Voorspelling van de ontwikkeling op de woningmarkt rond het Groningenveld. prof. dr. Marc K. Francke

Voorspelling van de ontwikkeling op de woningmarkt rond het Groningenveld prof. dr. Marc K. Francke 29 maart 2016

Voorspelling van de ontwikkeling op de woningmarkt rond het Groningenveld prof. dr. Marc K. Francke‡,* 29 maart 2016 Ortec Finance Research Center Postbus 4074, 3006 AB Rotterdam, Nederland www.ortec-finance.com

*

Ortec Finance Research Center

‡ Universiteit van Amsterdam

Samenvatting Onderzoekstitel Voorspelling van de ontwikkeling op de woningmarkt rond het Groningenveld. Opdrachtgever De Nederlandse Aardolie Maatschappij BV (NAM). Datum 29 maart 2016 Opdrachtnemer Ortec Finance, gevestigd te Rotterdam. Doel van het onderzoek Dit rapport gaat allereerst in op de vraag wat de betrouwbaarheid is waarmee de marktwaarde van een individuele woning kan worden vastgesteld. Vervolgens komt de vraag aan de orde of het al dan niet modelmatig mogelijk is om op een toekomstige peildatum, bijvoorbeeld 1 januari 2018, de marktwaarde van een individuele woning, dan wel de ontwikkeling van andere marktindicatoren, zoals het aantal te koop staande en verkochte woningen, op een acceptabel niveau van betrouwbaarheid te bepalen. De beschrijving van de mogelijkheden van voorspellingen betreft zowel Nederland in het algemeen als het aardbevingsgebied in Noordoost-Groningen in het bijzonder, gegeven mogelijke aardbevingen en ontwikkelingen ten aanzien van productieniveaus van gaswinning, risicoinzichten en (beleids)maatregelen. Het rapport gaat tevens in op de vraag in hoeverre toekomstige marktwaarden worden beïnvloed door specifieke omstandigheden die te maken hebben met het risico op aardbevingen en hieraan gerelateerde beleidsmaatregelen. En vervolgens, met welke mate van nauwkeurigheid kan deze invloed worden vastgesteld? Het rapport beperkt zich tot de woningmarkt voor eigenaar-bewoners. Resultaten De betrouwbaarheid waarmee de marktwaarde van een individuele woning kan worden vastgesteld, hangt af van het aantal verkoopcijfers van vergelijkbare woningen; hoe minder verkoopprijzen van goed vergelijkbare woningen beschikbaar zijn, hoe minder betrouwbaar de marktwaarde kan worden vastgesteld. De beschikbaarheid van vergelijkingsobjecten hangt af van de volgende factoren. Hoe unieker de woning is, hoe minder verkoopprijzen van goed vergelijkbare woningen beschikbaar zullen zijn. Daarnaast geldt dat het aantal vergelijkingsobjecten laag kan zijn doordat er sowieso weinig woningen verkocht worden. Tenslotte geldt dat bij een waardepeildatum in het verleden er in het algemeen meer verkoopcijfers van vergelijkbare woningen beschikbaar zijn dan bij een actuele waardepeildatum; bij een actuele waardepeildatum zijn er alleen verkoopcijfers uit het verleden beschikbaar en bij een waardepeildatum in het verleden verkoopcijfers van zowel voor als na de waardepeildatum. In het gebied rondom het Groningenveld geldt dat de woningvoorraad heterogeen is en dat het aantal transacties beperkt is. De consequentie is dat de betrouwbaarheid waarmee de marktwaarde vastgesteld kan worden relatief laag is. Dit geldt in het bijzonder voor de woningen in het risico-krimpgebied.

1

De vraag of het al dan niet modelmatig mogelijk is om op een toekomstige peildatum, bijvoorbeeld 1 januari 2018, de marktwaarde van een individuele woning, dan wel de ontwikkeling van andere marktindicatoren, zoals het aantal te koop staande en verkochte woningen, op een acceptabel niveau van betrouwbaarheid te bepalen, is in dit rapport negatief beantwoord. De belangrijkste reden is dat woningmarkt modellen voor het voorspellen van prijzen en andere marktindicatoren op regionaal niveau niet beschikbaar zijn en zeker niet op het detailniveau van risico- en referentiegebieden zoals deze in Noord-Oost Groningen worden onderscheiden. De voornaamste redenen voor de afwezigheid van regionale woningmarktmodellen zijn het ontbreken van regionale woning prijsindices (en andere marktindicatoren) en het onbreken van (voorspellingen van) regionale verklarende variabelen. Een vraag die eenvoudiger te beantwoorden en relevanter is, is in welke mate toekomstige marktwaarden worden beïnvloed door specifieke omstandigheden die te maken hebben met aardbeving gerelateerde factoren. Onder aardbeving gerelateerde factoren wordt verstaan de perceptie van het risico op aardbevingen, maatregelen om dit risico te verkleinen en investeringen in het versterken van gebouwen, huizen, infrastructuur en investeringen om de leefbaarheid van het gebied te verbeteren. Bij het beantwoorden van deze vraag spelen de betrouwbaarheid van een individuele waardering en de betrouwbaarheid waarmee een regionale woningmarktontwikkeling kan worden voorspeld, geen rol. De prijsontwikkeling gemeten vanaf het derde kwartaal van 2012 tot en met derde kwartaal van 2015 in het aardbevings(risico)gebied loopt iets meer dan 2% achter bij die in referentiegebieden en dit verschil wordt toegeschreven aan aardbeving gerelateerde factoren, alhoewel niet geheel valt uit te sluiten dat er aanvullende oorzaken zijn voor de geconstateerde verschillen. De betrouwbaarheid van dit verschil wordt uitgedrukt door middel van een standaardafwijking. Deze bedraagt ongeveer 1%. Economisch gezien is het verschil in prijsverandering klein, maar wel statistisch significant verschillend van 0. Tot nu toe lopen de verschillen in ontwikkeling van prijzen en aantallen verkopen tussen risico- en referentiegebieden op, waardoor extrapolerend het onwaarschijnlijk is dat bij ongewijzigd beleid en risico-perceptie deze verschillen op relatief korte termijn, zeg per begin 2018, geheel zal zijn verdwenen; de ervaring tot nu toe is dat prijzen zich slechts langzaam aanpassen, in 3 jaar tijd met net iets meer dan 2%-punt. Het is daarom ook niet te verwachten dat prijzen zich snel zullen aanpassen als gevolg van aanvullende investeringen in het risicogebied en eventuele beleidswijzigingen die bijdragen aan het verminderen van het risico op aardbevingen, zoals het verder naar beneden bijstellen van de gaswinning; immers tot nu toe hebben beleidsmaatregelen niet kunnen voorkomen dat de prijsverandering in het risicogebied achterblijft bij die van het referentiegebied. Wat de effecten op (middel)lange termijn zullen zijn, is op basis van de uitgevoerde modelanalyses niet te zeggen, maar het is waarschijnlijk dat bij substantiële investeringen in de regio en vermindering van de gaswinning prijzen zich op (middel)lange termijn zullen aanpassen. Eveneens is het op basis van de huidige modelanalyses niet mogelijk om iets te zeggen wat er met de prijzen zal gebeuren in het geval zich weer een zware aardbeving zou voordoen, gelijk aan of zwaarder dan die te Huizinge, maar het is aannemelijk om te veronderstellen dat prijzen dan wel hard zullen dalen. Prijzen zullen verschillend reageren op negatieve en positieve gebeurtenissen.

