RaboResearch - Economisch Onderzoek

Huizenprijzen vooral bepaald door inkomen en rente

Special

Delen:
  • Met behulp van een huizenprijsmodel zijn we beter in staat om verwachtingen over de huizenprijzen te vormen
  • Tijdens een instabiele woningmarkt werkt een prijsmodel slecht. Tijdens een stabiele markt is de verklaringskracht groter. Dan kunnen we de prijsontwikkeling verklaren met de hypotheekrente en het huishoudinkomen
  • Deze Special behandelt de theoretische aspecten van het model. In het Themabericht Inkomen, rente en recente prijsstijgingen wijzen op een verdere toename van huizenprijzen staan de resultaten in drie scenario’s uitgewerkt

Om wat meer houvast te hebben bij het vormen van verwachtingen over de huizenprijsontwikkeling hebben wij in de afgelopen maanden een huizenprijsmodel geschat. Deze Special geeft uitleg over de constructie ervan en bekijkt wat het model vertelt over de huidige stand op de Nederlandse woningmarkt. Het model kwam tot stand als afstudeerstage van Niels van der Windt, waarvoor dank [1].

Inleiding en conclusies

Het modelleren van de prijsontwikkeling van bestaande koopwoningen in Nederland blijft een uitdagende opgave. Verschillende wetenschappers hebben dit in de afgelopen decennia gedaan. Medio 2013, aan het einde van de crisisperiode, hebben wij ook een huizenprijsmodel geschat. Dit model bleek slecht in staat om nauwkeurige huizenprijsvoorspellingen voor de korte termijn te geven (Van de Belt et al., 2013). Uit onze huidige analyse blijkt dat de prijzen zich tijdens een instabiele woningmarktfase regelmatig loskoppelen van belangrijke verklarende factoren zoals de inkomensontwikkeling en de hypotheekrente. Sinds afgelopen jaar is de woningmarkt geleidelijk overgegaan naar een stabiele fase. Dit verhoogt het nut van modelmatige huizenprijsvoorspellingen. Op basis van het hier beschreven huizenprijsmodel zijn de reële prijzen momenteel ongeveer 10% lager dan je op basis van de ontwikkeling in huishoudinkomen, rente en inflatie zou verwachten. Wel blijft natuurlijk de nodige voorzichtigheid geboden met het gebruik van huizenprijsmodellen. Veranderende beleidsmaatregelen konden we niet opnemen in het langetermijnmodel en modellen moeten hoe dan ook vooral worden gezien als hulpmiddel bij het vormen van verwachtingen.

De prijsvorming op de woningmarkt

Een woningmarkt is een niet-efficiënt werkende markt, wat de prijsvorming bemoeilijkt (Priemus, 1978). Dit komt door regulering en restrictief ruimtelijk beleid waardoor het inelastische aanbod slechts vertraagd op de vraag kan reageren [2]. Daarnaast is er sprake van een inefficiënte marktwerking doordat de kopers en verkopers op de woningmarkt niet altijd over de meest actuele marktinformatie beschikken. Bovendien maakt de heterogeniteit van het woningaanbod het prijsvormingsproces minder transparant; naast de omvang en de kwaliteit van de woning is de locatie bijvoorbeeld ook van groot belang (zie ook onze recente studie over de regionale woningmarkt; Aalders en Van Dalen, 2015).

Toch zijn er op de lange termijn twee belangrijke factoren die de huizenprijsontwikkeling voor een heel groot deel kunnen verklaren: de hypotheekrente en het inkomen (zie bijvoorbeeld De Vries, 2010). Alle bestaande prijsmodellen gebruiken in ieder geval deze twee variabelen, vaak in combinatie met andere demografische, hypotheek- en woningmarktindicatoren. Op basis van de theorie en voorgaande huizenprijsstudies is gekozen voor het veelvuldig gebruikte errorcorrectiemodel (ECM). Box 1 beschrijft de werking van dit model.

Box 1: Hoe werkt een errorcorrectiemodel (ECM)?

