Het effect van Airbnb op de huizenprijzen in Amsterdam

Het effect van Airbnb op de

huizenprijzen in Amsterdam

Abstract

In dit onderzoek wordt de invloed van Airbnb op de huizenprijzen in Amsterdam onderzocht, waarbij rekening wordt gehouden met de mogelijke invloed van ruimtelijke autocorrelatie. Uit het theoretisch kader volgt de hypothese dat de

aanwezigheid van Airbnb een positief effect heeft op de huizenprijzen in Amsterdam. Deze theorie wordt bevestigd door eerder onderzoek. Aan de hand

van data van de NVM en de site Inside Airbnb wordt deze hypothese getest. Er wordt gevonden dat een stijging van het aantal woningen die zich verhuren via Airbnb in een straal van 500 meter in de buurt van een woning resulteert in

een prijsstijging van 0.13 procent.

Chiel Minderman

Begeleider: Maurice J.G. Bun

Verklaring eigen werk

Ik, Chiel Minderman verklaar hierbij dat ik deze scriptie zelf heb geschreven en neem volledige verantwoordelijkheid voor de inhoud. Alle bronnen die gebruikt zijn voor deze scriptie staan in de bronvermelding vermeld. De Faculteit

Economie en Bedrijfskunde is alleen verantwoordelijk voor de begeleiding van het proces, niet voor de inhoud.

Inhoudsopgave

4. De verwachte effecten van Airbnb op de huizenmarkt 8

3. Onderzoeksopzet 12

1. Herkomst van de data 12

2. De bewerking van de data 13

3. Het model 15 4. Resultaten 17 1. Beschrijvende statistiek 17 2. Empirische Resultaten 18 5. Conclusie 23 Bibliografie 25

1. Inleiding

In 2008 is Airbnb opgericht in San Francisco. In een paar jaar tijd is Airbnb uitgegroeid tot een van de meest succesvolle startups wereldwijd. Sinds de komst van Airbnb naar Amsterdam krijgt Airbnb steeds meer aandacht in de Nederlandse media. De site nu.nl plaatste 30 oktober 2017 een artikel met de volgende titel: ‘Airbnb duwt Amsterdamse huizenprijzen nog verder omhoog'. En op 25 april 2016 komt ING met een publicatie met de titel: ‘Airbnb heeft flink opwaarts effect op Amsterdamse huizenprijzen’. Volgens de media stijgen door de komst van Airbnb de woningprijzen in Amsterdam.

ING schrijft over het opwaartse effect dat Airbnb heeft op de Amsterdamse huizenprijs. ING stelt dat in 2016 al ruim elf duizend

Amsterdamse huishoudens aangesloten zijn bij Airbnb. Dit Airbnb-aanbod is het hoogst in de buurten die in een toeristische zone liggen. ING stelt dat in

toeristische buurten een op de zes woningbezitters zijn woning aanbiedt op Airbnb. De mogelijkheid van het verhuren van het huis zorgt ervoor dat het bezitten van een woning in centraal gelegen Amsterdamse buurten een manier is om extra inkomsten te genereren. Dit resulteert in dat mensen meer geld willen betalen voor hun woning omdat er extra aan te verdienen valt. Ook concludeert ING dat door dit extra inkomen het interessanter is om een huis te kopen dan om een huis te huren. Mensen die hun huis willen verkopen zullen ook anticiperen op het feit dat hun huis naast een woonobject ook een

inkomstenbron is en een hogere prijs vragen. Daarnaast stelt ING dat door middel van extra opbrengsten een potentiele huizenkoper de lasten van een extra hoge hypotheek kan betalen. Dit zorgt ervoor dat potentiële huizenkopers meer kunnen lenen en dus meer kunnen uitgeven aan het nieuwe huis, wat een stijging in de prijs betekent. Dit samen heeft een stijgend effect op de

huizenprijzen echt niet op’. In dit artikel trekken Baarsma en Van Dalen de stellingen in twijfel dat potentiele kopers de mogelijkheid om te verhuren via Airbnb meenemen in hun betalingsbereidheid en dat hypotheekverstrekkers de verhuurmogelijkheden omzetten in extra leencapaciteit. Baarsma en Van Dalen stellen dat huizenkopers in Amsterdam bij het uitbrengen van hun bod niet of nauwelijks rekening houden met de mogelijke erfpacht die voor de woning geldt. De ervaringen van makelaars en hypotheekadviseurs komen hiermee overeen. Hiervan uitgaande nemen huizenkopers hoogstwaarschijnlijk de verhuurmogelijkheid ook niet mee in hun betalingsbereidheid. De tweede

veronderstelling dat hypotheekverstrekkers de verhuurmogelijkheid omzetten in extra leencapaciteit is volgens hen niet juist. Dit komt doordat

hypotheekverstrekkers dergelijke fictieve huuropbrengsten niet mogen

meenemen in het bepalen van de maximale hypotheeklening. Daarnaast halen Baarsma en Van Dalen een onderzoek van Lee (2016) aan dat stelt dat Airbnb een negatieve invloed heeft op de huizenmarkt in Los Angeles door de

bijkomstigheid van overlast door geluid. Dus verwachten ze eerder een negatief effect dan een positief effect.

