DE HUURSCHATTER Deel 1. Een eerste, algemene analyse. Frank Vastmans & Kaat Laheye

Transcriptie

1 DE HUURSCHATTER Deel 1. Een eerste, algemene analyse Frank Vastmans & Kaat Laheye

2

3 DE HUURSCHATTER Een eerste, algemene analyse Frank Vastmans & Kaat Laheye 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: Vastmans F. & Laheye K. (2016). De Huurschatter. Deel 1. Een eerste algemene analyse, Steunpunt Wonen, Leuven, p. 74 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/2016/4718/036 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 op basis van een export midden 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 1 een eerste algemene analyse, wordt een eerste algemene bespreking van het gebruik en de update van het rekenkundig model van de Huurschatter besproken. Dit op basis van een data export uit de databank van de Huurschatter midden De Huurschatter. Deel 1. Een eerste, algemene analyse v

6 Inhoud Voorwoord Inhoud Lijst figuren v vi viii Managementsamenvatting 1 1. Korte beschrijving Huurschatter bestaande versie Historie De gemiddelde markthuurprijs Het hedonisch prijsmodel 5 2. Cleaning en verkenning van de data Selectie Verkenning Geografische representativiteit Huurder verhuurder Extreme waarden Grootte en type woning Algemeen comfort Uitrustingsniveau Belangrijkste elementen uit het opmerkingen veld Vergelijking met Grote Woononderzoek Huurprijs en aanvangsjaar Bouwjaar Dubbel glas, muurisolatie en andere Conclusie Het verschil tussen eerste en vervolgopzoekingen Huurprijs en aanvangsjaar huurcontract Het verschil in beoordeling tussen huurders en verhuurders Resultaten gepaarde waarnemingen Subjectieve beleving van de kwaliteit, wat zegt het GWO? Hedonische en SPAR huurprijsindex Situering hedonische huurprijsindex Hedonische huurprijsindex methodologisch stappenbenadering Korte methodologische uitleg bij stappenplan Huurindex volgens de SPAR methode, voor toekomstige updates Overzicht resultaten SPAR index Beschrijving ruwe data SPAR huurprijsindex Kwaliteitsindex Nieuw hedonisch prijsmodel Huurschatter Niet lineaire benadering 47 De Huurschatter. Deel 1. Een eerste, algemene analyse vi

7 5.2 Multicollineariteit Selectie van liggingsvariabelen Accuraatheid van het nieuwe model Extra analyses Accuraatheid nieuw model en oud model Accuraatheid kleine woningen Impact van EPC op huurwaarde 59 Bibliografie 61 De Huurschatter. Deel 1. Een eerste, algemene analyse vii

8 Lijst figuren Figuur 1 Aandeel van de huurcontracten volgens jaar van aanvang (aangegaan tussen *) 19 Figuur 2 Figuur 3 Huidige huurprijs anno 2013, volgens aanvangsjaar contract, gewogen gemiddelde over 5 jaar, GWO Evolutie van de werkelijke woningprijs* en 3 gesimuleerde koopkrachtreeksen op basis van 3 betaalbaarheidsscenario s volgens berekening woonbonus, België Figuur 4 Schematisch overzicht twee stappenmodel huurindex Huurschatter 36 Figuur 5 Figuur 6 Figuur 7 Figuur 8 Figuur 9 Figuur 10 Figuur 11 Figuur 12 Figuur 13 Evolutie van aandeel appartementen en huizen in Huurschatter volgens aanvangsjaar, opgesplitst volgens grootte, Vergelijking SPAR huurprijsindex op basis van Huurschatter, opgesplitst volgens huizen en appartementen met repeat rent index, (100 = jaar 2000) 42 Vergelijking SPAR huurprijsindex op basis van Huurschatter, opgesplitst volgens huizen en appartementen met nominaal beschikbaar inkomen per capita Vlaams Gewest, (100 = jaar 2000) 43 Evolutie nationale huurindices, nationaal beschikbaar inkomen per capita en consumptieprijsindex (100= jaar 2000), België 44 Hedonische nominale huurprijsindex , referentiejaar 2008, Huurschatter, verkregen uit log lineaire hedonische huurprijsindex berekening 44 Kwaliteitsindex, stijging van huurprijs naar aanvangsjaar contract toe te schrijven aan verandering van woningkwaliteit 45 Decompositie van de kwaliteitsveranderingen volgens aanvangsjaar uitgedrukt in de hedonische prijswaarden voor een woning van 100 m², , Huurschatter 46 Waarde van type beglazing in huurprijs van eengezinswoningen volgens grootte van de woning, resultaten Huurschatter Waarde van type dakisolatie in huurprijs van eengezinswoningen volgens grootte van de woning, resultaten Huurschatter Figuur 14 Liggingseffecten voor eengezinswoning, Huurschatter Figuur 15 Liggingseffecten voor appartement, Huurschatter Figuur 16 Grafische illustratie van uitschieters en schatting trendlijn 53 Figuur 17 Figuur 18 Figuur 19 Figuur 20 MAPE (accuraatheid) eengezinswoningen volgens bewoonbare oppervlakte van betrouwbare observaties, opgesplitst volgens observaties waarbij EPC al dan niet ingevuld zijn, Huurschatter Aantal observaties eengezinswoningen volgens bewoonbare oppervlakte van betrouwbare observaties, opgesplitst volgens observaties waarbij EPC al dan niet ingevuld zijn, Huurschatter MAPE (accuraatheid) appartementen volgens bewoonbare oppervlakte van betrouwbare observaties, opgesplitst volgens observaties waarbij EPC al dan niet ingevuld zijn, Huurschatter Aantal observaties appartementen volgens bewoonbare oppervlakte van betrouwbare observaties, opgesplitst volgens observaties waarbij EPC al dan niet ingevuld zijn, Huurschatter De Huurschatter. Deel 1. Een eerste, algemene analyse viii

9 Figuur 21 Gemiddelde MAPE van betrouwbare observaties voor alle woningen volgens eerste versie Huurschatter en nieuwe (2015) 58 Figuur 22 Gemiddelde huurprijs volgens schatting Huurschatter Figuur 23 Bijkomende meerwaarde op huurprijs per EPC klasse voor eengezinswoningen, Huurschatter De Huurschatter. Deel 1. Een eerste, algemene analyse ix

10 Managementsamenvatting 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 dit onderzoeksrapport is dit te onderzoeken en bovendien een update te voorzien van de Huurschatter. De wetenschap gebruikt daartoe de hedonische prijsanalyse. Hedonic pricing biedt de mogelijkheid om met behulp van meervoudige regressie voor elke woning volgens type/ligging en kenmerken een prijs te bepalen. De internationale literatuur hieromtrent kan in twee grote categorieën opgedeeld worden. In een eerste categorie van hedonische analyses ligt de focus op de interpretatie van de coëfficiënten. Hierbij wordt nagegaan wat de economische waarde is van één bepaald type van kenmerken (verkeershinder, aanwezigheid van groen, ). In de tweede categorie staat de waardering van de woning in zijn geheel centraal, en de accuraatheid van deze waarde. De Huurschatter behoort tot deze laatste categorie. Bij de modellering van de eerste versie van de Huurschatter werd gebruikt gemaakt van een kleinere en gedetailleerde set van huurprijsgegevens op basis van schattingen van notarissen. Na de lancering van de Huurschatter is de toepassing ongeveer keer gebruikt. Aangezien de Huurschatter een zelfvoedend systeem is (de data die de gebruikers ingeven worden opgeslagen en herbruikt voor verdere updates van het model) levert dit een unieke bron van cijfermateriaal. De ingevoerde data bieden bovendien de mogelijkheid om de accuraatheid van het model te verbeteren. De voornaamste conclusies met betrekking tot de data: observaties, of 1/3de van alle records, zijn bruikbaar voor de update van het model van de Huurschatter. Ze bevatten op een betrouwbare manier de actuele woningkenmerken, adres en huurprijsinformatie van een woning; - de data van de Huurschatter zijn regionaal zeer representatief, wat blijkt uit een vergelijking met het aandeel huurwoningen op basis van de Census2011 data; - wat betreft de woningkenmerken zijn de data van iets mindere kwaliteit. Dit kan niet vermeden worden. De webtoepassing dient immers gebruiksvriendelijk te zijn en de mate van detail van de in te voeren gegevens dient beperkt te zijn voor de gebruiker; - één belangrijk subjectief element speelt mee bij het gebruik van de Huurschatter, en dat is het verschil tussen huurders en verhuurders. Verhuurders schatten niet alleen de waarde van eenzelfde huurwoning hoger in, maar vullen de bevraagde velden ook positiever in dan de huurders; - verhuurders hebben de Huurschatter iets meer gebruikt dan huurders. De voornaamste conclusies met betrekking tot de resultaten: - de grootte van de dataset (aantal observaties en aantal velden) is redelijk uniek en zorgt ervoor dat meer gedetailleerde en nauwkeurige analyses mogelijk zijn, zeker op regionaal niveau; - aangezien de woningkenmerken subjectiever en minder nauwkeurig zijn ingevuld, is de gemiddelde accuraatheid van de Huurschatter voor het schatten van de huurprijs bevredigend, maar niet uitmuntend. Dit wordt echter in grote mate beïnvloed door de kwaliteit van de ingevulde data, en niet door het model op zich. Dit is getest door de accuraatheid na te gaan met observaties waarvan we kunnen verwachten dat de velden nauwkeuriger zijn ingevuld. Zo geeft de Huurschatter zeer goede De Huurschatter. Deel 1. Een eerste, algemene analyse 1

11 voorspellingen voor observaties waarvoor de EPC waarde is ingevuld. Het gemiddeld verschil tussen de schatting van de huurmarktwaarde en de huurmarktwaarde van het contract bedraagt dan slechts 10% voor huizen en 8% voor appartementen. Een ingevuld EPC kengetal kan om twee redenen leiden tot beter ingevulde velden. Niet alleen omwille van het feit dat het optioneel invullen van het EPC kengetal een indicatie geeft van de nauwgezetheid waarmee de gebruiker de Huurschatter gebruikt, maar mogelijk ook omdat een EPC certificaat reeds belangrijke objectieve data bevat die dienen om de Huurschatter in te vullen ( oppervlakte, isolatie, ); - de Huurschatter schat de actuele huurmarktwaarde voor een woning, de prijs die men betaalt indien men nu een huurcontract voor deze woning zou sluiten. Deze is verschillend van de gemiddelde huurprijs die betaald wordt door de zittende huurders (de private huurmarkt), aangezien deze huurcontracten afgesloten zijn in het verleden; - de huurprijsindex wordt in kaart gebracht met de SPAR huurprijsindex die de resultaten van de hedonische prijsanalyse gebruikt. Daar waar we op basis van de resultaten van de repeat rent huurindex voor Vlaanderen vonden dat de huurprijzen sterker stegen dan de inflatie, zien we na 2008 dat deze tendens afzwakt, waarbij de huurindex sinds 2012 zelfs stagneert. De SPAR index geeft bovendien gelijkaardige resultaten als de repeat rent index voor Vlaanderen voor de jaren voor De hedonische huurprijsindex die in meer detail in deel 3 besproken wordt, is aan te raden voor de meer recente evoluties. Mogelijkheden tot verder onderzoek: - de Census2011 data bieden een nieuwe bron van statistische sectorinformatie die in deze analyse nog niet mee opgenomen zijn, maar wel in de resultaten van deel 3. Indien de databank van de Huurschatter gekoppeld kan worden met de EPC databank in de toekomst, is het mogelijk om na te gaan wat de overeenkomsten en verschillen tussen de ingevulde data zijn van huurders, verhuurders en de meer objectieve velden uit de EPC databank; - het doel van dit onderzoek was een update van het model achter de Huurschatter met betrekking tot de accuraatheid. De toepassingen van de Huurschatter bieden echter vele mogelijkheden tot verder onderzoek. Hedonische prijsanalyses bieden mogelijkheden om de invloed van bepaalde (liggings)kenmerken van de woning in kaart te brengen; - bovendien kunnen de resultaten van de Huurschatter ook gebruikt kunnen worden voor ander onderzoek. Er is nu immers een regionale prijsparameter beschikbaar, namelijk de liggingseffecten uit de analyse. Deze geven een indicatie van de verschillen in huurprijzen tussen regio s voor gelijkaardige woningen. Daarom zijn de data van de Huurschatter een unieke bron, waarbij voor een zeer grote set van woningen zowel de prijs, het tijdstip, de ligging als de woningkenmerken gegeven zijn. De Huurschatter. Deel 1. Een eerste, algemene analyse 2

12 1. Korte beschrijving Huurschatter bestaande versie 1.1 Historie Een huurprijs bepalen, hoe doe je dat? 1 Je kan zelf een inschatting maken rekening houdend met diverse kenmerken van de woning, of je kan een mathematisch model gebruiken. Het laatste gebeurt met de Huurschatter. De Huurschatter ( is een online toepassing waarbij gebruikers woningkenmerken kunnen invoeren en vervolgens de toepassing een schatting maakt van de markthuurprijs. De eerste versie van de Huurschatter is gebaseerd op de resultaten van de hedonische huurprijsanalyse die uitvoerig besproken is in het rapport Huurprijzen en richthuurprijzen. Deel III: Hedonische huurprijsanalyse (Vastmans F., Helgers R. & Buyst E.,2012). Het hedonische huurprijsmodel van de eerste versie was hoofdzakelijk geschat op basis van een dataset waarbij notarissen de markthuurwaarden van sociale woningen hadden geschat. Het was een kleine set van data, maar wel van hogere kwaliteit waarbij de kenmerken van de woningen objectief en gestandaardiseerd ingevuld zijn. Deze dataset werd vervolgens aangevuld met enkele steekproeven uit de private huurmarkt, het model werd verder verfijnd en vertaald naar een gebruiksvriendelijk formaat voor de Huurschatter. De website en de databank worden beheerd door het agentschap Wonen Vlaanderen. In april 2013 werd gelanceerd door de minister van Wonen. De media aandacht zorgde voor een intensief gebruik van de website. De ingegeven data kunnen op hun beurt gebruikt worden om het model te updaten en verder te verfijnen. Naast de woningkenmerken werd immers ook gevraagd wat de huurprijs was bij aanvang van contract en konden de gebruikers een eigen inschatting geven van de huurmarktwaarde. Het hergebruiken van de door de gebruikers ingevulde data om het mathematisch model achter de Huurschatter te updaten staat centraal in dit onderzoek. 1.2 De gemiddelde markthuurprijs Het hedonisch prijsmodel gaat aan de hand van verschillende parameters de waarde van een huurwoning in de waarde van haar onderliggende kenmerken opsplitsen (grootte, kwaliteit, ligging). Eenmaal deze analyse is uitgevoerd, kan elke andere huurwoning geschat worden indien men deze onderliggende kenmerken invoert. Het model schat dan de gemiddelde huurprijs die voor een dergelijke woning op de markt betaald wordt. In werkelijkheid kan dit uiteraard meer of minder zijn. De geschatte huurprijs is dus niet normatief. In ideale omstandigheden geeft het de gemiddelde markthuurprijs als gevolg van vraag en aanbod. Het is interessant om na te gaan waarom de schatting van het model meer of minder kan zijn dan de geobjectiveerde huurprijs: 1. vanwege het model: - het model houdt geen rekening met zaken die niet bevraagd worden (zoals de aanwezigheid van een zwembad als extreem voorbeeld); 1 huurprijs bepalen, hoe doe je dat De Huurschatter. Deel 1. Een eerste, algemene analyse 3

13 - het model is niet volledig volgens de werkelijkheid gemodelleerd en schat dus deels verkeerd. Indien het model bv. zou veronderstellen dat elke extra vierkante meter bewoonbare oppervlakte leidt tot een 5 euro hogere huurprijs (een lineaire relatie), zal dit bij kleinere woningen veelal een onderschatting zijn en grotere woningen een overschatting omdat de extra huurwaarde van een bijkomende vierkante meter daalt naarmate de woning groter is (een niet lineair relatie). 2. vanwege de persoonlijke voorkeuren van de huurder: - Indien een huurder zijn preferentie voor een bepaalde huurwoning vanwege diverse persoonlijke redenen veel groter is dan die van alle andere kandidaat huurders, zal hij ook bereid zijn meer te betalen. De huurwoning ligt bv. naast de woning van de naaste familie, vrienden, werk, 3. vanwege de huurprijszetting op zich in een vrije markt: - sommige huurpanden zijn relatief hoog geprijsd, anderen dan weer relatief laag. Huurders (vraag) en verhuurders (aanbod) hebben soms een slecht beeld van wat de gangbare prijzen zijn. Het gebruik van de Huurschatter kan hier de transparantie verhogen. 4. vanwege de subjectieve invulling van bepaalde kenmerken: - niet alleen de geobserveerde huurprijs kan hoger of lager zijn dan de gemiddelde huurmarktwaarde, ook de kenmerken kunnen verschillend beoordeeld worden door verschillende gebruikers. Ook hier streeft het model naar een gemiddelde waarde, daar waar verhuurders de woningkenmerken typisch hoger inschatten dan huurders, zoals in hoofdstuk 3 getoond wordt. Het eerst punt valt onder beperking van het model, waar punten 3) en 4) het model net de transparantie voor de gebruikers kan verhogen. In dit rapport komen we hier uitvoerig op terug. Het mag duidelijk zijn dat de resultaten van het model niet kunnen leiden tot een eenduidig besluit of een huurwoning al dan niet juist geprijsd is. Toch biedt het heel wat informatie, wat in de volgende punten in detail nagegaan wordt. In deze inleiding willen we het belang van de modelbenadering tonen door te vergelijken met de Mietspiegel die gebruikt wordt in Duitsland. Deze Mietspiegel wordt gebruikt voor bepaalde regio s (gemeenteniveau) en geeft enkele indicaties weer van de algemene evoluties en prijscategorieën. Zie bijlage voor een voorbeeld. Een dergelijk puntensysteem heeft echter enkele nadelen. Door zijn eenvoud is het niet exact genoeg en krijg je het market for lemons probleem: al de kwalitatieve elementen die niet in het puntensysteem zitten, zorgen ervoor dat de kwalitatief goede woningen duurder geprijsd zijn dan het puntensysteem aangeeft en worden zo gestraft, want als te duur ervaren. En het zijn dan de minder kwalitatieve woningen waarvoor het puntensysteem gunstig is, waar men vanuit beleidsoogpunt eerder naar het omgekeerde streeft. Zie het rapport over hedonische huurprijsanalyse (Vastmans et al. 2012) voor de beschrijving van market for lemons. Het lijkt er alvast op dat een overzichtelijk puntensysteem dus niet de oplossing is om de informatie omtrent de huurmarkt te verhogen. Er wordt dan wel verwezen naar meer gedetailleerde berekeningen, maar deze zijn vaak betalend (9,95 euro Door de Huurschatter wordt dit opgelost door een uitgebreid model te testen dat zo goed mogelijk volgens de marktlogica is gemodelleerd. Binnen de grenzen van gebruiksvriendelijkheid worden een twintigtal variabelen opgevraagd. De Huurschatter. Deel 1. Een eerste, algemene analyse 4