2

1

Inleiding

Dit rapport gaat allereerst in op de vraag wat de betrouwbaarheid is waarmee de marktwaarde van een individuele woning kan worden vastgesteld. Vervolgens komt de vraag aan de orde of het al dan niet modelmatig mogelijk is om op een toekomstige peildatum, bijvoorbeeld 1 januari 2018, de marktwaarde van een individuele woning, dan wel de ontwikkeling van andere marktindicatoren, zoals het aantal te koop staande en verkochte woningen, op een acceptabel niveau van betrouwbaarheid te bepalen. De beschrijving van de mogelijkheden van voorspellingen betreft zowel Nederland in het algemeen als het aardbevingsgebied in Noordoost-Groningen in het bijzonder, gegeven mogelijke aardbevingen en ontwikkelingen ten aanzien van productieniveaus van gaswinning, risicoinzichten en (beleids)maatregelen. Het rapport gaat tevens in op de vraag in hoeverre toekomstige marktwaarden worden beïnvloed door specifieke omstandigheden die te maken hebben met het risico op aardbevingen en hieraan gerelateerde beleidsmaatregelen. En vervolgens, met welke mate van nauwkeurigheid kan deze invloed worden vastgesteld? Het rapport beperkt zich tot de woningmarkt voor eigenaar-bewoners. De opzet van het rapport is als volgt. Hoofdstuk 2 gaat in op de bepaling van de marktwaarde en vervolgens gaat hoofdstuk 3 in op de betrouwbaarheid van voorspellingen van toekomstige marktwaarden. Hoofdstuk 4 bespreekt in welke mate aardbeving gerelateerde omstandigheden de marktwaarde beïnvloeden. Hoofdstuk 5 gaat nader in op aanvullende marktindicatoren. Hoofdstuk 6 geeft de conclusies.

3

4

2

Marktwaarde

2.1

Wat is marktwaarde?

Alvorens in te gaan op het voorspellen van marktwaarde is het goed om eerst het begrip marktwaarde te definiëren. “Marktwaarde is het geschatte bedrag waartegen een object zou worden overgedragen op de waardepeildatum tussen een bereidwillige koper en een bereidwillige verkoper in een zakelijke transactie, na behoorlijke marketing waarbij de partijen met kennis van zaken, prudent en niet onder dwang zouden hebben gehandeld”, zie bijvoorbeeld van Arnhem, Berkhout en ten Have (2013, p. 46). In de meeste toepassingen is de waardepeildatum gelijk aan de huidige datum (of binnen een paar maanden vanaf nu) of ligt de waardepeildatum in het verleden, zoals voor het vaststellen van de WOZ-waarde. In het algemeen geldt dat een verkoopprijs niet gelijk is aan de marktwaarde, ook al hebben beide betrekking op hetzelfde taxatieobject en dezelfde waardepeildatum. Er zijn verschillende redenen waarom verkoopprijzen en marktwaarden van hetzelfde taxatieobject verschillen:1 - transacties vinden relatief zelden en onregelmatig plaats; - overeenkomsten zijn het gevolg van besloten onderhandelingen tussen private partijen; - unieke objecten worden in hun geheel verhandeld. Deze kenmerken onderscheiden een onroerendgoedmarkt van bijvoorbeeld een aandelenmarkt. Aandelen worden voortdurend verhandeld op publieke beurzen met veel kopers en verkopers, en de koersen zijn continu wereldwijd te volgen. Hoe meer transacties van homogene goederen onmiddellijk en publiek beschikbaar zijn, hoe dichter de verkoopprijzen rondom de marktwaarde zullen liggen, waarbij de marktwaarde een theoretisch concept is. In het geval van aandelen mag iedereen denken dat hij het beter weet, maar het compromis tussen al deze meningen is gewoon dat de verkoopprijs gelijk is aan de marktwaarde. Onroerendgoedobjecten daarentegen zijn uniek en de prijzen die ervoor betaald worden, zijn mede afhankelijk van de informatie waarover koper en verkoper beschikken en van hun onderhandelingsvaardigheden. Anders geformuleerd: in de vastgoedmarkt is het mogelijk goede deals te maken door zorgvuldig onderzoek te doen en goed te onderhandelen. Een expert kan spreken van een goede deal voor de koper, gedefinieerd als een verkoopprijs onder de ‘marktwaarde’. De marktwaarde zelf is niet zichtbaar, maar wel herleidbaar uit verwante gerealiseerde verkoopprijzen. De spreiding (relatieve standaardafwijking) van verkoopprijzen van (vrijwel) identieke vergelijkingsobjecten is voor woningen gemiddeld 7%, zie paragraaf 2.3. Dit kan als volgt geïnterpreteerd worden: met een kans van 68% wijken de verkoopcijfers niet meer af dan 7% (eenmaal de standaardafwijking) van de marktwaarde, waarbij de marktwaarde gedefinieerd is als het gemiddelde van deze verkoopprijzen. Bij verkoopcijfers van minder vergelijkbare woningen zal dit percentage groter zijn, ook al worden de verkoopcijfers gecorrigeerd voor verschillen met het taxatieobject; deze correcties bevatten namelijk onzekerheden. Hierbij maakt het niet uit of deze correcties zijn gemaakt door een taxateur of met behulp van een statistisch model. 1

Een deel van dit hoofdstuk is gebaseerd Francke (2010a). Zie ook Geltner e.a. (2007).

5

2.2

Hoe wordt de marktwaarde vastgesteld?

De drie belangrijkste taxatie benaderingen voor het waarderen van vastgoed zijn: - de comparatieve benadering; - de inkomstenbenadering; - de kostenbenadering. Voor het waarderen van bestaande woningen voor eigenaar-bewoners speelt eigenlijk alleen de comparatieve benadering een rol. Deze benadering is gebaseerd op verkoopcijfers van vergelijkbare objecten. Binnen de comparatieve benadering zijn er twee verschillende methoden, namelijk - de vergelijkingsmethode; - de modelmatige methode. De vergelijkingsmethode gaat uit van een beperkt aantal, bijvoorbeeld vijf, verkoopcijfers van zo veel mogelijk vergelijkbare woningen, waarvan de verkoopdatum zo dicht mogelijk ligt bij de waardepeildatum. De verkoopcijfers van de vergelijkingsobjecten worden gecorrigeerd voor eventuele verschillen met het taxatieobject. De waarde wordt vastgesteld als een gewogen gemiddelde van de gecorrigeerde verkoopprijzen. De modelmatige methode is gebaseerd op een statisisch model waarin verkoopcijfers worden gerelateerd aan kenmerken van de woning, de locatie en tijdstip van verkoop. In tegenstelling tot de vergelijkingsmethode gebruikt de modelmatige methode een groot aantal verkoopcijfers, bijvoorbeeld alle verkoopcijfers in een bepaalde woningmarkt. In het statistisch model wordt een verband verondersteld tussen de kenmerken van de woning en omgeving en het tijdstip van verkoop. Dit verband hangt af van onbekende parameters die door middel van statistische schattingstechnieken zodanig worden vastgesteld dat de resulterende modelwaarden zo dicht mogelijk liggen bij de gerealiseerde verkoopprijzen. 2.3

Wat is de betrouwbaarheid van een waardering?

