaardeerd bij villaprijzen. Naast het gemeentelijk beleid blijkt ook groen een significante impact te hebben. De woningprijzen liggen hoger in gemeentes waar er meer bos
en
recreatiemogelijkheden zijn. Bij villaprijzen is de invloed van groen niet eenduidig. De oppervlakte bos heeft zowel een positieve als een negatieve impact. De hoeveelheid recreatieterreinen in een bepaalde gemeente speelt geen rol in het niveau van de villaprijzen. Een hoge verstedelijkingsgraad verhoogt de gemiddelde woningprijzen. Deze variabele speelt daarentegen geen rol in de verklaring van de villaprijzen. Daarenboven vonden we dat het inkomen, de inflatie, de werkloosheidsgraad, criminaliteit, het aantal ondernemingen en de totale onbebouwde oppervlakte verklarende variabelen zijn van woningprijzen. Echter de meeste van deze variabelen hebben geen invloed op villaprijzen. Enkel het inkomen, de lange termijn rentevoet en de werkloosheidsgraad zijn verklarende variabelen van de villaprijzen. Het inkomen blijkt in beide analyses, in absolute termen, het meeste impact te hebben op de woning- en villaprijzen in Vlaanderen. De bevindingen van dit onderzoek zouden voor bepaalde gemeentes een leidraad kunnen zijn bij het uitstippelen van hun beleid met betrekking tot investeringen en de gemeentelijke belastingen. Deze beslissingen zullen een beperkte invloed uitoefenen op de vastgoedprijzen in de betreffende gemeente. Echter kent ons onderzoek enkele beperkingen. Gegevens van bepaalde variabelen zoals groen en investeringen waren slechts beschikbaar voor een kortere periode. Daarenboven zijn er voor bepaalde periodes en gemeentes geen gegevens beschikbaar over villaprijzen. Dit
55
beperkt het aantal observaties van de volledige dataset. Een andere beperking van dit onderzoek is dat er weinig variabiliteit aanwezig is bij de variabelen met betrekking tot groen. In een volgend onderzoek kan nagegaan worden of deze resultaten voor Vlaanderen, ook in Wallonië gelden. Aangezien de grote verschillen op politiek vlak tussen beide landsdelen is het mogelijk dat het gemeentelijk beleid anders gewaardeerd wordt over de taalgrens. Bovendien is het relevant om bij volgend onderzoek gebruik te maken van recentere data indien deze beschikbaar is.
56
7 Bibliografie Abelson, P., Joyeux, R., Milunovich, G., & Chung, D. (2005). Explaining House Prices in Australia: 1970–2003. Economic Record, 81(s1), S96-S103. Ahearne, A.G., Ammer, J., Doyle, B.M., Kole, L.S., Martin, R.F. (2005). House prices and monetary policy: a cross-country study. International Finance Discussion Papers, number 841. Attanasio, O.P., Blow, L., Hamilton, R., Leicester, A. (2008). Booms and busts: consumption, house prices and expectations. Economica (2009) 76, 20 – 50. Baugnet, V., Butzen, P., Cheliout, S., Melyn, W., & Wibaut, Q.(2011). Einde van de crisis op de woningmarkten? Een internationaal overzicht. Economisch Tijdschrift, 2011 (juni). Bayoh, I., Irwin, E. G., & Haab, T. (2006). Determinants of Residential Location Choice: How Important Are Local Public Goods in Attracting Homeowners to Central City Locations? Journal of Regional Science, 46(1), 97-120. Belke, A., Orth, W. (2007). Global excess liquidity and house prices: a VAR analysis for OECD countries. Benito, A., Thompson, J., Waldron, M., Wood, R. (2006). House prices and consumer spending. Bank of England Quarterly Bulletin: Summer 2006. Bergmans, E. (2014). Weinig Vlamingen hebben natuur in de buurt. De Standaard, 16 april 2014. Boarnet, M.G., Chalermpong, S. (2001). New highways, house prices, and urban development: A case study of toll roads in orange country, CA. Capéau, B., Decoster, A., & Vermeulen, F. (2004). Het effect van de verlaging van de Vlaamse registratierechten: simulaties met een geordend logitmodel. Kwartaalschrift Economie, 1, 63-82. Capozza, D. R., Hendershott, P. H., Mack, C., & Mayer, C. J. (2002). Determinants of real house price dynamics (No. w9262). National Bureau of Economic Research.
