Het effect van de ontwikkeling van de Zuidas op de omliggende woningwaarde

Maatschappij- en Gedragswetenschappen Sociale Geografie en Planologie

Bachelor Scriptie

Het effect van de ontwikkeling van de

Zuidas op de omliggende woningwaarde

Auteur:

Timber van Tilburg (11074019)

Begeleider: Dhr. Prof. Dr. P.P. Tordoir Tweede lezer: B. Pineda Revilla

Voorwoord

Voor u ligt de bachelor scriptie ’Het effect van de ontwikkeling van de Zuidas op de omliggende woningwaarde’. De afsluiting van een driejarige bacherloropleiding Sociale Geografie en Planolo-gie, die met veel plezier is door lopen. Ik hoop met deze scriptie mijn interesse voor het vakgebied onder de aandacht te brengen en mijn opgedane vaardigheden te presenteren in dit onderzoek. Daarnaast heb ik mijzelf nieuwe analyse methodes aangeleerd om mijn kwantitatieve vaardig-heden te versterken met als doel om een eindproduct te maken waar ik trots op kan terug kijken.

Ik ben ontzettend trots op het eindresultaat. Echter was dit niet gelukt zonder enige hulp en daarom wil ik graag de volgende mensen bedanken.

Allereerst wil ik mijn scriptiebegeleider Pieter Tordoir bedanken voor de algemene begelei-ding, het meedenken en de opbouwende kritiek.

Daarnaast wilde ik graag Peter van Hinte bedanken voor zijn tijd en de hulp bij het verkrij-gen van datagegevens.

Tot slot wens ik u veel plezier met het lezen van deze bachelorscriptie.

Inhoudsopgave

2.2 Ontwikkeling van de Zuidas . . . 9

2.3 Afbakening van de Zuidas . . . 11

3 Theoretisch kader 13 3.1 Invloed op de woningwaarde . . . 13

3.2 Fysieke woonomgevingskenmerken . . . 14

3.3 Sociale woonomgevingskenmerken . . . 15

3.4 Functionele woonomgevingskenmerken . . . 16

3.5 Woningkenmerken met invloed op de woningwaarde . . . 17

3.6 Conceptueel model . . . 17

4 Methodologie 19 4.1 Onderzoeksstrategie . . . 19

4.2 Prijs hedonisch analyse . . . 19

4.3 Dataverzameling . . . 20

5 Gehanteerde variabelen 21 5.1 Data introductie . . . 21

5.2 Afhankelijke variabele: WOZ-waarde . . . 22

5.2.1 Gemiddelde WOZ-waarde per vierkante meter . . . 24

5.2.2 Relatieve ontwikkeling WOZ-waarde per vierkante meter . . . 25

5.2.3 Absolute ontwikkeling WOZ-waarde per vierkante meter . . . 25

5.3 Onafhankelijke variabelen . . . 26

5.3.1 Afstand tot de Zuidas (Zuidas) . . . 26

5.3.3 Aandeel sociale huurwoningen (Sociale huur) . . . 28

5.3.4 Ontwikkeling van de werkgelegenheid (Werkgelegenheid) . . . 28

5.3.5 De bevolkingsdichtheid (Bevolkingsdichtheid) . . . 29

5.3.6 Aandeel (recreatief)groen en (binnen)water (Groen & Water) . . . 30

5.3.7 Aanwezigheid van een basisschool (School) . . . 30

5.4 Niet-significante variabelen . . . 31

5.5 Beschrijvende Tabel . . . 31

5.6 Aannames multiple regressieanalyse . . . 32

5.6.1 Normale verdeling residuen . . . 32

5.6.2 Homoscedasticiteit . . . 33

5.6.3 Multicollineariteit . . . 34

6 Resultaten 35 6.1 Lineair verband . . . 35

6.2 Klassieke regressieanalyses . . . 38

6.3 Ontwikkeling van de co¨effici¨ent in de loop der tijd . . . 39

6.4 Periode regressieanalyse . . . 42

6.5 Periode regressie 2005 – 2009: Relatieve waardeontwikkeling . . . 43

6.6 Periode regressie 2005 - 2009: Absolute waardeontwikkeling . . . 45

6.7 Periode regressie 2014 - 2018: Relatieve waardeontwikkeling . . . 50

6.8 Periode regressie 2014 - 2018: Absolute waardeontwikkeling . . . 53

7 Conclusie 58 7.1 Conclusie . . . 58 7.2 Beperkingen . . . 60 7.3 Reflectie . . . 61 8 Referenties 62 9 Appendix 65

1

Introductie

In dit eerste hoofdstuk is de aanleiding gegeven voor het schrijven van deze bachelor scrip-tie. Vervolgens wordt het onderzoeksdoel belicht en worden de onderzoeksvraag en deelvragen geformuleerd. Hierna is er aandacht besteed aan de relevantie van dit onderzoek, zowel op maat-schappelijk als op wetenmaat-schappelijk gebied. Het hoofdstuk wordt afgesloten met een leeswijzer waarin de verdere structuur van de scriptie staat beschreven.

1.1 Aanleiding

‘Het hart van Amsterdam zakt naar het Zuiden’ zo schreven Ruud Haasdrecht en Co Welgraven al in 1995.‘Het economische zwaartepunt verschuift van de binnenstad naar de peperdure Zuidas’, ‘waar het hart van de hoofdstad rond het station Zuid/WTC zal gaan kloppen.’

Toen in 1993 de plannen voor de ontwikkeling van de Zuidelijke IJ-oevers, ‘Manhattan aan het IJ’, van de baan waren en de focus werd gelegd op de ontwikkeling van de Zuidas, was de kracht van de Zuidas al bekend. Met de directe ligging aan station Zuid/WTC, de snelweg A10, de nabijheid van luchthaven Schiphol en de ruimte om te ontwikkelen was de bereikbare Zuidas de aangewezen plek voor de ontwikkeling van een internationale toplocatie. Alhoewel de Zuidas in 1995 uit niet meer dan het WTC, het Atrium, de Tripolis, de Amsterdamse rechtbank en het VU-hoofdgebouw bestond, was de prijs voor een vierkante meter kantoorruimte voor 500 gulden hoger dan waar dan ook in Nederland23 . En daarbij is het niet gebleven.

Tegenwoordig wordt de Zuidas gekenmerkt door een clustering van hoogwaardige financi¨ele en zakelijke werkgelegenheid, domineren hoge kantoren de skyline en zijn nagenoeg alle plinten voorzien van levendige cafetaria en winkels. Het vermoeden heerst dat dankzij deze ontwik-kelingen de Zuidas, als Central Business District (CBD), een effect zou kunnen hebben op de waardeontwikkeling van zijn omgeving. Wereldwijd zijn er al studies verricht, waarbij het effect van de afstand tot het CBD op de waarde van woningen wordt getoetst.5, 12, 29 Echter ontbreekt een vergelijkbare studie nog, waarbij de Amsterdamse Zuidas deze rol inneemt.

Het vermoeden bestaat dat de Zuidas nog niet eerder is onderzocht, omdat een significant resultaat mogelijk pas in de afgelopen jaren waarneembaar zou kunnen zijn. Om te achterhalen of er een effect zichtbaar is, is ervoor gekozen om een onderzoek te doen naar het effect van de ontwikkeling van de Zuidas op de waarde van omliggende woningen. Hierbij wordt naast het effect van de afstand tot de Zuidas in het bijzonder gekeken naar de ontwikkeling van dit effect over tijd.

1.2 Onderzoeksdoel

In dit onderzoek wordt een nader beeld gegeven van welke kenmerken een effect hebben op de totstandkoming van de waarde van een woning. Echter is het aantal kenmerken dat de waarde van een woning mede kan bepalen te omvangrijk om allemaal binnen deze scriptie te onderzoe-ken. Hierdoor is de afweging gemaakt om binnen dit onderzoek de nadruk te leggen op data waarvan een (sterk) effect op de woningwaarde reeds bekend is. Daarnaast is ervoor gekozen om een focuskenmerk aan te wijzen, waarvan het effect extra wordt benadrukt. Binnen dit onderzoek is het focuskenmerk de ontwikkeling van de Zuidas.

De Zuidas heeft zich in de afgelopen decennia ontwikkeld tot de internationale toplocatie voor financi¨ele en zakelijke dienstverlening in Amsterdam. Hierdoor bestaat het vermoeden dat de ontwikkeling van de Zuidas een effect heeft gehad op de omliggende woningwaarde. Uit dit onderzoeksdoel is daarom de volgende onderzoeksvraag geformuleerd:

‘Wat is het effect van de ontwikkeling van de Zuidas op de omliggende woningwaarde?’

Om deze onderzoeksvraag zo volledig mogelijk te kunnen beantwoorden, zijn er verschillende deelvragen geformuleerd die moeten helpen bij het verkrijgen van een volledig antwoord. De antwoorden op deze deelvragen komen in de loop van dit onderzoek naar voren.

‘Hoe heeft de Zuidas zich ontwikkeld over tijd?’

‘Welke kenmerken spelen een rol in de waardebepaling van een woning?’

‘Wordt het effect van de Zuidas verstoord door het mee nemen van een andere Business district?’

Aangenomen wordt dat er een effect te zien is op de waarde van een woning, wanneer deze verder weg ligt van de Zuidas. Dit effect zal hoogstwaarschijnlijk over tijd veranderen, waardoor de hypothese als volgt is geformuleerd:

Een effect van de Zuidas op de omliggende woningwaarde zal zich voornamelijk in de tijd gaan laten zien.

1.3 Relevantie

Binnen de relevantie zal worden toegelicht waarom juist dit onderzoeksonderwerp een geschikte keuze is. Hierbij is onderscheid gemaakt tussen sociale en wetenschappelijke relevantie.

1.3.1 Sociale relevantie

Bij een maatschappelijk relevant onderzoek dient een probleem of situatie aan het licht te wor-den gebracht, waarvoor een oplossing relevant is voor een groep, doel of organisatie. Binnen dit onderzoek wordt inzicht gegeven over de totstandkoming van de waarde van een woning. Dit kan voor verschillende partijen relevant zijn, zoals de gemeente Amsterdam, ontwikkelingspartijen, (vastgoed)beleggers en omwonende van de Zuidas.

De gemeente Amsterdam heeft baat bij dit onderzoek, omdat er naast het effect van de Zui-das, ook naar andere effecten wordt gekeken die mogelijk een effect op woningwaarde hebben. Dankzij dit onderzoek zal de gemeente Amsterdam kunnen zien welke buurten zich onderont-wikkeld hebben in vergelijking met andere buurten op basis van de WOZ-waarde per vierkante meter. Als gevolg kan de gemeente doelgericht aan de slag met het concept ‘value capturing’8 , waarbij doelbewust kan worden ingegrepen in een buurt om de ontwikkeling van de WOZ-waarde te stimuleren, mits daarvoor intentie is.

Ontwikkelingspartijen en vastgoedbeleggers kunnen profiteren van dit onderzoek door meer re-kening te houden met investeringen in buurten, waar waarde versterkende kenmerken zijn ge-vestigd. Als laatste kunnen omwonende gebruik maken van deze kennis en gerichter aan de slag gaan met de koop of verkoop van een woning.

1.3.2 Wetenschappelijke relevantie

Bij wettenschappelijke relevantie van een onderzoek gaat de aandacht uit naar een nog niet eerder onderzocht of te minimaal belicht onderzoeksgebied. Ook kan het zo zijn dat eerder ge-trokken conclusies te betwijfelen zijn en daarom opnieuw moeten worden onderzocht. Binnen dit onderzoeksgebied is er al meerdere malen onderzoek gedaan naar het effect van verschillende kenmerken op de woningwaarde, zoals werkgelegenheid,1 reistijd12 en -afstand tot Central Bu-siness District (CBD)5 en de (open) groene ruimte.15 Deze hedonische prijsanalyses zijn er in veelvoud en verspreid over verschillende steden en landen. Echter is de Zuidas tot op heden nog niet geanalyseerd met een prijs hedonische analyse. Dit terwijl het effect van Zuidas juist momenteel zichtbaar zou kunnen zijn, vanwege de sterke ontwikkeling van de afgelopen jaren. Daarnaast is er beperkt onderzoek gedaan naar een ontwikkeling van het effect van een CBD

over tijd. Een timeseries-analyse zou hierbij het duidelijkste beeld kunnen genereren, echter is dit erg complex en is de dataset niet gedetailleerd genoeg voor een timeseries-analyse. Er kan wel worden gekeken naar een ontwikkeling van een effect van een variabele over een geselecteerde tijdspanne heen. Resultaten kunnen dan worden vergeleken en een mogelijke trend kan worden verklaard. Door binnen dit onderzoek de focus te leggen op de ontwikkeling van de Zuidas, voegt dit onderzoek mogelijk iets toe aan de bestaande literatuur.

1.4 Leeswijzer

In het volgende hoofdstuk is een beknopte geschiedenis gegeven van de Zuidas, gevolgd door de ontwikkeling en de afbakening van het gebied. In hoofdstuk 3 biedt het theoretische kader een handvat om de essentie van vergelijkbare studies kort en krachtig samen te vatten. Vervol-gens wordt in hoofdstuk 4 het methodologische raamwerk uitgewerkt om een volledig en valide antwoord te kunnen verkrijgen op de onderzoeksvraag. In hoofdstuk 5, gehanteerde variabelen, wordt uitleg gegeven over welke onafhankelijke variabelen mogelijk invloed hebben op de afhan-kelijke variabele. Daarna worden de regressieresultaten besproken in hoofdstuk 6. Tot slot, zijn in hoofdstuk 7 de belangrijkste ondervindingen samengevat om tot een conclusie te komen.

2

De Zuidas

In het hoofdstuk ‘Zuidas’ wordt afgetrapt met een beknopte geschiedenis van de Zuidas. Hierna wordt ingegaan op de ontwikkeling van de totale kantooroppervlakte en de werkgelegenheid op de Zuidas, deze ontwikkelingen worden met behulp van grafieken verduidelijkt. Tot slot wordt er nog aandacht besteed aan het afbakeningsproces van het gebied.

2.1 Geschiedenis van de Zuidas

De Zuidas is niet altijd een plek van hoogwaardige financi¨ele en zakelijke dienstverlening geweest. In de beginjaren ‘90 werd het gebied tussen Buitenveldert en Amsterdam Zuid gekenmerkt door tennisbanen, voetbalvelden en het universiteitsgebouw van de Vrije Universiteit. De Amster-damse gemeente had destijds beperkte ontwikkelingsplannen voor dit bereikbare grondgebied. De reden hiervoor was dat de gemeente meer zag in de ontwikkeling van de Zuidelijke IJ-oevers als internationale toplocatie. De gemeente wilde werkgelegenheid binnen de stad houden en niet uitschuiven naar buiten de ring A10, om een gescheiden stad te voorkomen35.

Echter stond niet iedereen achter deze strategie, zo bleek uit de mislukking van het master-plan ‘Manhattan aan het IJ’. Het bedrijfsleven zag de slechte bereikbaarheid van het gebied als een beperking voor de vestiging aan de Zuidelijke IJ-oevers. De gemeente Amsterdam ontwik-kelde samen met Rem Koolhaas een concept voor de IJ-oevers met als doel om grote bedrijven toch naar de binnenstad te trekken. Zo wilde de gemeente Amsterdam dat onder andere de ABN AMRO-bank zijn hoofdkantoor op de Zuidelijke IJ-oever zou vestigen. Alleen was ABN AMRO hier zelf minder enthousiast over. De bank wilde zich namelijk vestigen op de veel beter be-reikbare Zuidas. Doordat de bank zelfs dreigde te vertrekken uit de gemeente Amsterdam werd uiteindelijk toch toegezegd om het hoofdkantoor naar Zuidas te verplaatsen35 . Met de komst van de ABN AMRO-bank naar de Zuidas en met de vastleggen van het ‘Masterplan Zuidas’ (1998), werd het startschot gegeven voor de ontwikkeling van een toplocatie voor hoogwaardig financieel en zakelijke dienstencentrum.

Het ‘Masterplan Zuidas’, opgesteld door de gemeente Amsterdam, legde het ontwikkelings-beleid voor de Zuidas vast. De Zuidas moest een internationale toplocatie worden voor kantoren, maar ook een locatie voor woningbouw, met 30% sociale huurwoningen en veel (hoogwaardige) voorzieningen zoals musea en restaurants. Ook in de jaren erna verschenen visie over de Zui-das (2000, 2009 en 2016), waarin deze ontwikkelingen werden aangescherpt. Uiteindelijk zou de Zuidas, rond 2030 een dynamische en leefbaar mixed-use gebied moeten zijn geworden met

respectievelijk 1.200.000 vierkante meter aan kantooroppervlak, 800.000 vierkante meter aan woonoppervlak (7.000 woningen) en 1.000.000 vierkante meter aan (hoogwaardige) voorzienin-gen13 .

2.2 Ontwikkeling van de Zuidas

Binnen de geselecteerde tijdspanne van dit onderzoek (2005 – 2018) heeft de Zuidas zich ra-zendsnel ontwikkeld op het gebied van totale kantooroppervlak en werkgelegenheid. Omdat de Zuidas wordt gezien als toplocatie voor financi¨ele en zakelijke dienstverlening wordt binnen dit onderzoek de ‘ontwikkeling van de Zuidas’ afgebakend als de ontwikkeling van ‘kantooropper-vlak’ in vierkante meters en ‘werkgelegenheid’ op de Zuidas tussen 2005 en 2018.

Wanneer er wordt gekeken naar de ontwikkeling van het kantooroppervlak van de Zuidas valt op te maken dat er tussen 2005 en 2018 een sterke ontwikkeling is te zien. In figuur 1 is deze ontwikkeling weergegeven op basis van de Zuidas office monitor 201717 . Tegenwoordig (2019) zou volgens het platform Amsterdam Zuidas al 890.000 vierkante meter aan kantooroppervlak zijn gerealiseerd, waarmee de ontwikkelingstrend van de Zuidas doorzet.

Figuur 1: Ontwikkeling van de totale kantooroppervlak op de Zuidas in vierkante meters tussen 2005 en 2018. Gegevens zijn op basis van Zuidas Office monitor 201717

Uit figuur 1 valt op te maken dat tussen 2005 en 2009 jaarlijks een sterke ontwikkeling van het aantal vierkante meters aan kantooroppervlak is te zien. In 2005 kent de Zuidas al zo’n 500.000 vierkante meter aan kantooroppervlak. In de jaren daarna worden steeds meer nieuwe kantoorgebouwen ontwikkeld en breidt de Zuidas op het gebied van kantooroppervlakte uit. Dankzij de voltooiing van onder andere de Symphony Offices30 en The Rock31 steeg de totale kantooroppervlakte op de Zuidas naar een totaal van 657.700 vierkante meter in 2009.

Wanneer de kredietcrisis in het derde kwartaal van 200832_{voor een krimp zorgt in het bruto}

binnenlands product (bbp) lijkt dit een effect te hebben op de ontwikkeling van nieuwe kantoor-oppervlakte op de Zuidas. Vanaf 2009 ligt de ontwikkeling van kantooroppervlak namelijk zo goed al stil. Tussen 2009 en 2013 worden er geen (grootschalige) kantoorprojecten toegevoegd aan de Zuidas. Tijdens deze kredietcrisis neemt de vraag naar nieuwe kantoren af11 , waardoor leegstand een gevolg kan zijn en inkomsten worden misgelopen door beleggers. Doordat er tijdens een crisisperiode minder vraag is zal er ook minder worden ontwikkeld door ontwikkelaars. Pro-jectontwikkelaars zijn immers in periodes van onzekerheid extra voorzichtig met investeringen25.

Wanneer de economie (bbp) weer aantrekt vanaf het derde kwartaal van 201332, lijkt er weer vraag te komen naar kantooroppervlak op de Zuidas. Zo worden de ontwikkelingen weer hervat en worden er investeringen gedaan in nieuwe projecten, waardoor de Zuidas op hoog tempo door ontwikkeld.

De redenen waarom de Zuidas zoveel nieuwe ontwikkeling aantrekt is omdat het gebied vol-gens de Zuidas office monitor 201717een gunstige ligging heeft ten opzichte van het (historische) centrum van Amsterdam, het een hoge concentratie aan hoogwaardige voorzieningen heeft, duur-zame en kwalitatief sterke gebouwen kent, een goede bereikbaarheid heeft via de A10 en station Zuid, een ligging nabij luchthaven Schiphol heeft, de aanwezigheid van een ‘Young Talentpool’ heeft (Hogescholen van Amsterdam, Universiteit van Amsterdam en de Vrije Universiteit) en een grootschalige concentratie aan zakelijke dienstverleners heeft, waardoor agglomeratievoordelen optreden.

Doordat het aantal kantooroppervlak zo sterk groeit, groeit ook de werkgelegenheid van het gebied. Hierbij zijn de sectoren financi¨ele instellingen en zakelijke dienstverleningen het sterkst aanwezig op de Zuidas. In 2018 bevindt afgerond 63% van alle werkgelegenheid in de financi¨ele en zakelijke dienstverlening van Amsterdam zich op de Zuidas (OIS). In figuur 2 is te zien hoe de totale werkgelegenheid zich heeft ontwikkeld op de Zuidas.

Figuur 2: Ontwikkeling van de totale werkgelegenheid op de Zuidas tussen 2005 en 2018

Uit figuur 2 valt een vergelijkbaar patroon op te maken als uit de ontwikkeling van het to-tale kantooroppervlak (figuur 1). Tussen 2005 en 2009 is een sterke ontwikkeling zichtbaar. In totaal stijgt de totale werkgelegenheid in deze 4 jaar met ongeveer 7.150 banen. In de periode 2009 – 2013 is een afnemende groei ontwikkeling waarneembaar. Doordat de ontwikkeling van kantooroppervlak tot stilstand komt zal dit logischerwijs ook gevolgen hebben voor de ontwik-keling van de totale werkgelegenheid. Toch stijgt de totale werkgelegenheid in deze 4 jaar met ongeveer 4.100 banen. De ontwikkeling trekt vanaf 2013 weer sterk aan. In de volgende 4 jaar (2013 – 2017) neemt de totale werkgelegenheid met 10.100 banen toe. In 2018 werken er volgens de afdeling Onderzoek, Informatie en Statistiek (OIS) van de gemeente Amsterdam meer dan 45.000 mensen op de Zuidas.

2.3 Afbakening van de Zuidas

Bij de afbakening van het gebied ‘de Zuidas’ is er gekeken naar de grenzen van de Zuidas volgens verschillende instanties. Zo kent het gebied gemeentelijke grenzen die door alle andere instanties niet als de (harde) grenzen van de Zuidas worden erkent en vice versa.

De totstandkoming van het gebied dat binnen dit onderzoek wordt gezien als de Zuidas is gemaakt naar aanleiding van de Zuidas office monitor 201717 . Hierin is een analyse gemaakt van de markttrends op het gebied van kantoren(ontwikkeling) op de Zuidas. De grenzen die hier worden gesteld zijn opgenomen binnen dit onderzoek als de grenzen van het gebied de Zuidas. Op dit gebied zijn namelijk ook de eerder behandelde ontwikkelingen van kantooroppervlak en totale werkgelegenheid afgestemd.

Binnen dit onderzoek bestaat het gebied de Zuidas uit zes buurten, namelijk Zuidas Noord, RAI, Kop Zuidas, VU-kwartier, Zuidas Zuid en Vivaldi33 . In figuur 3 is de Zuidas (rood) weergeven.

3

Theoretisch kader

In dit hoofdstuk wordt uitgebreid aandacht besteed aan de relevante literatuur. Hierbij is nadrukkelijk gekeken naar studies die vergelijkbare onderwerpen hebben onderzocht en een uit-spraak hebben gedaan over de onderzoeksresultaten. Allereerst wordt er dieper ingegaan op kenmerken die invloed hebben op de woningwaarde. Deze kenmerken zullen worden verdeeld met behulp van de categorisering van Visser en van Dam (2006). Deze kenmerken worden ver-der aangevuld door anver-dere studies. Tot slot wordt dit theoretische kaver-der afgesloten met een conceptueel model.

3.1 Invloed op de woningwaarde

Er zijn over de hele wereld tal van studies verricht naar het effect van een kenmerk op de waarde van een woning. Zo onderzochten Chen en Hao (2008) het effect van de afstand van het CBD op de woningwaarde, Helgers en Vastmans (2010) het effect van (open) groene ruimte op de waarde van woningen in Vlaanderen en Agnew en Lyons (2018) het effect van werkgelegenheid op de waarde van een woning in Ierland.

Hoewel landen en steden wereldwijd sterk verschillen, blijken veel kenmerken een overeenko-mende invloed te hebben op de waarde van een woning. Zo blijk afstand tot een CBD een negatief effect te hebben op de waarde van een woning in Liverpool16 , maar ook in Bekasi (Indonesi¨e)27 . Het wonen in de nabijheid van groen zou een positieve waarde hebben op de woningwaarde in Vlaanderen,15 maar ook in Beijing28 .

Echter zijn er naast overeenkomsten ook verschillen in het effect van kenmerken op de wo-ningwaarde wereldwijd. Zo wordt het effect van een hogere bevolkingsdichtheid niet in elke stad als positief gezien.26, 21 Echter zitten de meeste verschillen vooral in de mate van het effect.

Hoewel veel studies zich focussen op een bepaald kenmerk, een focuskenmerk, in een be-paalde stad of regio, is er door Visser en van Dam (2006) een onderzoek gedaan naar het effect van heel veel verschillende soorten variabelen. Zo onderzochten zijn zowel de impact van wo-ningkenmerken als de invloed van talloze woonomgevingskenmerken voor alle koopwoningen in Nederland. Hoewel woningkenmerken zoals woningtype en woningoppervlak een groot deel ver-klaren over de uiteindelijke waarde van een woning, onderzochten Visser en van Dam talloze effecten van woonomgevingskenmerken op de waarde van een woning. Uit het onderzoek bleek dat deze woonomgevingsvariabele een doorslaggevende rol hadden in uiteindelijke waarde van een woning. Men kiest namelijk niet alleen het huis uit waarin hij of zij in gaat woning, maar

ook de omgeving waarin hij of zij gaat wonen26 _.

Deze woonomgeving bestaat op zichzelf weer uit vele verschillende kenmerken, zoals de mate van werkgelegenheid, aanwezigheid van een school, groene omgeving, bebouwde omgeving, af-stand tot een winkelcentrum, aanwezigheid van openbaarvervoer etc. De studie van Visser en van Dam categoriseert de woonomgevingskenmerken in 3 categorie¨en waarna de invloed op de gehele Nederlandse koopwoningmarkt wordt getoetst.

De drie categorie¨en die Visser en van Dam onderscheiden binnen woonomgevingskenmerken zijn:

• Fysieke woonomgevingskenmerken • Sociale woonomgevingskenmerken • Functionele woonomgevingskenmerken

3.2 Fysieke woonomgevingskenmerken

Onder de fysieke woonomgevingskenmerken worden fysiek aanwezige eigenschappen van een woonomgeving verstaan. Hieronder vallen onder andere de aanwezigheid en het aandeel groene ruimte (park/bos/plantsoen), bedrijventerrein en (binnen)water in de directe woonomgeving. Deze kenmerken kunnen in verschillende mate een effect hebben op de waarde van een woning, zowel positief als negatief.

Zo onderzochten Helgers en Vastmans (2010) het effect van (open) groene ruimte op de waarde van een woning in Vlaanderen. Uit de regressieresultaten van Helgers en Vastmans bleek dat de aanwezigheid van de (open) groene ruimte, openbaar-groen binnen een straal van 400 meter, een sterk positief effect heeft op de waarde van een woning. Ook Visser en van Dam (2006) ondervonden een positief effect wanneer een woning in de nabijheid van een bos, park of plantsoen ligt.

Doordat uitzicht op een park of het gebruik van een park eenvoudig geconsumeerd kan worden door een eigenaar, draagt de nabijheid ervan positief bij aan de waarde van een woning. Aan de andere kant kunnen parken zorgen voor overlast, omdat veel mensen tegelijkertijd deze goederen kunnen consumeren. Geluidsoverlast en afval kunnen vervelende gevolgen daarvan zijn, waardoor (te) dichtbij een park wonen ook als negatief kan worden ervaren.4 Om ook met dit effect rekening te houden vervolgende Helgers en Vastmans hun onderzoek door afstandsvariabele

toe te voegen. Hierdoor werd het effect van een open groene ruimte binnen 100, 200, 400, 800 en 1600 meter getoetst. Hieruit bleek zoals Bolitzer en Nutusil (2000) al suggereerde, het sterkste effect niet te liggen bij 100 meter afstand tot een groene ruimte. Helgers en Vastmans concludeerde uit de regressieresultaten dat het sterkste positieve effect van een groene ruimte op de waarde van een woning lag op 400 meter.

3.3 Sociale woonomgevingskenmerken

De tweede categorie binnen de woonomgeving van Visser en van Dam is de sociale woonomge-ving. Onder de sociale woonomgeving worden niet fysieke omgevingskenmerken gecategoriseerd die betrekking hebben tot de samenleving.

Voorbeelden van sociale woonomgevingskenmerken zijn de (etnische) bevolkingssamenstel-ling, (gevoel van) veiligheid, leefbaarheid, bevolkingsdichtheid, verdeling huur- of koopwoningen etc. Ook deze kenmerken kunnen weer een positieve of negatieve impact hebben op de waarde van een woning. Deze sociale kenmerken zijn vaak lastig te operationaliseren en de impact kan sterk verschillen. Voor iemand met een niet-westerse achtergrond kan een woning in een over-wegend niet-westerse buurt waardevoller zijn dan voor iemand met een westerse achtergrond. Daarnaast correleren deze kenmerken vaak met elkaar waardoor het significant gebruik ervan wordt bemoeilijkt26 .

Volgens Li (2013) is er een relatie tussen de woningwaarde van een buurt en de etnische diversiteit van de buurt. In zijn onderzoek in de metropool regio van Vancouver komt hij tot de conclusie dat woningen in buurten met een sterk homogeen diversiteitsbeeld hogere woningwaar-den kennen dan buurten met meer etnische minderhewoningwaar-den. Waardoor Li concludeert dat er in Vancouver een directe relatie is tussen het aandeel migranten in een buurt en de woningwaarde van de buurt.

Ook ziet Li een verband tussen het de bevolkingsdichtheid en de woningwaarde. Een hogere bevolkingsdichtheid zorgt voor een hogere woningprijs. Binnen de literatuur waarin het effect van bevolkingsdichtheid is getoetst op de waarde van een woning, is niet iedereen het daarover eens. Bevolkingsdichtheid zou in sommige steden ook een negatief effect kunnen hebben op de woningwaarde. Onder andere Visser en van Dam (2010) en Peeters (2010) zien een negatief resultaat, wanneer de bevolkingsdichtheid toeneemt.

3.4 Functionele woonomgevingskenmerken

De laatste categorie die Visser en van Dam (2010) binnen de woonomgevingskenmerken cate-goriseren zijn de functionele woonomgevingskenmerken. Onder deze kenmerken wordt onder andere de afstand tussen een woning en een bepaalde locatie of voorzieningen (Central Business District of een basisschool), de mate van werkgelegenheid en de bereikbaarheid van een locatie verstaan. Wederom kunnen deze kenmerken een positieve en negatieve impact hebben op de waarde van een woning.

Visser en van Dam (2006) zien de mate van werkgelegenheid als een van de belangrijkste prijs bepalende factoren voor de waarde van een woning. ‘Hoe meer banen te bereiken zijn vanuit de woning in kortere tijd, hoe hoger de woningprijs’26 . Hierbij wordt de toenemende werkgelegenheid gezien als de stimulator voor de druk op de (rand)stedelijke woningmarkt.

Wanneer de resultaten van Visser en van Dam kunnen worden gegeneraliseerd naar buur-ten in de nabijheid van de Zuidas, zou een ontwikkelingseffect duidelijk zichtbaar moebuur-ten zijn. De werkgelegenheid op de Zuidas heeft zich namelijk in relatief korte tijd sterk ontwikkeld tot werkgelegenheidscentrum voor hoogwaardige financi¨ele en zakelijke dienstverlening (figuur 2). In Ierland werd het effect van werkgelegenheid op de waarde van een woning al geconstateerd. ‘Ac-cess to employment is one of the most valuable amenities offered by cities. In Urban economics, this is the principal driver of the bid-rent gradient and is a key determinant of housing prices and land values.’1 Belangrijk binnen deze conclusie is dat verschillende sectoren verschillende effecten hebben op de ontwikkeling van de woningwaarden. Zo worden de sterkste positieve ont-wikkelingen gemeten bij de ontwikkeling van de financi¨ele en ICT-sector. Daar tegenover staat dat de ontwikkeling van de werkgelegenheid in de maaksector een negatief effect kan hebben op de waarde van woningen. Als laatste punt kaarten Agnew en Lyons aan dat er een vertraging zit in de ontwikkeling van werkgelegenheid op de ontwikkeling van de woningwaarde. Dit houdt in dat het effect op de woningwaarde het sterkst is 1 `a 2 jaar na de toename van het aantal banen. Een belangrijk punt dat ook binnen de ontwikkelingen op de Zuidas moet worden meegenomen.

Daarnaast kan de aanwezigheid van een functionele voorziening ook een effect genereren op de waarde van een woning. Een veel voorkomend voorbeeld is de aanwezigheid van een basisschool. Huishoudens met kinderen kunnen een positieve waarde genereren aan de nabijheid van een school. Zo blijkt uit een studie van Colwell en Guntermann (1984) dat de nabijheid van een bassisschool voor een positief effect van de woningwaarde kan zorgen. Echter bevestigde zij

ook dat te dichtbij een basisschool wonen met als gevolg overlast, ook voor een negatief effect zou kunnen zorgen. Dit wederzijdse effect gaat ook op voor horeca, winkelcentra en andere voorzieningen.

3.5 Woningkenmerken met invloed op de woningwaarde

Zoals eerder al werd aangehaald bepalen fysieke woningkenmerken natuurlijk ook de waarde van een woning. Woningkenmerken als woningtype (appartement, rijtjeshuis, villa) en oppervlakte bepalen natuurlijk in grote mate de waarde van een woning. Zo heeft een grote woning over het algemeen een hogere waarde dan een vergelijkbare kleinere woning.

Binnen een onderzoek kan hiermee rekening worden gehouden door een correctie voor de oppervlakte uit te voeren. Zo kan de waarde van een woning worden berekend per vierkante meter. Visser en van Dam (2006) voerde tevens zo’n correctie uit, wat resulteerde in een vermin-dering van het effect van fysieke woningkenmerken. Dankzij deze correctie kwam naar voren dat woonomgevingsfactoren tot wel 72% van de totale woningwaarde per vierkante kunnen verklaren.

3.6 Conceptueel model

In figuur 4 is het conceptuele model weergegeven dat van toepassing is binnen dit onderzoek. Hierbij is de indeling van Visser en van Dam (2006) aangehouden en worden de variabelen weergegeven die binnen dit onderzoek worden gebruikt. De categorie ‘Fysieke woningkenmerken’ is binnen dit onderzoek niet meegenomen, waardoor de invloed van deze categorie op de WOZ-waarde per vierkante meter is weergegeven met een stippellijn.

Figuur 4: Conceptueel model waarbij verschillende categorie¨en invloed uitoefenen op de WOZ-waarde per vierkante meter

4

Methodologie

In dit hoofdstuk is nader ingegaan op het methodologische raamwerk dat van toepassing is binnen dit onderzoek. Het opzetten van een methodologisch raamwerk is van belang om een betrouwbaar onderzoek uit te voeren en volledige antwoorden te verkrijgen op de onderzoeks-vraag en deelvragen. De methodologische keuzes die binnen deze scriptie worden gemaakt, zijn gebaseerd op het onderzoeksdoel, de onderzoeksvraag en de deelvragen. Na de uitleg van de onderzoekstrategie wordt de prijs hedonische analysemethode belicht. Dit hoofdstuk wordt afgesloten met de dataverzameling.

4.1 Onderzoeksstrategie

Een onderzoek naar de bepaling van de woningwaarde kan zowel met kwalitatief als kwantitatief onderzoek worden gedaan. Bij een onderzoek naar het effect van de ontwikkeling van de Zuidas op de omliggende woningwaarde moet echter gebruik worden gemaakt van objectieve gegevens. Hierdoor is dit onderzoek een kwantitatief onderzoek.

Door gebruik te maken van datagegevens over omgevingskenmerken zal worden geanalyseerd wat de effecten zijn op de woningwaarde. In dit onderzoek wordt de waarde van een woning ge-operationaliseerd als de gemiddelde WOZ-waarde per vierkante meter van een buurt. De keuze om te werken met WOZ-waarde per buurt was eenvoudig, dit was namelijk de enige beschikbare variabele om een kwantitatief onderzoek uit te voeren op de waarde van een woning. In hoofd-stuk 5, gehanteerde variabelen, zal hier verder op worden ingegaan.

De analysemethode die een waarde toe kent aan een kenmerk, die de waarde van een woning be¨ınvloed, staat bekend als de prijs hedonische analysemethode. Om een prijs hedonische analyse uit te voeren moet er gebruik worden gemaakt van regressieanalyses. Deze methode is met behulp van het computerprogramma STATA verricht. Binnen de regressieanalyses is het effect van meerdere (lineaire) onafhankelijke variabele op de afhankelijke variabele getoetst, waardoor het een multivariabele lineaire regressieanalyse betreft.

4.2 Prijs hedonisch analyse

Binnen de academische literatuur worden er verschillende analysemethodes toegepast om tot de waardebepaling van een onroerend goed te komen. Onder deze methodes is de prijs he-donische analyse van Rosen (1974) de meest voorkomende. Nagenoeg alle onderzoekers die in het theoretische kader de revue zijn gepasseerd werkten met de prijs hedonische analysemethode.

Deze analysemethode betreft een statistische onderzoekstechniek om het effect van een ken-merk op de waarde van een onroerend goed te meten. Rosen (1974) definieert hedonische prijzen als: ‘the implicit prices of attributes and are revealed to economic agents from observed prices of differentiated products and the specific amounts of characteristics associated with them.’22 De kracht van deze analysemethode ligt bij de mogelijkheid om voor elk kenmerk specifiek de waarde op een onroerend goed te toetsen. Binnen dit onderzoek is dat het effect van verschil-lende omgevingsvariabelen op de gemiddelde WOZ-waarde per vierkante meter voor een buurt, de relatieve waardeontwikkeling van de WOZ-waarde per vierkante meter voor een buurt of de absolute waardeontwikkeling van de WOZ-waarde per vierkante meter van een buurt. Daar-naast staat een prijs hedonische analyse bekent om zijn betrouwbaarheid. De analysemethode is namelijk eenvoudig controleerbaar en herhaalbaar voor een mogelijk vervolgonderzoek.

Echter heeft de analysemethode niet alleen maar voordelen. Nadelen van het gebruik van de prijs hedonische analyse is dat er veel datagegevens voor nodig zijn, wil men een significant resultaat aantonen. Daarnaast wordt veelal transactiedata van woningen gebruikt om een he-donische prijs analyse uit te voeren, deze is echter niet eenvoudig te verkrijgen of alleen tegen betaling. Waardoor een prijs hedonische analyse met transactiedata wordt bemoeilijkt.

4.3 Dataverzameling

Zoals eerder in dit onderzoek is aangegeven is dit onderzoek gebaseerd op een kwantitatieve onderzoeksstrategie. Daarbij is gebruik gemaakt van objectieve datagegevens. Deze datagege-vens zijn verkregen bij de afdeling Informatie, Onderzoek en Statistiek (OIS) van de gemeente Amsterdam. Het OIS beheert de datagegevens voor de gemeente Amsterdam op verschillende schaalniveaus, waarbij binnen dit onderzoek uitsluitend gebruik is gemaakt van het schaalni-veau buurten. Daarnaast heeft het OIS voor datasets een archief waardoor het mogelijk was om datagegevens uit het verleden te verkrijgen.

Bij de selectie van de datagegevens zijn de buurt-datasets geanalyseerd op bruikbaarheid voor een effect op de WOZ-waarde. In het volgende hoofdstuk wordt specifieker ingegaan op deze datagegevens.

5

Gehanteerde variabelen

In dit hoofdstuk wordt de data gepresenteerd die gebruikt is voor dit onderzoek. Allereerst wordt er een korte data introductie gegeven, waarna verder wordt ingegaan op de afhankelijke variabele. Er wordt achtergrondinformatie gegeven over de afhankelijke variabele en de ont-wikkeling van de WOZ-waarde per vierkante meter binnen Amsterdam. Daarna worden alle onafhankelijke variabelen die binnen dit onderzoek zijn gebruikt geanalyseerd met behulp van literatuur. Verder wordt de beschrijvende tabel weergegeven met daarin de afhankelijke en alle verklarende variabelen die zijn gebruikt binnen de regressieanalyses. Tot slot wordt er ingegaan op de aannames voor het gebruik van een multivariabele regressieanalyse.

5.1 Data introductie

Zoals in het theoretisch kader is beschreven is het gebruik van prijs hedonische analyse alomte-genwoordig bij het waarderen van onroerend goed. Echter wordt bij dit soort regressieanalyses voornamelijk gebruik gemaakt van individuele woning- of transactiewaarden. Voor dit onder-zoek werd er helaas geen toegang verleent tot individuele WOZ-waarde of transactieprijzen. De reden hiervoor was de privacybescherming van woningeigenaren. Om toch een hedonische re-gressieanalyse uit te kunnen voeren moest data worden verkregen van een ander schaalniveau of bron, waarbij privacybescherming niet in het geding zou zijn.

Hieruit volgend is ervoor gekozen om gemiddelde WOZ-waardegegevens per buurt van de gemeente Amsterdam te gebruiken. De voordelen van het gebruik van datagegevens van de ge-meente Amsterdam zijn dat de gege-meente een betrouwbare bron van informatie is en al enige tijd datagegevens over Amsterdam beheerd. Daarnaast bevatten gemiddelde WOZ-waardegegevens per buurt geen persoonsgegevens, waardoor privacyschending niet in het geding is. De keuze voor het gebruik van WOZ-waarde boven het gebruik van bijvoorbeeld transactiegegevens was enigszins eenvoudig, de WOZ-waarde werd namelijk als enige voor dit onderzoek beschikbaar gesteld.

Binnen deze regressieanalyses wordt gebruik gemaakt van gemiddelde WOZ-waarde per vier-kante meter per buurt. Het gebruik van een gemiddelde WOZ-waarde per buurt is niet de meest gebruikelijke manier is om een hedonische prijsanalyse te doen, maar dat betekent niet dat de data niet geschikt zijn voor deze analysemethode. In totaal kent de gemeente Amsterdam 481 verschillende buurten (2019). Daarvan bestaan er 93 volledig uit parken, stations, bedrijven-terrein, water e.d. waardoor er geen woningbouw noch gemiddelde WOZ-waarde (per vierkante

meter) per buurt voorkomt. Daarnaast ontwikkelt Amsterdam nieuwe buurten, waardoor het aantal buurten dat deelneemt in een regressieanalyse in 2005 lager ligt dan in 2018. Per regres-sieanalyse zal daarom het aantal observaties verschillen.

5.2 Afhankelijke variabele: WOZ-waarde

Binnen dit onderzoek wordt gebruik gemaakt van de WOZ-waarde. WOZ staat voor de waarde onroerende zaken en wordt bepaald door taxateurs van de gemeente. De WOZ-waarde is de of-ficieel getaxeerde marktwaarde van een onroerend goed. De gemeente berekent de WOZ-waarde van onroerende zaken voor het heffen van verschillende belastingen, zoals de onroerendezaak-belasting. Om deze belasting te kunnen heffen kent de gemeente aan elk onroerend goed een waarde toe, die met behulp van computermodellen wordt bepaald.

Deze analysemodellen gebruiken verschillende soorten data, zoals objectgegevens en markt-gegevens om een afzonderlijke analyse van de waarde van een onroerend goed te kunnen doen.

Voorbeelden van objectgegevens zijn het type woning (vrijstaand, appartement, rijtjeshuis, etc.), oppervlakte, ligging, het bouwjaar en de onderhoudstoestand van een woning37 .

Voorbeelden van marktgegevens zijn voornamelijk verzamelende gegevens van transacties die zijn verricht bij vergelijkbare woningen in de buurt. Deze gegevens worden geanalyseerd waaruit een voorlopige WOZ-waarde komt. Taxateurs controleren deze waarden en vergelijken deze met de actuele verkoop- en vraagprijs en objectkenmerken. Hieruit volgt een definitieve WOZ-waarde voor elk onroerend goed. Het is dus van belang dat de gemeente deze gegevens up-to-date houdt, omdat er (vanaf 2007) elk jaar een nieuwe WOZ-waarde aan een onroerend goed wordt toegekend.

Belangrijk bij de berekening van de WOZ-waarde is dat deze is gebaseerd op 1 januari van het voorafgaande (belasting)jaar. Dit moment wordt het ‘waarde peildatum’ genoemd. De WOZ-waarde schat dus de transactiewaarde van een woning op de waarde peildatum37 .

De gemiddelde WOZ-waarde per vierkante meter van een buurt vormt de leidraad binnen dit onderzoek naar het effect van de ontwikkeling van de Zuidas op de woningwaarde. Om dit effect aan te tonen zijn datagegevens verzameld van het OIS die een ontwikkeling van de gemiddelde WOZ-waarde per vierkante meter in de geselecteerde tijdspanne in Amsterdam laten zien. In

onderstaande figuur 5 is weergegeven hoe de gemiddelde WOZ-waarde per vierkante meter zich in Amsterdam heeft ontwikkeld tussen 2005 en 2018.

Figuur 5: Ontwikkeling van de gemiddelde WOZ-waarde per vierkante meter tussen 2005 en 2018 in Amsterdam, uitgedrukt in Euro’s.

Uit figuur 5 valt op te maken dat tussen 2005 en 2009 de gemiddelde WOZ-waarde per vier-kante meter in Amsterdam een sterke ontwikkeling heeft doorgemaakt. In 2009 is de gemiddelde WOZ-waarde per vierkante meter in Amsterdam gestegen naar 3465,- Euro.

Deze snelle ontwikkelingstrend stagneert vervolgens en komt in 2010 tot een gemiddelde van 3479,- Euro, wat iets hoger ligt dan de WOZ-waarde van 2009. Opmerkelijk in de datagegevens is dat veel buurten (150) in 2010 al een negatieve ontwikkeling ten opzichte van 2009 laten zien.

Een verklaring voor het feit dat de WOZ-waarde per vierkante meter in 2010 hoger ligt dan de WOZ-waarde per vierkante meter van 2009 kan de waarde peildatum zijn. De WOZ-waarde van 2010 heeft namelijk een peildatum van 1 januari 2009. Op deze peildatum was de geschatte waarde van een woning gemiddeld hoger dan op de peildatum van 1 januari 2008 (WOZ-waarde 2009). Op de waarde peildatum van 1 januari 2009 (WOZ-waarde 2010) was schijnbaar nog niet voor alle buurten het effect van de kredietcrisis merkbaar, waardoor de gemiddelde WOZ-waarde nog hoger zijn uitgevallen. Bij het gebruik van WOZ-WOZ-waarde moet dus rekening worden gehouden met het feit dat de WOZ-waarde ten alle tijden een jaar achter loopt op de huidige ontwikkelingen.

Echter zijn vanaf 2010 de gevolgen van de kredietcrisis wel degelijk terug te zien in de ont-wikkeling van de gemiddelde WOZ-waarde per vierkante meter. In de periode 2010 – 2014 daalt de gemiddelde WOZ-waarde per vierkante meter sterk met als dieptepunt 2014, waarin de ge-middelde WOZ-waarde per vierkante meter is gedaald naar 2952,- Euro. Ook hiervoor geldt weer dat de WOZ-waarde van 2014 een peildatum heeft van het jaar daarvoor (1 januari 2013). De gemiddelde WOZ-waarde per vierkante meter komt in 2014 ongeveer op gelijke hoogte als de gemiddelde WOZ-waarde per vierkante van het jaar 2007 (2877,- Euro).

Vanaf 2014 neemt de ontwikkeling van de gemiddelde WOZ-waarde per vierkante meter exponentieel toe. Binnen twee jaar tijd evenaart de gemiddelde WOZ-waarde weer het niveau van 2010. Vanaf 2016 is een nog sterkere ontwikkeling van de gemiddelde WOZ-waarde per vierkante meter zichtbaar. In 2018 kent Amsterdam gemiddeld een WOZ-waarde van 4491,-Euro per vierkante meter. Hierdoor is de WOZ-waarde per vierkante meter voor een buurt in Amsterdam gemiddeld met 58% gegroeid (tussen 2005 en 2018).

5.2.1 Gemiddelde WOZ-waarde per vierkante meter

Voor de klassieke regressieanalyse wordt de WOZ-waarde per vierkante meter uit het desbe-treffende jaar gebruikt als afhankelijke variabele. Deze data is verkregen bij het OIS en wordt gemeten in Euro’s. Het OIS beheert de WOZ-waarden voor alle woningen en de gemiddelde WOZ-waarde per vierkante meter voor alle buurten binnen de gemeente Amsterdam verspreid over een geruime tijdsspanne. Echter bleek de betrouwbaarheid van de waarde schatting af te nemen, wanneer er gebruik werd gemaakt van de WOZ-waarde met een peildatum van voor 1 januari 2002. Om de nauwkeurigheid van de data te kunnen garanderen is dit mee genomen in de uiteindelijke selectie voor de onderzoeksperiode. Waardoor gewerkt is met de WOZ-waarde per vierkante meter vanaf 2005, deze heeft namelijk 1 januari 2003 als waarde peildatum.

De gemiddelde WOZ-waarde per vierkante meter voor buurten is een goede eenheid om het effect van een locatie te kunnen toetsen. De voorkeur om de gemiddelde WOZ-waarde per vierkante meter te gebruiken in plaats van de gemiddelde WOZ-waarde is logisch te verklaren. Wanneer gebruik wordt gemaakt van een gemiddelde WOZ-waarde van een buurt wordt er geen rekening gehouden met onder andere de gemiddelde grote van een woning in die desbetreffende buurt. Over het algemeen zal een buurt met grotere woningen een hogere gemiddelde WOZ-waarde kennen dan een buurt met kleinere woningen. Door gebruik te maken van de gemiddelde WOZ-waarde per vierkante meter van een buurt wordt dit probleem eenvoudig opgelost. Ook

in de literatuur wordt van deze methode gebruikt gemaakt26 _.

Volgens de gegevens van tabel 1 worden er in 2018 386 verschillende buurten mee genomen in dit onderzoek. Het aantal buurten dat mee doet hangt af van de beschikbaarheid van gegevens en zal per jaar verschillen. Zo vinden in Amsterdam ontwikkelingen plaats waarbij over de tijd heen nieuwe buurten worden mee genomen in dit onderzoek. Voorbeelden hiervan zijn buurten op Zeeburgereiland, Steigereiland, Haveneiland, maar ook rondom de Zuidas zijn nieuwe buurten over tijd ontwikkeld. Wanneer deze buurten een gemiddelde WOZ-waarde per vierkante meter hebben, worden zij meegenomen in de regressieanalyse.

Uit tabel 1 valt op te maken dat dat de WOZ-waarde per vierkante meter in Amsterdam sterk kan verschillen. De WOZ-waarden per vierkante meter in de gemeente Amsterdam (2018) liggen verspreid tussen de 1874,- Euro (Rechte H-buurt) en de 7587,- Euro (Diepenbrockbuurt). De gemiddelde WOZ-waarde per vierkante meter in 2018 (afgerond 4491,- Euro) is al reeds besproken.

5.2.2 Relatieve ontwikkeling WOZ-waarde per vierkante meter

Binnen de periode regressieanalyses wordt gebruik gemaakt van een andere afhankelijke vari-abele, namelijk van de relatieve ontwikkeling van de WOZ-waarde per vierkante meter. Deze variabele is verkregen uit de datasets van het OIS, door de procentuele ontwikkeling van de WOZ-waarde per vierkante meter van een buurt tussen twee tijdstippen te berekenen.

De relatieve ontwikkeling van de WOZ-waarde per vierkante meter voor een buurt is een geschikte methode om een ontwikkeling te meten. Het meten van relatieve ontwikkeling kan aantonen welke buurten een sterke of zwakke relatieve ontwikkeling hebben doorgemaakt. Het is van belang om gebruik te maken van de relatieve ontwikkeling, aangezien buurten met lage gemiddelde WOZ-waarde een sterke relatieve ontwikkeling kunnen doormaken. Dit terwijl de absolute ontwikkeling onder gemiddeld kan zijn. Wanneer uitsluitend naar de absolute ont-wikkeling wordt gekeken, zouden buurten met een sterke relatieve ontont-wikkeling mogelijk niet opvallen.

5.2.3 Absolute ontwikkeling WOZ-waarde per vierkante meter

De andere afhankelijke variabele die wordt gebruikt binnen de periode regressieanalyses is de absolute ontwikkeling van de WOZ-waarde per vierkante meter. Deze variabele is verkregen uit

de datasets van het OIS, door de absolute ontwikkeling van de gemiddelde WOZ-waarde per vierkante meter tussen twee tijdstippen te meten. Deze variabele is uitgedrukt in Euro’s.

De absolute ontwikkeling van de WOZ-waarde per vierkante meter is geschikte methode om een ontwikkeling te meten. Het meten van een absolute ontwikkeling kan aantonen welke buurten er een sterke of zwakke absolute ontwikkeling hebben doorgemaakt. Daarbij is het gebruik van een absolute ontwikkeling belangrijk om tastbaar te maken welke buurten er in Euro’s het sterkst of zwaktste zijn ontwikkeld.

5.3 Onafhankelijke variabelen

Hieronder worden de verschillende onafhankelijke variabelen die binnen de regressieanalyses zijn gebruikt nader toegelicht. Wegens beperking in de beschikbare data is de focus gelegd op een beperkt aantal variabele waarbij de invloed op de afhankelijke variabele is getoetst. Deze variabele zijn in alle regressieanalyses mee genomen waar een significante waarde werd gegenereerd. Daarnaast zal een korte link worden gelegd met de literatuur.

5.3.1 Afstand tot de Zuidas (Zuidas)

Binnen dit onderzoek wordt de variabele ‘afstand tot de Zuidas’ gezien als de focusvariabele. Om te kunnen toetsen of de nabijheid van een specifieke locatie of voorziening een effect heeft op de WOZ-waarde is het gebruik van een afstandsvariabele een gebruikelijke methode. In de literatuur over hedonische prijsanalyses wordt vaak de afstand tot een CBD als focusvariabele genomen5, 12, 14, 29 _{. De aanleiding hiervan is dat uit een afstandsvariabele mogelijk een lineair}

verband kan worden getrokken tussen afstand en prijs. De afstand ten opzichte van het CBD wordt dan genomen omdat hier de prijs hoog, al dan niet het hoogst in een stad is. Volgens de theorie van de ’Bid-rent curve’, neemt de prijs van de grond af, naarmate de afstand tot het centrum toeneemt.2 _{In het hoofdstuk resultaten zal verder in worden gegaan op de lineaire}

verbanden.

Met de ‘afstand tot de Zuidas’ wordt de afstand tot het Gustav Mahlerplein genomen. Het Gustav Mahlerplein is als centraalpunt binnen de Zuidas aangewezen, naar aanleiding van een prijs hedonische analyse van Chen en Hao (2008). Chen en Hao onderzochten de invloed van de afstand van het CDB op de transactiewaarde van woningen in Shanghai. Daarbij fungeerde het ‘Shanghai People Square’ als centraalpunt binnen het CBD. Deze locatie werd gekozen, vanwege de sterke bereikbaarheid met het openbaar vervoer en de centrale ligging binnen het financi¨ele

dienstencentrum. Op basis van deze voorwaarde is het Gustav Mahlerplein als centraalpunt geselecteerd binnen dit onderzoek, wegens zijn directe ligging aan station Zuid en zijn centrale ligging binnen het financi¨ele dienstencentrum.

In dit onderzoek zal de variabele ‘afstand tot de Zuidas’, gemeten in meters, een relatie laten zien met de afhankelijke variabele. Het doel van het gebruik van deze variabele is om uit de regressieresultaten een waarde te krijgen die mogelijk een verband laat zien tussen de ‘afstand tot de Zuidas’ en de WOZ-waarde per vierkante meter.

De data van deze variabele is verkregen door metingen te doen via Google Maps. Hiervoor is gekozen om de loop- en fietsafstand in meters vanaf het Gustav Mahlerplein naar een centraal-punt in elke individuele buurt te meten. Deze variabele is voor de gehele tijdsspanne constant, omdat er wordt aangenomen dat fietsafstand in meters door de jaren heen niet is veranderd.

Er is gekozen om reisafstand (in meters) te meten in plaats van tijd, omdat afstand een constantere waarde genereerd dan reistijd. De reistijd tussen auto, openbaar-vervoer, fiets en te voet kan veel vari¨eren en daarnaast beschikt niet iedereen in Amsterdam over een auto. Daarnaast is de reistijd sterk afhankelijk van het tijdstip waarop men reist. De totale reistijd tijdens een ochtendspits kan vele malen langer zijn dan op een tijdstip buiten de spits. Hierdoor is de keuze gemaakt de variabele in afstand te meten in plaats van in tijd. Verder is loop- en fietsafstand boven andere mobiliteitskeuzes gekozen, omdat lopen en fietsen hier een constantere waarde heeft. De reisafstand met het openbaarvervoer is geen logische keuze, aangezien deze niet altijd de snelste route volgt en ook de reisafstand met de auto is niet logisch, omdat een langere afstand (via de snelweg i.p.v. door het centrum) niet altijd een langere reistijd hoeft te betekenen. Vanwege deze redenen is er gekozen om de variabele in loop- en fietsafstand te meten.

5.3.2 Afstand tot de IJ-oevers (IJ-oevers)

Een tweede afstandsvariabele waarvan het effect op de afhankelijke variabele wordt getoetst is de ‘afstand tot de IJ-oevers’. Een locatie die in eerst instantie de internationale toplocatie moest worden binnen Amsterdam. De gemeente Amsterdam wees deze locatie terug in de jaren ‘90 hiervoor aan en in samenwerking met Rem Koolhaas zou hier het ‘Manhattan aan het IJ’ moeten worden gerealiseerd. De reden hiervoor was om bedrijvigheid terug te krijgen in het sterk verarmde stadscentrum35 _{. Vanwege de beschikbare ruimte en locatie leek dit een goede}

ontwikkelingslocatie. ‘De omgeving van het Centraal Station leek de ideale locatie voor de ves-tiging van kantoren en bedrijven waarvoor de nabijgelegen binnenstad te klein was geworden.’18

Echter bleek de haalbaarheid van het project te betwijfelen, dankzij een gebrek aan interesse van grote bedrijven zoals de ABN AMRO-bank. De bank wilde namelijk liever zijn hoofdkantoor op de Zuidas vestigen. Mede hierdoor trok financier ING uiteindelijk de stekker uit het plan20 .

Tegenwoordig is de (Zuidelijke) IJ-oever toch een sterk ontwikkeld gebied geworden waar veel (internationale) bedrijvigheid is gelokaliseerd. Door deze variabele mee te nemen in de regressieanalyse kan het mogelijk als een tegenpool werken voor de co¨effici¨ent ‘afstand tot de Zuidas’. Verder is de variabele ‘afstand tot de IJ-oevers’ is op dezelfde manier verkregen als de variabele ‘afstand tot de Zuidas’.

5.3.3 Aandeel sociale huurwoningen (Sociale huur)

Onder de variabele aandeel sociale huurwoningen wordt het percentage sociale huurwoningen ten opzichte van het totaal aantal woningen in een buurt verstaan. De data voor deze variabele is verkregen via het OIS, die de eigendomssituatie van elke woning bijhoudt. Amsterdam kent een hoog aandeel sociale huurwoningen, wat over tijd wel afneemt. In 2005 was namelijk 48% van de woningen in Amsterdam sociale huur, terwijl dat in 2018 nog maar 38% was. Daar-naast is opvallend dat buurten met een bovengemiddeld aandeel sociale huurwoningen, relatief lagere gemiddelde WOZ-waarde per vierkante meter hebben en een kleinere relatieve en absolute waardeontwikkeling hebben doorgemaakt in vergelijking met buurten met een ondergemiddeld aandeel sociale huurwoningen. Een verklaring hiervoor valt in de literatuur terug te vinden. Zo blijkt dat het aandeel sociale huurwoningen ten opzichte van koopwoningen altijd een negatief effect heeft op de woningwaarde9 .