Het idee achter een ECM is dat er op lange termijn een evenwichtsniveau is tussen de huizenprijs en een aantal verklarende factoren, maar dat huizenprijzen op korte termijn van dit niveau kunnen afwijken. Met behulp van de langetermijnvergelijking kunnen we uitspraken doen over de over- dan wel onderwaardering van de huizenprijs in Nederland. Als de werkelijke prijs boven de evenwichtsprijs van het model ligt, spreken we van overwaardering. Ligt de werkelijke prijs onder de evenwichtsprijs, dan is er sprake van onderwaardering. In modeltermen wordt dit verschil ook wel de errorcorrectieterm (EC) genoemd. Op korte termijn hangt de huizenprijsontwikkeling af van deze errorcorrectieterm, de veranderingen van fundamentele kortetermijnfactoren en de historische prijsontwikkeling zelf. Met behulp van de kortetermijnvergelijking kunnen we uitspraken doen over de huizenprijsontwikkeling in de komende kwartalen.

Ons ECM bestaat uit een langetermijnmodel dat een evenwichtsprijs schat voor de reële prijsindex. Hiervoor transformeren wij de Prijsindex Bestaande Koopwoningen naar een voor inflatie gecorrigeerde (reële) prijsindex (h). De verklarende variabelen zijn het bruto besteedbare huishoudinkomen en de hypotheekrente. In de kortetermijnvergelijking verklaren we de verandering van de reële huizenprijs ( ∆ht ) door een aantal prijsmutaties in de voorgaande perioden ( ∆ht-x ), de ontwikkeling van de hypotheekrente en het gemiddelde huishoudinkomen en de errorcorrectieterm (EC). De EC zorgt ervoor dat de werkelijke huizenprijs terugkeert naar zijn evenwichtsprijs. De gebruikte variabelen voor het ECM zijn samengevat in Tabel 1.

Tabel 1: Data prijsmodel
Tabel 1: Data

Ons ECM is geschat over de periode van 1975K1 tot en met 2015K1. Indien er geen kwartaaldata aanwezig zijn, zijn jaardata geïnterpoleerd naar kwartalen en maandelijkse data zijn over drie maanden gemiddeld om uiteindelijk een analyse op kwartaalbasis mogelijk te maken. Verder zijn de gebruikte variabelen reëel gemaakt met gebruik van de geharmoniseerde consumentenprijsindex. Daarnaast zijn de variabelen getransformeerd naar natuurlijke logaritmen voor een betere verdeling van de residuen van het model. Deze twee transformaties zijn niet gedaan met de hypotheekrente.

Modelspecificatie ECM Rabobank

Uiteindelijk hebben we de volgende modelspecificatie van ons ECM voor de lange termijn (vergelijking 1) en korte termijn (vergelijking 2) opgesteld:

                                                        (vergelijking 1)

(vergelijking 2)

Met t=(19751,19752,…,20151)

Vergelijking 1 laat zien dat we de evenwichtsprijs van koopwoningen () schatten op basis van het reële totale bruto besteedbare huishoudinkomen en de hypotheekrente[3]. Deze langetermijnrelatie laat zien dat wanneer het reële huishoudinkomen met 1% stijgt, de reële evenwichtsprijs van woningen met 1,14% toeneemt. Verder stijgt de reële evenwichtsprijs van woningen met 6,48% wanneer de reële hypotheekrente met 1%-punt daalt.

De kortetermijnvergelijking, vergelijking 2, laat zien dat prijsveranderingen in het verleden relevant zijn voor de huizenprijs van vandaag. Zo zijn er vier vertragingen van de reële huizenprijs opgenomen, getoond door de Δht - x coëfficiënten. Wanneer reële woningprijzen afgelopen kwartaal met 1% zijn gestegen (gedaald), zullen deze dit kwartaal met 0,54% omhoog (omlaag) gaan. De overige coëfficiënten van de vorige prijsveranderingen moeten we op dezelfde manier interpreteren. Verder leidt een stijging van de nominale hypotheekrente met 1%-punt in één kwartaal tot een daling van de reële huizenprijs in dat kwartaal met 0,62%. Een 1%-stijging in het reële gemiddelde inkomen per huishouden heeft een positief effect van 0,21% op de kortetermijnprijsontwikkeling. Als laatste betekent de errorcorrectieterm (h – h *)t-1 dat de reële huizenprijs bijvoorbeeld bij een overwaardering van 10% met 0,15% in één kwartaal zal dalen. Het omgekeerde geldt bij een onderwaardering van de huizenprijs.