De vraag die dit oplevert is: wie heeft nou gelijk en in welke mate heeft Airbnb een negatieve of een positieve invloed op de huizenprijs?

Er zijn al eerdere onderzoeken gedaan naar dit onderwerp. Zo heeft Van der Bijl (2016) onderzoek gedaan naar dit effect. In zijn onderzoek heeft hij gevonden dat de huizenprijzen stijgen met 0,42 procent wanneer in een straal van 1000 meter om de woning een stijging plaatsvindt van 10.000 reviews in het aantal reviews die in de afgelopen 12 maanden zijn geschreven. Sheppard en Udell(2016) onderzoeken de invloed van Airbnb op de huizenprijzen in New York. Hun bevindingen zijn dat een verdubbeling in adressen die zich verhuren via Airbnb resulteert in een prijsstijging van 6 tot 11 procent.

In dit onderzoek wordt onderzocht of de aanwezigheid van Airbnb in Amsterdam een positief of negatief effect heeft op de huizenprijzen in Amsterdam. In het onderzoek van Basu en Thibodeau (1998) wordt

aangetoond dat er mogelijk ruimtelijke autocorrelatie plaatsvindt tussen de transactieprijzen van huizen. Naar aanleiding hiervan wordt in dit onderzoek gekeken naar de invloed van ruimtelijke autocorrelatie in de transactieprijs van woningen. De vraag die centraal staat is: Wat is het effect van de aanwezigheid van Airbnb op de huizenprijzen in Amsterdam.

In hoofdstuk 2 wordt de theorie van het modelleren van huizenprijzen en de mogelijke effecten van Airbnb op huizenprijzen besproken. In Hoofdstuk 3 wordt uitgelegd waar de data vandaan komt en hoe deze is bewerkt. Ook wordt de manier van onderzoeken besproken. Daarna worden in hoofdstuk 4 de resultaten van het onderzoek besproken. En tot slot wordt er in hoofdstuk 5 een conclusie van het onderzoek gegeven.

2. Theoretisch kader

In dit hoofdstuk wordt de theorie besproken waarvan gebruik wordt gemaakt bij dit onderzoek. Ten eerste wordt het model besproken dat de huizenprijs

verklaard. Vervolgens komt het onderwerp ruimtelijke autocorrelatie aan bod. Ten slot worden mogelijke effecten van Airbnb op een huizenmarkt gegeven en wordt de hypothese opgesteld.

2.1 Hedonistisch prijsmodel

Om het effect van Airbnb op de huizenprijs te kunnen onderzoeken moet de huizenprijs met een model worden geschat. Er zijn verschillende mogelijkheden om de prijs van huizen te bepalen. In dit onderzoek wordt gebruik gemaakt van een hedonistisch prijsmodel. De hedonistische prijsmethode gaat ervan uit dat huisprijzen impliciet bepaald worden door de prijs die men bereid is te betalen voor verschillende intrinsieke factoren (Jim & Chen, 2009). Volgens Jim en Chen (2009) zijn deze factoren in vier verschillende groepen op te delen. De eerste groep bestaat uit structurele karakteristieken. Sirmans et al (2005) heeft onderzoek gedaan naar de meeste voorkomende karakteristieken in

hedonistische prijsvergelijkingen. Hij vindt dat het bouwjaar van een huis en het aantal vierkante meters de meest gebruikte en belangrijkste structurele

karakteristieken zijn. Bij het bouwjaar merkt hij op dat de coëfficiënt verschilt voor verschillende perioden en dat hiermee in de regressie rekening moet worden gehouden. Verder vindt hij nog gebruikte karakteristieken als: aantal kamers, huistype, huisomvang en parkeerruimte.

De tweede groep wordt gevormd door locatiekenmerken. Binnen deze groep is de bid-rent theory van Alonso (1960) een belangrijke theorie. Deze theorie stelt dat de prijs die mensen over hebben voor een object afhankelijk is van transportkosten. De bid-rent curve laat zien dat het maximumbedrag dat een potentiële koper bereid is te betalen voor een object afhankelijk is van de

locatie van het object. De bid-rent curve wordt gedefinieerd door een functie van de afstand van het object naar een centraal punt. De functie stelt dat hoe dichter een object bij een centraal punt staat, hoe hoger de prijs van het object is. De theorie baseert dit op het feit dat een persoon zo min mogelijk

transportkosten wil maken naar plekken die belangrijk voor hem zijn. Aan de hand van deze theorie worden verschillende variabelen met afstanden naar centrale plekken meegenomen in de regressie.

De derde groep bevat buurtkarakteristieken. Volgens Sirmans et al (2005) is in deze groep het inkomensniveau van de buurt de meest gebruikte karakteristiek. Dit komt omdat de hoogte van het inkomen in de buurt een indicator is voor de eigenschappen van de buurt. Zo blijkt uit onderzoek dat buurten met hoge gemiddelde inkomens kwalitatief betere huizen hebben doordat er meer in de huizen wordt geïnvesteerd en ze beter onderhouden worden. Ook zouden in deze wijken betere scholen staan (Xiao, 2017).

