Invloed van buy-to-let op de prijzen van de huizenmarkt : onderzoek van Amsterdam, Londen en Berlijn

Invloed van buy-to-let op de prijzen

van de huizenmarkt

Onderzoek van Amsterdam, Londen en Berlijn

Suzanne van Dijk

10768866

Economie

Supervisor: Leonard Trueren

26 Juni 2018

Abstract:

Door de snelle groei van de huizenprijzen in Europese steden in combinatie met de lage spaarrente sinds de crisis, werd de buy-to-let een interessante investeringsmogelijkheid. Tijdens dit onderzoek wordt er gekeken naar de invloed van de buy-to-let investeerders op de huizenmarkt in de steden Amsterdam, London en Berlijn met behulp van OLS schattingen en Panel data methode. De conclusie is dat er geen significante invloed van buy-to-let

2

Statement of Originality

This document is written by Suzanne van Dijk who declares to

take full responsibility for the contents of this document.

I declare that the text and the work presented in this document

are original and that no sources other than those mentioned in

the text and its references have been used in creating it.

The Faculty of Economics and Business is responsible solely for

the supervision of completion of the work, not for the contents.

3

Inhoudsopgave:

4

1. Introductie

De recente ontwikkelingen op de Amsterdamse huizenmarkt zijn al enkele jaren een onderwerp van gesprek, wat ook regelmatig in het nieuws naar voren komt. Dit is vanaf het einde van de financiële crisis, vanaf 2013. De prijzen zijn spectaculair gestegen, ook veel sneller in vergelijking met andere delen in Nederland (CBS, 2016).

Tegelijkertijd daalde de spaarrente van de banken aanzienlijk, hierdoor daalde het rendement op sparen tot een minimum level en de rendementsvooruitzichten waren ook matig (Janssen, 2017).

Door deze samenloop van omstandigheden is er een aantrekkelijk

investeringsmogelijkheid gecreëerd, dit leidde tot het ontstaan van een nieuw fenomeen in Nederland: buy-to-let. Buy-to-let betekent dat het doel van de aankoop van een huis is, om er niet om er zelf in te gaan wonen, maar om het direct te verhuren om er zo winst op te maken en de aankoop van een huis dus enkel als investering te zien (Ball, 2006). Het is vooral populair bij individuele investeerders,

5

zoals een aankoop van een huis voor studerende kinderen door ouders met pensioenplannen (Gibb & Nygaard, 2005). Het is namelijk een uiterst gunstige belegging voor mensen met vermogen, nu is verhuren een goed alternatief voor sparen (Rijk, 2017).

Dit fenomeen beperkt zich niet tot Amsterdam. In Berlijn stijgen op het moment de huizenprijzen het sterkst van heel Europa, prijzen zijn sinds 2009 met gemiddeld tien procent per jaar gestegen. De voorspellingen zijn dat deze prijsstijging in dit tempo voortzet door het huistekort en de sterke populatie groei in Berlijn (Möber, 2018). De buy-to-let investeerders zien de huizenmarkt in Berlijn nu ook als een interessante markt.

Dit fenomeen is ontstaan in het Verenigd Koninkrijk in de midden van de jaren negentig (Leyson & French, 2009). De eerste succesverhalen van investeerders komen uit Londen vanaf het begin van deze eeuw en leidden tot vele studies in de afgelopen jaren.

De veranderingen in de stedelijke omgeving van de drie bovengenoemde steden en tot dusver nog onbekende consequenties op huizenprijs leidden tot mijn

hoofdvraag: Wat is het gevolg van een relatieve stijging van het aantal buy-to-let investeerders op de prijzen van de huizenmarkten? Dit zal ik onderzoeken aan de hand van drie verschillende steden: Amsterdam, Londen en Berlijn. Ik maak gebruik van drie totaal verschillende steden voor het controleren van de cross-stad variatie. Daarnaast is er gekozen voor steden uit drie verschillende landen, omdat er tijdens het onderzoek ook gebruik wordt gemaakt van macro-economische datasets en deze variëren alleen tussen landen en zo kunnen deze effecten worden gescheiden.

Tijdens dit onderzoek wordt buy-to-let gemeten door het aantal huiseigenaren te delen door het aantal huizen in de stad, de focus ligt dus op de relatieve stijging van buy-to-let in vergelijking met het aantal huizen. Hiervoor is gekozen, omdat de conclusie gaat over de invloed van de fractie buy-to-let op de huizenprijzen. Als er gebruik werd gemaakt van het aantal buy-to-let investeerders werd er niet

6

invloed heeft op de prijs. Daarnaast gebruiken de meeste onderzoeken van buy-to-let relatieve verklarende variabele.

De conclusie van mijn thesis, wat is het effect van buy-to-let op de prijs van huizen, kan zinvol zijn voor vele belangrijke spelers van de desbetreffende steden. Dit komt doordat de gevolgen groot zijn en niet alleen maar positief.

In Amsterdam leeft de angst dat de gevolgen kunnen leiden tot een verwoesting van het gemengde Amsterdamse karakter en er geen plaats voor de ‘gewone’

Amsterdammer blijft, waarmee wordt bedoeld dat “leraren, politieagenten en verpleegkundigen de stad worden uitgejaagd!” (Moorman, 2016). Deze gevolgen zullen groter zijn als buy-to-let meer invloed heeft op de prijs.

Verder zijn er zorgen over de invloed van buy-to-let op de stijging van

welvaartsongelijkheid. De buy-to-let investeerders nemen met name de plek in van potentiele kopers die voor het eerst een huis willen aanschaffen (Levene, 2007). Vooral potentiele kopers van een eerste huis, zonder een zogenoemde ‘bank van mam en pap’ die helpen met de aanbetaling, hebben het moeilijk om een huis te kopen. Door de nieuwe, financieel krachtige kopers kunnen verkopers strengere eisen stellen aan kopers (Kemp, 2015). Potentiele bewoners zullen dus over meer financiële middelen moeten beschikken dan voorheen en meer afhankelijk zijn van alternatieve financiering. Hierdoor zorgt de huidige woningmarkt dat wie rijk is nog rijker wordt en wie arm is een steeds grotere hypotheekschuld heeft. in Amsterdam heeft zelfs 25 procent van de kopers geen hypotheek meer nodig, vaak doordat ouders belastingvrij kunnen schenken aan hun kinderen die een huis kopen (Rijk, 2017).

Ik verwacht dat mijn onderzoek interessant zal zijn voor investeerders die op zoek zijn naar veilige investeringsmogelijkheden bij de lage rentestand. Door deze ontwikkelingen op de markt zullen potentiele bewoners van de stad ook

geïnteresseerd zijn in de conclusies van dit onderzoek, doordat de verschillen tussen woonlasten en woonkansen er mee gemoeid gaan. Daarnaast zullen huidige bewoners geïnteresseerd in de conclusies, los van investeringsmogelijkheden, doordat het de bevolkingssamenstelling en dus de sfeer in een stad kan beïnvloeden.

7

Bovendien zijn de bevindingen interessant voor de politiek om er te voorkomen dat buy-to-let tot nadelen gaat leiden, hier kunnen zowel de lokale als de landelijke overheid ingrijpen. De gemeente Amsterdam is er al op meerdere manieren mee bezig, zoals het invoeren van een puntensysteem voor het instellen van een plafond van de huurprijs van koop voor verhuur (Rijk, 2017). Al zal de landelijke overheid hier een grotere rol in kunnen spelen. De Britse regering heeft al maatregelen getroffen door de introductie van ‘stamp duty tax’. Dit is een extra

overdrachtsbelasting voor het kopen van een tweede of volgende woningen (Aalbers et al, 2018). In Duitsland, waar in tegenstelling tot Nederland de hypotheekmarkt niet gereguleerd is en daar moeten ze veel groter deel van de koopprijs sparen. Het gevolg is dat de meerderheid in Duitsland huurt en de huren ook veel lager zijn en de prijzen in Duitsland. Het regeringsbeleid in Nederland heeft tot tegengestelde resultaten geleverd. De overheid heeft een belangrijke rol gespeeld in de groei voor buy-to-let, omdat er te laat is ingegrepen in de hypotheekrenteaftrek en de loan-to-value (LTV) regeling van de hypotheken toen de huizenprijzen begonnen met stijgen. Bij grote gevolgen van buy-to-let op prijs, wat de betaalbaarheid belemmert voor het middenklas segment, kan de regering maatregelen introduceren om buy-to-let te beperken. Op het moment zijn de verschillen in het woonbeleid zeer groot tussen de landen. (Rijk, 2017).