57
Cullen, J. B., & Levitt, S. D. (1999). Crime, urban flight, and the consequences for cities. Review of economics and statistics, 81(2), 159-169. Dahlberg, M., Eklöf, M., Fredriksson, P., & Jofre-Monseny, J. (2012). Estimating preferences for local public services using migration data. Urban Studies, 49(2), 319-336. Debrezion, G., Pels, E., Rietveld, P. (2007). The impact of railway stations on residential and commercial property value: a meta-analysis. De Bruyne, K., & Van Hove, J. (2006). Explaining the spatial variation in housing prices: an economic geography approach. Applied Economics, 45(13), 1673-1689. de La Paz, P. T. (2003). Determinants of housing prices in Spanish cities. Journal of Property Investment & Finance, 21(2), 109-135. Downes, T.A., Zabel, J.E. (1997). The impact of school characteristics on house prices: Chicago 1987 – 1991. Égert, B., Mihaljek, D. (2007). Determinants of house prices in Central and Eastern Europe. William Davidson Institute, working paper number 894. Europese Commissie. (2013). Diepgaande evaluatie van België overeenkomstig artikel 5 van Verordening nr.1176/2011. werkdocument van de diensten van de commissie. Feld, L. P., & Kirchgässner, G. (2001). Income tax competition at the state and local level in Switzerland. Regional Science and Urban Economics, 31(2), 181-213. Geen fiscale aftrek voor muur- en vloerisolatie meer (2010). Geraadpleegd op 12 maart 2014 via http://www.gva.be/nieuws/economie/aid990743/geen-fiscale-aftrek-voor-muur-envloerisolatie-meer.aspx Gibbons, S. (2004). The Costs of Urban Property Crime. The Economic Journal, 114(499), F441-F463. Gibbons, S., Machin, S. (2007). Valuing school quality, better transport and lower crime: evidence from house prices. Gibbons, S., Mourato, S., Resende, G.M.(2014). The amenity value of Englisch nature: a hedonic price approach.
58
Girouard, N., Kennedy, M., Van Den Noord, P., & André, C. (2006). Recent house price developments: the role of fundamentals. (No. 475). OECD Publishing. Glindro, E. T., Subhanij, T., Szeto, J., & Zhu, H. (2011). Determinants of house prices in nine Asia-Pacific economies. International Journal of Central Banking,7(3), 163-204. Goeminne, S., Smolders, C., & Decramer, A. (2009).. Determinanten van belastingtarieven in Vlaamse gemeenten. Documentatieblad: Federale Overheidsdienst Financiën. SDD, 69(3), 219-247. Goodhart, C., Hofmann, B. (2008). House prices, money, credit and the macroeconomy. European Central Bank, working paper series No. 888/ april 2008. Gujarati, D. (2004). Basic econometrics. McGraw-Hill. Holly, S., Pesaran, M. H., Yamagata, T. (2006). A spatio-temporal model of house prices in the US. IZA discussion paper No. 2338. Iacoviello, M. (2000). House prices and the macroeconomy in Europe: results from a structural VAR analysis. European Central Bank, working paper No. 18. Iacoviello, M. (2003). Consumption, house prices, and collateral constraints: a structural econometric analysis. Journal of housing economics 13 (2004). Iossifov, P., Cihk, M., & Shanghavi, A. (2008). Interest rate elasticity of residential housing prices. International Monetary Fund. Jacobsen, D. H., & Naug, B. (2005). What drives house prices? Economic Bulletin, 1(05), 2941. Jarocinski, M., Smets, F. (2008).House prices and the stance of monetary policy. European central bank, working papers series. N0 891/april 2008. Kholodilin, K.A., Menz, J., Silverstovs, B., (2007). What drives housing prices down? Evidence from an international panel. EconStor. German Institute for Economic Research, No. 758. Klyuev, V. (2008). What goes up must come down? House price dynamics in the United States. International Monetary Fund.
59
Kong, F., Yin, H., Nakagoshi, N. (2007). Using GIS and landscape metrics in the hedonic price modeling of the amenity value of urban green space: A case study in Jinan City, China. Koop, G. (2006). Analysis of financial data. Chichester: Wiley. Linden, L., & Rockoff, J. E. (2008). Estimates of the impact of crime risk on property values from Megan's laws. The American Economic Review, 1103-1127. Liu, Z., Mao, F., Zhou, W., Li, Q., Huang, J., Zhu, X. (2008). Accessibility assessment of urban green space : a quantitative perspective. Luttik, J. (2000), ‘The value of trees, water and open space as reflected by house prices in the Netherlands’, Landscape and Urban Planning 48: 161-167.
