Lectori salutem: Grote data en de economie van de vastgoedmarkten

Editie: 24.1 - Vastgoedfinancieringen

Published on: 03 januari 2017

---

Ioulia Ossokina is sinds Juni 2016 als universitair docent begonnen bij de leerstoel Real Estate Management and Development van de TU/e. Hiervoor heeft zij dertien jaar bij het Centraal Planbureau gewerkt.

 

In juni 2016 ben ik als universitair docent en opvolger van Jos Smeets begonnen bij de leerstoel Real Estate Management and Development (REMD) van de TU/e. Hiervoor heb ik dertien jaar bij het Centraal Planbureau gewerkt. Ik ben econoom en mijn onderzoek heeft altijd een sterke binding gehad met de praktijk. Ik geloof erin dat nieuwe bruikbare inzichten ontstaan door een kruisbestuiving tussen state-of-the-art empirische technieken, goede data en intuïtie en kennis van deskundigen.

Bij REMD wil ik het gebruik van (big) data en economische modellen in het onderzoek naar de woning- en vastgoedmarkt verder uitbouwen. Bij verschillende partijen zijn momenteel veel data beschikbaar en dit wordt steeds meer. Hoe kunnen we deze data vertalen naar nuttige inzichten voor de professie? Ik geef hieronder een drietal voorbeelden.

Figuur 1: Voorbeelden Big Data in Nederland

 

Case 1
Een nieuwe snelweg heeft lokale straten in een middelgrote stad ontlast van sluipverkeer. De gemeente wil graag weten hoeveel dit heeft bijgedragen aan het woongenot van de inwoners. We hebben dit onderzocht met een hedonische prijsanalyse. Dit model maakt een slimme vergelijking van de woningprijzen op de straten met verminderd verkeer, vóór en na de ingreep. Inderdaad, een verbetering van de ruimtelijke kwaliteit vertaalt zich in een hogere woningvraag; de prijsstijging geeft weer hoeveel men over heeft voor de verbetering. Uit data van circa tienduizend woningverkopen bleek dat een halvering van verkeersoverlast tot een kleine 3000 euro extra prijsstijging per woning heeft geleid. Bewoners hadden deze verbetering echter niet van tevoren aan zien komen. Deze inzichten zijn direct voor de praktijk bruikbaar: Ontwikkelaars van nieuwe woningen weten nu beter hoeveel extra geld de kopers bereid zijn te betalen voor een verkeersluwe locatie. De gemeente ziet bevestigd dat bewoners sommige veranderingen in hun lokale woonmilieu moeilijk van tevoren aan kunnen zien komen.

Case 2
Een gemeente wil hoogopgeleiden aantrekken en behouden. Om erachter te komen welke woningen en welke buurten aantrekkelijk zijn voor deze groep, hebben we data over de woningkeuzes van 2,5 miljoen hoogopgeleide Nederlanders geanalyseerd. We hebben hun bereidheid te betalen voor verschillende eigenschappen van de woning en de omgeving berekend. Drie factoren kwamen bovenaan op de lijst te staan: stedelijke voorzieningen (monumenten en musea, restaurants, winkels, parken, etc.), nabijheid van een station, en een ruime woning. Met dit inzicht hebben we de buurten gerangschikt naar relatieve aantrekkelijkheid. Buurten die op alle drie de factoren hoog scoren zijn in hun huidige vorm al gewild. Bij sommige andere buurten ligt een investering voor de hand. Zo is er bijvoorbeeld een buurt naast het station, met de binnenstad en een groot stedelijk park op loopafstand. De woningvoorraad bestaat hier echter uit arbeiderswoningen uit het begin van de 20^ste eeuw. Aanpassen van de woningvoorraad is hier een logische manier om de gewenste hoogopgeleide doelgroep aan te trekken.

Case 3
In Nederland is de winkelleegstand hoog en deels structureel. Verschillende partijen denken daarom na over transformatie van lege winkels naar ander vastgoed. Sinds 2015 is er de Retailagenda, waarmee het Rijk en de grootste gemeenten winkelgebieden compacter en aantrekkelijker willen maken. Een belangrijke vraag is: waar zit de leegstand en kan de transformatie door de markt opgepakt worden? We hebben data over bijna 200 duizend winkels en ander vastgoed in de 450 grootste Nederlandse winkelgebieden geanalyseerd. Hieruit bleek dat leegstand vooral aan de rand van de winkelgebieden zit. Dit is goed nieuws want aan de rand kunnen aangrenzende functies zoals wonen leegstaande winkels gemakkelijker overnemen. Dit blijkt ook in de praktijk te gebeuren. In gebieden waar woningprijzen zich sneller herstellen dan winkelhuurprijzen, bestaat vaak potentieel voor meer transformaties. In krimpgebieden is dit echter niet het geval; daar kan behoefte zijn aan overheidsingrijpen om de winkelleegstand omlaag te brengen.

Het samenbrengen van grote data en economische modellen is een uitdaging die tijd, geduld en gedegen methodologische kennis van de onderzoeker vereist. Maar zoals de voorbeelden hiervoor laten zien, verdient deze investering zich ruimschoots terug in de vorm van nieuwe, soms verrassende, maar altijd praktisch bruikbare inzichten. Bij de TU/e ga ik door met dit soort analyses, samen met collega’s, afstudeerders, PhD-studenten en met verschillende externe partijen die actief zijn op de vastgoedmarkt. Een eerste stap hiervoor is gezet met het vak Housing Systems and Strategies dat ik vanaf september in een vernieuwde vorm doceer. Met dit vak wil ik masterstudenten leren hoe ze uit data relevante inzichten over de werking van de woningmarkt kunnen halen. Want wáár men na het afstuderen ook aan de slag gaat, data-analysevaardigheden en relevante economische kennis zijn in de huidige wereld onontbeerlijk.

 

Bronvermelding:
Groot, H.L.F. de, Ossokina, I.V. and C.N.Teulings (2016), Hoogopgeleiden als motor voor stedelijke groei, TPEdigitaal 10: 88-103.

Ossokina, I.V. and G. Verweij (2016), De omgevingsbaten van een nieuwe weg, Economisch-Statistische berichten 101: 230-233.

Ossokina, I.V., J. Svitak, C.N. Teulings en P.J. Zwaneveld, 2016, Winkelleegstand na de crisis, CPB Policy Brief 2016-04, Centraal Planbureau.

Ossokina, I.V., Ji, X., Groot, H.L.F. de and C.N. Teulings (2014), Agglomeratie, transportinfrastructuur en welvaart, CPB Policy Brief 2014-10, Centraal Planbureau.

Teulings, C.N., I.V. Ossokina en J. Svitak (2016), The urban economics of retail, Paper gepresenteerd tijdens het ERSA-congres in Wenen, Oostenrijk.

Mail the editors