Hechten stedelijke gezinnen waarde aan een nabijgelegen park? : een onderzoek naar de invloed van de afstand tot een park op de waarde van woningen in kinderrijke en hoogstedelijke buurten

(1)

Hechten stedelijke gezinnen

waarde aan een nabijgelegen park?

Een onderzoek naar de invloed van de afstand tot een park op de waarde van woningen in kinderrijke en hoogstedelijke buurten.

Florian van Lochem 10775366

Bachelorscriptie Sociale geografie en planologie Dhr. Prof. Dr. P. Tordoir

Dhr. Dr. B. Hissink Muller

(2)

(3)

Inhoudsopgave

VOORWOORD ... 0

INLEIDING ... 1

THEORETISCH KADER ... 3

OPGROEIEN ... 3

DE WAARDE VAN GROEN ... 4

DE WAARDE VAN WONINGEN ... 5

METEN VAN DE WAARDE VAN WONINGEN ... 7

OPERATIONALISERING ... 9

AANPAK VAN ONDERZOEK ... 9

TRANSACTIEPRIJS ... 11

DATA EN DATA BEWERKING ... 12

MEERVOUDIGE LINEAIRE REGRESSIE... 14

DE ANALYSES ... 16 DE STEDELIJKE BUURTANALYSE ... 16 DE GEDETAILLEERDE ANALYSE ... 19 DE SLOTERPLAS ... 20 PARK FRANKENDAEL ... 23 CONCLUSIE ... 25 DISCUSSIE ... 27 LITERATUUR... 29 BIJLAGE ... 32

KAARTEN STEDELIJKEBUURT ANALYSE ... 32

KAARTEN GEDETAILLEERDE BUURTANALYSES ... 36

PRIJSINDEXCIJFERS KOOPWONINGEN ... 39

OPGENOMEN INFORMATIE ... 40

INGANG TOT PARK ... 42

HANDELINGEN GIS ... 44

RESULTATEN SPSS ... 46

HANDELINGEN SPSS ... 53

BIJLAGE CONCLUSIE... 54

VERDELING VAN VERKOCHTE HUIZEN ... 56

FOTO’S SLOTERPLAS ... 57

(4)

(5)

X

Voorwoord

Geachte lezer,

Voor u ligt mijn bachelorscriptie over de invloed van de nabijheid van stedelijk groen op de waarde van huizen in kinderrijke buurten. In september 2017 is dit onderzoek gestart, en is begonnen als een vraag naar wat de waarde van een boom is in de stad. Deze vraag bleek echter lastig te beantwoorden maar de kern was wel interessant. Deze kern, de waarde van groen, is uiteindelijk onderzocht door parken in een grote stad te onderzoeken. Nadat door het CBS cijfers gepresenteerd werden over de trek van gezinnen uit steden en bleek dat deze gezinnen erg belangrijk zijn voor de stad is heeft het onderzoek zich gericht op deze gezinnen.

Tijdens het project ben ik veel te weten gekomen over de moeite die nog altijd bestaat bij het verzamelen van data. Hoewel de overheid middels het CBS en de gemeente Amsterdam juist het gebruik van hun data stimuleert, blijkt dat andere partijen minder snel hun data verlenen. Het heeft aanzienlijk veel tijd gekost om in contact te komen met de juiste persoon van de Nederlandse Vereniging van Makelaars. Nadat de juiste persoon gevonden was, is de data echter snel gedeeld. Ook heb ik veel kennis opgedaan over het verwerken en analyseren van data aan de hand van de computerprogramma’s SPSS en ArcGIS. Hoewel ik door mijn studie een basiscursus heb gehad in deze programma’s bleek dat ik zelf nog veel te leren had. Het maken van een hedonische prijs methode middels een meervoudige lineaire regressie is hiervan een goed voorbeeld.

Deze bachelorscriptie had niet geschreven kunnen worden zonder een aantal mensen. Deze wil ik graag op deze manier bedanken. Allereerst wil ik Pieter Tordoir bedanken voor zijn begeleiding de afgelopen maanden. Vanaf het begin was hij enthousiast over mijn onderwerp en heeft mij de ruimte gegeven om zelf tot een onderwerp te komen, en ook in praktische zin was zijn hulp welkom. Door zijn uitleg over een hedonische prijs methode en bijvoorbeeld de juiste betekenis van een R² zijn deze valkuilen ontweken. Naast meneer Tordoir moet ik ook zijn assistent Luuc van der Zee bedanken voor zijn hulp bij het verzamelen van data in de vorm van geografische kaarten. Dat hij deze direct klaar had liggen heeft mij veel tijd bespaart. Ik wil Bas de Win van het Loket Datakwaliteit van de NVM hartelijk bedanken voor het verlenen van de data. Zijn snelle en positieve reacties waren zeer welkom na het eerdere stroeve contact. Ik wil mijn vader, opa en oma graag bedanken voor het wekelijks meedenken over het verzamelen van data en het brainstormen over een goede onderzoeksvraag. Mijn moeder wil ik bedanken voor haar bruikbare verbeteringen in mijn soms onnavolgbare zinnen, hierdoor het eindproduct tot een goed te lezen geheel is gekomen. Als laatste wil ik mijn vriendin bedanken voor het stimuleren en de nodige afleiding.

Ik wens u veel leesplezier,

Florian van Lochem

(6)

15 januari 2018 Inleiding

Inleiding

‘Geef mij maar Amsterdam – totdat je kinderen krijgt’ (Borrel & Voogt, 2017) ‘Steeds meer jonge gezinnen verlaten de stad’ (NOS.nl, 2017)

Uit cijfers gepubliceerd door het CBS (CBS, 2017) blijkt dat van koppels die kinderen krijgen in Amsterdam 40% binnen vier jaar de stad verruilt voor een huis in de nabijheid van de stad. En niet alleen na de geboorte verhuizen gezinnen; het CBS stelt dat koppels die binnen twee jaar een kind verwachten al de neiging hebben om te verhuizen naar buiten de stad (zie Grafiek 1).

De trek uit de stad is geen nieuw fenomeen. Zo schrijven de Groot et. al. (Groot, Marlet, Teulings, & Vermeulen, 2010) dat Nederland al in de jaren ’60 en ’70 te maken had met een golf van suburbanisatie. De kosten van vervoer waren sterk gedaald en steeds meer mensen konden zich een auto veroorloven, waardoor het niet meer nodig was om in de stad bij hun werk te blijven wonen. Men trok weg naar de omgeving buiten de stad, waar zij een groter huis konden betalen en groener konden leven. Zo’n dertig jaar geleden verwachtten veel mensen dat het leven in de stad voorbij zou zijn, omdat iedereen in een groene en veilige omgeving zou willen leven (Groot, Marlet, Teulings, & Vermeulen, 2010).

Hoewel deze teloorgang van de stad zich niet voltooid heeft, tonen de cijfers van het CBS een nieuwe suburbanisatie golf. Een probleem, want volgens hoogleraar planologie Zef Hemel (Voogt & Nagtegaal, 2017) is juist het aandeel jonge gezinnen de graadmeter van de leefbaarheid van de stad. Jonge gezinnen verwachten een veilige en schone leefomgeving voor hun kinderen en vergroenen door hun aanwezigheid de stad. Bij een trek uit de stad zou de kwaliteit van de stad verloren kunnen gaan en in een periode van krimp kunnen komen.

Waar er in de literatuur al eerder onderzoek gedaan is naar de invloed van groen en water op de verkoopprijs van huizen (Bervaes & Vreke, 2004; Brouwer, Hess, Wagtendonk, & Dekkers, 2007; Sander & Haight, 2012) is dat niet binnen hoogstedelijke gebieden gedaan.

In hoeverre hechten stedelijke gezinnen waarde aan groen in hun leefomgeving? Dat is de centrale vraag in dit onderzoek. Om deze vraag te kunnen beantwoorden is eerst in de literatuur gezocht naar woningvoorkeuren van gezinnen en eerdere waarderingen van groen. Op basis hiervan en de beschikbare data is een case-study gedaan. Deze case-study is op twee schaalniveaus gedaan, één op het niveau van de stad en één ingezoomd op buurtniveau.

(7)

15 januari 2018 Inleiding

Aan de hand van gegevens van de Nederlandse Vereniging van Makelaars, het Centraal bureau voor de Statistiek, Open Source Map en Onderzoek Informatie en Statistiek Amsterdam zal worden gekeken naar de invloed van de afstand tot een stadspark op de verkoopprijs of gemiddelde WOZ-waarde van huizen in buurten waar een hoog percentage gezinnen woont.

(8)

15 januari 2018 Theoretisch kader

Theoretisch kader

Opgroeien

Hoewel dit onderzoek zicht richt op het belang van groen voor gezinnen in hoogstedelijke gebieden zal eerst gekeken moeten worden naar de woonvoorkeuren van de mensen die deze gezinnen vormen. De mensen op de woningmarkt worden verdeeld in vier groepen; nestverlaters en starters, alleenstaanden, gezinnen en ouderen. Iedere groep heeft zijn eigen woonvoorkeuren.

Nestverlaters en starters

Verhuizen uit het ouderlijk huis is het begin van de woningloop van een individu. Deze verhuizing gebeurt meestal naar een stad in de buurt van de onderwijsinstelling. Deze groep is nog erg mobiel en heeft relatief lage woonwensen. Hoogopgeleiden accepteren een kamer op een half uur fietsen van de onderwijsinstelling (Laarman, 2017). Ook lager opgeleiden verhuizen naar steden, dit is vanwege de baanmogelijkheden en een groter aanbod aan sociale huurwoningen (Feijten et al., 2008 in Laarman, 2017).

Alleenstaanden

Alleenstaanden vormen een diverse groep, dit kunnen net afgestudeerden zijn die in het begin van hun woon- en werkcarrière zitten, maar ook mensen die gescheiden zijn of waarvan de partner overleden is. Deze diversiteit maakt dat deze groep geen duidelijke woonvoorkeur heeft. Jonge alleenstaanden zijn nog erg flexibel en kunnen verhuizen omdat zij werk vinden op een andere plaats of omdat zij een relatie krijgen. Naarmate alleenstaanden ouder worden daalt hun flexibiliteit (Faessen, 2002 in Leerman, 2017).

Ouderen

Oudere huishoudens blijven het liefst in de woning die zij in de gezinsfase hebben verkregen. Deze immobiliteit kan worden verklaard doordat veel ouderen een koopwoningen hebben met een lage of geen hypotheek. Verhuizen zou voor hen tot een stijging in de woonlasten kunnen zorgen, dit gebeurt dan ook zelden (Clark en Dieleman, 1996 in Leerman, 2017).

Gezinnen

Hoewel veel koppels zich in eerste instantie vestigen in de stad, blijkt dat er een drang naar verhuizen komt zodra er kinderen zijn. Er is op dat moment sprake van een verandering in mobiliteit. Waar koppels voor kinderen nog mobiel zijn, neemt deze mobiliteit drastisch af wanneer er kinderen geboren worden. De woonvoorkeur van gezinnen kan verdeeld worden over vier aspecten; woonruimte, kwaliteit, veiligheid en flexibiliteit (Mulder, 2013 in Leerman, 2017).

Waar koppels genoeg kunnen hebben aan een kleine woning met één slaapkamer en een kleine woonkamer is dit te klein voor een gezin van drie of vier personen. Het is dus van belang dat het huis genoeg ruimte heeft voor de gezinsgrootte. En waar koppels of jonge alleenstaanden nog genoegen namen met een relatief slecht onderhouden huis is dit voor gezinnen niet te doen. Koophuizen zijn over het algemeen groter dan huurhuizen en de kwaliteit wordt door de eigenaren zelf bepaalt. Veel

(9)

15 januari 2018 Theoretisch kader gezinnen hebben dan ook een koophuis als voorkeur. Het kopen van een huis zorgt ook voor een stabielere woonsituatie, bij een huurhuis kan er namelijk sprake zijn van een plotselinge huurverhoging of uitzetting (Mulder, 2006 in Leerman, 2017).

Mulder (2006; 2013, in Leerman, 2017) stelt koophuizen vaker in aantrekkelijke, veilige en kindvriendelijke buurten staan en dat er een sociale norm is dat kinderen moeten kunnen buitenspelen in een groene omgeving, dichtbebouwde omgevingen zijn dan onwenselijk.

Valentine schrijft over deze sociale norm dat er sprake kan zijn van een landelijk idylle (Valentine, 1997). Dit houdt in dat het beeld wat men heeft van een landelijk bestaan wordt geassocieerd met veiligheid. Het ‘platteland’ wordt gezien als een veilige omgeving voor kinderen om in op te groeien, met meer vrijheid dan wanneer zij in de stad zouden opgroeien. Althans dat is het beeld wat men heeft van het platteland, uit het onderzoek van Valentine (1997) blijkt namelijk dat het vooral gaat om de subjectieve vrijheid van kinderen. Deze landelijke idylle kan als verklaring worden gezien voor de recente trek van gezinnen met kinderen uit de stad. Van Dam et. al. (2002) stellen dat deze

landelijke idylle niet gebonden is aan een fysieke plaats, maar het gaat om het idee van een landelijke

gemeenschap. Een idee dat volgens hen gereproduceerd kan worden op verschillende plaatsen, ook in de stad (van Dam, Heins, & Elbersen, 2002). Iets dat stedelijke gemeentes zoals de gemeente Amsterdam ook doen. Het ziet de stadsparken als de tuin van alle inwoners, en schrijft in Agenda Groen dat zij van 2015 tot 2018 twintig miljoen euro zullen investeren in het verbeteren van de stadsparken (Gemeente Amsterdam, 2015).

De waarde van groen

Naast een esthetische waarde heeft groen ook een positieve werking op de gezondheid van omwonenden. Uit het onderzoek Vitmanine G blijkt dat bewoners van gebieden met weinig groen 1,5 keer zo veel kans hebben om zich ongezond te voelen dan bewoners die in gebieden wonen met veel groen (Maas, 2009). Uit haar statische onderzoek blijkt er ook een sterk omgekeerde samenhang te zijn tussen psychische aandoeningen en de hoeveelheid groen nabij de woning, meer groen lijkt voor minder psychische problemen te zorgen. Stress heeft een grote invloed op de lichamelijke en psychische gezondheid (Universiteit van Twente, 2017). Deze stress kan worden verlaagd door visueel contact met groen (de Vries, Maas, & Kramer, 2009). Hoewel het onderzoek van de Vries et. al. berust op experimenteel onderzoek pleiten de auteurs voor meer groen langs drukke wegen, scholen en werkgebieden. Deze positieve invloed van groen op de gezondheid wordt nogmaals bevestigd door onderzoek uit Japan. Dit onderzoek heeft zich gericht op de relatie tussen een langer leven en de nabijheid van een park in megasteden (Takano, Nakamura, & Watanabe, 2002). Ongeacht de leeftijd, het geslacht, burgerlijke status en sociaal economische positie blijkt dat als men op loopafstand van een park woont de kans op een langer leven aanzienlijk groter is, dan wanneer dit park op een grotere afstand zou liggen.

Het onderzoek Niet bij rood alleen: Buurtgroen en sociale cohesie uit 2010 toont dat de aanwezigheid van groen in een buurt de mate van sociale cohesie positief beïnvloedt (Vreke, Salverda, & Langers, 2009). Daarnaast blijkt dat de mate van sociale cohesie een grote invloed heeft op het criminaliteitscijfer van een buurt. Omdat men minder graag in een onveilige buurt wilt wonen zorgt dit ervoor dat de gemiddelde WOZ-waarde of de verkoopprijs van huizen lager zullen zijn dan die van de huizen in een veilige buurt. Geconcludeerd kan worden dat meer groen in een buurt kan zorgen voor een hogere WOZ-waarde of verkoopprijs van huizen.

(10)

15 januari 2018 Theoretisch kader Dat groen een invloed heeft op de prijs van een huis blijkt uit een onderzoek in Portland, Verenigde Staten (Donovan & Burty, 2010). Dit onderzoek wijst uit een groenere buurt zorgt voor een toename van bijna $9000,- op de verkoopprijs. Ander onderzoek wijst uit dat naast de oppervlakte en inhoud van een woning, de nabijheid tot een recreatiegebied en het aantal bomen in een buurt een positieve invloed hebben op de verkoopprijs (Sander & Haight, 2012).

De waarde van woningen

Het onderzoek bestaat uit twee analyses en is in beide gevallen gericht op de invloed van de afstand tot groen. Hoewel de waarde in beide analyses anders is gemeten (in de buurtanalyse is de gemiddelde WOZ-waarde van woningen per buurt genomen en in de gedetailleerde analyse is de verkoopprijs per huis genomen) betreft het uiteindelijk de marktwaarde van de woning.

In het standaard model van een markt is er sprake van een perfecte markt. Dit houdt in dat er geen belemmeringen zijn, iedereen volledige informatie heeft over het product en dat het product volledig homogeen is (Braas, 2009). Dit is niet het geval voor de woningmarkt.

Iedere woning heeft zijn eigen kenmerken en kwaliteiten en daardoor zijn eigen prijs. De manier waarop deze prijs tot stand komt vloeit voort uit de individuele kenmerken (dewelling specific

amenities) van de woning en de kenmerken van de omgeving (location specific amenities) van de

woning (Bervaes & Vreke, 2004; Brouwer, Hess, Wagtendonk, & Dekkers, 2007; Groot, Marlet, Teulings, & Vermeulen, 2010; Garrod & Willis, 1999; Pearce, Atkinson, & Mourato, 2006; Malpezzi, 2002; Price, 2003; Fennema, Veeneklaas, & Vreke, 1996). Door deze kenmerken te combineren ontstaat de waarde van de woning. Deze waarde is nog geen absolute prijs. Deze prijs komt pas tot stand wanneer er zowel vraag naar, als aanbod van deze woning is en de vrager en aanbieder bij elkaar komen en de transactie plaats vindt.