Luysterman, P. (2014, april 22). Prijzen van woningen bleven in 2013 toch overeind. De Tijd Vastgoedgids, 23-29.
MacDonald, D.H., Crossman, N.D., Mahmoudi, P., Taylor, L.O., Summers, D.M., Boxal, P.C. (2010). The value of public and private green spaces under water restrictions. Landscape and urban planning.
Marsden, B. (2014). Interactions Between Crime and Schooling in the Housing Market. Economics 345–Urban Economics March 24, 2014. .
Nechyba, Thomas J. and, Robert P. Strauss (1998), Community Choice and Local Public Services: A Discrete Choice Approach, Regional Science and Urban Economics, 28, 51-73. Nys, A. (2014). Rapport Natuur op wandelafstand. Heeft elke Vlaming een natuurgebied op maximum 1,6 km van zijn woning? Rapport Natuurpunt, Mechelen Otto, G. (2007). The growth of house prices in Australian capital cities: what do economic fundamentals explain? The university of Melbourne. Papatheodorou, A., Lei, Z., apostolakis, A. (2012). Hedonic price analysis. Quigley, J. M. (1985). Consumer choice of dwelling, neighborhood and public services. Regional Science and Urban Economics, 15(1), 41-63.
60
Robinson, J.J.(2011). Valuing environmental attributes of MPAs in the market price of real estate. Moreton Bay, Queensland, Australia. The university of Queensland. Saks, R.E. (2005). Job creation and housing construction: constraints on metropolitan area employment growth. Federal Reserve Board of Governors. Schmidheiny, K. (2006). Income segregation and local progressive taxation: Empirical evidence from Switzerland. Journal of Public Economics, 90(3), 429-458. Schnure, C. (2005). Boom-bust cycles in housing: The changing role of financial structure. International Monetary Fund. Stepanyan, V., Poghosyan, T., & Bibolov, A. (2010). House price determinants in selected countries of the former Soviet Union. International Monetary Fund. Stinglhamber, P., Van Nieuwenhuyze, C., & Zachary, M. D. (2011). Impact van de lage rente op het financieel gedrag van de huishoudens. Economisch Tijdschrift, 2011 (september). Tiebout, C. M. (1956). A pure theory of local expenditures. The journal of political economy, 416-424. Tsatsaronis, K., & Zhu, H. (2004). What drives housing price dynamics: cross-country evidence. Bis quarterly review, March, 65-76. Tse, Raymond Y.C. (2001). Estimating neighbourhood effects in house prices: towards a new hedonic model approach. Carfax Publishing. Van Belleghem, L. (2013). Praktische belastingservice 2013. Sint-Niklaas: bvba Van Belleghem training & consulting. Van Maldegem, P., & Klein, J. (2013, 3 Oktober). 4 praktische vragen over fiscale regularisatie. De Tijd. Van Gompel, J., & Noppe, L. (2012).De Belgische vastgoed- en hypotheekmarkt. KBC economic research notes. Vandenbussche, J., Vogel, U., Detragiache, E. (2012). Macroprudential policies and housing prices – a new database and emperical evidence for Central, Eastern, and South-Eastern Europe.
61
Vastmans, V., Helgers, R., Buyst, E. (2012). Huurprijzen en richthuurprijzen: hedonische huurprijsanalyse. Steunpunt Ruimte en Wonen (2007-2011). Verbruggen, J., & Kranendonk, H. (2005). Welke factoren bepalen de ontwikkeling van de huizenprijs in Nederland ? Centraal Planbureau. Vervenne, W. (2013, 11 november) Belgische huizenmarkt kwetsbaar voor forse prijsdaling. Finance avenue De Tijd,16-17. Visser, P., van Dam, F., Noorman, N. (2006). De prijs van de plek: woonomgeving en woningprijs. Nai uitgevers, Rotterdam. Vonck, S. (2013, februari) Di Rupo en de gevolgen voor wie een huis bouwt of verbouwt. De Tijd netto magazine, 28-31. Wang, S., & Tumbarello, P. (2010). What drives house prices in Australia? A cross-country approach. International Monetary Fund. Yan, J., Feng, L., Bao, H. X. H. (2010). House price dynamics: evidence from Beijing.