Daarnaast kunnen de resultaten ook belangrijk zijn voor nationale centrale banken. De bank of England heeft inmiddels macht verkregen over het beteugelen over de buy-to-let hypotheek markt, door restricties op te leggen over de grootte van een lening (Treanor, 2016). Bij veel invloed van de buy-to-let investeerders op de huizenprijs en het realistisch worden van de nadelen, moeten de andere Centrale banken dit soort maatregelen ook gaan overwegen.

Het onderzoek is dus van groot belang en veel betrokkenen zijn er mee gemoeid. Hierna volgt een hoofdstuk met de theoretische achtergrond, hierin worden

voorbeelden uit het verleden beschreven en resultaten uit andere papers besproken. Vervolgens wordt het proces van het verzamelen van de data beschreven. Daarop

8

volgt de methodologie van de onderzoeksvraag, gevolgd door de resultaten. Achtereenvolgend komt er een discussie over het onderzoek met een conclusie als einde.

2. Theoretisch kader

Huizenmarkten van de grote steden in Europa zijn drastisch veranderd na de

financiële crisis. Dit komt door ontelbare oorzaken, maar tijdens dit onderzoek zal de nadruk liggen op de invloed op de prijs van kopers die het direct verhuren, wat buy-to-let wordt genoemd. In dit hoofdstuk worden de theoretische achtergrond en

resultaten van voorafgaande onderzoeken van buy-to-let besproken, maar eerst wordt het ontstaan van buy-to-let besproken . Daarna wordt er gekeken naar de invloeden van buy-to-let in Glasgow, vervolgens worden de verschillen een land besproken, om te eindigen met het beschrijven van internationale verschillen.

2.1 Oorsprong van buy-to-let

Het fenomeen is oorspronkelijk in de tweede helft van de jaren negentig ontstaan in het Verenigd Koninkrijk. Al bestond het privé verhuur van huizen altijd al, maar de markt is in die tijd zeer snel gegroeid naar aanleiding van een samenloop van factoren. Het begon met de deregulatie van de huurmarkt in 1988. Hiernaast werden er in deze tijd bepaalde belastingen afgeschaft die verhuurders moesten betalen en verminderden de subsidies voor huiseigenaren. Hieruit volgde dat het bezitten van eigen woning duurder werd en kopers die voor het eerst een huis willen aanschaffen het als eerste lastig kregen op de koopmarkt, ook doordat het lastiger werd de

aanbetaling te financieren voor potentiele hypotheekafnemers (Ball, 2004). Ondanks diverse beleidsmaatregelen die buy-to-let aanmoedigden, steeg het aantal buy–to-let investeerders langzaam. De grote groei kwam later tot stand, doordat private

investeerders gingen samenwerken met professionele beleggingsinstellingen. Het gekochte eigendom door private investeerders werd vervolgens verhuurd door een

9

vereniging van residentiele verhuurmakers (ARLA). Deze unie bestond uit agenten die naar aanleiding van deze beleidsveranderingen bereidwillige

hypotheekverstrekkers zochten en goedkopere leningen aanboden aan de beleggers, leningen die niet verschillen van de hypotheek lening afspraken van de eigenaar-bewoner. Vanaf midden jaren negentig is de buy-to-let markt in het Verenigd Koninkrijk snel gegroeid (Gibb & Nygaard, 2005).

Hierna hebben vele wetenschappers zich verdiept in de gevolgen voor de

huizenprijsontwikkelingen. In het Verenigd Koninkrijk is buy-to-let veruit het meest bepalend voor de Londens huizenmarkt, 47 procent van de totale buy to let

investeringen in het Verenigd Koninkrijk vonden tijdens de laatste jaren van de vorige eeuw plaats in Londen (Leyson & French, 2009).

2.2 Glasgow

Een van de onderzoeken van buy-to-let is een gedetailleerde beschrijving van de gevolgen van buy-to-let in Glasgow, een stad met relatief veel buy-to-let

investeerders (Gibb & Nygaard, 2005). De studie bestaat uit een kwalitatief en kwantitatief onderzoek. Het kwalitatieve onderzoek bestaat uit een enquête van verhuurders en interviews met experts van de investeringsmarkt op het gebied van huizen. Alleen is de steekproef van het kwalitatieve onderzoek niet representatief voor het geheel Glasgow. Er werden in totaal 24 enquêtes afgenomen bij verhuurders en 13 interviews werden er uitgevoerd bij de experts.

Hierdoor ligt de nadruk op de tweede methode, het kwantitatieve onderzoek. Dit berekent de grootte van de fractie van buy-to-let transacties van het totaal aantal transacties ten opzichte van gegeneraliseerde lineaire modellen. Deze modellen maken gebruik van een relatieve verhouding tussen private huursector en deel van alle eigendom als afhankelijke variabele en van meerdere verklarende variabelen. Het zijn een paar belegging gerelateerde factoren, de opportuniteitskosten om te investeren in de huizenmarkt in plaats van ergens anders, en de omzet van eigendom, meting van de relatie tussen de asset liquiditeit en huurlasten. Daarnaast zijn er onafhankelijk

10

variabelen toegevoegd om de inwoners te proberen te identificeren, dummy variabele voor een voltijd student, een variabele voor geschoolde werkers en dummy variabele of je voltijd werkende bent. Tenslotte is een variabele toegevoegd om de ontwikkeling van nieuwe huizen te controleren.

Uiteindelijk beschrijven de data dat impact van buy-to-let in Glasgow aanzienlijk verschilt van de trend in het Verenigd Koninkrijk. Een verklaring kan zijn dat

Glasgow een stad is met relatief veel professionals en studenten. Gevolg is dat het aandeel leegstaande woningen in Glasgow veel sneller daalt dan in de rest van het Verenigd Koninkrijk en ook van Schotland. Zij concluderen dat buy-to-let

investeerders in Glasgow een grote rol spelen, in plaats van instituten en zakelijke verhuurders. Het artikel signaleert wel dat de buy-to-let investeerders geen homogene groep vormen en elke investeerder anders reageert op veranderingen in de markt. Sommige investeren hebben een lange termijn horizon, anderen een veel kortere. (Gibb & Nygaard, 2005). Het artikel benadrukt de andere gevolgen van buy-to-let in een grote stad in vergelijking met de rest van het land. Aan de hand van het paper is duidelijk geworden dat de gevolgen van buy-to-let relatief veel grotere rol spelen in grote steden, zoals de hoofdstad Glasgow, dan in een heel land.

2.3 Verschillen in Nederland

Na het aantrekken van de economie in ongeveer 2013 verschenen wereldwijd onderzoeken over de ruimte verhouding tussen huizenprijzen binnen een land.

Teye & Ahelegbey onderzochten dit in Nederland (2017), met gebruik van de nieuwe onderzoekstechniek, genaamd Bayesian Graphical Vector Auto Regression (BG-VAR), die het mogelijk maakt om complexe ruimtelijke interacties tussen huizenprijzen te analyseren.

In het artikel wordt gebruik gemaakt van tijdelijke volatiliteiten gebaseerd van huizenprijsindex per kwartaal van Nederland tussen 1995 en 2016. Het onderzoek toont aan dat Noord-Holland de hoogste graad van centralisatie, de spreiding van huizenprijzen, heeft. Dit komt overeen met vergelijkbaar onderzoek voor het

11

Verenigd Koninkrijk, waar hetzelfde resultaat voor Londen en omstreken is gevonden (Holly et al, 2011; Giussani & Hadjimatheou, 1991). Daarnaast associeerde deze graad met het niveau van de netwerk structuur, de netwerk dichtheid voor het schatten van de onafhankelijkheid tussen de regio prijzen door de tijd heen. De resultaten zijn van belang, omdat deze regio’s de spil zijn voor huizenprijzen veranderingen (Teye & Ahelegbey, 2017).

De focus van dit onderzoek ligt op de vergelijking binnen een land. De

huizenprijzen groeien sneller in de grote steden in vergelijking met de rest van het land.

2.4 Nationale verschillen

Tijdens de nu te bespreken onderzoeken worden de nationale verschillen van de landen besproken, vooral tussen Duitsland en de Verenigde Staten. Het eerste

onderzoek is gedaan met de nadruk op de timing van het kiezen om een eigen huis te kopen (Boehm & Schlottman, 2013). In Duitsland is het percentage huizenbezitters erg laag in vergelijking met de rest van Europa. In Duitsland zijn hypotheeklasten niet aftrekbaar voor de belastingen en is de relatieve kostverhouding tussen huren en kopen anders. Daarnaast is het in de Verenigde Staten en andere Europese landen zo dat kwalitatief mooiere en ruimere huizen niet verhuurd worden, in Duitsland is dat veel minder. De redenen om van huurder koper te worden zijn dezelfde in veel landen. De redenen om over te schakelen zijn: de wens om ruimer te leven, het stichten van een familie, de ontwikkeling van de prijzen, de relatieve kosten van huren in vergelijking tot kopen en de beschikbaarheid van spaargeld. Bij de aanschaf van een tweede huis speelt spaargeld een nog grotere rol. (Boehm & Schlottman, 2013). In dit onderzoek worden, zoals ook bij mijn onderzoek, cross-sectie data vergeleken, om de keuze om huizenbezitter te worden internationaal te vergelijken. Het onderzoek beschrijft de vele mogelijke afwegingen die er zijn om een huis te kopen.

12

In een vervolgonderzoek worden de internationale verschillen van de huizenmarkt nader belicht. Hier wordt meer de focus gelegd op de financiële motivatie van huurders en de gevolgen van huurders in Berlijn en New York op de omgeving van die steden (Fields & Uffer, 2014). Ook bij dit onderzoek wordt de rol van de staat duidelijk, door het creëren van beleidsmaatregelen en

voorrangsregelingen. Dit onderzoek belicht meer de geschiedenis van de

woonmarktomstandigheden per stad. Hier wordt beschreven dat voorheen een huis niet als financiële bezit werd gezien door gebrek aan kennis over het rendement en de kosten van het onderhouden van een huis. Vanaf 2000 is dit gewijzigd doordat de wereldwijde financiële integratie de politiek rondom huizen liet veranderen in combinatie met de verlaging van de interestvoet door centrale banken. Daarnaast wordt in het artikel geconcludeerd dat het stadslandschap, zoals de mogelijkheid om ruim te leven in de stad en de buurtsfeer, continue verandert naar wijzigingen van lokale en wereldwijde omstandigheden, zoals de economische omstandigheden, denk aan wereldwijde expansie van financieel kapitaal (Fields & Uffer, 2014). Deze artikelen geven een goede beschrijving van de wereldwijde verschillen van de huizenmarkten, die niet alleen aan de hand van economische factoren is te voorspellen.

Uit de bovenstaande literatuuronderzoeken kunnen we concluderen dat geen huizenmarkt hetzelfde is, landen verschillen en de functie van een stad in zijn

omgeving. Verwacht mag worden dat de data en de resultaten van mijn onderzoek per stad zullen verschillen. Aan de hand van de bovenstaande onderzoeken heb ik mijn control variabelen gekozen, die ik in de volgende sectie ga beschrijven.

3. Data

In dit onderzoek test ik de invloed van buy-to-let op het prijsniveau van de huizen met het gebruik van een regressie. Er is gekozen om tijdens dit onderzoek London,

13

jaartallen zijn gekozen om de invloed van de wereldwijde financiële crisis duidelijk te kunnen maken in de resultaten. De steden zijn uit drie verschillende landen gekozen, omdat over macro-economische veranderingen alleen data per land beschikbaar zijn. Hieruit is de volgende regressie is tot stand gekomen:

𝑷_𝒕 = ∝_𝟏+ 𝜷_𝟏(𝑯)_𝒕+ 𝜷_𝟐 𝑿 _𝒕+ 𝜺_𝒕

De afhankelijke variabele is 𝑃!, de procentuele groei van de huizenprijs in

vergelijking met het voorafgaande kwartaal van Amsterdam1, Berlijn2 en London3. De procentuele prijsstijging van de huizenmarkt was in London niet per kwartaal, maar alleen per maand beschikbaar. Om de groeicijfers om te zetten per kwartaal voor vergelijkbare analyse is er per drie maanden het gemiddelde genomen. Er is voor dit onderzoek gekozen om gebruik te maken van groei cijfers, omdat dit het best

internationaal vergelijkbaar is tussen de drie steden voor dit onderzoek. De verschillen tussen de hoogte van het prijsniveau voor 2010 tussen Londen,

Amsterdam en Berlijn was namelijk immens, in Londen lagen vooraf de prijzen vele male hoger dan de andere twee steden, gezien de verzamelde data gegevens. Tijdens dit onderzoek ligt de nadruk op de prijsveranderingen, door de buy-to-let

investeerders, tussen de steden en niet de hoogte van de prijzen.

∝! is de onbekende interceptie term voor de verschillende periodes en 𝛽! en 𝛽! zijn de OLS coëfficiënt schattingen.

𝐻 ! is een variabele die het proces van buy-to-live naar buy-to-let probeert te beschrijven door het aantal huiseigenaren door alle huizen in de stad te delen. Deze fractie variabele geeft een preciezere verandering van de meting aan dan absolute getallen, omdat de stijging van het huizenaantal ook wordt meegenomen bij deze 1_{https://opendata.cbs.nl/statline/#/CBS/nl/dataset/83913NED/table?ts=1528} 994145065 2 _{https://www.statista.com/statistics/322413/real-estate-price-change-cities/} 3 _{https://data.london.gov.uk/dataset/monthly-mix-adjusted-average-house-} 2 _{https://www.statista.com/statistics/322413/real-estate-price-change-cities/} 3 _{https://data.london.gov.uk/dataset/monthly-mix-adjusted-average-house-} prices-london

14

variabele. Door de keuze van een fractie variabele wordt er gekeken naar de relatieve verandering van buy-to-let op de huizenprijzen. Dit is voordelig, omdat er absolute verschillen tussen de steden zijn vooraf en het onderzoek wilt dat de absolute verschillen vooraf geen invloed hebben op het onderzoek. Daarnaast is deze vergelijking internationaal vergelijkbaar, omdat op deze manier bij elke stad de definitie van buy-to-let dezelfde is. Als de absolute aantal buy-to-let investeerders wordt meegenomen, kan er onduidelijkheid gaan ontstaan over de achtergrond van de investeerder en de beoordeling hiervan. De gegevens zijn per stad op jaarbasis

gevonden voor Amsterdam4, Berlijn5 en London6. De groei tussen de jaren is

evenredig over de kwartalen verrekend om zo de schatting op kwartaalbasis mogelijk te houden.

Voor het berekenen van de procentuele prijsstijging op de huizenmarkt door buy-to-let is er gebruik gemaakt van meerdere controle variabelen, 𝑋 _!. Tijdens het onderzoek zijn er verschillende controle variabelen getest voor de regressie en geschat door OLS.

De eerste controle variabele die bij het onderzoek wordt geschat is 𝑃_!!!, de hoogte van de procentuele groei van de prijs van voorafgaand kwartaal, een

vertragende variabele van de afhankelijke variabele. Deze variabele is toegevoegd om een poging te doen om autocorrelatie te voorkomen, doordat de variabele historische factoren meeneemt. De variabele kan dit mogelijk maken, doordat het poging doet

4_{https://opendata.cbs.nl/statline/#/CBS/nl/dataset/70072ned/table?ts=15276}

66405092

5_{https://de.statista.com/statistik/daten/studie/255813/umfrage/wohneigentu}

msquote-in-berlin/, https://ergebnisse.zensus2011.de/ en DES WOHNEIGENTUMS REPORTS 2015/2016 en 2017/2018; http://www.wohneigentumsreport-berlin.de/ 6 _{https://data.london.gov.uk/census/themes/housing/,} https://www.gov.uk/government/collections/english-housing-survey/ en https://www.gov.uk/government/collections/code-for-sustainable-homes-statistics#2014/

15

van het controleren van niet observerende of meetbare factoren, zoals fiscale en kredietvoorwaarde wijzigingen in het land (de Vries, 2014).

De volgende controle variabelen die voor het onderzoek door OLS geschat zijn, zijn berekend per geheel land: Nederland, Duitsland en Verenigd Koninkrijk. Te beginnen met GDP (Gross Domestic product) groei per kwartaal7 als controle

variabele. GDP is een goede maatstaf voor het meten van economische groei, bij een groei van het GDP loopt het consumentenvertrouwen op en zorgt voor een

aantrekking op de woningmarkt (Vries, 2016). Hierdoor wordt groei van GDP als controle variabele gebruikt.

Daarnaast is de inflatie gemeten met behulp van de consumenten prijs indexcijfer (CPI), omdat het CBS die aan elkaar gelijk heeft gesteld de afgelopen jaren. Dit is de groei per kwartaal in procenten van de prijsverandering van het

mandje goederen en diensten dat wordt gekocht door huishoudens8, inflatie bepaalt de waarde van het geld en kan daardoor ook invloed hebben op de huizenprijs.