De verkoopprijs van een huis kan worden beschreven als de som van verschillende impliciete prijzen van de onderdelen waar het huis uit bestaat (Brouwer, Hess, Wagtendonk, & Dekkers, 2007). Zo zal een koper meer geld overhebben voor een huis met een grote tuin dan een identiek huis zonder of met een kleinere tuin. Het verschil in prijs geeft de betalingsbereidheid van de koper aan voor een tuin en daarmee de waarde van de tuin voor de koper. Dit is een dwelling specific amentity. Daarnaast kan gesteld worden dat een koper minder bereid zal zijn te betalen als een huis dicht bij een grote vervuilende fabriek staat dan wanneer ditzelfde huis enkele kilometers verderop staat. Het verschil in prijs toont het bedrag dat de bewoner overheeft om wel of geen overlast te hebben van de fabriek, dit is een location specific amentity. De waarde van een woning kan dus als volgt geschreven worden:

𝑌 = 𝑖𝑘 + 𝑜𝑘

Met Y als de waarde van de woning, ik de waarde van de individuele kenmerken van de woning en ok de waarde van de omgevingskenmerken van de woning.

De individuele kenmerken van een woning kunnen verdeeld worden in twee groepen (Brouwer, Hess, Wagtendonk, & Dekkers, 2007; Bervaes & Vreke, 2004):

- Algemene kenmerken zoals het bouwjaar en het type woning (rijtjeshuis, flat)

(11)

15 januari 2018 Theoretisch kader Ook de omgevingskenmerken kunnen worden onderverdeeld in twee groepen (Brouwer, Hess, Wagtendonk, & Dekkers, 2007; Bervaes & Vreke, 2004):

- Specifieke locatiekenmerken; zoals de afstand vanaf de woning tot een voorziening (bijvoorbeeld een park)

- Algemene locatiekenmerken; dit zijn kenmerken over de buurt waarin de woning staat (bijvoorbeeld het criminaliteitscijfer van een buurt)

Door deze kenmerken toe te voegen wordt de vergelijking als volgt: 𝑌 = (𝑎𝑘𝑤 + 𝑠𝑘𝑤) + (𝑠𝑙𝑘 + 𝑎𝑙𝑘)

Met Y als de waarde van de woning, akw als de algemene kenmerken van de woning, skw de specifieke kenmerken van de woning, slk de specifieke locatiekenmerken en alk als de algemene locatiekenmerken van de woning.

Omdat dit onderzoek zich richt op de afstand tot een park in kinderrijke, stedelijke buurten, is getracht de buurtkenmerken grotendeels overeen te laten komen. Hierbij is gelet op of het aandeel van huishoudens met kinderen relatief hoog is, of er sprake is van stedelijkheid en of de buurt in de buurt van een park ligt. Deze selectie vormt de basis voor de stedelijke buurtanalyse.

Voor de gedetailleerde analyse is gekozen om het bouwjaar van de woning gelijk te houden. Daarnaast wordt verwacht dat de algemene kenmerken van woning weinig zullen verschillen omdat de analyse zich binnen stedelijk gebied afspeelt. Over het algemeen lijken woningen in een hoog stedelijke buurt qua algemene kenmerken op elkaar.

De formule voor de stedelijke buurtanalyse ziet er als volgt uit: 𝑌 = (𝑎𝑘𝑤 + 𝑠𝑘𝑤) + (𝑠𝑙𝑘 + 𝑎𝑙𝑘)

Omdat er in de gedetailleerde analyse geselecteerd is op bouwjaar, zal deze niet worden

meegenomen in de formule. Daarnaast staan de huizen in de gedetailleerde analyse in dezelfde of een vergelijkbare buurt, hierdoor zullen de algemene locatiekenmerken niet mee worden genomen in de formule, en ziet deze er als volgt uit:

𝑌 = (𝑠𝑘𝑤) + (𝑠𝑙𝑘)

Met Y als de waarde van de woning, skw de specifieke kenmerken van de woning, slk de specifieke locatiekenmerken van de woning.

Bij woningen is het niet mogelijk om precies de bijdrage van de verschillende kenmerken waar te nemen. Een koper weet niet hoeveel die ene kamer extra precies waard is. De waardes moeten dus worden benaderd. Dit zal worden gedaan op basis van een analyse van de transacties van woningen Hierbij wordt de bijdrage van de verschillende kenmerken op de woningwaarde geschat op het aantal buurten (voor de stedelijke buurtanalyse) en op het aantal transacties (gedetailleerde analyse).

Het benaderen van de bijdrage van de verschillende kenmerken kan worden gedaan aan de hand van verschillende methodes. Omdat dit onderzoek gaat over de verkoopprijs van woningen of de WOZ-waarde is op basis van bestaande literatuur gekozen voor de hedonic price method (Price, 2003;

(12)

15 januari 2018 Theoretisch kader Bervaes & Vreke, 2004; Brouwer, Hess, Wagtendonk, & Dekkers, 2007; Rosen, 1974). Ook blijkt uit deze literatuur dat er sprake is van een proportionele verhouding van groen (en water) op de totale waarde van een woning. Een proportionele verhouding ziet er als volgt uit:

𝑇𝑜𝑡𝑎𝑙𝑒 𝑤𝑎𝑎𝑟𝑑𝑒 = 𝑤𝑎𝑎𝑟𝑑𝑒 𝑣𝑎𝑛 ℎ𝑒𝑡 ℎ𝑢𝑖𝑠 𝑥 𝑑𝑒 𝑤𝑎𝑎𝑟𝑑𝑒 𝑣𝑎𝑛 ℎ𝑒𝑡 𝑔𝑟𝑜𝑒𝑛

Een proportionele verhouding houdt in dat de waarde van het groen niet simpelweg bij de waarde van het huis opgeteld kan worden, maar hiermee vermenigvuldigd moet worden. Dit houdt in dat de absolute waarde van groen voor elk huis anders is en afhangt van de waarde van het huis zelf. Het onderzoek van Bervaes en Vreke uit 2004 heeft zich gericht op de vraag: heeft de aanwezigheid

van ‘groen’ en ‘blauw’ invloed op de waarde van een woning? Deze vraag hebben zij beantwoord

door zes wijken in Nederland te analyseren. Uit deze analyses bleek dat de waarde verhogende effecten van de aanwezigheid van ‘groen’ en ‘blauw’ variëren tussen de 4,5% tot 15%.

Het onderzoek van Brouwer et al is gedaan om tot een nadere onderbouwing te komen van de economische waarde van wonen aan water. Hierbij is aandacht gegeven aan het mogelijke effect dat de waterkwaliteit heeft op huizenprijzen. Uit dit onderzoek blijkt dat er sprake is van significante positieve effecten op de verkoopprijzen van woningen. Het dichterbij water (in de vorm van een meer, kanaal of beek) zorgt voor een verhoging die variëren tussen de 0,2% tot 0,5% per tien centimeter. Uiteindelijk stellen zij dat de totale economische waarde van wonen aan water in 2005 ongeveer 18,8 miljard euro is.

Meten van de waarde van woningen

De hedonische prijs methode benadert de invloed van specifieke kenmerken van een product (woning) op de prijs van het product. De methode komt voort uit de consumenten theorie van Lancaster uit 1966 (Garrod & Willis, 1999; Bervaes & Vreke, 2004; Pearce, Atkinson, & Mourato, 2006). De theorie draait om het idee dat ieder product bestaat uit verschillende kenmerken en dat het nut dat een individu aan het product geeft, gekoppeld is aan deze kenmerken. Wat hiermee bedoeld wordt is dat de prijs van een product niet ontstaat uit de prijs van de productie van de verschillende kenmerken van het product, maar ontstaat door de consumptie van de kenmerken van het product. Als een consument bepaalde kenmerken van een product niets waard vindt, zal de prijs van de kenmerken van het product lager liggen en daarmee ook de prijs van het totale product lager uitvallen dan wanneer een consument deze kenmerken wel iets waard vindt.

Waar ‘gewone’ producten duidelijke kenmerken hebben en de prijs per kenmerk bekend is, is dit voor woningen anders. Waar een ‘gewoon’ product gemakkelijk verandert kan worden door de consument tot de ideale mix van kenmerken voor de consument bereikt is, zijn woningen minder flexibel. Voor de consument is er een bestaande combinatie van kenmerken die niet gemakkelijk te veranderen is. Dit zorgt ervoor dat de bijdrage per specifiek kenmerk niet direct gepresenteerd kan worden, maar door een model geschat moet worden.

Als de hedonische prijs methode wordt toegepast, wordt de bijdrage van specifieke kenmerken op de waarde van de woning geschat op basis van transacties, waarbij de invloed van andere kenmerken en van externe factoren wordt geneutraliseerd (Bervaes & Vreke, 2004). Hoewel de vastgestelde proportionele verhouding doet vermoeden dat er van te voren van wordt uitgegaan dat er een

(13)

15 januari 2018 Theoretisch kader lineaire functie volgt uit de hedonische prijs methode, is dit niet het geval. Sterker nog er is geen

enkele reden voor om lineair te zijn (Price, 2003; Rosen, 1974).

Een probleem bij het gebruik van de hedonische prijs methode is dat het toevoegen of weglaten van kenmerken, de uitkomsten sterk beïnvloedt. Als men maar lang genoeg zoekt naar een combinatie van kenmerken, kan elke relatie gevonden worden, zelfs als er geen verband is (Bervaes en Vreke, 2004). Het is daarom van belang dat er van te voren een relatie wordt verwacht, en deze gebaseerd is op een (verondersteld) causaal verband.

Volgens Malpezzi (Malpezzi, 2002; Bervaes & Vreke, 2004) wordt, om de invloed van attributen op de woningwaarde te schatten veelal een semi-logaritmische relatie gebruikt. De vergelijking die hierbij hoort is:

𝑤𝑜𝑛𝑖𝑛𝑔𝑤𝑎𝑎𝑟𝑑𝑒 = exp [(𝛼 + ∑{ℬ𝑠𝑘𝑤 ∗ 𝑋𝑠𝑘𝑤} + ∑{ℬ𝑠𝑙𝑘 ∗ 𝑍𝑠𝑙𝑘}) + 𝜀] Deze formule kan herschreven worden tot:

ln (𝑤𝑜𝑛𝑖𝑛𝑔𝑤𝑎𝑎𝑟𝑑𝑒) = 𝛼 + ∑{ℬ𝑠𝑘𝑤 ∗ 𝑋𝑠𝑘𝑤} + ∑{ℬ𝑠𝑙𝑘 ∗ 𝑍𝑠𝑙𝑘} + 𝜀

Dit is gedaan omdat het makkelijker is om de verkoopprijs te formuleren als natuurlijk logaritme en hiervan de lineaire functie te schatten. Hierbij is α de constante, Xskw de specifieke kenmerken van de woning en Zslk de specifieke locatie kenmerken. ε is een stochastische storingsterm waarvan verwacht wordt dat deze 0 is.

(14)

15 januari 2018 Operationalisering

Operationalisering

Aanpak van onderzoek

“Een case-study is het intensief onderzoeken van een afgebakend onderwerp op een vastgesteld onderzoeksobject (Bryman, 2012).”

Er is gekozen om geen onderzoek te doen op basis van heel Nederland omdat dit te veel tijd zou kosten en er waarschijnlijk problemen zouden ontstaan met het verzamelen van data. Gezien de beperkte tijd is het ook lastig om onderzoek te doen over een hele stad of tussen twee steden. Daarom is gekozen voor de stad waar uit eerdere onderzoeken de meeste gegevens online te verkrijgen zijn; Amsterdam. Ook is er voor Amsterdam gekozen omdat uit de cijfers van het CBS blijkt dat de trek uit de stad hier het meest zichtbaar is en Amsterdam daarmee een extreme casus is. Binnen Amsterdam zijn ongeveer honderdzestig buurten geselecteerd op basis van het aandeel van gezinnen en woningdichtheid.

Om een nog beter beeld te krijgen van wat er zich binnen een stad afspeelt is gekozen om binnen de

case-study van Amsterdam nog een case-study te doen. Deze heeft zich binnen Amsterdam gericht

op twee verschillende delen, één in Nieuw-West en één in Oost. In Nieuw-West zijn verschillende buurten rondom de Sloterplas onderzocht en in Amsterdam Oost is Park Frankendael gekozen. Aan de hand van deze case-studies is geprobeerd de veronderstelde samenhang zo duidelijk mogelijk in beeld te brengen. Als er een verband gevonden wordt, is het niet mogelijk om op basis van deze

case-studies een conclusie te vormen die gegeneraliseerd kan worden naar de rest van de stad, regio

of op nationaal niveau (Bryman, 2012). Belangrijk is om te realiseren dat de onderzoekseenheid in de stedelijke buurtanalyse anders is dat in de gedetailleerde analyse. In de stedelijke buurtanalyse wordt de gemiddelde waarde van buurten onderzocht op basis van gemiddelde buurtkenmerken. In de gedetailleerde analyse is de waarde per huis genomen, deze waarde is berekend op basis van de verkoopprijs, verstrekt door de Nederlandse Vereniging van Makelaars.

(15)

De buurten

In de stedelijke buurtanalyse is eerst een selectie gemaakt van alle buurten. Deze selectie bestaat uit de locatie van de buurten, het aandeel van huishoudens met kinderen en de woningdichtheid van de buurt. De verkregen data was op nationaal niveau, door alleen de buurten binnen Amsterdam te selecteren kan iets gezegd worden over stedelijke buurten. Daarna is het gemiddelde aandeel van huishoudens met kinderen in de hele stad berekend; dit is 23,9%. Omdat het onderzoek zich richt op kinderrijke buurten, zijn alleen de buurten met een percentage van 23% of meer meegenomen. Ook is het van belang dat in de buurten daadwerkelijk huizen staan. Een buurt als “Osdorper Bovenpolder” heeft bijvoorbeeld een woningdichtheid van ongeveer 1 huis per hectare, waar Amsterdam gemiddeld ongeveer 40 huizen per hectare heeft. Hieronder staat een overzicht van de buurten en de parken in Amsterdam. Vanaf pagina 32 in de bijlage zijn deze kaarten groter te vinden.

(16)

De onderzochte buurten in de gedetailleerde analyse, zijn gekozen op basis van de buurten van in stedelijke buurtanalyse. Gebruik makend van ArcGIS is rondom de parken in Amsterdam een raster gemaakt dat laat zien op welke afstand de buurten liggen tot het dichtstbijzijnde park. In de linker kaart hierboven is het raster verdeeld over Amsterdam te zien. De middelste en rechterkaart laten het raster zien ingezoomd per stadsdeel. Op de linker kaart is te zien dat vooral rond de Sloterplas een mooie verdeling is van de afstand tot het park in de buurten ten zuidoosten ervan. Bij Park Frankendael is dezelfde verdeling niet terug te vinden. Echter zijn er wel buurten te vinden die op verschillende afstanden van het park liggen. Deze kaarten zijn in de bijlage vanaf pagina 36 vergoot terug te vinden.

Transactieprijs

Door gebruik te maken van de transactieprijs kan de waarde van een woning worden benaderd. Dit is geen absolute waarde, omdat de transactieprijs voortkomt uit de waarde van de woning, de druk op de woningmarkt (bepaald door het gemiddelde prijsniveau van alle in een bepaalde periode verkochte woningen) en de eigenschappen van bij de transactie betrokken partijen zoals de koper, verkoper en tussenpersonen (Bervaes & Vreke, 2004). De invloed van deze partijen op de transactieprijs is doorgaans relatief klein, zowel positief als negatief. In het statistische model is dit effect terug te zien in de stochastische storingsterm ‘ε’. Omdat deze storingsterm opgenomen is in het model, hoeft er bij de analyse naar de bijdrage van de omgevingskenmerken geen rekening mee gehouden worden. De druk op de woningmarkt is daarentegen wel van groot belang (zie Grafiek 2). De data waarop de huizen in de gedetailleerde analyse verkocht zijn lopen van januari 2012 tot en met december 2016. Deze verschillen kunnen zorgen voor een onjuiste analyse en om dit te voorkomen zijn alle transactieprijzen herleid tot het prijsniveau van de basisperiode; het vierde kwartaal van 2016. Hoe dit precies is gedaan wordt beschreven op pagina 13.

(17)

Grafiek 2

Data en data bewerking

De gebruikte databases en de benodigde bewerkingen van deze databases wordt hieronder besproken. Eerst zal de data van de Nederlandse Vereniging van Makelaars (NVM) aan bod komen, hierna de cijfers van het Centraal Bureau voor de Statistiek (CBS) en de gegevens van het Nationale wegenbestand. Als laatste zullen de cijfers van het Onderzoek Informatie en Statistiek Amsterdam (OIS) behandeld worden.

De database van de NVM

Op basis van de selectie in de buurtanalyse is de NVM gevraagd om data over de buurten. De data is in eerste instantie opgevraagd voor de afgelopen vijf jaar, echter bleek dat er nog geen cijfers beschikbaar waren over 2017. De NVM gaf aan wel de cijfers van de periode 1 januari 2012 tot 1 januari 2017 te kunnen verstrekken. De opgevraagde kenmerken per huis konden niet allemaal verstrekt worden. De NVM kon geen gegevens delen over de oppervlakte van een tuin en kon niet delen of een huis een balkon had en hoe groot dit balkon zou zijn. Hoewel deze kenmerken zeker een bijdrage leveren aan de waarde van een woning, wordt verwacht dat de geleverde kenmerken een groter aandeel leveren. Per transactie zijn de volgende gegevens gedeeld:

- Het adres van de woning, in de vorm van straatnaam, huisnummer, toevoeging, postcode met letters en de buurt van de woning,

- De transactieprijs van de woning,

- De oppervlakte van de woning in m², afgerond op 0 decimalen - De inhoud van de woning in m³, afgerond op 0 decimalen - Of de woning een garage heeft

- Of de woning een tuin heeft - Het aantal kamers in de woning

- De datum waarop de transactie plaats heeft gevonden - De latitude

(18)

15 januari 2018 Operationalisering De verkregen data vormt een steekproef van alle verkochte woningen in de buurten in Amsterdam, omdat niet alle woningen via een makelaar van de NVM verkocht worden. Dit zou geen probleem moeten vormen voor de kwaliteit van het onderzoek, omdat het niet waarschijnlijk is dat het gebruik maken van een NVM makelaar de transactieprijs sterk beïnvloedt. Daarnaast blijkt uit een vergelijking van de NVM tussen de NVM en het CBS/Kadaster over de verkoopcijfers van het eerste kwartaal van 2017, dat de NVM een marktaandeel heeft van ongeveer 75% (NVM, 2017). Hoewel de relatieve grootte van de steekproef erg groot is, is dit niet van belang (Bryman, 2012). De absolute grootte van de steekproef blijkt leidende te zijn. Deze is in het geval van dit onderzoek (na selectie) met ruim 1700 waarnemingen nog altijd groot. Aan de hand van de data kan een representatieve conclusie per buurt getrokken worden, maar niet over de hele stad.

Herleiden van de transactieprijs tot het prijspeil van het vierde kwartaal 2016.

Om te corrigeren voor de variatie in tijdstippen en dus de invloed van de algemene prijsontwikkeling zijn de transactieprijzen van alle woningen herleid tot het prijspeil van het 4e kwartaal van 2016. Dit is gedaan aan de hand van de prijsindexcijfers van het CBS (bijlage pagina 39). Door de transactieprijs uit een periode te vermenigvuldigen met het prijsindexcijfer van het 4e kwartaal van 2016 en dit vervolgens te delen door het prijsindexcijfer van het kwartaal waarin de transactie plaatsvond ontstaat de verwachte verkoopprijs in het 4e kwartaal van 2016.

Ter voorbeeld: Als een huis verkocht is op 24 juni 2014 voor €150.000,- is het prijsindexcijfer 93. Het huis zou in het 4e kwartaal 2016 verkocht worden voor bijna €200.000,-.

Tabel 1 Voorbeeld prijsindexcijfer verrekenen naar 4e kwartaal 2016 24-06-2014 4e kwartaal 2016 Prijsindexcijfer 93 121,9

Verkoopprijs 150.000,- 196.612,90

Bij het corrigeren voor de prijsontwikkeling is de verkoopprijs afgerond op twee decimalen, en houdt dus geen rekening met het feit dat verkoopprijzen van woningen over het algemeen afgerond worden op tien- of honderdtallen.

Locatie geven aan de woningen

Omdat de NVM aangegeven heeft dat het niet mogelijk is om de data middels een geografische kaart te ontvangen, is de longitude en latitude mee gestuurd. Helaas bleek dat door het geocoderen met ArcGIS aan de hand deze longitude en latitude de huizen terecht kwamen in het IJsselmeer. Om toch een bruikbare locatie te krijgen is gebruik gemaakt van de address locator. Door het huisnummer en de straatnaam als een kenmerk te schrijven, is ArcGIS in staat om deze adressen een geografische positie te geven, gebaseerd op een wegennetkaart. De gebruikte wegennetkaart is verkregen via de website van het Nationale Wegenbestand. Deze kaart, met peildatum 1 december 2016, bleek uit het hele wegennet van Nederland te bestaan. Door een selectie te maken op alleen het wegennet in gemeente Amsterdam is voorkomen dat middels de address locator de huizen door heel Nederland komen te staan. De address locator combineert namelijk de straatnaam en het huisnummer met dezelfde straatnaam en huisnummer in het wegenbestand. Dit heeft voor enkele problemen gezorgd, zo zijn er meerdere wegen in Amsterdam met dezelfde naam, de Middenweg is hiervan een

(19)

15 januari 2018 Operationalisering voorbeeld. Ook bleek dat de data van het Nationale Wegenbestand niet van alle wegen weet welke huisnummer hierop staan. Van de bijna 2400 adressen bleken ongeveer 370 adressen niet automatisch gematcht te kunnen worden. Deze zijn met de hand op de juiste geografische positie gezet. Ook bleek dat de NVM andere buurten aanhoud dan het CBS, hierdoor zijn niet alle 2400 adressen opgenomen in de uiteindelijk analyse. Ongeveer 700 adressen zijn hierdoor afgevallen.

Data CBS en OIS

Er is gebruikt gemaakt van een bestaande geografische kaart van het CBS (2016) waarin alle buurten in Nederland zijn opgenomen, verkregen via Luuc van der Zee. In de bijlage (pagina 40) is een overzicht te vinden van alle informatie die per buurt in deze kaart opgenomen is. Echter bleek dat niet alle benodigde gegevens in deze database te vinden waren. Met deze reden is contact gelegd met het OIS en zijn overige benodigde gegevens verzameld (ook over 2016) en gecombineerd met de CBS kaart. Hoewel hierdoor meer data verzameld is, blijkt dat voor enkele buurten geen cijfers beschikbaar zijn. Deze buurten zijn geheel uit de analyses gehaald.

Parken

Om te bepalen waar de parken in Amsterdam precies liggen en de afstand tot deze parken te bepalen is gebruik gemaakt van een kaart van Open Street Map (2016), ook verkregen via Luuc van der Zee. Ook deze bleek informatie te bezitten van heel Nederland, daarom is eerst alleen de data binnen een straal van één kilometer rondom Amsterdam verzameld, om vervolgens een selectie te maken van het kenmerk “park”. Hieruit is een kaart ontstaan waarin alle parken in en rondom Amsterdam zijn opgenomen.

Om voor de buurtanalyse de afstand tot een park te kunnen berekenen was het nodig om eerst per buurt het zwaartepunt te bepalen, dit is wederom gedaan met ArcGIS. Hierna is de (hemelsbrede) afstand van het zwaartepunt van de buurt tot het dichtstbijzijnde park berekend en dit opgenomen in de database van de buurten. Hierdoor is één bestand ontstaan waarin alle benodigde data voor de buurtanalyse staat.

Voor de gedetailleerde analyse is gekozen om per park de toegangspunten te bepalen, door met ArcGIS geografische punten aan te brengen, de plaats van de ingang is op basis van satellietbeelden van ESRI Online gedaan (zie bijlage pagina 42). Vervolgens is de afstand per huis tot het hemelsbreed dichtstbijzijnde ingangspunt berekend en opgenomen in de database van de huizen.

Meervoudige lineaire regressie

Bij een meervoudige regressie wordt gekeken naar de invloed die verschillende onafhankelijke variabelen hebben op één afhankelijke variabele. Dit is het statistische model achter de hedonische prijs methode. Hoewel dit niet nodig is, is er uiteindelijk wel sprake van een lineaire relatie bij de hedonische prijs methode, met als te verklaren (afhankelijke) variabele het natuurlijke logaritme van de verkoopprijs of de WOZ-waarde en de verklarende (onafhankelijke) variabelen de woningkenmerken en de locatiekenmerken. Per kenmerk zal er een coëfficiënt geschat moeten worden, dit geeft de lineaire functie (zie De waarde van woningen, pagina 5):

(20)

15 januari 2018 Operationalisering Door gebruik te maken van een lineair regressie model waarbij de stochastische storingsterm ε wordt gehanteerd, en dat deze 0 is, kan iets gezegd worden over de verklaarde variantie. Deze verklaarde variantie wordt door de lineaire regressie gepresenteerd als het kwadraat van de correlatiecoëfficiënt, R². R² is een getal dat tussen de 0 en de 1 ligt, en hoe groter dit getal is, des te groter de verklaarde variantie is. De verklaarde variantie is hoeveel van de variantie in de metingen van het model verklaard kan worden aan de hand van de gegeven onafhankelijke variabelen.

Voorbeeld:

Als er twee waarnemingen zijn, respectievelijk 80 en 100, en de R² is 0,900 dan kan het verschil van 20 tussen deze twee voor 90% verklaard worden door de onafhankelijke variabelen die zijn gebruikt. Door bij alle analyse eerst een model te schatten waarbij de afstand tot een park niet is meegenomen en daarna een model te schatten waarbij deze afstand wel meegenomen is, zal de R² verschillen. Het verschil tussen beide R² geeft een indicatie over hoe sterk de afstand tot het park de WOZ-waarde of verkoopprijs beïnvloedt.

De α (constante) wordt standaard gepresenteerd door de regressie, dit getal zal echter niet geïnterpreteerd worden. Ook zal een N-waarde getoond worden; dit geeft aan over hoeveel waarnemingen de regressieanalyse gedaan is.

Uit een lineaire regressieanalyse komen verschillen cijfers naar voren, de belangrijkste hiervan zijn de ℬ-waardes. Deze kunnen als volgt geïnterpreteerd worden: Als waarde X (onafhankelijke variabele) met één zal stijgen, dan wordt de verwachtte waarde van Y (afhankelijke variabele) vermenigvuldigd met eℬ_{. Omdat deze interpretatie lastig is, is ervoor gekozen om deze ℬ-waardes om te schrijven}

naar een percentage (Benoit, 2011):

𝑝𝑒𝑟𝑐𝑒𝑛𝑡𝑎𝑔𝑒 = 100 ∗ (𝑒ℬ_{− 1)}

Vervolgens wordt dit percentage afgerond op één decimaal. Door deze hervorming kunnen de resultaten nu geïnterpreteerd worden als; het verhogen van X met één zal zorgen voor een verhoging van Y dat gelijk is aan percentage van Y.

Tabel 2 Voorbeeld van een Bèta-coëfficiënt een percentage maken Lineaire regressie ℬ-coëfficiënt Procent

X 0,005 ≈0,5 (=0,50125208594)

Stel X is 0, Y is 5, en X stijgt met 1, dan zal Y met 0,5%*5 stijgen, en wordt dan 5,025. Dit is de basis van een lineaire regressie.

(21)

15 januari 2018 De analyses

De analyses

De stedelijke buurtanalyse

Zoals in de waarde van woningen (pagina 5) beschreven staat, bestaat de waarde van woningen uit verschillende kenmerken. Voor de stedelijke buurtanalyse is als onderzoekseenheid, de afhankelijke variabele, de gemiddelde waarde van woningen in een buurt genomen. Deze is geschreven als het natuurlijke logaritme van de gemiddelde WOZ-waarde per buurt. Als specifieke woningkenmerk is het gemiddelde woonoppervlakte per buurt genomen. Dit was niet opgenomen in de data en is berekend door de gemiddelde WOZ-waarde te delen door de gemiddelde WOZ-waarde per m². Als onafhankelijke variabele van de algemene woningkenmerken is het percentage woningen dat voor 2000 gebouwd is genomen. Omdat de analyse gedaan is op buurtniveau, is er geen onderscheid te maken tussen specifieke locatiekenmerken en algemene locatiekenmerken. Voor deze variabelen zijn de hemelsbrede afstand tot het dichtstbijzijnde park verdeeld in 0 tot 300 meter en 300 meter en verder, de woningdichtheid van de buurt, het gemiddeld aantal kinderdagverblijven binnen een straal van 1 kilometer, het gemiddeld aantal buitenschoolse opvanglocaties binnen een straal van 1 kilometer, de gemiddelde afstand tot de oprit naar een hoofdverkeersweg in kilometers, de gemiddelde afstand tot een brandweerkazerne in kilometers, de gemiddelde afstand tot een grote supermarkt in kilometers, de gemiddelde afstand tot een treinstation in kilometers, de gemiddelde afstand tot een overstapstation in kilometers en de gemiddelde afstand tot een bibliotheek in kilometers genomen.

Om de invloed van de afstand tot een park zo goed mogelijk te kunnen analyseren zijn in het model zo veel mogelijk variabelen meegenomen die beschikbaar waren. Hoewel er in de data nog meer variabelen beschikbaar waren, is er voor deze negen gekozen. Van sommige variabelen werd verwacht dat deze geen invloed zullen hebben op de WOZ-waarde, zoals het gemiddeld aantal auto’s per huishouden, en anderen zijn eruit gelaten omdat deze al door een andere variabele gemeten worden, zoals het gemiddeld aantal supermarkten binnen een straal van 1 kilometer en binnen een straal van 5 kilometer.

Hypothese

In de onderstaande tabel staat de verwachte richting van de invloed per onafhankelijke variabelen op de afhankelijke variabele. Als de richting van de invloed positief is, dan zal een stijging bij de onafhankelijke variabelen ook een stijging bij de afhankelijke variabele teweeg brengen. Als de richting negatief is, dan zal een toename bij de onafhankelijke variabele een afname bij de afhankelijke variabele teweeg brengen. Bijvoorbeeld: verwacht wordt dat als de oppervlakte stijgt, de WOZ-waarde ook zal stijgen. Andersom; stel dat de afstand tot een grote supermarkt vergoot wordt met 1 kilometer, dan wordt verwacht dat de WOZ-waarde zal dalen.

(22)

15 januari 2018 De analyses Tabel 3 Hypothese voor de richting van de verbanden voor de stedelijke buurtanalyse

De resultaten

Tabel 4 Resultaten van de stedelijke buurtanalyse

Afhankelijke variabele: natuurlijke logaritme van de WOZ-waarde

Model 1 Model 2

Onafhankelijke Variabelen Percentage ℬ-coëfficiënt Percentage ℬ-coëfficiënt

Gemiddelde oppervlakte in m² 1,3 0.013* 1,3 0.013*

Percentage woningen gebouwd tot 2000 -0,1 -0.001** -0,1 -0.001**. Afstand tot

park

0 tot 300 meter n.v.t. -0,7 -0.007 N.S.

Vanaf 300 meter (ref.)

Woningdichtheid 0,0 0.000 N.S. _0,0 _0.000 N.S.

Gemiddeld aantal kinderdagverblijven 1,5 0.015* 1,5 0.015*

Gemiddeld aantal buitenschoolse opvang

2,9 0.029* 2,9 0.029*

Afstand tot hoofdverkeersweg 9,2 0.088* 9,3 0.089*

Afstand tot brandweerkazerne -0,1 -0.001 N.S. -0,1 -0.001 N.S.

Afstand tot grote supermarkt 29,2 0.256* 29,0 0.255*

Afstand tot treinstation 2,0 0.020** 2,0 0.020**

Afstand tot overstapstation -5,6 -0.058* -5,6 -0.058*

Afstand tot bibliotheek -5,0 -0.051** -5,0 -0.051**

α (constante) n.v.t. 11.006* n.v.t. 11.007*

R² 0,893 0,893

N 158 158

*= significant op 1%, **=significant op 5% N.S= niet significant op 10%

In tabel 4 zijn twee modellen opgenomen, het verschil tussen deze twee zit in het wel of niet meerekenen van de afstand tot een park. Door beide modellen naast elkaar te leggen kan gekeken worden naar de invloed van de afstand tot een park. Het blijkt dat de R² in beide modellen 0,893 is. Dit duidt erop dat de toegevoegde variabele geen significante invloed heeft op de afhankelijke variabele. Dit is dan ook terug te zien in model 2, de bèta-coëfficiënt van de variabele afstand tot Afhankelijke variabele: natuurlijke logaritme van de WOZ-waarde

Onafhankelijke Variabelen Richting van invloed

Gemiddelde oppervlakte in m² Positief

Percentage woningen gebouwd tot 2000 Negatief Afstand tot park 0 tot 300 meter Positief

Woningdichtheid Positief

Gemiddeld aantal kinderdagverblijven Positief Gemiddeld aantal buitenschoolse opvang Positief

Afstand tot hoofdverkeersweg Positief

Afstand tot brandweerkazerne Negatief

Afstand tot grote supermarkt Negatief

Afstand tot treinstation Positief

Afstand tot overstapstation Negatief

(23)

park is niet significant. Het negatieve verband dat de logistische regressie gevonden heeft bij de

variabele afstand tot park lijkt dus waarschijnlijk op toeval te berusten.

Uit de resultaten van beide modellen blijkt dat vooral de afstand tot een grote supermarkt anders is dan verwacht. Volgens de modellen zou de WOZ-waarde met 29,2% of 29,0% stijgen als de gemiddelde afstand tot een grote supermarkt stijgt met 1 kilometer. Dit is geheel tegen de verwachtte uitkomst in, namelijk dat een verderop liggende supermarkt juist voor een daling in de WOZ-waarde zou veroorzaken. Hoewel deze uitkomst significant is op 1% en er dus een zeer kleine kans bestaat dat het gevonden verband op toeval berust, wordt er toch vanuit gegaan dat dit verband onjuist is. Het verband is waarschijnlijk gevonden omdat er binnen een stad bijna altijd een grote supermarkt binnen 1 kilometer ligt, en als deze afstand dan verhoogt wordt met een relatief grote eenheid zorgt dit voor een extreem verband.

Voor de WOZ-waarde van woningen in kinderrijke buurten blijkt dat afstand tot een hoofdverkeersweg een positieve invloed heeft op de WOZ-waarde. Als de gemiddelde afstand tot een hoofdverkeersweg vergoot wordt met 1 kilometer, dan zal de WOZ-waarde met 9,2% of 9,3% stijgen. Het is mogelijk dat dit verband er daadwerkelijk is, aannemelijker is echter dat als een buurt verder van een hoofdverkeersweg ligt, deze verder in het centrum van de stad ligt en dat hierdoor de gemiddelde WOZ-waarde hoger is.

Ook blijkt dat de WOZ-waarde van kinderrijke buurten redelijk sterk negatief beïnvloed wordt door de gemiddelde afstand tot een overstapstation en dat er juist een positief verband gevonden is in de gemiddelde afstand tot een treinstation. Een verklaring hiervoor zou kunnen zijn dat men wel verbonden wilt zijn met het Openbaar Vervoer (OV), maar geen overlast wilt hebben van een treinstation. De R² van 0,893 is beide modellen geeft aan dat de variantie van de WOZ-waarde voor bijna 84% verklaard kan worden aan de hand van de gegeven variabelen.

(24)

De gedetailleerde analyse

Voor deze analyses is als onderzoekseenheid, de afhankelijke variabele, de waarde van huizen genomen. Deze eenheid is gemeten als de verkoopprijs van een huis en geschreven in de regressie analyse als het natuurlijke logaritme van verkoopprijs.

Als onafhankelijke variabelen zijn de specifieke woningkenmerken en de specifieke locatiekenmerken genomen. Omdat er meer data beschikbaar is per woning, zijn er in deze analyse meer specifieke woningkenmerken opgenomen. De opgenomen kenmerken zijn het oppervlakte van de woning in m², de inhoud van de woning in m³, het aantal kamers in de woning en het hebben van een tuin. In het hoofdstuk de waarde van woningen (pagina 5) staat beschreven dat omdat er sprake is van overeenkomende buurten de algemene locatiekenmerken niet meegenomen zullen worden in de gedetailleerde analyse. Hierdoor blijven alleen de specifieke locatiekenmerken over. Voor dit kenmerk is de hemelsbrede afstand tot de dichtstbijzijnde ingang tot een park in tweeën verdeeld. In de bijlage op pagina 46 is manier waarop deze verdeling tot stand is gekomen per analyse beschreven. Er zullen twee analyses gedaan worden, per park één.

Hypothese

In de onderstaande tabel staat de verwachte richting van de invloed per onafhankelijke variabelen op de afhankelijke variabele van de beide analyses. Als de richting van de invloed positief is, dan zal een stijging bij de onafhankelijke variabelen ook een stijging bij de afhankelijke variabele teweeg brengen. Als de richting negatief is, dan zal een toename bij de onafhankelijke variabele een afname bij de afhankelijke variabele teweeg brengen. Ter voorbeeld, verwacht wordt dat als de oppervlakte stijgt, de verkoopprijs ook zal stijgen.

Tabel 5 hypothese voor de resultaten van de gedetailleerde analyses

Afhankelijke variabele: natuurlijke logaritme van de verkoopprijs

Onafhankelijke Variabelen Richting van invloed

Oppervlakte in m² Positief

Inhoud in m³ Positief

Aantal kamers Positief

Tuin Ja Positief

Nee (Ref.)

Afstand tot park 0 tot X meter Positief

(25)

De Sloterplas

De Sloterplas is net na de Tweede Wereldoorlog gegraven als onderdeel van het Algemeen Uitbereidingsplan (AUP). Ook de meeste woningen in de omringende buurten zijn in deze tijd gebouwd. De analyse van de Sloterplas gaat over de buurten Oostoever Sloterplas, Emanuel van

Meterenbuurt, Jacob Geelbuurt, Louis Chrispijnbuurt, Jacques Veldmanbuurt en Staalmanbuurt. De

buurten liggen in Amsterdam Nieuw-West, net voorbij de A10. Ten oosten van de buurten loopt een treinspoor en de metrolijn 50. Het is een kinderrijke buurt; meer dan de helft van de huishoudens met minimaal één thuiswonend kind, veel van de kinderen zijn jonger dan 15 jaar. Er wonen vooral mensen die een Marokkaanse of Turkse migratieachtergrond hebben, wat te zien is in de omgeving: er zijn veel Turkse bakkerijen en groentewinkels. De meeste huizen bestaan uit 3 of 4 kamers en hebben een gemiddelde verkoopprijs van €270.000,-.

De Sloterplas geeft geen uitnodigende indruk. Het park bestaat uit een paar rechthoekige grasvelden met molshopen en zijn niet recentelijk gemaaid zijn. Langs het park ligt een fietspad dat de scheiding aangeeft tussen het park en de buurt. Ook qua speeltoestellen is er weinig, op afbeelding 1.2 is te zien dat er een paar schommels staan en een skatebaan is. Deze toestellen en skatebaan zitten onder de graffiti. Achter de skatebaan staan twee ijzeren voetbaldoelen, elk met een andere kleur. Dit kleurverschil doet vermoeden dat een van de twee vervangen is vanwege schade. Hoewel deze foto’s niet op een zonnige dag en in een wintermaand zijn genomen, wordt verwacht dat pas als het weer extreem goed is gebruik gemaakt zal worden van het park. Afbeelding 2 laat de bebouwing van de buurt zien. Er zijn veel flats terug te vinden met verspreid wat laagbouw. De woningen in de laagbouw beschikken allemaal wel over een tuin, maar is deze niet groot te noemen. Deze en meer foto’s zijn vergroot terug te vinden in de bijlage op pagina 57.

(26)

In tabel 6 zijn wederom twee modellen opgenomen, in model 1 is de afstand tot park niet meegenomen en in model 2 wel. Uit de resultaten blijkt dat model 2 een iets hogere R² heeft dan model 1. Dit houdt in dat de verklaarde variantie met 0,2% gestegen is door het toevoegen van de variabele afstand tot park. Omdat er in deze analyse sprake is van een groot aantal waarnemingen is ervoor gekozen dat alle resultaten significant moeten zijn op 1%.

Tabel 6 Resultaten van de gedetailleerde analyse rondom de Sloterplas

Model 1 Model 2

Oppervlakte in m² 0,9 0.009* 0,9 0.009* Inhoud in m³ 0,1 0.001* 0,1 0.001* Aantal kamers -1,8 -0.018 N.S -1,4 -0.014N.S. Tuin Ja 7,0 0.068* 6,9 0.067* Nee (Ref.) Afstand tot park 0 tot 530 meter n.v.t. -3,8 -0.039*

R² 0,865 0,867

N 486 486

*= significant op 1%, N.S.= niet significant op 5%

Uit beide modellen blijkt dat een extra m² in oppervlakte zorgt voor een stijging van 0,9% van de verkoopprijs. Hoewel dit, net als bij de inhoud, een relatief klein percentage lijkt, kan de invloed

(27)

15 januari 2018 De analyses hiervan toch vrij groot zijn. Een huis verschilt over het algemeen namelijk niet op één m²/m³ maar meer.

In beide modellen is een negatief verband gevonden bij de variabele aantal kamers. Het lijkt erop dat het toevoegen van een extra kamer een negatieve invloed heeft op de verkoopprijs van een huis. De variabele is echter in beide modellen niet significant en berust dus waarschijnlijk op toeval. Het is ook onlogisch dat een extra kamer een daling in de verkoopprijs zou veroorzaken.

Uit beide modellen blijkt dat het hebben van een tuin positief is voor de verkoopprijs. De verkoopprijs van een gelijkwaardig huis met tuin zal rond de 7% hoger zijn dan wanneer het geen tuin zou hebben.

Uit het tweede model blijkt dat het binnen 530 meter van de ingang van een park wonen een negatief effect heeft op de woning prijs. Als een gelijkwaardig huis binnen 530 meter staat, dan wordt verwacht dat verkoopprijs 3,8% lager zal liggen dan wanneer dit huis verder dan 530 meter zou staan. Dit verband is geheel tegen de hypothese, maar kan op verschillende manier verklaard worden. Het zou kunnen dat de relatief lage sociaal economische positie van de buurten rondom de Sloterplas ervoor zorgt dat het park geen waarde toevoegt maar juist gevaar levert. Dit zal in de conclusie verder besproken worden.

Uit de R² van het tweede model blijkt dat de variantie van de verkoopprijs voor bij 87% verklaard kan worden aan de hand van de gegeven variabelen.

(28)

Park Frankendael

Park Frankendael is ontstaan in de 17de eeuw als hofstede en is lange tijd in privé bezit gebleven. Het heeft in die tijd dienst gedaan als tuin voor huis Frankendael, maar nadat de gemeente Amsterdam het eigendom had overgenomen deed het dienst als handelskwekerij. Deze handelskwekerij brandde echter af en ging failliet. Vanaf ongeveer 1900 opende het park zijn poorten voor het grote publiek. De onderzochte buurten rondom Park Frankendael zijn Oostpoort, Transvaalbuurt Oost en West, de

Wetbuurt, Linnaeusparkbuurt, Middenmeer Noord en Zuid en Park de Meer.

Ten westen van het park ligt het Amstelstation, vanaf dit station loopt een spoorlijn die ook het noorden afbakent. Ten oosten ligt treinstation Science Park en aan de zuidkant loopt de A10. De meeste woningen in deze buurten zijn gebouwd tussen 1860 en 1945. Net als bij de Sloterplas heeft meer dan de helft van de huishoudens minimaal één thuiswonend kind en zijn de meeste kinderen jonger dan 15 jaar. In deze buurten wonen veel autochtone mensen. Veel woningen bestaan uit 3 of 4 kamers en hebben een gemiddelde verkoopprijs van €420.000,-.

Op afbeelding 3 op pagina 22 is Park Frankendael te zien. Het geeft een uitnodigende indruk en ziet er goed onderhouden uit. De grasvelden zijn pas gemaaid en er zijn geen molshopen of donkere plekken te vinden. Ook de vorm van de open stukken valt op, nergens zijn rechte hoeken te vinden. Afbeelding 3.2 laat zien dat er veel zitmogelijkheid in het park is. Op afbeelding 3.6 is een speeltoestel te zien, dat zelfs op de koude en natte dag waarop deze foto gemaakt is, gebruikt werd door een handvol kinderen. Op deze speeltoestellen en de verschillende banken in het park is nauwelijks graffiti terug te vinden. Park Frankendael wordt aan alle kanten omringd door autoweg, afbeelding 3.5 geeft hiervan een impressie. Afbeelding 4 geeft een impressie van de bebouwing in de buurten rondom Park Frankendael. In deze buurten zijn veel rijtjeshuizen te zien met verstopte tuinen (afbeelding 4.1). Opvalt is dat de huizen geen vale kleur hebben, dit wijst op goed onderhoud mogelijk in de vorm van renovaties. Op afbeelding 4.4 is te zien dat in deze buurten vrij veel kleine plantsoenen en andere vormen van groen te vinden zijn. In de bijlage (pagina 61) zijn meer foto’s terug te vinden. Het valt op dat vooral de huizen in de Linnaeusparkbuurt er waardevol uitzien. In het midden van deze buurt is zelfs een tennisvereniging te vinden met 3 banen.

(29)

15 januari 2018 De analyses Tabel 7 Resultaten van de gedetailleerde analyse rondom Park Frankendael

Model 1 Model 2

Oppervlakte in m² 0,5 0.005* 0,5 0.005* Inhoud in m³ 0,1 0.001* 0,1 0.001* Aantal kamers 4,7 0.046* 4,3 0.042* Tuin Ja 11,9 0.112* 12,2 0.115* Nee (Ref.) Afstand tot park 0 tot 550 meter n.v.t. 12,3 0.116*

R² 0,790 0,804

N 1273 1273

*= significant op 1%, N.S.= niet significant op 5%

Ook in tabel 7 zijn twee modellen opgenomen. Wederom met het doel om te kunnen analyseren of de variabele afstand tot park invloed heeft op de verklaarde variantie van de modellen.