De marktwaarde kan worden afgeleid aan de hand van verkoopprijzen. Het meest duidelijk is het geval waarin verkoopprijzen van een grote groep identieke objecten beschikbaar zijn. De verkoopprijzen van deze objecten zullen in de praktijk van elkaar verschillen. Zij vormen een kansverdeling die als representatief voor de objecten kan worden beschouwd. Bruikbare statistische definities van de marktwaarde liggen dan voor de hand. De marktwaarde voor deze identieke objecten zou kunnen worden gedefinieerd als de gemiddelde verkoopprijs (de verkoopprijzen gewogen met hun kansen) of de meest aannemelijke waarde (de verkoopprijs met de grootste kans). De spreiding van de verkoopprijzen rondom de marktwaarde noemen we de ‘transactieruis’. Voor een groep vrijwel identieke objecten geldt dat de marktwaarde vrijwel gelijk is. De uitspraak dat de verkoopprijzen van identieke objecten een bepaalde kansverdeling hebben, kan worden uitgebreid naar verkoopprijzen van heterogene objecten. Hiertoe veronderstellen we een verband tussen verkooopprijzen en de kenmerken van het object. De verkoopprijs wordt dan een functie van bijvoorbeeld oppervlakte, soort object, bouwjaar en ligging. Hiermee is een econometrisch

6

model gevormd. De marktwaarde is de gemiddelde of meest aannemelijke verkoopprijs op grond van het model. De betrouwbaarheid van de marktwaarde is af te lezen uit de spreiding van modelwaarden ten opzichte van de verkoopprijzen. Hoe groot is in de praktijk de transactieruis, de spreiding van de verkoopprijzen rondom de marktwaarde? Hoe kleiner de transactieruis is, hoe beter ‘de markt zichzelf kent’. Een manier om dit te achterhalen, is het analyseren van herhaalde verkopen, paren verkoopcijfers van hetzelfde object, met een herhaalde verkopenmodel (Case en Shiller, 1987; Case en Shiller, 1989). Het herhaalde- verkopenmodel wordt gebruikt om de prijsontwikkeling van vastgoed te meten, maar biedt ook inzicht in de grootte van de transactieruis. Het uitgangspunt is dat de objecten tussen twee opeenvolgende verkooptijdstippen niet zijn gewijzigd. Aan deze veronderstelling wordt in werkelijkheid niet voldaan vanwege veroudering van objecten en eventuele investeringen. Het is echter mogelijk om voor deze wijzigingen te corrigeren, in ieder geval gedeeltelijk. Voor alle paren verkoopcijfers worden de procentuele prijsveranderingen per object berekend. Hieruit wordt vervolgens een algemene prijsstijging afgeleid. De paren verkoopcijfers kunnen onderling vergelijkbaar worden gemaakt door te corrigeren voor de marktprijsontwikkeling tussen de eerste en de tweede verkoop. Het procentuele verschil tussen de geïndexeerde verkoopcijfers is dan een maatstaf voor de transactieruis. Dit kan verduidelijkt worden aan de hand van een voorbeeld. Stel dat dezelfde woning tweemaal verkocht is. De eerste verkoop vond plaats in januari 2007 voor een bedrag van e200.000. De tweede verkoop vond exact twee jaar later plaats voor e231.000. Uit de analyse van alle verkoopcijfers blijkt dat de prijsontwikkeling gedurende deze periode 5% bedraagt. Hiermee kan de eerste verkoopprijs van januari 2007 naar januari 2009 worden geïndexeerd. De geïndexeerde verkoopprijs bedraagt e210.000. Het absolute verschil tussen de geïndexeerde en gerealiseerde verkoopprijs bedraagt e21.000, het relatieve verschil tussen beide verkopen is 10%. Voor ieder paar herhaalde verkopen kan op deze wijze het procentuele verschil worden berekend. Deze residuen geven inzicht in de grootte van de transactieruis. Een gebruikelijke maat hiervoor is de procentuele standaardafwijking. Het herhaalde-verkopenmodel is toegepast op alle woningtransacties die het Kadaster in de periode 1993 t/m mei 2009 heeft geregistreerd (Francke, 2010b). Dit zijn ruim anderhalf miljoen herhaalde verkopen. De standaardafwijking bedraagt voor rijwoningen 6,8%, voor twee-ondereen-kapwoningen 7,6%, voor appartementen 7,8% en voor vrijstaande woningen 8,7%. Zoals verwacht, is deze standaardafwijking voor relatief uniforme rijwoningen het laagste en voor meer unieke vrijstaande woningen het hoogste. De standaardafwijking voor rijwoningen kan bij benadering als volgt worden geïnterpreteerd: met een kans van 95% wijken de gerealiseerde verkoopcijfers niet meer af dan 13,6% (tweemaal de standaardafwijking) van de marktwaarde (het verwachte verkoopcijfer) en met een kans van 68% wijken de verkoopcijfers niet meer af dan 6,8% (eenmaal de standaardafwijking) van de marktwaarde. Oftewel, bij een verwachte verkoopprijs van e200.000 is met een kans van 5% het gerealiseerde verkoopcijfer kleiner dan e172.800 of groter dan e227.200. Voor vrijstaande woningen zijn deze bandbreedtes een stuk groter. Een bezwaar tegen de bovenstaande analyse zou kunnen zijn dat voor geheel Nederland dezelfde prijsontwikkeling wordt verondersteld. Daarom is het herhaalde-verkopenmodel ook op deelmarkten toegepast. In totaal zijn bijna 1500 dwarsdoorsneden onderscheiden, waarbij het laagste niveau bestaat uit viercijferige postcodegebieden voor specifieke woningtypen, bijvoorbeeld appartementen in het Oostelijk Havengebied in Amsterdam, met als randvoorwaarde dat

7

er voldoende herhaalde verkopen hebben plaatsgevonden. Voor alle dwarsdoorsneden zijn de standaardafwijkingen als maatstaf voor de transactieruis berekend. De gemiddelde standaardafwijking bedraagt 7%, en 80% van de standaardafwijkingen bevindt zich tussen de 4,5 en 9,5%. Deze uitkomsten komen overeen met een studie van Goetzmann (1993) voor Amerikaanse woningmarkten. De standaardafwijkingen van de transactieruis voor eengezinswoningen in Atlanta, Chicago, Dallas en San Francisco liggen rond de 6,5%. Francke e.a. (1995) rapporteren een iets hogere schatting van de transactieruis, namelijk 9%, op basis van verkoopcijfers van 213 vrijwel identieke woningen in Amsterdam in de periode maart 1986 t/m september 1994, waarbij de verkoopcijfers zijn gecorrigeerd voor de marktprijsontwikkeling. Deze hogere schatting is waarschijnlijk het gevolg van kleine verschillen tussen de woningen die niet uit de geregistreerde kenmerken naar voren komen. De gemiddelde standaardafwijking van de transactieruis voor woningen bedraagt dus 7%. Waarom is de grootte van de transactieruis van belang? De grootte hiervan is een ondergrens voor de kwaliteit van een waardering; de standaardafwijking van een waardering zal vrijwel altijd groter zijn dan de standaardafwijking van de transactieruis. De reden hiervoor is dat bij de meeste waarderingen slechts transactiecijfers van enigszins vergelijkbare objecten beschikbaar zijn, en dan moet er gecorrigeerd worden voor de verschillen tussen het te waarderen object en de vergelijkbare objecten. Bij het onderling vergelijkbaar maken van objecten worden veronderstellingen gehanteerd die een benadering zijn van de werkelijkheid. Het maakt hierbij niet uit of het een modelwaarde betreft of dat de waarde door een taxateur wordt bepaald. 2.4