De laatste groep bevat milieukenmerken. Xiao (2017) stelt dat deze groep op te delen is in twee subgroepen: kwalitatieve eigenschappen en voorzieningen. Onder kwalitatieve eigenschappen vallen watervervuiling, luchtvervuiling en geluidsoverlast. Voorzieningen kunnen geïnterpreteerd worden als esthetisch uitzicht en het aanwezig zijn van recreatiegebieden.

Deze vier groepen samen leiden tot de hedonistische prijsvergelijking:

Y = 𝛽₀+ 𝛽₁∗ 𝑆 + 𝛽₂∗ 𝐿 + 𝛽₃ ∗ 𝑁 + 𝛽₄ ∗ 𝐸 + 𝜀

Hierbij staat Y voor een vector van nx1 met de huizenprijzen; S is een matrix van n x ks met de structurele karakteristieken, L is een matrix van n x kl met locatievariabelen; N een matrix van n x kne met de buurtkarakteristieken; E een matrix van n x ke met milieuvariabelen. Chau (2003) geeft de volgende tabel als de meest voorkomende variabele in het hedonistisch prijsmodel:

Tabel 1: Meest gebruikte variabele in het hedonistische prijsmodel

2.2. Ruimtelijke autocorrelatie

Volgens Basu en Thibodeau (1998) zou het hedonistisch prijsmodel nog verbeterd kunnen worden door rekening te houden met ruimtelijke

autocorrelatie die plaatsvindt binnen de huizenprijzen. Huizenprijzen zijn door twee redenen ruimtelijk gecorreleerd. Ten eerste worden buurten meestal in een keer gebouwd, hierdoor zijn structurele karakteristieken zoals

woonoppervlakte, inhoud van de woning en design vaak gelijk aan elkaar. Ten tweede hebben huizen dezelfde locatiekenmerken en buurtkarakteristieken omdat ze in dezelfde buurt liggen (Basu & Thibodeau, 1998).

Wanneer sprake is van ruimtelijke autocorrelatie in de afhankelijke term is dit te modelleren in een SAR-model (Viton, 2010). Dit kan leiden tot een beter gespecificeerd model. Een Spatial Autoregressive Model neemt een extra variabele in de vorm van een ruimtelijke gecorreleerde vertraging van de

afhankelijke variabele op in het standaard lineaire regressiemodel. Dit leidt tot het volgende model:

𝑦 = 𝜆𝑊𝑦 + 𝑋𝛽 + 𝑢

Y staat voor een vector met de afhankelijke variabele,  voor de ruimtelijke correlatie van de afhankelijke variabele, X voor een matrix met verklarende variabelen en u voor een vector met de storingstermen en W is een ruimtelijke gewichtsmatrix van n x n, het specificeert voor elke locatie in het systeem welke andere locaties effect hebben op de waarde de locatie. Deze matrix kan op verschillende manieren worden berekend. Als eerste kunnen de precieze coördinaten van de observaties, mits bekend, gebruikt worden om afstanden te berekenen tussen de punten. Ook kan gebruik worden gemaakt van de

burenstructuur. Hierbij wordt er gekeken of de observaties in grenzende

gebieden liggen en worden hiervan de effecten berekend (Ullah & Gilles, 1998).

Het SAR-model gaat ervan uit dat er geen ruimtelijke autocorrelatie plaatsvindt in de storingsterm en dat deze normaal verdeeld is:

𝑢~𝑁(0, 𝜎2_𝐼 𝑛)

Bij het schatten van een SAR-model wordt gebruikgemaakt van de Maximum-Likelihood methode in plaats van de Kleinste Kwadraten methode (Viton, 2010). Dit komt doordat de afhankelijke variabele aan beide kanten in de vergelijking staat en daarom endogeen is. Volgens Viton resulteert dit bij een kleinste kwadraten schatting tot onzuivere en inconsistente schattingen.

2.3 Moran’s I-toets

Om aan te tonen dat ruimtelijke autocorrelatie plaatsvindt in de afhankelijke variabele bestaan verschillende toetsen. De meest gebruikte toets is de Moran’s I-toets (Viton, 2010). De toetsgrootheid van de Moran’s I-toets wordt gedefinieerd als:

𝐼 =

𝑅

∑ ∑ 𝑤

∑ ∑ 𝑤

(𝑥

− 𝑥̅)(𝑥

− 𝑥̅)

∑ (𝑥

− 𝑥̅)

𝐼

₌

𝐼 − 𝐸(𝐼)

√𝑉𝑎𝑟(𝐼)

De nulhypothese van de Moran’s I-toets stelt dat er geen ruimtelijke autocorrelatie in de variabele plaatsvindt. Dit betekent dat onder de nulhypothese de toetsgrootheid I asymptotisch normaal verdeeld is en I* standaardnormaal verdeeld.