Uit het verschil tussen beide R² blijkt dat het toevoegen van de variabele afstand tot park de verklaarde variantie met 1,4% doet stijgen. Hierdoor wordt verwacht dat de variabele een significante invloed zal hebben op de afhankelijke variabele. Uit beide modellen blijkt dat alle gevonden verbanden significant zijn op 1%, dit houdt in dat de kans dat de gevonden verbanden op toeval berusten zeer klein is, gegeven de gebruikte variabelen. De variabelen oppervlakte en inhoud komen overeen met de hypothese en de analyse van de Sloterplas, de derde variabele verschilt echter ten opzichte van de analyse over de Sloterplas. Rondom Park Frankendael blijkt dat het aantal kamers een positieve invloed heeft op de verkoopprijs, een extra kamer zal voor een prijsstijging van 4,3 of 4,7 procent zorgen. Daarnaast valt op dat rondom Park Frankendael wel een positief verband gevonden is bij de afstand tot park. Het blijkt dat de huizen die binnen 550 meter van de ingang tot het park staan gemiddeld een verkoopprijs hebben die 12,3% hoger ligt dan wanneer deze huizen verder dan 550 meter liggen. De in model 2 gegeven R² van 0,804 geeft aan dat variantie van de verkoopprijs voor meer dan 80% verklaard kan worden door de gebruikte onafhankelijke variabelen.

(30)

15 januari 2018 Conclusie

Conclusie

Uit de resultaten van de stedelijke buurtanalyse blijkt dat er geen significant verband gevonden is. Het lijkt dus dat op stedelijk niveau er geen verband is tussen de WOZ-waarde van buurten en de afstand van een buurt tot een park. Als er meer ingezoomd wordt en de analyse over meer waarnemingen gaat, blijkt dat er wel een significant verband gevonden wordt, de richting van dit verband verschil echter.

In Amsterdam Oost rond het Park Frankendael blijken huizen die binnen een straal van 550 meter van de ingang van tot het park staan een hogere verkoopprijs te hebben. Rond de Sloterplas blijkt dit verband juist omgekeerd te zijn, huizen die daar binnen een straal van 530 meter staan blijken een lagere verkoopprijs te hebben. Een verklaring voor het verschil tussen deze twee buurten kan de sociaal economische positie van beide buurten zijn. Zo blijkt uit cijfers van het OIS Amsterdam (2015, zie bijlage pagina 54) dat mensen in de buurten rondom de Sloterplas in hogere mate overlast ondervinden van criminaliteit en zich zowel overdag als ’s avonds minder veilig voelen dan de bewoners rondom Park Frankendael. Het kan zijn dat het verschil in sociaal economische positie ervoor zorgt dat de Sloterplas gezien wordt als een plaats van gevaar en waar criminaliteit plaats vindt. Uit informele gesprekken met bewoners uit Amsterdam Nieuw-West blijkt dat zij ’s avonds een park vermijden uit angst voor (verbale) intimidatie of zelfs fysiek geweld van jongeren.

Daarnaast is het mogelijk dat het verschil in woningmarkt van beide buurten de invloed verandert. Zo blijkt dat het aandeel koopwoningen in de buurten rond Park Frankendael hoger is dan bij de Sloterplas en dat rondom de Sloterplas meer corporatiehuurwoningen zijn. Een woning die omgeven wordt door corporatiewoningen heeft de neiging minder waard te zijn dat een woning die omgeven wordt door koopwoningen.

Het ruimtelijke verschil van de waarnemingen (verkochte huizen) zou ook het verschil kunnen verklaren. Op pagina 56 is te zien dat er relatief weinig huizen verkocht zijn in de directe omgeving van de Sloterplas. In de Louis Chrispijnbuurt is duidelijk te zien dat er slechts een handvol huizen verkocht zijn en deze allemaal tegen het park aanliggen. Dit ‘gat’ tussen verkochte huizen op afstand van het park is rondom Park Frankendael minder duidelijk te vinden. Hoewel er ‘lege’ stukken te zien zijn, komt dit doordat deze buurten niet meegenomen zijn in de analyse. Daarnaast valt op dat de woningen direct naast Park Frankendael er beter onderhouden en ‘duurder’ uitzien dan de woningen in buurten die verder liggen. Dit zou ook een verklaring kunnen zijn voor het gevonden verband. Ook kan de geschiedenis van de parken een rol spelen. Waar de Sloterplas gegraven is in de 20ste eeuw als onderdeel van het AUP (Algemeen Uitbereidingsplan), bestaat Park Frankendael al sinds de 17de eeuw, waar het als hofstede begonnen is en tot 1882 in privébezit was. Mogelijk is dat er nog andere factoren een rol spelen, maar dat deze niet zijn waargenomen in dit onderzoek.

Uiteindelijk kan geconcludeerd worden dat de hoofdvraag in hoeverre hechten stedelijke gezinnen

waarde aan groen? niet beantwoord kan worden met dit onderzoek. Uit de analyses blijkt dat op

stedelijk niveau de afstand tot een park geen significante invloed heeft op de gemiddelde WOZ-waarde per buurt. Daarnaast is in de gedetailleerde analyse een verschil waargenomen tussen de onderzochte gebieden. In Amsterdam Nieuw-West blijkt dat woningen die verder van de het park

(31)

15 januari 2018 Conclusie staan een hogere verkoopprijs hebben en in Amsterdam Oost is dit juist omgekeerd. Er zal meer en breder onderzoek nodig zijn om tot een antwoord te komen op de hoofdvraag. In de discussie zullen verschillende suggesties gegeven worden hoe dit vervolg onderzoek gedaan kan worden.

(32)

15 januari 2018 Discussie

Discussie

In dit onderzoek is kwantitatief onderzoek gedaan naar de waarde die stedelijke gezinnen hechten aan de nabijheid van groen in de vorm van een park. Gaandeweg in het onderzoek zijn er ongeveer honderdzestig buurten geselecteerd waarin sprake is van een relatief hoog aandeel huishoudens met kinderen, op deze buurten is een analyse losgelaten waarin onderzocht is of de hemelsbrede afstand tot een park invloed heeft op de gemiddelde WOZ-waarde van de buurt. Hieruit is geen significant verband gekomen.

In deze analyse zijn verschillende problemen naar boven gekomen, het verkrijgen en samenvoegen van de verschillende data was er een van. Omdat gewerkt is met data van het CBS en het OIS Amsterdam, verschilde sommige buurtnamen. Ook de gemiddelde WOZ-waarde per buurt verschilde, uiteindelijk is gekozen om met de WOZ-waarde van OIS Amsterdam te werken, omdat op basis daarvan ook het gemiddelde woonoppervlak berekend kon worden.

Als dit onderzoek in de toekomst gedaan zou worden, dan wordt aangeraden om meer variabelen te gebruiken die een mogelijke invloed hebben op de WOZ-waarde. Daarnaast is in dit onderzoek de hemelsbrede afstand genomen, in vervolg onderzoek zou de afstand via het wegennetwerk een betere benadering zijn. In het onderzoek bleek namelijk dat het hemelsbreed dichtstbijzijnde park van een buurt dichtbij Amsterdam Centraal in Amsterdam Noord ligt. Het is onwaarschijnlijk dat mensen uit deze buurt dat park bezoeken omdat zij een omweg moeten maken om er te komen. Om de stedelijke buurtanalyse verder te verbeteren zou ook per variabele zelf data verzameld moeten worden. Nu is er uitgegaan van aangeleverde data, waardoor niet altijd de gewenste data gebruikt kon worden. Zo zou de afstand tot een grote supermarkt in tientallen meters (i.p.v. in kilometers) een ‘eerlijker’ beeld geven. Ook zou data over de afstand tot een OV halte zelf berekend kunnen worden. Daarnaast is het zoals in de conclusie staat mogelijk dat de veiligheidsindex in de buurt een rol speelt. Ook meer data over specifieke woningkenmerken, zoals de gemiddelde inhoud van woningen per buurt zouden meegenomen kunnen worden. Deze gegevens bleken echter niet beschikbaar.

De gedetailleerde analyses zouden versterkt kunnen worden door meer buurten te onderzoeken die overeenkomen met de onderzochte buurten. Amsterdam Zuidoost zou bijvoorbeeld kunnen overeenkomen met de buurten rondom de Sloterplas en buurten rondom het Westerpark met de buurten rondom Park Frankendael. Deze extra onderzochte buurten hoeven echter niet in Amsterdam te liggen, maar kunnen ook in andere steden zoals Utrecht en Rotterdam gevonden worden.

Ook in het geval van de gedetailleerde analyse zou de absolute afstand in plaats van de hemelsbrede afstand voor een eerlijker beeld kunnen zorgen, hoewel het verschil minder groot zal zijn dan bij de stedelijke buurtanalyse. Daarnaast is alleen gewerkt met de beschikbare data van de NVM, dit houdt in dat alleen verkochte huizen in de periode van 2012 tot en met 2016 zijn opgenomen. Meer waarnemingen (verkochte huizen) zouden de analyse waardevoller maker, dus zou een langere periode interessant kunnen zijn. Ook zou gekeken kunnen worden naar de situatie voor en tijdens de economische crisis; het is mogelijk dat dit verbanden veranderd. Daarnaast zou het waardevol zijn,