DE HUURSCHATTER Deel 2. Het gebruik van de Huurschatter. Roel Helgers & Frank Vastmans

Transcriptie

1 DE HUURSCHATTER Deel 2. Het gebruik van de Huurschatter Roel Helgers & Frank Vastmans

2

3 DE HUURSCHATTER Deel 2. Het gebruik van de Huurschatter Roel Helgers & Frank Vastmans Promotor: prof. dr. Erik Buyst Leuven, oktober 2016

4 Het Steunpunt Wonen is een samenwerkingsverband van de KU Leuven, de Universiteit Hasselt, de Universiteit Antwerpen en de Afdeling OTB Onderzoek voor de gebouwde omgeving van de TUD (Nederland). Binnen het Steunpunt verzamelen onderzoekers van verschillende wetenschappelijke disciplines objectieve gegevens over de woningmarkt en het woonbeleid. Via gedegen wetenschappelijke analyses wensen de onderzoekers bij te dragen tot een langetermijnvisie op het Vlaamse woonbeleid. Het Steunpunt Wonen wordt gefinancierd door de Vlaamse overheid, binnen het programma Steunpunten voor Beleidsrelevant Onderzoek Gelieve naar deze publicatie te verwijzen als volgt: Helgers R. & Vastmans F. (2016), De Huurschatter. Deel 2. Het gebruik van de Huurschatter, Steunpunt Wonen, Leuven, p. 41. Voor meer informatie over deze publicatie In deze publicatie wordt de mening van de auteur weergegeven en niet die van de Vlaamse overheid. De Vlaamse overheid is niet aansprakelijk voor het gebruik dat kan worden gemaakt van de opgenomen gegevens. D/2016/4718/038 ISBN STEUNPUNT WONEN Niets uit deze uitgave mag worden verveelvuldigd en/of openbaar gemaakt door middel van druk, fotokopie, microfilm of op welke andere wijze ook, zonder voorafgaande schriftelijke toestemming van de uitgever. No part of this book may be reproduced in any form, by mimeograph, film or any other means, without permission in writing from the publisher. p.a. Secretariaat Steunpunt Wonen HIVA - Onderzoeksinstituut voor Arbeid en Samenleving Parkstraat 47 bus 5300, BE 3000 Leuven Deze publicatie is ook beschikbaar via

5 Voorwoord Kan men op een objectieve en gebruiksvriendelijke manier een huurprijs schatten? Daartoe heeft de Vlaamse Overheid de Huurschatter, een online tool, in 2013 gelanceerd. Het uitgangspunt van het onderzoek naar de Huurschatter bevat diverse elementen. In eerste instantie wordt nagegaan indien de data die de gebruikers hebben ingevoerd, gebruikt kunnen worden om het model te updaten. Alle opzoekingen door gebruikers worden immers opgeslagen en de gegevenscombinatie van woningkenmerken en huurprijzen zijn zeer bruikbaar om een hedonische huurprijsanalyse uit te voeren. Deze vormt de basis voor het rekenkundig model achter de webapplicatie. Het onderzoek rond de Huurschatter bestaat uit diverse delen: In deel 1 wordt een eerste algemene analyse van de Huurschatter besproken. Deze analyse is uitgevoerd in 2015 en bevat een globale bespreking van de resultaten en een eerste update. De Huurschatter bood echter nog verdere mogelijkheden tot onderzoek, waardoor besloten werd een volgend ad hoconderzoek uit te voeren in 2016 met drie thema s: In deel 2 wordt uitvoeriger ingezoomd op het gebruik van de Huurschatter. In deel 3 wordt staat de log lineaire benadering centraal. Deze modellering van de hedonische methode bevat enkele interessante eigenschappen en geeft goede resultaten. De resultaten van de verschillende delen worden vervolgens De Huurschatter: samenvatting besproken. In een apart onderzoek het derde luik van het onderzoek uit 2016 is nagegaan hoe de Huurschatter gebruikt kan worden om de huurmarktwaarde van sociale woningen te schatten. Aangezien dit onderzoek eerder een toepassing is, en een praktische vertaalslag van data wordt dit niet apart gepubliceerd. De belangrijkste resultaten komen wel aan bod in de samenvatting van het onderzoek rond de Huurschatter. In dit deelrapport, deel 2 het gebruik van de Huurschatter, wordt een beschrijving gegeven van alle opzoekingen van de Huurschatter. Onderwerpen die aan bod komen zijn de evolutie overheen de tijd, de kenmerken van de gebruiker, de representativiteit, De Huurschatter. Deel 2. Het gebruik van de Huurschatter v

6

7 Inhoud 1. Inleiding 1 2. Gebruik Huurschatter Opzoekingen Tijd Ruimte Unieke opzoekingen, vervolgopzoekingen, spielerei en gepaarde waarnemingen Hoelang spelen gebruikers binnen éénzelfde cyclus? Met welke karakteristieken spelen gebruikers? Panden in huidige staat en waar de huurprijs is ingevuld Welke huurders maken gebruik van de Huurschatter Wat kunnen we zeggen over verhuurders? Geregistreerde gebruikers Huurschatter Wat kunnen we leren uit de userid? Kunnen we het totale aantal gebruikers berekenen? Huurschatter Groot Woononderzoek Conclusie 32 Bibliografie 34 De Huurschatter. Deel 2. Het gebruik van de Huurschatter vii

8 1. Inleiding Op 16 april 2013 lanceerde de Vlaams minister van Wonen de website een webapplicatie waar huurders en verhuurders kunnen nagaan of de huurprijs die hij of zij betaalt of ontvangt fair is. Deze online toepassing, waarbij gebruikers de woningkenmerken en locatie van een woning of appartement gelegen in het Vlaams Gewest kunnen invoeren, geeft een schatting van een marktconforme huurprijs. De eerste versie van deze Huurschatter werd gebaseerd op de resultaten van een onderzoeksrapport Huurprijzen en richthuurprijzen. Deel III: Hedonische huurprijsanalyse (Vastmans et al., 2012). In dit rapport gebruikten de onderzoekers voornamelijk schattingen door notarissen omtrent de markthuurwaarden van sociale woningen en combineerden deze gegevens met een woning en omgevingskarakteristieken. Hoewel het aantal observaties in de dataset beperkt (+/ 2 400) was, konden de onderzoekers beschikken over objectief ingevulde woningkarakteristieken. Na het schatten van een hedonisch huurprijsmodel werden de resultaten verder verfijnd en vertaald naar een gebruiksvriendelijk formaat dat gebruikt kon worden voor de concrete implementatie door Wonen Vlaanderen, de beheerder van huurschatter.be, in de online toepassing. Na lancering van de website in april 2013 zorgde de media aandacht voor een intensief gebruik van de online toepassing tijdens de eerste weken. De ingegeven data door gebruikers, welke bijgehouden werd en wordt door Wonen Vlaanderen, kon op haar beurt gebruikt worden om het model te updaten en verder te verfijnen. In 2015 volgde een eerste update, welke wordt beschreven in Huurschatter. Deel 1. Een eerste algemene analyse (Vastmans & Laheye, te verschijnen), waarbij de onderzoekers konden beschikken over de verzamelde gegevens door Wonen Vlaanderen. Van de ongeveer records werden ongeveer (ofwel 1/3) observaties gebruikt voor de update van het hedonisch prijsmodel. In hun rapport stond de algemene analyse centraal op welke manier deze nieuwe gegevens die door de gebruikers ingevoerd werden, gebruikt kunnen worden voor een update van het model en in welke mate dit accuraat kan gebeuren. In dit rapport staat centraal wie de Huurschatter gebruikt en hoe de Huurschatter gebruikt wordt. Op 5 februari 2016 werd een volledige export van de Huurschatter databank verzameld door Wonen Vlaanderen geleverd aan de onderzoekers. Het aangeleverde txt bestand bevat records zoals ingegeven door gebruikers van de Huurschatter. Naast de fysische en omgevingskarakteristieken van ieder individueel pand worden ook de adresgegevens deze worden gebruikt om rekening te houden met het zogenaamde statistische sectoreffect in de schatting van een objectieve huurprijs en het moment van opzoeking bij te houden. Aangezien de adressen ingevuld worden door de gebruikers met behulp van dropdownmenu s worden zij automatisch gekoppeld aan de relevante statistische sectoren en andere (administratieve) niveaus van aggregatie. Een simpele verkenning van de database leert ons dat er unieke adressen werden ingevuld door gebruikers. Ongeveer adressen, ofwel 31,5% van alle unieke adressen, werden dan ook meerdere keren ingegeven door (verschillende) gebruikers. Mogelijke redenen hiervoor zijn (1) vervolgopzoekingen (éénzelfde gebruiker consulteert de Huurschatter op meerdere momenten voor eenzelfde object), (2) spielerei (éénzelfde gebruiker voltooit meerdere opzoekingen van eenzelfde pand op één moment), (3) gepaarde waarnemingen (een pand wordt opgezocht door zowel de huurder als de verhuurder), of (4) foutief ingeven van het huisen/of busnummer. In sectie 2.2 zullen we de relatieve groottes van elk van deze verklaringen proberen De Huurschatter. Deel 2. Het gebruik van de Huurschatter 1

9 te kwantificeren aan de hand van enkele assumpties. Aangezien ook potentiële huurders/verhuurders en andere geïnteresseerden de Huurschatter kunnen consulteren is het niet noodzakelijk dat de gebruiker de huurprijs en/of aanvangsdatum van het huurcontract ingeeft. Ook kan de gebruiker aangeven dat het niet de huidige staat van het pand betreft. We observeren dat er records zijn waar de huurprijs is ingegeven en de gebruiker aangeeft dat het de huidige staat van het pand betreft. Deze records hebben betrekking op unieke adressen. De voorgaande noties geven reeds aan dat we het gebruik van de Huurschatter gedetailleerd in kaart kunnen brengen. Aangezien gebruikers van de Huurschatter ook de mogelijkheid hebben zich te registeren, kunnen we aan de hand van een unieke userid ook iets zeggen over het gebruik door unieke gebruikers. De opzet van dit onderzoeksrapport is tweeledig. In een volgende sectie (sectie 2) gaan we de lezer eerst een meer uitgebreid overzicht verschaffen van het gebruik van de Huurschatter. We zullen hierbij focussen op het gebruik doorheen de tijd en kunnen ook nagaan in welke mate de Huurschatter de geografisch representatief is door de gegevens te vergelijken met die van de Census Uiteraard zullen we hierbij ook rekening houden met het gebruik door verschillende types van gebruikers. Hoewel de Huurschatter databank een uitermate rijke bron van gegevens is, worden er omwille van privacy redenen geen gegevens (bv. IP adres) bijgehouden die inzicht kunnen bieden in het aantal unieke gebruikers. Desondanks hebben gebruikers de mogelijkheid om zich, voor aanvang, te registreren. De geregistreerde gebruikers krijgen een unieke userid toegewezen die als additionele variabele wordt toegevoegd in de databank. Op deze manier werden records verzameld die werden ingevuld door unieke gebruikers. In sectie 3 gaan we na welke informatie we kunnen achterhalen op basis van de unieke userid. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 2

10 2. Gebruik Huurschatter Vooraleer het gebruik van de Huurschatter te schetsen geven we een kort overzicht van de verschillende stappen van de webtoepassing. Na de startpagina, waar de mogelijkheid gegeven wordt om zich als gebruiker te registreren, met het voordeel dat men vorige opzoekingen terug kan opvragen, start de eigenlijke webtoepassing. In een eerste stap wordt gevraagd indien men een huurder is, verhuurder, ander type gebruiker, met mogelijke onderverdelingen. Vervolgens wordt gevraagd indien men de Huurschatter gebruikt voor een huurwoning met of zonder lopend huurcontract, en als de woningkenmerken overeenkomen met de werkelijke plaatsbeschrijving dan wel eerder verkennend zijn. In stap 3 wordt het adres gevraagd en in een laatste stap de woningkenmerken. Deze bevatten de initiële huurprijs bij aanvang van het contract (indien toepasselijk), algemene info over de woning, zoals bouwjaar, aantal slaapkamers, bewoonbare oppervlakte, type woning, garage, parking, bouwlagen, verdiepingen, lift. Maar ook subjectiever velden als een oordeel over de uitrusting van de keuken, badkamer, staat van de binnenkant en van de buitenkant, alsook enkele energiegerelateerde vragen omtrent soort verwarming, beglazing, dakisolatie. Hij kon ook een eigen waardering ingeven. In de laatste stap werd dan de berekende huurprijs gegeven in de vorm van een prijsinterval. 2.1 Opzoekingen Tijd Zoals reeds aangehaald bevat de huidige export van de Huurschatter databank records en leidde de uitgebreide media aandacht tot een intensief gebruik van de online applicatie in de eerste dagen na de introductie van de online applicatie op 16 april Meer specifiek observeren we dat er opzoekingen werden voltooid in de week van introductie (week 16, 2013). In de daaropvolgende week werden nog maar opzoekingen voltooid. Figuur 1 visualiseert het aantal opzoekingen per week vanaf de derde week na introductie. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 3

