Woning verkopen? Juli en december beste maanden

Transcriptie

1 Woning verkopen? Juli en december beste maanden Het effect van seizoenen op de koopwoningmarkt Frank van der Harst, Paul de Vries 3 juli 208 Seizoenpatronen zorgen jaarlijks voor structureel terugkerende maandelijkse verschillen in het aantal woningverkopen. Aan het einde van het jaar en in juli verwisselen structureel meer woningen van eigenaar dan in bijvoorbeeld januari, de maand met de minste eigendomsoverdrachten. Om de ontwikkelingen op de woningmarkt te begrijpen, heeft het Kadaster het effect van seizoenen in beeld gebracht. Conclusie: de eerste helft van 208 was een goed kwartaal, in het tweede kwartaal werden minder woningen verkocht dan verwacht. Meer verkopen in december en juli, weinig in januari In december wisselen de meeste woningen van eigenaar en in januari de minste. Dat is al 24 jaar zo en door deze herhaling spreken we van een seizoenpatroon. In de periode wijkt alleen 2008, het startjaar van de crisis, af van deze trend. Figuur laat het volgende seizoenpatroon zien: - Januari is altijd de maand met de minste transacties; - Na januari stijgt het aantal transacties tot het begin van de lente in maart; - Na een lichte daling in april stijgt het aantal woningverkopen richting de zomer met een piek in juli; - Na een daling in augustus en september is er een lichte stijging in de herfst in oktober; - In november ligt het aantal woningverkopen gemiddeld lager en in de laatste maand van het jaar is altijd sprake van grote stijging. Figuur Gemiddeld aantal woningverkopen per maand Omdat er sprake is van een structureel seizoenpatroon, is het lastig om te beoordelen of het beter of slechter gaat met het aantal verkopen. In januari worden veel minder woningen verkocht dan in december, maar dat wil dus niet automatisch zeggen dat het slecht gaat met de koopwoningmarkt in januari. Het gaat pas slecht als er minder wordt verkocht dan wordt verwacht op basis van het seizoenpatroon.

2 Beleid op de woning- en hypotheekmarkt verstoort het seizoenpatroon Aandeel van juni in het jaartotaal De hiervoor gepresenteerde ontwikkeling geeft het normale terugkerende patroon van het aantal verkopen per maand. Er treden echter altijd verstoringen op die dit normale beeld verdoezelen en zelfs tot uitschieters kunnen leiden. Een voorbeeld van zo n verstoring is het in per juli 202 ingevoerd rijksbeleid op de hypotheek- en woningmarkt. Toentertijd anticipeerden woningkopers op een verhoging van de overdrachtsbelasting per juli 202. In juni 202 werden extra veel woningen gekocht. De groene stip in figuur 2 laat dat zien. Een tweede voorbeeld van de verstoring van het normale seizoenpatroon is de nieuwe wettelijke norm aanzien van de verhouding tussen de maximale hypotheek en de waarde van de woning. Voor afgesloten hypotheken vanaf januari 203 geldt dat men alleen recht heeft op hypotheekrenteaftrek als de schuld volledig in dertig jaar wordt afgelost. Hierdoor werden in december 202 veel meer woningen verkocht dan normaal. Abnormale afwijkingen als die in 202 keren niet jaarlijks terug, daarom moet het seizoenpatroon hiervoor gecorrigeerd worden. In de bijlage (berekening seizoenpatroon, trend en andere invloeden) gaan we uitgebreid in op de methode die we hiervoor gebruiken. Topdrukte in juli en december Normaliter wordt het maandelijkse seizoeneffect gegeven als een percentuele afwijking van de lange termijntrend (tabel ). De lange termijntrend, oftewel de conjunctuur is dus de ontwikkeling van het aantal woningverkopen alsof de maandelijkse omstandigheden niet wijzigen, alsof er geen seizoeneffect of onregelmatigheid is. Als de trend stijgt, dan gaat het beter met de koopwoningmarkt, als de trend daalt, dan gaat het slechter. Als seizoenpatroon zien we dat januari structureel de grootste negatieve afwijking van de trend heeft en december grootste positieve afwijking. Verder is sinds de crisisperiode het seizoenpatroon licht gewijzigd door het nieuwe overheidsbeleid. In de periode lag in januari het aantal transacties gemiddeld 26% lager dan de lange termijntrend als gevolg van het seizoen, in december lag het aantal transacties 43% hoger door het seizoen. Dit seizoeneffect is berekend door de gemiddelden te nemen over alle jaren. De periodes en zijn hierin los berekend, omdat er na de crisis een lichte verschuiving lijkt te hebben plaatsgevonden. Om deze seizoenpatronen vast te stellen, is gebruik gemaakt van alle woningtransacties vanaf januari 993 tot en met april % 2% 0% 8% 6% 4% 2% 0% Figuur 2 Aandeel van maand juni in het jaartotaal ten Gemiddelde Gemiddelde Januari -3% -26% Februari -7% -4% Maart -3% -5% April -5% -5% Mei +2% -5% 2