Daarnaast heeft het onderzoek werkloosheidspercentage toegevoegd als controle variabele. Er is gekozen om harmonised unemployment rates (HUR) te gebruiken, omdat deze data het beste internationaal vergelijkbaar zijn. Dit is het deel wat werkloos is, binnen de beroepsbevolking valt en meerdere stappen om werk te vinden heeft ondernomen. Het is per seizoen bijgewerkt, door seizoenswerkloosheid mee te nemen in de data9_{. Werkloosheid zorgt voor dalend vertrouwen in de}

economie (Lennartz et al, 2018) en dat er minder te besteden valt, hierdoor zal het eventueel een verklarende variabele kunnen zijn voor het schatten van de huizenprijs.

De volgende controle variabele is de interestvoet op korte termijn. Hier is niet gekozen om de hoogte van hypotheekrente als controle variabele te gebruiken, omdat die data niet via officiële instituten te verkrijgen zijn. Dit komt door de verschillen tussen de banken, hierdoor is het lastig betrouwbare data te verstrekken. Korte termijn

7 _{https://data.oecd.org/gdp/quarterly-gdp.htm#indicator-chart} 8 _{https://data.oecd.org/price/inflation-cpi.htm}

16

intrestvoet is de hoogte waar de korte termijn leningen mee worden belast tussen financiële instituten, het is het gemiddelde van de dagelijkse interestvoeten10_{. De}

interestvoet heeft invloed op de huizenmarkt, doordat het de verwachtingen van de investeerders beïnvloedt. Korte termijn intrestvoet heeft veel meer spreiding dan de interestvoet op lange termijn, bovendien veel minder correlatie met andere variabelen, terwijl de verklarende factor even hoog is bij de lange en korte termijn interestvoet. Daarnaast heeft de korte termijn interestvoet invloed op de hoogte van de

hypotheekrente (Nneji et 2013).

Spaarrente is ook als controle variabele voor het onderzoek gebruikt. Die is alleen op jaarbasis beschikbaar. Hierdoor zijn de rentestanden van de jaren per kwartaal verdeeld, hierdoor is deze variabele minder precies dan de bovenstaande control variabelen. De variabele is het verschil tussen beschikbaar inkomen plus de verandering van netto eigen vermogen van de huishoudens. Deze variabele berekent netto spaarpercentage, dat zijn besparingen – afschrijvingen als het percentage van GDP11. Lage spaarrente kan invloed hebben of sparen of investeren wordt

gestimuleerd. Bij investeren kan het leiden tot het kopen van een huis, in plaats van het huren.

De locatie wordt steeds belangrijker wat tot grote onderlinge verschillen leidt op de huizenmarkt binnen een land (Rijk, 2017). Daarom is de bevolking per stad toegevoegd als controle variabele, om de lokale verschillen binnen land te belichten. Hierbij is de bevolking geteld van de gehele gemeente Amsterdam12_{, Berlijn}13 _en

Londen14_{. Deze bevolking was per gemeente alleen per jaar beschikbaar. De jaar data}

10 _{https://data.oecd.org/interest/short-term-interest-rates.htm#indicator-chart} 11 _{https://data.oecd.org/natincome/saving-rate.htm} 12 _{https://www.ois.amsterdam.nl/feiten-en-cijfers/amsterdam/#} 13 https://www.statistik-berlin-brandenburg.de/Statistiken/inhalt-statistiken.asp 14 _{https://www.ukpopulation.org/london-population/ en} https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigra tion/populationestimates/datasets/populationestimatesforukenglandandwaless cotlandandnorthernireland

17

zijn geïnterpoleerd naar kwartalen om de analyse per kwartaalbasis mogelijk te houden. Tijdens dit onderzoek is er voor gekozen om gebruik te maken van bevolkingsgrootte (per 1000) in plaats van de bevolkingsgroei. Hier is de

standaarderror veel kleiner en daarnaast is de lineaire relatie met de afhankelijke variabele groter .

4. Methodologie

4.1 OLS schattingen

Na het verzamelen van de bovenstaande data wordt de regressie geschat door een regressiemodel. De meest gebruikte manier om de parameter van een lineaire

regressie te schatten is Ordinary least square (OLS). Dit is een makkelijk toepasbare manier voor het schatten van het regressiemodel. De methode schat het gedeeltelijke effect van de onafhankelijke variabele op de afhankelijke variabele, terwijl de andere variabelen constant blijven. De OLS methode verkrijgt zijn parameters van een multiple regressie model door het minimaliseren van de som of de gekwadrateerde residuen van de gegeven data. Bij gebruik van een OLS methode is het belangrijk dat de data aan meerdere aannames voldoen, voor het bereiken van een zuivere lineaire schatting met de kleinst mogelijke variatie.

Tabel I: Samenvatting van de data gegevens van Amsterdam

Variabel Obs Mean Std. Dev. Min Max

huizenprijs 32 1.034 2.268 -3.000 4.600 𝒉𝒖𝒊𝒛𝒆𝒏𝒑𝒓𝒊𝒋𝒔_𝒕!𝟏 32 1.034 2.268 -3.000 4.600

Ratio huiseigenaar 30 27.845 2.134 23.100 29.600

GDP groei 33 .365 .518 -.770 1.450

Korte termijn interest 32 .324 .571 -.330 1.560

Spaarrente 29 12.189 .856 10.760 14.300

18

Werkloosheid% 32 6.035 1.040 4.430 7.830

Bevolkingsgrootte 33 811.670 26.268 767.773 854.316

De aannames worden getest met alleen gebruikt te maken van de data van de stad Amsterdam. Alle vijf de aannames worden hieronder verklaard en bediscussieerd, om te testen of de OLS schatter de juiste methode is met de gegeven data.

1. Lineaire regressie model is “lineair in parameters”:

In deze functie moeten alle parameters lineair in 𝛽 zijn. Er moet een lineair verband zijn tussen de afhankelijke en onafhankelijke variabele. Hieronder is een correlatie matrix van de variabelen gecreëerd.

Tabel II: Correlatie matrix van de variabelen:

Huizenp rijs ℎ𝑢𝑖𝑧𝑒𝑛 𝑝𝑟𝑖𝑗𝑠_!!! Ratio huiseigen aar GDP groei Korte termijn interest

spaarrente inflatie Werkloos heid% bevolkin gsgrootte huizenprijs 1 ℎ𝑢𝑖𝑧𝑒𝑛𝑝𝑟𝑖𝑗𝑠!!! .547* 1 Ratio huiseigenaar .442* .407* 1 GDP groei .505* .552* .133 1 Korte termijn interest -.625* -.564* -.758* -.424* 1 spaarrente .193 .272 .146 .092 -.080 1 inflatie -.718* -.698* -.269 -.450* .549* -.069 1 Werkloosheid % .109 -.061 .643* -.050 -.328 -.585* -.147 1 bevolkingsgro otte .703* .703* .880* .417* -.868* .344 -.517* .175 1 * bij p>0.05

Daarna zijn alle observerende voorspellende waardes geplot en gecontroleerd of de waardes symmetrisch over de 45 graden lijn zijn verdeeld per variabele.

19

Grafiek I: de relatie tussen prijs en buy-to-let

Er is sprake van een lichte lineaire relatie tussen de twee variabelen. De lineaire relatie tussen log(prijs Amsterdam) en huiseigenaar is geheel niet aanwezig, bij toevoeging van log voor de afhankelijke variabele zal de regressie onzuiver worden.

2. Er is een random afname van de observerende groep;

Nu kan worden getest of de OLS residuen zich ‘normaal’ verdelen. Dit is op twee manieren getest, ten eerste op een grafische manier, met behulp van een histogram.

20

De Shapiro-Wilk test is een manier om te testen of de fouttermen normaal zijn verdeeld op een niet-grafische manier.

Tabel III: Resultaten Shapiro-Wilk test

Variabel Obs W V Z Prob>z

E 28 .974 .789 -.487 .687

De OLS residuen verdelen zich normaal met een p-waarde van (1-0.97583) = 0.025. Anders had dit moeten worden opgelost met een niet-lineaire transformatie of het vergroten van de steekproef. Als aan deze voorwaarde niet was voldaan, was de sample selectie niet representatief voor geheel Amsterdam geweest en hadden de uitslagen dus niet voor alle stadsdelen gegolden.

3. De verwachte waarde van het conditionele gemiddelde van de fouttermen moet nul zijn.

Door de toevoeging van de controle variabelen moet de verwachte waarde van de fout termen gegeven elke waarde van de verklarende waardes gemiddeld nul zijn,

𝑬 𝜀 𝑋 = 𝟎. Bij het weerleggen van deze aanname zijn er relevante variabele weggelaten of irrelevante variabele in het onderzoek aanwezig.

21

Ten eerste wordt er getest of er geen irrelevante variabele aanwezig zijn in de regressie. Dit gaat aan de hand van een linktest. Deze test geeft een twaarde van -0.12 aan. Dit betekent dat de nulhypothese niet wordt weerlegd en er dus geen irrelevante variabele in het model zijn opgenomen. Irrelevante variabelen kunnen de variantie van de OLS schatters vergroten, maar zijn niet schadelijk voor de

zuiverheid.

Vervolgens wordt er getest of er relevante variabelen zijn weggelaten bij deze regressie, dit wordt getest aan de hand van de Ramsey RESET test:

H0: model heeft geen weggelaten variabelen. F(3,16) =0.13

Prob > F =0.940

H0 wordt verworpen bij een p-waarde van 0.1 en kan er significant worden vastgesteld dat er sprake is van omitted variabele bias. Dit betekent dat de

gemeenschappelijke variantie, die gedeeld worden door de meegerekende variabelen, foutief toegeschreven zijn aan de variabelen en het zorgt ervoor dat de fouttermen zijn opgeblazen. Deze gevolgen komen tot stand, doordat de weggelaten variabelen een bepalende determinant zijn van de huizenprijs. Dit kan worden opgelost door het toevoegen van meerdere verklarende factoren, maar niet alle factoren zijn meetbaar. Weggelaten relevante variabele zouden beleidsveranderingen, het veranderen van de populariteit van de stad, de krapte van de woningmarkt, de kwaliteit van de woningen, de locatie of het vertrouwen in de huizenmarkt kunnen zijn. Hiernaast blijft alleen ook nog een aanzienlijk deel van de woningprijs onverklaard, dit zorgt voor dalende transparantie van de huizenmarkt (de Vries, 2014; Visser & Dam, 2006).

Doordat deze voorwaarde wordt afgekeurd, betekent dat er sprake is van model specificatie fouten, wat zorgt voor inconsistente regressie coëfficiënten. De

modelspecificatie fouten hebben namelijk een aanzienlijke invloed op de coëfficiënten. De coëfficiënten van alle variabele zijn inconsistent door de

22

coëfficiënt geeft de invloed van buy-to-let op investeerders aan en is dus cruciaal voor het onderzoek.

Daarnaast is er ook sprake van het endogeniteit, de verklarende variabele heeft een correlatie met de fout term, als gevolg van de weggelaten variabelen. Hiervan is sprake, omdat de weggelaten variabele is gecorreleerd met zowel een andere

onafhankelijk variabele als de fout term, doordat het onafhankelijke variabele ook nog invloed heeft op de afhankelijke variabele. Het probleem van endogeniteit kan

worden opgelost door de instrumental variable (IV) methode. Bij het schatten van deze methode wordt er gebruik gemaakt van een nieuwe variabele, een instrumentele variabele, maar het vinden van een instrument die niet gecorreleerd is met de fout term is zeer lastig.

Daarnaast kan er aan de hand van de data sprake zijn van simultane causaliteit. Dit betekent dat de controle variabelen de prijs beïnvloeden, maar de prijs ook een andere controle variabelen als gevolg van het missen van relevante variabelen. Het kan zijn dat de groei van het GDP, wat de huizenprijzen laat stijgen er weer voor zorgt dat de inflatie stijgt. Deze simultane causaliteit zorgt ook voor onzuivere OLS schattingen.

4. Er mag geen sprake zijn van een perfecte multicollineariteit.

Bij de aanname wordt gecontroleerd of er geen (perfecte) multicollineariteit is tussen de regresoren, dit kan leiden tot onjuiste resultaten. Multicollineariteit betekent hoge correlatie tussen twee of meer onafhankelijke variabelen. De vif (variance inflation factor) test kan de multicollineariteit testen, aan de hand van statistieken van individuele coëfficiënten. De vif score kan worden verlaagd door een variabele te verwijderen , hierdoor zijn er twee testen uitgevoerd.

Tabel IV: vif- test

Variabel VIF VIF 2

Werkloosheid% 48.08

Huiseigenaar 31.82 13.2

23

Spaarrente 27.98 2.13

Korte termijn interest 5.52 5.47

Inflatie 3.83 3.70

Prijs Amsterdam_01 3.11 3.11

GDP groei 2.07 1.88

Gemiddelde VIF 18.87 8.21

Vif is de test na de regressie van alle variabelen

Vif2 is de test na de regressie met alle variabelen exclusief werkloosheidpercentage.

Er is sprake van multicollineariteit, als de vif score boven de 10 is, maar dit betekent niet direct dat het schadelijk is voor de OLS schatting. Het is pas een probleem als de standaard afwijking van de coëfficiënt te groot is om te gebruiken, hier is geen vaste waarde voor aan te wijzen. Een te hoge vif score kan de standaardfouten erg

vergroten, maar het kan ook geen invloed hebben op de resultaten. Daarnaast kan multicollineariteit de waarde van SST (total sum of squares) aanzienlijk verlagen, dit meet de totale steekproefvariatie van de afhankelijke variabele, dit is niet gewenst en kan de variantie van de coëfficiënten nog meer uitbreiden. Concluderend, kan er niet aangewezen worden of er in deze situatie sprake is van schadelijke multicollineariteit. Als er sprake is van perfecte multicollineariteit hebben de standaardfouten geen grenzen en kan de OLS regressie niet worden uitgevoerd.

5. De variantie moet homoskedastisch of constant zijn en er mag geen sprake van autocorrelatie zijn.

Dit betekent dat 𝑉𝑎𝑟 𝜀 𝑋 = 𝜎! _{geldt voor het voorkomen van hetroskeskedastische} fouten, dat betekent dat residuen niet kunnen variëren bij hogere of lagere waardes van de onafhankelijke variabele. Het testen van homoskedasticiteit kan grafisch: Grafiek III: testen voor homoskedasticiteit

24

Hierboven zijn de residuen geplot en er is geen patroon te zien, wat suggereert dat er geen sprake is van hetereoskedasticiteit.

En op een niet-grafische manier wordt het door Breusch-Pagan test geschat; H0: residuen zijn homoskedastisch.

Chi2(1) = 0.36 Prob > chi2 = 0.549

Bovenstaande p-waarde bevestigt de grafische test en er kan geconcludeerd worden dat de verdeling van de gegeven onafhankelijke variabelen geen verband heeft met de variantie van de residuen. Hierdoor kunnen we stellen dat de schatting van de standaardfouten van de coëfficiënten goed zijn.

In tegenstelling van hierboven, wordt er geconcludeerd dat er sprake is van autocorrelatie, omdat de waarnemingen over tijd zijn, zijn de variabelen afhankelijk van elkaar en hebben de error termen dus onderlinge correlatie.

Hierna kunnen de data op uitschieters worden gecontroleerd. Dit kan door de variabelen in added-variabele plots te schatten:

25

Er is bij alle controle variabelen sprake van uitschieters, door de kleine datasectie is het moeilijk om deze uit te sluiten.

Naar aanleiding van het schatten van alle voorwaardes, kan er worden geconcludeerd dat dit niet de juiste manier is om de huizenprijzen van de steden te schatten. Het is namelijk schadelijk dat de verwachte waarde van het conditionele gemiddelde van de fouttermen niet nul is. Hierdoor zijn er onjuiste model specificatoren, dit leidt tot onjuiste regressie coëfficiënten. Ten slotte kan er worden gesteld dat over het algemeen de OLS schattingen niet zuiver zal zijn bij gebruik van deze variabelen. Hierdoor zal er worden gekeken naar een alternatieve manier voor het schatten van de invloed van buy-to-let investeerders op de huizenprijzen.

4.2 Panel data

Dit hoofdstuk beschrijft een nieuwe methode voor het schatten van invloed van buy-to-let investeerders op de huizenprijzen. Met panel data kunnen sommige weggelaten relevante variabelen worden gecontroleerd, zonder deze variabelen te observeren, dit lost het probleem van de omitted variable bias op.

Dit kan doordat de data zijn gestructureerd uit meerdere observaties,

26

wordt geobserveerd door de jaren heen en de relaties tussen de variabelen worden gevolgd en hierdoor kunnen de onzichtbare karakteristieken worden gecontroleerd.

