RaboResearch - Economisch Onderzoek

Waarom een woning in de stad sneller verkoopt dan op het platteland

Themabericht

Delen:
  • De bevolkingssamenstelling verschilt per gemeente
  • Deze diversiteit verklaart deels het verschil in het aantal transacties ten opzichte van de woningvoorraad (omloopsnelheid) op de koopwoningmarkt
  • Ook economische factoren zorgen voor verschillen in omloopsnelheid
  • Ons model voorspelt voor dit jaar 206.000 transacties
  • Een toenemend aantal verkopen hoeft niet perse samen te gaan met een stijgende woningprijs 

Inleiding

De ontwikkeling van de woningmarkt wordt vaak geduid aan de hand van het aantal woningverkopen en de verandering van de huizenprijzen. Om beter zicht te krijgen op wat het aantal transacties op de woningmarkt beïnvloedt, schatten wij twee verschillende modellen. Om alle gemeenten eerlijk te kunnen vergelijken, meten we in de modellen niet direct het aantal transacties, maar de omloopsnelheid: het aantal transacties gedeeld door de koopwoningvoorraad. Het eerste model verklaart de omloopsnelheid in een gemeente, het tweede model de verandering van de omloopsnelheid. Voor het gemak rekenen we in dit Themabericht telkens terug naar het aantal transacties.

De belangrijkste conclusie is dat de omloopsnelheid wordt bepaald door: (1) de leeftijd, (2) het aantal geboorten, (3) de huishoudgrootte en (4) het inkomen. De verandering van de omloopsnelheid wordt beïnvloed door de verandering van (1) de hypotheekrente, (2) de huizenprijzen, (3) het aantal transacties en (4) het inkomen.

In dit Themabericht geven wij de achtergrond van beide modellen en de voorspellingen voor wat betreft het aantal transacties voor twee gemeenten in Nederland.

Gemeenten verschillen

Per gemeente verschilt de samenstelling van de woningvoorraad. Hierdoor verschilt ook de huishoudsamenstelling. Zo trekken grote steden vooral jongeren aan, terwijl ouderen juist vaker in kleinere steden en dorpen wonen. Gemiddeld is het aandeel van 20-29-jarigen in Groningen het hoogst (28 procent, zie figuur 1), terwijl het grootste aandeel 65-plussers in Laren te vinden is (31 procent, zie figuur 2). Ook in het gemiddelde huishoudinkomen (figuur 3) en de gemiddelde huishoudgrootte zien we grote verschillen. In Rozendaal is het gemiddelde inkomen het hoogst, zelfs tweemaal zo hoog als in Heerlen, de gemeente met het laagste gemiddelde inkomen. Wat huishoudgrootte betreft wonen er in de stad Groningen gemiddeld de minste mensen in één huis (1,66), terwijl in Urk gemiddeld 3,37 mensen in één woning wonen.

De verscheidenheid van huishoudens zorgt ervoor dat de woonwensen en de snelheid waarmee deze woonwensen veranderen per gemeente verschillen. Jongeren verhuizen bijvoorbeeld vaker dan ouderen. Deze verschillen zijn terug te zien in het aantal transacties ten opzichte van de woningvoorraad. Zo laat figuur 4 zien dat de grote steden[1] een hogere omloopsnelheid hebben dan omliggende gemeenten.

Figuur 1: Aandeel in bevolking leeftijd 20 tot 30 jaar in 2015
Figuur 1: Aandeel in bevolking leeftijd 20 tot 30 jaar in 2015Bron: CBS, bewerking Rabobank
Figuur 2: Aandeel in bevolking 65-plussers in 2015
Figuur 2: Aandeel in bevolking 65-plussers in 2015Bron: CBS, bewerking Rabobank
Figuur 3: Particulier besteedbaar huishoudinkomen 2012
Figuur 3: Particulier besteedbaar huishoudinkomen 2012Bron: CBS, bewerking Rabobank
Figuur 4: Hoogste omloopsnelheid in grote steden
Figuur 4: Hoogste omloopsnelheid in grote stedenBron: CBS, Kadaster, bewerking Rabobank

Hoe gemeentelijke verschillen zich doorvertalen naar de omloopsnelheid

Een korte beschrijving van de modellen

Om uit te zoeken welke factoren de omloopsnelheid in Nederland beïnvloeden, hebben wij voor een tweeledige aanpak gekozen. Enerzijds hebben we onderzocht wat de omloopsnelheid in Nederlandse gemeenten beïnvloedt. Anderzijds is onderzocht welke factoren een stijging of daling van de omloopsnelheid veroorzaken. Hiervoor maken wij gebruik van twee verschillende modellen, die wij hieronder kort toelichten. In de bijlage staat hoe wij de relaties tussen de omloopsnelheid, de economische ontwikkelingen en huishoudkenmerken precies hebben gemodelleerd.