5.3.4 Ontwikkeling van de werkgelegenheid (Werkgelegenheid)

Onder de variabele werkgelegenheid wordt binnen de klassieke regressieanalyse het totaal aantal banen in een buurt verstaan. Bij de periode regressieanalyse is dat de procentuele ontwikkeling van het aantal banen in een buurt. De datagegevens over de totale werkgelegenheid van een buurt zijn verkregen bij het OIS en worden sinds 1985 bijgehouden. De variabele werkgelegen-heid is meegenomen om te toetsen of er een relatie is tussen het aantal banen in een buurt en de WOZ-waarde per vierkante meter. De totale werkgelegenheid is verdeeld in verschillende sec-toren, waarbij financi¨ele instellingen en de zakelijke dienstverlening de grootste groep vormen.

Daarnaast worden ook sectoren als delfstofwinning en industrie mee genomen, maar die kennen slechts een zeer klein percentage (2,6% van de totale werkgelegenheid in Amsterdam). Daarom is er bewust ervoor gekozen deze niet te verwijderen, omdat dit hoogstwaarschijnlijk geen effect zou hebben op de resultaten.

Volgens een onderzoek van Visser en van Dam (2006) is werkgelegenheid een van de belang-rijkste prijs bepalende onafhankelijke variabele voor woningwaarde. Het ontwikkelingspercen-tage van het aantal banen is verkregen door data van het beginjaar en eindjaar uit de geselec-teerde periode met elkaar te vergelijken. In tabel 6, weergegeven in de appendix, valt op dat er een groot verschil is tussen de ontwikkeling van het aantal banen in een buurt. Zo kan de werkgelegenheid in een buurt sterk afnemen (-85%) of heel sterk toenemen (+450%). Omdat de waarde van de ontwikkeling van werkgelegenheid zo sterk kunnen verschillen, kan het zijn dat er tussen deze variabele en de afhankelijke variabele geen correlatie kan worden gevonden. Hierdoor levert een variabele een niet-significant resultaat op, waardoor de variabele niet meer wordt genomen in de regressieanalyse. Dit bleek voor deze variabele in de periode regressie van 2014 – 2018 het geval te zijn.

5.3.5 De bevolkingsdichtheid (Bevolkingsdichtheid)

Onder de variabele bevolkingsdichtheid wordt het aantal inwoners per vierkante kilometer land verstaan. Deze variabele wordt mee genomen om te kijken of in Amsterdam een relatie is tussen de bevolkingsdichtheid en de WOZ-waarde per vierkante meter. In de literatuur kwam namelijk naar voren dat bevolkingsdichtheid zowel een negatief21 als een positief effect3 zou kunnen heb-ben op de woningwaarde. De datagegevens voor de bevolkingsdichtheid per buurt zijn afkomstig van het OIS.

Uit de datagegevens blijkt dat de bevolkingsdichtheid het hoogste is in de buurten gelegen in stadsdeel Centrum, waar ruimte schaars is en dus veel mensen dicht op elkaar wonen. Dit zou kunnen verklaren waarom buurten met een hoge bevolkingsdichtheid een hogere woningwaarde hebben en dus een positieve relatie ten opzichte van elkaar hebben. Aan de andere kant kan deze bevolkingsdichtheid ook zorgen voor overlast, waardoor bevolkingsdichtheid een negatief effect kan hebben op de woningwaarde.

5.3.6 Aandeel (recreatief )groen en (binnen)water (Groen & Water)

Onder de variabele aandeel (recreatief)groen en (binnen)water wordt het percentage (recrea-tief)groen en (binnen)water verstaan ten opzichte van het totale oppervlakte van een buurt. De variabele is meegenomen, omdat ervan werd uitgegaan dat de mate van groen en water een ef-fect zouden hebben de op woningwaarde. Ook deze datagegevens zijn verkregen bij het OIS. De gemeente Amsterdam categoriseert grondgebruik in verschillende categorie¨en, waarbij recreatie-terrein, agrarisch terrein en bos- en natuurlijkgebied onder ‘(recreatief)groen’ vallen. De keuze om agrarisch terrein ook mee te nemen, komt voort uit het onderzoek van Helgers en Vastmans (2006). Zij namen landbouwgrond namelijk ook mee als onderdeel van de (open)groene ruimte. Verder wordt ook nog de categorie binnenwater bij deze variabele opgeteld.

Buurten die volledig bestaan uit een park, bos of platteland en geen woningen noch gemid-delde WOZ-waarde kennen doen niet mee in de regressieanalyses. Echter zijn er wel buurten waarvan meer dan 95% van het oppervlak ‘groen’ is. Deze buurten, allemaal gelegen in Landelijk Noord (Holysloot, Ransdorp, Zunderdorp), zijn uitgestrekt en kennen veel ‘agrarisch terrein’ en weinig bebouwd terrein, waardoor het aandeel groen en water hier uitzonderlijk hoog is.

In de literatuur komt naar voren dat de nabijheid van een park, bos, plantsoen of akker een positief effect kan hebben op de woningwaarde15, 28.

5.3.7 Aanwezigheid van een basisschool (School)

De variabele aanwezigheid van een basisschool is een dummy variabele. Bij de aanwezigheid van een basisschool of meerdere basisscholen in de buurt krijgt deze buurt de waarde 1 toegekend. Bij het ontbreken van een basisschool in de buurt krijgt de buurt de waarde 0 toegekend. De data over scholen in de gemeente Amsterdam is verkregen bij het OIS.

De aanwezigheid van een school kan een en invloed hebben op de WOZ-waarde, aangezien ouders met kinderen mogelijk liever in een buurt wonen in de nabijheid van een basisschool, om reistijd en -afstand te minimaliseren. Hierdoor zijn mogelijk (voor huishoudens met kinderen) buurten met een basisschool meer intrekt dan een buurt zonder een basisschool. De literatuur wees al uit dat de aanwezigheid van een basisschool in de nabijheid een positief effect kan hebben op de waarde van een woning. Tevens werd dichtbij een basisschool geassocieerd met een negatief effect. Opvallend in de datagegevens is dat buurten met een school over het algemeen een veel lagere WOZ-waarde kennen, dan buurten met een school. In 2018 hadden 146 van de 386

buurten een basisschool. De gemiddelde WOZ-waarde per vierkante meter in een buurt met een basisschool bedroeg afgrond 1589,-, terwijl de gemiddelde WOZ-waarde per vierkante meter in een buurt zonder een school maar liefst afgerond 2907,- bedroeg. Of de aanwezigheid van een basisschool zo’n grote impact kan hebben valt te betwijfelen. Wel kan het voorkomen dat een gemeente een school plaatst op een plek waar de grond relatief goedkoper is.

5.4 Niet-significante variabelen

Naast alle variabele die hierboven zijn besproken, zijn tijdens dit onderzoek ook variabele ge-toetst die tijdens de regressieanalyses niet significant of multicollineair met een andere variabele bleken te zijn. Deze variabelen zijn binnen de regressieanalyses niet verder meegenomen.

Zo bleek De variabele ‘aandeel niet-westerse bevolking’ een zeer sterke multicollineariteit te hebben met de variabele ‘aandeel sociale huurwoningen’. De keuze om de variabele ‘aandeel sociale huurwoningen’ mee te nemen ten koste van het ‘aandeel niet-westerse bevolking’ in de verdere regressieanalyse viel doordat deze variabele een grotere bijdrage leverde aan de totale verklarende variantie. Daarnaast werd er in de vergelijkbare regressieanalyses vaker met deze variabele gewerkt, ook al waren er ook onderzoeken die allebei de variabelen meenamen9 .

Een andere onafhankelijke variabele die werd gebruikt was de ontwikkeling van het aandeel nieuwbouwwoningen. Wanneer een buurt een hoog aandeel nieuwbouwwoningen zou hebben, zou dat een positief effect kunnen hebben op de gemiddelde WOZ-waarde per vierkante meter. Nieuwbouwwoningen blijken namelijk duurder te zijn dan vergelijkbare woningen uit voorgaande bouwperiodes15. Echter bleek deze variabele niet significant in alle regressieanalyses. Een reden hiervoor kan zijn dat de percentages aan de lage kant waren en dat er hierdoor moeilijk een verband met de afhankelijke variabele te leggen is. Daarnaast werd het gebruik van de variabele bemoeilijkt doordat het aandeel niet voor elke jaartal beschikbaar was.

5.5 Beschrijvende Tabel

Om de datagegevens overzichtelijk te presenteren kan gebruik worden gemaakt van een ‘beschrij-vende tabel’. Deze tabel geeft de informatie over de gebruikte variabelen binnen een regressie-analyse weer. Zo worden in de onderstaande tabel 1 het aantal observaties (N), het gemiddelde (Gem.), de standaarddeviatie (St.Dev), het minimum (Min.) en het maximum (Max.) waarde van een variabele weergegeven.

Variable N Gem. Std. Dev. Min Max WOZ-waarde 386 4491,075 1404,379 1874 7587 Zuidas 386 6501,813 2812,869 0 14000 IJ-oevers 386 5435,751 3043,727 0 14000 Sociale huur 386 0,381 0,270 0 1 Werkgelegenheid 386 1083,816 1588,726 28 16711 Bevolkingsdichtheid 386 13558,521 8002,651 35 35786 Groen & Water 386 0,211 0,201 0 0,987

School 386 0,378 0,486 28 1

Tabel 1: Beschrijvende tabel: Klassieke regressieanalyse 2018

Tabel 1 geeft de informatie weer voor de klassieke regressieanalyse van 2018. Binnen deze regressieanalyse zijn 386 buurten meegenomen. In de appendix tabel 6 en 7 zijn de beschrijvende tabellen voor de periode regressies (2005 – 2009 en 2014 – 2018) te zien.