62
Bijlage Bijlage 1: Summary statistics Variabele: Gewone woningprijzen Jaar Gemiddelde 1998 79389 1999 86059 2000 90775 2001 96075 2002 103280 2003 108990 2004 115720 2005 142610 2006 160120 2007 174430 2008 184100 2009 185350 2010 193870 2011 202570 Algemeen 137370
Standaardafwijking 15450 15996 15924 15334 16909 16866 17713 31478 36030 37158 37880 35029 38010 40956 51720
Minimum 22842 22842 22842 57089 60073 64672 58947 75000 89369 99694 107670 113280 114060 109080 22842
Maximum 137920 138870 142880 139750 153560 183790 181530 285150 339090 332860 352750 315780 364760 416400 416400
Variabele: Villaprijzen Jaar Gemiddelde 1998 226780 1999 246520 2000 258280 2001 257540 2002 270660 2003 270180 2004 282100 2005 261030 2006 281990 2007 306660 2008 315600 2009 309670 2010 320900 2011 332680 Algemeen 288910
Standaardafwijking 54113 60946 63637 71496 66187 57144 65251 77566 88137 95942 106370 89580 96829 96450 88104
Minimum 156730 160970 153870 161980 154690 190680 202250 129070 149460 160160 189500 197570 194830 199640 129070
Maximum 434750 555060 545910 657500 655580 728930 852050 800900 1086600 1217200 1265800 1119700 1144600 1152600 1265800
Variabele: Investeringen per capita Jaar Gemiddelde 1998 203.55
Standaardafwijking Minimum 127.08 0
Maximum 698.47 63
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 Algemeen
235.97 213.90 164.58 184.20 178.25 206.25 275.56 228.32 214.52 219.75 248.61 253.09 289.02 222.54
130.58 128.72 104.33 123.94 116.18 137.29 181.17 149.86 164.45 149.96 175.25 159.63 242.23 1556.68
0 0 0 7.2936 15.556 9.6251 0 17.032 12.688 9.347 0 17.643 2.6658 0
836.46 749.78 708.52 1066.7 703.89 767.60 1474.2 878.85 1115.6 1016.5 1155 1011.5 2783.2 2783.2
Variabele: Aanvullende personenbelasting Jaar Gemiddelde Standaardafwijking 1998 6.6617 1.1089 1999 6.6143 1.0977 2000 6.5912 1.1086 2001 6.8101 1.1785 2002 7.0198 1.1783 2003 7.1575 1.2078 2004 7.1821 1.2002 2005 7.1552 1.1770 2006 7.1224 1.1556 2007 7.1221 1.1584 2008 7.1734 1.1991 2009 7.1675 1.1793 2010 7.1802 1.1734 2011 7.1688 1.1613 Algemeen 7.0090 1.1831
Minimum 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Maximum 9 8.5 8.5 9.5 9.5 9.5 9.1 9 9 9 9.5 9 9 9 9.5
Variabele: Opcentiemen op de onroerende voorheffing Jaar Gemiddelde Standaardafwijking 1998 1075.9 281.81 1999 1072.9 278.46 2000 6.5912 281.08 2001 1168.8 323.29 2002 1259.1 1.1783 2003 1292.5 319.95 2004 1305.3 306.06 2005 1304.5 306.16 2006 1297.4 304.16 2007 1307.6 305.70 2008 1333.8 305.28 2009 1332.7 303.92 2010 1340.5 300.61
Minimum 438 438 438 438 550 568 600 600 600 600 700 700 700
Maximum 2000 2000 2000 2250 2250 2250 2250 2250 2250 2250 2250 2250 2250 64
2011 Algemeen
1341.6 1250.4
299.30 319.42
700 438
2250 2250
Variabele: Recreatie per oppervlakte Jaar Gemiddelde 1998 0.0037 1999 0.0037 2000 0.0037 2001 0.0037 2002 0.0037 2003 0.0037 2004 0.0037 2005 0.0037 2006 0.0037 2007 0.0037 2008 0.0037 2009 0.0037 2010 0.0037 2011 0.0037 Algemeen 0.0037
Standaardafwijking 0.0049 0.0050 0.0050 0.0050 0.0050 0.0051 0.0051 0.0051 0.0050 0.0050 0.0051 0.0051 0.0051 0.0051 0.0050
Minimum 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Maximum 0.0349 0.0346 0.0345 0.0345 0.0345 0.0344 0.0345 0.0345 0.0345 0.0339 0.0339 0.0339 0.0349 0.0340 0.0346
Variabele: Bos per oppervlakte Jaar Gemiddelde 1998 0.0788 1999 0.0789 2000 0.0787 2001 0.0787 2002 0.0786 2003 0.0786 2004 0.0785 2005 0.0785 2006 0.0784 2007 0.0784 2008 0.0787 2009 0.0787 2010 0.0787 2011 0.0786 Algemeen 0.0786
Standaardafwijking 0.0791 0.0790 0.0787 0.0786 0.0785 0.0783 0.0782 0.0782 0.0781 0.0780 0.0779 0.0778 0.0778 0.0777 0.0782
Minimum 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Maximum 0.5538 0.5538 0.5534 0.5534 0.5534 0.5538 0.5534 0.5532 0.5533 0.5532 0.5527 0.5528 0.5523 0.5522 0.5538
Variabele: Recreatie per capita Jaar Gemiddelde 1998 8.2913 1999 8.2593 2000 8.2229 2001 8.1690
Standaardafwijking 10.603 10.661 10.639 10.673
Minimum 0 0 0 0
Maximum 111.84 112.04 112.48 113.26 65
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 Algemeen
8.1748 8.1257 8.0970 8.0621 7.9761 7.8916 7.8898 7.8247 7.8567 7.7673 8.0434
10.677 10.545 10.521 10.536 10.466 10.347 11.653 11.392 11.428 11.358 10.814
0 0 0 0 0 0 0 0 0 0 0
113.64 114.11 114.44 116.12 115.18 113.14 149.83 145.90 146.74 146.53 149.83
Variabele: Bos per capita Jaar Gemiddelde 1998 248.37 1999 247.31 2000 245.90 2001 245 2002 244.24 2003 243.32 2004 242.45 2005 241.28 2006 239.79 2007 238.14 2008 237.38 2009 253.63 2010 234.49 2011 232.93 Algemeen 241.16
Standaardafwijking 308.98 307.49 305.04 303.60 302.35 301.08 299.78 299.32 297.18 295.19 294.05 291.65 290.57 289.28 298.61
Minimum 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Maximum 2064.1 2074.2 2065.5 2059.3 2058.8 2073.6 2066.9 2102.4 2090.3 2091.2 2120.2 2113.7 2126.8 2133.4 2133.4
Variabele: Bevolkingsdichtheid Jaar Gemiddelde 1998 507.91 1999 509.18 2000 510.45 2001 511.36 2002 512.87 2003 514.41 2004 515.99 2005 518.28 2006 521.11 2007 524.09 2008 527.46 2009 531.14 2010 534.59 2011 538.70 Algemeen 519.83
Standaardafwijking 441.83 441.36 441.63 441.09 442.35 443.53 444.37 445.89 448.07 449.66 451.19 454.04 457.30 461.38 446.88
Minimum 50.541 51.018 51.113 51.336 52.130 52.241 52.893 52.527 52.527 52.702 53.163 52.845 52.781 52.718 50.541
Maximum 3237.0 3225.4 3222.7 3193.5 3178.0 3169.1 3141.0 3133.7 3138.0 3137.9 3137.3 3167.7 3177.9 3186.5 3237.0
66
Variabele: Inwoners Jaar Gemiddelde 1998 19196 1999 19243 2000 19287 2001 19326 2002 19392 2003 19466 2004 19533 2005 19621 2006 19736 2007 19862 2008 20005 2009 20159 2010 20299 2011 20476 Algemeen 19686
Standaardafwijking 30645 30542 30497 30476 30673 30908 31068 31237 31481 31763 32103 32466 32831 33428 31406.