Tijdens dit onderzoek gebruiken we de fixed effect regressie methode, dat gebruikt relevante gemiste variabelen die variëren tussen de steden, maar over de tijd constant zijn. Het is waarschijnlijk dat er ook weggelaten variabelen zijn die wel variëren door de tijd heen, maar gelijk zijn tussen de steden. Om dit te controleren worden er dummy variabelen toegevoegd per stad.

Ook bij de fixed effect regressie methode is het van belang dat er aan de vier aannames wordt voldaan.

Ten eerste is het van belang dat de fouttermen een conditioneel gemiddelde van 0 hebben, gegeven alle waardes per stad. Voor het voorkomen van nog steeds houden van omitted variabele bias. Dit gebeurt als de error term met de huidige, verleden of toekomstige verklarende variabele gecorreleerd is. Hier is dan niet goed controle gehouden over de onmeetbare factoren. Dit kan ontstaan doordat relevante onmeetbare factoren variëren door de tijd en tussen de steden.

De tweede aanname verklaart dat de variabelen per stad identiek zijn verdeeld, hier is van belang dat de steden random zijn geselecteerd.

Daarnaast is er perfecte multicollineariteit en zijn grote uitschieters storend voor de zuiverheid van de schatting.

Er is gekozen om de data te gebruiken vanaf het tweede kwartaal in 2010 tot en met het eerste kwartaal van 2016. Deze data reeks is gekozen, omdat elke variabel in elke stad beschikbaar is, wat resulteert in sterk gebalanceerde panel dataset.

27

Stad 1= Amsterdam, Stad 2= Berlijn, Stad 3= Londen.

De bovenstaande grafiek geeft de procentuele groei van prijs per kwartaal weer van de drie steden. De lijnen van Londen en Amsterdam zijn instabiel, dit betekent dat de groei van prijs per kwartaal van negatief naar positief veranderde door de jaren heen. Berlijn heeft een rechte lijn, hier is sprake van constante groei van de

huizenprijzen sinds 2010 en zijn er weinig invloeden van de financiële crisis op de huizenprijzen te zien.

De volgende regressie wordt geschat met behulp van Fixed Effects schattingen:

𝑷_𝒊𝒕= ∝+𝜷_𝟏(𝑯)_𝒕 + 𝜷𝟐 𝑿_{𝟏 𝒕}+ 𝜹_𝒕+ 𝜺_𝒊

𝛿 is toegevoegd als time fixed effect door het toevoegen van de dummy variabelen. In dit geval wordt er voor gekozen om gebruik te maken van het least square dummy variabel (LSDV). Dit is een juiste manier om de fixed effects van een regressie te schatten , omdat er dummy variabelen zijn toegevoegd. Deze methode

28

vertrouwt op het aantal time-serie observaties. Eerst worden er driemaal een normale regressie gebruikt met LSDV, aansluitend zal er gebruik worden gemaakt van

LSDVc. Bij deze regressie wordt de verwachte bias van de normale LSDV gecorrigeerd. Deze toevoeging probeert de zuiverheid te verhogen vanwege de beperkte hoeveelheid data.

In de volgende paragraaf zullen de resultaten van de twee geschatte methodes worden weergeven en worden deze ook onderling met elkaar vergeleken.

5. Resultaten

5.1 Resultaten OLS

Tabel V: OLS schattingen

Afhankelijke Variabele Prijs Amsterda m (1) (2) (3) (4) (5) (6) (7) (8) Prijs Amsterdam_01 .219 (.201) (.195) -.268 (.206) (.169) -.337* (.183) (.147) -.432** (.181) (.158) -.508** (.185) (.166) -.507** (.188) (.170) Huiseigenaar .471** (.181) (.152) .405** (.160) (.135) .352* (.196) (.192) -.988** (.385) (.364) -1.554*** (.405) (.352) -1.163** (.436) (.369) -1.185** (.427) (.339) -.956 (.676) (.709) GDPgroei 1.194*** (.634) (.509) 1.504* (.777) (.651) .381 (.691) (.670) .119 (.660) (.607) .0298 (.627) (.554) .212 (.627) (.612) .302 (.671) (.641) interest 1.345 (.964) (.872) 1.302 (.989) (.863) Spaarrente -.8391** (.371) (.332) -.521 (.389) (.395) -.697* (.401) (.389) -1.329 (1.484) (1.354) Inflatie -.926* (.489) (.480) -.960* (.479) (.475) -.918* (.498) (.492) Werkloosheid -.736 (1.663) (1.628) Bevolking 0.156*** (.041) . 222*** (.049) 0. 170*** (.050) . 206*** (.055) . 210*** (.058)

29 (.035) (.033) (.042) (.043) (0.040) Constante -12.2** (5.050) (4.213) -11.05** (4.444) (3.675) -9.624* (5.495) (5.265) -97.653*** (23.506) (19.514) -124.671*** (22.810) (15.120) -96.071*** (26.330) (22.301) -122.691*** (32.051) (24.962) -119.754*** (33.383) (27.225) Obs 30 30 29 29 28 28 28 28 F-test 6.78 9.120 6.130 10.72 12.45 12.2 11.21 9.44 𝑹𝟐 _{0.195 0.403 0.424 0.641 0.739 0.777 0.797 0.799} Adj 𝑹𝟐 _{0.166 0.359 0.355 0.581 0.680 0.713 0.726 0.714} 𝑴𝑺𝑬 2.078 1.822 1.840 1.482 1.308 1.237 1.210 1.235

Notitie: ***p<0.01, ** p<0.05, *p<0.1. Dit zijn de significantie levels berekend met de standaard error, niet met de robuust

variatie.

_01 betekent de variabele met de vertragende factor.

Elke column meldt de coëfficiënten van de OLS regressie met de bij behorende standaard error tussen de haakjes eronder weergegeven. Daaronder is tussen haken in cursief de robuust standard error weergeven. Robuust standard error zijn toegevoegd voor een poging tot het overwinnen van autocorrelatie, om zo OLS regressie te verbeteren .

De resultaten hierboven zijn niet betrouwbaar doordat aan de voorwaarden van de OLS aannames niet is voldaan. Hierdoor zouden bij de verschillende regressies inconsistente coëfficiënten kunnen zijn ontstaan. Hierdoor zijn onderstaande conclusies ook onbetrouwbaar.

De eerste en tweede kolommen laten de sterke relatie zien tussen zowel

huiseigenaar/alle huizen als GDP groei met de Amsterdamse huizenprijzen. Model 3 laat zien dat de prijs van Amsterdam van het voorafgaande kwartaal een lager niveau van verklaring heeft met de Amsterdamse huizenprijzen. Na de toevoeging van de bevolkingsgrootte, wat een significante invloed heeft op de Amsterdamse

huizenprijzen, verandert de variabele huiseigenaar/alle huizen en de vertragende factor van Amsterdam in een negatieve coëfficiënt. De verandering van de coëfficiënt heeft er hoogstwaarschijnlijk mee te maken dat bevolkingsgrootte zorgt voor een stijgend tekort aan koopwoningen, waardoor er meer mensen uitwijken naar huurwoningen en dat heeft invloed op de ratio huiseigenaren/alle huizen.

De kolommen 5 tot en met 8 voegen steeds een extra variabele toe, voor het onderzoeken van de best mogelijke regressie.

Aan de hand van bovenstaande resultaten is er gekozen om regressie uit kolom 7 te gebruiken. Hier wordt gebruik gemaakt van de controle variabelen groei van prijs Amsterdam van vorig kwartaal, GDP groei, korte termijn interestvoet, spaarrente,

30

inflatie en bevolkingsgroei voor het schatten van de invloed van buy-to-let investeerders op de huizenprijzen per stad; werkloosheidspercentage is hier

weggelaten. De variabele heeft geen toevoeging aan 𝑅!_{, de verklaringsgraad, en het} verhoogt 𝑀𝑆𝐸, wat de gemiddelde afstand van de schatter tot het gemiddelde is. De

verhoging betekent dat de waardes dus minder goed passen bij de afhankelijke variabele prijs.

Aan de hand van de resultaten van de OLS schattingen is er vast te stellen dat een verhoging van de ratio huiseigenaren/alle huizen een negatieve significante invloed heeft op de prijs van de Amsterdamse huizenmarkt, bij een p-waarde van 0.05. Dit betekent als er minder Amsterdammers in zijn eigen huis wonen, oftewel het aantal buy-to-let investeerders stijgt, de huizenprijzen stijgen. Bovendien is het in de lijn van verwachtingen dat de bevolkingsgrootte een positieve significante relatie heeft met de Amsterdamse huizenprijzen. Als de stad populairder wordt, stijgen de huizenprijzen. Daarnaast heeft de spaarrente een significant negatieve relatie met de (Amsterdamse) huizenprijzen: bij een lage spaarrente levert sparen weinig op en zoeken beleggers naar alternatieven.

Ten slotte geeft de controle variabele inflatie een zeer verrassende uitkomst. Bij alle regressies die zijn uitgevoerd leidt stijgende inflatie tot dalende huizenprijzen. Dit kan aan de hand van theorie niet worden uitgelegd en dit is wellicht een indicatie dat OLS schatting niet geschikt is. Verdere variabelen zijn niet significant.

5.2 Resultaten panel data:

Tabel VI: resultaten LSDV en LSDVc

Variabele/methode LSDV LSDV LSDV LSDVc Huiseigenaar _.245 (.219) .212 (.225) .044 (.243) .044 (.243) GDPgroei _{1.01 *} (.538) .954* (.546) .682 (.591) .683 (.591) interest _{-.913 -.912}

31 (.747) (.747) Spaarrente _-.305 (.429) -.397 (.435) -.397 (.435) Inflatie _-.420 (.487) -.420 (.487) Bevolking _-1.47e_-0.3 (2.14e-0.3) -1.75e-0.3 (2.18e-0.3) -1.55e-0.3 (3.17e-0.3) -1.55e-0.3 (3.17e-0.3) I.stad2 _0.717 (-6.81) -1.307 (7.402896) 5.025 (9.106) 5.025 (9.106) I.stad3 _-15.321 (16.094) -20.373 (17.64809) 7.802 (24.916) 7.802 (24.916) Constante _-7.774 (6.031) 6.221709 (10.064) 6.222 (10.064) 6.222 (10.06351) Obs _{71 71 71 71} Aantal groepen ₃ F-test _{3.18 2.71 2.52 1.62} 𝑹𝟐 0.197 0.203 0.246 Overall 0.038 Adj 𝑹𝟐 0.135 0.128 0.148 𝑴𝑺𝑬 _{2.151 2.160 2.134} ***p<0.01, ** p<0.05, *p<0.1

i.stad2 en I.stad3 zijn de fixed effecten binnen de steden.

Bij bovenstaande resultaten zijn geen verschillen tussen LSDV en LSDVc. Daarnaast zijn bijna alle uitkomsten niet significant. Dit kan komen door de ontelbare invloeden op de huizenprijzen die niet in het onderzoek zijn opgenomen.

De meeste coëfficiënten zijn theoretisch realistisch geschat. Hier is de variabele huiseigenaar niet significant. Deze data veranderen door de jaren heen bij de steden minimaal, terwijl de verandering van het groei percentage van de huizenprijzen immens was.

32

Aan de hand van de panel data blijkt dus dat er geen significante invloed van buy-to-let investeerders is op de huizenprijzen van de steden. Het is namelijk voor een verkoper niet verschillend of het huis wordt verkocht aan iemand die er in gaat wonen of iemand die het meteen doorverhuurt. De vraag stijgt en verhoogt dus de prijs, maar of de vraag bepaald wordt door buy-to-let investeerders of kopers voor een eigen huis is niet van dusdanige relevantie. De prijzen stijgen immers toch wel.

De verschillende resultaten tussen de invloeden van huiseigenaar/alle huizen, bij panel data is het positief en niet significant, terwijl het bij de OLS schattingen

negatief significant is, komt door de verschillende aannames tussen de modellen. Bij panel data is er, theoretisch onderbouwd, minder sprake van het weglaten van

relevante variabelen. Daarnaast is er hierbij een vergelijking met de drie steden en bij de OLS schatting alleen met de prijzen van Amsterdam. Dit leidt tot de verschillende resultaten.

Ook bij de panel data wordt getwijfeld aan de betrouwbaarheid van de

schattingen, door de kleine sample van de data en de interpolatie door de crisis jaren.

6. Discussie

Naar aanleiding van bovenstaande resultaten is geen enkele schatting geheel betrouwbaar. De data van de variabele en de keuze van de variabelen spelen hierin een essentiële rol. De invloed van buy-to-let op huizenprijs is geschat door het delen van het aantal huiseigenaren door het totaal aantal huizen. Na het lezen van

onderzoeken over de hoeveelheid buy-to-let investeerders, komt de hoeveelheid met deze variabele niet helemaal overheen met de gevonden data. Artikelen over grote stijging van buy-to-let investeerders, Aalbers et al, verklaren dat “tussen 2006 en 2016 buy-to-let met 75% toegenomen” (2018), terwijl dit niet in de gebruikte data, verkregen via officiële instituten, terug te vinden is. De verschillen kunnen komen door het anders meten van de variabele buy-to-let. Bij deze situatie is er geen

33

rekening gehouden met andere factoren dan buy-to-let die deze fractie kunnen beïnvloeden. Niet alleen voor beleggers is de situatie aantrekkelijker geworden om een huis te kopen na de financiële crisis, maar voor iedereen, ook voor huurders. Dit wordt versterkt door een stijging van de maandlasten-to-rent, vergelijkende ratio tussen kooplasten en huurlasten. De stijgende maandlasten-to-rent ontstond door een combinatie van stijgende huurprijzen en dalende spaarrente, wat de maandlasten voor huren verhoogd. (ING, 2017).

De verschuiving van deze groep huurders naar kopers is de variabele minder sterk gedaald. Bovendien werd de variabele dus beïnvloed door andere factoren dan buy-to-let, waardoor de invloed van buy-to-let door deze variabele niet goed te meten valt. Al was het beschrijven van deze variabele lastig om andere manieren te meten, door de beschikbare data. Dit geldt voor alle drie de steden die zijn onderzocht. Hierdoor is het lastiger vast te stellen wat de invloed van buy-to-let is op de prijzen.

7. Conclusie

In dit paper wordt een poging gedaan voor het schatten van de huizenprijs. De nadruk ligt op de invloed van buy-to-let op deze stijging van prijs. De OLS schattingen worden uitgevoerd met de data van Amsterdam. Het onderzoek gebruikt de data per kwartaal tussen 2010 en 2017. Hiermee worden alle aannames van een OLS regressie

34

getest. Hierna kan er worden geconcludeerd dat er kans is op modelspecificatie fouten, want er is significant sprake van het weglaten van relevante variabelen. Dat komt doordat de huizenmarkt vele onmeetbare invloeden heeft, waardoor een schatting met alle relevante variabele onmogelijk wordt door de aanwezige data. Daarnaast is de huizenmarkt geen homogene markt en zijn er meerdere invloeden niet meegenomen in het onderzoek, zoals de invloed van wisseling van politieke leiders en andere politieke factoren, door de beperking van data of het onmeetbaar is, maar wel een impact heeft op de huizenprijzen (Nneji et al, 2013).

Bij de OLS regressie wordt er geconcludeerd dat buy-to-let een significant positieve invloed heeft op de huizenprijzen, maar de betrouwbaarheid is dus zeer discutabel. Hierdoor wordt er gekeken naar een nieuwe manier van schatten en er worden panel data gebruikt voor het oplossen van het missen van relevante

variabelen. Aan de hand van de data wordt nu gebruik gemaakt van de drie steden, Londen, Amsterdam en Berlijn en het onderzoek gebruikt data per kwartaal tussen 2010 en 2016. Er wordt een Least square dummy variabele (LSDV) test uitgevoerd. Hierna is ook een LSDVc test uitgevoerd, om bij deze kleine sample, een correctie van de schatters toe te voegen, om het level van bias proberen te laten dalen. Uit deze regressie zijn er geen significante conclusies te trekken naar aanleiding van.

Concluderend kan ik stellen dat het onderzoek heeft laten zien dat buy-to-let investeringen geen significante invloed heeft op de huizenprijzen van de steden, in tegenstelling tot voorafgaand werd gedacht.

Hoewel dit onderzoek probeert zo goed mogelijk gedetailleerd onderzoek probeert te doen naar de huizenprijzen, stuit het steeds tegen moeilijkheden aan door de beperking van de data (Nneji, 2013). Voor verder onderzoek zouden er naar andere testen moeten worden gekeken, of hier betrouwbare en significante uitslagen uit komen. Verder zal een andere manier moeten worden gevonden van de definitie buy-to-let investeerders. Ook het toevoegen van langere tijdseries of meerdere steden kan het onderzoek verbeteren.