Het opnemen van een vertraagde huizenprijs zorgt ervoor dat we voor een deel rekening houden met veranderingen in kredietvoorwaarden. Een eerste voorbeeld is de fiscale wijziging per 1 januari 2013 die ervoor zorgde dat men voor nieuwe hypotheken alleen nog hypotheekrenteaftrek kan krijgen bij een volledig annuïtaire- of lineaire aflossing (zie De Vries, 2014). Een tweede beleidsmaatregel van invloed op de huizenprijs is de afbouw van de hypotheekrenteaftrek met 0,5%-punt per jaar. Tot slot zijn de recente aanscherpingen van de Nibud-normen per 1 juli 2015 van belang. Het effect op de prijsontwikkeling van deze maatregelen werkt vervolgens door in de vertraagde termen van de huizenprijzen. Hierdoor nemen we de impact van deze beleidswijzigingen deels mee in de voorspellingen van het model.

Het consumentenvertrouwen en een krapte-indicator (het aanbod gedeeld door het aantal verkopen) zijn niet meegenomen in vergelijking 1 of 2, in lijn met de bestaande literatuur. Dit komt enerzijds doordat beide variabelen niet beschikbaar zijn vanaf 1975. Anderzijds zijn de variabelen methodologisch niet goed bruikbaar: het vertrouwen is naar de toekomst toe niet te voorspellen en de krapte-indicator als verklarende variabele geeft een technisch probleem. De huizenprijs en de krapte kunnen elkaar theoretisch gezien onderling beïnvloeden bij een inelastisch aanbod. Ook kan een hoger inkomen in dat geval samengaan met meer krapte [4].

Alle variabelen in het uiteindelijke model hebben een significant effect op de huizenprijsontwikkeling[5]. De verklaringsgraad [6] van de langetermijnvergelijking is 75% en op de korte termijn verklaart de vergelijking 85% van de ontwikkeling van de reële prijs van bestaande koopwoningen [7].

Uitkomsten ECM

Figuur 1 toont de uitkomst van de langetermijnvergelijking, de werkelijke prijsontwikkeling en het verschil tussen beide. Hierbij valt een aantal dingen op.

In de eerste plaats laat de grafiek zien dat er rond de jaren zeventig-tachtig sprake was van een forse overwaardering op basis van het inkomen en de hypotheekrente. In een korte periode van ongeveer drie jaar stegen de reële huizenprijzen met bijna 50%. Dat de prijzen snel daalden, is op basis van het model goed te begrijpen. Verder was dit ook het gevolg van de tweede oliecrisis (1979) en de economische crisis die daarop volgde.

Figuur 1: Huizenprijzen momenteel ondergewaardeerd
Figuur 1: Huizenprijzen momenteel ondergewaardeerdBron: Rabobank, Mahieu en Brussel (1996), CBS, Macrobond

Eind jaren tachtig begon een langdurige periode van onderwaardering. De werkelijke huizenprijs nam minder snel toe dan de evenwichtsprijs die door ons model wordt geschat. De doorlopend dalende hypotheekrente (figuur 2) en het stijgende huishoudinkomen (figuur 3) -mede door toenemende participatie van vrouwen op de arbeidsmarkt- vertaalden zich onvoldoende in een hogere prijs.

Begin deze eeuw sloeg de balans om. Achteraf kunnen we op basis van ons langetermijnmodel stellen dat de hoogte van de huizenprijs in de periode 2000-2008 niet meer te verklaren was met de hypotheekrente en het huishoudinkomen. Door de economische crisis, de voortdurende discussie over woningmarkthervormingen en de hypotheekrenteaftrek en de beperking van financieringsvoorwaarden daalden de huizenprijzen vervolgens harder dan op basis van deze factoren kon worden verwacht. Tot slot laat figuur 1 zien dat de reële huizenprijzen zich momenteel ongeveer 10% onder de door het model geschatte prijsevenwicht bevinden.

Figuur 2: Ontwikkeling hypotheekrente
Figuur 2: Ontwikkeling hypotheekrenteBron: DNB
Figuur 3: Inkomensontwikkeling
Figuur 3: InkomensontwikkelingBron: Macrobond, bewerking Rabobank

Structurele breuken in de evenwichtsprijs van woningen gevonden

Veel bestaande huizenprijsstudies nemen aan dat er geen veranderingen optreden in de langetermijnrelaties (Francke et al., 2009). Het is echter goed mogelijk dat er over de tijd veranderingen in de relaties optreden, ook wel structurele breuken genoemd, als gevolg van beleidsmaatregelen op de woningmarkt.

Een aantal econometrische testen constateren twee structurele trendbreuken [8]. Dit houdt in dat er veranderingen zijn in de langetermijnrelatie tussen de reële huizenprijs, het reële totale bruto besteedbare inkomen en de reële hypotheekrente. De breuken hebben plaatsgevonden in 1982 en 1991. Hier kunnen we een aantal verklaringen voor geven. De eerste breuk in 1982 is mogelijk het gevolg van het Akkoord van Wassenaar. Dit akkoord werd gesloten om het economische herstel te stimuleren en de werkloosheid te bestrijden. Hierbij kwamen de Nederlandse overheid en organisaties van werkgevers en werknemers een loonmatiging overeen in ruil voor arbeidstijdverkorting. Het akkoord had een grote impact op het inkomen van huishoudens en de Nederlandse economie. Voor de tweede breuk, in 1991, zijn twee verklaringen te geven. Zo was er sprake van een belastinghervorming in 1990, die leidde tot hogere maandlasten vanwege minder hypotheekrenteaftrek (Hart, 2010). Verder werd het vanaf 1991 mogelijk om een woning te financieren met een tweede inkomen voor de volledige duur van een hypotheek.

Vergelijking 1 hebben we opnieuw geschat waarin de twee structurele breuken in het evenwicht zijn opgenomen. Het blijkt dat het corrigeren voor breuken niet leidt tot een significant beter huizenprijsmodel [9]. Dit komt wellicht door de moeilijkheid om een accuraat evenwicht te schatten in de relatief korte periodes tussen de breuken. Wel is het van belang te weten dat de voorspelkracht van het model kan worden aangetast als er in de toekomst breuken ontstaan in de evenwichtsrelaties.

Voorspellen huizenprijzen op korte termijn tijdens een crisisperiode niet goed mogelijk…

Recent internationaal onderzoek toont aan dat er ook veranderingen in de kortetermijnrelaties kunnen optreden. Nneji et al. (2013) laten bijvoorbeeld zien dat de gebruikelijke variabelen die huizenprijzen verklaren tijdens een ‘crash’ niet meer werken. Veel Nederlandse studies nemen echter impliciet aan dat de kortetermijnrelaties tussen de ontwikkeling van huizenprijzen en de verklarende factoren constant blijven.

Om inzicht te krijgen in de verschillende relaties op de kortetermijnontwikkeling van Nederlandse huizenprijzen is de methode van Nneji et al. toegepast: een Markov regime-switching model. Dit model is in staat om de relaties per specifieke toestand (regime) van de woningmarkt weer te geven [10]. Het model definieert twee toestanden, namelijk een stabiele en een instabiele woningmarkt. In een stabiele markt verklaren de gebruikelijke determinanten de huizenprijs, zoals beschreven in vergelijking 2. In een instabiele markt verklaren de variabelen de ontwikkeling van de huizenprijs slecht. Het wisselen tussen de twee toestanden bepaalt het model aan de hand van een kansvariabele.

In figuur 4 is weergegeven wanneer de woningmarkt in een instabiele toestand verkeerde. Hierbij is het niet verwonderlijk dat de huizenprijzen in deze periode het sterkst dalen of stijgen. Zo vallen de crisis van de jaren tachtig en de recente economische neergang meteen op.