2.4 De verwachte effecten van Airbnb op de huizenmarkt

Zoals in de inleiding benoemt, stelt ING (2016) in zijn artikel “Airbnb heeft flink opwaarts effect op Amsterdamse huizenprijzen” dat de komst van Airbnb effect heeft gehad op de huizenprijs in Amsterdam. Omdat een woning met de komst van Airbnb gebruikt kan worden als inkomstenbron hebben mensen meer over voor de woning. Daarnaast wordt het interessanter voor mensen om een woning te kopen dan te huren. Ook kopen investeerders huizen op om ze vervolgens via Airbnb te verhuren, dit zorgt voor een vergrote vraag naar woningen. De aanbieders van woningen nemen deze extra inkomsten mee in de taxatie van hun woning en zullen een hogere prijs vragen. Deze extra inkomsten zorgen er volgens ING voor dat een verhuurder de lasten van een extra lening van 95.000 euro kan betalen. Deze cijfers baseert ING op de

nieuwe gemeentewet die voorschrijft dat een woning maximum 60 dagen per jaar verhuurd mag worden. Uitgaande van een gemiddelde prijs van 130 euro per nacht kan dit een verhuurder gemiddeld ruim 650 euro per maand

opleveren. Deze inkomsten minus de kosten voor schoonmaak, eventuele investeringen in inrichting en inkomstenbelasting zorgt voor een

netto-opbrengst van ongeveer 350 euro. Met een structurele netto-netto-opbrengst van 350 per maand kan een verhuurder een extra hypotheek van 95.000 euro betalen. Dit betekent dat potentiele kopers meer kunnen lenen en dus meer kunnen uitgeven aan hun nieuwe woning waardoor de prijs omhoog gaat.

Baarsma en Van Dalen (2016) publiceren een artikel waarin zij ingaan tegen de bevindingen van ING. Ze trekken de prijsstijging als gevolg van de extra hoge hypotheek in twijfel. Ze stellen dat hypotheekverstrekkers het inkomen dat gegenereerd is door het verhuren van hun woning niet zouden mogen meenemen in het bepalen van de maximale hypotheeklening. Baarsma en Van Dalen stellen dat huizenkopers de mogelijkheid om hun woning als inkomstenbron te gebruiken via verhuur, niet meenemen in het uitbrengen van een bod. Uit deze twee bevindingen maken Baarsma en Van Dalen op dat Airbnb niet of nauwelijks effect heeft op de Amsterdamse woningprijzen.

Hiernaast halen ze een onderzoek van Lee (2016) aan dat stelt dat Airbnb een negatieve invloed heeft op de huizenmarkt door de bijkomstigheid van overlast door geluid. Uit dit onderzoek blijkt dat in Los Angeles Airbnb een negatief effect heeft op de huizenprijs. Dit zou komen doordat Airbnb in

sommige buurten de kwaliteit van de leefomgeving door middel van overlast negatief beïnvloedt. Deze bevindingen komen ook terug in de Nederlandse media. Op 6 november 2015 plaatst de NRC een artikel ‘Hoe Airbnb voor problemen zorgt’ en op 8 augustus 2016 publiceert Trouw een artikel: ‘Overlast door Airbnb moeilijk aan te pakken’, hieruit blijkt dat in Nederland ook sprake is

geluidsoverlast. De meeste van deze onderzoeken leggen de focus op overlast door vliegtuigen en overlast door het verkeer. De uitkomsten in deze studies komen overeen, ongeacht de bron van het lawaai. De Vany (1976) heeft onderzoek gedaan naar het effect van vliegvelden op de huizenprijs in Dallas. In dit onderzoek vindt hij dat er significante negatieve effecten bestaan voor huizen binnen een mijl van het vliegveld. Hij merkt ook op dat huizen die verder dan 2 mijl van het vliegveld vandaan lagen positief effect hadden door de aanwezigheid van het vliegveld. Dit positieve effect ontstaat doordat het

vliegveld zorgt voor bereikbaarheid. Om deze effecten van bereikbaarheid niet mee te nemen werden er studies gedaan die gebruik maakten van de “noise

exposure forecast”(NEF) index. Mieszkowski en Saper (1978) en Nelson (1979)

doen beiden een studie hiernaar. In beide studies heeft het geluid van

vliegtuigen een significant negatief effect op de prijs van de huizen. Er zijn ook studies die hun onderzoek hebben gebaseerd op de hoogte van het geluid in decibel. Li en Brown (1980), Taylor et al. (1982) en Lake et al. (2000) deden alle drie onderzoek op deze manier. Uit alle onderzoeken kwam een

significante negatieve coëfficiënt. Eenzelfde soort onderzoek is uitgevoerd door Theebe (2004). In zijn onderzoek wordt aangetoond dat verkeersgeluid

significante impact heeft op de prijs van huizen in West- Nederland.

Naast het ontstaan van een nieuwe inkomstenbron, een grotere vraag naar woonruimte en de negatieve invloeden van de huurders van Airbnb heeft Airbnb ook nog een impact op de lokale economie van een stad (Sheppard & Udell, 2016). Doordat Airbnb zorgt voor meer toerisme in een stad stijgt de vraag naar lokale goederen en diensten. Hierdoor komen er meer

voorzieningen in de buurt en verbetert de kwaliteit van de buurt. Door deze toename in voorzieningen en in kwaliteit van de buurt stijgen de huizenprijzen.

Opgesomd heeft Airbnb verschillende manieren invloed op de

vraag naar woonruimte, de negatieve invloeden van de huurders van Airbnb en de lokale economische impact. Dit betekent dat Airbnb drie positieve effecten en een negatief effect heeft op de huizenprijs. Zowel Sheppard & Udell als V. Van der Bijl vinden in hun onderzoek dat een toename van het aantal woningen dat wordt verhuurd op Airbnb zorgt voor een stijging in de huizenprijs, dat betekent dat de drie positieve effecten groter zijn dat het negatieve effect. Hieruit wordt de hypothese getrokken dat de aanwezigheid van Airbnb erin resulteert dat de huizenprijzen in Amsterdam stijgen.