35

Bibliografie

Aalbers, M., Bosma, J., Fernandez, R., & Hochstenbach, C. (2018). Buy-to-let gewikt en gewogen. Geraadpleegd via

https://www.sp.nl/sites/default/files/onderzoek_buy_to_let_0.pdf

Baal, M. (2004). The Future of the Private Rented Sector: A Report fort he Social Market Foundation (London: Social Market Foundation).

Ball, M. (2006). Buy-to-Let: The Revolution Ten Years On (London: Association of Residential letting Agents).

Baumunk, H., & Bergmann G. (2018) Wohnmarktreport Berlin in 2018. geraadpleegd via

https://www.berlinhyp.de/medias/sys_master/pdf/h92/h4a/8812114903070.pdf Besamusca, D. (2012). Regional house price determinants: a panel data analysis for the Netherlands (master thesis). geraadpleegd via

http://www.scriptiesonline.uba.uva.nl/

Boehm, T. P., & Schlottmann, A. M. (2014). “The dynamics of housing tenure choice: Lessons from Germany and the United States”. Journal of Housing

Economics, 25, 1-19.

Bögel, J., Mesecke, F., & Scult, C (2015). Gebäude- und Wohnungsbestand, Statistische Ämter des Bundes und der Länder Zensus 2011 . Geraadpleegd via https://www.destatis.de/DE/Publikationen/Thematisch/Bevoelkerung/Zensus/ZensusB uLaGWZersteErgebnisse5121103119004.pdf?__blob=publicationFile

Brauw, R. (2017). Testing for bubbles in the housing market of the

Netherlands national vs regional price dynamics (master thesis) geraadpleegd via http://www.scriptiesonline.uba.uva.nl/

CBS. (2016). Woningen Amsterdam duurder dan voor de crisis. Geraadpleegd via https://www.cbs.nl/nl-nl/nieuws/2016/16/woningen-amsterdam-duurder-dan-voor-de-crisis

36

Dalen, P. van, Aalders, R., & Giesbergen, B. (2016). Woningmarkt blijft in stroomversnelling. Geraadpleegd via

https://economie.rabobank.com/publicaties/2016/november/woningmarkt-blijft-in-stroomversnelling/

Dalen, P. van, & Vries, P. de (2015). Huizenprijzen vooral bepaald door inkomen en rente. Geraadpleegd via

https://economie.rabobank.com/publicaties/2015/augustus/huizenprijzen-vooral-bepaald-door-inkomen-en-rente/

Duijne, R. J. van, & Ronald, R. (2018).” The unraveling of Amsterdam’s unitary rental system”. Journal of Housing and the Built Environment, 1-19.

Fields, D., & Uffer, S. (2016). “The financialisation of rental housing: A comparative analysis of New York City and Berlin”. Urban Studies, 53(7), 1486-1502.

French, S., & Leyshon, A. (2009). “We all live in a Robbie Fowler house’: The geographies of the buy to let market in the UK.” British Journal of Politics and International Relations, 11(3), 438- 460.

Gibb, K., & Nygaard, C. (2005). “The impact of buy to let residential investment on local housing markets: Evidence from Glasgow, Scotland”. International Journal of Housing Policy, 5(3), 301-326.

Giussani, B., & Hadjimatheou, G. (1991). Modeling regional house prices in the United Kingdom. Papers in Regional Science, 70(2), 201-219.

Holly, S., Pesaran, M.H., & Yamagata, T. (2010). A spatio-temporal model of house prices in the USA. Journal of Econometrics, 158(1), 160-173.

Janssen, S., (2017) Prijsvorming op de Amsterdamse woningmarkt. Fundament forse prijsstijging brokkelt af. Geraadpleegd via

https://www.ing.nl/media/ING%20Prijsvorming%20op%20Amsterdamse%20woning markt_tcm162-117993.pdf

Kemp, P. A. (2015). Private renting after the global financial crisis. Housing

37

Lennartz, C. (2017). Huizenprijzen op weg naar nieuwe piek. Geraadpleegd via https://economie.rabobank.com/publicaties/2017/mei/huizenprijzen-naar-nieuwe-piek/

Lennartz, C., Arundel, R., & Ronald, R. (2016). Younger adults and

homeownership in Europe through the global financial crisis. Population, Space and Place, 22(8), 823-835.

Lennartz, C., Vrieselaar, N., & Hoving, L. (2018). Nederlandse huizenmarkt dendert door: ook in 2018 fors hogere prijzen verwacht. Geraadpleegd via

https://economie.rabobank.com/publicaties/2018/februari/nederlandse-huizenmarkt-ook-in-2018-fors-hogere-prijzen-verwacht/

Levene, T. (2007). ‘Nottingham’s forest of housing despair’. The Guardian, 16th June. http:tinyurl.com.ctrform

Martens, M. (1985). Owner-occupied housing in Europe: Postwar

developments and current dilemmas. Environment and Planning A, 17(5), 605-624. Möber, J. (2018). The German housing market in 2018. Geraadpleegd via

https://www.dbresearch.com/PROD/RPS_EN-PROD/PROD0000000000460528/The_German_housing_market_in_2018.pdf Moorman, M. (2016, December 27). ‘Minister Blok jaagt de Amsterdammers de stad uit’. Parool. Geraadpleegd via https://www.parool.nl/opinie/-minister-blok-jaagt-amsterdammers-de-stad-uit~a4440238/

Musterd, S. (2014). Public housing for whom? Experiences in an era of mature neo- liberalism: The Netherlands and Amsterdam. Housing Studies, 29(4), 467-484.

Nijskens, R., & Heeringa, W. (2017). The housing market in major Dutch cities (No. 1501). Netherlands Central Bank, Research Department.

Nneji, O., Brooks, C., & Ward, C. W. (2013). House price dynamics and their reaction to macroeconomic changes. Economic Modelling, 32, 172-178.

Rijk, M., de, (2017, 31 mei). Het kan niet slechter dan hoe Nederland het doet. De Groene Amsterdammer. Geraadpleegd via: https://www.groene.nl/artikel/het-kan-niet-slechter-dan-hoe-nederland-het-doet

38

Paternotte, J. Ruigrok, M. & Peters, D. (2016, March 14). ‘hernieuwing van het coalitieakkoord 2014-2018’. Geraadpleegd via

https://amsterdam.d66.nl/content/uploads/sites/334/2016/03/Amsterdamblijftvanieder een_web.pdfhttps://amsterdam.d66.nl/content/uploads/sites/334/2016/03/Amsterdamb lijftvaniedereen_web.p df

Savini, F., Boterman, W. R., Van Gent, W. P., & Majoor, S. (2016). Amsterdam in the 21st century: Geography, housing, spatial development and politics. Cities, 52, 103-113.

Shiller, R. J. (2007). Understanding recent trends in house prices and home

ownership (No. w13553). National Bureau of Economic Research.

Teye, A. L., & Ahelegbey, D. F. (2017). Detecting spatial and temporal house price diffusion in the Netherlands: A Bayesian network approach. Regional Science

and Urban Economics, 65, 56-64

Treanor, J. (2016, 16 november). Bank of England given new powers to curb risky buy-to-let lending. The Guardian. Geraadpleegd via

https://www.theguardian.com/business/2016/nov/16/bank-england-powers-curb-buy-to-let-lending-mortgages

Visser, P., van Dam, F., & Noorman, N (2006). De prijs van de plek:

Woonomgeving en woningprijs. NAi Uitgevers.

Vries, P. de (2016). Woningmarkt blijft in stroomversnelling. Geraadpleegd via https://economie.rabobank.com/publicaties/2016/november/woningmarkt-blijft-in-stroomversnelling/

Vries P. de (2014). De gevolgen van de terugkeer van de

annuïteitenhypotheek. Geraadpleegd via

https://economie.rabobank.com/publicaties/2014/maart/de-gevolgen-van-de-terugkeer-van-de-annuiteitenhypotheek/

Wooldridge, J. M. (2015). Introductory econometrics: A modern approach. Nelson Education

39

Ziegert, N., Henkes, S., Metasch, D. (2017) WOHNEIGENTUMS REPORT BERLIN 2017/2018 Berlin — Vom Boom zum Wachstum. Geraadpleegd via

http://www.wohneigentumsreport-berlin.de/

Ziegert, N. & Metasch, D. (2015) WOHNEIGENTUMS REPORT BERLIN 2015/2016 Berlin — eine Stadt wächst über sich hinaus. Geraadpleegd via