3 Juni -% -4% Juli +5% +3% Augustus +5% +2% September -3% -% Oktober +2% +4% November -% -4% December +37% +43% Tabel Gemiddelde afwijking per maand van de lange termijntrend Eerste kwartaal 208: iets meer verkopen dan verwacht Op basis van het 2-maandvoorschrijdendgemiddelde en het seizoenpatroon (tabel ) maken wij een schatting van het aantal woningtransacties per maand in 208 (tabel 2). We zien bijvoorbeeld dat in december 207 minder woningen van eigenaar zijn gewisseld dan op basis van de seizoenpatronen kon worden verwacht. Voor het eerste kwartaal 208 geldt alleen dat februari tegen viel. In januari werden meer woningen verkocht dan op basis van de lange termijntrend en het maandelijkse seizoenpatroon kon worden verwacht en in maart was het verschil dusdanig klein dat we het verschil als niet relevant beoordelen. We hadden te maken met een boven trendmatig aantal eigendomsoverdrachten in het eerste kwartaal 208. Voor het tweede kwartaal van 208 geldt juist dat er minder woningen verkocht zijn dan trendmatig voorspeld was. De conclusie voor het eerste kwartaal kan verwarrend zijn omdat er sprake is van een lager aantal woningverkopen in het eerste kwartaal van dit jaar ten opzichte van het eerste kwartaal 207. Het aantal verkopen daalt al maanden. Wij rekenen echter het aantal te verwachte transacties uit door de actuele dalende lange termijntrend te corrigeren voor het seizoeneffect. Hoewel dus de lange termijntrend de afgelopen maanden daalt, was de daling in het eerste kwartaal sterker geweest als het normale seizoenpatroon was gevolgd. 3

4 Werkelijk verwachting boven/onder de trend Aantal transacties x.000 woningen Aantal obv seizoenpatroon Verschil *) 207 Januari Februari Maart April Mei /- Juni Juli Augustus 2 2 +/- September Oktober /- November /- December Januari Februari Maart /- April Mei Juni 8 9 +/- Bron: Kadaster Verschil *) : ++ of --: meer dan 2% verschil; + of -: tot 2% verschil, +/-: tussen de - en + verschil Tabel 2 Inschatting aantal woningtransacties onder of boven lange termijntrend 4