Conclusie

De conclusie is dat hoe minder verkoopprijzen van goed vergelijkbare woningen beschikbaar zijn, hoe minder betrouwbaar de marktwaarde kan worden vastgesteld. De beschikbaarheid van vergelijkingsobjecten hangt af van de volgende factoren. Hoe unieker de woning is, hoe minder verkoopprijzen van goed vergelijkbare woningen beschikbaar zullen zijn. Daarnaast geldt dat het aantal vergelijkingsobjecten laag kan zijn doordat er sowieso weinig woningen verkocht worden. Tenslotte geldt dat bij een waardepeildatum in het verleden er in het algemeen meer verkoopcijfers van vergelijkbare woningen beschikbaar zijn dan bij een actuele waardepeildatum; bij een actuele waardepeildatum zijn er alleen verkoopcijfers uit het verleden beschikbaar en bij een waardepeildatum in het verleden verkoopcijfers van zowel voor als na de waardepeildatum. In het gebied rondom het Groningenveld geldt dat de woningvoorraad heterogeen is en dat het aantal transacties beperkt is. De consequentie is dat de betrouwbaarheid waarmee de marktwaarde vastgesteld kan worden relatief laag is. Dit geldt in het bijzonder voor de woningen in het risico-krimpgebied.

8

3

Voorspellen van marktwaarde

Bij het voorspellen van de marktwaarde gaat het om een toekomstige waardepeildatum. Daartoe moet allereerst een marktwaarde ‘nu’ worden vastgesteld en vervolgens een inschatting worden gemaakt van de marktontwikkeling tussen ‘nu’ en de toekomstige waardepeildatum. Prognoses van woningmarkten zijn veelal gebaseerd op woningprijs modellen waarin prijsveranderingen worden verklaard aan de hand van vraag- en aanbodfactoren. De meeste van deze modellen verklaren prijsveranderingen op nationaal niveau en voorspellingen van woningprijsveranderingen op basis van deze modellen hebben een grote onzekerheidsmarge. De voorspellingen van woningprijzen zijn mede gebaseerd op voorspellingen van onderliggende verklarende factoren, zoals huishoudinkomen, rentestand en groei van het binnenlands bruto product. Woningmarkt modellen voor het voorspellen van prijzen op regionaal niveau in Nederland zijn niet beschikbaar en zeker niet op het detailniveau van risico- en referentiegebieden zoals deze in Noord-Oost Groningen worden onderscheiden. De voornaamste redenen voor de afwezigheid van regionale woningmarktmodellen zijn het ontbreken van regionale woning prijsindices en het onbreken van regionale verklarende variabelen. Als deze gegevens al aanwezig zouden zijn, dan is de onzekerheid nog groter dan bij nationale woningprijs modellen. Een beschrijving van woningmarkt modellen is te vinden in appendix A. De conclusie is dat het voorspellen van de marktwaarde van een individuele woning met een toekomstige waardepeildatum een grote mate van onzekerheid kent als gevolg van onzekerheid in het vaststellen van de marktwaarde van een individuele woning ‘nu’ en in het bijzonder de onzekerheid in de voorspelling van toekomstige (regionale) marktontwikkelingen.

9

10

4

Voorspellen van verschillen in marktwaarde

Er geldt dus dat de voorspelling van de marktwaarde met een grote mate van onzekerheid is omgeven en daarmee is de vraag wat de marktwaarde van een specifieke woning in januari 2018 is, niet nauwkeurig te beantwoorden. Een vraag die eenvoudiger te beantwoorden en relevanter is, is in welke mate toekomstige marktwaarden worden beïnvloed door specifieke omstandigheden die te maken hebben met aardbeving gerelateerde factoren. Onder aardbeving gerelateerde factoren wordt verstaan de perceptie van het risico op aardbevingen, maatregelen om dit risico te verkleinen en investeringen in het versterken van gebouwen, huizen, infrastructuur en inverstering om de leefbaarheid van het gebied te verbeteren. En vervolgens, met welke mate van nauwkeurigheid kan deze invloed worden vastgesteld? Bij het beantwoorden van deze vragen spelen de betrouwbaarheid van een individuele waardering en de betrouwbaarheid waarmee een regionale woningmarktontwikkeling kan worden voorspeld, geen rol. De rapporten ‘De ontwikkelingen op de woningmarkt rond het Groningenveld’2 bieden een goed aanknopingspunt voor het beantwoorden van de vraag hoe in het verleden aardbeving gerelateerde factoren van invloed waren op woningprijzen. In deze rapporten worden prijsontwikkelingen in het aardbevingsgebied (risicogebied) vergeleken met prijsontwikkelingen in vergelijkbare gebieden (referentiegebieden) buiten het aardbevingsgebied. De vergelijking is op basis van afstand tot het risicogebied en demografische en sociaal-economische kenmerken.3 Het verschil in prijsontwikkelingen wordt toegeschreven aan aardbeving gerelateerde factoren, waarmee de veronderstelling wordt gemaakt dat de invloed van alle overige factoren op prijsveranderingen voor beide gebieden gelijk zijn. Het valt echter niet geheel uit te sluiten dat er aanvullende oorzaken zijn voor de verschillen in prijsontwikkeling. Uit het meest recente rapport (Francke en Broekmeulen, 2016) blijkt dat over een periode van drie jaar – vanaf het 3e kwartaal van 2012 (waarin de beving in Huizinge plaatsvond) tot en met het 3e kwartaal van 2015 – de prijzen in het risicogebied met iets meer dan 2% punt zijn achtergebleven ten opzichte van de prijzen in de referentiegebieden. Dit geldt voor de vergelijking tussen het risicogebied en referentiegebied 1 en voor de vergelijking tussen risicogebied A en referentiegebied 1A. Het verschil in prijsontwikkeling tussen risicogebied B en referentiegebied 1B is minder groot, nog geen 1% punt, zie tabel 4.1. De betrouwbaarheid van dit verschil wordt uitgedrukt door middel van een standaardafwijking. Deze bedraagt 1,1% voor de vergelijking tussen het risicogebied en referentiegebied 1 en 1,4% voor de vergelijking tussen risicogebied A (B) en referentiegebied 1A (1B). De verschillen tussen het risicogebied (A) en referentiegebied 1 (1A) zijn statistisch significant op het 5% significantieniveau. Economisch gezien is het verschil in prijsverandering klein, maar dus wel voldoende betrouwbaar gemeten. Uit tabel 4.1 blijkt dat de verschillen in prijsontwikkelingen zich geleidelijk in de loop van de tijd ontwikkelen. Er is dus geen sprake van een schoksgewijs effect, bijvoorbeeld als gevolg van de 2

Het meest recente rapport is Francke en Broekmeulen (2016). Het risicogebied is opgesplitst in een gebied met demografische groei (A) en krimp (B). De gemeenten in het risico groeigebied zijn Bedum, Ten Boer, Slochteren en Winsum. De gemeenten in het risico krimpgebied zijn Appingedam, Delfzijl, Eemsmond en Loppersum. Ook referentiegebied 1 is op dezelfde wijze opgesplitst. Referentie groeigebied 1A bestaat uit Grootegast, Hoogezand-Sappemeer, Leek, Noordenveld, Tynaarlo en Zuidhorn. Referentie krimpgebied 1B bestaat uit Bellingwedde, De Marne, Dongeradeel, Kollumerland en Nieuwkruisland, Menterwolde, Pekela, Oldambt en Veendam. Referentiegebied 2 laten we in dit rapport buiten beschouwing. 3

11

Tabel 4.1: Cumulatieve prijsveranderingen (%) in risico- en referentiegebieden uit het kenmerkenmodel.∗ van 2012K3

Risico

Ref. 1

Risico − Ref. 1

Risico A

Ref. 1A

Risico A − Ref. 1A

Risico B

Ref. 1B

Risico B − Ref. 1B

t/m 2012K4 . . . 2013K1 . . . 2013K2 . . . 2013K3 . . . 2013K4 . . . 2014K1 . . . 2014K2 . . . 2014K3 . . . 2014K4 . . . 2015K1 . . . 2015K2 . . . 2015K3

-1,7 -4,0 -4,9 -4,7 -4,4 -4,3 -3,8 -3,5 -3,3 -2,6 -2,0 -1,4

-1,9 -4,2 -4,5 -3,7 -4,1 -3,7 -2,7 -2,1 -1,8 -0,9 -0,2 0,9

0,2 (0,8) [-1,3] 0,2 (0,9) [-1,6] -0,4 (1,0) [-1,6] -1,0 (1,0) [-1,7] -0,3 (1,1) [-1,7] -0,6 (1,0) [-1,7] -1,1 (1,1) [-1,7] -1,4 (1,0) [-1,7] -1,5 (1,0) [-1,6] -1,7 (1,0) [-1,6] -1,8 (1,0) [-1,6] -2,3 (1,1) [-1,8]

-1,8 -3,9 -4,5 -3,8 -3,8 -3,6 -3,3 -3,1 -2,5 -1,7 -1,2 -0,5

-2,3 -4,7 -4,7 -3,6 -4,5 -4,4 -3,7 -2,9 -2,0 -0,4 0,5 2,0

0,6 (0,9) [1,5] 0,8 (1,2) [1,9] 0,2 (1,2) [2,0] -0,2 (1,3) [2,2] 0,8 (1,3) [2,1] 0,8 (1,3) [2,2] 0,5 (1,2) [2,0] -0,2 (1,2) [2,0] -0,5 (1,2) [2,0] -1,3 (1,2) [2,0] -1,8 (1,2) [2,0] -2,4 (1,4) [2,2]

-2,2 -4,5 -5,3 -5,3 -5,6 -5,7 -5,4 -5,1 -4,7 -3,9 -3,4 -2,5

-2,1 -4,5 -5,2 -4,7 -5,2 -4,8 -4,2 -3,7 -3,3 -2,6 -2,4 -1,7

-0,1 (1,0) [1,6] 0,0 (1,2) [2,0] -0,1 (1,3) [2,1] -0,6 (1,3) [2,2] -0,4 (1,3) [2,2] -1,0 (1,3) [2,2] -1,2 (1,3) [2,2] -1,4 (1,3) [2,1] -1,5 (1,2) [2,0] -1,3 (1,2) [2,0] -1,0 (1,2) [2,0] -0,8 (1,4) [2,3]

* Tussen ronde haakjes staan standaardafwijkingen van de verschillen tussen gebieden. Tussen rechte haakjes staan kritieke waarden; een gevonden verschil lager (meer negatief) dan deze waarde is significant op 5% niveau.

zware aardbeving te Huizinge in augustus 2012 of als gevolg van het in januari 2013 verschijnen van het rapport “Reassessment of the probability of higher magnitude earthquakes in the Groningen gas field” en de brief van het Ministerie van Economische Zaken aan de Tweede Kamer4 , waarin bevingen rondom het Groningen-veld met een kracht van 4 tot 5 op de schaal van Richter niet langer worden uitgesloten. De verschillen in prijsontwikkeling tussen risico- en referentiegebied nemen nog steeds toe5 , zodat gesteld kan worden dat in het derde kwartaal van 2015 positieve maatregelen nog niet hebben geleid tot het opheffen van de verschillen in prijsontwikkeling. Voorbeelden van deze positieve maatregelen zijn: -

het besluit tot het verlagen van de winning van aardgas, investeringen in het versterken van gebouwen, huizen en infrastructuur, investeringen om de leefbaarheid van het gebied te verbeteren, de waarderegeling tot compensatie bij verkoop.

Het is niet duidelijk of zonder deze maatregelen de prijzen in het risicogebied nog verder zouden zijn achtergebleven, met andere woorden dat bovenstaande maatregelen eraan hebben bijgedragen dat de prijzen in het risicogebied niet méér zijn gedaald.6 Tot nu toe loopt het verschil in prijsontwikkeling tussen risico- en referentiegebieden op, waardoor het onwaarschijnlijk is dat bij ongewijzigd beleid en risico-perceptie dit verschil op korte termijn, zeg per begin 2018, geheel zal zijn verdwenen; de ervaring tot nu toe is dat prijzen zich slechts langzaam aanpassen, in 3 jaar tijd met net iets meer dan 2%-punt. Het is daarom ook niet te verwachten dat prijzen zich snel zullen aanpassen als gevolg van aanvullende investeringen in het risicogebied en eventuele beleidswijzigingen die bijdragen aan het verminderen van het risico op aardbevingen, zoals het verder naar beneden bijstellen van de gaswinning; immers tot nu toe hebben beleidsmaatregelen niet kunnen voorkomen dat de 4

“Gaswinning Groningen-veld”, 25 januari 2013. Afgezien van het verschil tussen risicogebied B en referentiegebied 1B. Het verschil in prijsontwikkeling tussen deze gebieden is klein en niet statistisch significant verschillend van 0. 6 De waarderegeling zou juist een tegenovergesteld effect kunnen hebben, namelijk dat prijzen in het aardbevingsgebied dalen als gevolg van een compensatie van een mogelijk verlies. 5

12

prijsverandering in het risicogebied achterblijft bij die van het referentiegebied. Wat de effecten op (middel)lange termijn zullen zijn, is op basis van de uitgevoerde modelanalyses niet te zeggen, maar het is waarschijnlijk dat bij substantiële investeringen in de regio en vermindering van de gaswinning prijzen zich op (middel)lange termijn zullen aanpassen. Eveneens is het op basis van de huidige modelanalyses niet mogelijk om iets te zeggen wat er met de prijzen zal gebeuren in het geval zich weer een zware aardbeving zou voordoen, gelijk aan of zwaarder dan die te Huizinge, maar het is aannemelijk om te veronderstellen dat prijzen dan wel hard zullen dalen. Prijzen zullen verschillend reageren op negatieve en positieve gebeurtenissen.

13

14

5

Aanvullende marktindicatoren

Tabel 5.1 geeft een overzicht van de ontwikkeling van het aantal te koop staande woningen, het aantal verkochte woningen en het nieuwe aanbod, alle ten opzichte van het aantal koopwoningen, over de periode vanaf het eerste kwartaal van 2012 tot en met het derde kwartaal van 2015. Het aantal te koop staande woningen (de kolommen 4 en 5) is in de krimpgebieden (B) hoger dan in de groeigebieden (A). Binnen de krimpgebieden is er meer aanbod in het risicogebied vergeleken met het referentiegebied. Binnen de groeigebieden is de verhouding andersom; er is relatief meer aanbod in het referentiegebied vergeleken met het risicogebied. Het aantal verkochte woningen (de kolommen 6 en 7) is in het laatste jaar in de risicogebieden lager dan in de referentiegebieden, met uitzondering van het krimpgebied (B). Na een lange periode van stijging neemt het aantal te koop staande woningen vanaf het tweede kwartaal van 2014 af (tweede en derde kolom van de tabel). Het aanbod van koopwoningen neemt dus af en dit geldt voor alle risico- en referentiegebieden. Een afname van het aantal te koop staande woningen betekent dat er meer woningen verkocht (of teruggetrokken) zijn, dan er nieuw aanbod bij komt: Te koop eind huidige kwartaal - Te koop eind vorige kwartaal = (Nieuw Aanbod - Aantal verkopen - Aantal terugtrekkingen) in huidige kwartaal De daling van het aantal te koop staande woningen heeft in de diverse gebieden verschillende oorzaken. In het referentiegebied neemt in het laatste jaar zowel het aantal verkopen (kolom 7) als het nieuwe aanbod (kolom 9) toe; maar de toename in verkopen is groter. In het risicogebied neemt in het laatste jaar het aantal verkopen (kolom 6) toe en het nieuwe aanbod (kolom 8) af, met uitzondering van het risico-groeigebied A. Uit de tabel blijkt dat vanaf medio 2013 het aantal verkopen in alle gebieden is toegenomen. Figuur 5.1 toont de ontwikkeling van het verschil tussen het relatief aantal verkopen in het risicogebied en het referentiegebied (kolom 6 in kolom 7). Een negatief getal betekent dat er in het riscogebied relatief minder woningen zijn verkocht dan in het corresponderende referentiegebied. Uit de figuur blijkt dat het relatief aantal verkopen in de referentiegebieden harder is gestegen dan in de corresponderende risicogebieden. De vraag is of deze trend doorzet. Modellen voor het voorspellen van aantallen verkopen zijn in de vastgoedliteratuur niet beschikbaar en zeker niet op regionaal niveau. Wel is het zo dat een toename van het aantal verkopen vaak met enige vertraging leidt tot een geleidelijke toename in de prijs, zie bijvoorbeeld de Wit, Englund en Francke (2013). Het feit dat de toename van het aantal verkopen in de referentiegebieden hoger is dan die in de corresponderende risicogebieden suggereert dat de prijzen in de risicogebieden voorlopig zullen achterblijven bij die van de referentiegebieden, zoals ook tot nu toe het geval is.

15

Tabel 5.1: Te koop staande, verkochte en nieuw aangeboden woningen als percentage van het aantal koopwoningen. Te koop

Te koop %

Verkoop %

Nw aanbod %

Datum

Risico

Ref. 1

Risico

Ref. 1

Risico

Ref. 1

Risico

Ref. 1

2012-1 2012-2 2012-3 2012-4 2013-1 2013-2 2013-3 2013-4 2014-1 2014-2 2014-3 2014-4 2015-1 2015-2 2015-3

1375 1411 1420 1400 1442 1484 1504 1477 1545 1622 1611 1566 1541 1507 1489

4208 4298 4285 4218 4286 4390 4399 4217 4283 4380 4394 4177 4063 4091 4005

4,3% 4,4% 4,5% 4,5% 4,6% 4,6% 4,7% 4,8% 4,8% 5,0% 5,0% 5,1% 5,1% 5,0% 4,9%

4,9% 5,0% 5,1% 5,1% 5,1% 5,2% 5,2% 5,2% 5,2% 5,2% 5,2% 5,2% 5,1% 5,0% 4,9%

1,9% 1,9% 1,8% 1,9% 1,7% 1,7% 1,7% 1,6% 1,8% 1,9% 2,0% 2,1% 2,2% 2,4% 2,3%

1,8% 1,8% 1,8% 1,8% 1,7% 1,7% 1,7% 1,8% 2,0% 2,1% 2,2% 2,5% 2,6% 2,8% 3,0%

3,3% 3,1% 3,0% 2,9% 2,6% 2,6% 2,7% 2,5% 2,8% 3,0% 3,0% 3,0% 2,8% 2,7% 2,7%

3,2% 3,0% 2,9% 2,8% 2,7% 2,7% 2,7% 2,6% 2,8% 2,9% 3,1% 3,2% 3,2% 3,3% 3,3%

Datum

Risico A

Ref. 1A

Risico A

Ref. 1A

Risico A

Ref. 1A

Risico A

Ref. 1A

2012-1 2012-2 2012-3 2012-4 2013-1 2013-2 2013-3 2013-4 2014-1 2014-2 2014-3 2014-4 2015-1 2015-2 2015-3

478 495 491 477 506 517 530 505 504 519 509 491 493 455 485

2003 2051 2026 1984 2038 2065 2103 1957 2011 2036 1970 1842 1778 1747 1704

3,4% 3,5% 3,5% 3,5% 3,6% 3,6% 3,7% 3,7% 3,7% 3,7% 3,7% 3,7% 3,7% 3,5% 3,5%

4,7% 4,9% 4,9% 4,9% 4,9% 4,9% 5,0% 5,0% 5,0% 4,9% 4,9% 4,8% 4,7% 4,5% 4,3%

1,9% 1,8% 1,7% 1,9% 1,7% 1,7% 1,7% 1,6% 1,9% 1,9% 2,2% 2,3% 2,3% 2,6% 2,4%

2,1% 2,1% 2,1% 2,2% 2,0% 2,0% 2,1% 2,2% 2,5% 2,7% 2,9% 3,2% 3,3% 3,5% 3,6%

3,0% 2,7% 2,5% 2,6% 2,4% 2,4% 2,5% 2,2% 2,4% 2,5% 2,6% 2,7% 2,7% 2,7% 2,8%

3,6% 3,5% 3,3% 3,2% 3,1% 3,0% 3,1% 3,0% 3,3% 3,4% 3,4% 3,7% 3,6% 3,7% 3,8%

Datum

Risico B

Ref. 1B

Risico B

Ref. 1B

Risico B

Ref. 1B

Risico B

Ref. 1B

2012-1 2012-2 2012-3 2012-4 2013-1 2013-2 2013-3 2013-4 2014-1 2014-2 2014-3 2014-4 2015-1 2015-2 2015-3

897 916 929 923 936 967 974 972 1041 1103 1102 1075 1048 1052 1004

2205 2247 2259 2234 2248 2325 2296 2260 2272 2344 2424 2335 2285 2344 2301

5,0% 5,1% 5,2% 5,3% 5,3% 5,4% 5,5% 5,6% 5,7% 5,9% 6,1% 6,2% 6,2% 6,2% 6,0%

5,1% 5,2% 5,3% 5,3% 5,3% 5,4% 5,4% 5,4% 5,4% 5,5% 5,5% 5,6% 5,6% 5,6% 5,5%

2,0% 1,9% 1,9% 1,9% 1,7% 1,7% 1,7% 1,7% 1,8% 1,8% 1,8% 1,9% 2,0% 2,1% 2,2%

1,5% 1,5% 1,4% 1,4% 1,3% 1,3% 1,4% 1,4% 1,6% 1,6% 1,6% 1,8% 2,0% 2,2% 2,3%

3,5% 3,4% 3,3% 3,2% 2,8% 2,8% 2,8% 2,7% 3,2% 3,3% 3,2% 3,2% 2,9% 2,7% 2,6%

2,7% 2,6% 2,5% 2,4% 2,2% 2,3% 2,2% 2,2% 2,4% 2,4% 2,7% 2,8% 2,8% 3,0% 2,9%

* De kolommen bevatten 4 kwartaal voortschrijdende gemiddelden, afgezien van de kolom Te koop.

16

Figuur 5.1: Het verschil in het relatief aantal verkochte woningen tussen risico- en referentiegebied. (op basis van 4 kwartaal voortschrijdende gemiddelden)

17

18

6

Conclusie

De eerste vraag is wat de betrouwbaarheid is waarmee de marktwaarde van een individuele woning kan worden vastgesteld. Dit hangt af van het aantal verkoopcijfers van vergelijkbare woningen; hoe minder verkoopprijzen van goed vergelijkbare woningen beschikbaar zijn, hoe minder betrouwbaar de marktwaarde kan worden vastgesteld. De beschikbaarheid van vergelijkingsobjecten hangt af van de volgende factoren. Hoe unieker de woning is, hoe minder verkoopprijzen van goed vergelijkbare woningen beschikbaar zullen zijn. Daarnaast geldt dat het aantal vergelijkingsobjecten laag kan zijn doordat er sowieso weinig woningen verkocht worden. Tenslotte geldt dat bij een waardepeildatum in het verleden er in het algemeen meer verkoopcijfers van vergelijkbare woningen beschikbaar zijn dan bij een actuele waardepeildatum; bij een actuele waardepeildatum zijn er alleen verkoopcijfers uit het verleden beschikbaar en bij een waardepeildatum in het verleden verkoopcijfers van zowel voor als na de waardepeildatum. In het gebied rondom het Groningenveld geldt dat de woningvoorraad heterogeen is en dat het aantal transacties beperkt is. De consequentie is dat de betrouwbaarheid waarmee de marktwaarde vastgesteld kan worden relatief laag is. Dit geldt in het bijzonder voor de woningen in het risico-krimpgebied. De vraag of het al dan niet modelmatig mogelijk is om op een toekomstige peildatum, bijvoorbeeld 1 januari 2018, de marktwaarde van een individuele woning, dan wel de ontwikkeling van andere marktindicatoren, zoals het aantal te koop staande en verkochte woningen, op een acceptabel niveau van betrouwbaarheid te bepalen, is in dit rapport negatief beantwoord. De belangrijkste reden is dat woningmarkt modellen voor het voorspellen van prijzen en andere marktindicatoren op regionaal niveau niet beschikbaar zijn en zeker niet op het detailniveau van risico- en referentiegebieden zoals deze in Noord-Oost Groningen worden onderscheiden. De voornaamste redenen voor de afwezigheid van regionale woningmarktmodellen zijn het ontbreken van regionale woning prijsindices (en andere marktindicatoren) en het onbreken van (voorspellingen van) regionale verklarende variabelen. Een vraag die eenvoudiger te beantwoorden en relevanter is, is in welke mate toekomstige marktwaarden worden beïnvloed door specifieke omstandigheden die te maken hebben met aardbeving gerelateerde factoren. Onder aardbeving gerelateerde factoren wordt verstaan de perceptie van het risico op aardbevingen, maatregelen om dit risico te verkleinen en investeringen in het versterken van gebouwen, huizen, infrastructuur en investeringen om de leefbaarheid van het gebied te verbeteren. Bij het beantwoorden van deze vraag spelen de betrouwbaarheid van een individuele waardering en de betrouwbaarheid waarmee een regionale woningmarktontwikkeling kan worden voorspeld, geen rol. De prijsontwikkeling gemeten vanaf het derde kwartaal van 2012 tot en met derde kwartaal van 2015 in het aardbevings(risico)gebied loopt iets meer dan 2% achter bij die in referentiegebieden en dit verschil wordt toegeschreven aan aardbeving gerelateerde factoren, alhoewel niet geheel valt uit te sluiten dat er aanvullende oorzaken zijn voor de geconstateerde verschillen. De betrouwbaarheid van dit verschil wordt uitgedrukt door middel van een standaardafwijking. Deze bedraagt ongeveer 1%. Economisch gezien is het verschil in prijsverandering klein, maar wel statistisch significant verschillend van 0. Tot nu toe lopen de verschillen in ontwikkeling van prijzen en aantallen verkopen tussen risico- en referentiegebieden op, waardoor extrapolerend het onwaarschijnlijk is dat bij ongewijzigd beleid

19

en risico-perceptie deze verschillen op relatief korte termijn, zeg per begin 2018, geheel zal zijn verdwenen; de ervaring tot nu toe is dat prijzen zich slechts langzaam aanpassen, in 3 jaar tijd met net iets meer dan 2%-punt. Het is daarom ook niet te verwachten dat prijzen zich snel zullen aanpassen als gevolg van aanvullende investeringen in het risicogebied en eventuele beleidswijzigingen die bijdragen aan het verminderen van het risico op aardbevingen, zoals het verder naar beneden bijstellen van de gaswinning; immers tot nu toe hebben beleidsmaatregelen niet kunnen voorkomen dat de prijsverandering in het risicogebied achterblijft bij die van het referentiegebied. Wat de effecten op (middel)lange termijn zullen zijn, is op basis van de uitgevoerde modelanalyses niet te zeggen, maar het is waarschijnlijk dat bij substantiële investeringen in de regio en vermindering van de gaswinning prijzen zich op (middel)lange termijn zullen aanpassen. Eveneens is het op basis van de huidige modelanalyses niet mogelijk om iets te zeggen wat er met de prijzen zal gebeuren in het geval zich weer een zware aardbeving zou voordoen, gelijk aan of zwaarder dan die te Huizinge, maar het is aannemelijk om te veronderstellen dat prijzen dan wel hard zullen dalen. Prijzen zullen verschillend reageren op negatieve en positieve gebeurtenissen.

20

Referenties Case, K. E en R. J. Shiller (1987). “Prices of Single Family Homes since 1970: New Indexes for Four Cities”. In: New England Economic Review, p. 45–56. — (1989). “The Efficiency of the Market of Single-Family Homes”. In: The American Economic Review 79, p. 125– 137. de Wit, E., P. Englund en M. K. Francke (2013). “Price and transaction volume in the Dutch housing market”. In: Regional Science and Urban Economics 43(2), p. 220 –241. Francke, M. K. (2010a). Casametrie: De Kunst van het Modelleren en het Voorspellen van de Marktwaarde van Woningen. Vossiuspers UvA, Amsterdam. — (2010b). “Repeat Sales Index for Thin Markets: a Structural Time Series Approach”. In: Journal of Real Estate Finance and Economics 41, p. 24–52. Francke, M. K. en B. Broekmeulen (2016). De ontwikkelingen op de woningmarkt rond het Groningenveld: actualisatie 3e kwartaal 2015. Tech. rap. Ortec Finance Research Center. Francke, M. K. en A. M. van de Minne (2013). The effects of demographic changes and supply constraints on Dutch housing prices. Tech. rap. 07. Amsterdam School of Real Estate. Francke, M. K., A. M. van de Minne en J. Verbruggen (2014). The effect of credit conditions on the Dutch housing market. Tech. rap. 447. De Nederlandsche Bank. Francke, M. K., B. Kruyt, B. Needham en A. F. de Vos (1995). De waardering van woningen; een modelmatige aanpak. Tech. rap. Dienst Belastingen Gemeente Amsterdam. Geltner, D. M., N. G. Miller, J. Clayton en P. Eichholtz (2007). Commercial Real Estate, Analysis & Investments. 2nd Edition. Cengage Learning. Goetzmann, W. N. (1993). “The Single Family Home in the Investment Portfolio”. In: Journal of Real Estate Finance and Economics 6, p. 201–222. van Arnhem, P. C., T. M. Berkhout en G. G. M. ten Have (2013). Taxatieleer vastgoed 1. 6e druk. Noordhoff Uitgevers Groningen/Houten. Van Dalen, P. en P. de Vries (2015a). Huizenprijzen vooral bepaald door inkomen en rente. Tech. rap. Rabobank. — (2015b). Inkomen, rente en recente prijsstijgingen wijzen op een verdere toename van huizenprijzen. Tech. rap. Rabobank. van de Belt, R., P. de Vries, D. Piljic en H. Stegeman (2013). Over de waardering van woningen. Tech. rap. Rabobank. Van der Windt, N., M. K. Francke, P. de Vries en P. van Dalen (2015). “Woningprijzen koppelen zich regelmatig los van fundamenten”. In: Real Estate Research Quarterly 14(2), p. 4 –11. Verbruggen, J., H. Kranendonk, M. van Leuvensteijn en M. Toet (2005). Welke factoren bepalen de ontwikkeling van de huizenprijs in Nederland? Tech. rap. 81. Centraal Planbureau.

21

22

A

Woningmarkt modellen

A.1

Nationale woningmodellen

Prognoses van woningmarkten zijn veelal gebaseerd op woningprijs modellen waarin prijsveranderingen worden verklaard aan de hand van vraag- en aanbodfactoren. De meeste van deze modellen verklaren prijsveranderingen op nationaal niveau. Hierover is veel internationale literatuur beschikbaar, maar we beperken ons tot literatuur over de Nederlandse woningmarkt. De meest gebruikte modelvorm is een error-correction model (Verbruggen e.a., 2005; Francke, 2010a). Een error-correction model kan beschreven worden met twee vergelijkingen, namelijk een lange termijn evenwichts vergelijking en een vergelijking die de korte termijn prijsdynamiek beschrijft. De lange termijn evenwichtsprijs modeleert het prijsniveau en is afhankelijk van bijvoorbeeld (huishoud)inkomen, de hypotheekrente (eventueel gecorrigeerd voor hypotheekrenteaftrek), het financieel vermogen van huishoudens, het bruto binnenlands product, bouwkosten en de woningvoorraad. Als de woningprijs boven (onder) de gemodeleerde evenwichtsprijs ligt, dan is volgens het model de woningmarkt over(onder)-gewaardeerd. De korte termijn vergelijking modeleert prijsveranderingen.7 In deze vergelijking wordt de prijsverandering in de huidige periode verklaard uit: 1. prijsveranderingen in vorige periode(n); 2. veranderingen in verklarende variabelen in de huidige en/of vorige periode(n); (Dit zijn dezelfde variablen die ook in de lange termijn evenwichtsvergelijking een rol spelen.) 3. het verschil tussen de woningprijs en de evenwichtsprijs, beide in een vorige periode, volgend uit de lange termijn evenwichts vergelijking. De coëfficiënten voor prijsveranderingen in vorige perioden zijn in de praktijk altijd groter dan 0. Dat wil zeggen, dat onder gelijkblijvende omstandigheden, als prijzen in vorige perioden zijn gestegen, de prijzen in de huidige periode ook stijgen. De coëfficiënt voor het verschil tussen de woningprijs en de evenwichtsprijs is in de praktijk kleiner dan 0, zodat prijzen naar de evenwichtsprijs tenderen. Van der Windt e.a. (2015) en Van Dalen en de Vries (2015a) laten zien dat error-correction woningmarkt modellen slecht presteren in perioden van crises. Francke, van de Minne en Verbruggen (2014) nemen in hun woningmarkt model een ‘credit condition index’ op, een variable die meet hoe makkelijk het is om krediet te krijgen.8 Deze variabele lost een deel van het probleem van de slecht functionerende error-correction woningmarkt modellen op. Voor het voorspellen van woningprijzen is het noodzakelijk om ook voorspellingen te doen van alle verklarende variabelen in het woningmodel, zoals ontwikkelingen van inkomen en rente en ook deze voorspellingen zijn met de nodige onzekerheid omgeven. Rabobank concludeert in 2013 in een van haar onderzoeken dat de betrouwbaarheid van een woningprijs model zo gering is dat het niet mogelijk is om de woningprijs ontwikkeling één jaar vooruit te voorspellen (van de Belt e.a., 2013). In augustus 2015 komt Rabobank met een rapport waarin drie scenario’s 7

Alle veranderingen worden procentueel berekend. Of preciezer het zijn verschillen van de log van de variabele. De ‘credit condition index’ is een maatstaf voor de beschikbaarheid van krediet, afgezien van de hoogte van de hypotheekrente. De beschikbaarheid van krediet hangt bijvoorbeeld af van voorwaarden voor het verkrijgen van een hypotheek, de naleving daarvan door banken en overheidsbeleid inzake de hypotheekrente aftrek en hypotheekvormen, zoals het ‘verplicht’ stellen van annuïtaire hypotheken. 8

23

worden geschetst voor de woningmarkt met stijgingen variërend tussen 2% en 5% (Van Dalen en de Vries, 2015b). A.2

Regionale woningmodellen

Woningprijs modellen op regionaal zijn relatief schaars en zijn vooral beschikbaar voor de Verenigde Staten voor grootstedelijk gebieden (Metropolitan Statistical Areas). Daarbij dient wel opgemerkt te worden dat de gemiddelde grootte uitgedrukt in aantal inwoners ruim 700.000 is. Francke en van de Minne (2013) modelleren verschillen in prijsveranderingen tussen regionale woningmarkten in Nederland9 , maar deze analyse is gericht op prijsveranderingen over een lange termijn (15 jaar) en in het bijzonder op de effecten van bevolkingsgroei en -krimp op woningprijzen. De geringe beschikbaarheid van regionale woningmarktmodellen heeft te maken met het ontbreken van relevante data. Allereerst, prijsveranderingen op regionaal niveau zijn slechts beperkt beschikbaar. Het Centraal Bureau voor de Statistiek (CBS) publiceert prijsontwikkelingen per provincie en voor de vier grote gemeenten. De Nederlandse Vereniging van Makelaars en Taxateurs in onroerende goederen (NVM) publiceert weliswaar prijsontwikkelingen voor 76 gebieden in Nederland, maar deze prijsontwikkelingen worden onvoldoende gecorrigeerd voor verschillen in kenmerken van verkochte woningen over de tijd. Een nog groter probleem vormen de verklarende variabelen (zoals werkloosheid, werkgelegenheid en inkomen) in de woningmarkt modellen. Deze zijn in veel gevallen niet of slechts beperkt op het gewenste aggregatie niveau beschikbaar en zeker niet met een hoge frequentie.

9

Er is hierbij gebruik gemaakt van de COROP-indeling, een indeling in 40 gebieden in Nederland.

24

25