3. Onderzoeksopzet

In de vorige paragraaf is besproken op welke manier de huizenmarkt

gemodelleerd kan worden en wat de mogelijke effecten zijn van Airbnb op de huizenmarkt. Aan de hand van deze theorie is de hypothese gesteld dat de aanwezigheid van Airbnb een stijgend effect heeft op de huizenprijzen van Amsterdam. In dit hoofdstuk wordt de manier van onderzoeken besproken aan de hand van een uitleg van de modellen die gebruikt gaan worden. Er wordt begonnen met uitleg over welke data is gebruikt en hoe deze bewerkt is.

3.1 Herkomst van de data

Om de hypothese die gevonden is in vorig hoofdstuk te kunnen toetsen zijn verschillende gegevensbestanden gekoppeld. Ten eerste is de data van de Nederlandse Vereniging van Makelaars (NVM) gebruikt. Dit is een vereniging waar ongeveer 4000 makelaars bij aangesloten zijn. De NVM houdt een

database bij met daarin alle informatie over huizen die verkocht of verhuurd zijn in Nederland. Het bevat verkoopprijzen, huiseigenschappen en meer. De

database omvat rond de 70% van de totale transacties van de Nederlandse huizenmarkt. De data over kerngegevens van de buurten wordt uit de database van het CBS gehaald. De tabel Kerncijfers wijken en buurten 2017 is hiervoor gebruikt (CBS, 2017). Ten derde is er gebruikgemaakt van de meest recente data (2 april 2017) van de site InsideAirbnb (2017). Omdat Airbnb de informatie van zijn klanten wil beschermen is er geen precieze data beschikbaar van welke huizen verhuurd zijn via Airbnb. De data die verkrijgbaar is via Inside Airbnb bevat informatie over prijzen, reviews en locaties van huizen die te huur zijn aangeboden via Airbnb. In dit onderzoek wordt gebruikgemaakt van de term “listing”, hiermee wordt bedoeld een woning die verhuurd is via Airbnb. In onderstaand figuur zijn de listings in kaart gebracht. In dit figuur is te zien dat

listings in de rivier liggen. Dit komt doordat Airbnb een kleine error in de

coördinaten van hun listings heeft aangebracht. Dit is een willekeurige fout van tussen de 0-150 meter.

Figuur 1: Listings in Amsterdam

Tenslotte is nog gebruikgemaakt van de geografische data van Amsterdam om de gebieden in kaart te brengen. Deze data is afkomstig van de site van de Gemeente van Amsterdam (2017).

3.2 De bewerking van de data

De data van de NVM is genomen van de transacties in Amsterdam die

plaatsgevonden hebben in de periode van 1 januari 2015 tot 26 juni 2017. Om de data bruikbaar te maken zijn waarnemingen verwijderd. Al eerste is de data gecorrigeerd op prijzen. Alle prijzen onder de 10 duizend en boven de 10 miljoen zijn verwijderd. Omdat volgens artikel 4.3.1 van het bouwbesluit (2012) een woning een minimale woonoppervlakte van 18 vierkante meter moet

verwijderd. Tot slot zijn alle waarnemingen met een bouwjaar eerder dan 1550 ook verwijderd. Op het eind blijven nog 16.825 waarnemingen over.

De data van Inside Airbnb bevat 15.140 huizen waarover 12.966 listings een review is geschreven. Omdat voor dit onderzoek het van belang is om te weten wat het aantal actieve listings is op een bepaald moment wordt een aanname gemaakt dat elke keer als iets verhuurd wordt een review wordt geschreven. Aan de hand van deze aanname, het aantal reviews en het

gemiddelde aantal reviews per maand worden dummy’s aangemaakt waarin te zien is of een listing actief is in de desbetreffende periode. Deze dummy’s zijn in kwartalen verdeeld vanaf 2015 kwartaal 1 tot 2017 kwartaal 1. In de volgende tabel worden het aantal listings per kwartaal weergeven.

Tabel 2: Aantal listings actief per kwartaal

Voor dit onderzoek moet een nieuwe variabele worden gedefinieerd die de aanwezigheid van Airbnb weergeeft. Deze variabele is gegenereerd aan de hand van de coördinaten van de listings. Het aantal listings die zich binnen een cirkel met een diameter van 500 meter afstand vanaf de transactie bevinden worden genomen als variabele. Hiervoor is de datum van de ondertekening van de akte gebruikt als tijdsmoment. Om de locatie mee te nemen in de regressie wordt in dit onderzoek Amsterdam opgedeeld in 22 gebieden. Vervolgens zijn

0.00 1000.00 2000.00 3000.00 4000.00 5000.00 6000.00 7000.00 8000.00 9000.00 10000.00 q1 2015 q2 2015 q3 2015 q4 2015 q1 2016 q2 2016 q3 2016 q4 2016 q1 2017

deze gebieden gekoppeld op basis van coördinaten gekoppeld aan de NVM-dataset.

3.3 Het model

Om aan te tonen of Airbnb effect heeft op de huizenprijs wordt als eerste een meervoudige regressie toegepast aan de hand van de methode van de kleinste kwadraten. Om te onderzoeken of de aanwezigheid van Airbnb effect heeft op de huizenprijzen moet een variabele worden toegevoegd die de aanwezigheid van Airbnb meet. Deze variabele wordt Airbnbomgeving genoemd. Deze variabele staat voor het aantal listings die binnen een straal van 500 meter in de omgeving van de transactie vallen. In het theoretisch kader hebben we gevonden dat dit leidt tot het volgende model:

ln 𝑦 = 𝛽₀+ ∑𝑘 𝛽_𝑖∗ 𝐻𝑃𝑀_𝑖

𝑖=1 + 𝛽𝑘+1∗ 𝐴𝑖𝑟𝑏𝑛𝑏𝑜𝑚𝑔𝑒𝑣𝑖𝑛𝑔 + 𝜀

Er wordt gebruik gemaakt van een semi-log vergelijking om rekening te houden met het feit dat de toegevoegde waarde van bijvoorbeeld een badkamer meer impact kan hebben op een huis van 500.000 euro dan op een huis van 100.000 euro. Dit zorgt ervoor dat er gekeken wordt naar een procentuele verandering in de prijs

Vervolgens wordt de Moran’s I-toets toegepast om te testen op

ruimtelijke autocorrelatie. Wanneer dit het geval is, wordt opnieuw een model geschat om het effect van Airbnb op de huizenprijs te meten. In het theoretisch kader is gevonden dat er rekening met de ruimtelijke autocorrelatie gehouden moet worden. Hiervoor wordt het Spatial Autoregressive Model gebruikt. Voor dit model geldt de volgende vergelijking:

ln 𝑦 =

𝜆𝑊𝑦

𝑖=1 + 𝛽𝑘+1∗ 𝐴𝑖𝑟𝑏𝑛𝑏𝑜𝑚𝑔𝑒𝑣𝑖𝑛𝑔 + 𝜀

Hierna worden de modellen vergeleken en wordt er een conclusie getrokken. In het volgende hoofdstuk worden als eerste de gebruikte variabelen besproken en vervolgens de resultaten van het onderzoek.

4. Resultaten en analyse

In dit hoofdstuk worden de resultaten van het onderzoek naar het effect van Airbnb gegeven en geanalyseerd. Het hoofdstuk begint met de beschrijvende statistiek van de variabelen die in het onderzoek wordt gebruikt. Vervolgens worden de resultaten geanalyseerd.

4.1 Beschrijvende statistiek

De variabelen die gebruikt worden in dit onderzoek zijn op te delen in twee soorten variabelen: niet-dummyvariabelen en dummyvariabelen. Als eerste worden statistieken van alle niet-dummyvariabelen gegeven en daarna die van de dummyvariabelen.

In de tabel hieronder worden de gegevens van de prijs, woonoppervlakte, aantal kamers, inhoud van de woning, dichtstbijzijnde supermarkt,

dichtstbijzijnde basisschool en het aantal listings in de omgeving gegeven.

4.2 Empirische resultaten

In deze paragraaf worden de resultaten van het onderzoek gegeven. Er wordt begonnen met een OLS-regressie om het hedonistisch prijsmodel te schatten. Vervolgens wordt getoetst op ruimtelijke autocorrelatie. En tot slot wordt het model geschat met het SAR-model.

Zoals besproken in de onderzoeksopzet is de afhankelijke variabele de logaritme van de prijs en zijn de onafhankelijke variabelen de Airbnb dichtheid in de omgeving met een straal van 500 meter en de huiskarakteristieken. In de eerste regressie zijn als verklarende variabelen de Airbnb dichtheid en de woonoppervlakte gebruikt. In de tabel op de volgende pagina staan in de eerste kolom de resultaten van deze regressies. Hier valt te zien dat per stijging van een listing in de buurt de huisprijs met 0.31 procent stijgt. Voor deze schatting geld een P-waarde van 0.000 hieruit kan worden geconcludeerd dat deze schatting een significante waarde is.

In de volgende regressie is het fixed effect van het gebied waarin de woning staat meegenomen. In de tabel hieronder worden de resultaten weergegeven in kolom 2. Het toevoegen van deze variabele resulteert in een daling van de coëfficiënt van de Airbnb van 0.0031 naar 0.0011. Dit valt te verklaren doordat populaire buurten, waar de huizenprijzen hoger is, meer toeristen trekken en dus een hogere Airbnbdichtheid hebben. Waar in de eerste regressie het effect van de buurten deels werd meegenomen in de coëfficiënt van de Airbnb wordt dit nu gedaan in de fixed gebied effecten. In kolom 3 zijn de resultaten van de derde regressie te vinden. De coëfficiënt van de Airbnb verandert 0.0002 hieruit kan worden opgemaakt dat de extra toegevoegde variabelen niet correleren met de Airbnb dichtheid variabele.