5 Bijlage: berekening seizoenpatroon, trend en andere invloeden Het herkennen van seizoenpatronen is van belang om te kunnen oordelen of de toename van het aantal verkopen wordt veroorzaakt door een normaal terugkerend patroon of de toename komt door extra woningverkopen. Als dat laatste het geval is, dan gaat het beter op de koopwoningmarkt. Daarom delen wij het aantal transacties per maand op in drie componenten, een seizoencomponent, een onregelmatige component en een trendcomponent (figuur 3). Dat doen we met behulp van trendanalyse, een statistische methode die hiervoor geschikt is (juli oktober 205) Trend Seizoencomponent Onregelmatige component Figuur 3 Particuliere woningtransacties uitgesplitst naar trend, seizoen en onregelmatige component (juli 995 oktober 205) De stippellijn betreft het jaar 202 met eerder genoemde uitschieter. Dit jaar nemen we niet mee in berekening van het seizoenpatroon. Seizoencomponent - De seizoencomponent is het deel van het aantal verhandelde woningen dat is toe te wijden aan de maand. Dit is een jaarlijks terugkerend effect, zoals een verhoogd aantal transacties in juli en december. In figuur 3 zijn met name de pieken in juli en december en het dal in januari zichtbaar. Verder valt gelijk op dat het patroon jaarlijks terugkeert. Er is sprake van een structureel patroon. Onregelmatige component - De onregelmatige component is het deel van het aantal verhandelde woningen dat door andere, nietsystematische, effecten wordt veroorzaakt. Een voorbeeld is de piek in december 204 (gele lijn figuur 3), dat was toentertijd de laatste maand waarin gebruikt gemaakt kon worden van de tijdelijke regeling waarin er euro belastingvrij mocht worden geschonken voor aankoop van een woning. Ook de start van de crisis in 2008 is te zien in de onregelmatige component. Trendcomponent - Uiteindelijk gaat het om de trendcomponent. De ontwikkeling van deze lange termijntrend geeft aan of het beter of slechter gaat op de koopwoningmarkt. De lange termijntrend wordt ook wel eens de conjunctuur van het aantal verkopen op de koopwoningmarkt genoemd. Je krijgt alleen maar zicht op de conjunctuur als het aantal woningverkopen maandelijks wordt gecorrigeerd voor seizoeninvloeden en voor onregelmatigheden. De trendcomponent is de lange termijnontwikkeling van het aantal transacties. 5

6 Als de trend stijgt, dan kan men concluderen dat er meer woningen verkocht worden. Immers, de trend is gecorrigeerd voor het seizoenpatroon en de onregelmatigheid. Trendanalyse Om een degelijke trendanalyse uit te voeren, is ten eerste een lange tijdreeks nodig. Onze analyse is gebaseerd op de transactiedata over de periode januari april 208. Ten tweede is voor het herkennen van het seizoenpatroon, de langtermijntrend en de onregelmatigheidscomponent een behoorlijke aanloop- en uitloopperiode noodzakelijk. De methode checkt als het ware of een stijging in een bepaalde maand in een bepaalde jaar wordt herhaald in de volgende jaren. Als dat zo is, dan is er sprake van een seizoenpatroon, anders van een onregelmatigheid. Hierdoor kunnen de seizoenpatronen vanaf oktober 205 niet berekend, maar alleen geschat worden. Wij nemen aan dat de gevonden patronen over de periode juli 995 tot en met oktober 205 ook gelden voor de actuele jaren. Als laatste is in onze analyse 202 niet meegenomen. De afwijkingen tussen de werkelijke aantallen en de berekende aantallen gebaseerd op de seizoenpatronen waren te groot in dat jaar. Wij zien die als uitbijters die het zicht op de seizoenpatronen vertroebelen. De toegepaste methode wordt verderop in het grijze tekstbox trendanalyse uitgelegd. Arima-methode Om de trend en het seizoen te herkennen, maken wij gebruik van de Arima-methode. Het grote nadeel van de door deze Arima-methode is de lange aanloop- en uitloopperiode waardoor er geen actuele lange termijntrend, seizoenpatronen, en onregelmatige component kunnen worden bepaald. Er kan dus niet gelijk een uitspraak worden gedaan of het aantal transacties in een actuele maand meer dan gemiddeld boven of onder de trend ligt. Daar is wel behoefte aan. Daarom vergelijken wij de Arima lange termijntrend met die van eenvoudigere methoden zoals een 2-maandvoorschrijdend gemiddelde op exponentiele smoothing (figuur 4). Het voordeel van deze twee laatste methoden is dat beide de trend schatten voor de meest actuele periode. De aanname is dat als de drie trendlijnen min of meer dezelfde ontwikkeling volgen, dat we dan de berekende seizoenpatronen (tabel ) kunnen combineren met het voortschrijdend 2-maandsgemiddelde om een indruk te krijgen van de conjunctuur op de koopwoningmarkt. Figuur 4 laat zien dat er is geen reden om aan te nemen dat een van de drie methoden een significant andere ontwikkeling volgt. En dus is het mogelijk om de vastgestelde seizoenpatronen te combineren met de ontwikkeling van het 2-maandsvoortschrijdengemiddelde om zodoende uitspraken te doen over de conjunctuur op de koopwoningmarkt. 6