11 Figuur 1 Aantal opzoekingen per week w w w w w w w w w w2 2014w6 2014w w w w w w w w w w w w2 2015w6 2015w w w w w w w w w w w w2 Duidelijk zichtbaar is dat de Huurschatter vooral gebruikt werd gedurende de eerste weken na de introductie en het gebruik afneemt overheen de tijd. Waar het aantal opzoekingen per maand in 2013 nog elke maand, m.u.v. december, meer dan bedroeg, werden er in 2014 en 2015 respectievelijk gemiddeld nog maar en opzoekingen afgerond per maand. Aangezien de Huurschatter gebruikt kan worden door verschillende types van gebruikers kunnen we ook evalueren wie de Huurschatter gebruikt en de respectievelijke evoluties van het aandeel van opzoekingen door een type gebruiker. In tabel 1 geven we een overzicht van het aantal en percentage opzoekingen door verschillende types van gebruikers. In figuur 2 presenteren we een 4 spreidingsdiagrammen, één voor ieder type van gebruiker, waar we het aandeel in de totale opzoekingen afzetten op weekbasis. De globale trends in de evolutie van de aandelen worden weergegeven door de rode lijnen, welke gebaseerd zijn op een semi parametrische schattingsmethode. 1 Tabel 1 Aantal en percentage opzoekingen door verschillende types gebruikers Type gebruiker # Opzoekingen % Opzoekingen Andere ,90 Huurder ,09 Immo ,25 Verhuurder ,76 Totaal Meer specifiek werd gebruik gemaakt van het lpoly commando in Stata (14). Dit commando voert een zogenaamde Kernelweighted local polynomial smoothing procedure uit. Hierbij worden de resultaten van meerdere lokale regressieanalyses, waarbij enkel gebruik wordt gemaakt van naburige observaties (in dit geval de weken voor en na de week van de regressieanalyse) en kunnen de resultaten gevisualiseerd worden in één enkele figuur, welke in ons geval de globale evolutie overheen de tijd weergeeft. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 4

12 Een blik op tabel 1 leert ons dat ongeveer 60% van alle ingevingen gedaan is door verhuurders en 31% door huurders. De resterende 9% komen voor rekening van andere gebruikers (+/ 8%) en immokantoren (+/ 1%). Ondanks deze globale percentages is het aandeel opzoekingen door de verschillende types van gebruikers niet constant overheen de tijd, zoals zichtbaar in figuur 2. Figuur 2 Andere Evolutie aandeel opzoekingen door verschillende types van gebruikers Huurders Immo Verhuurders Uit de spreidingsdiagrammen en bijbehorende (rode) trendlijnen blijkt duidelijk dat het aandeel opzoekingen door gebruikers die aangeven huurder te zijn afneemt doorheen de tijd. Waar in de eerste weken nog meer dan 30% van de opzoekingen gedaan wordt door huurders, neemt dit af tot gemiddeld minder dan 20% in de eerste weken van Het spiegelbeeld observeren we voor de categorie verhuurders, waar het aandeel opzoekingen gedurende de eerste weken na de introductie onder de 60% lag en langzaam is toegenomen tot iets boven de 70% vanaf Ruimte Aangezien we beschikken over de adresgegevens en bijbehorende statistische sectoren van meer dan opzoekingen sinds april 2013 kunnen we ook nagaan in welke mate de opzoekingen geografisch verspreid zijn en een representatief beeld vormen van de (totale) Vlaamse huurmarkt. Hiertoe kunnen we het aantal opzoekingen in de Huurschatter vergelijken met de gegevens uit de Census 2011 De Huurschatter. Deel 2. Het gebruik van de Huurschatter 5

13 vergelijken voor verschillende niveaus van aggregatie. We starten in tabel 2 met een vergelijking tussen het aantal opzoekingen en het aantal huurwoningen per provincie. Tabel 2 Provincie Aantal opzoekingen Huurschatter (opgesplitst naar type gebruiker) en aantal huurwoningen Census 2011 per provincie Totaal Huurwoningen Census 2011 (2) (1)/(2) Type gebruiker Andere Huurder Immo Verhuurder (1) Antwerpen , ,95% 30,87% 0,87% 60,3% Limburg , ,95% 28,32% 1,51% 63,21% Oost Vlaanderen , ,77% 31,91% 1,5% 58,83% Vlaams Brabant , ,93% 33,89% 0,79% 57,38% West Vlaanderen , ,52% 28,97% 1,86% 60,65% Totaal , ,9% 31,09% 1,25% 59,76% Uit tabel 2 blijkt dat het aantal opzoekingen per provincie schommelt tussen voor Limburg en voor de provincie Antwerpen. Hoewel het aantal opzoekingen in de provincie Antwerpen dus meer dan 3 maal zo hoog is als in Limburg zijn er in de provincie Antwerpen ook veel meer huurwoningen ( ) als in Limburg (81 634), hetgeen een belangrijke verklaring biedt. Wanneer we kijken naar het aantal opzoekingen per huurwoning per provincie zien we dat dit gemiddeld rond de 0,3 ligt en dat er kleine verschillen zijn voor de verschillende provincies. Zo bedraagt deze ratio 0,328 in Vlaams Brabant en 0,264 in West Vlaanderen. Bemerk dat deze ratio niet gelijk is aan de fractie van opgezochte huurwoningen, omwille van een aantal redenen. Ten eerste wordt hetzelfde adres vaak meermaals opgezocht en ligt het aantal opzoekingen dus hoger dan het aantal adressen. Ten tweede zijn niet alle opgezochte woonhuizen en appartementen noodzakelijk huurwoningen, daar gebruikers ook de mogelijkheid hebben de huurprijs van bijvoorbeeld hun eigen koopwoning te schatten. Wanneer we tot slot kijken naar de aandelen voor de verschillende types van gebruikers zien we ook hier dat er maar kleine verschillen bestaan tussen de Vlaamse provincies. Voor de Vlaamse centrumsteden observeren we een gelijkaardig beeld. We zien dat het aantal opzoekingen per centrumstad in sterke mate overeenkomt met het aantal huurwoningen volgens de Census Het aantal opzoekingen per huurwoning schommelt tussen de 0,2 (Genk) en 0,382 (Hasselt). Ook zien we wederom dat de aandelen opzoekingen door verschillende types van gebruikers wederom relatief constant zijn. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 6

