ERASMUS SCHOOL OF ECONOMICS

HoogbouwontwikkelingEen studie naar hoogbouwontwikkeling in

Europa

Tim Simons – 346910

Dr. Alexander Otgaar

DankwoordDeze scriptie behandelt een onderzoek waarin de relatie tussen de mate van hoogbouwontwikkeling en de grootte van de metropolitsne regio van Europese regio’s geanalyseerd wordt. Met deze scriptie rond ik mijn bachelor Economie en Bedrijfseconomie aan het Erasmus af. Ik wil mijn begeleider dr. A Otgaar bedanken voor de hulp die hij heeft geboden bij het maken van deze scriptie. Mede dankzij de hulp van dr.Otgaar ben ik zeer tevreden met het eindresultaat.

Tim Simons

Rotterdam, 23 juli 2014

Inhoudsopgave

1

Dankwoord..................................................................................................................................................1

Hoofdstuk 1 Inleiding..................................................................................................................................4

1.1 Vraagstelling......................................................................................................................................7

1.2 Structuur............................................................................................................................................7

1.3 Onderzoeksmethode.........................................................................................................................7

Hoofdstuk 2 Theoretisch kader...................................................................................................................8

2.1 Verklaring vanuit economische theorieën.........................................................................................8

2.1.1 Micro-economische theorie........................................................................................................8

2.1.2 Nutsmaximalisatie....................................................................................................................10

2.1.3 Speltheorie...............................................................................................................................11

2.2 Factoren...........................................................................................................................................12

2.2.1 Inwoneraantal...........................................................................................................................12

2.2.2 Grondprijs.................................................................................................................................13

2.2.3 Bevolkingsdichtheid..................................................................................................................14

2.2.4 Inkomen....................................................................................................................................15

2.2.5 Wettelijke beperkingen............................................................................................................16

2.2.6 Agrarische grondprijs................................................................................................................16

2.2.7 Status........................................................................................................................................17

2.2.8 Transportkosten.......................................................................................................................17

2.2.9 Bouwkosten..............................................................................................................................18

2.2.10 Ruimtegebrek.........................................................................................................................18

2.3 Over- en onderproductie.................................................................................................................18

2.4 Analysekader...................................................................................................................................21

Hoofdstuk 3 Data en methodologie...........................................................................................................22

3.1 Dataverzameling..............................................................................................................................22

3.2 Operationaliseren van de factoren..................................................................................................24

3.3 Werkwijze........................................................................................................................................26

Hoofdstuk 4 Resultaten.............................................................................................................................29

4.1 Univariabele analyse........................................................................................................................29

4.1.1 Model A....................................................................................................................................29

4.1.2 Model B....................................................................................................................................30

4.2 Bivariabele analyse..........................................................................................................................31

2

4.2.1 Model A....................................................................................................................................31

4.2.2 Model B....................................................................................................................................31

4.3 Multipele regressie..........................................................................................................................33

4.3.1 Model A....................................................................................................................................33

4.3.2 Model B....................................................................................................................................37

Hoofdstuk 5 Discussie................................................................................................................................43

5.1 Vergelijking tussen model A en model B..........................................................................................43

5.2 Vergelijking met de literatuur..........................................................................................................43

5.3 Verklaringen voor afwijkingen.........................................................................................................45

5.4 Beperkingen.....................................................................................................................................46

Hoofdstuk 6 Conclusie...............................................................................................................................48

Appendix...................................................................................................................................................50

Bijlage 1.................................................................................................................................................50

Bijlage 2.................................................................................................................................................51

Bijlage 3.................................................................................................................................................52

Bijlage 4.................................................................................................................................................53

Bijlage 5.................................................................................................................................................55

Bibliografie................................................................................................................................................58

3

Hoofdstuk 1 Inleiding

In 2013 werd op de Kop van Zuid ‘De Rotterdam’ opgeleverd, deze 149 meter hoge toren is de meest

recente toevoeging aan de ontwikkelende skyline van Rotterdam, waar sinds 2010 vijf wolkenkrabbers

aan zijn toegevoegd (Emporis Rotterdam's Tallest Buildings). De stad is mede hierdoor de aanvoerder

van Nederland op het gebied van hoogbouw, ter illustratie: de Maasstad telt negen van de twintig

hoogste gebouwen in Nederland (Emporis Netherlands's Tallest Buildings). Volgens Zandbelt et al is

Rotterdam de enige stad waar op grote schaal in torens wordt gewoon en is de stad “een zeldzaam

voorbeeld van een Nederlandse plek waar hoogbouw als woonmilieu lijkt aan te slaan” (Zandbelt D. e.,

2008, p. 21)

De eerste ‘wolkenkrabber’ was het “Home Insurance Building” in Chicago, opgeleverd in 1885 (Guinness

World Records - First Skyscraper) (Gottmann, 1966, p. 191). Het gebouw, met een hoogte van ‘slechts’

tien verdiepingen, valt nu buiten de kwalificatie van wolkenkrabber, maar het stalen frame dat het

gebouw versterkte gaf leven aan nieuw soort gebouw (Guinness World Records - First Skyscraper). Dit

nieuwe soort gebouw heeft zich sindsdien snel verspreid door Amerika en later ook naar andere

continenten (Gottmann, 1966, pp. 190,194).

De definitie voor de term wolkenkrabber is sindsdien echter nooit eenduidig geweest en heeft altijd

veranderd per plaats en tijd. Zelfs tot op heden bestaat er geen concrete, universele definitie voor de

term wolkenkrabber. De subjectiviteit van de term wolkenkrabber blijkt wel uit de definitie van het

woord uit de Sovjet Encyclopedie uit 1954; ‘een hoog gebouw, dat voortkomt uit de excessieve hebzucht

van kapitalisten die het meest willen halen uit een stuk vastgoed’ (Gottmann, 1966, p. 194). Maar

ondanks de Sovjets afwijzing van de wolkenkrabbers rezen er in de opvolgende jaren in Moskou acht

wolkenkrabbers op. Evenals in grote delen van de rest van de wereld kon men in de Sovjet Unie de

drang tot vernieuwing niet onderdrukken (Gottmann, 1966, pp. 194,195). Zo kon er in 1935 door

gebouwen in Shanghai en Hong Kong voor het eerst over hoogbouw in Azië worden gesproken en wordt

de in 1973 opgeleverde ‘Connaught Centre’ in Hong Kong gezien als de eerste wolkenkrabber van Azië

(Binder, 2001, p. 8).

Het aantal wolkenkrabbers is sindsdien blijven stijgen en zoals blijkt uit het trendrapport uit 2013 van

het ‘Council on Tall Buildings and Urban Habitat’ blijft dit stijgen. In dit rapport wordt voorspeld dat de

bouw van wolkenkrabbers met een minimale hoogte van 200 meter na stagnatie de afgelopen twee

jaar, in 2014 en 2015 weer zal toenemen (Year in Review: Tall Trends of 2013, 2014).

4

De distributie van wolkenkrabbers blijft vooral beperkt tot steden (McNeill, 2005, p. 43). Toch bestaan er

grote verschillen tussen steden onderling en de mate van hoog bebouwing. Zo kan men zich afvragen

waarom er in Rotterdam op grote schaal hoog wordt gebouwd in vergelijking met bijvoorbeeld

Amsterdam. Maar dit verschijnsel doet zich voor over heel de wereld; Waarom wordt hoogbouw in de

Verenigde Arabische Emiraten gekenmerkt door Dubai en niet door een andere stad?

De verschillen tussen steden hebben geleid tot het schrijven van artikelen waarin de oorzaak van deze

verschillen wordt gezocht. Een hiervan is geschreven door Gottmann die in zijn artikel zoekt naar een

antwoord op de vraag waarom wolkenkrabbers gebouwd worden en waarom juist op die locatie

(Gottmann, 1966, p. 190). McNeill bespreekt in zijn artikel soortgelijke vragen over het bestaan van

wolkenkrabbers op een bepaalde locatie en zoekt hierop ook een antwoord (McNeill, 2005). In de twee

artikelen worden soortgelijke conclusies getrokken, waarin zij de wolkenkrabbers zien als een metafoor

voor de samenleving, waar later dieper op in zal worden gegaan.

Hoewel Gottmann en McNeill vooral de sociale redenen en implicaties van het bestaan van

wolkenkrabbers bespreken, zal het verschijnsel van de wolkenkrabber hier onderzocht worden vanuit

een economische invalshoek. Vanuit de meeste economische theorieën wordt geredeneerd dat

wolkenkrabbers een resultaat zijn van de prijsstijging van grond naarmate de afstand tot het centrum

afneemt. Vanuit deze redenatie is het te verwachten dat een grotere stad meer hoogbouw heeft dan

een kleinere stad, vanwege een versterkend effect van prijsstijging richting het centrum. Echter, naast

economische redenen zoals de dure grond in stedencentra bespreken veel theorieën uit de economie de

mogelijkheid dat er meer dan puur economische redenen zijn die ten grondslag liggen aan de bouw van

wolkenkrabbers, om zo de empirie waarin een grotere stad niet per se meer hoogbouw bevat te

verklaren. Helsley en Strange bespreken in hun artikel een strijd die sinds het begin van de

wolkenkrabber bestaat, de strijd om de hoogste te zijn. In hun onderzoek hebben ze gevonden dat de

bouwers geen puur economische trade-off maken, maar dat er bij de bouw van een wolkenkrabber

bijvoorbeeld ook waarde wordt gehecht aan het zijn van de hoogste (Helsley & Strange, 2008).

Dit onderzoek is een poging om de factoren die hoogbouw bepalen te vinden en verklaringen te vinden

voor de verschillen tussen steden in termen van hoogbouw. Het aantal wolkenkrabbers blijft stijgen en

hoewel het vaak vanuit economische theorieën kan worden uitgelegd, bestaan er alsnog veel vragen

rondom het bestaan van deze hoogbouwreuzen. Vooral de verschillen in mate van

hoogbouwontwikkeling tussen steden is vanuit de economische theorieën moeilijk te verklaren. Dit

heeft geleid tot de vraag of er een relatie bestaat tussen de grootte van een stad en het aantal

5

wolkenkrabbers in die stad. En als deze relatie bestaat, is er dan ook vanuit de economie een optimaal

aantal wolkenkrabbers voor een stad van een bepaalde grootte te definiëren? Omdat het de vraag is of

het optimale aantal wolkenkrabbers voor een stad in dit onderzoek bepaalt kan worden, zal er middels

dit onderzoek eerst gezocht worden naar een verband tussen de mate van hoogbouw in een stad en de

omvang van de metropolitane regio waarmee de stad correspondeert en zal er een verklaring worden

gezocht voor de eventuele onder- of overproductie van hoogbouw in een stad.

6

1.1 Vraagstelling

De onderzoeksvraag luidt als volgt:

‘Bestaat er een verband tussen de omvang van de metropolitane regio en de mate van

hoogbouw in een stad?’

De volgende deelvragen zullen gebruikt worden bij de beantwoording van de hoofdvraag:

Welke ruimtelijk-economische theorieën verklaren de ontwikkeling van hoogbouw?

Welke factoren bepalen de mate van hoogbouw in een metropolitane regio?

Wat zijn verklaringen voor de over- of onderproductie van hoogbouw?

Welke indelingen bestaan er ten aanzien van hoogbouw?

Kan er door middel van de gebruikte variabelen een verband worden gevonden tussen

de omvang van de metropolitane regio en de mate van hoogbouw?

1.2 Structuur

Het onderzoek is opgedeeld in 6 hoofdstukken. Het eerste hoofdstuk waaronder ook deze paragraaf

valt, is de inleiding. Hierna zal er verder worden gegaan met het theoretisch kader, waarin de eerste 3

deelvragen zullen worden behandeld. Dit hoofdstuk bespreekt de behandeling van

hoogbouwontwikkeling in de literatuur. Het derde hoofdstuk behandelt de data en methoden, hierin

worden de dataverzameling, de operationalisering van de factoren en de werkwijze van het onderzoek

besproken, in dit hoofdstuk wordt ook de vierde deelvraag besproken. Het volgende hoofdstuk

bespreekt de resultaten van het onderzoek, hierin wordt aan het antwoord op de vijfde deelvraag

begonnen. Daarna worden in het vijfde hoofdstuk de resultaten uit hoofdstuk 4 bediscussieerd en

vergeleken met de literatuur, hierin wordt verdergegaan met het beantwoorden van de vijfde deelvraag.

Ten slotte wordt in hoofdstuk 6 een conclusie van dit onderzoek gegeven.

1.3 Onderzoeksmethode

In het theoretisch kader wordt hoogbouwontwikkeling besproken vanuit de literatuur. De cruciale

factoren voor hoogbouwontwikkeling zullen later gebruikt worden in een SPSS-analyse, waarin wordt

gekeken in welke mate de factoren de mate van hoogbouwontwikkeling in de 100 grootste regio’s van

Europa kunnen verklaren. Deze factoren zullen allereerst worden geanalyseerd op univariabel en

bivariabel niveau. Daarna zal er een multipele regressie worden gedaan waarin de invloed van deze

factoren op de hoogbouwontwikkeling op geaggregeerd niveau wordt onderzocht.

7

Hoofdstuk 2 Theoretisch kader

In dit hoofdstuk zal de ontwikkeling van hoogbouw en wolkenkrabbers vanuit verschillende

economische theorieën worden toegelicht. De behandeling van de theorieën dient ervoor de cruciale

factoren in de ontwikkeling van hoogbouw te vinden, die later in dit onderzoek kunnen worden gebruikt

in het model. De theorieën waaruit hoogbouwontwikkeling verklaard zal worden, zijn de micro-

economische theorie, nutsmaximalisatietheorie en de speltheorie. Allereerst wordt de ontwikkeling van

hoogbouw verklaard vanuit de micro-economische theorie.

2.1 Verklaring vanuit economische theorieën

2.1.1 Micro-economische theorie

Aan het begin van de negentiende eeuw werd door David Ricardo een theorie over landbouwpacht

ontwikkeld die als basis geldt voor vele daaropvolgende theorieën over grondverdeling (Alonso, 1964, p.

3). De theorie van Ricardo houdt in dat de meest vruchtbare stukken land als eerst worden gebruikt en

dat daarna de minder gewilde stukken land pas worden gebruikt wanneer de vraag naar

landbouwproducten toeneemt. Het verschil in vraag naar de verschillende stukken land levert een

prijsverschil tussen de stukken op. Het land dat dichter bij de markt ligt, kent lagere transportkosten,

waardoor de prijs van grond toeneemt naarmate de afstand tot de markt afneemt. Hoewel Ricardo nog

niet schreef over de verdeling van stedelijk grondgebruik, is de prijsdaling van de grond naarmate de

afstand tot de markt toeneemt een cruciale factor in het ontstaan van hoogbouw in de micro-

economische theorie.

De ontwikkeling van hoogbouw wordt in de micro-economische theorie door zes factoren beïnvloed. Dit

zijn de grondprijs, bevolkingsdichtheid, inwoneraantal, agrarische grondprijs rondom een stad, inkomen

en transportkosten. De invloed van deze factoren op hoogbouw zal hier worden besproken.

De prijsdifferentiatie op basis van afstand tot het centrum, geïntroduceerd door Ricardo, is later

gekoppeld aan stedelijke grondverdeling (Alonso, 1964, p. 21). Het verschil in prijs zorgt ervoor dat

zowel personen als bedrijven die het meest willen betalen voor een daling van de transportkosten zich

kunnen vestigen in het ‘Central Business District’ (CBD), ofwel het centrum. Brueckner (1987, p. 824)

toont in zijn behandeling van het Muth-Mills model eveneens aan dat de prijs per vierkante meter grond

toeneemt naarmate de afstand tot het centrum afneemt. Hoogbouw kan intuïtief als logische reactie

worden gezien op deze prijsdifferentiatie: Als de prijs voor grond in het centrum hoger is dan de prijs

8

voor minder centrale grond kan er door het creëren van meer grond in het centrum, bijvoorbeeld door

hoogbouw, economisch voordeel worden behaald.

De grote vraag naar centraal gelegen grond heeft behalve een prijsstijging naarmate de locatie centraler

is nog een andere implicatie. Dit is de toenemende bevolkingsdichtheid naarmate de afstand tot het

centrum afneemt (Brueckner, 1987, p. 827) & (Clark C. , 1951, pp. 492, 493) & (De Groot, 2010). Deze

toenemende bevolkingsdichtheid richting het centrum kan een andere reden zijn voor hoogbouw.

Steden kennen over het algemeen een hogere bevolkingsdichtheid dan niet-stedelijke gebieden.

Wanneer de bevolkingsdichtheid richting het centrum nog meer toeneemt kan hoogbouw ontstaan om

aan de vraag naar ruimte te voldoen.

Het inwoneraantal van een stad heeft volgens het model ook invloed op de mate van hoogbouw. De

sterkte van deze invloed hangt af van eigenschappen van de stad zelf. Hoe meer een stad is

afgeschermd van zijn omgeving en andere steden, hoe sterker de stijging in inwoneraantal de mate van

hoogbouw stimuleert (Brueckner, 1987, p. 831). De mate van afscherming van een stad hangt samen

met de werking van het ruimtelijk evenwicht. De invloed van het ruimtelijk evenwicht op de afscherming

en de mate van hoogbouw wordt in het volgende hoofdstuk besproken.

De agrarische grondprijs van de grond rondom de stad oefent ook invloed uit op de mate van hoogbouw

in die stad. De theorie beredeneert dat een hogere prijs voor agrarische grond rondom een stad een

hogere mate van hoogbouw tot gevolg heeft (Brueckner, 1987, pp. 833, 834). Een interessante

implicatie hiervan is dat er in steden in een omgeving met een lage agrarische grondprijs, bijvoorbeeld

een woestijn, minder hoogbouw wordt verwacht dan in vergelijkbare steden in een omgeving met een

hoge agrarische grondprijs. De sterkte van de invloed hangt echter af van de werking van het ruimtelijk

evenwicht, de invloed hiervan zal in het volgende deel worden besproken.

Hoogbouw is vanuit de micro-economische theorie ook een reactie op een stijging van het inkomen van

een stad. Het Muth-Mills model verwacht een toename in de mate van hoogbouw bij een hoger

inkomen (Brueckner, 1987, pp. 835, 837). Een gevolg van een hoog inkomen kan de ontwikkeling van

extra hoogbouw zijn aan de rand van de stad vanwege vraag naar luxe woonbouwtorens.

De laatste factor die in het micro-economisch model invloed uitoefent op hoogbouw zijn de

transportkosten. De invloed van de transportkosten wordt vanuit deze theorie op twee manieren

bekeken. Enerzijds zorgen hoge transportkosten voor een ruimtelijk kleinere stad met een lager

inwoneraantal, waardoor er ook een lage mate van hoogbouw wordt verwacht (Brueckner, 1987, p.

9

837). Anderzijds zorgen hoge transportkosten voor een centrum met een hoge dichtheid en veel

hoogbouw (Brueckner, 1987, p. 835).

2.1.2 Nutsmaximalisatie

De nutsmaximalisatie theorie verklaart de ontwikkeling van hoogbouw niet vanuit marktwerking zoals

de micro-economische theorie maar ziet hoogbouw als een gevolg van de wens van de ontwikkelaars

om bij de bouw van de wolkenkrabbers hun nut te maximaliseren.

Bij de eerste modellen van deze theorie werd het maximaliseren van nut gelijk gezien aan het

maximaliseren van de winst. In deze theorie werden

omzet, kosten en winst van de wolkenkrabbers

geanalyseerd om zo tot een optimale bouwhoogte te

komen. De theorie stelt dat er bij de bouw van

wolkenkrabbers sprake is van afnemende

meeropbrengsten, er is een punt waarboven

doorbouwen nooit meer winstgevend is (Clark &

Kingston, 1930, p. 26). Figuur 1 (Appendix) laat de

relatie zien tussen het aantal verdiepingen en het

nettorendement. Een hoogte van 63 verdiepingen had in het onderzoek van Clark en Kingston het

hoogste nettorendement, doorbouwen na een hoogte van 63 verdiepingen leverde minder winst op.

Vanwege de grote veranderingen in factoren van dit model zoals grondprijs en bouwkosten, kan het

model van Clark en Kingston niet meer als actueel worden beschouwd. De gevonden verbanden en

factoren zijn later echter in vele studies over dit onderwerp toegepast (Barr, Skyscraper Height, 2010, p.

726).

In de nutsmaximalisatietheorie worden grondprijs, beschikbare ruimte, wettelijke beperkingen,

bouwkosten en de wens voor status als cruciale factoren gezien bij de ontwikkeling van hoogbouw (Barr,

Skyscraper Height, 2010, p. 747).

De grondprijs wordt bij de nutsmaximalisatietheorie als een van de belangrijkste factoren voor de

ontwikkeling van hoogbouw gezien, zoals blijkt uit het onderzoek van Clark en Kingston (Clark &

Kingston, 1930, pp. 22, 28). Hoewel de grondprijs sinds het onderzoek sterk is veranderd, Clark en

Kingston gebruikte een prijs van 200 USD/sqft in een gebied waar de grondprijs nu 1,500 tot 12,000

USD/sqft bedraagt, kan de gevonden relatie nog altijd worden gebruikt (Haughwout, 2008, p. 3). Werd

10

Figuur 1: Bouwhoogten in verdiepingen (Clark & Kingston, 1930, p. 24)

er bij een grondprijs van 200 USD/sqft al beredeneerd dat dit een van de belangrijkste factoren voor de

ontwikkeling van hoogbouw is, dan zal deze redenatie ongetwijfeld bij een meer dan vertienvoudigde

grondprijs ook opgaan en wordt dit effect mogelijk nog versterkt.

Een belangrijke factor voor de ontwikkeling van hoogbouw is de beschikbaarheid en de kwaliteit van de

bouwkavels (Clark & Kingston, 1930, p. 32). Hoewel in veel modellen de grootte en vorm van de kavel

constant wordt gehouden voor de simpliciteit (Barr, Skyscraper Height, 2010, p. 728), kan er logisch

beredeneerd worden dat de kwaliteit van kavels veel invloed heeft op de ontwikkeling van hoogbouw.

Wanneer de beschikbare kavels niet de juiste grootte of de juiste vorm hebben om de bouw van

wolkenkrabbers te ondersteunen, zal dit de ontwikkeling van wolkenkrabbers op die locatie sterk

beperken. De volgende factor beïnvloedt de beschikbaarheid van kavels in grote mate.

Deze factor heeft betrekking op de wettelijke beperkingen voor de ontwikkeling van hoogbouw. Een

voorbeeld hiervan is bijvoorbeeld de notering van het centrum van Amsterdam op de UNESCO lijst,

waardoor niet alleen hoogbouw, maar bouw in het centrum überhaupt zeer beperkt mogelijk is. Maar

ook de Zoning Law in New York, waarin de stad wordt ingedeeld in zones waar verschillende regels

gelden voor hoogbouw, is vanzelfsprekend van invloed op de ontwikkeling van hoogbouw (Barr,

Skyscraper Height, 2010, p. 733) & (Clark & Kingston, 1930, p. 36).

De bouwkosten en dan specifiek de daling van bouwkosten bijvoorbeeld door middel van

technologische vooruitgang zijn in theorie een stimulatie voor de ontwikkeling van hoogbouw. De

invloed van bouwkosten is relatief klein in verhouding met de invloed van de kosten nodig voor het

verkrijgen van het land (Clark & Kingston, 1930, pp. 22, 29), waardoor een verdere daling van de

bouwkosten de ontwikkeling van hoogbouw in theorie nog sterker stimuleert.

De zoektocht naar status wordt in de nutsmaximalisatietheorie ook gekoppeld aan de ontwikkeling van

hoogbouw. Deze wens naar status uit zich in een strijd om het ontwikkelen van de hoogste

wolkenkrabbers in een regio of ter wereld. Bedrijven projecteren hun welvaart op de skyline door

middel van hoogte (Barr, Skyscraper Height, 2010, p. 735). De zoektocht naar status speelt vooral een

rol bij de ontwikkeling van wolkenkrabbers met een record brekende hoogte (Barr, Skyscrapers and the

Skyline: Manhattan, 1895-2004, 2010, p. 592).

2.1.3 Speltheorie

De zoektocht naar status en de wil om het hoogste gebouw te ontwikkelen is in de speltheorie ook de

drijvende kracht in de ontwikkeling van hoogbouw. De speltheorie slaagt erin de ontwikkeling van

11

economisch gezien te hoge gebouwen te verklaren als een gevolg van de competitie tussen de

ontwikkelaars (Helsley & Strange, 2008, p. 61). In de speltheorie wordt de productie van wolkenkrabbers

gezien als een soort veiling. Degene die het hoogste biedt, in dit geval bouwt, wint een premie voor het

zijn van de hoogste. Op een punt wijkt deze theorie echter af van een normale veilingsvorm, in plaats

van dat alleen de winnaar betaalt wat hij heeft geboden, moeten alle ontwikkelaars betalen wat ze

hebben geboden. Dit houdt in dat elke ontwikkelaar de kosten voor het bouwen van zijn wolkenkrabber

moet betalen, of hij nou de hoogste of de laagste wolkenkrabber heeft gebouwd. Een gevolg hiervan is

dat de ontwikkelaars extra hoog bouwen om zo de hoogtepremie te behalen en de concurrentie voor te

blijven. De strijd om het ontwikkelen van het hoogste gebouw zorgt ervoor dat bij de bouw van de

hoogste wolkenkrabber het behalen van status prioriteit heeft boven de economische belangen (Helsley

& Strange, 2008, p. 62).

2.2 Factoren

De essentie van dit deel van het onderzoek is om de factoren uit het vorige deel en hun implicaties voor

de ontwikkeling van hoogbouw verder te analyseren, met als doel het opstellen van een analysekader

waaruit de relatie tussen de omvang van de metropolitane regio en de mate van hoogbouw kan worden

gevonden. Allereerst volgt er een korte omschrijving van wat een metropolitane regio inhoudt.

De metropolitane regio is het gebied waarvan de werknemers in een agglomeratie afkomstig zijn

(Definition of Urban Terms). Een agglomeratie is een stedelijk gebied dat meestal bestaat uit een

centrale stad en een aantal randgemeenten die samen een arbeidsmarkt vormen. De werknemers die

de arbeidsmarkt van deze agglomeratie aantrekt, zijn echter niet allemaal woonachtig in de

agglomeratie zelf. De metropolitane regio bestaat uit de agglomeratie plus een gebied, gekenmerkt door

een lager stedelijk niveau, om de agglomeratie heen, waar een gedeelte van de werknemers van de

arbeidsmarkt van de agglomeratie woonachtig is.

De relatie tussen de factoren uit het vorige deel en de mate van hoogbouwontwikkeling in een

metropolitane regio zullen hieronder worden besproken.

2.2.1 Inwoneraantal

Zoals uit de hiervoor besproken theorieën naar voren is gekomen verwacht men meer hoogbouw

naarmate het inwoneraantal van een metropolitane regio stijgt. De invloed van het inwoneraantal op

hoogbouwontwikkeling hangt echter af van de mate waarin een regio is afgeschermd van zijn omgeving.

Afscherming van steden beperkt de migratiemogelijkheden, waardoor de invloed van

12

populatieschommelingen sterker wordt (Brueckner, 1987, p. 831). Theoretisch gezien zijn steden niet

afgeschermd van hun omgeving vanwege het bestaan van het ruimtelijk evenwicht. De werking van het

ruimtelijk evenwicht voorkomt het bestaan van structurele verschillen in levensstandaard tussen steden

door middel van de mogelijkheid tot verhuizen (De Groot, 2010, p. 19). De praktijk laat echter zien dat

de kracht van het ruimtelijk evenwicht niet overal even groot is en bovendien dat aanpassing naar het

evenwicht, in de vorm van migratie, tijd nodig heeft om zich te voltooien (Brueckner, 1987, p. 838). Dit

heeft tot gevolg dat steden wel een tijdelijk afgeschermd karakter kunnen hebben waardoor een

verandering in het aantal inwoners invloed heeft op de mate van hoogbouwontwikkeling. De algemene

verwachting is dat een stijging in het inwoneraantal van de stad een stijging in de

hoogbouwontwikkeling tot gevolg heeft.

2.2.2 Grondprijs

De literatuur bevestig de intuïtieve relatie tussen de hogere grondprijs in stedencentra en de

hoogbouwontwikkeling. Het micro-economisch model is gebaseerd op de veronderstelling dat de

grondprijs stijgt naarmate de afstand tot het CBD daalt en in de winstmaximalisatietheorie wordt

grondprijs als een van de belangrijkste factoren gezien. De invloed van de grondprijs op

hoogbouwontwikkeling zal hier verder worden uitgewerkt.

Figuur 2 is een versimpelde weergave

van het verschil in grondprijs tussen

de centraal gelegen locaties rondom

het CBD en de rand van de stad.

Naarmate de afstand tot het CBD

kleiner wordt, stijgt de prijs voor

grond en zo vestigen degenen die het

meest willen betalen voor een daling

in reiskosten zich het meest centraal.

Dit is gebaseerd op de veronderstelling

dat steden monocentrisch zijn, zoals

aangenomen in het model van micro-economische landverdeling. Monocentrisme houdt in dat de stad

een CBD heeft waar alle arbeid, handel en verrichting van service plaatsvindt. De praktijk laat echter

vaak zien dat steden niet monocentrisch zijn en dat vooral de metropolitane regio waarin een stad zich

bevindt vaak polycentrisch is.

13

Figuur 2: Grondprijzen in de monocentrische stad (De Groot, 2010)

Polycentrisme houdt in dat een stad of regio meerdere centra kent waar werkgelegenheid, goederen en

services beschikbaar zijn. De sub centra worden in Europese steden steeds belangrijker, waardoor de

nadruk op het traditionele stadscentrum verminderd (Koomen, 2005, p. 1). De verschuiving van steden

met een monocentrische structuur naar een meer polycentrische structuur kan twee effecten hebben

op de hoogbouwontwikkeling. De eerste hiervan is de mogelijkheid dat er binnen een metropolitane

regio meerdere hoogbouwclusters op de locaties van de verschillende centra, waar de grondprijs hoog

is, worden gevormd. In dit geval kan de hoogbouwontwikkeling op een andere locatie dan het

traditionele centrum plaatsvinden. De tweede mogelijkheid is dat er minder hoogbouwontwikkeling zal

plaatsvinden doordat de spreiding van de centra ervoor zorgt dat de hoogbouw stimulerende

schaaleffecten, zoals bijvoorbeeld de hoge grondprijs in het centrum, zich in minder extreme mate

voordoen.

Amsterdam is een voorbeeld van een stad met een polycentrische structuur (Koomen, 2005, pp. 7, 8).

De polycentrische structuur heeft echter niet geleid tot een verlaagde grondprijs van het traditionele

centrum. De grondprijs in Amsterdam centrum behoort tot de duurste van het land en is 200 hoger keer

hoger dan de grondprijs in Oost-Groningen (De Groot et al, 2010, p. 6). De hoge grondprijs en de invloed

hiervan op de hoogbouwontwikkeling kunnen dus ook in een stad met een polycentrische structuur van

kracht zijn. Als gevolg hiervan beperken de gevolgen van een hoge grondprijs zich niet tot

monocentrische steden en kan er ook hoogbouwontwikkeling worden verwacht in polycentrische

steden.

2.2.3 Bevolkingsdichtheid

In het vorige deel is besproken dat de bevolkingsdichtheid in steden hoger is dan op het platteland en

dat de bevolkingsdichtheid binnen een stad toenemend is naar het centrum. Een hoge

bevolkingsdichtheid wordt zowel als oorzaak en gevolg voor de ontwikkeling van hoogbouw gezien.

Enerzijds leidt hoogbouw tot een intensiever grondgebruik en wordt de bevolkingsdichtheid hoger

(Brueckner, 1987, pp. 827, 828). Anderzijds wordt hoogbouw gezien als antwoord op de vraag naar

ruimte op locaties waar een hoge bevolkingsdichtheid heerst (De Groot et al, 2010, p. 23).

Het creëren van meer vloeroppervlakte door middel van hoogbouw wordt door onder andere Brueckner

gezien als verhoging van de bevolkingsdichtheid. De hoogbouw op centraal gelegen locaties verklaart de

hoge bevolkingsdichtheid van die gebieden en de lager wordende bebouwing naar de rand van de stad

heeft een verlaging van de bevolkingsdichtheid tot gevolg (Brueckner, 1987, p. 828).

14

Wanneer hoogbouw wordt gezien als reactie op de hoge bevolkingsdichtheid, wordt de beredenering

omgedraaid. Waar een hoge bevolkingsdichtheid heerst, is de grondprijs duurder. Wanneer de

grondprijs duurder is, wordt hoogbouw gezien als een manier om de grond alsnog winstgevend te

maken (De Groot, 2010, p. 23).

De vraag is echter of hoogbouw en bevolkingsdichtheid wel zo sterk verbonden zijn als in deze twee

opvattingen wordt verondersteld. De vele noodzakelijke grondvoorzieningen voor hoogbouw,

bijvoorbeeld parkeergelegenheid en entrees zorgen ervoor dat bij de ontwikkeling van hoogbouw een

grote voet vereist is. De kavel waarop een wolkenkrabber gebouwd wordt, heeft dus noodzakelijk een

grotere omvang dan de toren zelf (Zandbelt D. , 2011, p. 142). Figuur 3 laat zien dat het gebruik van

verschillende bouwhoogten op een kavel met dezelfde grootte kan leiden tot dezelfde dichtheid. De

voordelen van hoogbouw zijn de verbeteringen in openbaar vervoersmogelijkheden vanwege de

centralisering van de bewoners en de open collectieve ruimte (Berghauser & Haupt, 2011, pp. 129, 137).

2.2.4 Inkomen

De hoogbouwontwikkeling wordt verwacht te stijgen wanneer het inkomen van een metropolitane regio

stijgt. Een specifiek gevolg van een stijging in het inkomen kan de ontwikkeling van luxe

hoogbouwtorens aan de rand van de stad zijn (Brueckner, 1987, pp. 835, 837).

Een stad met een hoog BBP per capita trekt in verwachting immigranten aan (De Groot et al, 2010, p.

19). Zoals eerder besproken heeft de stijging in inwoneraantal een positief effect op de

hoogbouwontwikkeling tot gevolg. Daarnaast veroorzaakt een hoog BBP per capita de wens voor

luxueuze woontorens richting de rand van de stad. Ten derde verhoogt het BBP per capita het

beschikbaar kapitaal om de bouw van wolkenkrabbers te financieren.

Ook bij de invloed van het BBP per capita heeft het ruimtelijk evenwicht weer een belangrijke rol. De

eerder uitgelegde werking van het ruimtelijk evenwicht zorgt er ook voor dat verschillen in inkomen

15

Figuur 3: Drie gebieden met identieke dichtheid van 75 woningen per hectare (Berghauser & Haupt, 2011, p. 132)

tussen steden op lange termijn niet kunnen bestaan (De Groot et al, 2010, p. 19). Een tijdelijk hoger

inkomen kan echter wel een verhoogde mate van hoogbouwontwikkeling tot gevolg hebben. Het

algemene effect van het inkomen op de hoogbouwontwikkeling is dus positief.

2.2.5 Wettelijke beperkingen

Wettelijke beperkingen kunnen een negatief effect hebben op de mate van hoogbouw. Er kan sprake

zijn van gebieden met verschillende regels met betrekking tot hoogbouw in een bepaald gebied, zoals de

Zoning Law in New York (Barr, Skyscraper Height, 2010, p. 733) & (Clark & Kingston, 1930, p. 36), of

restricties verhinderen alle nieuwbouw, zoals de notering van Amsterdam-centrum op de UNESCO lijst

(UNESCO World Hertiga List).

Hoogbouw is, zoals later in dit onderzoek behandeld zal worden, een relatief begrip. Binnen Nederland

kent vrijwel iedere stad zijn eigen definitie en zijn eigen individuele hoogbouwbeleid (Zandbelt D., et al,

2008, p. 24). De verschillende hoogbouwvisies gelden niet alleen in Nederland, maar over heel de

wereld, met als onvermijdelijk gevolg verschillende maten in hoogbouwontwikkeling.

Vooral in Europa wordt de bouw in centra vaak beperkt als gevolg van de wens van beleidsmakers om

het centrum authentiek te houden of een notering van het stadscentrum op een erfgoedlijst. In de

centra van deze steden zijn geschikte kavels voor hoogbouwprojecten in zeer beperkte mate

beschikbaar. Voorbeelden van dit soort steden zijn Amsterdam en Parijs. De beperkte mogelijkheid van

hoogbouwontwikkeling in het centrum kan als gevolg hebben dat het hoogbouwcluster zich verplaatst

naar een andere locatie binnen de stad, bijvoorbeeld de Zuidas in Amsterdam of La Defense in Parijs

(Zandbelt D. et al, 2008, p. 19). In feite wordt er op een andere locatie dan het centrum een CBD

gevormd en op die locatie is in tegenstelling tot in het centrum wel hoogbouw mogelijk (De Jong, 2013,

pp. 4, 5).

2.2.6 Agrarische grondprijs

Zoals uit het vorige deel is gebleken oefent de agrarische grondprijs invloed uit op de mate van

hoogbouwontwikkeling. Steden in een gebied met een hoge agrarische grondprijs worden verwacht een

hogere mate van hoogbouwontwikkeling te hebben dan vergelijkbare steden in een omgeving met een

lage agrarische grondprijs.

De agrarische grondprijs hangt echter ook af van stedelijke factoren, zoals een stedelijke

bestemmingswijziging (Luijt, 2003, p. 7). De groei van een stad kan dus zowel de hoogbouw stimuleren

16

en tegelijkertijd de agrarische grondprijs verhogen. Dit maakt het voorspellen van een eenduidig effect

van de hoogte van landbouwprijs op de hoogbouwontwikkeling lastig.

Daarnaast oefent ook het ruimtelijk evenwicht invloed uit op de agrarische grondprijs. Een sterkere

werking van het ruimtelijk evenwicht maakt de invloed van de agrarische grondprijs zwakker.

De invloed van de agrarische grondprijs op de mate van hoogbouwontwikkeling is dus niet eenduidig. De

verwachting is echter dat op locaties waar de agrarische grondprijs relatief laag is, bijvoorbeeld door

onvruchtbaarheid van de grond, de mate van hoobouwontwikkeling ook relatief laag is.

2.2.7 Status

De zoektocht naar status is een veel onderzochte factor voor de verklaring van hoogbouwontwikkeling.

De wens voor status wordt vooral als oorzaak gezien voor de wolkenkrabbers met record brekende

hoogte en de strijd tussen ontwikkelaars om de hoogste van een bepaald gebied te zijn.

De hoogte van de wolkenkrabbers wordt gezien als een projectie van de welvaart op de skyline (Barr,

Skyscraper Height, 2010, p. 735). Een gevolg hiervan is dat in een stad waar status een belangrijke rol

speelt, meer hoogbouwontwikkeling wordt verwacht dan in steden met een kleine rol voor status.

Binnen de financiële sector spelen welvaart en status een grotere rol dan in bijvoorbeeld de kunstsector.

Wanneer de stedelijke economie meer gericht is op de zakelijke arbeidsmarkt wordt er meer

hoogbouwontwikkeling verwacht dan in een stad waar de arbeidsmarkt meer gericht is op bijvoorbeeld

kunst of cultuur.

2.2.8 Transportkosten

Transportkosten hebben een tweezijdige uitwerking op de mate van hoogbouwontwikkeling. Enerzijds

zorgen hoge transportkosten voor een ruimtelijk kleinere stad met een lager inwoneraantal en minder

hoogbouwontwikkeling, anderzijds zorgen hoge transportkosten voor een centrum met een hoge

bevolkingsdichtheid en veel hoogbouw (Brueckner, 1987, pp. 835, 837).

Wederom houdt de verwachte ontwikkeling verband met de kracht van het ruimtelijk evenwicht. In een

situatie van volledig ruimtelijk evenwicht, zal een stad met hoge transportkosten minder inwoners

aantrekken en zodoende een lage mate van hoogbouwontwikkeling ervaren. Wanneer migratie van de

inwoners wordt belemmerd, zullen hoge transportkosten een stad met een hoge mate van

hoogbouwontwikkeling in en rondom het CBD opleveren. De verwachting is dat steden die

17

onvermijdelijk hoge transportkosten hebben, bijvoorbeeld door een geografische ligging in de

berggebied, een lagere mate van hoogbouw zullen hebben.

2.2.9 Bouwkosten

Zoals besproken in het vorige deel is de invloed van bouwkosten op de ontwikkeling van hoogbouw

relatief klein vergeleken met de prijs die betaald moet worden voor de grond (Clark & Kingston, 1930,

pp. 22, 29). De verschillen in grondprijs en bouwkosten tussen landen kunnen er echter voor zorgen dat

dit gevonden verband niet overal op soortgelijke wijze geldt. Verschillen in bouwkosten kunnen een

gevolg zijn van verschillende loonniveaus of verschil in grondsoort. De verschillen in bouwkosten kunnen

leiden tot verschillen in de mate van hoogbouwontwikkeling, waarbij bij lagere bouwkosten uiteraard

een hogere mate van hoogbouwontwikkeling wordt verwacht.

2.2.10 Ruimtegebrek

Uit de nutsmaximilisatie theorie kwam ook de beschikbaarheid van de juiste grootte kavels als factor

voor de hoogbouwontwikkeling naar voren (Clark & Kingston, 1930). De grootte en vorm van de

beschikbare kavels kan invloed hebben op de mate van hoogbouwontwikkeling in een stad. Vooral in

steden met een historische binnenstad, kunnen dit soort kavels moeilijk te vinden zijn, omdat in het

centraal gelegen CBD niet gebouwd kan worden. Vooral het gebrek aan goede kavels kan een

belemmering zijn voor de hoogbouwontwikkeling.

2.3 Over- en onderproductie

In dit deel zal de over- en onderproductie van hoogbouw worden besproken aan de hand van de

factoren uit het vorige deel en zal er een verklaring worden gegeven vanuit de conjunctuurcycli theorie.

Op deze manier kunnen de resultaten van de analyse naderhand worden geïnterpreteerd door middel

van de in dit deel gevonden verklaringen voor verschil in hoogbouwontwikkeling.

Over- en onderproductie van hoogbouw is gedefinieerd als de productie die in een stad te veel of te

weinig is. Een stad met relatief veel hoogbouw hoeft niet per se een overproductie van hoogbouw te

betekenen. Wanneer de factoren voor deze stad gunstig zijn voor hoogbouwontwikkeling, kan de hoge

mate van deze ontwikkeling niet worden gezien als overproductie. Dit omdat de bouw door middel van

de aanwezige factoren verantwoord wordt. Een relatief hoge grondprijs kan bijvoorbeeld leiden tot een

hogere mate van hoogbouwontwikkeling, maar dit kan niet worden gezien als overproductie, omdat de

hoge grondprijs in dit geval de mate van ontwikkeling verantwoord. Hetzelfde geldt voor de andere

18

demografische en economische factoren en kan op dezelfde wijze worden toegepast voor de over- en

onderproductie van hoogbouw.

De factoren die mogelijk de over- en onderproductie kunnen verklaren zijn de status en de wettelijke

beperkingen. Deze factoren kunnen mogelijk verklaren waarom het huidige niveau van

hoogbouwontwikkeling bestaat, terwijl een ander niveau economisch gezien wenselijk is.

Als eerste zal hier de invloed van de zoektocht naar status op de over- of onderproductie van hoogbouw

worden beschreven. Zoals uit het vorige deel is gebleken is de sociaal economische status een van de

oorzaken van het bouwen van wolkenkrabbers met een record brekende hoogte.

Uit onderzoek is gebleken dat ontwikkelaars in Manhattan waarde hechten aan het ontwikkelen van de

hoogste wolkenkrabber (Barr, Skyscraper Height, 2010, p. 747). Vooral de relatieve hoogte ten opzichte

van nabijgelegen gebouwen speelt een grote rol. Hierbij kijken de ontwikkelaars vooral naar

wolkenkrabbers die in het recente verleden gebouwd zijn (ibid.). In een stad, gekenmerkt door een hoge

mate van hoogbouwontwikkeling, kan hierdoor een exponentiele groei in hoogbouw het gevolg zijn. Ten

eerste zal de gemiddelde hoogte daar hoger zijn, als gevolg van eerdere strijd tussen ontwikkelaars. De

nieuwbouw van hoogbouw zal nieuwe ontwikkelaars weer prikkelen om hoger te bouwen, met als

mogelijk gevolg een overproductie van hoogbouw (Helsley & Strange, 2008, p. 62).

De vorige alinea bespreekt overproductie vanuit een geaggregeerd niveau, maar overproductie als

gevolg van status kan ook vanuit een individueel oogpunt verklaard worden. De wens van ontwikkelaars

om de hoogste wolkenkrabber te bouwen, zorgt ervoor dat de hoogste wolkenkrabber niet economisch

verantwoord is (Helsley & Strange, 2008, p. 62), (Barr, Skyscraper Height, 2010, p. 727) & (Barr,

Skyscrapers and the Skyline: Manhattan, 1895-2004, 2010, p. 578). De ontwikkelaars bouwen door

boven de hoogte die de winst zou maximaliseren en produceren zo een te hoge wolkenkrabber. De

verdiepingen die de ontwikkelaars extra produceren kunnen ook als overproductie worden gezien.

Bij het ontbreken van de wens voor sociale status kunnen de hiervoor besproken mechanismen ook

andersom werken. Vooral op geaggregeerd niveau kan het ontbreken van strijd lijden tot een

onderproductie van wolkenkrabbers. Op individueel niveau lijdt het ontbreken van status niet tot

onderproductie, omdat de ontwikkelaar zo de winst maximaliserende hoogte zal bouwen.

Wettelijke beperkingen hebben ook een grote invloed op de mate van hoogbouw. De wet kan vooral de

ontwikkeling van hoogbouw in de weg staan en zo een onderproductie tot gevolg hebben. De volgende

19

alinea zal een aantal gevallen bespreken waar wettelijke beperkingen een onderproductie van

hoogbouw tot gevolg kunnen hebben.

Bouwhoogtebeperking kan een oorzaak zijn van onderproductie van hoogbouw. De gemeente Utrecht

hanteert de hoogtebeperking dat gebouwen niet hoger mogen zijn dan de Domtoren (Zandbelt D. ,

2011, p. 141). De gemeente hanteert deze regel om het symbool van Utrecht zichtbaar te houden en om

het stadsbeeld niet te verstoren (Hoogbouwvisie Gemeente Utrecht, 2005). De nabijheid van luchthaven

Schiphol heeft voor Amsterdam ook gevolgen in termen van hoogtebeperking. Rondom Schiphol zijn

zones ingesteld met een maximale bouwhoogte waardoor in een groot deel van Amsterdam niet hoger

dan 40 of 80 meter kan worden gebouwd (Verbon & Van Wessel, 2014).

Naast de bouwhoogtebeperking kent Amsterdam, zoals gebleken in het vorige deel, nog een grote

wettelijke beperking met betrekking tot hoogbouw. De Amsterdamse binnenstad is genoteerd op de

UNESCO werelderfgoedlijst, met als gevolg dat nieuwbouw niet mogelijk is. Naast de Amsterdamse

binnenstad zijn meerdere Europese steden, bijvoorbeeld Parijs, geregistreerd op de UNESCO

werelderfgoedlijst, waardoor nieuwbouw op die locaties niet is toegestaan (UNESCO World Hertiga List).

Het bestaan van wettelijke beperkingen zorgt voor behoud van binnensteden en is soms noodzakelijk

voor de veiligheid. De autoriteiten bereiken door middel van de wettelijke beperkingen hun gewenste

hoeveelheid hoogbouw, maar deze kan afwijken van de economisch gewenste hoeveelheid hoogbouw,

waardoor het in de context van dit onderzoek als een onderproductie van hoogbouw wordt gezien.

De over- en onderproductie van hoogbouwontwikkeling kan ook worden verklaard vanuit de

conjunctuur cycli van de vastgoedmarkt. Een positieve vraagschok heeft als effect dat de vastgoedmarkt

groeit door middel van nieuwbouw. Na de shock keert de vastgoedmarkt in de steady state, door middel

van een kleine krimp. Deze krimp zorgt ervoor dat niet alle ruimte benut wordt, waardoor leegstand

ontstaat. Deze leegstand toont de overproductie aan. Het feit dat de vastgoedmarkt na de shock

terugkeert in de steady state kan dus een overproductie van nieuwbouw tot gevolg hebben (Wheaton,

1999, p. 218).

20

2.4 Analysekader

Op basis van de literatuurstudie voltooid in het theoretisch kader, kunnen een aantal hypothesen

worden opgesteld voor verklaring van de mate van hoogbouwontwikkeling. De hypothesen zijn

opgesteld aan de hand van de factoren besproken in de vorige delen. Een aantal van de hiervoor

besproken factoren wordt echter niet meegenomen in het analysekader. Voor de invloed van

bevolkingsdichtheid en transportkosten is geen hypothese opgesteld, omdat vanuit de literatuur

onduidelijkheid geldt over de invloed van deze factoren. Daarnaast werd bij de bespreking van

grondprijs onderscheid gemaakt tussen monocentrische en polycentrische steden. Omdat dit

onderscheid geen duidelijke invloed bleek te hebben op de grondprijs, wordt dit onderscheid niet

meegenomen in het analysekader.

Hypothese 1: Een hoger inwoneraantal leidt tot een hogere mate van hoogbouwontwikkeling.

Hypothese 2: Een hogere grondprijs leidt tot een hogere mate van hoogbouwontwikkeling.

Hypothese 3: Een hoger BBP per capita leidt tot een hogere mate van hoogbouwontwikkeling.

Hypothese 4: Meer wettelijke beperkingen leiden tot een lagere mate van hoogbouwontwikkeling.

Hypothese 5: Een hogere agrarische grondprijs leidt tot een hogere mate van hoogbouwontwikkeling.

Hypothese 6: Een grotere wens voor status leidt tot een hogere mate van hoogbouwontwikkeling.

Hypothese 7: Hogere bouwkosten leiden tot een lagere mate van hoogbouwontwikkeling.

Hypothese 8: Meer ruimtegebrek leidt tot een lagere mate van hoogbouwontwikkeling.

21

Hoofdstuk 3 Data en methodologie

In dit hoofdstuk worden de data en methodologie van de SPSS-analyse besproken. Allereerst wordt er

uitgelegd hoe de data zijn verzameld en welke databases er gebruikt zijn. Daarna wordt besproken hoe

de factoren uit de voorgaande delen zijn geoperationaliseerd tot variabelen in het model. Ten slotte

wordt de werkwijze van de SPSS-analyse besproken.

3.1 Dataverzameling

Zoals in de inleiding al vermeld, is de definitie voor hoogbouw en wolkenkrabber verschillend geweest

tussen tijd en plaats. Zonder te veel in de geschiedenis van de wolkenkrabber te treden zullen hier de

definities van de termen worden gegeven die gedurende de rest van dit onderzoek aangehouden zullen

worden.

De eerste ‘wolkenkrabbers’ ter wereld hadden, door de beperkte kracht van de hydraulische lift, slechts

een hoogte van achttien tot twintig verdiepingen (Gottmann, 1966, p. 191). Toch werden dit, onder

andere door de vernieuwde bouwmethode met het gebruik van een stalen frame, wolkenkrabbers

genoemd. Tegenwoordig kwalificeert een gebouw met deze hoogte zich niet meer als wolkenkrabber,

maar de definitie van de term verschilt alsnog sterk tussen verschillende plaatsen. Met deze verschillen

als reden zal er door middel van het volgende gedeelte een definitie voor wolkenkrabber worden

omschreven die in de rest van dit onderzoek zal worden aangehouden.

Hoogbouw is een is dus arbitrair begrip, zelfs binnen Nederland bestaan er grote verschillen tussen de

definities. In Rotterdam is een gebouw ‘hoogbouw’ wanneer het 70 meter hoog is, terwijl een gebouw in

Zwolle bij een hoogte van 30 meter al als ‘hoogbouw’ wordt gekwalificeerd (Zandbelt D. e., 2008). In

Nijmegen en Wageningen wordt de hoogte van bomen als grens voor hoogbouw gezien, maar in

Nijmegen zijn de bomen met een hoogte van 25 meter langer dan de 18-meter hoge boomgrens van

Wageningen (Zandbelt D. , 2011). Kortom, wat in de ene stad hoogbouw is, is in de andere stad

laagbouw. De verschillen tussen landen zijn nog niet eens besproken. Wat in Rotterdam, en dus in

Nederland, hoog is, valt in het niet tussen de skyline van New York of Hong Kong.

Voor het ontwikkelen van het model is het echter van belang om eenduidige definities te gebruiken voor

de termen ‘hoogbouw’ en ‘wolkenkrabbers’. Bij de afbakening van de begrippen zijn de beschikbare

data leidend geweest.

De data die gebruikt worden voor het empirische deel van dit onderzoek komt van de online Database

voor hoogbouw; Emporis. Deze database heeft de gradaties die gebruikt worden op de site omgezet tot

22

een standaard die in veel artikelen wordt gebruikt zoals bijvoorbeeld in de artikelen van Jason Barr en

Helsley en Strange. Vanwege het gebruik in meerdere wetenschappelijke artikelen en pragmatische

redenen met betrekking tot het verzamelen van data wordt de Emporis standaard ook in dit onderzoek

aangehouden.

Allereerst zal de definitie van hoogbouw volgens de standaard van Emporis worden behandeld. De

Emporis standaard benoemt hoogbouw een gebouw tussen de 35 en 100 meter (Emporis Standard

High-Rise). Daarnaast vallen gebouwen met een hoogte tussen 12 en 39 verdiepingen, waarvan de

hoogte onbekend is ook in de categorie hoogbouw (ibid.).

De definitie van wolkenkrabber in de Emporis standaard is een gebouw met een minimale

architectonische hoogte van 100 meter (Emporis Standards Skyscraper). De architectonische hoogte

wordt gedefinieerd als de hoogte van de voet van het gebouw tot het hoogste architectonische element,

hieronder vallen ook eventuele verfraaiingen van een gebouw (Emporis Standards Architectural Height).

Er wordt beredeneerd dat deze hoogte een middenweg is tussen de vele verschillende definities

wereldwijd. De hoogte is mede gekozen als compromis om vergelijkingen wereldwijd te kunnen maken.

In de SPSS-analyse wordt gebruik gemaakt van een hoogbouwindex. De hoogbouwindex wordt gebruikt

om de verschillende hoogten een verschillende waardering te geven. Op deze manier krijgen hogere

gebouwen een zwaardere weging, waardoor de verschillen in hoogte in het model worden

gecompenseerd. De weging voor hoogbouw is 1 per gebouw, een wolkenkrabber heeft een weging van

2. Het verschil in weging heeft geen achterliggende berekening. Het is enkel ingesteld om gebouwen

boven 100 meter zwaarder mee te laten tellen in de analyse. De verhouding tussen hoogbouw en

wolkenkrabber had bijvoorbeeld ook op 1 staat tot 3 kunnen worden gezet. Wanneer er zou worden

gekozen voor een andere weging, zou dit de uitkomst van het onderzoek kunnen beïnvloeden. In de

discussie zal hier meer aandacht aan worden besteed.

Voor de dataverzameling van de gegevens van de overige variabelen is gebruik gemaakt van Eurostat.

Dit is de online database met zowel economische als demografische gegevens van de EU, op landelijk

regionaal en stedelijk niveau. De gegevens dateren uit de jaren 2010-2012, waar altijd gekozen is voor

de meest recent beschikbare gegevens. De database vertoont voor enkele factoren missende waarden.

Er zal een regressie worden gedaan waarbij alleen gebruik wordt gemaakt van de gegevens van Eurostat

en er wordt een regressie gedaan waarbij de missende waarden zijn opgevuld met gegevens uit andere

databases. In een later gedeelte van dit onderzoek zal hier meer aandacht aan worden besteed.

23

Bij het onderzoek worden de data van de 100 grootste metropolitane regio’s in termen van

inwoneraantal van de EU gebruikt. De keuze om alleen regio’s uit de EU te gebruiken, is gemaakt omdat

de database enkel gegevens uit de EU bevat.

Als maatstaf voor de mate van hoogbouwontwikkeling is voor elke regio de hoogbouwontwikkeling in de

centrale stad gebruikt. Wanneer een regio meerdere centrale steden heeft, zoals bijvoorbeeld het

Ruhrgebied of de West Midlands, dan is de hoogbouwontwikkeling van de centrale steden bij elkaar

opgeteld.

3.2 Operationaliseren van de factoren

Om de hypothesen te testen, zullen de factoren moeten worden geoperationaliseerd. De

hoogbouwindex is bij elke hypothese de te verklaren variabele. De acht hypothesen uit 2.4 stellen elk

dat een factor een bepaalde invloed heeft op de mate van hoogbouwontwikkeling. In deze paragraaf zal

er gekeken worden welke factoren geoperationaliseerd kunnen worden, om deze factoren te kunnen

gebruiken in de SPSS analyse. Eerst volgt de operationalisering van de factoren waarbij dit mogelijk was,

daarna wordt er verklaard waarom de andere factoren niet geoperationaliseerd kunnen worden.

De invloed van het inwoneraantal, het BBP per capita, de bevolkingsdichtheid en de agrarische

grondprijs kunnen worden geoperationaliseerd. De waarden die in de analyse gebruikt zullen worden,

hebben betrekking op de metropolitane regio en niet op de stad zelf. Alle vier de factoren kunnen

worden gezien als ratio variabelen. Omdat SPSS geen onderscheid maakt tussen interval en ratio

variabelen, zullen deze factoren in de SPSS analyse als schaalvariabelen worden gebruikt.

Naast de schaalvariabelen zullen dummy’s worden toegevoegd om de invloed van wettelijke

beperkingen, ruimtegebrek en status mee te nemen. Een stad wordt verondersteld wettelijke

beperkingen te hebben wanneer er bouwhoogtebeperking is van 100 meter of lager, wanneer een stad

deze beperking heeft, krijgt de dummy een waarde van 1. De data voor deze variabele is op individueel

niveau verkregen. Er is per stad, bijvoorbeeld via gemeente sites, gekeken of er restricties gelden voor

hoogbouw. Ruimtegebrek wordt meegenomen in het model door middel van een dummy die aangeeft

of een stad een historische binnenstad heeft, een stad met een historische binnenstad krijgt voor deze

dummy de waarde 1. Ook de dataverzameling van deze variabele heeft op individueel niveau

plaatsgevonden, per stad is gekeken of een stad een historisch centrum heeft of een vernieuwd centrum

zoals bijvoorbeeld Rotterdam of Warschau. Daarnaast zal status in het model worden meegenomen

door middel van een dummy die aangeeft of een stad een belangrijk financieel centrum is. Als maatstaf

24

is hiervoor een notering op de Global Financial Centres Index genomen. Een stad met een notering op

deze lijst krijgt een waarde van 1.

Hieronder volgt de lijst met de gebruikte afkortingen in de analyse:

INWREG = Inwoneraantal

BBPPC = BBP per capita

AGGP = Agrarische grondprijs

HBI = Hoogbouwindex

WETBEP = Wettelijke beperkingen

HISBIN = Historische binnenstad

ECOSTR = Economische structuur

Vanwege het ontbreken van een database met gegevens over bouwkosten in de verschillende regio’s,

zal deze factor niet worden meegenomen.

Na operationalisering kunnen de volgende hypothesen worden getoetst:

Een hoger inwoneraantal leidt tot een hogere mate van hoogbouwontwikkeling.

Een hoger BBP per capita leidt tot een hogere mate van hoogbouwontwikkeling.

Meer wettelijke beperkingen leiden tot een lagere mate van hoogbouwontwikkeling.

Een hogere agrarische grondprijs leidt tot een hogere mate van hoogbouwontwikkeling.

Een grotere wens voor status leidt tot een hogere mate van hoogbouwontwikkeling.

Meer ruimtegebrek leidt tot lagere mate van hoogbouwontwikkeling.

De verwachte invloed van de factoren wordt weergegeven in onderstaand conceptueel model.

Figuur 4: Invloed van onafhankelijke variabelen op afhankelijke variabele

25

Hoogbouw index

Ruimtegebrek

Wettelijke beperkingen

Inwoneraantal

BBP per capita

Agrarische grondprijs

Status

3.3 Werkwijze

In de analyse zal het verband tussen de omvang van de metropolitane regio en de mate van hoogbouw

worden onderzocht. Behalve de dubbele weging voor wolkenkrabbers wordt er niet gelet op de hoogte

van de gebouwen zelf, maar wordt er in de analyse gewerkt met het aantal gebouwen van een bepaalde

hoogte dat een stad telt. Naast de schaalvariabelen is er ook gewerkt met een drietal dummy variabelen

waarin de invloed van wettelijke beperkingen, ruimtegebrek en status zijn meegenomen.

De analyse is steeds in twee stappen uitgevoerd. Eerst is er gebruik gemaakt van een model waarin

alleen de waarden uit Eurostat worden gebruikt. Dit model bevat de 59 regio’s die geen missende

waarde in de originele database bevatten, dit model wordt model A genoemd. De keuze om een tweede

model te ontwikkelen, is gemaakt om een regressie met alle 100 waarnemingen te maken. Vanwege de

missende waarden in de analyse met alleen Eurostat waarden vallen regio’s in bijvoorbeeld Groot-

Brittannië en Italië weg, is het de vraag of de gevonden uitkomsten daar ook gelden. Daarom is er een

tweede model ontwikkeld waarin de missende waarden worden aangevuld, met gegevens uit andere

databases en alle 100 regio’s worden meegenomen. Dit model wordt model B genoemd. De datasets

van model A en model B zijn in de appendix te vinden als respectievelijk bijlage 4 en 5.

Vanwege problemen die werden ondervonden bij met uitvoeren van de regressies met de ruwe date,

zijn er op verschillende niveaus regressies uitgevoerd. In zowel model A en model B is de regressie op 4

manieren uitgevoerd. Allereerst zijn de waarden van zowel de afhankelijke als de onafhankelijke

variabelen getransformeerd tot log-waarden. Transformatie naar log-waarden corrigeert voor de grote

variantie tussen de data. Daarna zijn van beide modellen regressies uitgevoerd op LEVEL-LEVEL, LEVEL-

LOG, LOG-LEVEL en LOG-LOG niveau. Per model is op basis van de aannames van regressie de beste

versie van het model gekozen.

Allereerst is er een univariabele analyse van de verschillende factoren per model gegeven. In de

univariabele analyse is een beeld geschetst van de opbouw van de verschillende factoren uit het model.

Voor de ratio variabelen is er gebruik gemaakt van kengetallen ter beschrijving van de data. Per

variabele is het gemiddelde, het minimum, het maximum, en de standaarddeviatie bekeken. De

nominale dummy variabelen zijn beschreven door een frequentietabel.

Na de algemene beschrijving van de data zijn de variabelen getoetst op normaliteit door middel van de

Shapiro-Wilk toets (Pallant, 2010). Bij de normaliteitstoets is de Shapiro-Wilk toets gebruikt, omdat het

totaal aantal waarnemingen lager is dan 2000 (Pallant, 2010). De nulhypothese veronderstelt een

normale verdeling van de variabele. Wanneer de uitkomst van de p-waarde hoger is dan het

26

significantieniveau 0.05 kan de nulhypothese niet worden verworpen en kan normaliteit worden

verondersteld.

Daarna is de invloed van elke afzonderlijke factor op de hoogbouwontwikkeling bekeken door middel

van een bivariabele regressie. Wanneer de factoren een normale verdeling hebben, is er gebruik

gemaakt van een Pearson correlatie toets om de samenhang te berekenen. Wanneer uit de univariabele

analyse blijkt dat de verdeling niet normaal is, is er gebruik gemaakt van de Spearman correlatie toets

(Pallant, 2010). De uitkomsten van beiden toetsen lopen van -1 tot 1, waarbij -1 perfecte negatieve

correlatie en 1 perfecte positieve correlatie weergeeft. Bij een uitkomst van 0 is er geen samenhang

tussen de variabelen.

Daarnaast is er in de bivariabele analyse gekeken naar de onderlinge correlatie tussen de onafhankelijke

variabelen. Correlatie coëfficiënten tussen onafhankelijke variabelen hoger dan 0.7 kunnen de multipele

regressie in het volgende deel verstoren (Field, 2000) & (Pallant, 2010).

Ten derde is de invloed van de factoren samen op de hoogbouwontwikkeling bekeken door middel van

een multipele regressie. Voordat de regressie uitgevoerd is, is er eerst gecontroleerd of er aan de

voorwaarden voor OLS is voldaan. Hierbij is gebruik gemaakt van de Gaus-Markov assumpties, die

hieronder staan beschreven.

Lineariteit tussen X en Y

Residuen hebben een gemiddelde van 0

Geen sprake van multicollineariteit

Homoskedasticiteit

Normaal verdeelde residuen

Random sampling

De lineariteit tussen X en Y is bekeken door middel van een scatterplot. Er is gecontroleerd op

multicollineariteit door middel van een correlatiematrix en een VIF-toets. Het gemiddelde van de

residuen is beoordeeld via de scatterplot. De homoskedasticiteit is bekeken door middel van een

scatterplot waarin de spreiding van de residuen is weergegeven. Om te onderzoeken of de residuen

normaal verdeeld zijn, wordt gebruik gemaakt van een histogram en een PP-plot, daarnaast is er een

Shapiro-Wilk test uitgevoerd. Ten slotte moet er sprake zijn van een aselecte steekproef.

27

Wanneer er voldaan werd aan de regressie-voorwaarden is de regressie uitgevoerd. Allereerst is de

proportie verklarende variantie besproken. Daarna is de invloed van de verschillende variabelen op de

hoogbouwindex uitgewerkt aan de hand van de resultaten.

28

Hoofdstuk 4 Resultaten

In dit hoofdstuk worden de resultaten van de statistische analyse van de invloed van de omvang van de

metropolitane regio op de mate van hoogbouwontwikkeling besproken. Bij alle toetsen is uitgegaan van

een significantieniveau van α = 0.05. Allereerst volgen de resultaten van de univariabele analyse.

4.1 Univariabele analyse

4.1.1 Model A

In tabel 1 wordt een analyse gegeven van de dataverdeling van zowel de onafhankelijke variabelen als

de afhankelijke variabele. De tabel laat het minimum, maximum, gemiddelde en standaarddeviatie van

de waarden zien. Tabel 2 laat de frequenties zien van de dummyvariabelen.

Tabel1: Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

INWREG 59 946688 11914812 2023629.68 1744660.808

BBPPC 59 11618.1 50725.2 30517.154 10193.3258

AGGP 59 879 47051 10421.40 10013.848

HBI 59 3 1227 190.31 209.739

Valid N (listwise) 59

Tabel 2: FrequentietabelAantal waarnemingen WETBEP HISBIN ECOSTR

0 25 (42.4%) 11 (18.6%) 48 (81.4%)1 34 (57.6) 48 (81.4%) 11 (18.6%)

29

Tabel 3: Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

INWREG .269 59 .000 .571 59 .000

BBPPC .086 59 .200* .974 59 .246

AGGP .380 59 .000 .617 59 .000

HBI .186 59 .000 .748 59 .000

WETBEP .379 59 .000 .628 59 .000

HISBIN .496 59 .000 .475 59 .000

ECOSTR .496 59 .000 .475 59 .000

*. This is a lower bound of the true significance.

Vervolgens worden de variabelen op normaliteit getoetst door middel van de Shapiro-Wilk toets. Tabel

3 laat de uitkomsten van de toets zien. Met significantieniveau p=0.05 wordt alleen voor BBP per capita

verondersteld dat de verdeling normaal is. De andere variabelen hebben een significantieniveau van

minder dan 0.05 en dus moet de nulhypothese van normaliteit worden verworpen.

4.1.2 Model B

Tabel 4 laat de kengetallen van zowel de afhankelijke als de onafhankelijke variabele van model B zien.

In vergelijken met de kengetallen van model A, wordt hier de invloed van de transformatie tot log-

waarden duidelijk. De variantie van de waarden in model B is kleiner dan de variantie in model A. Tabel

2 laat de frequenties zien.

Tabel 4: Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

LgINWREG 100 5.98 7.13 6.2266 .23670

LgBBPPC 100 3.99 4.84 4.4074 .18529

LgAGGP 100 2.41 4.67 3.9176 .36332

LgHBI 100 .30 3.42 1.9253 .62747

Valid N (listwise) 100

Tabel 5: FrequentietabelAantal waarnemingen (=

%)WETBEP HISBIN ECOSTR

0 34 27 781 66 73 22

Vervolgens worden de variabelen op normaliteit getoetst. Met een significantieniveau van p= 0.05

wordt alleen de verdeling van de BBP per capita verondersteld als normaal.

30

4.2 Bivariabele analyse

In dit deel wordt de correlatie tussen de onafhankelijke variabelen en de afhankelijke variabele

besproken.

4.2.1 Model A

Allereerst wordt er gekeken naar correlaties tussen de afhankelijke variabalen en de onafhankelijke

variabelen. De Pearson correlatie toets wordt niet gebruikt omdat de hoogbouwindex niet normaal

verdeeld is, er moet gekeken worden naar Spearman’s rho (zie bijlage 2 appendix). Inwoneraantal,

wettelijke beperkingen en economische structuur hebben significante correlatie met de

hoogbouwindex. Inwoneraantal en economische structuur hebben een positieve correlatie van

respectievelijk 0.430 en 0.312. Wettelijke beperkingen heeft een negatieve correlatie van -0.323. Dit wil

zeggen dat een stijging van inwoneraantal en/of een plaatsing op van de stad op de GLCI een verwachte

stijging van de hoogbouwindex tot gevolg heeft. Meer of strengere wettelijke beperkingen worden

verwacht een lagere hoogbouwindex tot gevolg te hebben. Met absolute waarden tussen 0.3 en 0.5

behoren alle drie de correlaties tot correlaties van middelmatige kracht (Field, 2000) & (Pallant, 2010).

Ook is er gekeken naar de onderlinge correlatie tussen de onafhankelijke variabelen. Ook bij deze toets

wordt gekeken naar Spearman’s rho vanwege de niet normale verdeling van de variabelen. Tussen

onafhankelijke variabelen bestaan vier significante correlaties (zie bijlage 2 appendix). De Pearson

correlatie toets wordt hier niet gebruikt omdat altijd minimaal een van de variabelen een niet normale

verdeling heeft. De significante correlaties staan hieronder weergegeven.

Tabel 7: Correlatie tussen onafhankelijke variabelenVariabelen Spearman’s rho

INWREG BBPPC 0.327INWREG ECOSTR 0.491BBPPC HISBIN -0.279BBPPC ECOSTR 0.521

De correlaties zijn met uitzondering van die tussen BBP per capita en economische structuur allen van

middelmatige sterkte (Field, 2000) & (Pallant, 2010). De correlatie coëfficiënt van 0.521 moet worden

gezien als een sterke correlatie (ibid.). De waarden komen echter niet boven de grenswaarde van 0.7 en

moeten daarom geen problemen opleveren bij de multipele regressie (ibid.)

4.2.2 Model B

Uit de bivariabele analyse aan de hand van Spearman’s rho blijkt dat wederom inwoneraantal, wettelijke

beperkingen en economische structuur een correlatie hebben met de hoogbouwindex (zie bijlage 3

31

appendix). Inwoneraantal en economische structuur hebben beiden een positieve correlatie coëfficiënt

van respectievelijk 0.403 en 0.296, wettelijke beperkingen heeft een negatieve correlatie coëfficiënt met

een waarde van -0.394. Wanneer het inwoneraantal stijgt en/of de regio geplaatst wordt op de GLCI

wordt de hoogbouwindex dus verwacht te stijgen, wanneer een stad meer of strengere wettelijke

beperkingen krijgt, wordt de hoogbouwindex verwacht te dalen. De absolute waarden van de correlatie

coefficenten liggen binnen 0.3 en 0.5, dus zijn alle correlaties van middelmatige kracht (Field, 2000) &

(Pallant, 2010).

Er wordt ook gekeken naar correlatie tussen de onafhankelijke variabelen. Er wordt hier wederom

gekeken naar de Spearman’s rho omdat altijd minimaal een van de variabelen een niet normale

verdeling heeft. Hieronder worden de significante relaties weergegeven. Opvallend is dat deze

correlaties niet dezelfde correlaties zijn als bij model A. Een mogelijke verklaring hiervoor is het

toegenomen aantal waarnemingen.

Tabel 8: Correlatie tussen onafhankelijke variabelenVariabelen Spearman’s rho

LgINWREG ECOSTR 0.527LgBBPPC LgAGGP 0.262LgBBPPC ECOSTR 0.415

De tabel laat zien dat in model B andere onderlinge correlaties gelden dan in model A. De correlaties

tussen BBP per capita en zowel agrarische grondprijs en economische structuur zijn beiden correlaties

van middelmatige sterkte (Field, 2000) & (Pallant, 2010). De correlatie coëfficiënt tussen inwoneraantal

en economische structuur is groter dan 0.5, waardoor deze correlatie als sterk wordt gezien (ibid). Geen

van de correlatie coëfficiënten is groter dan 0.7, dus is dit geen belemmering voor de multipele regressie

(ibid).

32

4.3 Multipele regressie

4.3.1 Model A

Voordat er begonnen wordt met de multipele regressie wordt eerst gekeken of aan de voorwaarden

voor OLS wordt voldaan. Uit onderstaande scatterplot blijkt de lineariteit tussen X en Y. Uit deze

scatterplot kan ook worden afgeleid of er wordt voldaan aan de voorwaarde dat het gemiddelde van de

residuen 0 dient te zijn. De blauwe lijn in het scatterplot laat de nullijn zien. Wanneer de uitschieters

niet mee worden genomen, blijkt het gemiddelde van de residuen dicht bij de nul te liggen.

Tabel 9: Coefficients

Model

Collinearity Statistics

Tolerance VIF

1 (Constant)

POP .757 1.321

BBPPC .517 1.935

AGGP .833 1.200

WETBEP .919 1.088

HISBIN .891 1.122

ECOSTR .558 1.791

33

De multicollineariteit wordt gecontroleerd door de correlatiematrix in bijlage 2 van de appendix. Zoals

ook uit het vorige deel al bleek, is voor geen enkele correlatie de coëfficiënt groter dan 0,7, dus zou dit

geen probleem op moeten leveren bij de regressie. Er is voor de zekerheid ook een VIF-toets gebruikt.

Tabel 9 laat de uitkomsten van de VIF-toets zien. De grenswaarde voor de uitkomsten van de VIF-toets is

5, waarden boven 5 zijn problematisch voor de regressie en variabelen met deze waarde moeten

worden verwijderd uit het model (Pallant, 2010). Omdat geen enkele waarde deze grenswaarde

overstijgt, is het niet nodig om een variabele uit dit model te verwijderen en wordt er voldaan aan de

voorwaarde dat er geen sprake mag zijn van multicollineariteit.

De homoskedasticiteit kan eveneens worden afgelezen van de scatterplot. Er moet worden

geconstateerd dat aan deze voorwaarde niet voldoende wordt voldaan. De puntenwolk divergeert

naarmate de waarde voor de ‘predicted value’ groter wordt. De zuiverheid (bias) van het model wordt

hierdoor niet aangetast, maar de efficiëntie wel. De regressie kan nog steeds worden uitgevoerd, maar

de resultaten zijn hierdoor minder betrouwbaar (Field, 2000).

Het onderstaande histogram en PP-plot laten de normaliteit van de residuen zien. De uitschieter in het

histogram en het patroon rondom de diagonaal in PP-plot tonen aan dat de verdeling van de residuen

niet perfect normaal is. Om de normaliteit van de residuen numeriek te testen is een Shapiro-Wilk toets

gebruikt. De uitkomsten van deze test staan in tabel 10 op de volgende pagina. Met een

significantieniveau van 0.05 wordt aangenomen dat de verdeling van de residuen niet normaal is. Omdat

ook deze voorwaarde slechts de efficientie van het model aantast, kan de regressie nog steeds worden

uitgevoerd, echter worden de resultaten minder betrouwbaar. (Pallant, 2010)

34

Tabel 10: Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Studentized Residual .110 59 .074 .917 59 .001

a. Lilliefors Significance Correction

Ten slotte wordt de laatste voorwaarde voor de regressie besproken. Om middels de regressie

toepasbare resultaten te krijgen, dient de gebruikte steekproef een afspiegeling te zijn van de totale

populatie. In dit geval moeten de gebruikte steden vergelijkbaar zijn met de steden die niet in het model

zijn opgenomen, zodat de resultaten kunnen worden toegepast op die andere steden. In dit geval wordt

aan deze voorwaarde niet voldaan. Er wordt gebruikt gemaakt van de 100 grootste regio’s in Europa. De

keuze om regio’s te betrekken is dus niet gebaseerd op aselecte trekking. Bovendien zijn vanwege

missende waarden in dit model alle regio’s uit bijvoorbeeld Engeland en Italië weggelaten. De gevonden

resultaten kunnen van dit model dus niet worden toegepast op regio’s die niet in het model zitten.

Hoewel er niet aan alle voorwaarden voor regressie voldaan, wordt de regressie met deze beperkingen

toch uitgevoerd. De resultaten moeten met zorg worden geïnterpreteerd en zijn niet toepasbaar op

regio’s buiten het model.

Tabel 11 laat de proportie verklarende variantie van 0.666 van model A zien. Dit houdt in dat de

onafhankelijke variabelen de variatie in de afhankelijke variabele voor 66.6 % verklaren. Zoals eerder

gezegd betekent dit echter niet dat de variatie van hoogbouw in realiteit voor 66% wordt verklaard door

de gebruikte variabelen, omdat er slechts gebrekkig voldaan is aan de voorwaarden.

Tabel 11: Model Summaryb

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

A .837a .701 .666 121.152

a. Predictors: (Constant), ECOSTR, HISBIN, WETBEP, AGGP,

INWREG, BBPPC

b. Dependent Variable: HBI

Tabel 12 laat de uitkomsten van de multipele regressie zien. Uit de tabel blijkt dat alle variabelen in het

model een significant effect hebben op de afhankelijke variabele hoogbouw index.

35

Tabel12: Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig.B Std. Error Beta

A (Constant) 428.360 79.735 5.372 .000

INWREG 6.918E-5 .000 .575 6.601 .000

BBPPC -.011 .002 -.556 -5.269 .000

AGGP .005 .002 .216 2.602 .012

WETBEP -74.960 33.301 -.178 -2.251 .029

HISBIN -100.804 42.901 -.189 -2.350 .023

ECOSTR 262.915 54.200 .492 4.851 .000

a. Dependent Variable: HBIOm de invloed van de variabelen op de hoogbouwindex te verkrijgen, moet er worden gekeken naar de

ongestandaardiseerde B. In een LEVEL-LEVEL model, zoals deze, wordt zowel de verandering in de

afhankelijke en onafhankelijke variabele in absolute waarden bekeken. De resultaten moeten dus op

onderstaande wijze worden geïnterpreteerd. Een toename in het inwoneraantal van 100.000 inwoners,

leidt ceteris paribus tot een stijging van de hoogbouwindex van 6.918. De positieve invloed van het

inwoneraantal op de hoogbouwindex werd ook vanuit de literatuur verondersteld, dus het model

bevestigt deze hypothese. Een toename in het BBP per capita met 100 euro, leidt ceteris paribus tot een

daling van de hoogbouwindex van 1.1. Deze negatieve relatie tussen het BBP per capita en de

hoogbouwindex werd vanuit de literatuur niet verondersteld. Omdat het model niet efficiënt is, kan de

hypothese op basis van dit onderzoek echter niet worden verworpen. Er kan slechts worden gesteld dat

de veronderstelde relatie bij deze steden niet gevonden is. Ten slotte kan worden gezegd dat een

toename van de agrarische grondprijs met 100 euro leidt ceteris paribus tot een stijging van de

hoogbouwindex van 5. Deze positieve relatie tussen de agrarische grondprijs en de hoogbouwindex

werd vanuit de literatuur voorspeld en deze hypothese wordt door dit model voor deze steden dus

bevestigd.

De interpretatie van de dummyvariabelen gebeurt op een andere wijze. De ongestandaardiseerde B

toont aan wat het verschil in hoogbouwindex is, op basis van de uitkomst van deze dummy, wanneer er

voor de andere variabelen wordt gecorrigeerd. Het model verwacht dat in vergelijking met de andere

regio’s, regio’s met sterke wettelijke beperkingen een hoogbouwindex hebben die 74.96 lager is,

wanneer voor de andere variabelen wordt gecorrigeerd. Op basis van het model wordt dus een

negatieve invloed van wettelijke beperkingen op de hoogbouwindex verwacht. Deze relatie werd vanuit

36

de literatuur ook verondersteld, dus deze hypothese wordt op basis van dit onderzoek bevestigd. In

vergelijking met andere regio’s, worden regio’s met een historische binnenstad op basis van dit model

verwacht ceteris paribus een 100.804 lagere hoogbouwindex te hebben. Op basis van dit onderzoek kan

dus verondersteld worden dat het hebben van een historische binnenstad voor een regio negatieve

effecten heeft op de hoogbouwindex. Deze relatie werd ook vanuit de literatuur verondersteld, dus de

hypothese wordt bevestigd. Ten slotte wordt verwacht dat in vergelijking met andere regio’s , regio’s die

een belangrijk economisch centrum zijn ceteris paribus een 262.915 hogere hoogbouwindex hebben. Op

basis van dit model kan dus worden gezegd dat het zijn van een belangrijk economisch centrum, een

positieve invloed heeft op de hoogbouwindex. Het zijn van een belangrijk economisch centrum, werd in

dit onderzoek als variabele gebruikt om aan te geven of status in een regio belangrijk is. Tussen status

en hoogbouwontwikkeling werd vanuit de literatuur een positief effect verwacht. Op basis van dit model

wordt deze hypothese dus bevestigd.

De gestandaardiseerde Beta maakt de invloed van de variabelen onderling vergelijkbaar. Het

inwoneraantal (0.575) heeft op basis van dit onderzoek de grootste positieve invloed, gevolgd door de

economische structuur (0.492). Het BBP per capita (0.556) heeft de grootste negatieve invloed op de

hoogbouwindex. De uitkomsten van dit model zijn vanwege de lage efficiëntie van dit model echter niet

toepasbaar op regio’s buiten het model en gelden alleen voor de regio’s die in dit model zijn

opgenomen.

4.3.2 Model B

Voordat de multipele regressie wordt uitgevoerd wordt ook eerst bij model B gekeken of er voldaan

wordt aan de voorwaarden voor OLS. Uit onderstaande scatterplot blijkt de lineariteit tussen X en Y. Ook

valt uit deze scatterplot af te lezen dat het gemiddelde van de residuen, wanneer de uitschieters niet

worden meegenomen, rond de blauwe nullijn ligt. Hiermee wordt voldaan aan de tweede voorwaarde

voor OLS.

37

De multicollineariteit wordt gecontroleerd door de correlatiematrix, te zien in de appendix als bijlage 3.

Zoals al uit het vorige deel bleek is geen enkele correlatiecoëfficiënt groter dan de drempelwaarde van

0.7, dus is er geen sprake van multicollineariteit. Voor de zekerheid is de VIF-toets ook nog uitgevoerd.

Bij de VIF-toets is de drempelwaarde 5, variabelen met een coëfficiënt hoger dan 5 moeten uit het

model verwijderd worden (Pallant, 2010). Tabel 13 laat de VIF-waarden zien. Omdat geen enkele

variabele de grenswaarde van 5 overschrijdt, is het niet nodig een van de variabelen te verwijderen op

basis van multicollineariteit.

Tabel 13: Coefficients

Model Collinearity Statistics

Tolerance VIF

1

(Constant)

WETBEP .973 1.028

HISBIN .942 1.062

ECOSTR .565 1.768

LgPOP .661 1.512

LgBBPPC .673 1.487

LgAGGP .830 1.205

38

Uit de scatterplot kan ook de mate van homoskedasticiteit worden afgelezen. Er is te zien dat aan deze

voorwaarde voor OLS niet wordt voldaan. De puntenwolk convergeert naarmate de ‘predicted value’

groter wordt, maar wanneer bij kleine ‘predicted value’ is de puntenwolk zeer divergent. Omdat

heteroskedasticiteit geen invloed op de zuiverheid van het model heeft, kan de regressie worden

uitgevoerd. De resultaten zullen echter minder efficiënt, en daardoor minder betrouwbaar zijn (Field,

2000).

Het onderstaande histogram en PP-plot laten de verdeling van de residuen zien. Het histogram vertoont

scheefheid naar links en ook bij het PP-plot is een patroon te zien. Om de normaliteit numeriek te testen

is de Shapiro-Wilk toets uitgevoerd. Met een significantieniveau van 0.05 wordt door middel van deze

toets de normaliteit van de residuen verworpen. Er is dus geen sprake van een volledig normale

verdeling van de residuen, maar met het gebruikte databestand voldoet deze LOG-LOG versie van het

model het beste aan de aannames. Daarnaast tast het niet voldoen aan deze voorwaarde slechts de

efficiëntie van dit model aan en niet de zuiverheid. De regressie kan worden uitgevoerd, maar de

resultaten zijn minder betrouwbaar (Pallant, 2010).

Tabel 14: Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Studentized Residual .096 99 .025 .959 99 .003

a. Lilliefors Significance Correction

39

De laatste voorwaarde van OLS is de voorwaarde dat de gebruikte steekproef een aselecte trekking van

de populatie moet zijn. Dit houdt in dat de gebruikte regio’s in het onderzoek ‘random’ zijn

geselecteerd, waardoor de resultaten van het onderzoek ook op regio’s buiten het onderzoek

toepasbaar zijn. Omdat er in dit onderzoek gebruik is gemaakt van de 100 grootste regio’s van Europa

kan er niet worden gesproken over een aselecte trekking. Het gebruik van de 100 grootste regio’s kan

worden gekwalificeerd als een ‘convenience sample’ (Pallant, 2010). Dit houdt in dat bij het onderzoek

de data die voorhanden zijn, wordt gebruikt. Aselecte trekking is in het geval van dit onderzoek waarbij

regio’s worden vergeleken (bijna) niet mogelijk. Een ‘convenience sample’ kan minder betrouwbare

resultaten hebben, wanneer de gebruikte data niet overeenkomen met data van regio’s buiten de

gebruikte data. Aan de voorwaarde van aselecte trekking wordt dus niet volledig voldaan, maar omdat

in model B de missende waarden van bijvoorbeeld Engeland en Italië zijn aangevuld, zijn de resultaten

van dit model beter toepasbaar op andere regio’s dan de uitkomsten van model A.

Hoewel er niet aan alle voorwaarden voor regressie voldaan, wordt de regressie met deze beperkingen

toch uitgevoerd. De resultaten moeten met zorg worden geïnterpreteerd en de verklarende kwaliteit

van de resultaten op andere regio’s is minder gewaarborgd dan bij een onderzoek waarbij voldaan

wordt aan alle voorwaarden.

Tabel 15 geeft de proportie verklarende variantie van 0.335 van model B weer. De variatie van de

afhankelijke variabele wordt voor 33.5% verklaard door de onafhankelijke variabelen. Dit houdt echter

niet in dat alle werkelijke hoogbouwverschillen voor 33.5% verklaard worden door deze variabelen.

Omdat model B beter voldoet aan de voorwaarde van aselecte trekking dan model A kan echter wel

worden gezegd dat de proportie verklarende variantie van model B dichter bij de werkelijke situatie ligt

in vergelijking met die van model A.

Tabel 15: Model Summaryb

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

B .613a .376 .335 .51165

a. Predictors: (Constant), ECOSTR, HISBIN, WETBEP, LgAGGP,

LgBBPPC, LgINWREG

b. Dependent Variable: LgHBI

40

Tabel 16 laat de resultaten van de regressie zien. Slechts de invloed van het inwoneraantal, de

agrarische grondprijs en de wettelijke beperkingen hebben een significante invloed op de

hoogbouwindex. In de analyse van de resultaten zullen daarom alleen deze variabelen worden

behandeld.

Tabel 16: Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig.B Std. Error Beta

B (Constant) -1.187 2.251 -.527 .599

LgINWREG .943 .268 .356 3.518 .001

LgBBPPC -.270 .339 -.080 -.796 .428

LgAGGP -.312 .156 -.181 -2.005 .048

WETBEP -.386 .110 -.294 -3.521 .001

HISBIN -.205 .119 -.146 -1.724 .088

ECOSTR .238 .164 .158 1.446 .152

a. Dependent Variable: LgHBIDe invloeden van de onafhankelijke variabelen op de hoogbouwindex dienen op de volgende wijze

geïnterpreteerd te worden. Wanneer er wordt gekeken naar de ongestandaardiseerde B, moeten deze

waarden wegens het gebruik van dit LOG-LOG model anders worden geïnterpreteerd dan de B waarden

van het LEVEL-LEVEL model A. Wanneer de onafhankelijke variabele wordt veranderd met 1 procent,

wordt de afhankelijke variabele ceteris paribus verwacht met B procent te veranderen. Een toename in

het inwoneraantal van 1 %, heeft ceteris paribus dus een verwachte stijging van 0.943 % van de

hoogbouwindex tot gevolg. Uit dit model kan dus worden geconcludeerd dat een hoger inwoneraantal

leidt tot een hogere hoogbouwindex. Dit komt overeen met de resultaten van model A en met de

literatuur, dus wordt deze hypothese bevestigd. Een toename van de agrarische grondprijs van 1 %, leidt

ceteris paribus tot een daling van de hoogbouwindex van 0.312 %. Deze verwachte negatieve invloed

komt niet overeen met de literatuur of met de uitkomst van model A, over deze hypothese kan op basis

van dit onderzoek dus geen uitspraak worden gedaan.

De interpretatie van de dummyvariabelen moet op een andere wijze gebeuren. De

ongestandaardiseerde B laat zien wat het procentuele verschil in de afhankelijke variabele ceteris

paribus is tussen het wel of niet voldoen aan de dummy voorwaarde. De invloed van de wettelijke

beperkingen op de hoogbouwindex dient als volgt te worden geïnterpreteerd. Het model verwacht dat

41

in vergelijking met andere regio’s, regio’s met sterke wettelijke beperkingen ceteris paribus een 38.6 %

lagere hoogbouwindex hebben. Op basis van model wordt dus een negatieve invloed van wettelijke

beperkingen op de hoogbouwindex verwacht. Dit effect werd in model A ook gevonden en vanuit de

literatuur verwacht, dus wordt deze hypothese bevestigd.

De gestandaardiseerde Beta maakt de invloed van de variabelen onderling vergelijkbaar. Het

inwoneraantal (0.356) oefent, evenals in model A, de grootste positieve invloed uit op de

hoogbouwontwikkeling. De grootste negatieve invloed wordt in model B door wettelijke beperkingen

(-0.294) uitgeoefend, gevolgd door de agrarische grondprijs (-0.181).

42

Hoofdstuk 5 Discussie

In het laatste deel van dit onderzoek worden de resultaten uit het vorige deel bediscussieerd. Allereerst

worden de resultaten van model A en model B besproken en vergeleken. Daarna worden de resultaten

vergeleken met de verwachte resultaten vanuit de literatuur, waarna er door wordt gegaan met

verklaringen voor eventuele afwijkingen. Hierna worden de beperkingen van dit onderzoek besproken.

Het doel van dit onderzoek was een antwoord zoeken op de vraag of er een verband bestaat tussen de

omvang van de metropolitane regio en de mate van hoogbouwontwikkeling. Vanwege beperkte

beschikbaarheid van data is er in de analyse gebruikt gemaakt van twee verschillende modellen. Om tot

eenduidige resultaten van deze analyse te komen zullen eerst de twee modellen met elkaar vergeleken

worden.

5.1 Vergelijking tussen model A en model B

Uit de bivariabele analyse kwam naar voren dat in beide modellen inwoneraantal, economische

structuur en wettelijke beperkingen correleren met de afhankelijke variabele. De eerste twee hebben

een positief verband en wettelijke beperkingen een negatief verband, de waarden van de correlatie

coëfficiënten waren soortgelijk. De onderlinge correlaties vertoonden enkele verschillen, maar deze

kunnen verklaard worden door het verschil in data en zullen daarom hier niet uitgebreid worden

besproken.

Daarnaast vertoonden de uitkomsten van de regressie ook verschillen. In model A was de invloed van

alle variabelen significant, waar in model B drie variabelen een niet-significante invloed bevatten.

Opvallend is ook dat waar in model A de invloed van de agrarische grondprijs op de

hoogbouwontwikkeling positief was, de agrarische grondprijs in model B een negatieve invloed had op

de hoogbouwontwikkeling. De invloed van de agrarische grondprijs op de hoogbouwontwikkeling kan

vanuit dit onderzoek dus niet worden verklaard. Voor de factoren waarbij de invloed enkel in model A

significant was, zullen deze invloeden worden aangehouden in de conclusie. De betrouwbaarheid van de

invloed van deze variabelen is echter lager, dan die van de variabelen waarvan de invloed in beide

modellen soortgelijk was.

5.2 Vergelijking met de literatuur

Aan de hand van literatuur is op pagina 20 een analysekader opgesteld, waarin de verwachte invloed

van de factoren in hypothesen wordt gegeven. Later zijn bij het operationaliseren van de factoren op

pagina 24 de hypothesen die in dit onderzoek getest kunnen worden nogmaals herhaald. Op dezelfde

43

pagina is een conceptueel model ontwikkeld met de verwachte relaties. Op basis van de SPSS-analyse

zullen hypothesen hier worden besproken en zal het conceptueel model worden aangepast.

Aan de hand van de SPSS-analyse worden twee hypothesen vanuit beide modellen ondersteund. Dit

betreft de volgende hypothesen.

Een hoger inwoneraantal leidt tot een hogere mate van hoogbouwontwikkeling.

Meer wettelijke beperkingen leiden tot een lagere mate van hoogbouwontwikkeling.

In beide gevallen wordt de hypothese door het onderzoek bevestigd. Tevens is inwoneraantal in zowel

model A als model B de variabele met de grootste invloed op de hoogbouwontwikkeling.

Een aantal variabelen had enkel een significante invloed in model A. Van deze variabelen kunnen de

hypothesen ook worden getest, al is de betrouwbaarheid van deze test lager dan die van de variabelen

die in beide modellen een significante invloed hadden. De hypothesen waarvan de variabelen slechts in

model A een significante invloed hadden, staan hieronder.

Een hoger BBP per capita leidt tot een hogere mate van hoogbouwontwikkeling.

Een grotere wens voor status leidt tot een hogere mate van hoogbouwontwikkeling.

Meer ruimtegebrek leidt tot minder hoogbouw.

De hypothesen betreffende de wens voor status en het effect van ruimtegebrek worden beide

bevestigd. De hypothese waarin wordt verondersteld dat het BBP per capita een positief effect heeft op

de hoogbouwontwikkeling, kan op basis van dit onderzoek echter niet worden bevestigd, omdat de

gevonden invloed van het BBP per capita tegengesteld is aan de invloed die vanuit de literatuur

verwacht werd.

Daarnaast is er nog een hypothese waarvan de variabelen in beide modellen een verschillend effect

hadden op de afhankelijke variabele. Deze hypothese luidt als volgt.

Een hogere agrarische grondprijs leidt tot een hogere mate van hoogbouwontwikkeling.

In model A had de agrarische grondprijs de verwachte invloed, en verhoogde deze factor de mate van

hoogbouwontwikkeling. In model B had de agrarische grond een negatieve invloed op de

hoogbouwontwikkeling. Deze hypothese wordt op basis van dit onderzoek dus niet bevestigd. Een

mogelijke verklaring hiervoor is een gebrekkige database, waardoor slechts de agrarische grondprijs per

land en niet per regio beschikbaar was.

44

Op basis van de hierboven besproken hypothesen kan het conceptueel model van pagina 24 worden

aangepast. Agrarische grondprijs wordt niet meer behandeld in de vernieuwde versie van het model,

omdat de invloed hiervan op basis van dit onderzoek onduidelijk is. Hieronder wordt de vernieuwde

versie gegeven.

LegendaGroen = Hypothese bevestigdOranje = Hypothese bevestigd in model ARood = Hypothese niet bevestigd op basis van model A, tegengesteld effect

Figuur 5: Invloed van onafhankelijke variabelen op afhankelijke variabele

5.3 Verklaringen voor afwijkingen

Op basis van de vorige paragraaf kan er geconcludeerd worden dat het onderzoek bij twee hypothesen

afwijkt van de literatuur. Ter verduidelijking worden die twee hypothesen hier nog een keer genoemd.

Een hoger BBP per capita leidt tot een hogere mate van hoogbouwontwikkeling.

Een hogere agrarische grondprijs leidt tot een hogere mate van hoogbouwontwikkeling.

De invloed van BBP per capita in het onderzoek was tegengesteld aan de verwachte invloed vanuit de

literatuur. Vanuit de literatuur werd een positief verband tussen BBP per capita en

hoogbouwontwikkeling verwacht. Een verklaring hiervoor komt niet uit de SPSS-analyse naar voren. Uit

de bivariabele analyse blijkt dat het BBP per capita positief correleert in model A met de variabelen voor

inwoneraantal, historische binnenstad en economische structuur. Twee van deze drie variabelen hebben

een positieve invloed op de afhankelijke variabele en hebben zelfs een significante correlatie met de

hoogbouwontwikkeling. Een mogelijke verklaring voor de afwijkende uitkomst is het feit dat er in

bijvoorbeeld Polen een redelijk hoge mate van hoogbouwontwikkeling is, terwijl men daar over het

algemeen over een lager BBP per capita beschikt.

45

Inwoneraantal

Ruimtegebrek

BBP per capita

Wettelijke beperkingen

Status

Hoogbouw index

Voor de agrarische grondprijs werd in model A wel het verwachte effect gevonden, maar model B had

het tegenovergestelde effect als uitkomst. De mogelijke verklaring hiervoor is de kwaliteit van de

beschikbare databases. De agrarische grondprijs werd in de database enkel per land gegeven. Nationale

verschillen tussen regio’s zijn in dit onderzoek dus niet meegenomen. Daarnaast varieerde het

verkrijgingsjaar van de data in de database van Eurostat tussen 2006 en 2012. Hoewel er altijd gebruik

gemaakt is van de meest recente data, kunnen er tussen 2006 en 2012 structurele prijsverschillen

bestaan, waarvoor in dit onderzoek niet gecorrigeerd is. In dit onderzoek zijn dus mogelijk naast alleen

prijsverschillen tussen landen, ook prijsverschillen over tijd meegenomen.

5.4 Beperkingen

Zoals in de vorige paragraaf al aan het licht kwam, was de kwaliteit van de database een van de grootste

beperkingen. De database vertoonde voor sommige variabelen missende waarden waardoor landen als

bijvoorbeeld Engeland, Italië, Polen en Portugal niet zijn meegenomen in model A. Daarnaast waren

voor sommige variabelen geen data uit 2012 beschikbaar en zijn in sommige gevallen zelfs de data uit

2006 gebruikt. De missende waarden zijn voor de analyse met model B aangevuld met losse gegevens

uit verschillende bronnen, maar de kwaliteit van het databestand is hierdoor minder gewaarborgd.

Hoewel er altijd geprobeerd is om de verschillen tussen de data van Eurostat en de andere gegevens zo

klein mogelijk te houden, moet er een kanttekening worden gegeven bij de gebruikte data uit andere

databases. Een voorbeeld van een situatie waarin het gebruik van gegevens uit andere databases voor

problemen kan zorgen is de bepaling van het BBP per capita van de Italiaanse regio’s. Verschillende

databases hanteren hiervoor verschillende waarden. In de analyse is gebruikt gemaakt van de databases

waarvan de gegevens van de overige regio’s in de analyse het meest overeenkwamen. Toch kan er niet

worden gegarandeerd dat hoewel er voor de meest gelijkende data is gekozen, de data daadwerkelijk

overeenkomt met de data van Eurostat. Een reden voor deze verschillen tussen data is het feit dat

andere gegevens op basis van andere definities kunnen zijn verzameld en zo een andere eenheid meten.

Zo is het bijvoorbeeld moeilijk te definiëren wat precies de metropolitane regio van een stad is en is de

kans aanwezig dat verschillende instanties gebruik maken van verschillende definities bij hun

dataverzameling. Ook de database waaruit de gegevens over hoogbouwontwikkeling zijn verkregen,

bevat een beperking. In deze database worden namelijk ook geplande en in aanbouw zijnde gebouwen

meegenomen. Het feit dat deze waarden worden meegenomen in de database vertekent het beeld van

de werkelijke hoeveelheid hoogbouwontwikkeling in een regio. Tevens miste de originele database de

gegevens betreffende de dichtheden van Britse regio’s. Gegevens met betrekking tot de dichtheden van

46

deze steden zijn uiteindelijk ook gevonden op Eurostat, maar vanwege mogelijke verschillende

meetwijze en een verschil in het verkrijgingsjaar van de data is er uiteindelijk voor gekozen om deze

data alleen in model B te gebruiken.

Mogelijk de grootste beperking van dit onderzoek is het feit dat grondprijzen in steden onvindbaar zijn.

Uit de literatuur kwam deze factor als een van de meest belangrijke naar voren, maar het ontbreken van

gegevens over deze factor heeft ertoe geleid dat deze factor niet als variabele meegenomen is in het

model.

Daarnaast kan er worden beredeneerd dat de invloed van wettelijke beperkingen te groot is. Wanneer

een stad een bouwhoogtebeperking heeft, wordt de invloed van de andere factoren te niet gedaan,

omdat hoogbouw boven een bepaalde hoogte überhaupt niet mogelijk is. Het is onwaarschijnlijk dat de

gebruikte steden een bouwhoogtebeperking lager dan 35 meter hebben, dus voor deze steden was

hoogbouw wel mogelijk. Maar in veel van de gebruikte steden gelden beperkingen voor het bouwen

boven 100 meter en dus zijn wolkenkrabbers in deze steden niet of zelden mogelijk. In dit geval kan het

meenemen van een variabele voor wettelijke beperkingen de werking van de andere variabelen te niet

doen.

Er bestaat nog een beperking op het gebied van voldoen aan de aannames van OLS. Zoals in het vorige

hoofdstuk uitvoerig besproken is, voldoet geen van beide modellen volledig aan de voorwaarden voor

OLS. Als gevolg hiervan zijn de resultaten van de modellen minder betrouwbaar en is het de vraag of de

uitkomsten van het onderzoek kunnen worden toegepast op regio’s die niet in de modellen zijn

meegenomen.

De laatste beperking van het onderzoek is de schaal die gebruikt is om de verschillende bouwhoogten

een weging te geven. De gebruikte weging waarbij gebouwen tussen 35 en 100 meter een weging van 1

krijgen en gebouwen hoger dan 100 meter een weging van 2 krijgen is volledig arbitrair. Idealiter was

van elk gebouw de precieze hoogte meegenomen in het model. Als middenweg kan hiervoor een

schaalverdeling met stappen van bijvoorbeeld 20 meter worden gebruikt. Geen van deze methoden was

echter een optie in dit onderzoek, vanwege het gebrek aan deze gegevens in de database Emporis.

47

Hoofdstuk 6 Conclusie

Het doel van dit onderzoek is het zoeken naar een antwoord op de vraag of er een verband bestaat

tussen de omvang van de metropolitane regio en de mate van hoogbouwontwikkeling. Allereerst is er

vanuit economische literatuur onderzocht hoe hoogbouwontwikkeling kan worden verklaard. Daarna is

de verwachte invloed van de cruciale factoren besproken. Indien mogelijk zijn deze factoren

geoperationaliseerd en meegenomen in het empirisch onderzoek. Na de operationalisering zijn

hypothesen opgesteld, waarin de verwachte invloed van deze factoren op de hoogbouwindex wordt

besproken. Deze hypothesen veronderstellen een positieve invloed van inwoneraantal, BBP per capita,

agrarische grondprijs en wens voor status. Wettelijke beperkingen en ruimtegebrek worden verwacht

een negatieve invloed te hebben.

Om de hypothesen te testen zijn twee modellen opgesteld. In het eerste model zijn alleen de regio’s,

waarvan in de database geen waarden ontbraken, opgenomen. In het tweede model zijn deze missende

waarden aangevuld met gegevens uit andere databases.

In het empirisch deel van deze scriptie zijn twee van de hypothesen bevestigd. Zowel de positieve

invloed van het inwoneraantal als de negatieve invloed van wettelijke beperkingen werd in beide

modellen gevonden. Twee andere hypothesen werden slechts in model A bevestigd. De hypothesen dat

ruimtegebrek een negatieve invloed en wens voor status een positieve invloed hebben, worden op basis

van dit onderzoek dus deels bevestigd. De hypothesen dat agrarische grondprijs en BBP per capita een

positieve invloed hebben op de hoogbouwontwikkeling worden op basis van dit onderzoek niet

bevestigd.

Kanttekeningen bij deze conclusies zijn in het vorige hoofdstuk echter al besproken. Het databestand

was verre van optimaal en vertoonde veel missende waarden. Dit is geprobeerd aan te vullen met losse

gegevens, maar de kwaliteit van het onderzoek is hierdoor minder gewaarborgd. Ook kon de invloed van

grondprijs op de hoogbouwontwikkeling niet in dit onderzoek mee worden genomen. Omdat deze

factor in de literatuur als een van de belangrijkste werd omschreven, is een model waarin grondprijs als

variabele wordt meegenomen waarschijnlijk betrouwbaarder. Daarnaast is in hoofdstuk 4 gebleken dat

de huidige modellen slechts gedeeltelijk aan de voorwaarden voor OLS voldoen. De betrouwbaarheid

van de resultaten is hierdoor minder gewaarborgd dan in een model waar wel aan alle voorwaarden

wordt voldaan.

48

Een aanbeveling voor een mogelijk vervolgonderzoek is het gebruik van een ander continent. Met name

Noord-Amerika kent databases waarin de gegevens completer en recenter zijn. Zo bestaan er

bijvoorbeeld databases van grondprijzen en agrarische grondprijzen, welke voor Europa niet of

gebrekkig beschikbaar zijn.

49

Appendix

Bijlage 1

50

Bijlage 2

CorrelationsINWREG BBPPC AGGP HBI WETBEP HISBIN ECOSTR

Spearman's rho INWREG Correlation Coefficient 1.000 .327* .079 .430** -.062 -.245 .491**

Sig. (2-tailed) . .012 .551 .001 .638 .061 .000N 59 59 59 59 59 59 59

BBPPC Correlation Coefficient .327* 1.000 .146 -.133 .115 -.279* .521**

Sig. (2-tailed) .012 . .269 .316 .387 .033 .000N 59 59 59 59 59 59 59

AGGP Correlation Coefficient .079 .146 1.000 .231 -.008 .129 .128Sig. (2-tailed) .551 .269 . .079 .951 .329 .334N 59 59 59 59 59 59 59

HBI Correlation Coefficient .430** -.133 .231 1.000 -.323* -.184 .312*

Sig. (2-tailed) .001 .316 .079 . .013 .163 .016N 59 59 59 59 59 59 59

WETBEP Correlation Coefficient -.062 .115 -.008 -.323* 1.000 .030 .058Sig. (2-tailed) .638 .387 .951 .013 . .822 .661N 59 59 59 59 59 59 59

HISBIN Correlation Coefficient -.245 -.279* .129 -.184 .030 1.000 .006Sig. (2-tailed) .061 .033 .329 .163 .822 . .966N 59 59 59 59 59 59 59

ECOSTR Correlation Coefficient .491** .521** .128 .312* .058 .006 1.000Sig. (2-tailed) .000 .000 .334 .016 .661 .966 .N 59 59 59 59 59 59 59

*. Correlation is significant at the 0.05 level (2-tailed).

**. Correlation is significant at the 0.01 level (2-tailed).

Bijlage 3

52

CorrelationsLgINWREG LgBBPPC LgAGGP LgHBI WETBEP HISBIN ECOSTR

Spearman's rho LgINWREG Correlation Coefficient 1.000 .167 .004 .403** -.114 -.121 .527**

Sig. (2-tailed) . .098 .968 .000 .258 .232 .000N 100 100 100 99 100 100 100

LgBBPPC Correlation Coefficient .167 1.000 .262** -.015 -.029 -.121 .415**

Sig. (2-tailed) .098 . .008 .885 .773 .232 .000N 100 100 100 99 100 100 100

LgAGGP Correlation Coefficient .004 .262** 1.000 -.090 .000 -.093 .072Sig. (2-tailed) .968 .008 . .378 .997 .355 .477N 100 100 100 99 100 100 100

LgHBI Correlation Coefficient .403** -.015 -.090 1.000 -.394** -.144 .296**

Sig. (2-tailed) .000 .885 .378 . .000 .155 .003N 99 99 99 99 99 99 99

WETBEP Correlation Coefficient -.114 -.029 .000 -.394** 1.000 .039 -.077Sig. (2-tailed) .258 .773 .997 .000 . .700 .444N 100 100 100 99 100 100 100

HISBIN Correlation Coefficient -.121 -.121 -.093 -.144 .039 1.000 .051Sig. (2-tailed) .232 .232 .355 .155 .700 . .614N 100 100 100 99 100 100 100

ECOSTR Correlation Coefficient .527** .415** .072 .296** -.077 .051 1.000Sig. (2-tailed) .000 .000 .477 .003 .444 .614 .N 100 100 100 99 100 100 100

**. Correlation is significant at the 0.01 level (2-tailed).

Bijlage 4POP DICHTH BBPPC AGGP HB WK HBI WETBEP HISBIN ECOSTR

Paris 11.914.812 989,2 49.832,9 5.130,00 677 29 735 0 1 1

Madrid 6.387.824 801,2 29.578,3 10.465,00 1169 29 1227 0 1 1

Barcelona 5.357.422 695,4 26.634,8 10.465,00 549 11 571 0 1 0

Ruhrgebiet 5.135.136 1.159,5 28.572,6 8.909,00 107 7 121 0 1 0

Berlin 5.097.712 292,0 26.164,8 8.909,00 376 26 428 1 0 0

Hamburg 3.228.054 440,7 39.123,5 8.909,00 208 11 230 1 0 0

Bruxelles / Brussel 2.922.678 759,7 43.857,1 27.190,00 215 19 253 0 1 1

München 2.727.106 491,8 48.606,9 8.909,00 147 9 165 1 1 1

Stuttgart 2.691.666 734,9 38.724,0 8.909,00 41 2 45 1 0 0

Lille - Dunkerque - Valenciennes 2.584.126 449,7 26.006,3 5.130,00 17 2 21 1 1 0

Frankfurt am Main 2.574.812 595,5 45.587,0 8.909,00 357 62 481 0 0 1

Praha 2.521.009 222,3 21.694,4 2.249,71 544 8 560 1 1 1

Valencia 2.512.922 235,2 21.250,7 10.465,00 345 10 365 0 1 0

Amsterdam 2.405.533 686,1 41.712,9 47.051,00 301 9 319 1 1 1

Bucuresti 2.264.865 1.288,3 13.760,8 878,79 173 7 187 1 1 0

Stockholm 2.091.473 318,0 50.725,2 3.747,96 247 14 275 1 0 1

Marseille 1.982.195 389,1 30.932,2 5.130,00 115 6 127 1 1 0

Köln 1.920.101 1.177,4 36.287,2 8.909,00 84 13 110 1 0 0

København 1.909.612 687,5 50.254,6 25.919,26 73 2 77 1 1 1

Alicante/Alacant - Elche/Elx 1.907.990 331,5 18.148,4 10.465,00 244 2 248 0 1 0

Sevilla 1.887.466 135,9 18.345,2 10.465,00 179 2 183 1 1 0

Dublin 1.801.089 258,8 44.756,8 16.230,00 30 6 42 1 1 1

Lyon 1.756.088 538,1 38.673,7 5.130,00 105 4 113 0 1 0

Málaga - Marbella 1.614.059 221,3 17.640,9 10.465,00 320 6 332 0 1 0

Göteborg 1.590.604 66,2 35.795,0 3.747,96 125 3 131 0 1 0

Helsinki 1.549.058 169,4 45.361,4 6.885,00 59 1 61 1 1 1

Düsseldorf 1.530.700 1.273,2 44.822,2 8.909,00 78 10 98 1 0 0

Murcia - Cartagena 1.476.341 130,4 19.002,9 10.465,00 190 4 198 0 1 0

Bordeaux 1.473.569 146,7 29.396,2 5.130,00 20 0 20 1 1 0

Rotterdam 1.412.582 1.130,6 37.265,4 47.051,00 341 35 411 0 0 0

Dresden 1.350.587 231,8 22.908,3 8.909,00 68 0 68 1 1 0

Nürnberg 1.310.225 445,0 35.214,5 8.909,00 20 3 26 1 1 0

Nantes 1.303.103 190,4 29.590,2 5.130,00 88 1 90 0 0 0

Hannover 1.295.700 436,3 33.985,9 8.909,00 51 0 51 1 1 0

Bielefeld 1.274.972 436,7 29.930,6 8.909,00 4 0 4 1 1 0

Toulouse 1.264.154 199,5 33.059,2 5.130,00 105 1 107 0 1 0

Rouen 1.259.758 200,3 28.000,7 5.130,00 3 0 3 0 1 0

Malmö 1.252.933 113,1 32.480,8 3.747,96 66 4 74 0 0 0

Bremen 1.243.924 211,4 31.138,9 8.909,00 55 2 59 0 1 0

Utrecht 1.237.117 890,2 41.904,1 47.051,00 88 2 92 1 1 0

Ostrava 1.230.613 232,0 12.038,6 2.249,71 259 0 259 0 0 0

Cádiz - Algeciras 1.229.926 170,7 17.107,5 10.465,00 143 0 143 1 1 0

Grenoble 1.227.989 164,5 28.717,4 5.130,00 73 0 73 1 1 0

Brno 1.227.668 134,7 13.373,4 2.249,71 111 1 113 0 1 0

Bilbao 1.130.234 512,2 28.913,7 10.465,00 329 6 341 0 1 0

A Coruña 1.123.724 142,7 22.146,4 10.465,00 175 7 189 1 1 0

Strasbourg 1.102.905 231,6 29.782,7 5.130,00 22 0 22 1 1 0

Nice 1.084.296 251,9 30.304,4 5.130,00 58 1 60 1 1 0

Montpellier 1.064.251 173,6 26.141,6 5.130,00 27 0 27 1 1 0

Oviedo - Gijón 1.052.711 99,7 21.208,7 10.465,00 292 4 300 0 1 0

Riga 1.018.657 102,4 11.618,1 1.014,60 286 9 304 1 1 0

Antwerpen 1.016.926 1.056,4 40.749,1 27.190,00 93 0 93 1 1 0

Toulon 1.013.386 169,5 23.041,0 5.130,00 7 0 7 1 1 0

Rennes 1.003.815 147,6 28.472,7 5.130,00 140 3 146 0 1 0

Leipzig 1.001.220 251,9 23.526,4 8.909,00 37 1 39 0 1 0Braunschweig-Salzgitter-Wolfsburg 991.675 241,0 32.316,3 8.909,00 20 1 22 0 1 0

Zaragoza 954.823 55,7 25.432,7 10.465,00 164 1 166 1 1 0

Heidelberg 951.567 502,4 28.917,9 8.909,00 19 0 19 1 1 0

Vigo 946.688 212,3 19.976,0 10.465,00 197 0 197 1 1 0

54

Bijlage 5

POP DICHTH BBPPC AGGP HB WK HBIWETBEP

HISBIN

ECOSTR

London 13614409,00 1094,5038195,1

017772,6

4 2239 185 2609,00 0 0 1

Paris 11914812,00 989,2049832,9

0 5130,00 677 29 735,00 0 1 1

Madrid 6387824,00 801,2029578,3

010465,0

0 1169 29 1227,00 0 1 1

Barcelona 5357422,00 695,4026634,8

010465,0

0 549 11 571,00 0 1 0

Ruhrgebiet 5135136,00 1159,5028572,6

0 8909,00 107 7 121,00 1 0 0

Berlin 5097712,00 292,0026164,8

0 8909,00 376 26 428,00 1 0 0

Milano 4275216,00 1537,9034968,8

714266,3

5 690 19 728,00 0 1 1

Roma 4233933,00 783,1031300,5

914266,3

5 12 4 20,00 1 1 1

Athina 4109074,00 1080,3025933,4

0 8152,00 45 4 53,00 1 1 1

Warszawa 3271938,00 328,5019180,2

0 4314,35 312 61 434,00 0 0 1

Hamburg 3228054,00 440,7039123,5

0 8909,00 208 11 230,00 1 0 0

Napoli 3078408,00 2629,6016930,5

514266,3

5 23 10 43,00 1 1 0

Budapest 2985089,00 430,6015878,3

0 5337,00 50 0 50,00 1 1 1

Bruxelles / Brussel 2922678,00 759,7043857,1

027190,0

0 215 19 253,00 0 1 1

Lisboa 2823798,00 940,5022668,9

0 3636,00 107 5 117,00 1 1 1

Katowice 2794569,00 501,9010662,0

0 4314,35 104 2 108,00 1 0 0

München 2727106,00 491,8048606,9

0 8909,00 147 9 165,00 1 1 1

Stuttgart 2691666,00 734,9038724,0

0 8909,00 41 2 45,00 1 0 0

Manchester 2682537,00 2061,3023687,3

017772,6

4 212 12 236,00 1 1 0

Wien 2635990,00 311,8039192,6

028690,0

0 93 15 123,00 0 1 1Lille - Dunkerque - Valenciennes 2584126,00 449,70

26006,30 5130,00 17 2 21,00 1 1 0

Frankfurt am Main 2574812,00 595,5045587,0

0 8909,00 357 62 481,00 0 0 1

Praha 2521009,00 222,3021694,4

0 2249,71 544 8 560,00 1 1 1

Valencia 2512922,00 235,2021250,7

010465,0

0 345 10 365,00 0 1 0

Amsterdam 2405533,00 686,1041712,9

047051,0

0 301 9 319,00 1 1 1

West Midlands urban area 2397169,00 405,0023471,9

017772,6

4 321 17 355,00 0 0 0

Torino 2306833,00 337,4019137,0

614266,3

5 8 6 20,00 1 1 0

Bucuresti 2264865,00 1288,3013760,8

0 878,79 173 7 187,00 1 1 0

Stockholm 2091473,00 318,0050725,2

0 3747,96 247 14 275,00 1 0 1

Marseille 1982195,00 389,1030932,2

0 5130,00 115 6 127,00 1 1 0

Köln 1920101,00 1177,4036287,2

0 8909,00 84 13 110,00 1 0 0

København 1909612,00 687,5050254,6

025919,2

6 73 2 77,00 1 1 1

55

Alicante/Alacant - Elche/Elx 1907990,00 331,5018148,4

010465,0

0 244 2 248,00 0 1 0

Sevilla 1887466,00 135,9018345,2

010465,0

0 179 2 183,00 1 1 0

Glasgow 1803406,00 484,4025986,3

017772,6

4 256 2 260,00 0 1 1

Dublin 1801089,00 258,8044756,8

016230,0

0 30 6 42,00 1 1 1

Lyon 1756088,00 538,1038673,7

0 5130,00 105 4 113,00 0 1 0

Sofia 1674218,00 157,70 9717,30 256,15 735 7 749,00 1 1 0

Málaga - Marbella 1614059,00 221,3017640,9

010465,0

0 320 6 332,00 0 1 0

Göteborg 1590604,00 66,2035795,0

0 3747,96 125 3 131,00 0 1 0

Helsinki 1549058,00 169,4045361,4

0 6885,00 59 1 61,00 1 1 1

Düsseldorf 1530700,00 1273,2044822,2

0 8909,00 78 10 98,00 1 0 0

Liverpool 1492182,00 2018,9019948,8

017772,6

4 128 8 144,00 1 0 0

Murcia - Cartagena 1476341,00 130,4019002,9

010465,0

0 190 4 198,00 0 1 0

Bordeaux 1473569,00 146,7029396,2

0 5130,00 20 0 20,00 1 1 0

Blackburn - Blackpool - Preston 1461152,00 471,4020563,8

017772,6

4 28 0 28,00 1 0 0

Kraków 1457140,00 331,7010162,0

0 4314,35 79 1 81,00 1 1 0

Rotterdam 1412582,00 1130,6037265,4

047051,0

0 341 35 411,00 0 0 0

Zürich 1392396,00 832,5045792,4

112513,8

2 60 2 64,00 1 1 1

Dresden 1350587,00 231,8022908,3

0 8909,00 68 0 68,00 1 1 0

Nürnberg 1310225,00 445,0035214,5

0 8909,00 20 3 26,00 1 1 0

Nantes 1303103,00 190,4029590,2

0 5130,00 88 1 90,00 0 0 0

Hannover 1295700,00 436,3033985,9

0 8909,00 51 0 51,00 1 1 0

Gdansk 1288517,00 264,5010265,3

0 4314,35 79 7 93,00 1 1 0

Porto 1284967,00 1579,9016414,3

0 3636,00 21 0 21,00 1 1 0

Bielefeld 1274972,00 436,7029930,6

0 8909,00 4 0 4,00 1 1 0

Brescia 1265296,00 263,5032888,0

014266,3

5 3 0 3,00 1 0 0

Toulouse 1264154,00 199,5033059,2

0 5130,00 105 1 107,00 0 1 0

Rouen 1259758,00 200,3028000,7

0 5130,00 3 0 3,00 0 1 0

Bari 1259574,00 329,2018400,0

014266,3

5 7 0 7,00 0 1 0

Malmö 1252933,00 113,1032480,8

0 3747,96 66 4 74,00 0 0 0

Palermo 1250070,00 250,4017558,0

014266,3

5 3 0 3,00 1 1 0

Bremen 1243924,00 211,4031138,9

0 8909,00 55 2 59,00 0 1 0

Utrecht 1237117,00 890,2041904,1

047051,0

0 88 2 92,00 1 1 0

Ostrava 1230613,00 232,0012038,6

0 2249,71 259 0 259,00 0 0 0

Cádiz - Algeciras 1229926,00 170,7017107,5

010465,0

0 143 0 143,00 1 1 0

56

Grenoble 1227989,00 164,5028717,4

0 5130,00 73 0 73,00 1 1 0

Brno 1227668,00 134,7013373,4

0 2249,71 111 1 113,00 0 1 0

Wroclaw 1197462,00 177,7011388,0

0 4314,35 151 4 159,00 0 1 0

Oslo 1169539,00 229,3069144,3

0 1197,34 183 3 189,00 1 0 1

Thessaloniki 1165650,00 328,6016975,4

0 8152,00 0 3 6,00 1 1 0

Poznan 1155908,00 222,1014203,0

0 4314,35 196 5 206,00 0 0 0

Newcastle upon Tyne 1155864,00 212,0021711,9

017772,6

4 54 0 54,00 1 0 0

Nottingham 1141898,00 415,6022744,6

017772,6

4 40 1 42,00 1 0 0

Bilbao 1130234,00 512,2028913,7

010465,0

0 329 6 341,00 0 1 0

Zagreb 1126326,00 303,9015418,9

0 1750,32 145 1 147,00 1 1 0

A Coruña 1123724,00 142,7022146,4

010465,0

0 175 7 189,00 1 1 0

Leeds 1113502,00 394,7026682,8

017772,6

4 141 8 157,00 1 0 0

Lódz 1109290,00 444,8010104,3

0 4314,35 258 1 260,00 1 1 0

Strasbourg 1102905,00 231,6029782,7

0 5130,00 22 0 22,00 1 1 0

Cardiff 1098128,00 716,4020999,7

017772,6

4 37 1 39,00 0 0 0

Bristol 1096955,00 827,3030565,0

017772,6

4 53 1 55,00 1 0 0

Catania 1090614,00 307,0020100,0

014266,3

5 0 0 0,00 1 1 0

Stoke-on-Trent 1089171,00 394,7019677,0

017772,6

4 2 0 2,00 1 1 0

Nice 1084296,00 251,9030304,4

0 5130,00 58 1 60,00 1 1 0

Montpellier 1064251,00 173,6026141,6

0 5130,00 27 0 27,00 1 1 0

Oviedo - Gijón 1052711,00 99,7021208,7

010465,0

0 292 4 300,00 0 1 0

Riga 1018657,00 102,4011618,1

0 1014,60 286 9 304,00 1 1 0

Antwerpen 1016926,00 1056,4040749,1

027190,0

0 93 0 93,00 1 1 0

Leicester 1013578,00 391,6024912,1

017772,6

4 29 1 31,00 1 0 0

Toulon 1013386,00 169,5023041,0

0 5130,00 7 0 7,00 1 1 0

Rennes 1003815,00 147,6028472,7

0 5130,00 140 3 146,00 0 1 0

Firenze 1003642,00 284,8023265,0

014266,3

5 2 0 2,00 1 1 0

Leipzig 1001220,00 251,9023526,4

0 8909,00 37 1 39,00 0 1 0

Bologna 998887,00 268,9032653,0

014266,3

5 7 1 9,00 1 1 0Braunschweig-Salzgitter-Wolfsburg 991675,00 241,00

32316,30 8909,00 20 1 22,00 0 1 0

Bern 985046,00 168,2054710,0

612513,8

2 26 0 26,00 1 1 0

Zaragoza 954823,00 55,7025432,7

010465,0

0 164 1 166,00 1 1 0

Heidelberg 951567,00 502,4028917,9

0 8909,00 19 0 19,00 1 1 0

Vigo 946688,00 212,3019976,0

010465,0

0 197 0 197,00 1 1 0

57

Blauwe waarden – Aangevuld met andere gegevens van Eurostat

Rode waarden – Aangevuld met gegevens uit andere databases

BibliografieAlonso, W. (1964). Location and Land Use. Cambridge, Massaschussets: Harvard University Press.

Barr, J. (2010). Skyscraper Height. The Journal of Real Estate Finance and Economics , 723-753.

Barr, J. (2010). Skyscrapers and the Skyline: Manhattan, 1895-2004. Real Estate Economics Volume 38, 567-597.

Berghauser, M., & Haupt, P. (2011). De Performance van de Compacte Stad. In Compacte Stad Extended (pp. 126-139). Rotterdam: Uitgever010.

Binder, G. (2001). Tall Buildings of Asia & Australia. Mulgrave: The Images Publishing Group Pty Ltd.

Brech, S. M. (2014, 05 03). Rotterdam wird das Manhattan der Niederlande. Retrieved 05 07, 2014, from Die Welt Web Site: http://www.welt.de/wirtschaft/article127580489/Rotterdam-wird-das-Manhattan-der-Niederlande.html

58

Brueckner, J. (1987). The Structure of Urban Equilibria: A Unified Treatment of the Muth-Mills Model. In E. Mills, Handbook of Regional and Urban Economics (pp. 821-845). Elsevier.

Clark, C. (1951). Urban Population Densities. Journal of the Royal Statistical Society. Serie A, Volume 114, nummer 4, 490-496.

Clark, W., & Kingston, J. (1930). The Skyscraper: A Study in the Economic Height of Moder Office Buildings. New York: American Institute of Steel Construction, Inc.

De Groot, H. e. (2010). Stad en Land. Den Haag: De Swart.

De Jong, J. (2013). Connecting Zuidas. Delft.

Definition of Urban Terms. (n.d.). Retrieved 06 09, 2014, from Demographia: http://demographia.com/db-define.pdf

Emporis Netherlands's Tallest Buildings. (n.d.). Retrieved 05 06, 2014, from Emporis: http://www.emporis.com/statistics/tallest-buildings-netherlands

Emporis Rotterdam's Tallest Buildings. (n.d.). Retrieved 05 06, 2014, from Emporis: http://www.emporis.com/statistics/tallest-buildings-rotterdam-netherlands

Emporis Standard High-Rise. (n.d.). Retrieved 06 01, 2014, from Emporis: http://www.emporis.com/building/standards/high-rise-building

Emporis Standards Architectural Height. (n.d.). Retrieved 06 01, 2014, from Emporis: http://www.emporis.com/building/standards/architectural-height

Emporis Standards Skyscraper. (n.d.). Retrieved 06 01, 2014, from Emporis: http://www.emporis.com/building/standards/skyscraper

Field, A. (2000). Discovering Statistics Using SPSS for Windows: Advanced Techniques for the Beginner. London: SAGE publications ltd.

Gottmann, J. (1966). Why the Skyscraper? American Geographical Society.

Guinness World Records - First Skyscraper. (n.d.). Retrieved 05 08, 2014, from Guinness World Records: http://www.guinnessworldrecords.com/records-9000/first-skyscraper/

Haughwout, A. e. (2008). The Price of Land in the New York Metropolitan Area. Current Issues in Economics and Finance.

Helsley, R., & Strange, W. (2008). A Game Theoretic Analysis of Skyscrapers. Journal of Urban Economics Volume 64, 49-64.

(2005). Hoogbouwvisie Gemeente Utrecht. Utrecht: Stadsontwikkeling.

59

Koomen, E. &. (2005). Searchin for the Polycentric City: A Spatio-temporal Analysis of Dutch Urban Morphology. Amsterdam/Lisbao: Vrije Universiteit Amsterdam/Universidad Nova de Lisboa.

Liukku, E. (2013, 05 20). Interview met architectuurhistoricus Wouter Vanstiphout. Retrieved 05 06, 2014, from Vers Beton Web Site: http://versbeton.nl/2013/05/rotterdam-moet-stoppen-met-de-bouwwoede-en-een-nieuwe-identiteit-ontwikkelen/

Luijt, J. e. (2003). Agrarische grondprijzen onder. Den Haag: Landbouw Economisch Instituut.

Mala, E. (2014, 01 10). 52 Places to Go in 2014. Retrieved 05 07, 2014, from New York Times Web Site: http://www.nytimes.com/interactive/2014/01/10/travel/2014-places-to-go.html?_r=0

McNeill, D. (2005). Skyscraper Geography. Progress in Human Geography, 41-55.

Pallant, J. (2010). SPSS Survival Manual. Berkshire: McGraw-Hill Education.

Sullivan, A. (1991). Tall Buildings on Cheap Land: Building Heights and Intrabuilding Travel Costs. Journal of Urban Economics 29, 310-328.

Thornton, M. (2005). Skyscrapers and business cycles. The quarterly journal of Austrian economics, 51-74.

UNESCO World Hertiga List. (n.d.). Retrieved 06 10, 2014, from UNESCO: http://whc.unesco.org/en/list/

Verbon, J., & Van Wessel, C. (2014, 01 23). Ban op hoogbouw in Amsterdam. Opgeroepen op 06 10, 2014, van Het Parool: http://www.parool.nl/parool/nl/4/AMSTERDAM/article/detail/3582517/2014/01/23/Ban-op-hoogbouw-in-Amsterdam.dhtml

Wheaton, W. (1999). Real Estate "Cycles": Some Fundamentals. Real Estate Economics, 209-230.

Year in Review: Tall Trends of 2013. (2014, 01 16). Retrieved 05 07, 2014, from Council on Tall Buildings and Urban Habitat: http://www.ctbuh.org/TallBuildings/HeightStatistics/AnnualBuildingReview/Trendsof2013/tabid/6105/language/en-US/Default.aspx

Zandbelt, D. (2011). Citius, Altius, Fortius. In Compacte Stad Extended (pp. 140-153). Rotteram: Uitgever010.

Zandbelt, D. e. (2008). Studie naar Nederlandse hoogbouwcultuur: Hoogbouw. Rotterdam: Zandbelt & van den Berg.

60