14 1.3 Het hedonisch prijsmodel Het algemeen model waar in dit deel van het onderzoek mee gewerkt wordt, leunt zo dicht mogelijk aan bij de werkelijkheid. We gebruiken hiertoe de cost of production approach. De prijs van nieuwbouw is de som van de prijs van de bouwgrond en de prijs/kost van de constructie. En de constructiekost kan dan weer benaderd worden door de vermenigvuldiging van een gemiddelde prijs/m² (in functie van kwaliteit) met de oppervlakte van de woning. De prijs van de ligging kan eveneens uitgeschreven worden als de vermenigvuldiging van een locatie effect (gemeten in prijs/m²) met de grootte van de woning (bewoonbare oppervlakte enerzijds, en tuin anderzijds). Deze decompositie van de prijs van residentieel vastgoed als basis voor hedonische prijsanalyses wordt ook als optimaal naar voren geschoven in Handbook on Residential Property Prices Indices (RPPI s) of Eurostat (2013). 2 Voor een toepassing wordt verwezen naar Diewert et al. (2015). Dit geeft volgende basisformule: waarbij P h de huurprijs is, L het locatie effect is (op statistische sectorniveau), G de grootte van de woning, K de kwaliteit van de woning en ε de foutenterm. De kwaliteit van de woning (prijs/m²) wordt in dit model als een som (additief) van de diverse woningkenmerken opgenomen. waarbij β ix i staat voor een bepaald kwaliteitskenmerk x i (beglazing, sanitair, verwarming, interne staat van de woning, ) vermenigvuldigd met zijn bijhorende waarde β i, een coëfficiënt die bepaald wordt door het model te schatten en die het belang van dit kwaliteitskenmerk als onderdeel van de huurprijs weergeeft. Het mag alvast duidelijk zijn dat er diverse hedonische prijsmodellen bestaan. Hierbij is de log lineaire benadering het frequentst gebruikt, waarvan de coëfficiënten eenvoudig te interpreteren zijn. Deze benadering is multiplicatief van aard en geeft resultaten als: Dubbele beglazing leidt tot een 3% hogere huurprijs. De lineaire benadering leidt dan veeleer tot resultaten als: Dubbele beglazing leidt tot een huurprijs die 25 euro duurder is. De log lineaire benadering geeft veelal de betere resultaten. Ze gaat er immers vanuit dat bij een grotere woning de waarde van dubbelglas proportioneel mee toeneemt. Voor andere elementen kan men dan weer aannemen dat ze elkaar additief beïnvloeden. Het is niet zo aannemelijk te veronderstellen dat de waarde van dubbelglas sterker meespeelt bij woningen die een recente badkamer hebben in vergelijking met een gelijkaardige woning doch oudere woning. Het in dit deel gebruikte model van de Huurschatter is in zekere zin ook een combinatie van beide elementen. Deze methode heeft echter twee nadelen. We zullen zien dat de bewoonbare oppervlakte niet altijd exact gekend is door de gebruikers. Doordat de bewoonbare oppervlakte centraal staat als maat voor oppervlakte in deze benadering zorgt dit voor minder goede schattingen vanwege de kwaliteit van de input. Daarnaast is het niet altijd eenvoudig om de resultaten van dergelijk model te interpreteren. In deel 3 Huurschatter: de log lineaire benadering wordt hier dieper op ingegaan, en wordt finaal gekozen om de log lineaire benadering van de hedonische methode te gebruiken als basis voor het rekenkundig model achter de Huurschatter. 2 In formule 8.2 van Eurostat (2013) wordt het bouwjaar multiplicatief toegepast, om rekening te houden met de afschrijving. We veronderstellen dat het bouwjaar niet interageert met diverse kwaliteitselementen (beglazing, verwarming, ) omdat deze kwaliteitselementen veelal van recentere datum zijn en geen verband houden met het bouwjaar van de woning zelf. In dat opzicht wijkt onze benadering licht af van de door hen voorgestelde formule De Huurschatter. Deel 1. Een eerste, algemene analyse 5

15 2. Cleaning en verkenning van de data 2.1 Selectie De ruwe, niet bewerkte data export uit de Huurschatter bestaat midden 2014 uit observaties. 1. We willen graag de observaties behouden die zijn ingevuld door de (ver)huurder zelf en die de huidige staat van de woning beschrijven. Wanneer we enkel deze observaties bijhouden, blijven er nog over. Diverse gebruikers geven immers aan dat ze geen huurder of verhuurder zijn, een woning schatten die momenteel niet verhuurd is, of beschrijven niet de huidige staat van de woning bij het gebruik van de Huurschatter. 2. Voor een deel van de woningen is de Huurschatter herhaaldelijk ingevuld. Van deze woningen behouden we enkel de eerste ingave per (ver)huurderstype. Dit betekent dat van opzoekingen van eenzelfde woning die op dezelfde dag zijn ingevuld de oudste (de eerste in de tijd) wordt bijgehouden. We veronderstellen dat de eerste ingave de meest realistische is en dat gebruikers daarna spelen met enkele variabelen om de invloed op de geschatte huurprijs na te gaan. Ook van de opzoekingen van dezelfde woning die op een andere datum werden ingevuld, wordt enkel de eerste opzoeking bijgehouden. Er blijven dan nog woningen over. 3. In een latere stap worden ook nog uitschieters/outliers uit de analyse gelaten, wat observaties zijn die sterk afwijken van wat verwacht wordt. 4. Bovendien hangt de grootte van de gebruikte dataset ook af van het doel van de analyse. Om een huurindex te schatten zijn observaties over een langere periode nuttig, terwijl de huidige marktwaarde best geschat wordt met recentere huurcontracten. Het aantal observaties dat gebruikt wordt om het model te herschatten schommelt zo tussen de en Verkenning Hieronder worden algemene samenvattende statistieken weergegeven. De dataset is nog niet bewerkt voor uitschieters, en bevat dus nog extreme waarden Geografische representativiteit In eerste instantie vergelijken we de data van de Huurschatter met de administratieve Census2011 data, en meer bepaald de aandelen van eigenaars en huurders (inclusief sociale huurders) op statistische sectorniveau. Om de vergelijking bevattelijk voor te stellen gebruiken we de landgebruikkaart (waarvoor de aandelen landgebruik ook op statistische sectorniveau beschikbaar zijn) om deze data te aggregeren op Vlaamse niveau zoals in tabel 1 weergegeven. Indien we naar de categorie urbaan landgebruik 3 kijken, zien we dat in Vlaanderen een eigenaarswoning gelegen is in een statistische sector waarvan gemiddeld 71.5% van het landgebruik urbaan is, en voor een gemiddelde huurwoning bedraagt dit 81.6%. Dit is te verwachten aangezien huurwoningen typisch centraler gelegen zijn. Het 3 Urbane bebouwing omvat residentiële, commerciële, recreationele en industriële bebouwing, inclusief tuinen, infrastructuur, Voor het Vlaams Gewest in zijn geheel valt 30,9% onder deze noemer. De Huurschatter. Deel 1. Een eerste, algemene analyse 6

16 opmerkelijke is dat de gemiddelde woning uit de Huurschatter (81.89%) hier zeer dicht bij ligt. Voor al de overige categorieën liggen deze ook sterk in lijn met het aandeel landgebruik voor een gemiddelde huurwoning uit de Census2011. Dit duidt erop dat de regionale spreiding van data van de Huurschatter als zeer representatief beschouwd kan worden. Tabel 1 Type landgebruik Gemiddeld aandeel per type landgebruik in een statistische sector volgens type woning (eigenaar, huur, Huurschatter) Eigenaarswoning (Census2011) in % Huurwoning (Census2011) in % Huurwoning (Huurschatter) in % Ander groen 3,51 3,52 3,38 Bos 3,48 2,16 1,99 Halfnatuurlijk grasland 0,75 0,46 0,48 Heide 0,08 0,06 0,04 Kustduin 0,12 0,18 0,15 Landbouw 19,24 10,48 10,50 Moeras 0,04 0,03 0,03 Overig 0,00 0,00 0,00 Slik en schorre 0,03 0,05 0,05 Urbaan 71,55 81,65 81,89 Water 1,18 1,42 1,49 Totaal 100,00 100,00 100,00 Bron: Census 2011, landgebruikskaart nara t 2014 VITO, Huurschatter 2014) Tabel 2 Aantallen en aandeel opzoekingen volgens provincie Provincie Huurschatter Huurcontractendatabank Aantal % % Antwerpen ,51 30,0 Limburg ,23 9,4 Oost Vlaanderen ,85 23,7 Vlaams Brabant ,58 16,7 West Vlaanderen ,84 20,1 Totaal ,00 Bron: Huurschatter 2014, Huurcontractendatabank (Tratsaert, 2012) Indien we deze verdeling vergelijken met het aandeel huurcontracten per provincie volgens de databank van de geregistreerde huurcontracten van 2009 (Tratsaert 2012) dan vinden we dat het aandeel bij de Huurschatter voor West Vlaanderen iets lager ligt, wat mogelijk verklaard kan worden doordat niet enkel de verhuringen voor een hoofdverblijf in de huurcontractendatabank, en iets hoger voor Oost Vlaanderen. Voor de overige provincies verschilt het aandeel tussen beide databanken minder dan 0,5%. De Huurschatter. Deel 1. Een eerste, algemene analyse 7

17 Tabel 3 Aantallen en aandeel opzoekingen volgens gebiedstype (Vrind) Type gebied Aantal % Grootsteden ,00 Centrumsteden ,58 Overgangsgebied ,23 Platteland ,11 Structuurondersteunende steden ,93 Kleinstedelijk provinciaal ,50 Grootstedelijke rand ,38 Regionaal stedelijke rand ,55 Stedelijk gebied rond Brussel ,73 Totaal ,00 Bron: Huurschatter 2014 Ook het aandeel van de twee grootsteden Antwerpen en Gent komt overeen met het aandeel van 20% in de huurcontractendatabank (Tratsaert, 2012). Tabel 4 Aantallen en aandeel opzoekingen binnen centrumsteden Centrumstad Aantal % Aalst ,91 Antwerpen ,97 Brugge ,11 Genk 474 1,74 Gent ,87 Hasselt ,54 Kortrijk 906 3,32 Leuven ,24 Mechelen ,68 Oostende ,62 Roeselare 700 2,56 Sint Niklaas 887 3,25 Turnhout 598 2,19 Totaal ,00 Bron: Huurschatter Huurder verhuurder Tabel 5 Aantallen en aandeel opzoekingen volgens type gebruiker Gebruiker Aantal % Huurder ,86 Verhuurder ,14 Totaal ,00 Bron: Huurschatter 2014 De verhouding verhuurders en huurders zijn mooi verdeeld en bijna De Huurschatter. Deel 1. Een eerste, algemene analyse 8

18 Tabel 6 Aantallen en aandeel opzoekingen volgens verhuurderstype Type verhuurder Aantal % Particuliere verhuurder ,11 Professionele verhuurder ,04 Lokaal bestuur 122 0,33 Sociaal Verhuurkantoor 111 0,30 Vlaams Woningfonds 46 0,12 Sociale Huisvestingsmaatschappij 33 0,09 Totaal ,00 Bron: Huurschatter 2014 In vergelijking met andere verhuurders hebben particuliere verhuurders veruit het meest gebruik gemaakt van de Huurschatter: 95,11% van alle ingevulde formulieren door verhuurders op de website zijn afkomstig van particuliere verhuurders. Slechts 4% van de verhuurders beschouwde zich als professioneel, terwijl de Huurschatter aangaf dat verhuurders vanaf 3 woningen zich zo konden bestempelen. Tabel 7 Aantallen en aandeel type verhuurders volgens huurder Type verhuurder Aantal % Private verhuurder ,74 Familie of vrienden ,95 Sociale Huisvestingsmaatschappij 695 2,05 Sociaal Verhuurkantoor 298 0,88 Gemeente 49 0,14 OCMW 46 0,14 Vlaams Woningfonds 10 0,03 Andere 696 2,06 Totaal ,00 Bron: Huurschatter 2014 Het merendeel van de huurders die de Huurschatter heeft gebruikt, heeft een private verhuurder (89,74%). Ook familie of vrienden zijn blijkbaar een aanwezige categorie met bijna 5% van de huurders die bij familie of vrienden huurt Extreme waarden Niet alle categorieën van woningkenmerken zijn voorgedefinieerd en gebruikers konden soms vrij waarden invullen. Tabel 8 laat zien dat dit niet altijd even secuur gebeurde. Extreme outliers zijn gemakkelijk te verwijderen. Moeilijker wordt het als de gebruikers minder exact invullen, omdat deze fouten moeilijker te detecteren zijn. In hoofdstuk 3 wordt hier in meer detail op ingegaan. De Huurschatter. Deel 1. Een eerste, algemene analyse 9

19 Tabel 8 Minima en maxima van niet voorgedefinieerde antwoordcategorieën Variabele Minwaarde Maxwaarde Aanvangsdatum contract (jaar) Huidige huurprijs ( in euro) Bouwjaar (jaar) Aantal slaapkamers Bewoonbare oppervlakte (m²) Oppervlakte terras (m²) Oppervlakte tuin (m²) EPC waarde Aantal verdiepingen eengezinswoning Aantal verdiepingen appartementsgebouw 0 71 Verdieping appartement in het gebouw 0 55 Inschatting huurprijs (in euro) Bron: Huurschatter Grootte en type woning De mediaan 4 van de bewoonbare oppervlakte van een eengezinswoning bedraagt 140 m², die voor een appartement 90 m². Een globale mediaan is dan 100 m². Het mediane terras en tuin zijn ook typisch groter bij eengezinswoningen dan bij appartementen. Appartementen hebben veelal geen tuin en de mediaan van de tuinoppervlakte ligt dan ook op 0 m². Tabel 9 Mediaan bewoonbare oppervlakte woning in m² Type woning Bewoonbare oppervlakte (in m²) Oppervlakte terras (in m²) Oppervlakte tuin (in m²) Eengezinswoning (N= ) Appartement (N= ) Totaal (N= ) Bron: Huurschatter 2014 Van de opzoekingen op de Huurschatter heeft 43% van de woningen een gesloten garage, 38% heeft geen eigen parkeerplaats en 18% heeft een eigen, maar open parkeerplaats. Tabel 10 Garage en parkeerplaats, aantallen en aandeel Parkeerplaats Aantal % Gesloten garage ,19 Geen eigen parkeerplaats ,39 Eigen open parkeerplaats ,42 Totaal ,00 Bron: Huurschatter ,7% van de appartementen in de databank van de Huurschatter heeft geen lift ter beschikking. Maar 75% van de appartementen die zich op verdieping 3 of hoger situeren hebben wel een lift. Uiteraard 4 De mediaan wordt meegedeeld i.p.v. het gemiddelde, aangezien er nog niet is gecontroleerd voor uitschieters. De Huurschatter. Deel 1. Een eerste, algemene analyse 10

20 is dit onderscheid belangrijk voor de hedonische prijsanalyse want de appartementen op hogere verdiepingen krijgen lagere coëfficiënten toegewezen door het model indien er geen lift aanwezig is. Opmerkelijk is dat het aandeel appartementen op de gelijkvloers minder dan de helft is dan het aandeel appartementen op de eerste verdieping. Het gelijkvloers van een appartementsgebouw kan een andere functiebestemming hebben dan wonen. Maar we vermoeden ook dat opgesplitste eengezinswoningen soms het gelijkvloers bestempelen als eengezinswoning en de bovenliggende woongelegenheden als appartement. Een deel van de eengezinswoningen kruist immers aan dat dakisolatie niet van toepassing is. Het is niet eenvoudig om te beslissen of deze woningen al dan niet als eengezinswoning gedefinieerd dienen te worden. Wat ook opvalt is dat slechts 20% van de verhuurde appartementen op verdieping 4 of hoger ligt. Tabel 11 Verdieping en lift bij appartementen, aantallen en aandeel Lift (in %) Geen lift (in %) Totaal (in %) Gelijkvloers 4,4 11,0 15 Verdieping 1 11,1 24,9 36 Verdieping 2 10,9 17,7 29 Verdieping 3 7,1 4,4 12 Verdieping 4 3,7 0,6 4 Verdieping 5 1,7 0,0 2 Verdieping 6 1,0 0,0 1 Verdieping 7 0,6 0,0 1 Verdieping 8+ 0,9 0,0 1 Totaal 41,3 58,7 100 Bron: Huurschatter 2014 De types bebouwingen bij eengezinswoningen zijn relatief gelijk verdeeld. De gesloten bebouwing kent wel een iets hoger percentage dan de open en halfopen bebouwing. Dit is in lijn van de verwachtingen. Open bebouwing komt vaker voor in de algemene woningvoorraad van het Vlaams Gewest (43% van de eengezinswoningen volgens cijfers van AAPD), maar worden vaker door eigenaars bewoond. Langs de andere kant zien we dat gesloten bebouwing een nog groter aandeel vormen uit de groep eengezinswoningen in de private huurmarkt volgens het Groot Woononderzoek Het wijst er mogelijk op dat de Huurschatter in iets grotere mate bevraagd is in het segment van grotere woningen. Tabel 12 Type eengezinswoningen in de private huurmarkt, aantallen en aandeel Type bebouwing Aantal Huurschatter (in %) GWO 2013 Gesloten ,74 43% Open ,05 32% Halfopen ,21 25% Totaal , Bron: Huurschatter Algemeen comfort De meeste mensen (ongeveer de helft) die de online webapplicatie invullen, geven weer dat hun woning een normale hoeveelheid daglicht binnenkrijgt. Veertig procent geeft aan veel daglicht binnen te krijgen en slechts ongeveer 6% geeft aan weinig daglicht in hun woning te hebben. De Huurschatter. Deel 1. Een eerste, algemene analyse 11

21 Tabel 13 Aanwezigheid van daglicht, aantallen en aandeel Daglicht Aantal % Weinig ,61 Normaal ,97 Veel ,42 Totaal ,00 Bron: Huurschatter 2014 Bijna 80% van de woningen in de geanalyseerde databank is niet geschikt voor mindervaliden. Tabel 14 Geschikt voor mindervaliden, aantallen en aandeel Geschikt voor mindervaliden Aantal % Ja ,87 Neen ,13 Totaal ,00 Bron: Huurschatter 2014 Tabel 15 Ruimtegevoel, aantallen en aandeel Ruimtegevoel Aantal % Zeer beperkt ,48 Beperkt ,79 Gemiddeld ,35 Ruim ,61 Zeer ruim ,77 Totaal ,00 Bron: Huurschatter 2014 Ook bij de vraag over ruimtegevoel in de woning kiezen de meeste mensen voor gemiddeld en ruim. De optie zeer ruim wordt ook vaker gekozen dan zeer beperkt en beperkt samen Uitrustingsniveau De meeste woningen beschikken over een recente inbouwkeuken. Bovendien beschikt ongeveer 90% minimaal over alle basisvoorzieningen en heeft slechts iets meer dan 10% minimale voorzieningen of een primitieve keuken. Tabel 16 Type keukens, aantallen en aandeel Keuken Aantal % Recente inbouwkeuken ,33 Licht verouderd, maar volledig ,98 Alle basisvoorzieningen ,44 Minimale voorzieningen ,00 Primitief ,25 Totaal ,00 Bron: Huurschatter 2014 De Huurschatter. Deel 1. Een eerste, algemene analyse 12

22 De meeste woningen beschikken ook over een recente badkamer en ook hier is meer dan 90% voorzien van alle basisvoorzieningen of meer. In 0,9% van de gevallen wordt aangegeven dat warm water niet aanwezig is. Tabel 17 Sanitair, aantallen en aandeel Sanitair Aantal % Recent ,92 Licht verouderd, maar volledig ,89 Alle basisvoorzieningen ,16 Minimale voorzieningen ,74 Primitief 915 1,29 Totaal ,00 Bron: Huurschatter 2014 Buiten de mazout of kolenkachel is de methode van verwarming ongeveer gelijk verdeeld over de verschillende mogelijkheden. Een ouder model van centrale verwarming is net iets minder populair dan een hoogrendementsketel of een condenserende ketel. Verwarming in de kamer (elektrisch of gasconvectoren) wordt ongeveer even vaak aangeduid als de vormen van centrale verwarming. Tabel 18 Verwarming, aantallen en aandeel Verwarming Aantal % Centrale verwarming: hoogrendementsketel ,85 Centrale verwarming: condenserende ketel ,89 Centrale verwarming: ouder model ,93 In kamer: elektrisch of gasconvectoren ,27 In kamer: mazout of kolenkachel ,07 Totaal ,00 Bron: Huurschatter 2014 De verluchting wordt door de meeste bevraagden als goed getypeerd. Slechts een 7% duidt slecht aan wanneer het over de verluchting van de woning gaat. Tabel 19 Ventilatie, aantallen en aandeel Verluchting Aantal % Slecht ,09 Matig ,16 Goed ,75 Totaal ,00 Bron: Huurschatter 2014 Van de bevraagde woningen is bijna 75% voorzien van dubbele beglazing (recent of niet). Van de overige 25% is ongeveer de helft voorzien van overwegend dubbele beglazing en de andere helft heeft overwegend enkele beglazing of volledige enkele beglazing. De Huurschatter. Deel 1. Een eerste, algemene analyse 13

23 Tabel 20 Beglazing, aantallen en aandeel Beglazing Aantal % Recente volledig dubbele beglazing ,87 Volledig dubbele beglazing ,81 Overwegend dubbele beglazing ,31 Overwegend enkele beglazing ,58 Volledig enkele beglazing ,42 Totaal ,00 Bron: Huurschatter 2014 Van de personen die niet gekozen hebben voor de optie niet van toepassing duidt ongeveer 60% aan een goed geïsoleerd dak te hebben. Ongeveer 17% heeft geen isolatie. Tabel 21 Dakisolatie, aantallen en aandeel Dakisolatie Aantal % Goed geïsoleerd ,80 Licht geïsoleerd ,00 Geen isolatie wel winddicht onderdak ,43 Geen isolatie en onderdak ,77 Totaal Niet van toepassing Totaal Bron: Huurschatter 2014 Wat betreft de staat van de binnenkant van de woning vindt ongeveer 80% dat zijn of haar woning het goed of zeer goed doet. Minder dan 2% vindt de staat van de woning slecht of zeer slecht. Tabel 22 Staat binnenkant woning, aantallen en aandeel Staat binnenkant woning Aantal % Zeer slecht 281 0,40 Slecht ,90 Matig ,09 Goed ,27 Zeer goed ,35 Totaal ,00 Bron: Huurschatter 2014 De antwoorden op de vraag over de staat van de buitenkant van de woning zijn vergelijkbaar met die van de vraag over de binnenkant van de woning. De Huurschatter. Deel 1. Een eerste, algemene analyse 14

24 Tabel 23 Staat buitenkant woning, aantallen en aandeel Staat buitenkant woning Aantal % Zeer slecht 294 0,42 Slecht ,08 Matig ,68 Goed ,98 Zeer goed ,84 Totaal ,00 Bron: Huurschatter 2014 Iets meer dan 5% van de observaties erkent veel omgevingshinder te ondervinden in de buurt van de woning. Tabel 24 Omgeving en buurtkenmerken, aantallen en aandeel Omgevingshinder Aantal % Geen ,18 Matig ,38 Veel ,44 Totaal ,00 Bron: Huurschatter 2014 Van de bevraagde woningen zou 2,5% zich in een buurt bevinden dat zwak scoort op vlak van leefbaarheid. Tabel 25 Leefbaarheid/Veiligheid, aantallen en aandeel Leefbaarheid/veiligheid Aantal % Zwak ,51 Doorsnee ,33 Goed ,16 Totaal ,00 Bron: Huurschatter 2014 Ongeveer 6% vindt de omgevingskwaliteit van de desbetreffende woning onaantrekkelijk. De meerderheid (50%) vindt de omgevingskwaliteit doorsnee en ongeveer 40% vindt de omgevingskwaliteit aantrekkelijk. Tabel 26 Uitzicht/Omgevingskwaliteit, aantallen en aandeel Uitzicht/omgevingskwaliteit Aantal % Onaantrekkelijk ,90 Doorsnee ,02 Aantrekkelijk ,08 Totaal ,00 Bron: Huurschatter 2014 Nog geen 1% van de bevraagde woningen is zich volgens de huurder of verhuurder slecht of zeer slecht gelegen. Iets meer dan de helft vindt de ligging goed en 36% vindt de ligging van de woning zeer goed. De Huurschatter. Deel 1. Een eerste, algemene analyse 15

25 Tabel 27 Uitzicht/omgevingskwaliteit, aantallen en aandeel Ligging Aantal % Zeer slecht 142 0,20 Slecht 477 0,67 Matig ,21 Goed ,28 Zeer goed ,63 Totaal ,00 Bron: Huurschatter Belangrijkste elementen uit het opmerkingen veld Naast de standaardinvulvelden biedt de Huurschatter ook de mogelijkheid om de gebruiker feedback te laten geven. De belangrijkste elementen worden hier kort weergegeven: Geschatte huurprijs te laag, want - energiezuinige elementen zoals hoogrendementsglas (driedubbel), zonnepanelen, warmtepomp, houtpelletkachel, zonneboiler, regenwaterput, fotovoltaïsche cellen, ; - meerdere parkeerplaatsen of garages; - meerdere badkamers of andere sanitaire voorzieningen (zoals aparte wc of douche); - bergruimte: (ruime) zolder/kelder/garage/ ; - duplexappartement; - eerste verhuring; - uitrusting van de woning: aanwezigheid van allerhande elektrische apparaten en voorzieningen zoals internet, digicorder, (af)wasmachine of droogkast, bemeubelde woningen/appartementen, vloerverwarming, (al dan niet automatische) rolluiken; - bouwjaar: geen mogelijkheid om jaar van laatste grondige renovatie in te geven; - bepaalde stijlelementen zoals is een herenhuis, is geklasseerd erfgoed, ; - oriëntatie van de woning: zuidgerichte tuin; - ligging: meestal wordt de nabijheid van een centrum, het openbaar vervoer en/of scholen vermeld. Ligging aan de kust komt ook regelmatig terug; - echte luxe elementen zoals sauna, zwembad, airco, jacuzzi, sectionale poort, worden ook regelmatig vermeld. Geschatte huurprijs te hoog, want - vochtproblemen: met meer specifiek schimmelproblemen en gebrek aan ventilatiemogelijkheden als belangrijkste vermelding; - gebrek aan isolatie (dak, muren, vloer, ) met een hoog energieverbruik tot gevolg. Ook een gebrek aan geluidsisolatie (en privacy) komt regelmatig terug; - gebrekkige verwarmingsinstallatie (elektrische verwarming, te weinig toestellen voor de oppervlakte van de ruimte, enkel verwarming op een bepaalde verdieping, ); - centrale verwarming op mazout wordt vaak als negatief punt gezien (i.t.t. cv op gas); - geen veilige elektrische installatie, ; - kwaliteit van de leidingen (verouderd, regelmatig lekken, lood, ); - niet voldoende brandveiligheid (rookmelders, brandblussers, ); - geen recente renovaties en/of verouderde uitrusting. De Huurschatter. Deel 1. Een eerste, algemene analyse 16

26 Andere opmerkingen: - het is niet altijd duidelijk of de in te geven eigen schatting van de huurprijs en de berekende huurprijs al dan niet inclusief (gemeenschappelijke) woonkosten zoals water, elektriciteit, onderhoud gemeenschappelijke delen, is; - heel vaak de opmerking dat er meer zou kunnen gevraagd worden, maar dat de verhuurder dit niet doet omdat hij een langdurig contract wil met een betrouwbare huurder; - ook vaak verwijzing naar de (niet correcte) relatie tussen kadastraal inkomen en de huurprijs van de woning; - verschillende mensen geven aan dat de ingevulde huurprijs fictief is. Dit ondanks de voorzorgsmaatregelen die genomen zijn om hier fictieve waarden te voorkomen; - veel mensen begrijpen nog altijd niet waarom ze geen resultaat krijgen als de schatting boven of onder 300 euro is; - er lijken ook redelijk wat mensen te zijn die een studio (dus zonder aparte slaapkamer) hebben ingegeven. Is de Huurschatter hier op voorzien? Negatieve commentaar op de schatting, ; - bij de EPC waarde wordt niet aangegeven dat deze momenteel nog niet gebruikt wordt in de analyse. Hierdoor krijgen we regelmatig opmerkingen over het feit dat een gewijzigde EPC waarde geen invloed heeft op de geschatte huurprijs; - blijkbaar halen ook redelijk wat mensen de veiligheid binnen de woning pand aan als reden waarom ze de huurprijs te hoog (geen veilige buitendeur, geen sloten op bepaalde binnendeuren, ) of te laag (branddeur, inbraakbeveiligde deur, alarm, ) vinden; - wat met gemeenschappelijke delen van de woning/tuin? Moeten die ingegeven worden, en zo ja, hoe? 2.3 Vergelijking met Grote Woononderzoek Huurprijs en aanvangsjaar De gemiddelde huurprijs bedraagt 562 euro anno 2013 volgens het Grote Woononderzoek 2013 (Heylen 2015). De gemiddelde huurprijs bij aanvang contract bij de Huurschatter bedroeg 648 euro. De geschatte huidige huurmarktwaarde bedraagt ongeveer 689 euro. Dit is een groot verschil. Vooraleer dieper in te gaan op de vergelijking van de huurprijzen, geven we enkele elementen mee die belangrijk zijn bij het vergelijken van beide datasets. Tabel 28 Huurprijs op de private markt, naar type woning, gemiddelde in euro per maand, in prijzen van 2013, Vlaanderen, T test voor verschil Procentueel verschil Totaal ** + 8,1 Appartement ** + 9,2 Eengezinswoning ** + 10,1 Studio, kamer, andere ** + 27,6 N T test voor verschil : **p<0,01 Bron: Woonsurvey 2005; Grote Woononderzoek 2013 (Heylen et al., 2015) De Huurschatter. Deel 1. Een eerste, algemene analyse 17

27 Indexatie In het Grote Woononderzoek (GWO) wordt gevraagd naar de maandelijkse huishuur zonder bijkomende kosten (ook de gemeenschappelijke niet) anno Bij de Huurschatter wordt naar de huurprijs gevraagd bij aanvang van het contract. Men zou verwachten dat de huurprijs bij aanvang van het contract lager is dan de huurprijs die men betaalt op het moment van bevragen. Ondertussen kan de huurprijs immers geïndexeerd zijn of extra verhoogd (bv. omwille van renovatie). Tabel 29 geeft weer dat (slechts) 60% van de contracten jaarlijks geïndexeerd wordt. Daarnaast ondergingen 4,5% van de contracten die niet geïndexeerd worden, wel een extra verhoging/herziening. Voor 35% van de huurcontracten zou de huidige huurprijs dus gelijk zijn aan de huurprijs bij aanvang van het contract. Hierbij is het niet zo dat de niet geïndexeerde contracten de recente contracten zijn waarvoor de indexering nog niet toegepast is. De contracten zijn redelijk verdeeld volgens aanvangsjaar van huur, dus ook bij de oudere contracten vindt men niet geïndexeerde huurprijzen. Tabel 29 Aandeel huurcontracten die geïndexeerd worden en/of herzien zijn tijdens de looptijd van het huurcontract, GWO 2013 Indexering (in %) Geen indexering (in %) Extra verhoging 5,3 4,5 Geen extra verhoging 55,1 35, Aanvangsjaar In het GWO 2013 wordt niet expliciet gevraagd naar het aanvangsjaar van het huurcontract. Wel wordt voor elk soort bewoner gevraagd sinds wanneer hij de woning bewoont, wat waarschijnlijk in zeer grote mate overeenkomt met het aanvangsjaar van het huurcontract. Dit is een belangrijk element. Eénmaal het contract is aangegaan, zal de huurprijs immers een andere evolutie volgen dan die van de huurmarktwaarde, ofwel wordt hij geïndexeerd, ofwel niet. Herzieningen zijn zoals net aangehaald uitzonderlijk. De actuele huurprijs van oudere huurcontracten zal dus veelal lager zijn dan deze van recentere huurcontracten: - de markthuurprijzen zijn historisch sterker gestegen zijn dan de gezondheidsindex. Dit is voornamelijk het geval in de jaren voor 2009 (zie punt van Hedonische huurprijsindex); - het woningbestand kan ook veranderd zijn (zowel qua grootte, als qua kwaliteit). De kwaliteitsindex (zie 4.5) toont alvast een sterke toename sinds Langs de andere kant zijn recente huurcontracten vaker huurcontracten voor kortere termijn, appartementen met een kleinere woonoppervlakte. Dit effect speelt een belangrijke rol bij de vergelijking van de huurprijzen. De huurcontracten van het GWO zijn gemiddeld eerder aangegaan dan deze van de Huurschatter. Gemiddeld gezien is het aanvangsjaar voor huurcontracten januari 2006 in het GWO en juli 2009 voor de Huurschatter. Zo zien we dat 15% van de private huurders volgens het GWO reeds voor 2000 zijn intrek nam in zijn huidige woning. Dit verschil tussen GWO en Huurschatter kan diverse redenen hebben, maar we vermoeden voornamelijk twee elementen. (1) Recentere (ver)huurders doen meer beroep op de Huurschatter. De steekproef kan dus in dit opzicht vertekend zijn, maar met het doel van de Huurschatter, namelijk een berekening geven van de actuele huurmarktwaarden, is deze vertekening niet erg, integendeel zelfs, de meest recente data zijn het meest waardevol. (2) Daarnaast zitten in de steekproef van de De Huurschatter. Deel 1. Een eerste, algemene analyse 18

28 Huurschatter ook de niet gedomicilieerden. Hiertoe behoren bv. jongvolwassenen die een appartement, huis of zelfs gemeenschapshuis huren, hoewel ze nog bij de ouders gedomicilieerd zijn. Veelal gaat het bij hen om een tijdelijke vorm van huren en dus ook vaak om recentere contracten. Deze zijn niet in het GWO bevraagd. Figuur 1 Aandeel van de huurcontracten volgens jaar van aanvang (aangegaan tussen *) * Om reden van vergelijkbaarheid zijn voor beide steekproeven enkel de huurcontracten genomen die tussen 2000 en 2011 zijn aangegaan. Het verschil in aanvangsjaar speelt een grote rol in het verschil in gemeten huurprijs tussen beide databronnen. Zo zien we dat de meer recente contracten in het GWO, namelijk deze vanaf 2011 (36% van het totaal aantal private huurders) bij het GWO een gemiddelde huurprijs hebben van 601 euro, wat een stuk hoger is dan de gemiddelde betaalde huur anno 2013 van alle private huurders in het GWO, nl. 562 euro. Huurders die reeds huren van voor 2005 ( 26% van de huurders) betalen anno 2013 gemiddeld slechts 473 euro. Dit verschil kan mede veroorzaakt worden door compositie effecten, waarbij de recentere woningen kwalitatief beter zijn of betere ligging hebben, maar dit is niet onderzocht. Figuur 2 toont bovendien dat het verloop, waarbij oudere contracten lagere huurprijzen hebben, niet lineair is. We zien duidelijk verbanden met economische variabelen. Ter vergelijking hebben we de figuur die het verloop van de woningprijzen en de koopkracht van huishoudens weergeeft, toegevoegd (Vastmans et al. 2014). Opmerkelijk in deze vergelijking is dat in jaren dat de woningprijs boven de gemiddelde betaalbaarheid (ability to pay) ligt, we bij de huurprijzen zien dat deze boven de lineaire trend ligt en vice versa. De evolutie van huurprijzen en woningprijzen lijken sterk positief samen te hangen. De huurprijzen die anno 2013 betaald worden, hangen blijkbaar samen met het algemeen peil van de verkoopprijzen van woningen ten tijde van het aangaan van het huurcontract. Ook veranderingen in de huurwetgeving, zoals de jaren 1983, 1989, 1991, 1997 zijn breekpunten in de figuur. Voor een overzicht van de geschiedenis van de huurwetgeving zie bv. Pannecoucke en De Decker (2003). Het is uiteraard boeiend, maar buiten het bestek van dit onderzoek om na te gaan hoe deze elementen de huidige huurprijs bepalen. Ook interessant is de evolutie van de sociale huur, die veel vlakker is. Dit is logisch aangezien de sociale huur die betaald wordt, niet afhangt van De Huurschatter. Deel 1. Een eerste, algemene analyse 19

29 het oorspronkelijk huurbedrag, maar wel voornamelijk van het huidig jaarinkomen. 5 Voor dit deel is echter de voornaamste conclusie dat in de private huurmarkt de huidige huurprijs van bestaande contracten verschillend is van de huidige huurmarktwaarde naarmate het huurcontract vroeger in de tijd is aangegaan. Figuur 2 Huidige huurprijs anno 2013, volgens aanvangsjaar contract, gewogen gemiddelde over 5 jaar, GWO 2013 Bron: GWO, eigen verwerking Figuur 3 Evolutie van de werkelijke woningprijs* en 3 gesimuleerde koopkrachtreeksen op basis van 3 betaalbaarheidsscenario s volgens berekening woonbonus, België * Derde kwartielprijs, gecorrigeerd voor herclassificatie effect tussen verhuur/de huurprijs van een sociale huurwoning De Huurschatter. Deel 1. Een eerste, algemene analyse 20

30 Gemeenschappelijke kosten Bij de Huurschatter kunnen gemeenschappelijke kosten in de huurprijs zitten, die vaak bij appartementen voorkomen. Dit element wordt in de nieuwe webversie van de Huurschatter gedetailleerder bevraagd. Op basis van het GWO heeft 40% van de appartementen gemeenschappelijke kosten onderhoud gemeenschappelijke plaatsen en/of beheerskosten in een appartement (syndicus). Het gemiddeld bedrag van deze kosten schommelt rond de 50 euro per maand Appartementen/Eengezinswoningen Indien we de aandelen appartementen en eengezinswoningen vergelijken, dan zien we dat in de Huurschatter het aandeel eengezinswoningen veel groter is (40,8% na cleaning van de data) dan in het GWO, ondanks het feit dat er meer recente contracten in de databank zitten, die veelal appartementen zijn. Door het groter gewicht aan eengezinswoningen in de Huurschatter zal de gemiddelde huurprijs dan ook hoger zijn aangezien huizen gemiddeld een hogere huurprijs hebben dan appartementen. Indien we enkel naar appartementen kijken, veelal van recentere datum, zien we dat de gemiddelde huurprijs in het GWO 557 euro bedraagt tegenover 605 euro bij de Huurschatter. Een verschil dat reeds veel kleiner is dan voor alle woningen samen. Bij huizen is het verschil groter, 597 euro bij GWO, en 704 euro bij de Huurschatter. Dit is te verwachten aangezien het aandeel van oudere contracten bij het GWO daar veel hoger is. Tabel 30 Aandeel type woning bij private huurders volgens aanvangsjaar van het huurcontract, GWO 2013 Type woning <2005 (in %) (in %) >2011 (in %) Totaal (in %) Eengezinswoning 8,49 9,94 6,92 25,35 Appartement 16,32 24,56 25,11 65,99 Studio 0,87 1,51 2,27 4,65 Kamer 0,04 0,37 1,27 1,68 Serviceflat 0,48 1,17 0,55 2,21 Andere 0,08 0,00 0,05 0,13 totaal 26,27 37,56 36,16 100,00 Bron: GWO 2013 Achter de restcategorie studio, kamers, en andere met een gemiddelde huurprijs van 449 euro (Heylen 2015) schuilt een grote diversiteit. De gemiddelde prijs voor een service flat bedraagt 648 euro, voor een studio is dat 398 euro, en voor een kamer 412 euro. Het lijkt paradoxaal dat een kamer gemiddeld duurder is dan een studio. Zoals tabel 31 laat zien vinden we dat de gemiddelde huurprijs voor een kamer per categorie aanvangsjaar lager is dan deze van een studio. Doordat het aanvangsjaar bij kamers gemiddeld recenter is, en die observaties dus een zwaarder gewicht kennen, zorgt dit ervoor dat gemiddeld gezien, zonder rekening te houden met het aanvangsjaar, een gemiddelde kamer duurder is dan een studio. Daarnaast zien we dat de gemiddelde huurprijs bij contracten van voor 2005 in GWO2013 zowel voor eengezinswoningen als appartementen een stuk onder de huurprijzen ligt van de Woonsurvey 2005 (zie tabel 40). Dit duidt erop dat langlopende contracten vaak tegen een relatief lagere huurprijs verhuurd worden. Zoals de gebruikers in het feedbackveld van de Huurschatter hebben aangegeven, zijn De Huurschatter. Deel 1. Een eerste, algemene analyse 21

31 verhuurders vaak bereid om tegen een lagere huurprijs te verhuren als daar tegenover staat dat de huurders voor langere tijd huren. Tabel 31 Gemiddelde huurprijs type woning bij private huurders volgens aanvangsjaar, GWO 2013 < >2011 Totaal Eengezinswoning Appartement Studio Kamer Serviceflat Andere Bron: GWO 2013, eigen verwerking Gemeenschappelijk wonen Hoewel er slechts 11 personen/huishoudens aangeven in het GWO dat ze gemeenschappelijk huren, zien we dat de huurprijs daar significant hoger ligt (800 euro). In de mate dat gemeenschappelijk wonen in grotere mate bij niet gedomicilieerde huishoudens voorkomt, kan men verwachten dat dit bij de Huurschatter vaker voorkomt en dus zwaarder doorweegt. Ook niet gedomicilieerde huishoudens kunnen de Huurschatter gebruiker, terwijl dit bij het GWO niet voorkomt. Bovendien zal men bij het GWO geïnteresseerd zijn in de huurkost van het huishouden, terwijl dit bij de Huurschatter de huur van de hele woning is. Zo vinden we dat de enkelingen die in het GWO aangaven gemeenschappelijk te wonen waarschijnlijk soms de volledige huurprijs gaven van de woning. Voor eengezinswoningen bedroeg deze 779 euro, een stuk hoger dan de standaard woning die verhuurd wordt. Voor kamers in gemeenschappelijke woningen vonden we 2 observaties in het GWO, met een gemiddelde huurprijs van euro anno Tabel 32 Huurprijzen volgens gemeenschappelijke woonvorm bij private huurders, GWO 2013 Niet gemeenschappelijk N Gemeenschappelijk N wonen Eengezinswoning Appartement Studio Kamer Serviceflat Andere Bouwjaar De verdeling van de woningen naar bouwjaar is redelijk gelijkmatig in GWO en Huurschatter, met uitzondering van de woningen na Hier zien we dat de steekproef van de Huurschatter veel meer woningen bevat. Mogelijk heeft dit te maken met het feit dat sommige gebruikers de Huurschatter ook gebruiken om een huurwaarde te berekenen voor de nieuwe appartementen die op de markt komen, maar nog niet bewoond zijn. Ook dit vormt een verklaring voor het feit dat de huurprijs in de Huurschatterdatabank hoger uitkomt dan de huurprijzen in het GWO. De Huurschatter. Deel 1. Een eerste, algemene analyse 22

32 Tabel 33 Bouwjaar van huurwoningen GWO 2013 en Huurschatter (2014) GWO 2013 (in %) Huurschatter (in %) Voor ,64 4, ,33 9, ,09 13, ,46 14, ,75 13, ,55 7, ,76 10, ,70 6,65 Na ,70 20, Dubbel glas, muurisolatie en andere In het GWO is in 67,7% van de huurwoningen volledig dubbelglas aanwezig. Bij de Huurschatter duidde 74,6% aan dat er dubbel glas aanwezig was (zie tabel 20). Het in vorige punt geschetste verschil in bouwjaar tussen beide is een mogelijke verklaring. Daarnaast verschilt de terminologie, wat vergelijken moeilijk maakt. Ook voor muurisolatie vinden we gelijkaardige elementen. In het GWO zijn 57% van de daken volledig geïsoleerd, en 7% gedeeltelijk. Bij de Huurschatter zijn 58,8% van de daken goed geïsoleerd, en 24% licht geïsoleerd. Bemerk dat deze resultaten uit de survey van het GWO komen, en dus door de respondenten zelf zijn beoordeeld, niet uit het deel van de technische schouwing, dat door getrainde externen is opgemeten. Bij het GWO vond 80% van de huishoudens de binnenmuren van de woning in goede staat, terwijl 82,5% van de gebruikers van de Huurschatter de staat van de binnenkant van hun woning goed tot zeer goed vond. Bij het GWO vonden 85% van de huishoudens de buitenmuren van de woning in goede staat, terwijl 82,5% van de gebruikers van de Huurschatter de staat van de buitenkant van hun woning goed tot zeer goed vond. Globaal kan men dus stellen dat de cijfers van de Huurschatter in lijn liggen met deze van het GWO, met dit verschil dat de gebruikers van de Huurschatter zich in iets grotere mate in het hogere huursegment van de woningmarkt bevinden. Tabel 34 Aanwezigheid dubbelglas (GWO 2013) Eengezinswoning (in %) Appartement (in %) Totaal (in %) (Bijna) overal aanwezig 57,18 71,84 67,70 Gedeeltelijk 20,03 9,97 12,81 Niet aanwezig 22,79 18,19 19,49 Totaal 100,00 100,00 100,00 De Huurschatter. Deel 1. Een eerste, algemene analyse 23

33 2.3.4 Conclusie De gemiddelde huurprijs van de Huurschatter 2014 ligt een stuk boven de gemiddelde huurprijs van het GWO In eerste instantie verwachten we dat de huurprijs van de Huurschatter lager zou zijn, aangezien daar naar de huurprijs bij aanvang van het contract gevraagd wordt, terwijl bij het GWO naar de huidige huurprijs gevraagd wordt. Er zijn echter diverse elementen die verklaren waarom de gemiddelde huurprijs bij de Huurschatter hoger ligt. Het groter aandeel eengezinswoningen bij de Huurschatter verklaart een eerste deel. Indien we de huurprijzen van de appartementen vergelijken, dan vinden we dat deze veel dichter bij elkaar liggen. Voor eengezinswoningen speelt ook gemeenschappelijk wonen een rol. Daar waar de Huurschatter de huurprijs van de gemeenschapswoning berekent (veelal de grotere woningen), wordt in het GWO gevraagd naar de huurprijs van het huishouden zelf, dus bij gemeenschappelijk wonen, de private delen van de hele woning. Daarnaast zien we ook dat de Huurschatter een groter deel recent gebouwde huurwoningen heeft, mogelijk zijn deze woningen nog niet verhuurd, maar staan ze te huur. Het belangrijkste verschil vinden we echter bij de aanvangsdatum. De gemiddelde contractduur is 7 jaar bij het GWO en slechts 3,5 jaar bij de Huurschatter. Dit zorgt ervoor dat de gemiddelde aanvangsdatum van het huurcontract in het GWO 3,5 jaar eerder is. De huidige huurprijs van bestaande contracten is lager naarmate het huurcontract vroeger in de tijd is aangegaan. Het is natuurlijk zo dat de huurprijs enkel mag geïndexeerd worden volgens de gezondheidsindex en enkel onder bepaalde voorwaarden kan herzien worden. Bovendien wordt 45% van de huurcontracten niet geïndexeerd. Verhuurders wegen het nadeel van een iets lagere huurprijs dan de huidige huurmarktwaarde waarschijnlijk af tegen het voordeel van verhuur op langere termijn (goede verstandhouding zittende huurders, geen kosten die horen bij nieuwe verhuur tijdelijke leegstand, zoekertjes, tijdsinvestering ). 2.4 Het verschil tussen eerste en vervolgopzoekingen In deze paragraaf achterhalen we wat gebruikers van de Huurschatter veranderen in hun opzoekingen wanneer ze een bepaalde woning meermaals ingeven in de Huurschatter. Om te weten te komen welke opzoekingen meermaals gebeurd zijn, rangschikken en sorteren we de data chronologisch en per adres. We houden enkel de observaties bij waarvan het adres minstens twee keer voorkomt. M.a.w. we laten de woningen die slechts één keer zijn ingevuld uit deze dataset. Wanneer we dit doen hebben we nog observaties over in de dataset. Als we bekijken hoeveel verschillende adressen er in de dataset zitten, komen we op Gemiddeld gezien zijn dat dus bijna drie opzoekingen per adres. Of anders gesteld, ongeveer opzoekingen zijn vervolgopzoekingen. In tabel 35 wordt weergegeven hoeveel percent van de adressen de variabele in kwestie aanpaste bij een volgende opzoeking. De meeste veranderingen gebeuren bij de bewoonbare oppervlakte, maar ook de oppervlakte van de tuin en het terras wordt vaak veranderd wanneer men de woning meermaals ingeeft in de Huurschatter. Het aantal slaapkamers kent ook een vrij hoog veranderingspercentage. Die vier variabelen hebben vooral te maken met de grootte van de woning. Daarnaast zijn ook dakisolatie, keuken, woningstaat (intern en extern), verwarming en sanitair belangrijke factoren die worden veranderd door mensen die de Huurschatter meermaals invullen. Deze variabelen duiden dan weer meer op de kwaliteit van de woning. De Huurschatter. Deel 1. Een eerste, algemene analyse 24

34 Tabel 35 Overzicht veranderde velden tussen opzoekingen met zelfde adres, Huurschatter 2014 Variabele % van de adressen dat aanpaste Aantal bouwlagen 7,56 Aantal slaapkamers 15,88 Aantal verdiepingen 5,65 Bebouwingtype 4,23 Beglazing 11,11 Bewoonbare oppervlakte 35,72 Dakisolatie 12,16 EPC 7,61 Garage 9,89 Keuken 17,53 Leefbaarheid 8,39 Lift aanwezig 1,48 Ligging 12,43 Mindervalidenaanpasbaarheid 5,28 Natuurlijke lichtinval 9,49 Omgevingshinder 10,59 Oppervlakte terras 19,48 Oppervlakte tuin 17,57 Sanitair 15,69 Uitzicht 10,75 Ventilatie 8,94 Verdieping 10,79 Verwarming 15,48 Warm water niet aanwezig 0,88 Woning staat extern 13,71 Woning staat intern 15,93 Bron: Huurschatter Huurprijs en aanvangsjaar huurcontract Vooraleer de huurprijs berekend wordt door de Huurschatter wordt er aan de gebruiker een eigen inschatting van de huurprijs gevraagd. De mediaan van deze eigen inschatting bevindt zich voor de eengezinswoningen 50 euro boven de huurprijs bij aanvang van het contract. Voor appartementen is dit slechts 5 euro. Beiden mogen echter niet zomaar met elkaar vergeleken worden. De eigen inschatting van de huurprijs gaat immers om de recente huurmarktwaarde, en niet deze bij aanvang van het contract. Deze recente huurmarktwaarde werd geschat door de eerste versie van de Huurschatter. De zo berekende huurprijs ligt iets hoger dan de eigen inschatting van de gebruiker. Dit kan drie redenen hebben. Ofwel schatte de eerste versie van de Huurschatter de woningen effectief iets te hoog in. De andere mogelijkheid is dat de zittende huurders de oorspronkelijke huurprijs bij aanvangsjaar bij hun inschatting sterker laten doorwegen dan de actuele huurmarktwaarde. Hiertoe dienen we eerst een volledige analyse uit te voeren. Daarnaast kan het ook zijn dat foutief ingevulde velden leiden tot vertekende resultaten, al is het zo dat de mediaan hiervoor ten dele compenseert. De Huurschatter. Deel 1. Een eerste, algemene analyse 25

35 Tabel 36 Type woning Huurprijs en aanvangsdatum huurcontracten Eengezinswoning (N= ) Appartement (N= ) Totaal (N= ) * Berekening eerste versie van Huurschatter. Bron: Huurschatter 2014 Mediaan huurprijs bij aanvang contract Mediaan eigen inschatting huurprijs Mediaan berekende huurprijs* Mediaan Gemiddelde aanvangsdatudatum aanvangs huurcontract huurcontract (+1 maand) (+8 maand) (+6 maand) Om de dataset te ontdoen van onlogische en foutieve antwoorden (bijv. typefouten) bekijken we elke variabele die met de hand kon worden ingegeven. Indien nodig stellen we restricties op zodat de dataset betrouwbaarder wordt en minder wordt beïnvloed door extreme waarden. De analyse hiervan vindt u in bijlage 1. In dit geval blijven er observaties over. In vergelijking met tabel 36 zien we dat de berekende huurprijs dichter bij de eigen inschatting komt te liggen. Door het toepassen van de cleaning zien we daarnaast dat voornamelijk de lage huurprijzen voor eengezinswoningen eruit gelaten worden. Hiervoor werden geen duidelijke verklaringen gevonden. Tabel 37 Type woning Huurprijs en aanvangsdatum huurcontracten na cleaning Eengezinswoning (N= ) Appartement (N= ) Totaal (N= ) Bron: Huurschatter 2014 Gemiddelde huurprijs bij aanvang contract Gemiddelde eigen inschatting huurprijs Gemiddelde berekende huurprijs Gemiddelde aanvangsdatum huurcontract 704,80 740,74 750, (+4 maand) 605,43 619,35 643, (+11 maand) 648,20 671,60 689, (+8 maand) Een eerste indicatie van verschillend gebruik van de Huurschatter tussen huurders en verhuurders Indien we bovenstaande tabellen gaan opsplitsen volgens de gebruiker, namelijk huurder/verhuurder zien we dat deze resultaten opmerkelijke verschillen tonen. Hoewel de gemiddelde huurprijs bij aanvang van het contract voor beide types gebruikers in lijn ligt met elkaar, zien we opmerkelijke verschillen in de eigen inschatting van de huurprijs. Deze ligt bij verhuurders gemiddeld 65 euro boven de huurprijs bij aanvangsdatum, en bij de huurders 23 euro eronder. Opmerkelijk is dat de eigen inschatting van de huurders zelfs onder deze van de huurprijs bij aanvang van het contract ligt, en dus al zeker onder de actuele huurmarktwaarde aangezien de huurprijzen ondertussen gestegen zijn. Indien we echter de gemiddelde berekende huurprijs nemen van de Huurschatter van de eerste versie, dan zien we dat deze slechts 1% hoger ligt dan de gemiddelde huurprijs bij aanvang van het contract (gemiddeld eind 2009). Hoe kan dit? In hoofdstuk 4 vinden we De Huurschatter. Deel 1. Een eerste, algemene analyse 26

36 namelijk dat de huurprijs tussen begin 2010 en eind 2012 gemiddeld 6% gestegen is. De logische verklaring zou kunnen zijn dat huurders de kenmerken van de woningen iets pessimistischer hebben ingevuld, wat eveneens tot een lagere berekende huurprijs leidt. Voor de verhuurders krijgen we het omgekeerd verhaal. Hun eigen inschatting is een stuk hoger dan de gemiddelde huurprijs bij aanvang van het contract (10%, namelijk 723/657), en de gemiddelde berekende huurprijs van het contract eveneens (11%, namelijk 730/657). Aangezien we, zoals net aangehaald, in hoofdstuk 4 vinden dat een meer realistische stijging tussen begin 2010 en eind % zou zijn, kunnen we vermoeden dat de verhuurders de woningkenmerken dan weer positiever hebben ingevuld. Een eerste belangrijke vaststelling is dus dat de eerste versie van de Huurschatter zowel voor de huurders als voor de verhuurders redelijk schattingen gaf die in lijn waren met hun eigen schattingen. Alleen lijkt er een grote discrepantie te bestaan indien we deze vergelijken met de huurprijs bij aanvang van het contract. Kan de Huurschatter nog wel in grote mate de prijstransparantie bevorderen bij dergelijke verschillen? En zo ja, onder welke voorwaarden? Ligt het verschil in grote mate aan de subjectieve input? Deze eerste vraag wordt beantwoord in volgend hoofdstuk. We kunnen inderdaad aantonen dat verhuurders in vergelijking met huurders de velden positiever invullen, waardoor de berekende huurprijs eveneens hoger ligt. Kan de Huurschatter nog wel in grote mate de prijstransparantie bevorderen indien er dergelijk grote verschillen bestaan bij de subjectieve input? De Huurschatter lijkt immers in eerste instantie zowel het oordeel van de huurder (de huurprijs van het contract is te hoog gegeven de minder kwalitatieve woningkenmerken) als van de verhuurder (de huurprijs van het contract is te laag gegeven de kwalitatieve kenmerken) te bevestigen. Het antwoord vinden we in hoofdstuk 5. Er wordt eerst een update van het model geschat op basis van zowel de observaties van de huurder als die van de verhuurder. Op die manier kan men verwachten dat de te rooskleurige ingeschatte kenmerken van de verhuurder als de te laag ingeschatte kenmerken van de huurder elkaar in evenwicht houden. Deze hypothese wordt redelijkerwijs bevestigd omdat voor de meest betrouwbare observaties (namelijk deze waarbij het EPC kengetal is ingevuld) een goede accuraatheid gevonden wordt. We lopen met deze conclusie uiteraard vooruit op de rest van dit onderzoeksrapport, maar het illustreert tevens wat de focus van dit onderzoek is, namelijk het testen van het gebruik en de accuraatheid van de Huurschatter. Dit neemt niet weg dat er rekening dient gehouden te worden met het feit dat huurders en verhuurders ook de woningkenmerken verschillend invullen. Want als een verhuurder de Huurschatter gebruikt zien we dat de gemiddelde berekende huurprijs ook substantieel hoger is dan de huurprijs bij aanvang van contract, en overeenkomt met de schatting van de verhuurder. Daar waar de gemiddelde huurprijs bij aanvang van contract slechts 6 euro verschilt tussen de observaties ingevuld door huurder en verhuurder, stijgt het verschil in berekende huurprijs tot 70 euro. In het volgende hoofdstuk komen we hier uitvoerig op terug. De Huurschatter. Deel 1. Een eerste, algemene analyse 27

37 Tabel 38 Type woning Huurprijs en aanvangsdatum na cleaning volgens huurder/verhuurder Eengezinswoning (N= ) Appartement (N= ) Totaal (N= ) Bron: Huurschatter 2014 Gemiddelde huurprijs bij aanvang contract Verhuurder Huurder Gemiddelde eigen inschatting huurprijs Verhuurder Huurder Gemiddelde berekende huurprijs Verhuurder Huurder Gemiddelde aanvangsdatum huurcontract Verhuurder Huurder 714,30 692,86 793,42 674,60 790,45 699, , ,70 608,18 602,76 664,03 575,91 679,56 609, , ,72 657,04 638,60 723,60 615,17 730,61 645, , ,31 Tabel 39 geeft weer hoe de observaties verdeeld zijn volgens aanvangsjaar. Aangezien het aantal huurcontracten volgens kortlopend en langlopend evenredig verdeeld is (Tratsaert, 2012), is het logisch te verwachten dat het grootste deel van de observaties in de categorie met recente aanvangsjaren zit. Voor 2013 vinden we echter een overschatting van het aantal observaties. We verwachten dat de databank gebruikt is voor toekomstige huurwoningen te testen op hun huurmarktwaarde. Tabel 39 Aantal observaties volgens aanvangsjaar huurcontract Aanvangsjaar contract Appartementen Eéngezinswoningen Bron: Huurschatter 2014 De Huurschatter. Deel 1. Een eerste, algemene analyse 28

38 3. Het verschil in beoordeling tussen huurders en verhuurders De dataset bevat ook gepaarde opzoekingen. Dit zijn opzoekingen voor woningen met hetzelfde adres en busnummer waarvoor zowel de huurder als de verhuurder gegevens hebben ingevuld. Het gaat over observaties 6 (dataset beperkt tot aanvangsjaar contract vanaf 2008). Gepaarde waarnemingen bieden het voordeel dat het verschil in ingevulde kenmerken van de woning toegewezen kan worden aan de gebruiker (huurder/verhuurder) en niet beïnvloed wordt door het feit dat de verhuurders die gebruik maakten van de Huurschatter typisch andere huurwoningen opzochten. Gegeven de eerste resultaten zoals besproken in 2.2.7, waaruit bleek dat de subjectieve invulling van de woningkenmerken een grote rol leek te spelen, is dit een belangrijke analyse. 3.1 Resultaten gepaarde waarnemingen Een eerste vaststelling was dat bij gepaarde waarnemingen zelfs de huurprijs bij aanvang van het contract kan verschillen (+/ 60% van de gepaarde waarnemingen). De huurprijs verschilde wel slechts in kleine mate. Desalniettemin lijkt het opportuun om de analyse van gepaarde waarnemingen in twee klassen op te delen, deze met dezelfde huurprijs bij aanvang van het contract, en deze waarbij deze verschilt. Dit kan immers een aanwijzing zijn dat één van de beide partijen de Huurschatter onzorgvuldig gebruikt heeft, en we willen nagaan of dit mede de oorzaak zou kunnen zijn van afwijkende ingevulde velden tussen huurder en verhuurder. Uit tabel 40 blijkt dat huurders en verhuurders voor eenzelfde pand andere resultaten bekomen. De huurders schatten de huurprijs typisch lager in, en de verhuurders hoger. Met deze inschatting van de huurprijs wordt bij de update van het model verder geen rekening gehouden want die is gebaseerd op de huurprijzen bij aanvang van het contract. Maar het is wel een belangrijke vaststelling. Bovendien, en dit is wel belangrijk voor het model, vullen de huurders de woningkenmerken pessimistischer en de verhuurders rooskleuriger in, bijna consistent voor alle woningkenmerken. We vinden dat dit verschil in subjectieve invulling leidt tot een modelschatting van de huurprijs met kenmerken ingevuld door de verhuurder die 50 euro hoger ligt dan de waarde van de modelschatting op basis van kenmerken die door de huurder zijn ingevuld. 50 euro is iets minder dan het gemiddelde verschil in inschatting van de huurprijs tussen huurder en verhuurder, maar grosso modo kan men stellen dat men kan verwachten dat zowel voor de huurder als de verhuurder de Huurschatter goed werkt, want resultaten geeft die dicht bij hun eigen inschatting liggen. Dit is een belangrijke kanttekening bij het gebruik van de Huurschatter. 6 We kunnen verwachten dat een deel van deze observaties door dezelfde persoon zijn ingevuld, waarbij getest werd of dezelfde opzoeking zou verschillen tussen huurder en verhuurder. Dit zijn we nagegaan door te kijken hoeveel van die observaties op dezelfde dag gebeurd zijn, dit waren Aangezien vooral bij de lancering van de website het gebruik hoog lag, is het niet verwonderlijk dat er effectief redelijk wat panden zijn die op dezelfde dag door zowel de huurder als de verhuurder ingevuld zijn. We verwachten ongeveer toch dan een tal observaties (500 woningen) door eenzelfde persoon ingevuld zijn, door gewoon huurder/verhuurder te switchen. (= zelfde pand, en op zelfde dag opgezocht!) De Huurschatter. Deel 1. Een eerste, algemene analyse 29

39 Uit de opsplitsing tussen gepaarde waarnemingen met en zonder dezelfde huurprijs bij aanvang van contract blijkt dat de verschillen van ingevulde velden tussen huurders en verhuurders met een verschillende huurprijs groter zijn. Dit kan echter ook mede verklaard worden door het hoger aandeel appartementen in deze categorie. Bij appartementen zien we vaker dat de huurprijs verschilt. Dit kan diverse redenen hebben (1) appartementen waarbij voor beide het busnummer niet is ingegeven kunnen over diverse appartementen handelen, (2) bij appartementen is het thema van extra kosten die al dan niet inbegrepen zijn in de huurprijs vaak een onduidelijkheid, (3) mogelijk kan het ook zijn dat lagere segmenten minder éénduidig ingevuld worden, wat mogelijk ook bij data cleaning een rol speelde. Zoals in het vorige hoofdstuk reeds aangegeven is dit verschil in invullen van woningkenmerken tussen huurder en verhuurder weliswaar een aandachtspunt, maar geen onoverkomelijk probleem voor de update en het gebruik van de Huurschatter, zoals in hoofdstuk 5.4 verder besproken wordt. Tabel 40 Vergelijking subjectieve invulling huurder/verhuurder bij gepaarde waarnemingen, Huurschatter 2014 Zelfde huurprijs Verschillende huurprijs Huurder Verhuurder Huurder Verhuurder Totaal Aandeel 19,80% 19,80% 30,20% 30,20% Aantal EPC 9,18% 12,00% 6,24% 12,36% 869 Inschatting huurprijs 666,69 726,14 630,67 708,78 680,29 Huurprijs (aanvangsjaar) 686,82 686,82 658,91 658,89 669,96 Bouwjaar 1971,4 1971,2 1978,4 1978,5 1975,6 Aantal slaapkamers 2,4 2,5 2,0 2,1 2,2 Aantal verdiepingen 1,5 1,5 2,8 2,8 2,3 Bewoonbare oppervlakte 124,2 130,2 100,7 106,0 112,8 Oppervlakte tuin 169,1 194,4 65,9 80,4 116,2 Oppervlakte terras 13,9 16,8 9,9 11,8 12,6 Eengezinswoning 53,87% 54,42% 22,92% 22,84% 35,26% Recente volledig dubbele beglazing 32,74% 39,93% 32,27% 44,60% 37,60% Volledig dubbele beglazing 43,14% 41,15% 43,87% 40,32% 42,12% Overwegend dubbele beglazing 12,28% 9,51% 10,88% 7,98% 10,01% Overwegend enkele beglazing 6,31% 4,76% 5,00% 3,63% 4,80% Volledig enkele beglazing 5,53% 4,65% 7,98% 3,48% 5,48% Recente inbouwkeuken 45,35% 55,09% 45,40% 62,00% 52,32% Licht verouderd, maar volledig 25,22% 26,77% 21,83% 20,16% 22,97% Alle basisvoorzieningen 19,47% 14,16% 20,96% 15,01% 17,52% Minimale voorzieningen 8,19% 2,77% 9,86% 2,32% 5,85% Primitief 1,77% 1,22% 1,96% 0,51% 1,34% LIGGING Zeer slecht 0,55% 0,11% 0,15% 0,07% 0,20% Slecht 1,33% 0,55% 0,80% 0,00% 0,61% Matig 10,95% 5,09% 11,10% 3,99% 7,73% Goed 58,41% 46,68% 59,97% 44,09% 52,23% Zeer goed 28,76% 47,57% 27,99% 51,85% 39,22% NATUURLIJKE LICHTINVAL Weinig 5,75% 1,88% 6,89% 0,87% 3,85% Normaal 54,09% 45,69% 55,40% 40,68% 48,77% Veel 40,15% 52,43% 37,71% 58,45% 47,37% De Huurschatter. Deel 1. Een eerste, algemene analyse 30

40 Tabel 41 Vergelijking subjectieve invulling huurder/verhuurder bij gepaarde waarnemingen, Huurschatter 2014 (vervolg) SANITAIR Recent 45,46% 56,19% 44,38% 58,81% 51,29% Licht verouderd, maar volledig 27,32% 25,55% 26,25% 25,24% 26,02% Alle basisvoorzieningen 22,01% 15,93% 23,13% 14,58% 18,90% Minimale voorzieningen 4,31% 1,55% 4,93% 1,23% 3,02% Primitief 0,89% 0,77% 1,31% 0,15% 0,77% UITZICHT Onaantrekkelijk 7,85% 2,21% 9,21% 1,67% 5,28% Doorsnee 53,87% 46,13% 56,49% 44,53% 50,31% Aantrekkelijk 38,27% 51,66% 34,30% 53,81% 44,42% VERWARMING Centrale verwarming: condenserende 25,89% 28,65% 27,85% 30,31% 28,36% ketel Centrale verwarming: hoogrendementsketel 27,10% 29,54% 24,58% 32,99% 28,60% Centrale verwarming: ouder model 20,58% 16,48% 22,19% 14,50% 18,42% In kamer: elektrisch of gasconvectoren 22,79% 22,01% 22,92% 20,59% 22,01% In kamer: mazout of kolenkachel 3,65% 3,32% 2,47% 1,60% 2,61% WONINGSTAAT EXTERN Zeer slecht 0,44% 0,44% 0,29% 0,07% 0,28% Slecht 2,10% 0,66% 2,03% 0,07% 1,18% Matig 15,49% 6,08% 15,95% 3,48% 10,14% Goed 52,10% 45,69% 53,88% 41,33% 48,12% Zeer goed 29,87% 47,12% 27,85% 55,04% 40,28% WONINGSTAAT INTERN Zeer slecht 0,33% 0,33% 0,29% 0,00% 0,22% Slecht 2,88% 0,77% 1,96% 0,15% 1,36% Matig 16,04% 6,42% 17,04% 5,66% 11,30% Goed 55,20% 51,66% 54,75% 45,32% 51,38% Zeer goed 25,55% 40,82% 25,96% 48,88% 35,74% RUIMTE Zeer beperkt 1,00% 0,22% 2,61% 0,36% 1,14% Beperkt 9,40% 4,20% 11,82% 3,05% 7,18% Gemiddeld 43,69% 37,39% 45,90% 34,88% 40,45% Ruim 38,05% 43,58% 32,49% 45,61% 39,75% Zeer ruim 7,85% 14,60% 7,18% 16,10% 11,48% OMGEVINGSHINDER Geen 51,11% 67,04% 41,91% 64,90% 55,65% Matig 41,26% 31,64% 50,33% 34,59% 40,08% Veel 7,63% 1,33% 7,76% 0,51% 4,27% LEEFBAARHEID Zwak 2,99% 0,77% 3,12% 0,15% 1,73% Doorsnee 35,18% 19,69% 39,81% 19,51% 28,78% Goed 61,84% 79,54% 57,07% 80,35% 69,49% DAKISOLATIE Goed geïsoleerd 48,89% 62,17% 42,35% 63,09% 53,83% Licht geïsoleerd 21,68% 17,26% 20,09% 13,71% 17,92% Geen isolatie wel winddicht onderdak 8,08% 4,54% 4,50% 2,25% 4,53% Geen isolatie en onderdak 6,19% 5,53% 4,86% 4,57% 5,17% Niet van toepassing 15,15% 10,51% 28,21% 16,39% 18,55% VENTILATIE Slecht 9,40% 1,55% 9,64% 0,87% 5,34% Matig 35,51% 23,56% 39,74% 18,85% 29,39% Goed 55,09% 74,89% 50,62% 80,28% 65,27% Warm water niet aanwezig 0,66% 1,00% 1,16% 0,44% 0,81% Bron: Huurschatter 2014 De Huurschatter. Deel 1. Een eerste, algemene analyse 31

41 3.2 Subjectieve beleving van de kwaliteit, wat zegt het GWO? In het GWO hebben we zowel een technische en subjectieve schatting van de kwaliteit aangezien zowel een bevraging van de bewoners heeft plaatsgevonden, als een screening van de woningkwaliteit. (Van den Broeck K., 2015 & Vanderstraeten L., 2015). De ene is gebaseerd op de antwoorden van de bewoners en de andere op de rapportage van een getrainde enquêteur. Op deze manier kan de bruikbaarheid van de subjectieve meting (of de persoonlijke beoordeling van de kwaliteit) als benadering van de technische kwaliteit geëvalueerd worden. Een belangrijke kanttekening is dat slechts een beperkt aantal variabelen vergeleken kan worden tussen de survey van het GWO en de screening omdat zowel de subjectieve bevraging als de screening veelal niet opgesteld waren via eenzelfde soort beoordelingskader. Hierdoor kan de vergelijking ook maar partieel gebeuren. Op basis van die resultaten kan men het volgende stellen: - De subjectieve meting van kwaliteit van elementen die vaker voorkomen, duidelijker zichtbaar en beter meetbaar zijn, wordt goed ingevuld. Een vochtige muur of vloer wordt beter onderkend dan een lekkend dak. Er zijn relatief weinig verschillen tussen in goede staat (bewoner) en zonder gebreken (enquêteur). Het verschil blijkt groter als de nuance belangrijker wordt, bv. indien het gaat om grote herstellingen (bewoner) versus uitgebreide gebreken (enquêteur). De eigenaars onderkennen de woninggebreken het best, en zeker de oudere eigenaars zij die hun woning het best kennen (?). - Anders wordt het als we deze elementen in een index samenbrengen en een algemene beoordeling van de kwaliteit vragen. Deze index is minder duidelijk gedefinieerd en dus ook niet echt concreet meetbaar (of afhankelijk van de aannames). De resultaten verslechteren en de eigenaars blijken veel vaker de woning als goed of matig te beoordelen in het geval van een ontoereikende kwaliteit (84%!) dan private of sociale huurders (resp. 74,7% en 70,5%). Uiteraard kunnen deze gegevens niet vergeleken worden met de data van de Huurschatter omdat verschillende elementen gemeten worden, maar de resultaten hiervan zijn wel leerzaam. Voor hedonische prijsanalyses die zich baseren op subjectieve metingen van de kwaliteit is dit belangrijk. De vraag dient zo gesteld te worden dat die elementen bevraagd worden die het meest eenvoudig, zichtbaar en meetbaar zijn. Daarnaast vinden we ook een mogelijke verklaring van het verschil in beoordeling bij de Huurschatter tussen huurder en verhuurders. Dit kan liggen aan het feit dat de gemiddelde huurder een stuk jonger is dan de gemiddelde verhuurder. We kunnen aannemen dat het referentiekader bij jongere personen bepaald wordt door recentere kwaliteitsnormen en minder door oudere kwaliteitsnormen. Al gaat dit niet op voor de inschatting van de huurprijs. Volgens de oudere normen zou deze lager moeten zijn bij de verhuurders die typisch ouder zijn, wat niet het geval blijkt. We kunnen dan ook verwachten dat een verhuurder andere incentieven heeft om zijn woning beter te laten uitschijnen, en de huurprijs hoger in te schatten. De Huurschatter. Deel 1. Een eerste, algemene analyse 32

42 4. Hedonische en SPAR huurprijsindex 4.1 Situering hedonische huurprijsindex Hoe kun je een huurprijsindex berekenen van huurwoningen, terwijl er geen twee huurwoningen identiek zijn? Het doel van een huurprijsindex is het volgen van de gemiddelde huurprijsevolutie van een bepaalde huurwoning. De keuze van de methode voor het schatten van de index hangt af van dit doel (fit to purpose). De gebruikelijke klassieke methoden (gemiddelde en mediaan) vallen af door hun beperkingen omdat geen rekening wordt gehouden met mogelijke veranderingen in de samenstelling van verhuurde huizen over de verschillende perioden (analoog aan Bourassa et al., 2006). Wanneer bijvoorbeeld in een gegeven periode huurcontracten worden afgesloten voor een disproportioneel aantal hoogwaardige huizen zal de gemiddelde of mediane huurprijs toenemen, hoewel de huurprijs van een individuele woning niet noodzakelijkerwijs toegenomen is (Case & Shiller, 1987). Deze tekortkomingen impliceren dat een alternatieve methode gezocht moet worden om een huurprijsindex voor Vlaanderen te kunnen construeren. Internationaal meer gangbare methoden zijn de hedonische prijsanalyse, de weighted repeat sales (herhaalde waarnemingen) of een combinatie van beide (hybride modellen). De keuze van de methode hangt mede af van de kenmerken van de beschikbare databestanden. In Vastmans et al. (2012 b) werd reeds een repeat rent index opgesteld op basis van de geregistreerde huurcontracten. Aangezien het huurovereenkomstenbestand van het AAPD/FOD Financiën onvoldoende informatie bevat over de woningkarakteristieken (grootte, aantal kamers, enz.) kon op basis daarvan geen hedonische analyse toegepast worden (en dus ook geen hybride model). Het bestand bevat daarentegen wel actuele en betrouwbare informatie van alle geregistreerde huurovereenkomsten, inclusief het tijdstip van contractverlenging en de huurprijs. Deze structuur sluit naadloos aan op de voorwaarden voor het gebruik van de methode van herhaalde waarnemingen, internationaal gekend als de Repeat Sales Methode. Doordat de (huur)prijs van dezelfde woning in de tijd wordt vergeleken, wordt (deels) gecorrigeerd voor pakketsamenstelling (bv. de gemiddelde huurprijs kan sterk stijgen vanwege een toename van nieuwbouwappartementen die op de huurmarkt terecht komen). Wel is het zo dat dit bestand niet toelaat te meten hoe dezelfde woningen doorheen de tijd kunnen veranderen. Qua grootte zal dit effect mogelijk beperkter zijn. Wat betreft de kwaliteit werd de veronderstelling gemaakt dat een deel van de waarde van de woning vanwege verdere afschrijvingen daalde in kwaliteit terwijl een ander deel gerenoveerd werd en dat beide effecten elkaar ongeveer compenseerden. Met de hedonische analyse stelt zelfs dit probleem zich niet. Bovendien is het zo dat deze repeat rent index niet verder geüpdatet kan worden aangezien de onderzoekers geen nieuwe data over recente geregistreerde contracten meer verkregen. De dataset van de Huurschatter biedt dus een nieuwe mogelijkheid om dit te doen, en wel via de hedonische methode. De hedonische prijsanalyse kan alleen toegepast worden als er op het moment van verkoop/verhuur voldoende informatie over de woningkwaliteit aanwezig is, bijvoorbeeld aantal kamers, woonoppervlakte, de aanwezigheid van een bad of tuin (Rosen, 1974). Een vereiste voor een hedonische prijsanalyse is een ruime set van verklarende variabelen (Wang en Zorn, 1997). De Huurschatter. Deel 1. Een eerste, algemene analyse 33

43 Het is belangrijk om duidelijk te maken wat een hedonische huurprijsindex betekent. Daartoe schetsen we eerst nog eens in meer detail het gebruik van de evolutie van gemiddelde huurprijzen, om te duiden waar de voordelen liggen van een meer verfijnde methode. Volgens het GWO (Heylen 2015) is het aandeel van de private huurmarkt toegenomen. Een mogelijke fenomeen dat hierbij dan in werking treedt is het fenomeen Will Rogers. Doordat de samenstelling en grootte van subgroepen veranderen, kunnen de evoluties van de subgroepen verschillen van het totaalbeeld. Dit werd komisch beschreven door Will Rogers: Toen de Oakies migreerden van Oklahoma naar California, droeg dit bij tot een stijging van het gemiddelde intelligentieniveau van beide staten. Will Rogers, over de geografische migratie tijdens de economische depressie van de jaren 30. Uiteraard verandert er niets aan het intelligentieniveau van de bevolking van de twee staten samen, al lijkt dit zo te zijn als men beweert dat elke staat intelligenter wordt. Voor de woningmarkt zal het verschil tussen huurders en eigenaars tot gelijkaardige evoluties kunnen leiden. Als een groter deel van de bevolking start op de huurmarkt, kan dit immers leiden tot een stijging van het gemiddeld inkomen van zowel de gemiddelde huurder als de gemiddelde eigenaar. Dit in de veronderstelling dat het extra deel van de bevolking dat start op de huurmarkt een hoger inkomen heeft dan de gemiddelde huurder, en een lager inkomen dan de gemiddelde eigenaar. Paradoxaal zou dit mogelijk een gevolg kunnen zijn van een groeiende groep huurders die net niet tot eigenaarschap overgaan wegens te hoge woningprijzen. Bovendien kan men veronderstellen dat deze groep van netniet of nog niet eigenaars bovendien kiezen voor meer kwalitatieve huurwoningen waardoor de kwaliteit en huurprijzen op de huurmarkt mogelijk hierdoor toenemen. Om de gemiddelde huur en woningprijsevoluties goed te duiden zijn er dus complexere analyses nodig. De hedonische huurprijsindex geeft weer hoe de huurprijs van een woning van constante kwaliteit doorheen de tijd verandert. Vanuit investeringsoogpunt is dit interessant. Hoe zal de evolutie van een investeerder zijn woning veranderen doorheen de tijd met minimaal onderhoud (namelijk het ongedaan maken van slijtage). Gelijke kwaliteit veronderstelt ook gelijke kwaliteitsnormen. Indien de huurprijs stijgt door toegenomen kwaliteitsnormen (meer en beter dubbelglas, hoog rendementsverwarming, isolatie), dan wordt dit niet door de hedonische huurprijsindex gemeten, maar dit kan men wel nagaan via de geschatte coëfficiënten van het hedonische huurprijsmodel. Hier komen we in 4.5, de kwaliteitsindex, op terug. In sectie 4.3 gaan we bovendien een stap verder en gebruiken we de SPAR index wat een hybride methode is die elementen van de repeat rent en hedonische prijsanalyse gebruikt. Deze gebruikt de hedonische schattingen voor recente jaren en de werkelijke huurprijzen bij aanvang van het contract. Het voordeel van deze index is dat ze redelijke robuuste resultaten geeft voor eerdere jaren, maar vooral dat ze eenvoudig toegepast kan worden om de hedonische schattingen te indexeren bij gebruik naar latere jaren. De Huurschatter. Deel 1. Een eerste, algemene analyse 34

44 4.2 Hedonische huurprijsindex methodologisch In dit deel gebruiken we nog niet het hedonische prijsmodel zoals beschreven in 1.3. De basisformule van deze construction based approach zag er als volgt uit: Waarbij P h de huidige huurmarktwaarde, L het locatie effect is (op statistische sectorniveau), G de grootte van de woning, K de kwaliteit van de woning en ε de foutenterm. We kennen immers de huidige huurmarktwaarde niet van het model. De eigen inschatting van de gebruiker is daarvoor immers niet geschikt. De huurmarktwaarde die we kunnen gebruiken is de huurprijs bij aanvang van het contract. Maar daartoe zouden we het model moeten uitbreiden met een tijdsindex., Dit model is echter niet oplosbaar met de gangbare statistische methoden. Daartoe dienen we een 2 stappenbenadering gebruiken waarbij we eerste een index schatten die de huurprijzen bij aanvang van het contract kan actualiseren stappenbenadering Bij de berekening van een hedonische huurprijsindex wordt standaard de log lineaire benadering gebruikt (zie Huurschatter deel 3 een log lineaire benadering). Empirische studies vonden dat de performantie van deze redelijk goed was (Eurostat, 2013). Een log lineaire benadering ziet er als volgt uit: log, Bovenstaande vergelijking schat een lineair model, met als afhankelijke variabele het logaritme van de woningprijs. Dit model wordt geschat. Door vervolgens de exponent van beide helften van de vergelijking te nemen vinden we het resultaat. We zien dat door de log transformatie het model eenvoudig kan opgelost worden, terwijl onderstaande vergelijking een complexe weergave is van het resultaat. Op deze manier wordt de huurprijsindex berekend., Met deze huurprijsindex kunnen we dan de huurprijzen bij aanvangsjaar van het huurcontract updaten naar de actuele huurmarktwaarden anno Dit doen we enkel voor observaties waarvan het huurcontract is aangegaan vanaf Op deze manier focussen we op de meest recente contracten zodat we de meest recente waarderingen van de huurwoningen in kaart brengen. Op deze actuele huurmarktwaarden passen we dan de additieve hedonische benadering toe die beschreven is in 1.3 om de hedonische prijsanalyse uit te voeren die de huurmarktwaarden voor 2014 schat (hoofdstuk 5). Dit model gebruikt dus als afhankelijke variabele de actuele huurmarktwaarde (de oorspronkelijke huurprijs die hedonisch geïndexeerd is). De hedonische prijsanalyse schat deze vervolgens aan de hand van woningkenmerken. Deze schatting noemen we de geschatte huurmarktwaarde. De 2 stappenbenadering bestaat uit volgende delen: 1. de log lineaire benadering wordt gebruikt voor de berekening van de hedonische huurprijsindex. Deze is geschikt om de tijdsevolutie in kaart te brengen, terwijl de woningkenmerken goed (maar niet optimaal) in rekening gebracht worden zodat de impact op de berekening van de huurprijsindex minimaal verondersteld kan worden; De Huurschatter. Deel 1. Een eerste, algemene analyse 35

45 2. voor het schatten van de actuele huurmarktwaarden (hoofdstuk 5) wordt dan de additieve benadering gebruikt. Hiervoor worden de huurprijzen volgens aanvangsjaar eerst volgens de hedonische huurindex geïndexeerd, om vervolgens als afhankelijke variabelen in het model gebruikt te worden. Figuur 4 Schematisch overzicht twee stappenmodel huurindex Huurschatter oorspronkelijke huurmarktwaarde = opgegeven huurprijs bij aanvang contract woningkenmerken = opgegeven kenmerken 2014 STAP 1 Temporeel, huurprijsindex hedonische huurprijsindex Vergelijking als indexcheck model Is afhankelijke variabele voor STAP 2 Cross sectioneel, Huurschatter actuele huurmarktwaarde 2014 geschatte huurmarktwaarde Vergelijking als check accuraatheid model Korte methodologische uitleg bij stappenplan Voor de geïnteresseerde lezer leggen we kort uit waarom dit ons een de meeste geschikte aanpak lijkt. We stellen immers voor dat het hedonisch prijsmodel best volgens een cost of production approach geschat wordt. Hier stelt zich echter een moeilijkheid. Indien we de data willen gebruiken zouden we een aparte analyse moeten uitvoeren per aanvangsjaar van het huurcontract (een analyse voor huurprijzen voor contracten die starten in 2013, 2012, ). Dit is optimaal, maar daarvoor hebben we, ondanks een uitgebreide databron, te weinig observaties voor. We dienen dus de data van contracten met verschillende aanvangsjaren samen te nemen. Hierbij stellen zich twee problemen. Vooreerst is het berekenen van een hedonische huurprijsindex volgens de additieve methode niet langer additief indien men een jaardummy toevoegt om de huurprijsindex mee te berekenen. Het oplossingsalgoritme dat dan toegepast wordt bij deze niet lineaire benaderingen is veel complexer en het duurde te lang vooraleer het model opgelost werd (zelfs met krachtige rekenservers kan dit dagen De Huurschatter. Deel 1. Een eerste, algemene analyse 36

46 duren). Daartoe wordt gekozen voor de Log lineaire regressie, 7 waarbij we dummy s toevoegen die weergeven in welk jaar het contract is afgesloten voor de laatste 5 jaar (vanaf 2008). De coëfficiënten van contractjaardummy s geven weer hoe woningen worden gewaardeerd uit dat jaar. We rekenen deze om naar een percentuele verandering per jaar en cumulatieve verdelingen (t.o.v. referentiejaar). Een tweede probleem dat zich stelt heeft te maken met de hedonische methode. Het is niet logisch te veronderstellen dat de waardering van de kwaliteitskenmerken constant zijn doorheen de tijd (vandaar dat er in het optimale geval per contractjaar een hedonische huurprijsanalyse uitgevoerd wordt). Voor de Huurschatter beperken we de data daartoe tot contracten vanaf Contracten met vroegere aanvangsjaren worden niet mee opgenomen. Door de log lineaire benadering te gebruiken veronderstellen we dat de waarde van de kwaliteitskenmerken evenredig met de huurprijsindex stijgen doorheen de tijd. Dit lijkt voor zo een korte periode een zeer redelijke veronderstelling. Voor de schatting van de huurmarktwaarden gebruiken we dus een andere hedonische prijsanalyse, namelijk deze beschreven in 1.3, omdat het hier minder van belang is om de evolutie van de huurprijzen exact te schatten, maar wel de relatie tussen de woningkenmerken en de actuele huurmarktwaarden optimaal te meten (hedonisch geïndexeerde huurprijs van aanvangsjaar). Op basis van deze finale schattingen kunnen we bovendien een nieuwe huurprijsindex opbouwen volgens de SPAR methode. Deze wordt in volgend punt behandelt, aangezien deze ook van belang is om een huurprijsindex verder up te daten zonder dat hiervoor een update van het hedonische prijsmodel nodig is. 4.3 Huurindex volgens de SPAR methode, voor toekomstige updates De SPAR methode (Sale Price Appraisal Ratio), zie Bourassa et al. (2006) kan ook toegepast worden om een huurindex te berekenen. In zekere zin werkt ze gelijkaardig aan de repeat rent index omdat ze volgens het principe van herhaalde waarnemingen twee waarderingen van dezelfde woning vergelijkt doorheen de tijd. Eén van de waarderingen is bij de SPAR methode echter een schatting. Het grote voordeel van de SPAR methode zorgt ervoor dat op die manier alle transacties en observaties gebruikt kunnen worden terwijl bij een repeat rent enkel die gegevens van huurwoningen in aanmerking komen voor de dataset waarbij huurgegevens van twee opeenvolgende contracten van dezelfde woning beschikbaar zijn. 7 De log lineaire benadering is qua berekeningswijze een lineaire benadering en vergt dus geen excessieve rekenkracht. Qua interpretatie is de log lineaire benadering multiplicatief: het geschatte model is log Y = a+b+ is additief, en door de exponent te nemen van beide leden krijgt men de interpretatie is Y = e a * e b *, ( de geschatte coëfficiënten van het oorspronkelijke model dienen dus verder doorvertaald te worden. De Huurschatter. Deel 1. Een eerste, algemene analyse 37

47 De Haan, et al. (2008) geven weer dat er verschillende SPAR indices berekend kunnen worden. Zo kunnen huurwoningen eenzelfde gewicht krijgen in de index, of een gewicht volgens de waarde van de woning. Voor deze laatste ziet de index er dan als volgt uit:, gewogen Waar P jt en P i0 de huurprijzen zijn voor huizen j en i in de periode t en de periode 0, de referentieperiode wanneer de woningen gewaardeerd werden volgens schattingen. S j0 en S i0 zijn dan de schattingen, in ons geval de hedonische prijsschattingen van het model. Het aantal aangegane huurcontracten in de verschillende perioden is dan n 0 en n t waarbij 0 en t de grootte van de steekproeven zijn. Bovenstaande formule kan nog vereenvoudigd worden. Bij een hedonische schatting zal het gemiddelde verschil (de fout) tussen de huurprijs en de geschatte huurprijs in een bepaald jaar bijna nihil zijn. Een hedonisch prijsmodel zorgt er immers voor dat de som van de gekwadrateerde fouten nul is, wat bijna, maar niet helemaal hetzelfde is. Dit zorgt ervoor dat de noemer, indien hiervoor gecontroleerd is, kan weggelaten worden. Indien we vervolgens niet wegen volgens grootte, maar een eenvoudige gemiddelde nemen 8 wordt de formule:, eenvoudig voor t 0 9 Aan de hand van dergelijke index kan men de Huurschatter zijn schattingen gemakkelijk indexeren en updaten naar nieuwe jaren zonder dat het hele hedonische prijsmodel herschat dient te worden. Het komt erop neer dat indien de gemiddelde huurprijs van een aangegaan contract in euro zou zijn, en de hedonische schatting voor 2015 een gemiddelde waarde van 700 euro schat, dit impliceert dat de index met 1% stijgt van 2015 naar 2016, namelijk 707/700. Indien de referentie periode 0 het jaar 2015 is, zal men eind 2016 de huurprijzen van de nieuwe contracten kunnen vergelijken met de schattingen uit 2015 en vervolgens het model met deze index updaten. Op die manier krijgt men een jaarlijkse update. Bemerkt uiteraard dat het model altijd één periode achterloopt. Na enkele jaren lijkt het echter aangewezen de coëfficiënten van het hedonisch model te herschatten, bijvoorbeeld om de 3 jaar. Deze methode kan echter ook toegepast op de observaties met aanvangsjaar voor 2008 en zo teruggaan in de tijd, waarbij de vergelijking gemaakt kan worden met andere indices. Dit wordt in volgend punt behandeld. 4.4 Overzicht resultaten SPAR index Een index kan op verschillende manieren berekend worden. (1) Men kan de gemiddelde huurprijs van alle bestaande of nieuwe contracten in de huurmarkt meten. De samenstelling van het huurwoningenbestand varieert wel doorheen de tijd (soort woning, kwaliteitsniveau, ) en beïnvloedt zo de gemiddelde huurprijs, en op die manier weet men niet hoe een individuele huurwoning zijn huurprijs verandert doorheen de tijd. In vergelijking met 2005 zijn er bijvoorbeeld minder woonhuizen en meer (nieuwbouw)appartementen in de voorraad huurwoningen. (2) Een repeat rent/sales index meet de 8 Een geometrische variant kan eveneens gebruikt worden. 9 Indien t<0 dan dient P in de noemer en S in de teller geplaatst te worden. De Huurschatter. Deel 1. Een eerste, algemene analyse 38

48 prijsevolutie van dezelfde huurwoningen doorheen de tijd en wordt niet beïnvloed door de samenstelling. Dergelijke index wordt wel positief beïnvloed door kwaliteitsverbeteringen binnen dezelfde voorraad huurwoningen. (3) Een hedonische prijsindex geeft de evolutie weer van eenzelfde woning doorheen de tijd met gelijkblijvende woningkenmerken. (4) De SPAR index is een hybride combinatie van een repeat rent index waarbij één van de herhaalde waarnemingen een hedonische schatting is Beschrijving ruwe data We starten eerst met een beschrijving van de gemiddelde huurprijzen volgens aanvangsjaar van huurcontract. Aangezien de Huurschatter in 2013 gelanceerd is, wil dit zeggen dat huurcontracten met vroegere aanvangsjaren in de dataset contracten van langere duur zijn. Van de huurcontracten met recentere aanvangsjaren weten we niet of ze voor lange of korte duur verhuurd worden. Dit zorgt uiteraard voor een veranderende samenstelling van de huurwoningen volgens aanvangsjaar waarbij uiteraard rekening dient gehouden te worden bij een schets van de gemiddelde huurprijsevolutie die hierdoor minder informatief is. Zoals we zien in figuur 5 zijn het voornamelijk huizen die op langere termijn verhuurd worden en appartementen op kortere termijn. Indien we binnen de categorie appartementen kijken zien we slechts een zeer minimale stijging van het aandeel kleine appartementen naar latere aanvangsjaren. Voor huizen zien we zelfs een eerder omgekeerd effect. Vanaf 2006 worden de verhuurde woningen lichtjes groter in bewoonbare oppervlakte. Om de evolutie van de gemiddelde huurprijs is het dus belangrijk om veranderingen in de samenstellingen van de woningen te kennen. Bij een hedonische huurprijsindex, repeat rent of SPAR index spelen deze compositie effecten geen rol omdat de effecten hiervan op de prijs weggefilterd worden. Zo zien we dat de gemiddelde huurprijs van huizen in de dataset van de Huurschatter daalt van 2000 tot 2002 (tabel 1), maar figuur 5 geeft weer dat de gemiddelde oppervlakte in die jaren ook systematisch gedaald is. Daartoe zijn de resultaten van de SPAR huurprijsindex die in volgende paragraaf besproken wordt, ernaast gezet. Deze geeft de huurevolutie weer van een gelijkaardige woning doorheen de tijd, waarbij de vergelijking gemaakt wordt met de oorspronkelijke huurprijs en zijn huidige geschatte huurmarktwaarde. Hier zien we deze daling niet optreden. Meer in het algemeen zien we dat huurprijzen voor woningen en appartementen in de periode , de jaren voor de crisis, sterk gestegen zijn. Na 2008 zijn ze verder gestegen, maar tegen een lager tempo. De Huurschatter. Deel 1. Een eerste, algemene analyse 39

49 Figuur 5 Evolutie van aandeel appartementen en huizen in Huurschatter volgens aanvangsjaar, opgesplitst volgens grootte, Bron: Huurschatter, Wonen Vlaanderen, eigen bewerking Een ander belangrijk aspect is dat het aandeel van huurcontracten naar later aanvangsjaar gradueel stijgt. Dit is logisch. Maar voor 2013 liggen de aantallen te hoog, aangezien de Huurschatter in april 2013 gelanceerd is (via een nieuwsuitzending) en toen een groot gebruik kende. We vermoeden dat na de nieuwsuitzending ook een deel eigenaars de Huurschatter heeft gebruikt en niet alle velden correct heeft ingevuld. 10 De grote piek van contracten met aanvangsdatum april 2013 kunnen dus ook uit de analyse gelaten worden. Mogelijk heeft ook een deel van de gebruikers aangegeven dat ze een woning huren terwijl ze de Huurschatter wensten te gebruiken voor de huurprijs van een nieuwe potentiële huurwoning te testen. Dit effect lijkt echter minimaal aangezien we in hoofdstuk 2 vonden dat de geografische representativiteit zeer sterk samenhing met de voorraad van huurwoningen en niet met eigenaarswoningen. In hoofdstuk 5 vinden we evenwel ook dat schattingen bij de data van huurcontracten met aanvangsjaar in 2013 minder goed zijn dan deze in Voor de hedonische huurprijsindex kan men dus verwachten dat 2013 en 2014 iets minder betrouwbare resultaten leveren. Voor 2014 zijn de data immers beperkt tot de eerste jaarhelft. 10 Dit effect speelt enkel mee voor woningen waarvan de aanvangsdatum en de datum van gebruik van Huurschatter gelijk zijn. De Huurschatter. Deel 1. Een eerste, algemene analyse 40

50 Tabel 42 Vergelijking evolutie gemiddelde huurprijzen appartementen en SPAR huurprijsindex volgens aanvangsjaar contract, Huurschatter 2014 APPARTEMENTEN Jaar contract Huur (in euro) % jaarlijkse gemiddelde huurstijging % jaarlijkse stijging SPAR huurprijsindex Aantallen Aandeel (in %) ,7 1, ,2 6, ,0 0, ,1 3, ,8 2, ,7 3, ,4 1, ,0 3, ,6 1, ,6 2, ,6 2, ,9 2, ,7 0, ,5 0, Gemiddeld 603 2,0 2, Totaal Tabel 43 Vergelijking evolutie gemiddelde huurprijzen woonhuizen en SPAR huurprijsindex volgens aanvangsjaar contract, Huurschatter 2014 WOONHUIZEN Jaar contract Huur (in euro) % jaarlijkse gemiddelde huurstijging % jaarlijkse stijging SPAR huurprijsindex Aantallen Aandeel (in %) ,0 2, ,6 1, ,3 1, ,8 5, ,0 1, ,6 3, ,7 2, ,5 4, ,7 1, ,8 1, ,7 3, ,8 2, ,4 2, ,7 0, Gemiddeld 705 1,7 2, Totaal Daarnaast zien we dat de aantallen voor aanvangsjaar 2008 ook kleiner worden. In het geval van een SPAR index lijken kleinere steekproeven minder een probleem te vormen dan hedonische prijsindices. Een hedonische prijsanalyse is gevoeliger voor een outliers aangezien met de kleinste kwadraten methoden gewerkt wordt waarbij afwijkingen een groter gewicht krijgen. Dit beïnvloedt de SPAR index minder (zie Constantinescu & Francke, 2013) De Huurschatter. Deel 1. Een eerste, algemene analyse 41

51 Bovenstaande stijgingen zijn gebaseerd op jaargemiddelden. De stijging in 2008 is dus gebaseerd op basis van alle contracten aangegaan in 2008 in vergelijking met alle contracten aangegaan in 2007, gemiddeld dus de stijging tussen gemiddeld 1 juli 2007 en 1 juli Dit is belangrijk bij de vergelijking met andere tijdreeksen. De gezondheidsindex steeg bijvoorbeeld in die periode (midden 2007 midden 2008) immers 5,9%, net voor het uitbreken van de crisis, en daalde vervolgens met 1,7% (midden 2008 midden 2009) SPAR huurprijsindex Vergelijking SPAR index en repeat rent index In vergelijking met de eerder berekende repeat rent index voor Vlaanderen van Vastmans en de Vries (2012) zien we dat de SPAR index iets lager ligt voor de recentere jaren. Dit zou erop kunnen wijzen dat in die periode de bestaande huurwoningen tussen twee opeenvolgende huurcontracten in sterkere mate gerenoveerd en kwalitatief verbeterd werden. Voor de periode 2000 zien we dat beiden sterk samenhangen, dit ondanks het feit dat er voor vroegere jaren minder observaties zijn. Figuur 6 Vergelijking SPAR huurprijsindex op basis van Huurschatter, opgesplitst volgens huizen en appartementen met repeat rent index, (100 = jaar 2000) Bron: Huurschatter, Wonen Vlaanderen, eigen bewerking De Huurschatter. Deel 1. Een eerste, algemene analyse 42

52 Vergelijking SPAR index en Evolutie beschikbaar inkomen per capita (Vlaams Gewest) Het is interessant om de evolutie van de SPAR index te vergelijken met die van het beschikbaar inkomen per capita. In de mate dat het inkomen sterker stijgt de huurprijsindex wil dit zeggen dat huurders duurdere en kwalitatief betere woningen kunnen huren voor dezelfde prijs, of dat ze eenzelfde woning als voordien kunnen huren maar daarbij een groter deel van hun inkomen overhouden. Dit lijkt het geval voor 2008 te zijn. Na 2008 toont de figuur dat de huurprijsevolutie sterker stijgt dan de inkomensevolutie. Figuur 7 Vergelijking SPAR huurprijsindex op basis van Huurschatter, opgesplitst volgens huizen en appartementen met nominaal beschikbaar inkomen per capita Vlaams Gewest, (100 = jaar 2000) Bron: NBB + Huurschatter Vergelijking met enkele indices op Belgisch niveau De officiële huurindex op nationaal niveau laat een dubbel beeld zien. Enerzijds is het verloop van de private huurindex minder sterk, anderzijds laat de sociale huurindex grotere stijgingen optekenen. Ook op nationaal niveau zien we dat de evolutie van het beschikbaar inkomen per capita sinds 2008 stagneert, terwijl de consumptieprijsindex tussen 2010 en 2012 een sterke stijging liet optekenen. De evolutie van de SPAR index situeert zich voor de periode vanaf 2006 tussen deze twee. Opvallend is dat de diverse tijdreeksen convergeren naar een gelijk punt. De gezondheidsindex is niet weergegeven aangezien deze zeer gelijkaardig evolueert als de consumptieprijsindex. De Huurschatter. Deel 1. Een eerste, algemene analyse 43

53 Figuur 8 Evolutie nationale huurindices, nationaal beschikbaar inkomen per capita en consumptieprijsindex (100= jaar 2000), België Bron: NBB + ADS Vergelijking met hedonische huurprijsindex (stap 1) Naast de SPAR index hadden we voor een korte periode ook een hedonische prijsindex geschat. Deze hedonische prijsindex is redelijk gelijkaardig aan de SPAR index, wat niet verwonderlijk is aangezien de SPAR index de geschatte huurmarkten van 2014 gebruikt in zijn berekening. Figuur 9 Hedonische nominale huurprijsindex , referentiejaar 2008, Huurschatter, verkregen uit log lineaire hedonische huurprijsindex berekening Bron: Huurschatter, Wonen Vlaanderen, eigen bewerking De Huurschatter. Deel 1. Een eerste, algemene analyse 44

54 4.5 Kwaliteitsindex De huurprijzen veranderen ook doorheen de tijd omdat de kwaliteit van de woningen verandert. Dit meten we via de kwaliteitsindex, die de gemeten waarden van kwaliteitskenmerken samentelt. De hedonische analyse biedt hier een handige techniek voor. Normaal kunnen kwaliteitskenmerken niet opgeteld worden, maar door de geschatte coëfficiënten van het hedonisch model te gebruiken kan dit wel, aangezien op die manier alle kwaliteitskenmerken eerst in een geldwaarde omgezet worden. Op basis van deze analyse vinden we dat de kwaliteit van de huurwoningen met recentere contractdatum een stuk hoger is. Figuur 10 Kwaliteitsindex, stijging van huurprijs naar aanvangsjaar contract toe te schrijven aan verandering van woningkwaliteit Bron: Huurschatter, Wonen Vlaanderen, eigen bewerking Meer detail vinden we in onderstaande tabellen en figuur. De Huurschatter. Deel 1. Een eerste, algemene analyse 45

55 Tabel 44 Verschil in woningkwaliteit volgens kwaliteitsvariabelen, aanvangsjaar BEGLAZING 2000 (in %) 2012 (in %) Recente volledig dubbele beglazing Volledig dubbele beglazing Overwegend dubbele beglazing Overwegend enkele beglazing 9 5 Volledig enkele beglazing 13 6 KEUKEN Recente inbouwkeuken Licht verouderd, maar volledig Alle basisvoorzieningen Minimale voorzieningen 14 7 Primitief 4 1 VERWARMING Centrale verwarming: condenserende ketel Centrale verwarming: hoogrendementsketel Centrale verwarming: ouder model In kamer: elektrisch of gasconvectoren In kamer: mazout of kolenkachel 6 3 ISOLATIE Goed geïsoleerd Licht geïsoleerd Geen isolatie wel winddicht onderdak 9 6 Geen isolatie en onderdak 13 5 Niet van toepassing Keuken en sanitair zijn de belangrijkste kenmerken die de gemiddelde huurwaarde per jaar hebben laten toenemen, daarnaast dubbele beglazing en de interne woningstaat, isolatie, Figuur 11 Decompositie van de kwaliteitsveranderingen volgens aanvangsjaar uitgedrukt in de hedonische prijswaarden voor een woning van 100 m², , Huurschatter De Huurschatter. Deel 1. Een eerste, algemene analyse 46

56 5. Nieuw hedonisch prijsmodel Huurschatter Doordat er na de lancering en het gebruik van de Huurschatter een uitgebreide dataset beschikbaar is, kan het oorspronkelijke model van de Huurschatter herschat worden. In hoofdzaak bestaat dit uit twee elementen. Enerzijds laat de uitgebreide dataset een meer verfijnde en exactere modellering toe. Anderzijds dient de kwaliteit van de input gecontroleerd te worden waarbij nagegaan wordt wat de mogelijke impact op de geschatte coëfficiënten is. 5.1 Niet lineaire benadering We hebben reeds vermeld dat voor de hedonische huurprijsindex een log lineaire benadering gebruikt werd, wat beter geschikt is om temporele tijdseffecten te meten (zie 4.2.1). Op basis hiervan konden we de huurprijzen bij aanvang van contract hedonisch indexeren naar actuele huurprijzen. In stap 1 schatten we dus niet de huurmarktwaarde. Deze tweede stap behandelen we in dit hoofdstuk, waar het model van de Huurschatter centraal staat. Hiertoe gebruiken we de cost of production approach om de cross sectionele verscheidenheid te modelleren. Dit model dat ook in het Handbook on Residential Property Prices Indices (RPPI s) of Eurostat (2013) als optimaal naar voren geschoven wordt ziet er uit als volgt: waarbij L het locatie of liggingseffect is (op statistische sectorniveau), G de grootte van de woning, K de kwaliteit van de woning en ε de foutenterm. De kwaliteit van de woning (prijs/m²) wordt in ons model als een som (additief) van de diverse woningkenmerken opgenomen. Waarbij β ix i staat voor een bepaald kwaliteitskenmerk x i (beglazing, sanitair, verwarming, interne staat van de woning, ) vermenigvuldigd met zijn bijhorende waarde β i, een coëfficiënt die bepaald wordt door het model te schatten. Het feit dat in ons model categorische variabelen gebruikt worden biedt een voordeel om elementen in een niet lineaire vorm op te nemen. We veronderstellen bv. dat de waarde van het kenmerk beglazing functie is van de kwaliteit van de beglazing en de grootte van de woning (want meer ramen in grotere woningen). Door de kwaliteit in categorieën te modelleren krijgen we een lineaire benadering door de grootte met elke klasse apart te laten interageren. Figuur 12 toont het resultaat hiervan uit het nieuwe model van de Huurschatter (2015). Het illustreert duidelijk dat de waarde van de kwaliteit van de beglazing vergroot met de grootte van de bewoonbare oppervlakte. En dit gebeurt bovendien op een logische manier, de waarde van beglazing verdubbelt niet bij een verdubbeling van de grootte, maar stijgt toch met meer dan de helft. De figuur geeft ook aan dat het in zeer grote mate voor verhuurders van De Huurschatter. Deel 1. Een eerste, algemene analyse 47

57 woningen met enkele beglazing interessant is om recente dubbele beglazing te steken (het verschil in waarde is bij hen het grootst), en dat de meerwaarde uiteraard daalt naarmate de woning reeds een zekere kwaliteit van beglazing heeft. De twee klassen, enkele beglazing en overwegend enkele beglazing komen in de observaties van de Huurschatter in kleine mate voor (tezamen iets meer dan 10% van de cases). Figuur 12 Waarde van type beglazing in huurprijs van eengezinswoningen volgens grootte van de woning, resultaten Huurschatter 2015 Klassen kunnen het nadeel hebben dat ze te breed gedefinieerd zijn en daardoor verfijning missen, maar bieden ook wel een voordeel. Indien de kwaliteit van de beglazing zou gemeten zijn op continue schaal (bv. de K waarde) en de grootte van de woning eveneens (bewoonbare oppervlakte in m²) dan krijgen we bv. volgende modellering kwaliteit β1 *grootte β2. Deze niet lineaire benadering is moeilijk op te lossen. Meer in het algemeen dienen we ervoor te zorgen dat het model optimaal opgelost kan worden. Dit stelt beperkingen aan het model. Niet lineaire termen 11 als β 1X 1*X 2 β2 zorgen ervoor dat het model opgelost dient te worden met niet optimale numerische zoekmethoden die te veel rekentijd vragen voor ons model/dataset. 5.2 Multicollineariteit Daar waar multicollineariteit een probleem vormt voor hedonische prijsmodellen die gericht zijn op het exact bepalen van de toegevoegde waarde van één bepaald woningkenmerk, zal het in ons geval een praktisch voordeel opleveren. Deze variabelen worden dan eigenlijk een soort container variabelen, waar verschillende deelelementen in zitten. Dit is belangrijk bij de interpretatie van de coëfficiënten. Het is bv. mogelijk dat de waarde van de beglazing door het model groter ingeschat wordt dan de werkelijke waarde omdat een deel van niet bevraagde elementen die sterk samenhangen met de kwaliteit beglazing zich op die manier in de coëfficiënt van beglazing vertalen. Het kan bv. zijn dat de elektrische installatie, die niet bevraagd is in het model, sterk samenhangt met het soort beglazing. 11 Hoewel, niet alle niet lineaire modellen leiden hieronder. Sommige modellen kunnen toch de rekenvoordelen van een lineaire benadering gebruiken indien men variabelen via een linkfunctie hiernaar kan vertalen. De log lineaire benadering is daar een voorbeeld van. De Huurschatter. Deel 1. Een eerste, algemene analyse 48

58 Al zal de elektrische installatie volgens ons eerder een sterkere samenhang vertonen met woningstaat intern. Multicollineariteit vormt echter voornamelijk een probleem voor de interpretatie van de geschatte coëfficiënten, maar niet voor de accuraatheid van het model. Toch zijn de resultaten van het model niet altijd wat men op het eerste zicht verwacht. In eerste instantie dachten we het voorbeeld aan te geven van dakisolatie. We gingen ervan uit dat veel huurders niet kunnen inschatten in welke mate het dak geïsoleerd is en ook de relatie met de besparingen op energie uitgaven niet goed kunnen inschatten, waardoor de relatie met de huurprijs ook minder duidelijk zou zijn. Grosso modo verwachten we dus minder eenduidige resultaten voor deze coëfficiënten en figuur 13 voor eengezinswoningen lijkt dit in eerste instantie te bevestigen. Geen isolatie, wel winddicht onderdak scoort hoger dan goed geïsoleerd. Dit is niet wat we verwachten. Indien we echter gaan kijken naar de bevraging van bewoonbare oppervlakte, dan zien we dat de zolder enkel meetelt indien deze bewoonbaar is. Men kan dus veronderstellen dat een niet geïsoleerde zolder met onderdak een ideale bergruimte is, wat een meerwaarde is die niet in het model bevraagd is want niet als bewoonbare oppervlakte is mee opgenomen. We kunnen verwachten dat een zolderkamer die als bv. slaapkamer dienst doet een minimum aan isolatie heeft. Deze meerwaarde van extra bergruimte, en eveneens het feit dat een mindere dakisolatie als een kleiner nadeel ingeschat wordt indien de zolder toch niet bewoond wordt, kan de hogere waardering voor niet geïsoleerde daken op een logische manier verklaren. Bovendien is het zo dat slechts 5% van de gebruikers dit kenmerk voor dakisolatie aanvinkten. De optie die de meesten aanvinkten, namelijk goede en minder goede isolatie, geeft wel zeer logische resultaten tussen beide. De optie niet van toepassing is voornamelijk voorzien voor appartementen, maar kan ook voorkomen bij eengezinswoningen indien de gebruiker een eengezinswoning (ver)huurt waarbij mogelijk de zolder apart als studio verhuurd wordt. Figuur 13 Waarde van type dakisolatie in huurprijs van eengezinswoningen volgens grootte van de woning, resultaten Huurschatter 2015 De Huurschatter. Deel 1. Een eerste, algemene analyse 49

59 5.3 Selectie van liggingsvariabelen Naast kwaliteit en grootte is de ligging van de woning belangrijk. Het liggingseffect meet in welke mate een bepaalde regio tot een hogere of lagere huurprijs leidt, gegeven de andere woningkenmerken. Dit ligginseffect is dus verschillend van de gemiddelde huurprijs in een regio, omdat deze laatste ook bepaald wordt door interregionale verschillen in kwaliteit en grootte. Aangezien de dataset zeer uitgebreid is, hebben we twee soorten benaderingen gebruikt om het liggingseffect te benaderen. Voor elke gemeente voeren we een dummy in. Dit wil zeggen dat het liggingseffect voor elke gemeente apart berekend wordt. Gemiddeld hebben we 100 observaties per gemeente 12. Deze indeling hebben we vervolgens verfijnd. Statistische sectoren en deelgemeenten met een voldoende observaties (+30), kregen ook een dummy variabele toegewezen zodat het liggingseffect daarvoor apart bepaald werd. Gemeenten met te weinig observaties werden geclusterd tot een grotere regio totdat voldoende observaties beschikbaar waren. De analyse van de intergemeentelijke liggingseffecten gebeurde op statistische sectorniveau, de kleinste administratieve eenheid, waarvan er in Vlaanderen zijn. We voerden een set van 100 statistische sectorvariabelen in het model (fiscaal inkomen, bevolkingsdichtheid, ), en lieten een selectiemodel lopen dat een 30 tal weerhield. Zie voor een beschrijving het vorige rapport (Vastmans, et al. 2012) hoe dit gebeurde. 13 Het liggingseffect van een statistische sector wordt dan bepaald als volgt: - gemeentedummy (afzonderlijk getal per gemeente) + intergemeentelijke liggingseffecten; - het intergemeentelijk liggingseffect wordt berekend als: ë ë Het intergemeentelijke liggingseffect wordt dus berekend door het kengetal van elke statistische sectorvariabele te vermenigvuldigen met zijn overeenkomstige geschatte coëfficiënt. Deze coëfficiënt is algemeen voor heel Vlaanderen geschat, maar het kengetal verschilt uiteraard, want dit is eigen aan de specifieke statistische sector. De selectieprocedure weerhield een dertigtal statistische sectorvariabelen (varianten van dichtheid, inkomen, soort bebouwing, demografische kenmerken, ). Het is dan alvast zo dat de gemeentedummy s veel meer vrijheidsgraden opnemen, namelijk 308, want voor elke gemeente in Vlaanderen wordt deze apart geschat, terwijl de grote dataset van statistische sectorinformatie slechts 30 vrijheidsgraden opnemen. Gegeven de grootte van de dataset is de kans op overfitting 14 miniem. 12 Het gevaar voor overfitting is dus beperkt. We spreken van overfitting van het model als de dummy coëfficiënt niet langer het gemeente effect meet, maar wel het toevallige effect van een bepaalde observatie. 13 Het aantal statistische sectorvariabelen waarmee getest werd, is verder geüpdatet en verfijnd op basis nieuwe gegevens (Helgers & Vastmans, Statistische sectorinformatie als bron voor woningmarktonderzoek, te verschijnen). We hadden gehoopt ook andere selectieprocedures te kunnen toepassen. De standaard opties om de belangrijkste en significante variabelen in een model te selecteren, namelijk step forward en backward selection procedures, testen slechts een beperkte set van mogelijke oplossingen en zijn niet noodzakelijk optimaal. Bij het toepassen van meer uitgebreide varianten, bv. het vselect algoritme in stata, vinden we echter dat onze dataset te groot is. Het mag verwonderlijk klinken dat de huidige computertechnologie nog onvoldoende rekenkracht heeft, maar dit komt omdat de benodigde rekenkracht voor oplossingsstrategieën veelal meer dan evenredig stijgen naarmate men complexere modellen berekent. 14 Het gevaar van overfitting houdt in dat te veel variabelen in een model met te weinig observaties leidt tot foutieve coëfficiënten. De Huurschatter. Deel 1. Een eerste, algemene analyse 50

60 Onderstaande kaarten (figuur 14 & 15) geven de liggingseffecten weer voor die statistische sectoren waar er observaties zijn. In 75% van de statistische sectoren zijn er observaties, waar de overige 25% statistische sectoren de minder dichtbevolkte, en zelfs niet bewoonde gebieden zijn. De liggingseffecten tussen eengezinswoningen en appartementen zijn redelijk gelijkaardig, net zoals de sterke overeenkomsten met de gemiddelde verkoopprijzen van woningen en appartementen (zie Vastmans en Helgers, te verschijnen). Dit liggingseffect is echter niet hetzelfde als een gemiddelde huurprijs. Het geeft het liggingseffect voor een woning met een bewoonbare oppervlakte van 100 m², met voor het overige identieke kenmerken. Gemiddelde huur en verkoopprijzen kunnen regionaal ook sterk verschillen vanwege algemene verschillen in kwaliteit, bouwjaar, gemiddelde grootte (perceel, bewoonbaar opp., ). Deze liggingseffecten zijn hiervan uitgezuiverd en zijn dan ook een zeer interessante bron voor ander onderzoek (territoriale selectiviteit, trade off tussen grootte woning en aantrekkelijke ligging, regionale woningprijsanalyses, ). Figuur 14 Liggingseffecten voor eengezinswoning, Huurschatter 2015 Legende: donkerdere statistische sectoren wijzen op hogere liggingseffecten. (coëfficiënten zelf niet interpreteerbaar). Figuur 15 Liggingseffecten voor appartement, Huurschatter 2015 Legende: donkerdere statistische sectoren wijzen op hogere liggingseffecten. (coëfficiënten zelf niet interpreteerbaar). De Huurschatter. Deel 1. Een eerste, algemene analyse 51

61 5.4 Accuraatheid van het nieuwe model Het centrale element voor de Huurschatter is de accuraatheid van het model. Om de accuraatheid van het model te testen vergelijken we de geschatte huurmarktwaarden met de actuele huurmarktwaarden (de hedonisch geïndexeerde huurprijs bij aanvang van contract). We vergelijken dus niet met de ingevulde schattingen van de huurders/verhuurders. Daarnaast worden ook huurcontracten van de sociale huisvesting niet mee opgenomen aangezien deze huurprijzen geen markthuurwaarden zijn. Hoe wordt de accuraatheid gemeten? De meeteenheid die hiervoor veelal naar voren wordt geschoven is de mean absolute percentage error (MAPE, of de gemiddelde absolute procentuele fout). We nemen de absolute fout, die altijd positief is, opdat positieve en negatieve afwijkingen elkaar niet zouden opheffen. Deze is eenvoudig te interpreteren. En we drukken deze fout relatief uit ten opzichte van de huurprijs. Zo krijgt men dat bij een schatting die 10% verschilt met de huurprijs (MAPE = 10%) de geschatte waarde van een huurwoning van 500 euro veelal ligt tussen de 450 en 550 euro. De gemiddelde fout is in eerste instantie niet interessant als maatstaf, omdat het hedonisch model veelal een model schat waarbij de gemiddelde fout net nul is, waarbij positieve en negatieve verschillen elkaar opheffen. Wel kan het zijn dat er voor bepaalde subgroepen van data (bv. grote woningen, of centrumsteden, ) de gemiddelde fout niet nul is, en er bijgevolg een soort vertekening is. Deze vertekening, of systematische fout, is veelal klein. Fout = werkelijk geschat Procentuele fout = (werkelijk geschat)/werkelijk Mape = gemiddelde absolute waarde van de relatieve, procentuele fout Bij het testen van regressiemodellen wordt veelal de R² weergegeven, of het aandeel verklaarde variantie (variantie tussen de huurprijzen die het model verklaart). De typische OLS benadering, die de som van de kwadraten van de fouten minimaliseert, is echter onderhevig aan uitschieters, omdat de fout van dergelijke uitschieters groot kan zijn, en nog zwaarder doorweegt indien men deze kwadrateert. De vertekeningen in de schattingen van de coëfficiënten kunnen door deze uitschieters groot worden, in bepaalde gevallen. Tabel 45 en figuur 16 geeft dit weer. We zien dat enkel bij de uitschieters met vertekening de vertekening van de coëfficiënten toeneemt (de onderste trendlijn ligt gevoeliger lager dan deze bij het model zonder deze uitschieter). Dit is niet het geval bij verticale uitschieters. Grote variantie en slecht ingevulde y waarden hoeven dus niet noodzakelijk te leiden tot slechtere voorspellingen. Tabel 45 Relatie tussen uitschieters, R² en schatting coëfficiënt Invloed R² coëfficiënt Verticale uitschieter Verslechtert Zeer beperkt effect Uitschieter zonder vertekening Verbetert (!) Geen effect Uitschieter met vertekening Verslechtert Vertekent De Huurschatter. Deel 1. Een eerste, algemene analyse 52

62 Figuur 16 Grafische illustratie van uitschieters en schatting trendlijn In de update van de Huurschatter vonden we echter dat deze benadering tot problemen leidde. In eerste instantie deden we diverse outlier analyses, om deze uitschieters te detecteren. Maar het probleem bleek niet zozeer in de y waarden te zitten, of de actuele huurprijs, maar wel in de x waarden. Doordat de ingevoerde data vaak subjectief zijn (zie hoofdstuk 3), of de data vaak ook slecht zijn ingevuld, zal de schatting van het model hierdoor sterk beïnvloed worden. Meetfouten in de verklarende variabelen (de woningkenmerken) leiden zo vaak tot vertekeningen. Dit probleem hebben we verholpen door de robust regression techniek toe te passen (rreg in Stata). Een dergelijke regressie gaat niet langer de som van de gekwadrateerde fouten minimaliseren, maar eerder een gemiddelde absolute fout 15. Er bestaan nog performantere methoden (mmregress in Stata, Verardi & Croux, 2009), maar deze bleken te veel rekentijd te vragen voor deze grote dataset. Door de rreg robust regression techniek 16 toe te passen daalde de gemiddelde absolute procentuele fout (MAPE) immers met 2%, wat een grote verbetering is. Toch blijft de gemiddelde fout soms groot. Indien we deze voor heel de dataset toepassen schommelt deze rond de 15%. Met correcte data en een ideaal model wil dit zeggen dat de werkelijke huurprijs sterk kan verschillen van de objectieve huurprijs zoals geschat door het ideale model met correcte data. 15 Rreg bestaat uit een iteratie van OLS schattingen waarde de observaties gewogen worden op basis van hun fouten, een weighted least squares dus. 16 In eerste instantie dachten de onderzoekers een robuuste regressie toe te passen door de observaties een weging toe te kennen op hun bruikbaarheid van het model, maar dit verhoogde de complexiteit en vereiste nog een grotere tijdsbesteding, terwijl de rreg optie reeds een grote verbetering bood. De Huurschatter. Deel 1. Een eerste, algemene analyse 53

63 Er bestaat echter een mogelijkheid om benaderend in kaart te brengen hoe goed het model schat voor goede data. We vinden een gemiddelde MAPE van 10% bij de data van de welke we verwachten dat ze het meest bruikbaar zijn. Hoe zijn we tewerk gegaan bij deze controle ex post? We schatten het model met alle data (minder bruikbare data erbij, onder de veronderstelling dat de ruis van subjectieve beoordelingen elkaar uitvlakken). Dan testen we of dit model de meest bruikbare data goed voorspelt. (ideaal zou geweest zijn om het model vooraf te schatten met enkel de bruikbare data, maar daarvoor was de steekproef van deze bruikbare data te klein). Welke zijn de meest bruikbare data? - Recente huurcontracten die aangegaan zijn in 2011 en Huurcontracten die eerder zijn aangegaan zijn immers aangegaan volgens de waardering van de (ver)huurder op dat moment. De waardering van ligging en kenmerken kan ondertussen veranderd zijn, of de woning kan ondertussen zelfs gedeeltelijk gerenoveerd zijn. Daarom verkiezen we de recente huurcontracten. Voor 2013 en 2014 geldt een ander probleem: we verwachten dat de databank gebruikt is om toekomstige huurwoningen te testen op hun huurmarktwaarde. Voor deze contracten lag de gemiddelde fout (MAPE) lichtjes hoger. Het aandeel huurcontracten aangegaan in 2013 staat immers niet in verhouding met het gebruik van de Huurschatter (85% van de opzoekingen is gebeurd in de eerste maand, 15% in het jaar erna, midden 2013 midden 2014). - Woningen voor 1900 kunnen wel geschat worden, maar vertonen ook een grotere gemiddelde fout. Historische woningen hebben vaker specifieke eigenheden en de huurprijs is dan ook moeilijker volgens een standaard te schatten. - Woningen met een bewoonbare oppervlakte groter dan 300 m² werden eveneens uit de steekproef gelaten. Deze woningen vertonen een grote verscheidenheid (villa met zwembad versus vroegere hoeve woning, ) en zijn daarom minder goed in te schatten. - Het grootste deel van de gebruikers heeft zich geregistreerd. We zien een lichte verbetering van de MAPE bij deze subset. - Aangezien we de gemiddelde MAPE berekenen, wordt deze sterk beïnvloed door outliers, daartoe laten we observaties uit die meer dan 5 keer de gemiddelde fout overschrijden (of 5*10%). Hiervan kan men verwachten dat de data niet juist zijn ingegeven. - Gebruikers die het EPC kengetal invulden. Men kan verwachten dat gebruikers die het facultatieve EPC kengetal invulden ook de overige velden van de Huurschatter nauwkeuriger invulden. Op die manier is het een goede proxy voor de nauwkeurigheid van invullen. Daarnaast is het ook mogelijk dat een deel van deze gebruikers het energieprestatiecertificaat gebruikten om overige velden in te vullen. Zo staat er ook het bouwjaar en de bruikbare vloeroppervlakte op vermeld. Uit figuur 17 blijkt duidelijk dat de Huurschatter beter schat voor observaties waarbij het EPC kengetal is ingevuld. Hiertoe werd eerst de dataset beperkt door middel van bovenstaande beperkingen (bouwjaar, oppervlakte, registratie, contractdatum, outlier). Hierdoor verbeterde de MAPE reeds aanzienlijk. Vervolgens splitsten we deze groep op basis van al dan niet ingevulde EPC waarden. Dit resultaat vindt u in figuur 17. Op basis hiervan kan men stellen dat de Huurschatter met een precisie van 10% de actuele huurwaarde kan voorspellen voor eengezinswoningen. Eenzelfde analyse hebben we gedaan voor appartementen. De accuraatheid is daar nog beter, ze bedraagt namelijk 8% voor appartementen met een bewoonbare oppervlakte tussen 62,5 m² en 137,5 (klassen 75, 100 en 125), dus voor de meest frequente klasse. Aangezien we hier het verschil uitdrukken als een percentage betekent dit dat voor grotere huurwaarden (en daarmee samenhangend grotere oppervlakte klassen), het verschil in absolute waarden groter zal zijn, en vice versa voor kleinere. De Huurschatter. Deel 1. Een eerste, algemene analyse 54

64 Hierbij blijft één vraag open. Voorspelt de Huurschatter nu de objectieve (of gemiddelde) huurmarktwaarde? Of ligt de actuele huurmarktwaarde dichter bij de objectieve huurmarktwaarde en zit het model ernaast? Dit kan niet nagegaan worden. Wel kan men stellen dat de objectieve huurmarktwaarde met grote waarschijnlijkheid ligt tussen de actuele huurmarktwaarde (hedonisch geïndexeerde huurprijs bij aanvang van contract) en de berekende huurprijs van de Huurschatter. Zie voor een bespreking hiervan het vorige rapport (Vastmans et al 2012, Huurprijzen en richthuurprijzen. Deel III: Hedonische huurprijsanalyse, Het identificatieprobleem van de accuraatheid bij een hedonische prijsanalyse). Bij deze analyse van de Huurschatter komt hier één element bij. Indien het verschil van invullen blijft, namelijk dat de huurders de kenmerken van de woning minder rooskleurig blijven inschatten en de verhuurders positiever, zal de Huurschatter twee verschillende schattingen geven die gemiddeld 50 euro van elkaar verschillen. Garbage in, garbage out wordt dit wel eens genoemd. Gebruikers die echter hun best doen om de velden van de Huurschatter nauwkeurig in te vullen, krijgen ook een nauwkeurige schatting van de huurmarktwaarde. Onderstaande figuren tonen dat gebruikers die bv. het EPC veld hebben ingevuld bewijzen dat met realistisch ingevulde velden, objectieve schattingen mogelijk zijn. De Huurschatter. Deel 1. Een eerste, algemene analyse 55

65 Figuur 17 MAPE (accuraatheid) eengezinswoningen volgens bewoonbare oppervlakte van betrouwbare observaties, opgesplitst volgens observaties waarbij EPC al dan niet ingevuld zijn, Huurschatter 2015 Figuur 18 Aantal observaties eengezinswoningen volgens bewoonbare oppervlakte van betrouwbare observaties, opgesplitst volgens observaties waarbij EPC al dan niet ingevuld zijn, Huurschatter 2015 De Huurschatter. Deel 1. Een eerste, algemene analyse 56

66 Figuur 19 MAPE (accuraatheid) appartementen volgens bewoonbare oppervlakte van betrouwbare observaties, opgesplitst volgens observaties waarbij EPC al dan niet ingevuld zijn, Huurschatter 2015 Figuur 20 Aantal observaties appartementen volgens bewoonbare oppervlakte van betrouwbare observaties, opgesplitst volgens observaties waarbij EPC al dan niet ingevuld zijn, Huurschatter 2015 De Huurschatter. Deel 1. Een eerste, algemene analyse 57

67 5.5 Extra analyses Accuraatheid nieuw model en oud model Door de uitgebreidere dataset konden we het model verder verfijnen en testen. Voor de meest voorkomende waarden (bewoonbare oppervlakte tussen 62,5 m² en 137,5 m²) zien we dat het oude model relatief goed schatte (MAPE iets hoger dan 10%), maar het nieuwe model doet het toch een stuk beter. Voor grote en kleine woningen zien we dat het oude model het een stuk minder goed deed. Dit komt vooral door het systematisch onderschatten van de huurprijs van kleine woningen. Figuur 21 Gemiddelde MAPE van betrouwbare observaties voor alle woningen volgens eerste versie Huurschatter en nieuwe (2015) Figuur 22 Gemiddelde huurprijs volgens schatting Huurschatter 2015 De Huurschatter. Deel 1. Een eerste, algemene analyse 58