14 Tabel 3 Centrumstad Aantal opzoekingen Huurschatter (opgesplitst naar type gebruiker) en aantal huurwoningen Census 2011 per centrumstad Totaal Huurwoningen Census 2011 (2) (1)/(2) Type gebruiker Andere Huurder Immo Verhuurder (1) Niet centrumstad , ,36% 29,69% 1,31% 60,64% Aalst , ,41% 27,4% 2,96% 63,24% Antwerpen , ,74% 32,05% 0,77% 60,44% Brugge , ,3% 35,23% 1,03% 54,45% Genk , ,98% 25,75% 1,2% 66,07% Gent , ,17% 37,46% 1,24% 54,12% Hasselt , ,95% 27,78% 1,18% 65,09% Kortrijk , ,67% 27,32% 1,9% 62,11% Leuven , ,5% 42,28% 0,52% 50,7% Mechelen , ,71% 27,67% 0,75% 62,87% Oostende , ,36% 30,86% 2,57% 59,21% Roeselare , ,24% 27,42% 1,81% 62,53% Sint Niklaas , ,19% 30,55% 1,01% 61,25% Turnhout , ,59% 29,32% 1,55% 61,53% Totaal , ,9% 31,09% 1,25% 59,76% De Huurschatter. Deel 2. Het gebruik van de Huurschatter 7

15 2.2 Unieke opzoekingen, vervolgopzoekingen, spielerei en gepaarde waarnemingen Tot nog toe hebben we enkel gekeken naar het aantal opzoekingen, zonder daarbij rekening te houden dat eenzelfde pand meerdere keren ingevoerd kan zijn door (verschillende gebruikers). We zagen reeds dat de records betrekking hadden op unieke adressen, hetgeen impliceert dat de Huurschatter gemiddeld 1,77 keer geconsulteerd is voor eenzelfde adres. In figuur 3 presenteren we een histogram van het aantal opzoekingen per adres. Figuur 3 Histogram aantal opzoekingen per adres Zoals reeds eerder aangehaald zijn er meerdere mogelijke verklaringen waarom een adres meerdere keren wordt opgezocht. Ten eerste zijn er gebruikers, die omwille van onzekerheid of simpelweg uit interesse, meerdere keren achter éénzelfde pand ingeven. Dit zullen we in het vervolg bestempelen als spielerei. Ten tweede zijn er gebruikers die voor éénzelfde pand de Huurschatter meerdere keren consulteren. Deze observaties zullen we in het vervolg vervolgopzoekingen noemen. Uiteraard kan tijdens een vervolgopzoeking de Huurschatter ook meerdere keren kort achter elkaar (spielerei) geconsulteerd worden. Een derde mogelijke verklaring zijn panden die zowel door de huurder als de verhuurder worden ingegeven. Dit zijn de zogenaamde gepaarde waarnemingen. Tot slot zijn er de foutieve ingaven van het huis en/of busnummer. Hierbij worden bijvoorbeeld meerdere appartementen (met in werkelijkheid verschillende busnummers) binnen éénzelfde appartementsgebouw door verschillende gebruikers bijvoorbeeld in de databank ingevoerd zonder busnummer, maar met hetzelfde huisnummer. In het vervolg van deze sectie zullen we de relatieve groottes van elk van deze mogelijkheden proberen te kwantificeren. Hierbij gaan we gebruik maken van meerdere variabelen, zoals het adres, de datum en het tijdstip van opzoeking en het type gebruiker. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 8

16 Teneinde een onderscheid te maken tussen enerzijds vervolgopzoekingen en anderzijds spielerei kunnen we de datum en het tijdstip van opzoeking als criteria gebruiken. Hierbij dienen we een veronderstelling te maken over de maximale tijd tussen twee opzoekingen voor hetzelfde adres teneinde een onderscheid te kunnen maken tussen vervolgopzoekingen en spielerei. In een eerste stap sorteren we alle observaties volgens adres (straat, huisnummer, busnummer en postcode) en de datum en het tijdstip van opzoeking. We beschouwen de eerste observatie voor ieder adres als een nieuwe opzoeking. Wanneer we nu een uur als criterium beschouwen zal de tweede observatie voor hetzelfde adres als een vervolgopzoeking beschouwd worden wanneer zij heeft plaatsgevonden meer dan een uur na de eerste (unieke) opzoeking en zal zij geclassificeerd worden als spielerei wanneer dit niet het geval is en er dus minder dan één uur verstreken is tussen de eerste opzoeking en de volgende opzoeking. In de onderstaande tabel visualiseren we deze logica. Tabel 4: Voorbeeldtabel identificatie vervolgopzoekingen vs. spielerei Rij Adres Adres ID Datum en tijdstip van berekening Adres cyclus ID Op zoeking ID Vervolgopzoeking Spielerei 1 Straat 1 bus 1, :42: Nee Nee 2 Straat 1 bus 1, :45: Nee Ja 3 Straat 1 bus 1, :42: Nee Ja 4 Straat 1 bus 1, :53: Ja Nee 5 Straat 2 bus 2, :05: Nee Nee 6 Straat 2 bus 2, :09: Nee Ja 7 Straat 2 bus 2, :14: Ja Nee De eerste vier rijen in de tabel 4 hebben betrekking op één adres (Straat 1 bus 1, 9999). De eerste opzoeking (rij 1) wordt hierbij beschouwd als een unieke opzoeking. Aangezien de tijd tussen opzoekingen 1 en 2 minder dan een uur bedraagt wordt de tweede opzoeking beschouwd als spielerei. Hetzelfde geldt voor de derde opzoeking welke heeft plaatsgevonden binnen het uur na de tweede opzoeking. De vierde opzoeking daarentegen vindt volgens de criteria plaats binnen een nieuwe cyclus, aangezien deze meer dan een uur later heeft plaatsgevonden. Deze wordt dan ook beschouwd als een vervolgopzoeking. Rijen 5 7 hebben eveneens betrekking op één adres (Straat 2 bus 2, 9999), maar deze opzoekingen hebben allen plaatsgevonden op dezelfde dag. De eerste opzoeking vormt wederom een unieke opzoeking. Opzoeking 2 wordt beschouwd als spielerei, aangezien de tijd tussen opzoekingen 1 en 2 niet meer dan een uur bedraagt. Opzoeking 3 daarentegen heeft pas later plaatsgevonden en wordt derhalve beschouwd als een vervolgopzoeking. Volgens deze logica kunnen we het aantal observaties als gevolg van vervolgopzoekingen en als gevolg van spielerei berekenen. In tabel 5 geven we een globaal overzicht, waarbij we met verschillende criteria (maximale tijd tussen opzoekingen) experimenteren. Wanneer we kijken naar het aantal adrescycli zien we dat dit varieert tussen de en Bemerk dat het aantal adrescycli afhankelijk is van het aantal uren dat we als criterium nemen. Meer specifiek neemt het aantal adrescycli af wanneer we het maximaal aantal uren tussen twee opeenvolgende opzoekingen laten toenemen. Dit is logisch, aangezien de kans dan groter is dat een volgende opzoeking tot dezelfde adrescyclus behoort. Als gevolg gaan er minder adrescycli zijn. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 9