5.6 Aannames multiple regressieanalyse

Bij het uitvoeren van een statistische analyse moeten bepaalde aannames worden gemaakt over de datagegevens. Wanneer blijkt dat bepaalde datagegevens niet voldoen aan de gestelde aan-names, kunnen bepaalde conclusies in twijfel worden getrokken. Bij een multivariabele regres-sieanalyse zijn bij uitstek de onderstaande drie aannames van belang.36

5.6.1 Normale verdeling residuen

De eerste aanname binnen een multivariabele regressieanalyse is dat de residuen normaal ver-deeld moeten zijn. Er zijn verschillende manieren om te visuliseren of de residuen over een normale verdeling beschikken. Een manier is door de residuen te plotten in een histogram.7 _In

figuur 6 is de normale verdeling van de periode regressieanalyses van 2005 - 2009 (links) en 2014 - 2018 (rechts) in een histogram weergegeven.

Figuur 6: Histogfammen van de normale verdeling van de residuen van de periode regressies 2005 - 2009 (links) en 2014 - 2018 (rechts)

Uit figuur 6 blijkt dat de residuen voor de periode regressieanalyses beide sterk vergelijkbaar zijn met de normaal verdeling. Hierdoor kan in zekere mate worden aangenomen dat de residuen voor beide periode regressieanalyses normaal verdeeld zijn.

5.6.2 Homoscedasticiteit

De tweede aanname voor een multivariabele regressieanalyse is dat de residuen homoscedastici-teit en niet van heteroscedasticihomoscedastici-teit vertonen. Homoscedasticihomoscedastici-teit kijkt of de residuen evenredig verdeeld zijn. Om te kijken of de residuen normaal verdeeld zijn kan er een scatterplot-analyse worden gedaan.10 Wanneer de scatterplot een evenredige verdeling van de residuen laat zien, oftewel wanneer een helder patroon tussen de x-as en y-as ontbreekt kan er worden aangenomen dat de residuen homoscedastisch zijn. In figuur 7 zijn de scatterplot-analyses te zien van de periodes regressie 2005 - 2009 (links) en 2014 - 2018 (rechts).

Figuur 7: Scatterplot-analyse van de residuen van de periode regressies 2005 - 2009 (links) en 2014 - 2018 (rechts)

Figuur 7 laat een evenredige verdeling van de datagevens zien, waarbij geen herkenbaar patroon van de residuen (y-as) over de afstand van de Zuidas (x-as) zichtbaar is. Hierdoor kan in zekere mate worden aangenomen dat de residuen van de beide periode regressieanalyses homoscedastisch zijn.

5.6.3 Multicollineariteit

Als laatste is het van belang bij een multivariabele regressieanalyse dat variabelen niet onder-ling correleren. Er mag dus geen sprake zijn van Multicollineariteit. Wanneer variabelen met elkaar correleren betekent dat, dat beide variabelen een gedeelde verklarende variantie hebben. Hierdoor worden de regressieresultaten in mindere mate betrouwbaar, waardoor conclusies in twijfel kunnen worden getrokken.

Om te controleren of onafhankelijke variabelen geen multicollineariteit vertonen kan er onder ander Pearson correlatietoets worden uitgevoerd. Deze toets is in tabel 2 weergegeven.

Zuidas IJ-oevers Sociale Werk- Bevolk- Groen Scholen huur gelegenheid ingsdichtheid & Water

Zuidas 1,0000

IJ-oevers 0,3858 1,0000

Sociale huur 0,2715 0,1567 1,0000

Werkgelegenheid 0,2190 0,1152 0,0753 1,0000

Bevolkingsdichtheid -0,3658 -0,3659 0,1176 0,1668 1,0000

Groen & Water 0,3812 0,1016 -0,1732 0,0180 -0,4097 1,0000

Scholen -0,0123 0,1539 0,0814 -0,186 0,0415 -0,1149 1,0000

Tabel 2: Pearson’s collineariteits-toets resultaten van alle meegenomen onafhankelijke va-riabelen

Uit tabel 2 komt naar voren dat alle meegenomen onafhankelijke variabelen niet met elkaar correleren. Aangenomen wordt dat bij een Pearson’s correlatie co¨effici¨ent waarde van ρ ≥ 0, 5 er sprake is van multicollineariteit34 . Hierdoor is het gebruik van alle onafhankelijke variabelen in de regressieanalyses verantwoord.

6

Resultaten

In dit hoofdstuk ligt de focus op de analyse van de regressieresultaten. Op basis van de be-schikbaarheid van de data, die in het vorige hoofdstuk ter sprake is gekomen, zijn meerdere regressieanalyses uitgevoerd. De resultaten van deze regressieanalyses worden in dit hoofdstuk geanalyseerd en met elkaar vergeleken. Als eerste wordt er gekeken naar de lineaire verbanden tussen afstand tot de Zuidas en de WOZ-waarde. Vervolgens worden de resultaten van een serie klassieke regressies geanalyseerd. Daarna worden er ook nog twee periode regressies met elkaar vergeleken. Deze periode analyses worden nog versterkt met een visualisering van de data.

6.1 Lineair verband

Wanneer er een onderzoek wordt gedaan naar het effect van een bepaalde locatie op de woning-waarde, kan er worden gekeken of er een lineair verband is tussen twee variabelen. Door middel van een scatterplot-analyse worden de twee variabelen tegen elkaar uitgezet. Deze scatterplot kan visualiseren of een verband lineair is en waar mogelijke outliers liggen.

In figuur 8 is een scatterplot-analyse gedaan van ’de afstand tot de Zuidas’ (x-as) en ’relatieve waardeontwikkeling van de WOZ-waarde per vierkante meter’ (y-as) in 2018 ten opzichte van 2005. Hierbij is de afstand tot de Zuidas gemeten in meters en de relatieve waardeontwikkeling van de WOZ-waarde, gemeten in procenten, weergegeven.

Figuur 8: Lineaire verband tussen de afstand tot de Zuidas (x-as) en de relatieve waarde-ontwikkeling van de WOZ-waarde per vierkante meter in procenten

Direct opvallend is het negatieve lineaire verband tussen ’de afstand tot de Zuidas’ en ’de relatieve waardeontwikkeling van de WOZ-waarde per vierkante meter’ in 2018 ten opzichte van 2005. Er is een sterke clustering van buurten waarneembaar die een relatieve WOZ-waarde ontwikkeling hebben doorgemaakt van ongeveer 40%. Deze buurten liggen voornamelijk binnen 6000 meter afstand van de Zuidas. Daarnaast valt op dat naarmate de afstand toeneemt de buurten zich sterker verspreiden over de y-as. Zogenaamde ’outliers’ vallen nu sterker op.

De relatieve ontwikkeling van buurten neemt zichtbaar af, wanneer de afstand tot de Zuidas toe neemt. Zo valt op dat er pas vanaf 7000 meter afstand tot de Zuidas buurten zijn die re-latieve ontwikkeling hebben doorgemaakt van minder dan 20%. Dit zijn voornamelijk buurten uit het Amsterdamse stadsdeel Zuidoost. Toch staan er ook buurten aan andere kant van de lineaire verwachtingslijn. Op meer dan 7000 meter afstand van de Zuidas, liggen buurten die een sterke relatieve ontwikkeling hebben doorgemaakt.

Een deel van deze buurten ligt in Amsterdam Noord. In Amsterdam Noord wordt namelijk sterk ingespeeld op de wensen van jonge gezinnen. Zij zijn op zoek naar een ruimere woning, maar binnen de ring A10 zijn deze woningen schaars en erg duur. Vanwege de ontwikkelings-mogelijkheden van Amsterdam Noord, is daar de laatste tijd goed op ingespeeld. Amsterdam Noord ligt relatief dichtbij het centrum en er is ruimte beschikbaar om te ontwikkeling. Daarom is dit stadsdeel sterk in trek bij onder andere jonge gezinnen. Daarom ontwikkelt het stadsdeel zich op het gebied van WOZ-waarde ook sterk.

In figuur 9 is wederom een scatterplot-analyse gedaan. Dit maal van ’de afstand tot de Zuidas’ (x-as) en de ’absolute waardeontwikkeling van de WOZ-waarde per vierkante meter’ (y-as) in 2018 ten opzichte van 2005. Hierbij is de afstand tot de Zuidas gemeten in meters en de absolute waardeontwikkeling van de WOZ-waarde per vierkante meter in Euro’s weergegeven.

Figuur 9: Lineaire verband tussen de afstand tot de Zuidas (x-as) en de absolute waarde-ontwikkeling van de WOZ-waarde per vierkante meter in Euro’s

Direct opvallend is het negatieve lineaire verband tussen de afstand tot de Zuidas en de absolute waardeontwikkeling van de WOZ-waarde per vierkante meter in 2018 ten opzichte van 2005. Hieruit kan opgemaakt worden dat naarmate de afstand tot de Zuidas toeneemt, de ab-solute waardeontwikkeling van de WOZ-waarde per vierkante meter van een buurt afneemt in de periode 2005 – 2018.

In figuur 9 is een sterker afnemend verband zichtbaar, met zichtbare clustering. Zo is er een clustering te zien, boven de lineaire verwachtingslijn, van buurten op ongeveer 5000 meter afstand van de Zuidas die een absolute ontwikkeling van ongeveer 2500 Euro per vierkante meter hebben doorgemaakt. De andere clustering is aan de onderzijde van de lineaire verwachtingslijn zichtbaar. Hier bevinden zich vooral buurten die een absolute ontwikkeling van minder dan 1000 Euro per vierkante meter hebben doorgemaakt.

Echter kent deze scatterplot ook outliers aan beide kanten van de lineaire verwachtingslijn binnen de gemeente Amsterdam. Daarin vormen buurten in Buitenveldert de eerste groep out-liers. Deze buurten, die dichtbij de Zuidas liggen, worden gekenmerkt door een bovengemiddeld aandeel sociale huurwoningen. Het aandeel sociale huurwoningen kan volgens de literatuur9 een negatief effect hebben op de woningwaarde van koopwoningen, waardoor mogelijk deels te verklaren valt waarom Buitenveldert een onder gemiddelde WOZ-waarde ontwikkeling heeft.