Minimum 84.000 85.000 85.000 86.000 84.000 87.000 87.000 86.000 82.000 85.000 84.000 85.000 80.000 85.000 80.000
Maximum 4.4975e+005 4.4763e+005 4.4653e+005 4.4557e+005 4.4871e+005 4.5247e+005 4.5515e+005 4.5775e+005 4.6150+005 4.6620e+005 4.7207e+005 4.7794e+005 4.8351e+005 4.9352e+005 4.9352e+005
Variabele: Inkomen Jaar Gemiddelde 1998 10694 1999 11112 2000 11634. 2001 12414. 2002 12897. 2003 13433 2004 14013. 2005 14499. 2006 15082. 2007 15681. 2008 16327. 2009 16671. 2010 16824. 2011 17416. Algemeen 14193
Standaardafwijking 1394.9 1471.0 1471.5 1538.5 1586.5 1569.4 1611.4 1601.8 1606.6 1724.7 1803.8 1817.8 1791.4 1843.3 2702.5
Minimum 7197.1 7395.1 7976.7 8661.2 8743.6 9302.4 9563.3 10379. 11055. 11438. 11539. 12031. 11959. 12438. 7197.1
Maximum 15528 15806 16092. 17293. 17583. 18093. 19288. 19815. 21398. 22274. 22786. 22550. 23511. 24278. 24278
Variabele: Inflatie Jaar 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
Standaardafwijking 0 0 0 0 0 0 0 0 0 0
Minimum 0.9425 1.1225 2.545 2.47 1.65 1.59 2.095 2.7850 1.7875 1.8225
Maximum 0.9425 1.1225 2.545 2.47 1.65 1.59 2.095 2.7850 1.7875 1.8225
Gemiddelde 0.9425 1.1225 2.545 2.47 1.65 1.59 2.095 2.7850 1.7875 1.8225
67
2008 2009 2010 2011 Algemeen
4.495 -0.0425 2.19 3.5323 2.0704
0 0 0 0 1.0729
4.495 -0.0425 2.19 3.5323 -0.0425
4.495 -0.0425 2.19 3.5323 4.495
Variabele: OLO rente (%) Jaar Gemiddelde 1998 4.7525 1999 4.75 2000 5.593 2001 5.13 2002 4.9875 2003 4.18 2004 4.1475 2005 3.4275 2006 3.9125 2007 4.3275 2008 4.42 2009 3.9 2010 3.465 2011 4.23 Algemeen 4.3659
Standaardafwijking 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.6032
Minimum 4.7525 4.75 5.593 5.13 4.9875 4.18 4.1475 3.4275 3.8125 4.3275 4.42 3.9 3.465 4.23 3.4275
Maximum 4.7525 4.75 5.593 5.13 4.9875 4.18 4.1475 3.4275 3.8125 4.3275 4.42 3.9 3.465 4.23 5.5925
Variabele: Werkloosheidsgraad (%) Jaar Gemiddelde 1998 2.3498 1999 2.0576 2000 1.7016 2001 1.5344 2002 1.7688 2003 2.0588 2004 2.0849 2005 2.3811 2006 2.4276 2007 1.8805 2008 1.7318 2009 2.0828 2010 2.0503 2011 1.8372 Algemeen 1.9962
Standaardafwijking 0.84 0.82 0.64 0.56 0.60 0. 69 0.74 0.77 0.74 0.56 0.51 0.65 0.61 0.55 0.72
Minimum 0.94 0 0 0.65 0.80 0.99 0.89 1.06 1.22 0.88 0.85 1.00 0.82 0.72 0
Maximum 5.70 5.92 4.53 3.95 4.20 5.25 5.94 5.59 5.18 4.03 3.65 4.79 4.71 4.34 5.94
Variabele: Diefstallen per inwoner Jaar Gemiddelde 1998 / 1999 / 2000 0.0259
Standaardafwijking / / 0.0153
Minimum / / 0.0036
Maximum / / 0.1111 68
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 Algemeen
0.026 0.0268 0.0241 0.0222 0.0216 0.0219 0.0215 0.0218 0.0214 0.0213 0.0222 0.0231
0.0157 0.0155 0.0142 0.0131 0.0121 0.0124 00.012 0.0121 0.0125 0.0124 0.0124 0.0135
0.0054 0 0.0033 0 0.0030 0 0 0.0040 0 0.0044 0.0059 0
0.1310 0.1078 0.0915 0.0947 0.0791 0.0788 0.0761 0.0927 0.0824 0.0862 0.0910 0.1310
Variabele: Netto aangroei ondernemingen Jaar Gemiddelde Standaardafwijking 1998 / / 1999 / / 2000 0.4251 1.2203 2001 0.4217 1.3357 2002 1.3819 1.1665 2003 1.2779 1.1557 2004 1.4596 0.0131 2005 2.5507 1.4639 2006 1.7468 1.3973 2007 2.4748 1.6439 2008 2.0354 1.4131 2009 1.616 1.3364 2010 2.2388 1.2638 2011 2.2026 1.2876 Algemeen 1.6527 1.5023
Minimum / / -3.7657 -6.3492 -1.3514 -4.5714 -6.6667 -7.1429 -2.6936 -1.8727 -5.3571 -2.9963 -0.9901 -6.8966 -7.1429
Maximum / / 5.0894 0.9252 6.3830 4.6892 5.8824 7.6023 7.3684 18.182 6.2794 9.8039 6.5878 6.2016 18.182
Variabele: Onbebouwde oppervlakte Jaar Gemiddelde 1998 0.7531 1999 0.7499 2000 0.7470 2001 0.7445 2002 0.7424 2003 0.7402 2004 0.7381 2005 0.7362 2006 0.7341 2007 0.7322 2008 0.7299 2009 0.7278 2010 0.7258 2011 0.7241 Algemeen 0.7375
Minimum 0.3320 0.3354 0.3241 0.3149 0.2988 0.2963 0.2885 0.2875 0.2864 0.2875 0.2629 0.2632 0.2617 0.2692 0.2617
Maximum 0.9301 0.9273 0.9253 0.9252 0.9251 0.9250 0.9248 0.9231 0.9224 0.9219 0.9219 0.9212 0.9205 0.9201 0.9301
Standaardafwijking 0.1123 0.1133 0.1145 0.1153 0.1160 0.1165 0.1172 0.1177 0.1176 0.1180 0.1187 0.1190 0.1194 0.1194 0.1170
69
Variabele: Dummy IC station Jaar Gemiddelde 1998 0.1623 1999 0.1623 2000 0.1623 2001 0.1623 2002 0.1623 2003 0.1623 2004 0.1623 2005 0.1623 2006 0.1623 2007 0.1623 2008 0.1623 2009 0.1623 2010 0.1623 2011 0.1623 Algemeen 0.1623
Standaardafwijking 0.3694 0.3694 0.3694 0.3694 0.3694 0.3694 0.3694 0.3694 0.3694 0.3694 0.3694 0.3694 0.3694 0.3694 0.3688
Minimum 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Maximum 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Variabele: Migratiesaldo Jaar Gemiddelde 1998 2.6319 1999 2.2510 2000 1.6864 2001 1.8675 2002 2.5996 2003 2.9378 2004 3.5894 2005 4.3242 2006 4.8014 2007 5.3492 2008 5.3766 2009 4.3656 2010 5.3924 2011 4.5109 Algemeen 3.6917
Standaardafwijking 5.1980 5.4975 4.6650 5.4416 5.3122 5.3276 5.7625 5.3502 5.6565 6.0118 6.4982 6.5191 6.0411 5.4879 5.7863
Minimum -13.066 -20.038 -14.4 -23.529 0.6165 -11.111 -14.505 -11.905 -15.945 -13.226 -40.021 -60.606 -15.013 -9.7423 -60.606
Maximum 21.129 37.056 18.709 20.570 1.5596 23.143 34.438 19.603 35.928 27.624 28.852 21.289 27.854 34.884 37.056
Bijlage 2: Doornik-Hansen test
Test for normality of GEMWP: Doornik-Hansen test = 673,188, with p-value 6,59454e-147
70
Bijlage 3: F-test
const INV d_APB d_OOV RECR_O BOS_O RECR_C BOS_C DENS INW INK_1 INF OLO UNEMPL CRIMI FIRMS AANBOD MSALDO
Model 7: Fixed-effects, using 3681 observations Included 307 cross-sectional units Time-series length: minimum 10, maximum 12 Dependent variable: l_GEMWP Robust (HAC) standard errors Coefficient Std. Error t-ratio p-value 11,0731 0,601065 18,4225 <0,00001 1,10491e-05 1,29052e-05 0,8562 0,39196 -0,00608012 0,00547107 -1,1113 0,26651 -1,10332e-05 2,00478e-05 -0,5503 0,58212 11,7933 5,89293 2,0013 0,04545 -0,592469 2,40132 -0,2467 0,80514 -0,00174736 0,00147588 -1,1840 0,23652 0,00075972 0,000412859 1,8401 0,06584 0,0010069 0,000275351 3,6568 0,00026 1,00884e-05 2,90602e-06 3,4716 0,00052 0,000125339 3,62199e-06 34,6050 <0,00001 0,0146947 0,00114279 12,8586 <0,00001 0,0129781 0,00535427 2,4239 0,01541 0,0399548 0,00873851 4,5723 <0,00001 -3,40001 0,67341 -5,0489 <0,00001 0,00749167 0,00145046 5,1650 <0,00001 -0,0274542 0,00682722 -4,0213 0,00006 0,000798849 0,00051487 1,5516 0,12086