17 Tabel 5 Vervolgopzoekingen versus spielerei (globaal beeld) Max. # uren # Adrescycli # spielerei # vervolgopzoekingen (70,70%) (29,30%) (14,13%) (69,20%) (30,80%) (12,63%) (68,59%) (31,41%) (12,01%) (67,31%) (32,69%) (10,74%) Bemerking: de gegevens in deze tabel zijn berekend op basis van records en unieke adressen. Het aantal opzoekingen als gevolg van spielerei kan eenvoudig berekend worden door het aantal adrescycli in mindering te brengen bij het totale aantal opzoekingen. Vermits dat we weten dat unieke adressen in onze database zitten kunnen we het aantal vervolgopzoekingen berekenen door de volgende formule: # adrescycli De getallen tussen haakjes zijn de percentages t.o.v. het totale aantal opzoekingen. Hoewel tabel 5 reeds een eerste licht werpt op de relatieve grootte van het aantal opzoekingen als gevolg van spielerei ten opzichte van het aantal vervolgopzoekingen, missen er toch nog een aantal elementen. Zo wordt er geen rekening gehouden met de mogelijkheid dat een pand is opgezocht door zowel de huurder als de verhuurder (gepaarde waarnemingen). Teneinde het aantal gepaarde waarnemingen te extraheren dienen we gebruik te maken van de variabele type gebruiker. Aangezien een gebruiker tijdens het experimenteren (spielerei) met de Huurschatter ook de variabele type gebruiker kan aanpassen, veronderstellen we dat een gebruiker tijdens de eerste opzoeking binnen een cyclus zijn ware type ingeeft. Door gebruik te maken van deze informatie kunnen we de tabel 5 ook opsplitsen naar type gebruiker. Het totaal aantal opzoekingen per adres verschilt naar gelang het type gebruiker. Deze verhouding is met 1,50 gemiddeld het laagst voor huurder en andere type gebruikers. Voor immokantoren stijgt dit tot 1,58 en voor verhuurders verder tot 1,79. Zoals uit tabel 6 blijkt ligt deze verhouding bij verhuurders hoger omdat ze meer spelen met de Huurschatter, alsook omdat ze meer vervolgopzoekingen doen. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 10

18 Tabel 6 Max. # uren Aantal opzoekingen/adrescycli en adressen naar type gebruiker Type gebruiker # Opzoeking Adrescycli Spielerei # Adressen Vervolgopzoekingen (2)/(3) (1) (2) (1)/(2) (3) 1 Andere , ,06 Huurder , ,12 Immo , ,05 Verhuurder , ,22 Totaal , ,17 6 Andere , ,05 Huurder , ,1 Immo , ,04 Verhuurder , ,2 Totaal , ,15 12 Andere , ,05 Huurder , ,09 Immo , ,04 Verhuurder , ,19 Totaal , ,14 24 Andere , ,04 Huurder , ,08 Immo , ,03 Verhuurder , ,18 Totaal , ,13 Uit tabel 6 kunnen we nu ook eenvoudig het aantal gepaarde waarnemingen berekenen door het aantal adressen (3), te verminderen met het aantal unieke adressen ( ) in onze dataset, aangezien het surplus tot stand is gekomen als gevolg van ingevingen door verschillende types van gebruikers. Aan de hand van de gegevens van de eerste rij (cyclus <1 uur) van tabel 6 krijgen we een eerste benadering van gepaarde waarnemingen ( ). Is dit aannemelijk? Onder de veronderstellingen dat (1) enkel huurwoningen ingegeven worden en (2) huurders en verhuurders onafhankelijk van elkaar opzoekingen doen (de kans dat een woning wordt opgezocht door de huurder is gelijk aan de kans dat een woning wordt opgezocht door de verhuurder) kunnen we ook het verwachte aantal gepaarde waarnemingen berekenen. De kans dat een huurwoning door een huurder is ingegeven bij de Huurschatter kan bepaald worden als het aantal observaties met een uniek adres door huurders ingegeven, nl , gedeeld door het aantal huurwoningen in het Vlaams Gewest, volgens de Census 2011 (inclusief sociale woningen). 6,28% van de huurwoningen is dus door een huurder ingegeven. Voor een verhuurder ligt dit met 10,19% (77 549/ ) nog hoger. De kans dat een huurwoning door zowel een huurder als verhuurder is ingegeven bedraagt dan 0,64% (6,32%*10,19%). Het totaal aantal verwachte gepaarde waarnemingen voor heel Vlaanderen is dan (0,64% * ). De Huurschatter. Deel 2. Het gebruik van de Huurschatter 11

19 De onderstaande formule formaliseert dit. # # # # # # #. #. # Tot slot kunnen we ook het aantal vervolgopzoekingen en het aantal opzoekingen als gevolg van spielerei opnieuw berekenen door rekening te houden met het aantal gepaarde waarnemingen. De resultaten worden gepresenteerd in tabel 7. Tabel 7 Max. # uren # (verwachte) gepaarde waarnemingen, # vervolgopzoekingen en # opzoekingen als gevolg van spielerei voor verschillende criteria # Adrescycli # verwachte gepaarde waarnemingen # gepaarde waarnemingen # vervolgopzoekingen # spielerei (6,13%) (26,40%) (67,47%) (5,64%) (23,45%) (70,92%) (5,38%) (22,29%) (72,33%) (4,79%) (19,93%) (75,27%) Wanneer we kijken naar het aantal verwachte gepaarde waarnemingen en het aantal effectieve gepaarde waarnemingen, zien we dat het aantal effectieve gepaarde waarnemingen altijd boven het verwachte aantal ligt. Dit wijst erop dat er een zeker selectieproces is van gebruikers van de Huurschatter, aangezien bij random gebruik het aantal verwachte en effectieve opzoekingen gelijk zou zijn aan elkaar. Intuïtief uitgelegd gebruiken huurders en verhuurders van dezelfde panden de Huurschatter. In sectie bestuderen we welke types van huurders meer/minder de Huurschatter gebruiken. We kunnen nu ook kijken naar het aantal opzoekingen, adrescycli en adressen (en de vergelijking met huurwoningen uit de Census 2011) per provincie en per centrumstad. We starten in tabel 8 met een opsplitsing naar provincie. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 12

20 Tabel 8 Provincie # opzoekingen, adrescycli, adressen en huurwoningen per provincie (24 uren tussen opzoekingen) Adrescycli # Opzoekingen Opzoekingen/ adrescyclus # Adressen Adrescycli/ adressen # Huurwoningen (Bron: Census 2011) # Adressen/ # huurwoningen (in %) Antwerpen , , ,35 Limburg , , ,52 Oost Vlaanderen , , ,95 Vlaams Brabant , , ,79 West Vlaanderen , , ,81 Totaal , , ,17 Wanneer we kijken naar het aantal opzoekingen per adrescyclus, zien we dat dit redelijk constant is overheen de verschillende provincies. Waar gebruikers in Vlaanderen gemiddeld 1,49 opzoekingen doen per adrescyclus (24 uur tussen opzoekingen als criterium om tot dezelfde adrescyclus te behoren), varieert dit tussen de 1,45 voor West Vlaanderen en 1,53 voor Antwerpen. Ook het aantal adrescycli per adres is relatief stabiel voor de verschillende provincies. Dit schommelt tussen de 1,15 (West Vlaanderen) en 1,23 (Antwerpen). Wanneer we vervolgens het aantal unieke adressen uit de Huurschatter vergelijken met het aantal huurwoningen uit de Census 2011, zien we dat ook dit redelijk stabiel is voor de verschillende provincies. We dienen hierbij echter rekening te houden dat niet alle adressen die geraadpleegd worden in de Huurschatter noodzakelijk huurwoningen betreffen en dat dit percentage dus een overschatting is van het percentage huurwoningen dat opgezocht is. In tabel 9 voeren we eenzelfde oefening uit voor de Vlaamse centrumsteden. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 13

21 Tabel 9 Centrumstad # opzoekingen, adrescycli, adressen en huurwoningen per centrumstad (24 uren tussen opzoekingen) # Opzoekingen # Adrescycli Opzoekingen/ adrescyclus # Adressen Adrescycli/ adressen # Huurwoningen (Bron: Census 2011) # Adressen/ # huurwoningen (in %) Aalst , , ,98 Antwerpen , , ,35 Brugge , , ,91 Genk , , ,73 Gent , , ,07 Hasselt , , ,48 Kortrijk , , ,38 Leuven , , ,38 Mechelen , , ,32 Oostende , , ,24 Roeselare , , ,90 Sint Niklaas , , ,08 Turnhout , , ,91 Niet centrumstad , , ,86 Totaal , , ,17 Wanneer we het aantal opzoekingen, adrescycli, adressen en huurwoningen uitsplitsen naar centrumstad, zien we wederom dat er relatief weinig regionale variatie is. Het aantal opzoekingen per adrescyclus varieert tussen de 1,4 (Hasselt) en 1,63 (Antwerpen) en het aantal adrescycli per adres varieert tussen de 1,14 (Roeselare) en 1,34 (Antwerpen). Wanneer we kijken naar het aantal opgezochte adressen ten opzichte van het aantal huurwoningen, zien we dat ook dit redelijk stabiel is. Houdt echter wederom in het achterhoofd dat dit niet noodzakelijk gelijk is aan, en waarschijnlijk een overschatting is van, het percentage huurwoningen dat opgezocht is in de Huurschatter aangezien gebruikers ook de (potentiële) huurprijs van hun eigen koopwoning kunnen consulteren Hoelang spelen gebruikers binnen éénzelfde cyclus? Tot nu toe hebben we afgebakend hoe we unieke opzoekingen, vervolgopzoekingen en spielerei definiëren. We houden hierbij rekening met het ingevulde adres en het tijdstip van opzoeking. Elk adres kreeg een eigen ID toegewezen. Wanneer er meerdere opzoekingen geregistreerd werden voor éénzelfde adres werden deze aan één of meerdere adrescycli toegewezen op basis van de tijd tussen de verschillende opzoekingen. Nu we bepaald hebben welke opzoekingen tot één adrescyclus behoren, kunnen we ook berekenen hoelang gebruikers spelen binnen éénzelfde adrescyclus en welke kenmerken zij veranderen. In tabel 9 presenteren we enkele beschrijvende statistieken omtrent hoelang gebruikers spelen binnen eenzelfde cyclus. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 14

22 Tabel 10 Maximaal aantal uren tussen opzoekingen Hoelang spelen gebruikers binnen éénzelfde cyclus? Gemiddelde duur in minuten Mediane duur in minuten Adrescycli met meer dan 1 opzoeking Standaarddeviatie in minuten P5 in minuten P95 in minuten ,44 2,57 11,16 0,53 28, ,89 2,93 62,27 0,55 152, ,72 3,08 132,75 0,55 300, ,18 3,42 345,62 0, ,83 We zien dat het aantal adrescycli met meer dan één opzoeking varieert tussen de (max. een uur tussen opeenvolgende opzoekingen) en (max. 24 uur tussen opeenvolgende opzoekingen). Het aantal adrescycli met meer dan één opzoeking neemt logischerwijs toe met het maximaal aantal uren dat tussen twee opéénvolgende opzoekingen mag verstrijken, aangezien in dat geval meer opzoekingen tot eenzelfde adrescyclus worden gerekend. Wanneer we kijken naar de gemiddelde en mediane duur in minuten zien we dat de gemiddelde duur sterk toeneemt met het maximaal aantal uren dat mag verstrijken, terwijl de mediane duur relatief constant blijft. Daar het gemiddelde gevoelig is aan extreme waarden zullen enkele adrescycli waarbij opzoekingen gebeurd zijn over meerdere uren het gemiddelde dan ook sterk omhoog duwen. De mediane duur in minuten toont duidelijk aan dat ongeveer de helft van de gebruikers meerdere opzoekingen voltooit binnen 2 a 3 minuten. Wel tonen de respectievelijke standaarddeviaties en percentielen (5 e en 95 e percentiel) aan dat er grote verschillen bestaan tussen de verschillende gebruikers Met welke karakteristieken spelen gebruikers? We kunnen niet enkel kwantificeren hoelang gebruikers gemiddeld gebruik maken van de Huurschatter binnen éénzelfde adrescyclus, maar kunnen ook nagaan welke kenmerken, gemiddeld genomen, het vaakste veranderen/veranderd worden door de gebruikers. Hierbij dient rekening gehouden te worden met het feit dat we enkel gebruik kunnen maken van adrescycli waarbinnen meerdere opzoekingen hebben plaatsgevonden. Gebruikers kunnen karakteristieken veranderen omdat zij bijvoorbeeld onzeker zijn over de ware waarde en doen dan meerdere opeenvolgende opzoekingen om na te gaan hoe gevoelig de schatting is ten opzichte van het veranderen van bepaalde kenmerken. Ook kan deze methode bijvoorbeeld gebruikt worden door verhuurders om te evalueren of een bepaalde investering rendabel is (bv. verschil geschatte huurprijs dubbel versus enkel glas). In tabel 11 geven we weer hoe vaak bepaalde karakteristieken veranderd worden door gebruikers binnen éénzelfde adrescyclus. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 15