Tenslotte zijn de volgende variabelen nog toegevoegd aan het model: de inhoud van de woning, het aantal kamers, afstand tot de dichtstbijzijnde

supermarkt, afstand tot de dichtstbijzijnde basisschool, de koopconditie van het huis en nog de fixed effecten voor het bouwjaar en type van de woning. Deze regressie heeft een R2 _{waarde van 0.8352 wat lager is dan de R}2 _{in het}

onderzoek van V. Van der Bijl. In zijn onderzoek vond hij een R2 _{van 0.911; dit} komt doordat hij in zijn hedonistisch prijsmodel wel de volgende variabelen heeft toegevoegd: het hebben van een parkeerplaats, de kwaliteit van onderhouden, het zijn van een monument en een tijdsdummy. Ook gebruikt Van der Bijl als locatie effect het viercijferige postcode in plaats van de tweeëntwintig gebieden. Dit zorgt voor een preciezere locatie bepaling, het nadeel hiervan is dat het onoverzichtelijker wordt wat de invloed van een bepaalde locatie is.

De coëfficiënt van de Airbnb dichtheid is 0.0013 met een P-waarde van 0.000. Aan de hand hiervan kan worden aangenomen dat het aantal Airbnb listings in een straal van 500 meter rondom de woning een significante positief effect heeft op de prijs van een woning.

Om te testen of er heteroscedasticiteit plaatsvindt, wordt de Breusch-Pagan test gedaan. Hierin wordt de nulhypothese verworpen en heteroscedasticiteit

aangetoond. Aangezien deze heteroscedasticiteit is gevonden, wordt het model opnieuw geschat, maar nu met robuuste standaardfouten. De resultaten

worden hieronder weergeven. Opvallend is dat deze manier van schatten geen invloed heeft op de coëfficiënten van de variabelen.

Zoals in de theorie besproken komt ruimtelijke autocorrelatie vaak voor bij hedonistische prijsmodellen. Bij de voorgaande regressies is geen rekening gehouden met het feit dat ruimtelijke autocorrelatie kan plaatsvinden. Om aan te tonen dat ruimtelijke autocorrelatie plaatsvindt binnen de afhankelijke

variabele wordt een Moran’s I-toets gedaan. Om deze toets te kunnen uitvoeren moet eerst een gewichtsmatrix gegenereerd worden. Omdat het proces hiervan een te zwaar proces is om voor de hele dataset te doen moet een subselectie

worden genomen van de dataset. In dit onderzoek is de keuze gemaakt om een subselectie van 5 procent te gebruiken. Hier is voor 5 procent gekozen om ervoor te zorgen dat Stata goed werkt maar het aantal observaties niet te laag wordt. De uitslagen van de toets worden weergeven in de tabel hieronder. Hieruit kunnen we aflezen dat de berekende toetsgrootheid gelijk is aan 9.894 met een P-waarde van 0.000. Hieruit wordt de conclusie getrokken dat de nulhypothese verworpen wordt en dat ruimtelijke autocorrelatie plaatsvindt in de afhankelijke variabele.

Uitslag Moran’s I-toets

Om rekening te houden met de ruimtelijke autocorrelatie wordt met de subselectie een model geschat met het SAR-model. De resultaten worden hieronder in de tabel in kolom 1 weergeven. Voor deze zelfde subselectie wordt ook een OLS-regressie gedaan die staat in kolom 2. Om te testen of het SAR-model efficiënter en minder biased is dan het OLS-SAR-model wordt er

gebruikgemaakt van de volgende t-toets: 𝑡 = 𝛽𝑜𝑙𝑠− 𝛽𝑠𝑎𝑟

Voor elke coëfficiënt behalve de constante komt hier een p-waarde van 0.000 uit. Uit deze resultaten valt op te maken dat de coëfficiënten statistisch niet verschillen. Hieruit wordt de conclusie getrokken dat het SAR-model niet efficiënter en minder biased is dan het OLS-model.

5. Conclusie

In de eerdere onderzoeken naar de effecten van Airbnb wordt veelvuldig de aanwezigheid van ruimtelijke autocorrelatie in het hedonistisch prijsmodel genegeerd. In dit onderzoek is door middel van de Moran’s I-toets aangetoond dat wel degelijk ruimtelijke autocorrelatie plaatsvindt in het hedonistisch

prijsmodel. Omdat ruimtelijke autocorrelatie plaatsvindt in de huizenprijs is gebruikgemaakt van het SAR-model.

Om te kijken of het SAR-model efficiënter en minder biased is dan het OLS-model is gekeken of de coëfficiënten van de modellen significant

verschillen. Uit de T-toetsen komt als resultaat naar voren dat dit niet het geval is. Aan de hand van deze bevindingen wordt geconcludeerd dat de invloed van de ruimtelijke autocorrelatie in de afhankelijke variabele geen invloed heeft op de efficiëntie van het OLS-model. Omdat dit niet het geval is worden de

resultaten van de eerste OLS-regressie gebruikt. Dit wordt gedaan omdat in dit model gebruik wordt gemaakt van 14.482 observaties waarbij het SAR-model gebruik maakt van 841 observaties.

De uit de literatuur opgemaakte hypothese dat de aanwezigheid van Airbnb zorgt voor een prijsstijging van de huizen in Amsterdam wordt bevestigd door de resultaten van dit onderzoek. De resultaten stellen dat een stijging van een listing in een straal van 500 meter in de buurt van een woning resulteert in een prijsstijging van 0.13 procent. Deze bevindingen bevestigen de hypothese dat Airbnb een stijgend effect heeft op de huizenprijzen in Amsterdam.

Ondanks de significante uitkomsten van de testen heeft dit onderzoek nog wel zijn beperkingen. Ten eerste is de data die afkomstig is van Inside Airbnb niet de ideale data voor dit onderzoek. In het onderzoek wordt

gebruikgemaakt van coördinaten waar een error van 0-150 meter inzit, dit zorgt voor een vertekening van de werkelijkheid. Idealiter wordt er gebruikgemaakt

ruimtelijke autocorrelatie in de afhankelijke variabele. Er wordt niet gekeken naar ruimtelijke autocorrelatie in de residuen. Als laatste wordt er in dit onderzoek een subset gebruikt van de set om het SAR-model te schatten. In een vervolgonderzoek zou er naar een manier kunnen worden gezocht om wel de hele set te gebruiken.

Bibliografie

Alonso, W. (1960). A theory of the urban land market. Papers in Regional Science, 6(1), 149– 157.

Baarsma, B., & Dalen, P. Van. (2016, 6 juni). Airbnb drijft Amsterdamse huizenprijzen echt niet op. Geraadpleegd van

https://www.parool.nl/opinie/-airbnb-drijft-amsterdamse-huizenprijzen-echt-niet-op~a4314202/

Basu, S., & Thibodeau, T. (1998). Analysis of spatial autocorrelation in house prices. Journal of real estate finance and economics, 71(1), 61-85.

CBS. (2017, 31 juli). Kerncijfers wijken en buurten 2017 [Dataset]. Geraadpleegd van https://www.cbs.nl/nl-nl/maatwerk/2017/31/kerncijfers-wijken-en-buurten-2017

Chau, K. W., Yiu, C. Y., Wong, S. K., & Lai, L. W. C. (2003). Hedonic price modelling of environmental attributes: a review of the literature and a Hong Kong case study. In L. W. C. Lai, & F. Lorne (Red.), Understanding and implementing sustainable development (Herz. ed., pp. 87-110). Hong Kong, China: Nova Science Publication.

De Vany A.S. (1976). An economic model of airport noise pollution in an urban environment. Theory and Measurement of Economic Externalities, (ed. S.A.Y. Lin), Academic Press, New York. pp. 205-214.

Gemeente van Amsterdam. (2017, 21 december). Gebiedsindelingen [Dataset]. Geraadpleegd op 4 december 2017, van

https://maps.amsterdam.nl/gebiedsindeling/?LANG=nl

ING. (2016, 25 april). Airbnb heeft flink opwaarts effect op Amsterdamse huizenprijzen. Geraadpleegd van

https://www.ing.nl/nieuws/nieuws_en_persberichten/2016/04/airbnb_heeft_flink_opwaarts_ effect_op_amsterdamse_huizenprijzen.html

Inside Airbnb. (2017, 2 april). Summary information and metrics for listings in Amsterdam [Dataset]. Geraadpleegd van http://insideairbnb.com/get-the-data.html

Jim, C. Y., & Chen, W. Y. (2009). Landscape and Urban Planning 91. Department of Geography, The University of Hong Kong, Pokfulam Road, Hong Kong, 1, 226-234. Lake I.R., Lovett A.A., Bateman I.J. and Day B.H. (2000). Improving land compensation procedures via GIS and hedonic pricing. Environment and Planning C: Government and Policy 18(6) 681-696.

Lee, D. (2016). How Airbnb Short-Term Rentals Exacerbate Los Angeles’s Affordable Housing Crisis: Analysis and Policy Recommendations. Harvard Law and Policy Review, 10, 239-253. Geraadpleegd van

Sheppard, S., & Udell, A. (2016). Do Airbnb properties affect house prices? Working Paper Williams College

Sirmans, G.S., Macpherson, D.A., & Zietz, E.N. (2005). The composition of hedonic pricing models. Journal of Real Estate Literature, 13(1), 3-46.

Tayor S.M., Breston B.E. and Hall F.L. (1982). The effect of road traffic noise on house prices. Journal of Sound and Vibration 80(4) 523-541.

Theebe, M. A. (2004). Planes, trains, and automobiles: the impact of traffic noise on house prices. The Journal of Real Estate Finance and Economics

Ullah, A., & Gilles, D. (1998). Handbook of Applied Economic Statistics (Herz. ed.). New York, Basel: Marcel Dekker.

Van der Bijl, V. (2016). The effect of Airbnb on house prices in Amsterdam. Geraadpleegd van

https://files.vastgoedbibliotheek.nl/Server/getfile.aspx?file=docs/publicaties/site/UVA/Bijl_V M.pdf

Viton, P.A. (2010). Notes on Spatial Econometric Models, City and Regional Planning, 870(3). Geraadpleegd van:

https://pdfs.semanticscholar.org/64ab/4ec3a6cb25cb191818c5d65400e6c3697082.pdf Xiao, Y. (2017). Urban Morphology and Housing Market. In Springer (Red.), Urban Morphology and Housing Market (Herz. ed., pp. 11-40). Shanghai, China: Springer.