Mean dependent var Sum squared resid R-squared F(323, 3357) Log-likelihood Schwarz criterion rho
11,83768 32,29534 0,923731 125,8777 3493,526 -4326,707 0,335589
S.D. dependent var S.E. of regression Adjusted R-squared P-value(F) Akaike criterion Hannan-Quinn Durbin-Watson
***
**
* *** *** *** *** ** *** *** *** ***
0,339214 0,098083 0,916393 0,000000 -6339,052 -5622,709 1,188420
Test for differing group intercepts Null hypothesis: The groups have a common intercept Test statistic: F(306, 3357) = 23,1142 with p-value = P(F(306, 3357) > 23,1142) = 0
71
Bijlage 4: Breusch-Pagan Test en Hausman Test
Model 8: Random-effects (GLS), using 3681 observations Included 307 cross-sectional units Time-series length: minimum 10, maximum 12 Dependent variable: l_GEMWP
const INV d_APB d_OOV RECR_O BOS_O RECR_C BOS_C DENS INW INK_1 INF OLO UNEMPL CRIMI FIRMS AANBOD MSALDO
Coefficient 9,84868 2,15545e-05 -0,00747929 -9,93896e-06 1,22649 -0,587592 -0,000717574 0,000293689 2,68972e-05 5,80162e-07 0,000134511 0,0174147 -0,00218481 0,0345859 -2,46834 0,00889959 -0,000469361 0,000815752
Mean dependent var Sum squared resid Log-likelihood Schwarz criterion
Std. Error 0,120531 1,22549e-05 0,00689275 2,38761e-05 2,31162 0,153228 0,000901428 4,10515e-05 3,42608e-05 2,3422e-07 1,46691e-06 0,00173767 0,00525367 0,00693528 0,399698 0,00147705 0,00125297 0,00039089
11,83768 123,3946 1026,402 -1905,006
t-ratio 81,7111 1,7588 -1,0851 -0,4163 0,5306 -3,8348 -0,7960 7,1541 0,7851 2,4770 91,6971 10,0219 -0,4159 4,9870 -6,1755 6,0252 -0,3746 2,0869
S.D. dependent var S.E. of regression Akaike criterion Hannan-Quinn
p-value <0,00001 0,07869 0,27795 0,67724 0,59574 0,00013 0,42606 <0,00001 0,43246 0,01329 <0,00001 <0,00001 0,67753 <0,00001 <0,00001 <0,00001 0,70798 0,03697
*** *
*** *** ** *** *** *** *** *** **
0,339214 0,183514 -2016,803 -1977,006
'Within' variance = 0,0096203 'Between' variance = 0,0114768 Breusch-Pagan test Null hypothesis: Variance of the unit-specific error = 0 Asymptotic test statistic: Chi-square(1) = 4579,41 with p-value = 0 Hausman test Null hypothesis: GLS estimates are consistent Asymptotic test statistic: Chi-square(17) = 642,374 with p-value = 1,49308e-125
72
Bijlage 5 : Wald-test Distribution free Wald test for heteroskedasticity: Chi-square(307) = 6321,43, with p-value = 0
Bijlage 6: VIF – test Variance Inflation Factors Minimum possible value = 1.0 Values > 10.0 may indicate a collinearity problem INV 1,064 d_APB 1,287 d_OOV 1,317 RECR_O 3,829 BOS_O 3,632 RECR_C 2,691 BOS_C 3,664 DENS 6,205 INW 1,530 INK_1 2,131 INF 1,073 OLO 2,200 UNEMPL 1,831 CRIMI 2,264 FIRMS 1,260 AANBOD 5,603 ICSTATION 1,360 MSALDO 1,115 VIF(j) = 1/(1 - R(j)^2), where R(j) is the multiple correlation coefficient between variable j and the other independent variables Properties of matrix X'X: 1-norm = 6,2545622e+012 Determinant = 7,3237175e+091 Reciprocal condition number = 3,7390041e-015
73
74