23 Tabel 11 Met welke karakteristieken spelen gebruikers? Variabele Max. aantal uren tussen opzoekingen (in %) Plaats 1 uur 6 uur 12 uur 24 uur Bewoonbare oppervlakte 36,87 39,97 41,18 43,58 1 Inschatting huurprijs 28,47 31,92 33,26 35,99 2 Verdieping 21,56 24,72 25,97 28,2 3 Oppervlakte terras 21,01 24,44 25,82 28,41 4 Huurprijs aanvang contract 19,97 23,31 24,63 27,12 5 Ruimte 17,86 20,53 21,49 23,53 6 Keuken 18,26 20,11 20,86 22,32 7 Oppervlakte tuin 18,42 20,09 20,86 22,29 8 Verwarming 16,23 18,9 19,97 22,06 9 Woningstaat intern 16,86 18,9 19,67 21,37 10 Sanitair 16,35 18,41 19,21 20,71 11 Bouwjaar 13,98 17,57 19,02 21,84 11 Aantal slaapkamers 17,3 18,55 19,07 20,16 11 Woningstaat extern 14,3 16,41 17,3 18,92 14 Ligging 13,1 15,38 16,39 18,32 15 Dakisolatie 12,91 15,13 15,97 17,76 16 Beglazing 12,07 14,03 14,83 16,52 17 Omgevingshinder 10,99 13,11 13,96 15,52 18 Uitzicht 11,27 13,14 13,93 15,47 19 Natuurlijke lichtinval 10,73 12,88 13,69 15,35 20 Aantal bouwlagen 10,99 12,41 13,12 14,42 21 Garage 10,8 12,14 12,66 13,5 22 Ventilatie 9,71 11,55 12,3 13,92 23 Type verhuurder 8,97 11,01 11,89 13,73 24 Aantal verdiepingen 7,65 10,58 11,57 13,73 25 Leefbaarheid 8,87 10,65 11,38 12,89 26 Type gebruiker 7,3 9,5 10,47 12,38 27 Aanpasbaar mindervaliden 5,97 7,49 8,01 9,08 28 Type bebouwing 4,2 4,58 4,73 4,97 29 Huidige staat 3,26 3,54 3,67 3,87 30 Lift aanwezig 2,8 3,24 3,42 3,82 31 Type object 2,58 2,85 2,98 3,23 32 Warm water niet aanwezig 0,82 0,86 0,89 0,94 33 Misschien verassend zien we dat de bewoonbare oppervlakte vaak (+/ 40% van de gevallen) wordt aangepast. Dit wijst er mogelijk op dat de bewoonbare oppervlakte een moeilijk in te schatten variabele is, maar gezien het belang in de huurprijsberekening wel een belangrijke en onmisbare. Helemaal onderaan de lijst zien we dat de waarde van de variabele warm water niet aanwezig bijna nooit veranderd wordt door gebruikers. 2.3 Panden in huidige staat en waar de huurprijs is ingevuld Hoewel de Huurschatter databank beschikt over meer dan opzoekingen door verschillende (types van) gebruikers is het niet noodzakelijk dat een gebruiker de huurprijs ingeeft. Op deze manier kunnen bijvoorbeeld ook potentiële toekomstige verhuurders gebruikmaken van de Huurschatter bij het bepalen van een faire huurprijs. Tijdens ongeveer de helft van alle opzoekingen ( records) vulde de gebruiker de huurprijs bij aanvang contract in en gaf hij aan dat het een pand in de huidige staat betrof. Deze ongeveer opzoekingen hebben betrekking op adressen, hetgeen impliceert dat een gemiddeld adres ongeveer 1,57 keer wordt ingegeven (1,77 voor de gehele database). De Huurschatter. Deel 2. Het gebruik van de Huurschatter 16

24 In tabel 12 geven we een overzicht van het aandeel opzoekingen door de verschillende types van gebruikers. Tabel 12 Aantal en percentage opzoekingen door verschillende types van gebruikers Type gebruiker # Opzoekingen % Opzoekingen % t.o.v. alle opzoekingen Huurder ,84 66,96 Verhuurder ,16 48,41 Totaal ,64 Bemerking: enkel gebruikers die aangeven dat zij huurder of verhuurder zijn, kunnen de (laatste) huurprijs ingeven wanneer zij de Huurschatter consulteren. Wanneer we kijken naar tabel 12 zien we dat het totale aantal opzoekingen van opgedeeld kan worden in opzoekingen (ofwel 41,84%) opzoekingen door huurders en opzoekingen (ofwel 58,16%) door verhuurders. We kunnen deze aantallen opzoekingen waar de huurprijs is ingevuld en aangegeven wordt dat het pand in de huidige staat wordt omschreven ook vergelijken met het totale aantal opzoekingen door huurders en verhuurders. We zien dan dat 66,96% van de gebruikers die aangeeft huurder te zijn, de huurprijs invult en het pand in de huidige staat beschrijft, terwijl dit slechts 55,64% is voor verhuurders. Wanneer de gebruiker aangeeft huurder te zijn, gebruikt hij met andere woorden vaker de Huurschatter om echt de huurprijs die hij betaalt te evalueren. Gebruikers die aangeven verhuurder te zijn, gebruiken de Huurschatter mogelijk ook om een faire huurprijs voor het verhuren van hun eigen koopwoning te schatten. Gebruikers die aangeven huurder te zijn vullen dus, gemiddeld genomen, vaker de huurprijs in en geven aan dat zij het pand in de huidige staat beschrijven. In figuur 2 zagen we al dat het percentage opzoekingen door huurders afneemt doorheen de tijd. We kunnen nu ook het percentage opzoekingen waar de huurprijs wordt ingevuld en de gebruiker aangeeft dat hij/zij het pand in de huidige staat beschrijft per week berekenen. In figuur 4 geven we deze evolutie weer. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 17

25 Figuur 4 Evolutie per week van het percentage opzoekingen waar de (laatste) huurprijs is ingevuld en de gebruiker aangeeft dat hij/zij het pand in de huidige staat beschrijft Duidelijk zichtbaar is dat het percentage opzoekingen dat aan de criteria voldoet afneemt doorheen de tijd. Hierbij dient nog in het achterhoofd gehouden te worden dat het aantal opzoekingen sowieso sterk afneemt doorheen de tijd. In tabel 13 splitsen we de bovenstaande analyse op per provincie en gaan we na welke van de 2 criteria (huurprijs vs. huidige staat) het vaakst wordt geschonden. Verder berekenen we het aantal unieke adressen per provincie en vergelijken we deze variabele met aantal huurwoningen volgens de Census De Huurschatter. Deel 2. Het gebruik van de Huurschatter 18