Model 1: Omloopsnelheid

In ons eerste model verklaren wij de omloopsnelheid in een gemeente. Een belangrijke conclusie is dat de demografie de omloopsnelheid voor een groot deel verklaart. Wij zien significante verschillen in de omloopsnelheid tussen gemeenten waar weinig en veel jonge mensen (tussen de 15-44 jaar) wonen. Hoe jonger de samenstelling, hoe vaker er wordt verhuisd. Dit zou te maken kunnen hebben met sneller veranderende woonwensen. Mensen tussen de 15 en 44 jaar gaan op zichzelf wonen, krijgen hun eerste baan, vinden vaak een partner, gaan samenwonen, krijgen kinderen en gaan settelen. Uit ons onderzoek blijkt dat er vaker wordt verhuisd naar koopwoningen in gebieden met relatief hoge geboortecijfers. Zodra het gezin uiteindelijk compleet is, wordt men juist honkvast: in gebieden waar relatief veel mensen in één woning wonen, verhuizen mensen minder vaak. In gebieden met hoge inkomens verhuist men juist vaker.

Model 2: Verandering van de omloopsnelheid

Met ons tweede model verklaren wij de jaarlijkse stijging of daling van de omloopsnelheid per gemeente. We zien dat veranderingen in economische indicatoren zich vertalen in kortetermijnfluctuaties van de omloopsnelheid. De reden hiervoor is dat de woningmarkt een niet-efficiënt werkende markt is, wat inhoudt dat actuele gebeurtenissen niet meteen maar op termijn doorwerken in de richting van een marktevenwicht. Dit resulteert erin dat (1) de woningmarkt vertraagd reageert op veranderingen in de economie, en (2) dat wanneer de omloopsnelheid toeneemt (afneemt), dat die toename (afname) ook meerjarig is.

Een voorbeeld hiervan is de invloed die de verandering van de hypotheekrente heeft op de verandering van de omloopsnelheid. We zien dat huishoudens niet meteen een woning gaan kopen als de rente daalt, maar afwachten of de daling doorzet. Ook kost een koopbeslissing tijd en duurt het maanden voordat de koop daadwerkelijk rond is. Er is dus altijd een vertraagd effect van de hypotheekrente op de omloopsnelheid. Dit effect kan een aantal jaren vertraagd zijn. In de huidige situatie betekent dit dat de daling van de hypotheekrente een meerjarige stijging geeft van de omloopsnelheid.

Een stijging van het huishoudinkomen zorgt voor een toename van de omloopsnelheid. Net als de rente heeft het huishoudinkomen een vertraagd effect, maar dan niet meerjarig.

Effect van de woningprijs op de omloopsnelheid

In het model waarmee wij de verandering in de omloopsnelheid verklaren (model 2) is ook een relatie gelegd met de verandering van de woningprijs. Vaak zien we dat wanneer de woningprijzen stijgen, er ook vaker een koopwoning wordt gekocht in een gemeente (zie figuur 5). Wij vinden een correlatie van 32 procent tussen beide reeksen, wat betekent dat de ontwikkeling van de woningprijzen in gemeenten positief samenhangt met de ontwikkeling van de omloopsnelheid.

Figuur 5: Huizenprijzen hangen sterk samen met het aantal woningverkopen
Figuur 5: Huizenprijzen hangen sterk samen met het aantal woningverkopenBron: CBS, bewerking Rabobank

Als wij ook rekening houden met een set aan verklarende economische factoren, dan vinden we juist een kleine negatieve (statistisch significante) relatie tussen de woningprijzen en het aantal transacties ten opzichte van de koopwoningvoorraad. Dit impliceert dat een stijging van de woningprijzen juist zou kunnen zorgen voor een (kleine) daling in de omloopsnelheid. Hoe deze twee écht in relatie tot elkaar staan, is een onderwerp van wetenschappelijk onderzoek. Er zijn onderzoeken die een positieve relatie vinden tussen de woningprijs en de omloopsnelheid (Berkovec & Goodman, 1996; Clayton, Miller, & Peng, 2010; Genesove & Han, 2012; Genesove & Mayer, 2001; Stein, 1995). Maar, er zijn er ook genoeg die, net als wij, een negatieve relatie vinden (Dröes & Francke, 2016; Follain & Velz, 1995). Het zou namelijk kunnen zijn dat de omloopsnelheid en de woningprijzen niet worden beïnvloed door elkaar, maar dat beide door dezelfde economische factoren worden beïnvloed waardoor ze uiteindelijk een zelfde ontwikkeling laten zien. Er is dan geen sprake van een positief causaal verband.