Tijdens de instabiele toestand vindt het model ook dat de gebruikelijke variabelen voor de huizenprijs geen significante invloed meer hebben. Zo blijkt bijvoorbeeld uit onze schattingsresultaten dat de hypotheekrente in die marktsituatie geen significant effect heeft op de ontwikkeling van de huizenprijs. Bovendien is de errorcorrectieterm insignificant, wat aantoont dat de huizenprijs niet terugkeert naar zijn evenwichtsprijs. Als laatste valt op dat het effect van de vorige prijsverandering (∆ht-1) in een instabiele markt lager is dan in een stabiele markt. Dit kan betekenen dat kopers op de woningmarkt minder handelen op basis van het verleden, wat de onzekerheid van potentiële kopers aangeeft tijdens een instabiele periode.

… maar nu de markt weer in een stabiele fase is, gaat dit beter

Figuur 4: Woningmarkt verkeert momenteel in een stabiele toestand
Figuur 4: Woningmarkt verkeert momenteel in een stabiele toestandBron: Rabobank, model toegelicht in de appendix

Aan de hand van figuur 4 kunnen we verder constateren dat de kans op een instabiele toestand is afgenomen vanaf het vierde kwartaal van 2012. Uiteindelijk is de woningmarkt in 2014 geleidelijk overgegaan naar een stabiele toestand. In het eerste kwartaal van dit jaar is de kans op een instabiele toestand slechts 10%. Hieruit concluderen wij dat de huizenprijzen zich momenteel weer beter modelmatig laten verklaren en voorspellen. Naar de toekomst toe hebben we echter altijd te maken met meer onzekerheden dan bij het verklaren van de historische prijsontwikkeling. Verder is er altijd een kans op een nieuwe instabiele marktsituatie. Tevens is het vertrouwen in de woningmarkt van invloed op de prijsontwikkeling, maar dit konden wij niet modelleren. Om rekenschap te geven van de inherente onzekerheid bij het doen van voorspellingen, zullen we bij onze verwachtingen voor de huizenprijzen in ons Kwartaalbericht Woningmarkt bandbreedtes blijven aangeven.

Voetnoten

[1] Deze uitleg van dit huizenprijsmodel is gebaseerd op de academische scriptie van Niels van der Windt. Deze scriptie is op te vragen via economie@rn.rabobank.nl. Onze dank gaat verder uit naar Professor Real Estate Valuation Marc Francke van de Universiteit van Amsterdam die Niels van der Windt bij het onderzoek heeft begeleid.

[2] Voor een uitgebreidere toelichting, zie hoofdstuk 3 van onze Special Over de waardering van woningen.

[3] Voor de lange termijn bleek de reële hypotheekrente een betere verklaring te geven voor de evenwichtsprijs. Op de korte termijn is de verklaringsgraad van de nominale hypotheekrente hoger. Dit is ook niet verwonderlijk: huishoudens kijken bij de verstrekking van een hypotheek naar de hoogte van de actuele nominale hypotheekrente. In het langetermijnperspectief speelt de inflatie wel een rol.

[4] In de econometrie ook wel bekend als het endogeniteitsprobleem.

[5] Technische noot: door actualisatie per kwartaal schommelen t-waarden beperkt. De t-waarde van de inkomensvariabele in de kortetermijnvergelijking verschoof significant; tot 2014K3 was deze boven de 2.

[6] In de statistiek ook wel bekend als R-kwadraat.

[7] Technische noot: de standaardfout van vergelijking 2 is 0,0077 en de DurbinWatson is 2,084. De relatief lage standaardfout is van belang voor de nauwkeurigheid van de kortetermijnvoorspellingen. De DurbinWatson geeft aan dat er geen autocorrelatie is.

[8] Technische noot: door het toepassen van testen door Hatemi-J (2008) is co-integratie aangetoond in vergelijking 1 wanneer we corrigeren voor twee breuken in de langetermijnrelatie. Verder hebben we ook breuken in de individuele tijdreeksen aangetoond met de testen van Zivot en Andrews (1992) en Clemente et al. (1998).

[9] De schattingsfout daalde niet en de verklaringsgraad nam evenmin toe.

[10] Zie appendix A voor de technische specificaties van het Markov regime-switching model.

[11] In het Markov regime-switching model is één vertraging van de verandering in de woningprijs gebruikt. Het toevoegen van meer vertragingen van de huizenprijs resulteerde niet in een significant beter model. 

Literatuur

Aalders, R. en P. van Dalen (2015). Herstel op de regionale woningmarkt. Rabobank, Utrecht.

Belt, R. van, P. de Vries, Piljic, D. en H. Stegeman (2013). Over de waardering van woningen. Rabobank, Utrecht.

Francke, M.K., Vujic S., en G.A. Vos (2009). Evaluation of house price models using an ECM approach: the case of the Netherlands. Technical report, Ortec Finance.

Hart, R. (2010). De hypotheekrenteaftrek en de huizenmarkt.

Hatemi-J, A. (2008). Tests for cointegration with two unknown regime shift with an application to financial market integration. Empirical Economics, 35, 497505.

Mahieu, R., en A. van Bussel (1996). A Repeat Sales Index for Residential Property in the Netherlands. Working paper, Limburg Institute of Financial Economics Maastricht.

Nneji, O., Brooks, C., en C. Ward (2013). House price dynamics and their reaction to macroeconomic changes. Economic Modelling, 32, 172178.

Priemus, H. (1978). Volkshuisvesting: problemen, begrippen, beleid. Alphen aan den Rijn: Samsom.

Verbruggen, J., Kranendonk, H., Van Leuvensteijn, M., en M. Toet (2005). Welke factoren bepalen de ontwikkeling van de huizenprijs in Nederland? Centraal Planbureau.

Vries, P. de (2010). Measuring and explaining house price developmentsProefschrift, OTB Delft.

Zivot, E., en W. Andrews (1992). Further evidence on the great crash, the oilprice shock, and the unitroot hypotheses. Journal of Business & Economic Statistics, 10, 251270.

Appendix: Werking Markov regime-switching model

Het Markov regime-switching model van Hamilton (1989) maakt het mogelijk om niet-lineaire relaties tussen huizenprijzen en de determinanten te analyseren. Het Markov regime-switching mechanisme is opgenomen in de kortetermijnvergelijking van het ECM. Dit resulteert in een model dat bestaat uit een aantal kortetermijnvergelijkingen die elk toebehoren aan een specifieke toestand van de woningmarkt. Het model is weergegeven in de volgende vergelijking: 

In de bovenstaande vergelijking geeft St de kans weer dat de woningmarkt in een bepaalde toestand verkeert. Deze kansvariabele is berekend aan de hand van een Markovketen van de eerste orde. Hierin wordt de kans berekend dat de woningmarkt van de ene toestand naar de andere toestand transformeert, waarbij de huidige toestand alleen afhankelijk is van de toestand een kwartaal eerder. De kansvariabele en de andere onbekende parameters in het model worden geschat aan de hand van een maximum likelihood procedure. Voor een technische omschrijving met betrekking tot de schatting van het model verwijzen wij u graag naar Hamilton (1989).

Om het aantal vergelijkingen/toestanden te bepalen, hebben we gebruik gemaakt van diverse likelihood testen. Alle testuitkomsten laten zien dat we de woningprijs ook kunnen verklaren als we onderscheid maken tussen twee verschillende toestanden op de woningmarkt. De gebruikte onafhankelijke variabelen in het model zijn een vertraagde verandering van de reële woningprijs, een vorige verandering in de nominale hypotheekrente en een vertraging van de afwijking van de werkelijke woningprijs ten opzichte van de evenwichtsprijs (geschat door de langetermijnrelatie in het lineaire ECM)[11]. De schattingsresultaten van het Markov regime-switching ECM zijn weergegeven in tabel 2.

Tabel 2: Schattingsresultaten Markov regime-switching ECM
Tabel 2: Schattingsresultaten Markov regime-switching ECM
Delen:
Auteur(s)
Pieter van Dalen
Rabobank KEO
030 21 2666
Paul de Vries
RaboResearch Nederland Rabobank KEO
030 21 62666

naar boven