26 Tabel 13 # en % opzoekingen per provincie waar huurprijs is ingevuld en het pand in de huidige staat omschreven wordt en het # unieke adressen Provincie Huurprijs (1) Huidige staat (2) (1)+(2) # Adressen Antwerpen (50,3%) (94,43%) (49,4%) (8,47%) Limburg (50,51%) (94,1%) (49,75%) (8,05%) Oost Vlaanderen (51,25%) (94,45%) (50,52%) (10,14%) Vlaams Brabant (50,28%) (94,17%) (49,36%) (9,56%) West Vlaanderen (50,21%) (94,63%) (49,59%) (8,21%) Totaal (50,55%) (94,39%) (49,75%) (8,95%) Bemerking: de percentages in de eerste drie kolommen worden berekend door het aantal observaties waar de huurprijs en/of huidige staat is ingevuld te delen door het totale aantal records per provincie. Bij het berekenen van het percentage in de laatste kolom maken we gebruik van het aantal huurwoningen per provincie zoals gerapporteerd in de Census Uit tabel 13 is duidelijk zichtbaar dat vooral de huurprijs niet wordt ingevuld door gebruikers. Voor slechts 50,55% van de opzoekingen wordt de huurprijs ingevuld, terwijl de gebruiker in 94,39% van de gevallen aangeeft dat het de huidige staat van het pand betreft. Ook zien we weer duidelijk dat er amper regionale verschillen zijn. Zo wordt in 50,21% van alle opzoekingen in West Vlaanderen de huurprijs ingevuld, terwijl de huurprijs in 51,25% van alle opzoekingen in Oost Vlaanderen wordt ingevuld. Interessanter is de 4 e kolom, waar we het aantal unieke adressen weergeven per provincie waarvoor de huurprijs is ingevuld en het pand in de huidige staat wordt omschreven. We zien dat nu gemiddeld 8,95% van de huurwoningen wordt opgezocht. Daar het nu wel enkel panden betreft waarvoor een huurprijs is ingevuld, kunnen we aannemen dat dit ongeveer het percentage huurwoningen betreft dat opgezocht is door gebruikers van de Huurschatter. Uit de tabel wordt duidelijk dat 8,21% van de huurwoningen in West Vlaanderen is opgezocht, terwijl 10,14% van de woningen in Oost Vlaanderen is opgezocht. In tabel 14 voeren we dezelfde oefening uit voor de 13 Vlaamse centrumsteden. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 19

27 Tabel 14 # en % opzoekingen per centrumstad waar huurprijs is ingevuld en het pand in de huidige staat omschreven wordt en het # unieke adressen Provincie Huurprijs (1) Huidige staat (2) (1)+(2) # Adressen Aalst ,41% ,81% ,07% ,15% Antwerpen ,02% 93,85% 49,91% 6,65% Brugge ,09% 95,15% 51,47% 8,63% Genk ,59% 93,91% 48,89% 6,05% Gent ,47% 94,17% 51,62% 11,12% Hasselt ,54% 93,83% 49,53% 10,98% Kortrijk ,12% 93,82% 46,66% 8,28% Leuven ,74% 94,81% 53,82% 12,52% Mechelen ,58% 94,68% 46,99% 9,42% Oostende ,72% 97,12% 56,23% 7,72% Roeselare ,69% 91,93% 47,27% 9,57% Sint Niklaas ,91% 94,68% 52,78% 7,83% Turnhout ,55% 92,46% 50,67% 8,66% Niet centrumstad ,85% 94,51% 49,11% 9,14% Totaal ,55% ,39% ,75% ,97% Bemerking: de percentages in de eerste drie kolommen worden berekend door het aantal observaties waar de huurprijs en/of huidige staat is ingevuld te delen door het totale aantal records per centrumstad. Bij het berekenen van het percentage in de laatste kolom maken we gebruik van het aantal huurwoningen per centrumstad zoals gerapporteerd in de Census Daar de resultaten in tabel 14 nauwelijks afwijken van die gepresenteerd in tabel 13 behoeven zij weinig verdere uitleg. We kunnen nu ook kijken naar het opzoekingsgedrag door verschillende types van gebruikers. We veronderstellen hierbij dat de gebruikers tijdens de eerste opzoeking van iedere adrescyclus zijn ware gebruikerstype ingeeft. In tabel 15 presenteren we de resultaten. De Huurschatter. Deel 2. Het gebruik van de Huurschatter 20

28 Tabel 15 Maximaal aantal uren tussen opzoekingen # opzoekingen, adrescycli en adressen wanneer de huurprijs is ingevuld voor verschillende criteria Type gebruiker Adrescycli # Opzoekingen Opzoekingen/ adrescyclus # Adressen Adrescycli/ adressen 1 Huurder , ,11 Verhuurder , ,22 Totaal , ,17 6 Huurder , ,1 Verhuurder , ,2 Totaal , ,15 12 Huurder , ,09 Verhuurder , ,19 Totaal , ,14 24 Huurder , ,07 Verhuurder , ,17 Totaal , ,13 Wanneer we kijken naar het aantal opzoekingen per adrescyclus, zien we dat dit structureel hoger is voor verhuurders dan voor huurders. Verhuurders spelen dus vaker met de Huurschatter. Een mogelijkheid is dat zij de Huurschatter gebruiken om de meerwaarde van eventuele investeringen te evalueren. Ook zien we dat verhuurders vaker meerdere adrescycli per adres gebruiken. Verhuurders doen met andere woorden vaker vervolgopzoekingen voor éénzelfde adres. Een mogelijkheid is dat verhuurders gebruik hebben gemaakt van de Huurschatter toen deze gelanceerd werd en de Huurschatter weer gebruiken wanneer zij op zoek moeten gaan naar een nieuwe huurder. Ook nu kunnen we het aantal gepaarde waarnemingen berekenen. Daar we nog slechts gebruik maken van observaties zal het aantal gepaarde waarnemingen logischerwijs lager liggen dan voorheen. In tabel 16 presenteren we de resultaten. Tabel 16 # verwachte en effectieve gepaarde waarnemingen Max. # uren # verwachte gepaarde waarnemingen # gepaarde waarnemingen Net als in tabel 7 zien we dat het effectieve aantal gepaarde waarnemingen hoger is dan het aantal verwachte gepaarde waarnemingen. Zoals reeds eerder aangehaald veronderstellen we dat huurders en verhuurders onafhankelijk van elkaar woningen opzoeken om het verwachte aantal gepaarde waarnemingen te berekenen. Dit resultaat wijst er dan ook op dat de opzoekingen niet geheel onafhankelijk van elkaar gebeuren. In tabellen 8 en 9 berekenden we reeds het aantal opzoekingen, adrescycli en adressen voor de Vlaamse provincies en de 13 centrumsteden. We kunnen eenzelfde uitoefening uitvoeren voor de nieuwe dataset waar we enkel observaties beschouwen waar de huurprijs is ingevuld en de gebruiker De Huurschatter. Deel 2. Het gebruik van de Huurschatter 21