Uitkomsten: aantal transacties per gemeente

Met behulp van onze modellen kunnen we verschillen in het aantal transacties tussen gemeenten verklaren. Ook is het mogelijk om een blik te geven op de nabije toekomst. Hier is wél voorzichtigheid bij geboden: hoewel modellen behulpzaam zijn bij het vormen van verwachtingen, zijn ze niet meer dan een hulpmiddel. Het model geeft slechts een indicatie van de richting waarin de markt zich ontwikkelt. Naast het gebruik van modellen moet altijd een grote dosis gezond verstand worden gebruikt.

Met de geschatte modellen geven wij een voorbeeld van de mogelijkheden die deze te bieden hebben. Het gaat om de inschatting van het aantal transacties (model 1) in twee aanzienlijk van elkaar verschillende gemeenten: Tilburg en Loppersum. Verder voorspellen wij, met behulp van het tweede model, de verandering in het aantal transacties over 2016 in Nederland.

Voorbeeld: aantal transacties in Tilburg en Loppersum
Tilburg en Loppersum zijn uiteenlopende gemeenten. In tabel 1 staan alle kenmerken die zijn gebruikt in het eerste model voor het jaar 2012. Tilburg is in 2012 ‘jonger’: 49 procent van het aantal huishoudens heeft een leeftijd tussen de 15-44 jaar, terwijl dit in Loppersum 30 procent is. Omdat jonge mensen gemiddeld vaker verhuizen, verklaart dit deels waarom er in Tilburg vaker wordt verhuisd dan in Loppersum. Een tweede verklarende factor is het inkomen. Dit ligt iets lager in Tilburg dan in Loppersum. Waar men in Tilburg gemiddeld 31.600 euro verdient, heeft men in Loppersum gemiddeld 32.400 euro te besteden. Dit zorgt ervoor dat in ons model in Loppersum iets meer wordt verhuisd naar een koopwoning dan in Tilburg. Uit ons model blijkt verder dat de huishoudgrootte een negatief effect heeft op hoe vaak er wordt verhuisd. In Tilburg wonen minder mensen in één huis (2,06) dan in Loppersum (2,36), waardoor in Tilburg (modelmatig) meer transacties zijn. Daarnaast is het aantal geboorten binnen een gebied een indicator dat er vaker wordt verhuisd. Het aantal geboorten ligt hoger in Tilburg met 2.217, terwijl dit in Loppersum maar 94 was.

Tabel 1: Belangrijkste kenmerken Tilburg en Loppersum in 2012
Tabel 1: Belangrijkste kenmerken Tilburg en Loppersum in 2012Bron: CBS, bewerking Rabobank

Ons model voorspelt 1.663 transacties in Tilburg voor het jaar 2013, en 66transacties in Loppersum. In werkelijkheid was het aantal transacties in beide gemeenten lager (1.330 en 43). Dat in beide gemeenten meer verkopen worden geschat dan dat er in werkelijkheid plaatsvonden, is toeval. In hetzelfde jaar zijn er tal van gemeenten waarbij het model op minder verhuizingen uitkwam dan er in werkelijkheid plaatsvonden.

Voorbeeld: voorspelling verandering aantal transacties voor 2016
Met behulp van het tweede model kunnen we voorzichtig een vooruitzicht geven voor de toe- of afname van het aantal transacties in Nederland in 2016[2]. Tabel 2 geeft de ontwikkeling over het voorgaande jaar van de economische variabelen die in het model worden gebruikt. Voor de verandering van de hypotheekrente is het effect meerjarig; daarom is ook de daling van 2014 opgenomen (zie bijlage).

Tabel 2: Verandering van economische variabelen gebruikt in het model
Tabel 2: Verandering van economische variabelen gebruikt in het modelBron: CBS, bewerking Rabobank

Volgens het model heeft de hypotheekrente het grootste effect op het aantal transacties. De flinke daling van de hypotheekrente zorgt voor een hogere omloopsnelheid op de koopwoningmarkt. Verder houdt ons model rekening met het psychologische effect. Dit betekent dat de stijgende omloopsnelheid in 2015 vertaalt zich naar een hogere omloopsnelheid in 2016. De stijgende prijzen hebben, volgens ons model, een klein negatief effect op het aantal transacties in 2016. De stijgende inkomens hebben juist een klein positief effect.

Al met al voorspelt het model een stijging van 15,5 procent van het aantal transacties in 2016 ten opzichte van 2015. Dit komt neer op 206 duizend transacties. Dit cijfer is in lijn met onze verwachting voor het aantal transacties dit jaar (zie ons laatste Kwartaalbericht Woningmarkt).

Voetnoten

[1] De cijfers betreffen het jaar 2012. In 2015 lag de omloopsnelheid gemiddeld hoger.

[2] Het is met dit model ook mogelijk vooruitzichten te geven van individuele gemeenten. 

[3] Meer informatie over hoe beide modellen precies zijn samengesteld kunt u vinden in Modelling existing home sales in densely and thinly populated areas in the Netherlands, Lisa Hoving.

[4] Omloopsnelheid is gedefinieerd als het aantal transacties gedeeld door de woningvoorraad. Leeftijd (15-44) is gedefinieerd als het percentage huishoudens met de leeftijd 15-44 in een gemeente. Aantal geboorten is gedefinieerd als het aantal geboorten in een gemeente. Het inkomen is gedefinieerd als het gemiddelde huishoudinkomen in een gemeente. De huishoudgrootte is gedefinieerd als het aantal mensen dat gemiddeld woonachtig is in één huis in een gemeente. Banen is gedefinieerd als de totale werkgelegenheid van een COROP-gebied waar de gemeente in valt.

[5] Omloopsnelheid is gedefinieerd als het aantal transacties gedeeld door de woningvoorraad. Huizenprijzen zijn gedefinieerd als de gemiddelde transactieprijs in een gemeente. De hypotheekrente is gedefinieerd als de gemiddelde hypotheekrente op nieuwe hypotheken. Het inkomen is gedefinieerd als het gemiddelde huishoudinkomen in een gemeente.

Literatuur

Berkovec, J. A., & Goodman, J. L. (1996). Turnover as a measure of demand for existing
homes. Real Estate Economics, 24(4), 421-440

Clayton, J., Miller, N., & Peng, L. (2010). Price-volume correlation in the housing market:
causality and co-movements. The Journal of Real Estate Finance and
Economics, 40(1), 14-40

Dröes, M. I., & Francke, M. (2016). The Price-Turnover Relationship in European Housing
Markets (No. eres2015_295). European Real Estate Society (ERES)

Follain, J. R., & Velz, O. T. (1995). Incorporating the number of existing home sales into a
structural model of the market for owner-occupied housing. Journal of Housing
Economics, 4(2), 93-117

Genesove, D., & Han, L. (2012). Search and matching in the housing market. Journal of
Urban Economics, 72(1), 31-45

Genesove, D., Mayer, C., 2001. Loss aversion and selling behavior: evidence from the
housing market. Quarterly Journal of Economics 116, 1233–1260

Stein, J.C., 1995. Prices and Trading Volume in the Housing Market: A Model with Down‐
Payment Effects, Quarterly Journal of Economics 110, 379‐406

Bijlage: Hoe worden de modellen precies geschat?

Om het aantal transacties gedeeld door de koopwoningvoorraad (omloopsnelheid) per gemeente te verklaren, zijn twee modellen geschat: één om de omloopsnelheid en één om de verandering van de omloopsnelheidte kunnen verklaren. Gebruikte data bevatten de periode 2000-2013. In deze modellen gebruiken we data op gemeenteniveau.

Model 1: omloopsnelheid
Model 1 verklaart de omloopsnelheid. Uit de theorie komt naar voren dat er een verband is tussen de omloopsnelheid (afhankelijke variabele) en de onafhankelijke variabelen (1) percentage ‘jonge huishoudens’ (leeftijd 15/44), (2) aantal geboorten, (3) inkomen in euro’s, (4) huishoudgrootte en (5) aantal banen. Om dit verband te testen, is een regressieanalyse gebruikt. In dit model wordt de omloopsnelheid elk jaar opnieuw geschat. Hiervoor wordt er dus elk jaar opnieuw een regressie gedaan[3]. De reden hiervoor is dat de omloopsnelheid en het inkomen niet stationair zijn in de gebruikte tijdreeks. In de regressies worden data op gemeenteniveau gebruikt. De data over demografische variabelen zijn dus een gemiddelde over huishoudens die in een koop- en huurwoning wonen. Dit betekent dat er geen onderscheid wordt gemaakt tussen huishoudens die van en naar een koopwoning verhuizen, en huishoudens die van een koopwoning (huurwoning) naar een huurwoning (koopwoning) verhuizen. In 2012 is de output van het geschatte model bijvoorbeeld:

(Vergelijking 1)[4]: Omloopsnelheid=-0,167+0,039Leeftijd(15/44)t-1+0,0009LnGeboortest-1-+0,02Ln(inkomen)t-1 -0,013huishoudgroottet-1-0,0007Ln(banen)t-1

Interpretatie van vergelijking 1 is als volgt: als er bijvoorbeeld in een gemeente 10 procent meer jonge huishoudens wonen dan gemiddeld, dan ligt de omloopsnelheid gemiddeld 0,39 procentpunt hoger. Er wordt ook vaker verhuisd in gemeenten waar gemiddeld meer kinderen worden geboren. De interpretatie van het aantal geboorten ligt wel anders dan bij de leeftijd. Dit komt doordat het aantal geboorten is getransformeerd door gebruik te maken van de natuurlijke logaritme. Als er bijvoorbeeld in een gemeente 20 procent meer kinderen worden geboren dan gemiddeld, dan ligt de omloopsnelheid gemiddeld 0,018 procentpunt hoger. Voor interpretatie van de coëfficiënten moet worden meegenomen dat de gemiddelde omloopsnelheid per gemeente 2,5 procent bedroeg in 2012.

Ons onderzoek vindt geen bewijs dat er vaker of minder vaak wordt verhuisd in gebieden met meer werkgelegenheid. De coëfficiënt van werkgelegenheid is, als enige, niet significant in de vergelijking. In bijna alle jaren is dit het geval.

Van jaar tot jaar fluctueren de verkregen coëfficiënten weinig. Dit betekent dat de modellen van jaar op jaar vergelijkbaar zijn3. De variatie in de omloopsnelheid kan het model goed verklaren. De R-kwadraat varieert van 55 procent tot 73 procent in de periode 2000-2013.

Model 2: verandering omloopsnelheid
Model twee verklaart de verandering van de omloopsnelheid. Om de verandering van de omloopsnelheid te modelleren, is er een andere econometrische methode nodig. De gebruikte methode is ‘Two Stage Generalized Method of Moments (GMM)’. Hierbij wordt de verandering van de omloopsnelheid in twee stappen geschat. De verandering van zowel huizenprijzen als de omloopsnelheid wordt geïnstrumenteerd op een aantal vertragingen3. Uit de theorie komt naar voren dat er een verband is tussen de verandering van de omloopsnelheid (afhankelijke variabele) en onafhankelijke variabelen: de verandering van (1) de hypotheekrente, (2) de huizenprijzen, (3) de omloopsnelheid en (4) het inkomen. De regressie is geschat over de periode 2000-2013. De reden dat deze regressie over de gehele tijdreeks geschat is, komt omdat de gebruikte variabelen wel stationair zijn in eerste verschillen.

(Vergelijking 2) ∆omloopsnelheid[5]= 0,3∆omloopsnelheidt-1-0,007∆Ln(huizenprijzen)t-1-0,119∆Hypotheekrentet-1-1.07∆Hypotheekrentet-2+0,02∆Ln(inkomen)t-1

Vergelijking 2 laat zien dat de verandering van de omloopsnelheid in een gemeente wordt geschat op basis van de omloopsnelheid, de huizenprijzen, de hypotheekrente en het huishoudinkomen. ∆ geeft hierbij telkens aan dat het om de verandering van een variabele gaat. Alle variabelen zijn één jaar of meer vertraagd opgenomen.

Deze regressie laat zien dat wanneer de hypotheekrente twee jaar geleden daalde met -0,43 procent, de omloopsnelheid dit jaar verwacht wordt met 0,46 procentpunt te stijgen. Aangezien de huizenprijzen en het huishoudinkomen zijn getransformeerd met gebruik van de natuurlijke logaritme (Ln) is de interpretatie iets anders: als het inkomen vorig jaar met 2 procent steeg in een gemeente, dan is de verwachting dat de omloopsnelheid met 0,04 procentpunt stijgt. Voor interpretatie van de coëfficiënten moet worden meegenomen dat de gemiddelde omloopsnelheid per gemeente 2,5 procent bedroeg in 2012.

Al met al verklaart dit model de variatie in transacties goed; de R-kwadraat van het model is 53 procent.

Delen:
Auteur(s)
Lisa Hoving
RaboResearch Nederland Rabobank KEO
030 - 21 62666
Paul de Vries
RaboResearch Nederland Rabobank KEO
030 21 62666

naar boven