7 Aantal transacties Bron: Kadaster arimax smooting 2-maand Figuur 4 Lange termijntrends aantal transacties Kanttekening: verschil tussen koopovereenkomst en overdracht notaris In dit artikel kijken we naar de woningtransacties die bij het Kadaster zijn geregistreerd. Dit is het moment waarop de juridische overdracht plaatsvindt bij de notaris. De handtekening onder de koopovereenkomst, vaak bij een makelaar, zetten koper en verkopers al eerder. In een eerder gezamenlijk onderzoek met de NVM kwam naar voren dat de periode tussen deze twee momenten ongeveer drie maanden is. Doordat er sprake is van seizoenpatronen op de koopwoningmarkt kan dus niet worden geconcludeerd dat het aantal eigendomsoverdrachten per maand afgeleid kan worden uit het aantal koopovereenkomsten drie maanden eerder. 7

8 Trendanalyse: Berekening seizoen, trend en de onregelmatige component Om de het aantal transacties op te splitsen in een trend, seizoen en onregelmatige component is een afgeslankte X--ARIMA toegepast. De hieronder beschreven methode wordt in X--ARIMA in meerdere rekenronden toegepast, wij hebben voor één rekenronde gekozen. Er is voor deze een afgeslankte versie gekozen omdat de gemaakte stappen dan nog tastbaar zijn en goed te begrijpen is hoe de cijfers zijn ontstaan. (zie CBS) De formule om de transacties op te splitsen is: Y = T + S + I Y = Aantal transacties per maand T = Trendcomponent S = Seizoencomponent I = Onregelmatige component De trend (T) is per maand berekend door een voortschrijdend gemiddeld te berekenen op basis van maanden voor en na de betreffende maand, de formule is als volgt: T = 24 Yt-6 2 Yt Yt 2 Yt+5 24 Yt+6 Voorbeeld: voor januari 205 T (Januari 205) = juli augustus september oktober november december januari februari maart mei juni juli Door het aantal transacties te verminderen met de trend (T) blijven de seizoencomponent en de onregelmatige component over. In formule: Y - T = S + I Voorbeeld: voor januari 205 Aantal transacties januari 205 trend (T) januari 205 = S + I De seizoencomponent is berekend door een voortschrijdende gemiddelde te berekenen van overeenkomende maanden van voor en na de betreffende maand. In formule: S = (S + 9 I)t-24 2 (S + 9 I)t (S + 9 I)t 2 (S + 9 I)t+2 + (S + I)t+24 9 Voorbeeld: voor januari 205 S (Januari 205) = Januari Januari januari Januari Januari Wat overblijft is de onregelmatige component, in formule: I = Y - T - S Voorbeeld: voor januari 205 I (januari 205) = Aantal transacties januari 205 Trend januari 205 Seizoencomponent januari 205 8

9 Voor meer informatie Paul de Vries Woningmarktexpert Tel: