Statistische sectorinformatie. Als bron van woningmarktonderzoek
Transcript of Statistische sectorinformatie. Als bron van woningmarktonderzoek
STATISTISCHE SECTORINFORMATIE Als bron van woningmarktonderzoek
Frank Vastmans & Roel Helgers
STATISTISCHE SECTORINFORMATIE Als bron van woningmarktonderzoek
Frank Vastmans & Roel Helgers
Promotor: Prof. Dr. Erik Buyst
Leuven, juni 2016
●●●●●
Het Steunpunt Wonen is een samenwerkingsverband van de KU Leuven, de Universiteit Hasselt, de Universiteit Antwerpen en de Afdeling OTB – Onderzoek voor de gebouwde omgeving van de TUD (Nederland).
Binnen het Steunpunt verzamelen onderzoekers van verschillende wetenschappelijke disciplines objectieve gegevens over de woningmarkt en het woonbeleid. Via gedegen wetenschappelijke analyses wensen de onderzoekers bij te dragen tot een langetermijnvisie op het Vlaamse woonbeleid.
Het Steunpunt Wonen wordt gefinancierd door de Vlaamse overheid, binnen het programma ‘Steunpunten voor Beleidsrelevant Onderzoek 2012-2015’.
Gelieve naar deze publicatie te verwijzen als volgt: Vastmans, F., & Helgers, R. (2016). Statistische sectorinformatie. Als bron van woningmarktonder-zoek, Steunpunt Wonen, Leuven, 79 p.
Voor meer informatie over deze publicatie [email protected]; [email protected]
In deze publicatie wordt de mening van de auteur weergegeven en niet die van de Vlaamse overheid. De Vlaamse overheid is niet aansprakelijk voor het gebruik dat kan worden gemaakt van de opgenomen gegevens.
D/2016/4718/007 – ISBN 9789055505807
© 2016 STEUNPUNT WONEN Niets uit deze uitgave mag worden verveelvuldigd en/of openbaar gemaakt door middel van druk, fotocopie, microfilm of op welke andere wijze ook, zonder voorafgaande schriftelijke toestemming van de uitgever. No part of this book may be reproduced in any form, by mimeograph, film or any other means, without permission in writing from the publisher.
p.a. Secretariaat Steunpunt Wonen HIVA - Onderzoeksinstituut voor Arbeid en Samenleving Parkstraat 47 bus 5300, BE 3000 Leuven
Deze publicatie is ook beschikbaar via www.steunpuntwonen.be
Statistische sectorinformatie. Als bron van woningmarktonderzoek | iii
Inhoud
Managementsamenvatting iv
Introductie 1
1. Data & globaal overzicht 2 1.1 Databron 2
1.1.1 Structuur databank AAPD 2 1.1.2 Export op statistische sector niveau 3
1.2 Statistische sectoren in Vlaanderen en Mechelen 6 1.2.1 Vergelijking met andere bronnen 10 1.2.2 Soorten statistische sectoren 11
1.3 Een eerste verkenning 14 1.3.1 Woningvoorraad 14 1.3.2 Verkopen 15 1.3.3 Samenhang tussen woningvoorraad en verkopen 16
1.4 Conclusie 17
2. Woningvoorraad 18 2.1 Aantal woongelegenheden 19 2.2 Samenstelling van de woningvoorraad 22 2.3 Heterogeniteit van de woningvoorraad binnen statistische sectoren 27 2.4 Woningkenmerken 29 2.5 Conclusie 29
3. Verkopen 32 3.1 Aantal verkopen 32 3.2 Samenstelling van de verkopen 33 3.3 Heterogeniteit verkopen 36 3.4 Conclusie 38
4. Samenhang tussen woongelegenheden en verkopen 39 4.1 Verkoopdynamiek 39 4.2 Representativiteit 41 4.3 Conclusie 43
5. Verkoopprijzen 44 5.1 Gemiddelde verkoopprijzen 44 5.2 Dataset met kenmerken van de verkochte woningen 46 5.3 Conclusie 49
Bijlagen 51 B8.4 Verandering woongelegenheden per type woongebouw, 70
Bibliografie 72
Statistische sectorinformatie. Als bron van woningmarktonderzoek | iv
Managementsamenvatting
In Vlaanderen vonden er in 2012 ongeveer 76 000 transacties plaats op een totaal van ongeveer 3 mil‐
joen woongelegenheden. Globaal gezien wisselt dus ieder jaar ±2,5% van alle woongelegenheden van
eigenaar. Het spreekt echter voor zich dat er een grote verscheidenheid in deze dynamiek bestaat
tussen verschillende markten en segmenten. Zo blijkt bijvoorbeeld dat appartementen gemiddeld
genomen vaker van eigenaar wisselen dan woonhuizen. Teneinde een beter inzicht te krijgen van
gebeurtenissen en ontwikkelingen op lokaal niveau kunnen verschillende (soorten) databronnen
geraadpleegd worden. Surveys, zoals het GWO 2013, hebben het grote voordeel dat micro‐data
gebruikt worden die toelaten om per woning diverse kenmerken met elkaar te vergelijken. Ze hebben
echter ook enkele nadelen. Zo zal omwille van privacy redenen de ligging vaak maar onnauwkeurig
worden gegeven. Andere mogelijke nadelen zijn het eerder beperkte aantal observaties en de lage
frequentie waarop de data verzameld worden. De hier genoemde nadelen zijn het doel en de motivatie
voor dit onderzoek naar de mogelijkheden van statistische sectorinformatie als bron voor woning‐
marktonderzoek.
Meer concreet zullen we in dit rapport een blik werpen op de mogelijkheden van een standaardexport
uit de databanken van AAPD (Algemene Administratie van de Patrimoniumdocumentatie). De data‐
banken van AAPD zijn de administratieve databron bij uitstek, aangezien zij gebiedsdekkend zijn voor
Vlaanderen (en België) en op jaarlijkse basis worden geactualiseerd. Dit onderzoek focust op de data
die AAPD hiertoe in een standaardexport ter beschikking stelt, namelijk het aantal verkopen (vanaf
2010) en (de samenstelling van) het gebouwenpark (vanaf 2012) op het niveau van de statistische
sectoren. Het is evenwel niet zeker of deze standaardexport op jaarlijkse basis beschikbaar zal zijn,
aangezien standaard exportroutines niet eenvoudig zijn wanneer de onderliggende databanken aan
verandering onderhevig zijn.
Op basis van de aangeleverde standaardexport kunnen we evenwel interessant kaartmateriaal weer‐
geven, meer bepaald omtrent de gemiddelde grootte van een woning (nuttige woonoppervlakte,
bebouwde oppervlakte, perceeloppervlakte) en het bouwjaar. De hiervoor vermelde gegevens zijn
bovendien beschikbaar per type gebouw (gesloten, halfopen, open, handelshuis, villa, appartement,
building, vakantiewoning, …). Op die manier krijgen we bijgevolg ook een beeld in welke mate een
woonfunctie aanwezig is binnen gebouwtypologieën die primair een andere functie hebben. Sommige
informatie is enkel op het niveau van een gebouw beschikbaar, terwijl andere informatie wordt ver‐
zameld voor iedere individuele woongelegenheid.
Wat betreft het absolute aantal verkopen in een statistische sector zien we logischerwijs dat deze
samenhangt met het aantal woongelegenheden, maar er zijn ook andere variabelen die de verkoop‐
intensiteit sterk beïnvloeden. Globaal gezien voor Vlaanderen observeren we dat het jaarlijks aantal
verkopen per woongelegenheid gemiddeld 4,5% bedraagt voor appartementen, 3% voor gesloten
bebouwing, 2,3% voor halfopen en 1,5% voor villa’s en open bebouwing. Dit hangt samen met het feit
dat de verkoopdynamiek vooral hoog is in stedelijke context. Appartementen dicht bij het centrum van
een stad en met een hoger aandeel jongere bevolking zullen meer dan gemiddeld verkocht worden.
De onderzoekers vermoeden dat het niet zozeer de huurmarkt is die tot deze hoge verkoopdynamiek
Statistische sectorinformatie. Als bron van woningmarktonderzoek | v
leidt, maar vooral de jonge starters op de eigenaarsmarkt die later wensen door te stromen. Dit is niet
onbelangrijk, aangezien verwacht kan worden dat hoge transactiekosten (voornamelijk registratie‐
rechten) de doorstroommarkt sterk afremmen in tijden wanneer de woningprijzen niet meer zo sterk
zullen stijgen. Maar voor duidelijkere conclusies hieromtrent is een meer gedetailleerde analyse van
de verkoopdynamiek nodig. Daarnaast is er een belangrijke kanttekening bij deze cijfers aangezien het
aantal verkopen van appartementen bij ADSEI 30% hoger ligt dan de som van de verkopen in de export
van AAPD op statistische sectorniveau, terwijl de verkopen van woonhuizen wel gelijkaardig zijn. Een
eenduidige verklaring voor dit verschil hebben we niet, maar waarschijnlijk ligt het aan de afbakening
van de definitie. Een gebouw kan opgesplitst worden in appartementen bij verkoop. Zo kan het zijn
dat de verkopen van appartementen bij de export die wij ontvingen enkel die appartementen betreft
die reeds als appartement gecategoriseerd stonden op het moment van de verkoop.
De data omtrent verkoopprijzen dienen we voorzichtig te gebruiken. Indien er weinig verkopen zijn
binnen een bepaalde statistische sector kan de gemiddelde woningprijs doorheen de jaren sterk ver‐
schillen, aangezien de kenmerken van de verkochte woningen ook sterk kunnen verschillen. Desalniet‐
temin zien we duidelijke tendensen. Het vaak gehoorde adagium in de woningmarkt is dat er drie ele‐
menten belangrijk zijn voor de waarde van een woning, namelijk locatie, locatie en locatie. Het is
logischer te spreken van de samenhang tussen grootte, ligging en kwaliteit. Het geproduceerde kaart‐
materiaal toont alvast dat de duurdere as van woningen (Brussel‐Antwerpen) en enkele steden niet de
grootste woningen hebben in termen van perceelgrootte, bebouwde grondoppervlakte en nuttige
(woon)oppervlakte. Bovendien tonen enkele kaarten voor de gemeente Mechelen dat ook binnen een
enkele stad duidelijk urbane regio’s en eerder rurale statistische sectoren kunnen worden onder‐
scheiden. Gebruik makende van de geleverde gegevens kunnen we bovendien een indicatie geven van
de mate van heterogeniteit in het woningbestand.
Tot slot verkregen we ook een eenmalige export van de verkoopprijzen van verkochte woningen en
hun respectievelijke kenmerken op het niveau van de statistische sectoren. Gebruik makende van deze
dataset kunnen we de woningprijzen en het liggingseffect veel beter duiden, aangezien het composi‐
tie‐effect (de verschillende kenmerken van de verkochte woningen binnen een statistische sector
doorheen de jaren) dan grotendeels weggefilterd kan worden. We vonden dat de liggingseffecten een
grote rol spelen in de waarde van een woning maar dat deze niet langer adequaat door het KI weer‐
gegeven worden. We deden dit op basis een eenvoudige hedonische prijsanalyse van woningkenmer‐
ken van AAPD en de liggingseffecten van de huurschatter. Een belangrijke bemerking is dat dergelijke
hedonische prijsanalyses de mogelijkheid bieden om op basis van reeds beschikbare data het
kadastraal inkomen te herschatten. AAPD heeft reeds een schattingsmodel dat de verkoopwaarde
schat. Hun model is echter voornamelijk gebaseerd op de methode van vergelijkingspunten. Dit houdt
in dat in plaats van de woningkenmerken veelal de prijzen van woningen met gelijkaardige kenmerken
in de buurt in het model gezet. Daar waar vergelijkingsmethoden vroeger de enige mogelijkheid waren
om liggingseffecten in kaart te brengen bij gebrek aan geografische informatie, behoort een hedo‐
nische prijsanalyse momenteel tot de mogelijkheden om dit specifieker te doen waarbij de ligging in
kaart gebracht wordt met recente gedetailleerde GIS‐lagen, tezamen met informatie die beschikbaar
is op het niveau van de statische sectoren.
Secundaire kwaliteitskenmerken zoals dubbel glas, …, zijn in dit rapport niet behandeld omdat ze
veelal niet aanwezig zijn in de dataset, of deze niet langer actueel bijgehouden worden. Op het eerste
zicht kan de vraag gesteld worden of een gebiedsdekkende herwaardering van het kadastraal inkomen
dan wel mogelijk is. De onderzoekers vermoeden van wel en suggereren dat het bovendien wenselijk
Statistische sectorinformatie. Als bron van woningmarktonderzoek | vi
kan zijn om energievriendelijke investeringen of andere renovaties niet te belasten via de onroerende
voorheffing.
Statistische sectorinformatie biedt het voordeel dat de ligging gedetailleerd is, wat bijvoorbeeld cru‐
ciaal is in analyses die meer fijnmazig van opzet zijn. Ze biedt bovendien het voordeel dat kruisverban‐
den met andere informatie op statistische sectorniveau (fiscale inkomens, demografie, census2011, …)
mogelijk worden gemaakt. En ze geven vooral een inzicht in hoe het woningbestand doorheen de tijd
verandert op een gedetailleerd niveau.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 1
Introductie
Dit rapport is een verkenning van de mogelijkheden van de nieuw beschikbare data van AAPD. De
klemtoon ligt daarbij niet op finale analyses, al zullen doorheen dit deel van het rapport enkele voor‐
beelden gegeven worden van onderzoeksmogelijkheden die de data bieden.
In het eerste hoofdstuk bespreken we de databron, namelijk de standaard export die jaarlijks geleverd
kan worden voor onderzoek. We schetsen de werking van de AAPD, de brede databank waaruit deze
data‐export voortvloeit en de manier waarop deze data geïnterpreteerd dienen te worden.
In de daaropvolgende hoofdstukken bespreken we achtereenvolgens de kenmerken van de woning‐
voorraad, de data omtrent de verkopen en de samenhang tussen beiden die toelaat de verkoopdyna‐
miek in kaart te brengen. Ook kunnen we nagaan in welke mate de steekproef van verkochte woningen
representatief is voor de totale woningvoorraad in Vlaanderen, hetgeen bijvoorbeeld mogelijk belang‐
rijke implicaties heeft voor de waardering van de totale woningvoorraad. In een laatste hoofdstuk
staan we stil bij de woningprijzen op statistische sectorniveau. Op welke manier zijn deze informatief?
Elk van deze elementen wordt op drie manieren belicht. Eerst op het niveau van Vlaanderen, en ver‐
volgens op het niveau van de stad Mechelen. Door beiden te vergelijken zien we hoe sterk de woning‐
voorraad van een centrumstad kan verschillen van die van Vlaanderen. Ook qua kaartmateriaal zal het
focussen op een stad in plaats van heel Vlaanderen, de statistische sectorverschillen beter tot hun
recht laten komen. Ondanks het feit dat dit rapport geen volledige specifieke analyse als doel heeft,
zullen we gebruik maken van (lineaire) regressieanalyses om de samenhang tussen verschillende varia‐
belen te bestuderen. In die zin is het vergelijkbaar met het eerdere steunpuntrapport ‘Fiscale inko‐
mensstatistieken als bron van woningmarktonderzoek’ (Vastmans e.a. 2012), namelijk een beschrijving
geven van de data en inzicht bieden in het data‐proces, want de resultaten en de kwaliteit van de
output van elk onderzoek hangt in sterke mate af van de beschikbaarheid en de kwaliteit van de input,
de basisgegevens.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 2
1. Data & globaal overzicht
1.1 Databron
1.1.1 Structuur databank AAPD
De Algemene Administratie Patrimoniumdocumentatie (AAPD), was voor de reorganisatie van de FOD
Financiën gekend als de AKRED, de Administratie van het Kadaster, de Registratie en de Domeinen.
Hun belangrijkste activiteit is de organisatie van een omvangrijke documentatie van het patrimonium,
een patrimonium dat onroerende goederen en roerende goederen bevat. Ze zijn belast met het innen
van de hypotheek‐, de registratie‐ en successierechten, het verkopen van de goederen van de Staat,
de onteigening ten algemenen nutte en het vaststellen van het kadastraal inkomen.
Teneinde een goed begrip te krijgen van de export van de data lichten we eerst toe hoe de databank
bij AAPD1 eruit ziet. De structuur van de databank concentreert zich rond twee entiteiten:
CADNET staat voor de geïnformatiseerde bijwerking (mutaties) van de kadastrale documentatie
betreffende de eigenaars en de percelen. Met het oog op de integratie van de documentatie van de
registratie, het kadaster, de hypotheekbewaringen en de domeinen werd vanaf 2002 een nieuwe
werkmethode ontwikkeld. Deze ontwikkeling verliep in 2 fasen, genaamd Cadnet‐bis en Loco. Cadnet‐
bis en Loco worden onafgebroken bijgestuurd.
CADNET (oorspronkelijke basis opzet in 1968 maar vlot bevraagbaar voor gegevens sinds 2001) legt de
koppeling tussen:
- eigenaars (rechten, adres, …); - & wooneenheden (constructiecodes, percelen, legger, artikels, gebouw, …).
Aan CADNET wordt sinds 2003 LOCO gekoppeld (transactieprijzen, soort transactie ‐ verkoop, schen‐
king, scheiding, … ‐ …). Uiteraard is deze databank in volle ontwikkeling waarbij ook andere databanken
aan dit basisbestand gekoppeld worden, zoals HYPO (hypotheekleningen), Huurcontractendata‐
bank, … Dit alles kadert binnen het bredere STIPAD (Geïntegreerd verwerkingssysteem van de Patri‐
moniumdocumentatie) en wordt opgeslagen in de omvattende databank Patrimoniaal Informatiesys‐
teem PATRIS binnen AAPD. PATRIS is op zijn beurt een onderdeel van de ‘kruispuntbank van de Patri‐
moniumdocumentatie’, de verzameling, binnen een gemeenschappelijk netwerk, van de verschillende
patrimoniale gegevensbanken beheerd door de verschillende overheidsinstanties (federaal, geweste‐
lijk en parastataal).
1 Http://fiscus.fgov.be/interfakrednl/stipad_nl/contextegeneral_nl.htm
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 3
1.1.2 Export op statistische sector niveau
Een eerste opmerking betreft de volledigheid van de data. Aangezien kadastrale data typisch werken
met kadastrale afdelingen en niet de statistische sectoren dient er een koppeling gemaakt te worden.
AAPD wees ons erop dat omwille van technische redenen deze koppeling niet exact kon gebeuren en
een deel, weliswaar redelijk klein, niet gekoppeld kon worden. Deze data, zonder statistische sector,
werden niet mee geëxporteerd, waardoor er kleine verschillen kunnen zitten met export op hogere
niveaus.
In dit deel geven we weer hoe de export van de Informatie over kadastrale statistieken eruit ziet. We
bespreken eerst de export uit CADNET (categorieën van gebouwen en woningkenmerken) en vervol‐
gens de verkopen uit LOCO. De AAPD deelt de totale woningvoorraad op in 14 categorieёn. Tabel 1
geeft de verschillende gebouwcategorieën weer die gehanteerd worden.
Tabel 1 Categorieën van gebouwen
1. Appartement 2. Bergplaats: afdak, afvalverwerking, bergplaats, dierengebouw, garage, garagestelplaats, historisch
gebouw, kiosk, krotwoning, lavatory, monument, noodwoning, ondergrondse ruimte, paviljoen, puin, watermolen, watertoren, waterwinning, windmolen, zuiveringsinstallatie.
3. Building: appartementsgebouw met 1 eigenaar (opbrengsthuizen), dus niet opgedeeld in eenheden (buildings hebben daardoor wel een kenmerk bebouwde grondoppervlakte, en appartementen niet)
4. Handelshuis 5. Hoeve 6. Huis A: huis in gesloten bebouwing7. Huis B: huis in halfopen bebouwing8. Huis C: huis in open bebouwing (het verschil met villa is een subjectieve inschatting ten tijde van
constructie) 9. Kantoorgebouw 10. Kasteel 11. Nijverheidsgebouw 12. Socialprofitgebouw: administratief gebouw, badinrichting, beschermde werkplaats, bibliotheek,
bioscoop, bisdom, feestzaal, gebouw eredienst, gemeentehuis, gendarmerie, gerechtshof, gezant‐schap, jeugdheem, koninklijk paleis, kapel, kerk, kinderbewaarplaats, klooster, cultureel centrum, kuurinrichting, lijkenhuis, luchthaven, militair gebouw, moskee, museum, pastorie, rusthuis, schoolgebouw, seminarie, spektakelzaal, sportgebouw, station, strafinrichting, synagoge, telefoon‐cel, telecommunicatiegebouw, tempel, theater, uitkijk, universiteit, vakantietehuis, verpleeg‐inrichting, wachthuis, weeshuis, welzijnsgebouw.
13. Vakantieverblijf 14. Villa (villa of bungalow, deze laatste heeft geen verdiepingen)
1.1.2.1 Kenmerken van gebouwen
De kenmerken van de verschillende gebouwen zijn opgeteld per categorie van gebouwen en per
gemeente of statistische sector. Wat betreft de kwaliteit van de data dient men voor ogen te houden
dat dit de geregistreerde kenmerken niet altijd overeenkomen met de werkelijkheid. Anekdotisch,
maar wel typerend, is bijvoorbeeld dat sommige eigenaars een verhoging van hun kadastraal inkomen
krijgen omdat men er ondertussen vanuit ging dat er wel sanitair in de woning aanwezig was, hoewel
dit niet daadwerkelijk geregistreerd werd. De meeste eigenaars zullen hier moeilijk bezwaar tegen
kunnen intekenen. Voor andere constructievelden (woningkenmerken) zal de databank wel een goed
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 4
beeld geven voor een groep woningen, alhoewel op individueel niveau er verschillen kunnen zijn. De
nuttige woonoppervlakte zal via de bouwvergunning worden geüpdatet, maar er is niet altijd een
bouwvergunning aangevraagd bij een verbouwing, en niet elke bouwvergunning leidde tot een update
wegens beperkte controles (vooral niet de laatste 15 jaar).
Er zijn 2 soorten van kenmerken: per schijven en per aantal.
Tabel 2 Kenmerken per schijven (waarbij waarden opgedeeld worden in klassen)
1. Aantal bouwlagen: aantal bouwlagen van het gebouw. Het gelijkvloers en de bewoonbare dakver‐dieping worden eveneens als bouwlagen geteld.
2. Bebouwde grondoppervlakte: bebouwde grondoppervlakte in m². Deze informatie is niet beschik‐baar voor de categorie appartement.
3. Nuttige oppervlakte (in m²): De som van alle vloeroppervlakten op alle verdiepingen, van kelder tot zolder, die gewogen zijn in functie van hun nut voor de bewoners, bv. gelijkvloers aan 100%, lage kelder aan 10%, garage aan 70%, zolder aan 30%.
4. Perceeloppervlakte: perceeloppervlakte in m². Deze informatie is niet beschikbaar voor de catego‐rie appartement.
5. Bouwjaar: voor gebouwen die bestaan uit meerdere appartementen, is het bouwjaar in het bestand het bouwjaar van de laatste constructie.
6. Kadastrale Inkomen: Kadastrale Inkomen in euro’s.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 5
Tabel 3 Indeling in klasse
Aantal gebouwen met bebouwde grondoppervlakte ‘kleiner dan 45 m2’ ‘van 45 m2 tot 64 m2’ ‘van 65 m2 tot 104 m2’ ‘van 105 m2 tot 184 m2’ ‘groter dan 184 m2’
Aantal gebouwen opgericht ‘voor 1900’ ‘van 1900 tot 1918’ ‘van 1919 tot 1945’ ‘van 1946 tot 1961’ ‘van 1962 tot 1970’ ‘van 1971 tot 1980’ ‘van 1981 tot 1990’ ‘van 1991 tot 2000’ ‘na 2000’
Aantal gebouwen met Kadastraal Inkomen ‘kleiner dan 499 euro’ ‘van 500 euro tot 744 euro’ ‘van 745 euro tot 999 euro’ ‘van 1 000 euro tot 1 499 euro’ ‘van 1 500 euro tot 2 499 euro’ ‘groter dan 2 499 euro’
Aantal gebouwen met nuttige oppervlakte ‘kleiner dan 45 m2’ ‘van 45 m2 tot 64 m2’ ‘van 65 m2 tot 104 m2’ ‘van 105 m2 tot 184 m2’ ‘van 185 m2 tot 344 m2’ ‘van 345 m2 tot 664 m2’
Aantal gebouwen op perceel met perceeloppervlakte ‘kleiner dan 45 m2’ ‘van 45 m2 tot 64 m2’ ‘van 65 m2 tot 104 m2’ ‘van 105 m2 tot 184 m2’ ‘van 185 m2 tot 344 m2’ ‘van 345 m2 tot 664 m2’ ‘van 665 m2 tot 1 304 m2’ ‘van 1 305 m2 tot 2 584 m2’ ‘van 2 585 m2 tot 5 144 m2’ ‘van 5 145 m2 tot 10 264 m2’ ‘groter dan 10 264 m2’
Tabel 4 Kenmerken per aantallen (aantallen worden gegeven per bovenvermelde schijf)
1. Aantal gebouwen: aantal gebouwen per categorie die in een gemeente of statistische sector gelegen zijn.
2. Aantal gebouwen met garage, parking of overdekte staanplaats.3. Aantal garages, parkings of overdekte staanplaatsen: aantal garages, parkings of overdekte staan‐
plaatsen verbonden met een categorie van gebouwen. 4. Aantal gebouwen met een bewoonbare dakverdieping.5. Aantal woongelegenheden: aantal zelfstandige woongelegenheden per categorie van gebouwen
Aangezien kenmerken beschikbaar zijn op gebouw niveau en niet per woongelegenheid, leidt dit soms
tot problemen van interpretatie bij gebouwen met meerdere woongelegenheden, voornamelijk bij
appartementen en buildings.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 6
Daarnaast zijn de schijven wel interessant om de verdeling over de klassen te zien, maar anderzijds
bemoeilijkt het ook om te aggregeren. We kunnen niet rechtstreeks afleiden wat bijvoorbeeld de
gemiddelde nuttige oppervlakte van een gebouw is in een statistische sector. Daartoe hebben we per
schijf een gemiddelde genomen. Deze statistiek is enkel nuttig voor pure woonhuizen omdat hier de
nuttige oppervlakte veelal de woonoppervlakte is. Het gemiddeld woonoppervlakte van een rijwoning
is op die manier een gewogen gemiddelde van het aantal rijwoningen per schijf, vermenigvuldig met
het gemiddelde per schijf.
Wiskundig ziet dit gewogen gemiddelde er als volgt uit:
∑ ∗
∑
Deze gemiddelde woonoppervlakte van een type gebouw kan dan vergeleken worden met gemiddel‐
den in andere statistische sectoren. Het is ook mogelijk om een gewogen gemiddelde van een woon‐
gebouw te berekenen (bv. voor gesloten, halfopen, open bebouwing en villa’s tezamen).
1.1.2.2 Verkoopprijzen
Het aantal verkopen per statistische sector, met hun respectievelijke gemiddelde en mediane prijzen
zijn berekend per jaar (volgens de datum van de akte), per categorie van gebouwen en per gemeente
of statistische sector (als de informatie beschikbaar is).
1.1.2.3 Andere data en exportmogelijkheden
Andere databevragingen zijn mogelijk. In het onderzoek naar de woonfiscaliteit werd gevraagd naar
de link tussen verkoper en woningkenmerk om een beeld te krijgen van de mensen die doorstromen
naar een volgende woning. De mogelijkheden van query’s op maat is echter beperkt. De dienst AAPD
heeft immers andere prioriteiten. De standaard exporten zijn daarbij wel jaarlijks gegarandeerd. Maar
ook hier geldt dat exporten van oudere toestanden wel mogelijk zijn, maar niet haalbaar voor AAPD
door de vele interne aanvragen, niet alleen voor levering van data maar vooral voor participatie aan
andere informatiserings‐ en automatiseringsprojecten.
1.2 Statistische sectoren in Vlaanderen en Mechelen
De statistische sectoren in België zijn de kleinste territoriale basiseenheid gecreëerd door het Belgisch
Nationaal Geografisch Instituut (NGI) en de Algemene Directie Statistiek en Economische Informatie
(ADSEI), waarvoor socio‐economische statistieken worden opgesteld. Anno 2007 waren er 19 781 sta‐
tistische sectoren in België, waarvan 9 182 gelegen in het Vlaams Gewest. 97 van deze statistische
sectoren lagen (en liggen) in de gemeente Mechelen.2 De gemiddelde statistische sector in het Vlaams
Gewest heeft een oppervlakte van 1,48 km2 en ongeveer 700 inwoners. Statistische sectoren zijn
gemiddeld genomen kleiner in (ver)stedelijk(te) gebieden en groter op het ‘platteland’. Zo heeft de
gemiddelde statistische sector in de gemeente Mechelen een oppervlakte van 0,67km2 en 857,7 inwo‐
ners. Meer specifiek voor onze studie huisvest de gemiddelde statistische sector in Vlaanderen in 2012
2 De statistische sectoren zijn als volgt verdeeld over de verschillende provincies: Antwerpen: 1 995, Vlaams‐Brabant: 1 725,
West‐Vlaanderen: 1 851, Oost‐Vlaanderen: 2 215 en Limburg: 1 396.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 7
319,4 woongelegenheden en vonden 8,2 verkopen plaats. In Mechelen bedragen deze cijfers respec‐
tievelijk 398,2 woongelegenheden en 12,6 verkopen per statistische sector. In figuren 1 en 2 geven we
een overzicht weer van de statistische sectoren voor respectievelijk Vlaanderen en Mechelen.
Figuur 1 Statistische sectoren Vlaanderen
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 8
Figuur 2 Statistische sectoren Mechelen
In figuur 1 worden alle statistische sectoren in Vlaanderen weergegeven. Duidelijk zichtbaar zijn bij‐
voorbeeld de grote(re) steden, zoals Antwerpen, Gent, Brugge, Leuven, Kortrijk en Mechelen, waar de
statistische sectoren gemiddeld genomen (veel) kleiner zijn dan in de meer perifere gebieden, zoals
bijvoorbeeld de Westhoek en de Limburgse Kempen. Aangezien het weergeven van gegevens op
Vlaams niveau mogelijk leidt tot onduidelijke kaarten en onze analyses mogelijk interessant zijn voor
lokaal beleid gebruiken we de stad Mechelen hier als een casestudy om onze resultaten aan af te toet‐
sen.
In figuur 2 geven we de statistische sectoren voor Mechelen weer, waar we duidelijk de verschillende
delen van de gemeente kunnen onderscheiden. Zo zien we centraal de stad (en deelgemeente)
Mechelen, waarvan het centrum wordt afgebakend door de ring. Startende vanuit het noorden, met
de klok mee, bevinden zich respectievelijk de deelgemeentes Walem, Muizen, Hombeek, Leest en
Heffen, waarbij de drie laatste voornamelijk ten oosten van de E19 liggen. Waar de deelgemeente
Mechelen gekenmerkt wordt door vele kleinere en grotere statistische sectoren worden de deel‐
gemeentes veelal gekenmerkt door een kern (bv. Hombeek, Leest, Heffen en Walem) en de daarom‐
heen liggende verspreide bebouwing.
Figuren 3 en 4 geven een beeld van Mechelen wat betreft infrastructuur en bodemgebruik.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 9
Figuur 3 Statistische sectoren Mechelen met verkeersvariabelen
Figuur 4 Bodemgebruik Mechelen
Bron: AGIV 2010
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 10
CADNET van AAPD is nu dus ook opvraagbaar op statistische sector niveau wat voor onderzoek uiter‐
aard vele mogelijkheden biedt. Voordien waren deze exports mogelijk op het niveau van de kadastrale
afdelingen. Een voorbeeld hiervan vindt u in bijlage 7. Deze kadastrale afdelingen zijn een stuk groter
dan de statistische sectoren. Deels is het zo dat een geheel van statistische sectoren vaak een
kadastrale afdeling vormen, maar niet altijd, wat het combineren van socio‐economische statistische
sectorinformatie met de informatie van kadastrale afdelingen niet mogelijk maakte.
1.2.1 Vergelijking met andere bronnen
Doordat voor verkopen meestal gekeken wordt naar de verkopen die ADSEI publiceert, kunnen we
beiden vergelijken. Aangezien ADSEI de data van AAPD krijgt aangeleverd, zijn beiden in grote lijnen
met elkaar te vergelijken. Bij de categorieën van gebouwen zoals door AAPD aan ons aangeleverd, zien
we overeenkomsten met de opdeling zoals die door ADSEI gehanteerd wordt bij de verkopen van
woningen en appartementen. De vergelijking gebeurt op geaggregeerd niveau, aangezien we voor
ADSEI geen data op statistische sectorniveau hebben.
Bij de vergelijking met appartementen zien we, zoals blijkt uit tabellen 5 en 6, een groot verschil. Hier
vinden we dat zowel het aantal als de verkoopprijs van de appartementen bij ADSEI duidelijk hoger
liggen. Het dient verder onderzocht te worden wat dit verschil verklaart. Normaal catalogeert ADSEI
de buildings onder opbrengsthuizen (zie bijlage 3 Vergelijking bouwtypes AAPD‐AAPD), dus dat zou
geen verklaring bieden voor het verschil in aantallen. Het grote prijsverschil en de hogere verkopen
ligt ook niet aan de verkopen van nieuwbouwappartementen, aangezien ADSEI enkel data gebruikt die
aangeleverd wordt door de AAPD (dit zijn verkopen met registratierechten). Indien we regionaal gaan
vergelijken zien we dat het aantal verkopen van appartementen in Vlaanderen en Wallonië volgens
ADSEI rond de 30% hoger ligt dan volgens de export van AAPD, terwijl dit in Brussel met 2% verschil
beperkter is. Ook voor Antwerpen met een verschil van 6% is het eerder beperkt.
Mogelijk heeft dit verschil te maken met de bepaling of de verkoop al dan niet slaat op een apparte‐
ment. De categorie appartement is immers niet zo duidelijk. Een eigenaar van een building met drie
appartementen valt immers onder de categorie building en niet onder appartement. Deze eigenaar
kan bijvoorbeeld deze building verkopen aan twee kopers, waarbij de eerste één appartement koopt,
en de tweede koper twee appartementen. Bij de tweede koper is het niet duidelijk hoe deze verkochte
appartementen in de statistieken verwerkt worden aangezien de koper mogelijk slechts één prijs
betaald heeft voor de twee appartementen tezamen. Hij koopt dus een deel van een building (en deze
verschijnen niet in de verkoopstatistieken). Bij de eerste koper kan de verkoop eveneens nog gezien
worden als de verkoop van een deel van een building (dus volgens AAPD nog niet opgesplitst), want
voor de verkoop was het gebouw een building, en viel het nog niet in de categorie appartement. Het
is dus niet altijd duidelijk om een éénduidige categorisering te geven, zeker indien onze export op een
eerdere ad hoc basis verkregen is. In het geval de statistische export zich baseert op het type van
gebouw zoals geregistreerd voor de verkoop, zou dit alvast in lijn liggen met al onze resultaten, en
trouwens een goed beeld geven. Om te weten hoe vaak een appartement gemiddeld verkocht wordt
is het best enkel die appartementen in de verkopen op te nemen die reeds als appartement in de
woningvoorraad zaten (zodat teller en noemer gebaseerd zijn op dezelfde woningen). De verschillen
tussen het aantal verkochte appartementen bij AAPD en ADSEI hoeft dus niet problematisch te zijn, al
dient men wel rekening te houden met het feit dat er in feite meer appartementen verkocht worden.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 11
Deze bemerking geldt ook voor de ADSEI statistieken aangezien buildings (met appartementen) bij hen
ook niet gepubliceerd worden.
Voor woonhuizen stelt dit probleem zich bijna niet. Indien we voor gewone woonhuizen bij AAPD de
som nemen van gesloten, half open en open bebouwing vinden we dat de verkoopprijzen bij ADSEI
licht lager liggen (5%) en het aantal verkopen iets hoger (2,5%). Eenzelfde resultaat vinden we voor
villa’s.
Tabel 5 Vergelijking aantallen, AAPD statistische sectorinformatie & ADSEI, België 2010‐2012
Jaar Appartement Huis Villa
AAPD* ADSEI* AAPD ADSEI AAPD ADSEI
2010 30 691 44 537 60 425 65 780 16 695 17 7692011 33 970 < 42 437 64 601 < 68 044 17 366 < 18 1282012 34 431 43 425 60 276 63 562 16 769 17 317
* Exclusief buildings.
Tabel 6 Vergelijking prijzen, AAPD statistische sectorinformatie & ADSEI, België 2010‐2012 (in euro)
Jaar Appartement Huis Villa
AAPD* ADSEI* AAPD ADSEI AAPD ADSEI
2010 163 344 189 797 184 938 181 015 326 206 319 644 2011 168 846 < 195 643 192 101 > 188 406 338 709 > 330 948 2012 172 510 202 247 198 151 193 564 335 972 330 098
* Exclusief buildings.
Naast de statistische sectorinformatie zou men ook op adresniveau gegevens kunnen koppelen. Hierbij
dient uiteraard rekening gehouden te worden met privacy. De census20113 is hiertoe de gegevensbron
die diverse data op adresniveau aan elkaar koppelt.
1.2.2 Soorten statistische sectoren
Een laatste element heeft betrekking op de naamgeving van de statistische sectoren. Een uitgebreide
bespreking van de oorsprong en het continu updaten van deze gegevens vindt u in het ‘Vademecum
Statistische sectoren’ (Jamagne, 2001) van het Nationaal Instituut voor de Statistiek, en een extract
hiervan in bijlage 2. In tabel 7 geven weer hoe het aandeel van de gebouwtypes verdeeld is volgens de
achtste positie. Op deze positie staat een cijfer of een letter waarmee gewoonlijk het type bodem‐
gebruik in 1981 ruwweg wordt aangegeven (aaneengesloten bebouwing, verspreide bebouwing,
bedrijfsgebied, woonpark met recreatiedoeleinde). De cijfers zijn n.a.v. de volkstelling van 1981 toege‐
kend; als er veel sectoren waren, en dus niet genoeg cijfers, is weleens van die regel afgeweken. Zo
bijvoorbeeld kon het voorkomen dat aan een sector met bedrijfsfunctie een ander cijfer werd toe‐
gekend. Voor statistische sector ‘12040 C190’ zien we bijvoorbeeld dat dit cijfer 9 bedraagt. Indien we
in tabel 7 gaan kijken zien we dat een statistische sector met 9 op de achtste positie een statistische
sector is met veel agrarische activiteit en natuurtoerisme (vakantieverblijven en kastelen).
3 Voor meer info: http://www.census2011.be.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 12
Tabel 7 toont duidelijk hoe diverse bebouwingstypologieën samengaan, en soms ook volledig apart
verschijnen. Het meest duidelijke voorbeeld vinden we bij vakantieverblijven. Zij liggen ofwel in een
recreatief gebied (met 6 als achtste positie, ofwel in een zone die als historisch‐agrarisch lijkt omschre‐
ven te kunnen worden, met hoeves, kastelen en open bebouwing, typisch oudere woningtypologieën).
Meer informatie over de kenmerken en aandelen van bebouwingtypes vindt u in volgende hoofdstuk‐
ken.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 13
Tabel 7 Aandeel gebouwen volgens achtste positie van statistische sector code (bodemgebruik), 2012 (in %)
Achtste positie
Bergplaats Building Handels‐huis
Hoeve HuisA HuisB HuisC Kantoor‐gebouw
Kasteel Nijver‐heids‐gebouw
Social‐profit‐gebouw
Vakantie‐verblijf
Villa Totaal
0 33 41 54 15 38 36 28 35 19 17 50 2 24 32 1 17 19 15 7 20 21 17 14 7 12 13 9 21 20 2 11 13 10 3 14 13 9 10 5 7 9 5 13 12 3 10 11 7 2 11 8 5 7 3 5 7 1 8 8 4 7 8 4 1 8 5 3 4 2 3 5 0 5 55 4 4 3 0 4 2 1 4 1 2 3 0 2 36 1 0 0 0 0 0 0 0 0 0 0 24 0 0 7 2 0 1 0 1 0 0 11 1 24 2 0 0 1 8 4 1 1 15 1 3 7 2 14 6 3 9 6 4 9 9 1 4 48 2 9 23 5 40 11 7 30 16 11 A 0 0 0 0 0 1 1 0 1 1 0 7 2 1B 0 0 0 0 0 0 0 0 0 0 0 0 0 0C 0 0 0 0 0 0 0 0 0 0 0 0 0 0 J 0 0 0 0 0 0 0 0 0 0 0 6 0 0 M 1 0 0 0 0 0 0 6 1 9 1 0 0 0 N 0 0 0 0 0 0 0 0 0 0 0 0 0 0 O 0 0 0 0 0 0 0 0 0 0 0 0 0 0P 2 0 0 6 0 1 3 1 6 3 1 6 2 2Q 0 0 0 0 0 0 0 0 0 0 0 0 0 0 R 0 0 0 0 0 0 0 0 0 0 0 0 0 0 S 0 0 0 0 0 0 0 0 0 0 0 0 0 0 W 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 14
1.3 Een eerste verkenning
De data die we gebruiken in dit deel van het rapport werden aangeleverd door de Algemene
Administratie der Patrimoniumdocumentatie (AAPD) en hebben betrekking op de jaren 2010‐2012
voor de transactiedata en 2012 en 2013 voor de woningvoorraad (telkens toestand 1 januari).4 Aange‐
zien 2012 het enige overlappende jaar is in onze dataset maken we in de meeste van de onderstaande
analyses gebruik van de data voor dit jaar. In deze verkenning maken we enkel gebruik van het aantal
woongelegenheden en gebouwen, we bespreken andere woningkenmerken in hoofdstuk 2.
1.3.1 Woningvoorraad
Een eerste belangrijke pijler van onze dataset bestaat uit een overzicht van de woningvoorraad voor
verschillende jaren. In tabel 8 rapporteren we het aantal (en percentage t.o.v. het totaal) woonge‐
legenheden voor iedere categorie voor Vlaanderen en Mechelen voor het jaar 2012, om te kunnen
vergelijken met de verkopen. Een belangrijke bemerking is dat deze woningvoorraad een stuk lager is
dan de woningvoorraad in 2013 volgens AAPD (zie tabel 11). Dit komt omdat de koppeling met statis‐
tische sectoren niet gebiedsdekkend is gebeurd, daar waar dit in 2013 in veel grotere mate het geval
was. Toch gebruiken we de gegevens voor 2012 voor deze waar de verkopen van 2012 gebruikt
worden.5
Tabel 8 Overzicht gebouwenpark Vlaanderen en Mechelen, 2012
# Vlaanderen # Mechelen % Vlaanderen % Mechelen % Mechelen ‐% Vlaanderen
Appartement 455 258 6 860 15,5 17,8 2,2Bergplaats 1 228 21 0,0 0,1 0,0Building 223 959 4 547 7,6 11,8 4,1Handelshuis 103 325 1 770 3,5 4,6 1,1Hoeve 41 375 177 1,4 0,5 ‐1,0Huis GOB 684 685 16 953 23,3 43,9 20,5Huis HOB 481 783 4 434 16,4 11,5 ‐4,9Huis OB 164 590 750 5,6 1,9 ‐3,7Kantoorgebouw 1 094 27 0,0 0,1 0,0Kasteel 807 10 0,0 0,0 0,0Nijverheidsgebouw 6 594 54 0,2 0,1 ‐0,1Socialprofitgebouw 10 021 147 0,3 0,4 0,0Vakantieverblijf 29 321 2 1,0 0,0 ‐1,0Villa 729 001 2 875 24,9 7,4 ‐17,4
Totaal 2 933 041 38 627 100,0 100,0 0,0
Bron: AAPD
De gegevens in tabel 8 geven weer dat Vlaanderen bijna 3 miljoen woongelegenheden telt waarvan
ongeveer 39 000 (=1,3%) zich in de gemeente Mechelen bevinden. De voornaamste categorieën in
Vlaanderen zijn achtereenvolgens: villa’s, huizen in gesloten bebouwing, huizen in halfopen bebou‐
wing en appartementen. De gemeente Mechelen daarentegen kent logischerwijs een afwijkende
4 De AAPD kan geen eerdere gegevens aanleveren. Toekomstige updates echter behoren tot de mogelijkheden. 5 De AAPD data van 2012 bevatten 108 878 woongelegenheden en 283 096 gebouwen (voornamelijk niet‐woongebouwen).
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 15
samenstelling van de woningvoorraad. De belangrijkste categorieën in Mechelen zijn achtereenvol‐
gens: huizen in gesloten bebouwing, appartementen, buildings en huizen in halfopen bebouwing, het‐
geen te verklaren valt aan de hand van de stedelijke omgeving die Mechelen kenmerkt. De afwijkingen
in percentages worden in de laatste kolom van tabel 8 weergegeven.
1.3.2 Verkopen
Een tweede belangrijk deel van onze dataset bestaat uit informatie aangaande het aantal verkopen
van verschillende types van woningen in Vlaanderen/België. Tot op heden konden we enkel beschik‐
ken over gegevens van de FOD Economie (ADSEI), dewelke ieder kwartaal gegevens (het aantal trans‐
acties, de gemiddelde en mediane prijzen, P10, Q25, Q75 en P90) voor iedere gemeente publiceert
voor 3 verschillende types van woningen/woongelegenheden, namelijk ‘gewone’ woonhuizen, villa’s
en appartementen.6 De huidige dataset biedt een aantal duidelijke voordelen, zoals het feit dat de
gegevens beschikbaar zijn op het niveau van de statistische sectoren en dat de woningen/woon‐
gelegenheden worden onderverdeeld in 14 verschillende categorieën. In tabel 9 vindt de lezer een
overzicht van het aantal verkopen en de fractie in het totale aantal verkopen voor de 14 verschillende
categorieën.
Uit de gegevens gepresenteerd in tabel 9 kan opgemaakt worden dat de voornaamste categorieën in
Vlaanderen in termen van verkopen achtereenvolgens de volgende zijn: huizen in gesloten bebouwing,
appartementen, villa’s en huizen in halfopen bebouwing. Belangrijk hierbij op te merken is dat deze
4 categorieën dezelfde zijn als bij het bespreken van de woningvoorraad, maar dat de volgorde
verschilt. Dit toont reeds aan dat de steekproef van verkopen niet noodzakelijk representatief is voor
de totale woningvoorraad, ondanks dat er uiteraard wel een statistisch verband bestaat tussen beide.7
Bemerk bijvoorbeeld dat ongeveer 27,2% van alle verkopen appartementen zijn, ondanks dat appar‐
tementen maar 15% van alle woongelegenheden uitmaken.
In Mechelen observeren we dat bijna de helft (48,1%) van alle verkopen huizen in gesloten bebouwing
betreft, hetgeen duidelijk hoger ligt dan het Vlaams gemiddelde (27,5%). Een van de verklaringen hier‐
voor schuilt in de samenstelling van de woningcompositie van Vlaanderen en Mechelen, waar het per‐
centage woningen in gesloten bebouwing ook duidelijk hoger ligt in Mechelen. Ruwweg correspon‐
deren de verschillen tussen Vlaanderen en Mechelen in het aandeel van de verkopen met de verschil‐
len in aandeel in de totale woningvoorraad.
6 De FOD Economie publiceert tevens dezelfde gegevens voor de verkopen van gronden, maar deze worden hier buiten
beschouwing gelaten. 7 In Vlaanderen is de correlatiecoëfficiënt tussen het percentage woongelegenheden en het percentage verkopen gelijk aan
0,87. In Mechelen bedraagt deze maar liefst 0,95.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 16
Tabel 9 Overzicht verkopen Vlaanderen en Mechelen, 2012
# Vlaanderen # Mechelen % Vlaanderen % Mechelen % Mechelen ‐% Vlaanderen
Appartement 20 497 372 27,2 29,2 2,0Bergplaats 877 26 1,2 2,0 0,9Building 860 34 1,1 2,7 1,5Handelshuis 3 717 50 4,9 3,9 ‐1,0Hoeve 917 4 1,2 0,3 ‐0,9Huis GOB 20 704 612 27,5 48,1 20,6Huis HOB 11 010 99 14,6 7,8 ‐6,8Huis OB 3 546 12 4,7 0,9 ‐3,8Kantoorgebouw 104 5 0,1 0,4 0,3Kasteel 2 0 0,0 0,0 0,0Nijverheidsgebouw 844 4 1,1 0,3 ‐0,8Socialprofitgebouw 216 3 0,3 0,2 ‐0,1Vakantieverblijf 792 0 1,1 0,0 ‐1,1Villa 11 189 52 14,9 4,1 ‐10,8
Totaal 75 275 1 273 100,0 100,0 0,0
Bron: AAPD
1.3.3 Samenhang tussen woningvoorraad en verkopen
Zoals hierboven reeds besproken bestaat er een imperfect verband tussen het percentage verkopen
voor iedere categorie in de totale stock van verkopen en het percentage woongelegenheden voor
iedere categorie in de totale stock van verkopen. Deze imperfecte relatie impliceert onder andere dat
bepaalde types woongelegenheden gemiddeld genomen vaker verkocht worden dan anderen.
In tabel 10 geven we het aantal verkopen voor iedere categorie weer als een percentage van het aantal
woongelegenheden/gebouwen voor Vlaanderen en Mechelen. Ze geven inderdaad weer dat de
verkoopdynamiek voor bepaalde categorieën, zoals appartementen, huizen in gesloten bebouwing en
handelshuizen, hoger liggen dan voor andere categorieën, zoals bijvoorbeeld huizen in open bebou‐
wing en villa’s. Bemerk dat de verkoop van appartementen vergeleken dient te worden met het aantal
woongelegenheden in de categorie appartementen, en voor buildings dit met aantal gebouwen dient
te gebeuren. Een building is immers een verkoop van één volledig gebouw dat uit diverse appartemen‐
ten/woongelegenheden kan bestaan. Voor de typische woonhuizen is de woongelegenheid veelal het
gebouw zelf en is er geen verschil tussen beiden.
Voor een aantal categorieën, zoals bergplaatsen, kantoorgebouwen en nijverheidsgebouwen is het
eveneens enkel zinvol om de verkopen te vergelijken met het aantal gebouwen, omdat deze catego‐
rieën van gebouwen weinig woongelegenheden bevatten, maar dat verkopen van deze gebouwen des‐
ondanks in de statistieken zijn opgenomen. Aangezien deze categorieën mogelijk leiden tot vertekende
resultaten zullen we ze in de verdere analyses in dit rapport buiten beschouwing laten en zullen we de
volgende categorieën samenvoegen tot 1 categorie: bergplaats, hoeves, kastelen, socialprofitgebouw,
nijverheidsgebouw, vakantieverblijven en kantoren. Samen bevat deze restcategorie in 2012 ongeveer
10,7% van alle woongelegenheden en 6,1% van alle verkopen in Vlaanderen (respectievelijk 12,9% en
5,97% in Mechelen).
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 17
Tabel 10 Verkoopdynamiek Vlaanderen en Mechelen, 2012 (in %)
Categorie Vlaams Gewest# Verkopen ten opzichte van
Mechelen # Verkopen ten opzichte van
Woongelegenheden Gebouwen Woongelegenheden Gebouwen
Appartement 4,5 5,4 Bergplaats 6,5 8,9 Building 2,0 4,6 Handelshuis 3,3 2,8 Hoeve 2,1 2,1 Huis GOB 3,0 3,2 3,6 3,8 Huis HOB 2,3 2,2 Huis OB 2,2 1,6 Kantoorgebouw 2,0 2,8 Kasteel 0,3 0,0 Nijverheidsgebouw 2,5 1,0 Socialprofitgebouw 1,1 1,2 Vakantieverblijf 4,4 0,0 Villa 1,5 1,8
Totaal 2,6 3,3
Bron: AAPD, eigen verwerking
1.4 Conclusie
De databanken van AAPD zijn de administratieve databron bij uitstek, aangezien zij gestandaardiseerd
en gebiedsdekkend zijn en bovendien jaarlijks geactualiseerd worden. Dit biedt uiteraard een breed
spectrum aan mogelijkheden voor (toekomstig) onderzoek waar in volgende hoofdstukken dieper op
ingegaan wordt. Helaas zijn de gegevens niet altijd even eenduidig. Zo is er het verschil tussen woon‐
gelegenheden en gebouwen, waarbij sommige informatie enkel beschikbaar is op voor gebouwen ter‐
wijl andere informatie wordt gerapporteerd voor woongelegenheden. Daarnaast zijn er diverse types
van gebouwen met gemengde functies, waarvan wonen er dus slechts één is, zoals handelshuizen en
socialprofitgebouwen. De gegevens worden bovendien verzameld op het niveau van de kadastrale
afdelingen, dewelke niet overeenkomen met de statistische sectoren. Aangezien de vertaling van kada‐
strale afdelingen naar statistische sectoren (nog) niet perfect is observeren we soms nog onvolkomen‐
heden, die zich mogelijk in de toekomst niet meer zullen voordoen. Tot slot evolueren de databanken
van AAPD continu, hetgeen er voor zorgt dat standaardoutputs mogelijk niet altijd even gestandaardi‐
seerd doorheen de tijd kunnen worden aangeleverd.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 18
2. Woningvoorraad
In dit hoofdstuk bespreken we het gebouwenpark, waar de woningkenmerken van gekend zijn. Voor
de meeste woontypes zal het gebouw en de woongelegenheid samenvallen. Voor appartementen is
dit uiteraard niet het geval. Tabel 11 toont dat een appartementsgebouw gemiddeld 7,5 woongelegen‐
heden per gebouw heeft. Voor buildings is dit iets minder (5,24). Maar ook bij huizen in gesloten
bebouwing zien we gemiddeld 1,07 woongelegenheid per woning (voornamelijk herenhuizen?), waar
voor de overige typische woningtypes de 1‐1 relatie geldt tussen gebouw en woongelegenheid.
Tot op heden konden we enkel beschikken over de gegevens zoals gerapporteerd in het gebouwenpark
op de website van de FOD Economie. Het verschil tussen beide ligt hem in de classificaties, waar deze
iets gedetailleerder zijn voor AAPD. Dit is terug te vinden in bijlage 3.1. Bijlage 3.2 toont de nog meer
gedetailleerde classificaties van AAPD. Op basis van deze detailclassificaties verkregen wij geen data
voor dit onderzoek, maar het zijn wel deze data die ADSEI gebruikt om hun classificaties aan te linken
om de verkopen in kaart te brengen.
Tabel 11 Vergelijking woongelegenheden en gebouwen, per type, 2013
Woongelegen‐
heden Gebouwen Woongelegen‐
heden/ gebouwen
Woongelegen‐heden
Gebouwen
Appartementen 480 493 64 505 7,45 15,8% 2,4%Bergplaats 1 806 94 322 0,02 0,1% 3,6%Building 230 847 44 092 5,24 7,6% 1,7%Handelshuis 103 512 120 740 0,86 3,4% 4,6%Hoeve 42 295 98 636 0,43 1,4% 3,7%Huis in gesloten bebouwing
692 354 645 166 1,07 22,8% 24,5%
Huis in halfopen bebouwing
493 333 488 191 1,01 16,2% 18,5%
Huis in open bebou‐wing
166 858 165 304 1,01 5,5% 6,3%
Kantoorgebouw 1 134 6 364 0,18 0,0% 0,2%Kasteel 830 761 1,09 0,0% 0,0%Nijverheidsgebouw 7 393 97 304 0,08 0,2% 3,7%Socialprofitgebouw 11 250 36 457 0,31 0,4% 1,4%Vakantieverblijf 59 188 27 326 2,17 1,9% 1,0%Villa 750 623 746 760 1,01 24,7% 28,3%
Totaal 3 041 916 2 635 928 1,15 100,0% 100,0%
Bron: AAPD
In onderstaande tabel worden de kenmerken weergegeven, berekend op de manier zoals beschreven
in deel 1.1.1. Voor gebouwen waarbij niet altijd een woongelegenheid is, is de nuttige oppervlakte per
woongelegenheid weggelaten wegens niet informatief. De nuttige oppervlakte is dan immers geen
maatstaf voor de woonoppervlakte. Ook voor enkele andere gebouwen is de oppervlakte niet zo
interessant omdat we bij de grootste categorie de maximumwaarden niet kennen en dus een waarde
hebben genomen die slechts iets hoger als de ondergrens van de bovenste klasse. Dit is aannemelijk
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 19
voor woonhuizen, maar niet voor bijvoorbeeld industriële panden. In het algemeen zien we dat oudere
woningen typisch kleiner zijn, met minder gevels. En binnen de 4‐gevel woningen zien we ook dat
huizen in open bebouwing meestal ouder en kleiner zijn dan de recentere villa’s. De opsplitsing tussen
beiden is gemaakt op basis van een subjectieve inschatting op het moment dat de nieuwbouw in het
kadaster ingeschreven wordt. Het gemiddeld bouwjaar van de gebouwen bedraagt 1956. Dit is laag
aangezien de recente appartementen, weliswaar veel woongelegenheden bevatten, maar relatief
weinig gebouwen, waardoor het gewicht in de meting van het gemiddeld bouwjaar van een gebouw
beperkt is. De oudere ‘huizen in gesloten bebouwing’ wegen dan weer wel zwaar door in deze bereke‐
ning.
Tabel 12 Kenmerken van woongelegenheden en gebouwen, per type, AAPD 2013
Bouwjaar Nuttige oppervlakte Perceeloppervlakte Bebouwde oppervlakte
Gebouwen Gebouwen Woonge‐legenheden
Gebouwen Woonge‐legenheden
Gebouwen Woonge‐legenheden
Appartementen 1976 340 46 0 0 0 0Bergplaats 1970 22 459 87 Building 1966 333 64 415 76 157 29Handelshuis 1940 272 406 156 Hoeve 1941 184 774 186 Huis in gesloten bebou‐wing
1937 160 149 250 283 95 89
Huis in halfopen bebou‐wing
1957 176 174 515 510 125 123
Huis in open bebouwing 1945 194 192 745 738 157 155Kantoorgebouw 1961 122 619 1446 189 Kasteel 1896 251 713 631 219 Nijverheidsgebouw 1976 125 681 5027 170 Socialprofitgebouw 1950 167 759 1408 194 Vakantieverblijf 1980 58 27 541 250 86 28Villa 1981 233 232 841 837 162 161
Algemeen gemiddelde 1956 201 174 504 479 127 115
Bron: AAPD
2.1 Aantal woongelegenheden
We starten met een analyse van het aantal woongelegenheden op lokaal niveau. We zagen reeds dat
de steden gekenmerkt worden door veelal kleinere statistische sectoren. We weten echter dat de
bebouwingsdichtheid in stedelijke gebieden vaak hoger ligt. Dit impliceert dat het aantal woon‐
gelegenheden per statistische sector zowel groter als kleiner kan zijn binnen stedelijke gebieden. In
figuren 5 en 6 plotten we het aantal woongelegenheden per statistische sector voor respectievelijk de
stad Mechelen en Vlaanderen.
Uit onderstaande figuren kunnen we duidelijk opmaken dat het aantal woongelegenheden hoger ligt
in (ver)stedelijk(t)e gebieden, ondanks de kleinere oppervlakten van deze statistische sectoren. In
figuur 5 zien we duidelijk dat er verschillende sectoren in en rond het centrum van de stad Mechelen
worden geklasseerd in de hoogste categorie. In figuur 6 zien we een gelijkaardig patroon, waar we
duidelijke enkele stedelijke gebieden, zoals Gent, Antwerpen en in mindere mate Brugge en Leuven,
kunnen herkennen. Ook duidelijk zichtbaar is de Belgische kust, waar een groot aantal tweede verblij‐
ven gelegen is. Figuur 7 toont het aantal woongelegenheden uitgedrukt t.o.v. de oppervlakte van de
statistische sector, deze woondichtheid geeft nog een iets scherper beeld van de stedelijke omgeving.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 20
Mogelijk meer interessant aan de huidige dataset is dat we de evolutie van het aantal woongelegen‐
heden doorheen de tijd kunnen opvolgen. In figuur 8 bijvoorbeeld geven we de procentuele verande‐
ring van het aantal woongelegenheden weer tussen 2012 en 2013 in Mechelen. De totale toename
van het aantal woongelegenheden in Mechelen in 2012 (tussen 1 januari 2012 en 2013) bedroeg
475 woningen.
Figuur 5 Aantal woongelegenheden Mechelen, 2013
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 21
Figuur 6 Aantal woongelegenheden Vlaanderen, 2013
Figuur 7 Woondichtheid (woongelegenheden/m²) Vlaanderen, 2013
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 22
Figuur 8 Procentuele groei aantal woongelegenheden Mechelen, 2012‐2013
Bron: AAPD
2.2 Samenstelling van de woningvoorraad
De kaarten die hieronder weergegeven worden en betrekking hebben op de samenstelling van de
woningvoorraad, zijn aangemaakt volgens een bepaalde structuur die we eerst zullen toelichten. Aan‐
gezien we beschikken over het totale aantal woongelegenheden voor iedere statistische sector en de
percentages voor aantallen en percentages voor iedere afzonderlijke categorie binnen een bepaalde
statistische sector kunnen we deze gegevens gebruiken om geordende klassen aan te maken. Een
eerste klasse heeft betrekking op die statische sectoren waar een bepaald type woongelegenheid (bv.
appartementen) niet aanwezig is. Vervolgens klasseren we de resterende observaties op basis van de
onderstaande criteria:
Tabel 13 Criteria indeling in klassen
Klasse Criterium
1 Geen woongelegenheden2 <10e percentiel (p10)3 ≥10e percentiel & ≤1e kwantiel (p25) 4 ≥1e kwantiel & ≤Mediaan (p50)5 ≥Mediaan & ≤3e kwantiel (p75)6 ≥3e kwantiel & ≤90e percentiel (p90) 7 ≥90e percentiel
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 23
In de figuren die volgen zullen we telkens deze 7 klassen gebruiken tenzij anders vermeld. Alle statis‐
tieken (p10, p25, p50, p75 en p90) werden berekend met behulp van het softwarepakket Stata 11.2.
Aangezien het programma de statistieken berekend op basis van (minder dan) 97 (= het aantal statis‐
tische sectoren in Mechelen) datapunten voor de gemeente Mechelen kan het voorkomen dat bijvoor‐
beeld niet exact 25% van de statistische sectoren zich in klasse 4 of 5 bevinden.
In figuren 9 en 11 presenteren we gegevens omtrent het percentage appartementen als een functie
van de totale woningvoorraad voor respectievelijk Mechelen en Vlaanderen. In figuren 10 en 12 pre‐
senteren we dezelfde gegevens voor de categorie villa’s.
Figuur 9 Fractie woongelegenheden appartementen Mechelen, 2013
De kaart gepresenteerd in figuur 10 geeft duidelijk weer dat het percentage appartementen hoger is
in het centrum van Mechelen. Ook zien we dat het percentage appartementen relatief hoger is in de
verschillende dorpskernen rondom Mechelen (Muizen, Hombeek, Leest, Heffen en Walem). Een
belangrijke bemerking vormt de statistische sector 12025A899 (Zennegat) waar 53% van alle woon‐
gelegenheden bestaat uit appartementen.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 24
Figuur 10 Fractie woongelegenheden villa Mechelen, 2013
Duidelijk zichtbaar in figuur 10 is dat het percentage woongelegenheden dat gecategoriseerd wordt
als villa’s hoger is in de verschillende deelgemeentes en aan de rand van de stad Mechelen. Bemerk
dat er binnen de ring van Mechelen slechts 1 statistische sector is waar een (zeer beperkt) percentage
van de woongelegenheden bestaat uit villa’s.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 25
Figuur 11 Fractie woongelegenheden appartement Vlaanderen, 2013
Figuur 12 Fractie woongelegenheden villa Vlaanderen, 2013
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 26
Ondanks het feit dat we (na verwerking van de data) beschikken over 7 categorieën van woongelegen‐
heden en hier de statistieken van slechts 2 categorieën hebben gepresenteerd kunt u de figuren voor
de resterende categorieën vinden in bijlage 4.
In de voorgaande figuren toonden we de verschillende klassen voor appartementen en villa’s in
Mechelen en Vlaanderen. We zagen reeds dat het percentage appartementen gemiddeld genomen
hoger lag in stedelijke gebieden en dorpskernen. Ook zagen we dat villa’s vooral aanwezig zijn in bui‐
tengebieden. Teneinde meer inzicht te krijgen in de geobserveerde patronen kunnen we regressie‐
analyse gebruiken. Regressieanalyse is een statistische techniek voor het analyseren van gegevens
waarin (mogelijk) sprake is van een bepaalde samenhang. Meer specifiek schatten we de volgende
regressievergelijking:
% , , ,
Waar % , het percentage van woongelegenheden van type k in statistische sector j weergeeft in
de totale woningvoorraad. De vector , bevat een lijst van verklarende variabelen die mogelijk
samenhangen met % , en , is een storingsterm die alle variatie in de data opvangt die niet
verklaard kan worden door of , . De constante en de vector van coëfficiënten worden
geschat m.b.v. de kleinste kwadratenschatter (OLS). In tabel 14 presenteren we de resultaten van een
beknopte regressieanalyse.
Tabel 14 Verklarende determinanten van de samenstelling woningvoorraad Vlaanderen, 2013
Apparte‐menten
Huizen GOB Huizen HOB Huizen OB Villa’s Handels‐huizen
Afst. tot centr. hoofdgem. ‐0,0139*** ‐0,0198*** 0,00270*** 0,0103*** 0,0215*** ‐0,00277***
(0,000828) (0,000989) (0,000746) (0,000502) (0,00131) (0,000249)
% bevolking tussen 25‐39 0,298*** 0,748*** ‐0,00608 ‐0,0920*** ‐1,406*** 0,184***
(0,0371) (0,0445) (0,0336) (0,0188) (0,0537) (0,0161)
Constante 0,0532*** 0,126*** 0,221*** 0,0544*** 0,521*** ‐0,00145
(0,00898) (0,0109) (0,00894) (0,00505) (0,0143) (0,00341)
Observaties 8 743 8 743 8 743 8 743 8 743 8 743
R2 0,191 0,275 0,058 0,246 0,269 0,092
* Naast de gepresenteerde resultaten nemen we ook nog variabelen op om te controleren voor de afstand tot de verschillende Vlaamse centrumsteden en dummyvariabelen voor de hoofdclusters van de Belfius‐typologie (agglomeratie‐gemeenten, centrumgemeenten, gemeenten met een concentratie van econo‐mische activiteit, landelijke gemeenten, toeristische gemeenten en woongemeenten).
*** Significant op = 0.01.
De resultaten in tabel 14 geven weer dat er bepaalde (ruimtelijke) patronen waarneembaar zijn, wat
impliceert dat het percentage van woongelegenheden in een bepaalde categorie niet willekeurig is. Zo
zien we dat het percentage appartementen, woningen in gesloten bebouwing en handelshuizen dui‐
delijk hoger is naarmate de afstand tot het centrum van de hoofdgemeente afneemt. Wanneer de
afstand tot het centrum van de hoofdgemeente afneemt met 1 kilometer het percentage appartemen‐
ten gemiddeld genomen met 1,4% afneemt. Dit duidt erop dat kernen, zoals kon worden verwacht,
ceteris paribus een hogere bebouwingsdichtheid kennen dan buitengebieden. Ook zien we bijvoor‐
beeld dat er een positieve samenhang is tussen het percentage inwoners in de leeftijdscategorie van
25 t.e.m. 39 jaar en het percentage appartementen/huizen in GOB/handelshuizen. Bemerk dat we hier
niet trachten te argumenteren dat deze relatie causaal is (de verklarende variabele veroorzaakt de te
verklaren variabele). Het is veel waarschijnlijker dat mensen in deze leeftijdscategorie ervoor opteren
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 27
in een appartement/huis in GOB te gaan wonen.8 De geschatte coëfficiënten in de regressieanalyse
dienen dus veel eerder geïnterpreteerd te worden als simpele maatstaven van samenhang. Wanneer
we kijken naar woningen in halfopen bebouwing (HOB), ‐ open bebouwing (OB), en villa’s zien we dat
deze positief samenhangen met de afstand tot het centrum van de hoofdgemeente. Deze meer ruimte‐
intensieve bebouwingsvormen bevinden zich dan ook vaak meer buiten de regionale/lokale centra.
Eveneens zien we dat de tekens voor het percentage inwoners tussen 25 en 39 jaar hier omgedraaid
zijn, hetgeen impliceert dat er minder ‘starters’ wonen in deze categorieën van woningen. Dit effect is
vooral sterk waarneembaar bij villa’s (een 1% stijging van het percentage inwoners tussen 25 en 39 jaar
impliceert een 1,4% daling van het percentage villa’s), hetgeen doorgaans de duurste woningcategorie
is.
2.3 Heterogeniteit van de woningvoorraad binnen statistische sectoren
In de vorige sectie spraken we reeds over de samenstelling van de woningvoorraad binnen de verschil‐
lende statistische sectoren in Vlaanderen en Mechelen. Ook zagen we dat er binnen een statistische
sector vaak nog steeds meer dan 1 type woongelegenheid aanwezig is. Aangezien er binnen statis‐
tische sectoren zich vaak nog meerdere types van woongelegenheden bevinden kunnen we deze
heterogeniteit kwantificeren. Meer specifiek maken we gebruik van Simpson’s (1949) D:
1# ,
∑ # ,
Deze coëfficiënt varieert tussen 0 (100% van de woongelegenheden behoren tot 1 bepaald type) en 1‐
1/K, waar K het aantal categorieën weergeeft.9 Deze maatstaf wordt onder andere gebruikt door
Narwold & Sandy (2010) om het effect van heterogeniteit in de woningvoorraad op woningprijzen te
meten. Indien we de beschikking zouden hebben over individuele transactiedata in Vlaanderen zouden
we mogelijk een soortgelijke oefening kunnen uitvoeren.10
In figuur 13 presenteren we de resultaten voor onze maatstaf van heterogeniteit voor Mechelen en in
figuur 14 wordt dezelfde maatstaf gepresenteerd voor Vlaanderen.
In beide figuren observeren we dat er substantiële regionale en lokale variatie is in onze maatstaf van
heterogeniteit en dat het moeilijk is om duidelijke ruimtelijke patronen te herkennen. Ondanks dat we
dus niet meteen besluiten kunnen trekken uit deze maatstaf dient deze oefening vooral te worden
gezien als een voorzet naar toekomstig onderzoek.
8 We spreken dan een selectie‐effect, waarbij de verklarende variabelen eigenlijk verklaard wordt door de te verklaren
variabele. 9 Maximale heterogeniteit impliceert dat het aantal woongelegenheden voor iedere categorie gelijk is. Dit impliceert dat
het aandeel van iedere categorie 1/K is, waar K het aantal categorieën weergeeft. Dit impliceert dat D gelijk is aan 1‐K*(1/K)2=1‐1/K.
10 Helgers et al. (2013) bijvoorbeeld maken gebruik van een transactiedatabase van ERA Belgium, waar de exacte locatie van de verschillende verkochte panden gekend is. In deze analyse bijvoorbeeld zou het effect van heterogeniteit van de woningvoorraad opgenomen kunnen worden als extra verklarende variabele(n).
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 28
Figuur 13 Heterogeniteit woongelegenheden Mechelen, 2013
Figuur 14 Heterogeniteit woongelegenheden Vlaanderen, 2013
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 29
2.4 Woningkenmerken
Ook de woningkenmerken zijn in kaart gebracht, zij het dat we hier als benadering het gemiddelde
genomen van elke schijf van kenmerken om tot een globaal beeld te komen (zie beschrijving hiervan
in 1.1). We tonen hier de kaarten voor Vlaanderen, deze voor Mechelen vindt u in bijlage 6.
Het gemiddeld bouwjaar toont de oost west tegenstelling, de kustlijn en de tegenstelling tussen cen‐
trumsteden en niet‐centrumsteden. Ook zien we dat bepaalde statistische sectoren aan de rand van
centrumsteden een grote mate van recente bebouwing vertonen.
De andere kenmerken hebben voornamelijk betrekking tot de grootte van woningen. Op alle gebied
(perceel, bebouwde grondoppervlakte en nuttige oppervlakte) tonen deze kaarten redelijk gelijkaar‐
dige tendensen. Indien we dit met andere kaarten vergelijken zien we een sterk verband tussen ener‐
zijds de grootte van de gemiddelde woning en de woondichtheid. Hoe groter de woondichtheid, hoe
kleiner de woningen. Indien we de prijs van de gemiddelde woning en het gemiddeld inkomen hier bij
betrekken vinden we dat hogere inkomens daar wonen waar het aantrekkelijk wonen is (dichtbij het
werk, dichtbij voorzieningen, …). Het opmerkelijke is dat dit locatie‐effect blijkbaar sterk doorspeelt
omdat het verband voor de meeste regio’s lijkt: hoe hoger de woningprijzen op aantrekkelijke locaties,
hoe kleiner de woningen. Het paradoxale effect is dat hogere inkomens veelal in kleinere woningen
wonen (Het noorden van Antwerpen is hierop een uitzondering). Het is een interessante onderzoeks‐
vraag om deze trade‐off tussen preferentie voor locatie enerzijds en een grote woning anderzijds
duidelijker in kaart te brengen.
Op lokaal niveau kunnen we verwachten dat dit niet geldt en eerder de omgekeerde redenering geldt.
Gegeven een aantrekkelijke locatie (dus binnen eenzelfde locatie, bv. stad ‐ al dan niet met stadsrand ‐
) verwachten we een positieve samenhang tussen hogere inkomens, hogere woningprijzen en grotere
woningen. De statistische sectorinformatie biedt het voordeel dergelijke micro‐analyses11 uit te voeren
vanwege de kleine schaal.
2.5 Conclusie
Het vaak gehoorde adagium in de woningmarkt is dat er drie elementen belangrijk zijn voor de waarde
van een woning, namelijk locatie, locatie en locatie. Het is logischer te spreken van de samenhang
tussen grootte, ligging en kwaliteit. Het geproduceerde kaartmateriaal toont alvast dat de duurdere as
van woningen (Brussel‐Antwerpen) en enkele steden (Gent, Brugge) niet de grootste woningen heb‐
ben in termen van perceelsgrootte, bebouwde grondoppervlakte en nuttige (woon)oppervlakte. De
weergegeven kaarten voor de stad Mechelen tonen verder aan dat er ook binnen een enkele gemeente
duidelijk sprake kan zijn van meer urbane regio’s (stad Mechelen) heeft en eerder rurale statistische
sectoren (verspreide bebouwingen deelgemeentes). Binnen een statistische sector kan de analyse niet
verder verfijnd worden, maar we kunnen wel een indicatie geven van de mate van verscheidenheid
van het woningbestand voor iedere statistische sector.
11 Niet te verwarren met de term micro‐data, die individuele transacties/huishoudens bevatten. Zoals eerder gesteld zijn
micro‐data vaak omwille van privacy redenen niet geschikt om fijnmazig de regionale verscheidenheid in kaart te brengen.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 30
Figuur 15 Gemiddeld bouwjaar van gebouwen, 2013
Bron: AAPD
Figuur 16 Gemiddeld bebouwde grondoppervlakte van woonhuizen, 2013
Bron: AAPD
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 31
Figuur 17 Gemiddeld perceelgrootte van woonhuizen, 2013
Bron: AAPD
Figuur 18 Gemiddeld nuttige woonoppervlakte van woonhuizen, 2013
Bron: AAPD
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 32
3. Verkopen
Uit de globale beschrijvende statistieken weten we dat er in 2012 ongeveer 76 000 verkopen plaats‐
vonden, waarvan bijna 1 300 in de gemeente Mechelen. Aangezien we beschikken over transactiedata
op het niveau van de statistische sectoren kunnen we ook hier een meer diepgaande regionale/lokale
analyse uitvoeren waarbij we kijken naar lokale verschillen. Uit het gepresenteerde kaartmateriaal en
de regressieanalyse zal blijken dat het aantal en de compositie van verkopen in sterke mate samen‐
hangen met het aantal en de compositie van woongelegenheden, maar hier geen perfecte afspiegeling
van is.
3.1 Aantal verkopen
We presenteren eerst in figuren 19 en 20 het aantal verkopen per statistische sector voor respectie‐
velijk Mechelen en Vlaanderen.
Uit beide figuren blijkt duidelijk dat het aantal verkopen in belangrijke mate blijkt samen te hangen
het aantal woongelegenheden. De correlatiecoëfficiënt tussen beide variabelen bedragen 0,8658 op
basis van 97 observaties voor Mechelen en 0,9096 op basis van 9 070 observaties voor Vlaanderen.
Figuur 19 Aantal verkopen Mechelen, 2012
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 33
Figuur 20 Aantal verkopen Vlaanderen, 2012
3.2 Samenstelling van de verkopen
In 2.2 analyseerden we reeds de samenstelling van de woningvoorraad in Mechelen en Vlaanderen.
Aangezien we soortgelijke data hebben voor de verkopen kunnen we hier eenzelfde oefening uitvoe‐
ren. In 2.2 klasseerden we de verschillende statistische sectoren volgens de criteria besproken in
tabel 13. Hier gebruiken we dezelfde methode met 1 additionele bemerking. Aangezien er in bepaalde
statistische sectoren geen woongelegenheden van een bepaald type aanwezig zijn kunnen deze uiter‐
aard ook niet verkocht worden. We delen klasse 1 (in dit geval: geen verkopen) met andere woorden
op in 2 aparte klassen, namelijk: (1) geen verkopen, want geen woongelegenheden, en (2) geen ver‐
kopen, maar wel woongelegenheden. In figuren 21 en 23 presenteren we de fractie van verkopen van
appartementen voor respectievelijk Mechelen en Vlaanderen. In figuren 22 en 24 presenteren we
dezelfde gegevens voor de verkopen van villa’s.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 34
Figuur 21 Fractie verkopen appartementen Mechelen, 2012
Figuur 22 Fractie verkopen villa’s Mechelen, 2012
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 35
Figuur 23 Fractie verkopen appartementen Vlaanderen, 2012
Figuur 24 Fractie verkopen villa’s Vlaanderen, 2012
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 36
Ook uit bovenstaande figuren kunnen we opmaken dat de fractie verkopen van een bepaalde categorie
in belangrijke mate samenhangt met fractie van woongelegenheden van de betreffende categorie. In
tabel 15 presenteren we de regressieresultaten voor Vlaanderen. Naast de eerder genoemde variabe‐
len nemen we nu ook het percentage woongelegenheden van de betreffende categorie op als verkla‐
rende variabele. Bemerk dat wanneer de compositie van verkopen een perfecte afspiegeling zou zijn
van de compositie van de woningvoorraad deze coëfficiënt gelijk zou moeten zijn aan 1 en dat andere
factoren geen enkele verklaringskracht bieden (dat wil zeggen, gelijk zijn aan 0).
Tabel 15 Verklarende determinanten in de samenstelling verkopen Vlaanderen
Apparte‐menten
Huizen GOB Huizen HOB Huizen OB Villa’s Handels‐huizen
% woongel. categorie 1,182*** 0,991*** 1,011*** 1,093*** 0,868*** 0,973***
(0,0160) (0,0136) (0,0210) (0,0390) (0,0136) (0,0626)
Afst. tot centr. hoofdgem. ‐0,00241*** 0,000651 0,00147 0,00145 ‐0,0031** ‐0,00106*
(0,000723) (0,00111) (0,00125) (0,00119) (0,00149) (0,000593)
% bevolking tussen 25‐39 0,246*** 0,0180 0,0594 0,0244 ‐0,189*** 0,00294
(0,0366) (0,0500) (0,0551) (0,0451) (0,0682) (0,0321)
Constante ‐0,0137 0,0215* ‐0,0148 ‐0,00391 ‐0,00093 0,0104
(0,00918) (0,0127) (0,0156) (0,0121) (0,0183) (0,00699)
Observaties 7 691 7 691 7 691 7 691 7 691 7 691
R2 0,686 0,559 0,276 0,242 0,443 0,146
* Naast de gepresenteerde resultaten nemen we ook nog variabelen op om te controleren voor de afstand tot de verschillende Vlaamse centrumsteden en dummyvariabelen voor de hoofdclusters van de Belfius‐typologie (agglomeratie‐gemeenten, centrumgemeenten, gemeenten met een concentratie van econo‐mische activiteit, landelijke gemeenten, toeristische gemeenten en woongemeenten).
*** Significant op = 0.01.
De resultaten geven weer dat er inderdaad een sterke samenhang bestaat tussen het percentage ver‐
kopen en het percentage woongelegenheden in een bepaalde categorie (bemerk bijvoorbeeld dat de
determinatiecoëfficiënt hoger is dan in tabel 14 voor alle categorieën). Aangezien de gepresenteerde
coëfficiënten voor het percentage woongelegenheden niet gelijk zijn aan 1 en andere variabelen ook
statistisch significant zijn kunnen we besluiten dat de compositie van verkopen niet perfect overeen‐
komt met die van de woningvoorraad.
3.3 Heterogeniteit verkopen
Net als in 2.3 kunnen we ook voor de verkopen de heterogeniteit bestuderen. Het enige verschil met
de maatstaf gepresenteerd in de vorige sectie is dat we nu verkopen gebruiken in plaats van woonge‐
legenheden.
1# ,
∑ # ,
In figuren 25 en 26 presenteren we de resultaten voor respectievelijk Mechelen en Vlaanderen.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 37
Figuur 25 Heterogeniteit verkopen Mechelen, 2012
Figuur 26 Heterogeniteit verkopen Vlaanderen, 2012
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 38
3.4 Conclusie
Wat betreft het absolute aantal verkopen in iedere statistische sector zien we logischerwijs dat dit
samenhangt met het aantal woongelegenheden in de betreffende statistische sector. Uit de analyse
blijkt echter dat er ook andere variabelen zijn die samenhangen met de verkoopintensiteit. Zo obser‐
veren we bijvoorbeeld voor appartementen dat de verkoopintensiteit hoger is voor appartementen
gelegen dicht bij het centrum van de hoofdgemeente en daar waar het percentage jongeren
(25‐39 jaar) hoger is. Verdere analyses van de verkoopdynamiek kunnen mogelijk meer licht werpen
op trends en ontwikkelingen op de Vlaamse woningmarkt.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 39
4. Samenhang tussen woongelegenheden en verkopen
In de vorige 2 hoofdstukken hebben we zowel de woningvoorraad als de verkopen besproken. In de
regressietabel gepresenteerd in de vorige sectie zagen we reeds dat er een sterk verband bestaat tus‐
sen het percentage woongelegenheden en het percentage transacties, maar dat deze coëfficiënt niet
gelijk is aan 1 en varieert voor de verschillende categorieën van woongelegenheden, hetgeen impli‐
ceert dat bepaalde types van woongelegenheden vaker verkocht worden dan andere en dat de steek‐
proef van verkopen niet representatief is voor de totale woningvoorraad.
4.1 Verkoopdynamiek
In 1.3.3 spraken we reeds eerder over de verkoopdynamiek en definieerden het toen als het totale
aantal verkopen gedeeld door het aantal woongelegenheden in een bepaalde statistische sector. In
tabel 10 zagen we reeds dat bepaalde categorieën van woongelegenheden een hogere verkoopdyna‐
miek kennen dan andere. Zo is het aantal verkopen van appartementen en huizen in gesloten
bebouwing relatief hoog ten opzichte van het aantal woongelegenheden wanneer deze categorieën
worden vergeleken met bijvoorbeeld huizen in open bebouwing en villa’s. We zagen we ook reeds dat
de verschillende types van woongelegenheden/verkopen niet gelijk verdeeld zijn overheen de ruimte.
De data laten echter toe om de verkoopdynamiek voor iedere statistische sector te plotten. In figu‐
ren 27 en 28 presenteren we de resultaten voor respectievelijk Mechelen en Vlaanderen.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 40
Figuur 27 Verkoopdynamiek Mechelen, 2012
Figuur 28 Verkoopdynamiek Vlaanderen, 2012
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 41
Op basis van figuren 27 en 28 zien we dat de verkoopdynamiek in Mechelen vooral hoger ligt rond het
centrum van Mechelen. Bemerk dat de centraal gelegen statistische sectoren 12025A00‐ en
12025A02‐ in het centrum van Mechelen dan weer een lagere verkoopdynamiek kennen. Dit kan
mogelijk verklaard worden door de aanwezigheid van huurwoningen/appartementen in het centrum
van Mechelen die een lagere verkoopdynamiek kennen. Op basis van de resultaten voor Vlaanderen
is het daarentegen moeilijker om concrete patronen te extraheren. Teneinde hier een beter beeld van
te krijgen kunnen we echter een kleine regressieanalyse uitvoeren. De resultaten worden gepresen‐
teerd in tabel 16.
Tabel 16 Verklarende determinanten verkoopdynamiek, 2012
Variabele Coëfficiënt (standaardfout)
Afstand tot centrum hoofdgemeente ‐0,000643***
(0,000196)
% van de bevolking tussen 25 en 39 jaar 0,0219
(0,0146)
Bevolkingsdichtheid per km2 0,0000000278
(1,94e‐07)
Constante 0,0234***
(0,00435)
Observaties 8 743
R2 0,014
Op basis van de resultaten gepresenteerd in tabel 16 kunnen we besluiten dat de verkoopdynamiek
vooral hoger is in lokale centra (centrum van de hoofdgemeente). De determinatiecoëfficiënt geeft
echter aan dat slechts een beperkte mate van de variatie aanwezig in de data verklaard kan worden
door de variabelen opgenomen in de regressieanalyse. Om een beter beeld te vormen van de verkoop‐
dynamiek is het daarom dan ook noodzakelijk verder onderzoek uit te voeren.
4.2 Representativiteit
In de vorige secties hebben we reeds enkele malen aangetoond dat de compositie van verkopen niet
noodzakelijk overeenkomt met die van de totale woningvoorraad. Teneinde de mate waarin dit het
geval is te kwantificeren kan eventueel de volgende maatstaf gebruikt worden.
| ,
∑ ,
,
∑ ,|
is hier gelijk aan de som van de absolute verschillen tussen de fractie van verkopen en de fractie
van woongelegenheden van objecten behorende tot categorie k (bijv. appartementen, huizen in half‐
open bebouwing, …) en gelegen in statistische sector j. Wanneer de compositie van verkopen een per‐
fecte afspiegeling is van de compositie van de woningvoorraad is gelijk aan 0. In het andere extreme
geval, waarbij de verkopen enkel bestaan uit type woningen die bijna niet in de woningvoorraad voor‐
komen, bedraagt de representativiteitsmaatstaf bijna 2.
Aangezien deze maatstaf eenvoudig berekend kan worden voor iedere statistische sector kan deze
maatstaf gebruikt worden om statistische sectoren onderling te vergelijken. Houdt er rekening mee
dat nog andere maatstaven tot de mogelijkheden behoren en dat we hier slechts trachten om de mate
van representativiteit proberen weer te geven in een enkel getal dat vergeleken kan worden tussen de
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 42
verschillende statistische sectoren. In figuren 29 en 30 presenteren de resultaten van onze maatstaf
voor respectievelijk Mechelen en Vlaanderen.
Figuur 29 Representativiteit Mechelen, 2012
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 43
Figuur 30 Representativiteit Vlaanderen, 2012
4.3 Conclusie
Globaal genomen voor Vlaanderen vinden we dat het aantal verkopen per woongelegenheid gemid‐
deld 4,5% bedraagt voor appartementen, 3% voor gesloten bebouwing, 2,3% voor halfopen en 1,5%
voor villa’s en open bebouwing. Dit hangt samen met het feit dat de verkoopdynamiek vooral hoog is
in stedelijke context. De onderzoekers vermoeden dat het niet zozeer de huurmarkt is die tot deze
hoge verkoopdynamiek leidt, maar vooral de aanwezigheid van jonge starters op de eigenaarsmarkt
die later wensen door te stromen. Men kan verwachten dat hoge transactiekosten (voornamelijk
registratierechten) de doorstroommarkt sterk afremmen, zeker in tijden waar de woningprijzen niet
meer zo sterk zullen stijgen. Dit kan mogelijk een uitdaging voor de steden zijn in de toekomst. Maar
voor duidelijkere conclusies hieromtrent is een meer gedetailleerde analyse van de verkoopdynamiek
nodig.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 44
5. Verkoopprijzen
AAPD heeft twee standaard exports, naast deze van het gebouwenbestand is er deze die het aantal
verkopen per statistische sector weergeeft per woningtype, met de gemiddelde en mediane woning‐
prijs.12 In dit deel bespreken we deze prijzen.
Aangezien enkel de verkopen en prijzen gegeven zijn, zonder de kenmerken van de verkochte wonin‐
gen beperkt dit de bruikbaarheid. We kunnen immers niet veronderstellen dat de kenmerken van de
woningvoorraad representatief zijn voor de verkochte woningen. Voor 2011 hebben we echter een
éénmalige export gekregen met extra informatie, namelijk de gemiddelde kenmerken per statistische
sector van de verkochte woningen.
5.1 Gemiddelde verkoopprijzen
Gemiddelde verkoopprijzen per statistische sector hebben soms één groot nadeel en dat is het klein
aantal verkopen. Indien men de evolutie van de gemiddelde woningprijs in kaart wil brengen per
statistische sector zal de duidelijkheid van de evolutie sterk afhangen van het aantal verkopen. Zo von‐
den we dat een statistische sector waar 2 huizen in gesloten bebouwing per jaar verkocht werden, het
gemiddeld verschil in verkoopprijs tussen twee opeenvolgende jaren (2010,2011) 16% bedroeg. Deze
16% wordt voornamelijk veroorzaakt door het compositie‐effect. De woning die in 2010 verkocht
wordt betreft een andere woning dan de woning in 2011 en de kenmerken van de verkochte woningen
verschillen sterk tussen de opeenvolgende jaren. Indien er per statistische sector meer dan 20 ver‐
kopen gemiddeld per jaar waren daalde dit verschil tot 5%. Uiteraard, hoe groter het aantal verkopen,
hoe dichter de verkochte woning de gemiddelde woning (en dus ook de prijs) van die statistische sector
benadert. Rekening houdend met een gemiddelde stijging in de verkoopprijs van huizen in gesloten
bebouwing in België tussen 2010‐2011 van 3,5% vinden we dus dat het compositie‐effect door de wet
van de grotere getalen grotendeels weggefilterd wordt.
Dit element zorgt ervoor dat we voorzichtig moeten zijn om deze gegevens met andere gegevens te
vergelijken. Indien men bijvoorbeeld de gemiddelde woningprijs in een statistische sector wil verklaren
met de kenmerken van de volledige woningvoorraad in de statistische sector, dan zijn dit niet de
woningkenmerken van de verkochte woningen waardoor de interpretatie moeilijker wordt, zeker aan‐
gezien we reeds in hoofdstuk 4 gezien hebben dat de woningvoorraad verschilt in karakteristieken van
de verkochte woningen.
Onderstaande figuren geven de gemiddelde verkoopprijs van een statistische sector weer voor Vlaan‐
deren (de kaarten voor Mechelen in bijlage 7). We doen dit voor de woonhuizen, voor de woonhuizen
inclusief appartementen, en voor de rijwoningen. Bij deze laatste vergelijking kunnen we ervan uitgaan
dat we in grotere mate dezelfde soort woning met elkaar vergelijken, al kan een tweegevelwoning nog
12 De gemiddelde woningprijs wordt verkozenom mee te werken omdat deze beter de informatie van het totaal aantal ver‐
kopen capteert dan de mediane woningprijs wat zicht vertaalt in een betere schatting. Wel is het zo dat de mediane woningprijs minder gevoelig is voor uitschieters, maar er bestaan andere mogelijkheden om deze eruit te filteren.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 45
altijd een herenhuis zijn of een arbeidershuisje. In figuur 33 zien we dat de rijhuizen, hoewel ze onge‐
veer een kwart van de woningvoorraad vormen, in de meeste statistische sectoren niet voorkomen.
Figuur 31 Gemiddelde verkoopprijzen woonhuizen (gesloten, halfopen, open, villa’s), AAPD, 2010‐2012
Figuur 32 Gemiddelde verkoopprijzen woonhuizen en appartementen, AAPD, 2010‐2012
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 46
Figuur 33 Gemiddelde verkoopprijzen rijhuizen, AAPD, 2010‐2012
Deze data zijn interessant om te vergelijken met de pure liggingseffecten zoals die berekend kunnen
worden uit hedonische prijsanalyses. Deze analyses zuiveren dus alle verschillen in prijzen vanwege
verschillen woningvoorraad weg en deze liggingseffecten geven dus zuivere locatie‐effect weer voor
een identieke woning. We zien dat duurdere locaties samengaan met dichtere bebouwing.
Figuur 34 Liggingseffecten van identieke woning met bewoonbare oppervlakte 100 m², huurschatter 2014
* Legende: donkerdere statistische sectoren wijzen op hogere liggingseffecten Bron: (Agentschap Wonen Vlaanderen, verwerking Vastmans e.a. ‘update huurschatter’, te verschijnen)
5.2 Dataset met kenmerken van de verkochte woningen
In dit deel gebruiken we een dataset die niet tot de standaard export van AAPD behoort, en slechts
éénmalig werd toegekend voor economische analyses. De dataset bevat niet alleen de gemiddelde
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 47
verkoopprijzen van huizen in een statistische sector, maar ook de kenmerken van de verkochte wonin‐
gen zelf, namelijk de nuttige oppervlakte (woonoppervlakte bij huizen), het bouwjaar, de perceel‐
grootte en het kadastraal inkomen.
Op basis van deze elementen kunnen we een hedonische prijsanalyse uitvoeren die de waarde van
een woning verklaart aan de hand van de kenmerken. Voor een uitgebreidere beschrijving van derge‐
lijke hedonische analyse verwijzen we naar de studie van hedonische huurprijzen (Vastmans & Helgers
2012). Een belangrijk kenmerk van de waarde van de woning is de locatie. We voegen de liggings‐
effecten op statistische sectorniveau uit deze huurstudie toe aan de dataset van AAPD. Ondertussen
zijn er meer recente liggingseffecten beschikbaar op basis van de update van de huurschatter die reeds
in bovenstaande figuur getoond werden. We veronderstellen daarbij dat de liggingseffecten van huur‐
prijzen benaderend gelijkaardig zijn als deze van verkoopprijzen.
In strikte zin kunnen we geen zuivere hedonische prijsanalyse uitvoeren omdat de data niet gebaseerd
zijn op individuele transacties, maar op gemiddelden (gemiddelde verkoopprijs in een statistische sec‐
tor, gemiddelde grootte, …). Om extreme waarden te beperken zijn de filters in tabel 17 toegepast op
de dataset.
Tabel 17 Toegepaste datacleaning op dataset
Min Max
Woningprijs 100 000 400 000 Woonoppervlakte 40 300 Bouwjaar 1 900 KI 200 2 500
In dit deel passen we een hedonische prijsanalyse toe om te zien in welke mate de woningkenmerken
zoals die in de databanken van AAPD opgeslagen zijn de woningprijzen kunnen verklaren. We doen dit
met het meest eenvoudige additieve model. Het volledige model ziet er als volgt uit:
Woningprijs = constante + β1*woonopp. + β2*KI + β3*ouderdom+ β4*perceelgrootte + β5*ligging
Het doel van de onderstaande oefening is te kijken in welke mate de variabelen bijdragen tot de ver‐
klaring van het model en we doen dit op basis van de R², het deel van de variantie tussen de gemid‐
delde woningprijzen tussen statistische sectoren dat het model kan verklaren, waarbij 100% wil zeggen
dat het model de verschillen tussen statistische sectoren volledig kan verklaren.
Vooraleer de resultaten te interpreteren is het belangrijk mee te geven dat we verwachten dat de
impact van het kadastraal inkomen (KI) voor een groot deel overeenkomt met de andere woning‐
kenmerken (inclusief liggingseffect). Het KI zou immers de totale (huur)waarde moeten benaderen en
bovendien voor een deel de kwaliteit van de woning ondervangen (al is dit voor oudere woningen
onwaarschijnlijk omdat de kwaliteit sterk veranderd is sinds de oorspronkelijke schatting van het KI).
We zien alvast duidelijk dat als we enkel het KI in de vergelijking opnemen er een relatief sterke relatie
bestaat (maar wel verre van volledig). Het model (model0) verklaart reeds 45% van de woningprijs‐
variantie. Dit is een stuk beter dan wanneer we enkel woonoppervlakte, leeftijd en perceel in de ver‐
gelijking opnemen. Model1 verklaart slechts 28% van de variantie. Door zowel het KI als de woning‐
kenmerken van AAPD in het model op te nemen stijgt de verklarende variantie verder tot 49%
(model2). Indien we nu het KI uit het model laten, maar wel het liggingseffect toevoegen, vinden we
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 48
dat de woningprijzen een stuk beter verklaard worden (55% bij model3). Het incrementeel effect van
het KI is bovendien beperkt, want bijkomend leidt het slechts tot een extra 2% in verklaarde variantie
(verschil model4 en model3). Het toevoegen van enkele transformaties van variabelen kan uiteraard
de verklaarde variantie verder verhogen (model5). Andere modellen13 zijn echter nog geschikter om
de schatting exacter te modelleren, met hogere R². Maar om de resultaten van deze oefening duidelijk
weer te geven is gekozen voor een eenvoudig model. Een belangrijk element dat hieruit naar voren
komt is dat de liggingseffecten een grote rol spelen en niet langer adequaat door het KI weergegeven
worden. Daarnaast, ligging speelt wel een belangrijke incrementele rol om de verklaarde variantie te
verhogen, maar enkel ligging verklaart de woningprijs niet (R² Model6 = 19%).
Tabel 18 Resultaten hedonische regressie
N=6 262, aantal statistische sectoren met verkopen Kenmerken** Model0 Model1 Model2 Model3 Model4 Model5* Model6
Woonoppervlakte * * * * * KI * * * * bouwjaar * * * * * Perceel * * * * * Ligging * * * *R² verklaarde variantie 45% 28% 49% 55% 57% 59,5% 19%
* Per variabele worden drie varianten in het model gestopt (kwadraten, vierkantswortels) omdat de relatie tussen woningprijs en kenmerken veelal niet lineair is.
** Alle kenmerken waren zeer significant in alle modellen <<.01.
AAPD maakt zelf ook schattingen van woningprijzen. De door het AAPD gebruikte methode om
woningprijzen te schatten is een interessante hybride prijsanalyse, die eigenlijk geen echte hedonische
prijsanalyse is. Als verklarende variabelen worden er immers prijzen van gelijkaardige panden (buurt,
type woning, klasse nuttige oppervlakte) en niet de woningkenmerken zelf. Dit levert een behoorlijk
goed schattingsmodel, met mean absolute percentage error van 12,5%. Het kan interessant zijn om de
resultaten van dit hybride model uit te breiden met hedonische prijsmodellen. Daar waar vergelijkings‐
methoden vroeger de enige mogelijkheid waren om liggingseffecten in kaart te brengen bij gebrek aan
geografische informatie behoort een hedonische prijsanalyse momenteel tot de mogelijkheden waar‐
bij de ligging in kaart gebracht wordt met recente gedetailleerde GIS‐lagen, tezamen met statische
sectorinformatie.
Daarnaast biedt de toekomst interessante mogelijkheden om databestanden te koppelen (bv. koppe‐
ling EPC databank aan kadaster, …). Indien men uitspraken wenst te doen over de verkochte woningen
zijn al de databestanden interessant die beschikbaar zijn bij verkochte woningen (EPC, …). Indien men
uitspraken wenst te doen over de hele woningvoorraad kan men enkel die data gebruiken die beschik‐
baar zijn voor de hele woningvoorraad. Het is alvast zo dat dit beter kan gebeuren voor de liggings‐
effecten (statistische sectorinformatie, maar ook meer gedetailleerde data op basis van GIS‐lagen) dan
voor de fysieke kenmerken voor de woningen zelf. We kunnen veronderstellen dat de data omtrent
de grootte van de woning relatief goed bijgehouden is in de databanken van AAPD, maar met betrek‐
king tot de kwaliteit van de woning is dergelijke data veelal niet up‐to‐date.
13 Log‐lineair of ‘new construction’ based, zoals beschreven in het rapport over de update van de huurschatter (Vastmans &
Laheye, te verschijnen).
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 49
5.3 Conclusie
Als we naar heel Vlaanderen kijken zien we dat de woningen (woonoppervlakte, perceel, …) vaak
groter zijn daar waar de woningprijzen lager zijn, en de inkomens eveneens lager. Liggingseffecten mee
opnemen in regionale analyses is derhalve essentieel. De data van AAPD bieden een eerste indruk van
deze liggingseffecten, maar zijn nog interessanter om als basisgegevens te gebruiken in hedonische
prijsanalyses om deze liggingseffecten berekenen. Deze geschatte liggingseffecten bieden dan een
interessant uitgangspunt voor verdere specifieke analyses. Wat is bijvoorbeeld de afruil tussen pre‐
ferenties voor fysieke woningkenmerken en liggingseffecten? Deze eerste voorlopige analyses sugge‐
reren dat hogere inkomens een betere ligging verkiezen boven een grotere woning.
Wat betreft het kadastraal inkomen vinden we dat de liggingseffecten een grote rol spelen in de
waarde van een woning en niet langer adequaat door het KI weergegeven worden, zoals aangetoond
werd op basis een eenvoudige hedonische prijsanalyse van woningkenmerken van AAPD en een
adequate modellering van de liggingseffecten. Dergelijke hedonische prijsanalyses bieden dan ook de
mogelijkheid om op basis van beschikbare data het kadastraal inkomen te herschatten. Verder onder‐
zoek lijkt aangewezen naar de accuraatheid van een gedetailleerd model op basis van data van woning‐
kenmerken van AAPD, in combinatie met diverse liggingsvariabelen (statistische sectorinformatie als
GIS‐lagen).
Een belangrijke vraag m.b.t. de beschikbaarheid van data is omtrent de kwaliteit van de woning. Deze
is niet aanwezig, of indien aanwezig, veelal niet up‐to‐date. Is het niet beschikbaar zijn van kwaliteits‐
variabelen een probleem voor dergelijke analyse? Dat hangt af van de doelstelling van het herwaarde‐
ren van het Kadastraal Inkomen. Veelal zullen duurdere locaties ook een betere kwaliteit van woningen
hebben. Bij het uitvoeren van de hedonische prijsanalyse zal het zo zijn dat de waarde van ligging en
kwaliteit niet van elkaar onderscheiden kunnen worden als de kwaliteitsvariabelen niet voldoende
beschikbaar zijn (multicollineariteit). Een hedonische prijsanalyse zal dan de waarde van de ligging
hoger inschatten, en wel op die manier zodat deze ook de gemiddelde kwaliteit van een woning in die
wijk mee opneemt in de waarde van de ligging. In de literatuur is dit het probleem van omitted variable
bias. Maar dit effect kan ook als een voordeel beschouwd worden. Dit zorgt er immers voor dat de
woning belast wordt voor de gemiddelde kwaliteit in de wijk. Maar binnen een wijk zal zo de woning
van meer dan gemiddelde kwaliteit niet extra belast worden, en de minder kwalitatieve wel (namelijk
het verschil tussen de gemiddelde kwaliteit en de kwaliteit van een woning in die wijk). Dus individueel
per woning houdt men volledig de stimulans om te renoveren, maar globaal gezien zullen de wijken
met een lagere gemiddelde kwaliteit niet extra belast worden, omdat daar de liggingseffecten lager
zijn. Op die manier wordt kwaliteit niet op individueel niveau van de woning belast, maar op een wijk‐
niveau. Dit beschouwen de onderzoekers als een goede keuze om renovatie van de individuele woning
niet te ontmoedigen. De optie om ook secundaire kwaliteitskenmerken mee op te nemen in de hedo‐
nische analyse is ook wel te verantwoorden, maar zal veel kostelijker zijn aangezien dit een aanzienlijke
investering vergt: er dient dan een inventaris aangelegd te worden voor alle woningen met betrekking
tot deze secundaire kwaliteitskenmerken, die niet voorhanden zijn in het kadaster.
Met betrekking tot woningprijzen is de algemene conclusie dan ook dat er ofwel voldoende observa‐
ties zijn per gebied om uitspraken over te doen, ofwel dat er voldoende gedetailleerde kenmerken van
de verkochte woningen beschikbaar zijn. Om woningprijzen optimaal te analyseren, zijn veelal indivi‐
duele data nodig. Elke woning is immers verschillend, dus ook elke woningprijs. Indien men echter
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 50
voor deze verschillende individuele woningkenmerken kan corrigeren (wat een hedonische prijsmodel
doet), kan men zelfs met een beperktere set van observaties toch duidelijke trends vaststellen.
| 51
BIJLAGEN
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 53
Bijlage 1 Census2011
Eigendomssituatie
Karakteristiek die aangeeft of minstens één persoon van het huishouden eigenaar (hetzij in zijn geheel,
hetzij gedeeltelijk) is van zijn/haar woning. Hierbij worden alle rechthebbenden als eigenaars
beschouwd (bv. ook vruchtgebruikers).
Huisvestingsregeling
Deze variabele betreft het geheel van de bevolking en beschouwt het type woonverblijf waarin een
persoon verblijft op de referentiedatum.
De conventionele woningen zijn afzonderlijke constructies (omringd door muren en daken) en onaf‐
hankelijk (met een ingang direct naar de straat, een trap of de gang).
De andere wooneenheden zijn barakken, caravans, windmolens en andere onderkomens die voor
menselijke bewoning worden gebruikt ongeacht of zij daarvoor bestemd zijn.
Collectieve woonverblijven zijn bewoond door collectieve huishoudens, zoals gedefinieerd in het
Rijksregister.
Type woonverblijf
Deze variabele dient om het woonverblijf in de volgende categorieën onder te verdelen:
- bewoonde conventionele woningen; - andere wooneenheden; - collectieve woonverblijven.
De definities van deze begrippen zijn dezelfde als vermeld onder ‘huisvestigingsregeling’.
Bewoningssituatie
Deze variabele laat toe een onderscheid te maken tussen bewoonde en niet‐bewoonde conventionele
woningen.
Type eigendom
Deze variabele heeft betrekking tot het eigendom van de woning en niet van het terrein waarop de
woning is gebouwd.
Aantal bewoners
Dit cijfer komt overeen met het aantal personen dat in de woning woont.
Aantal kamers per wooneenheid
Een kamer is een afzonderlijke ruimte in een woning met een oppervlakte van minstens 4 m².
Aantal kamers per bewoner
Deze variabele deelt het aantal kamers van een woning door het aantal bewoners.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 54
Badkamer
Deze variabele laat toe een onderscheid te maken tussen woningen met badkamer en zonder bad‐
kamer.
Centrale verwarming
Deze variabele laat toe een onderscheid te maken tussen woningen met centrale verwarming en
woningen zonder centrale verwarming.
Type gebouw
Deze variabele komt overeen met het aantal woningen in het gebouw waar de woning zich bevindt.
Bouwjaar
Deze variabele betreft het jaar van beëindiging van de opbouw van het gebouw waarin de woning zich
bevindt.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 55
Bijlage 2 Uitleg statistische sectorcode
De statistische sectorcode wordt in het ‘Vademecum van de Statistische sectoren’ beschreven. Deze
bestaat uit negen posities met volgende duiding:
De eerste vijf posities. Deze komen overeen met de NIS‐gemeentecode.
De zesde positie. Een letter op die positie duidt gewoonlijk de gemeenten van vóór de fusie aan, ook
weleens een samenvoeging van voormalige gemeenten. Ook kan in een aantal gevallen een letter zijn
toegekend aan een kadastrale indeling of aan een onderverdeling van een grote stad. Indien die positie
door een cijfer wordt ingenomen betekent dit dat de betreffende sector is ontstaan na verwerven van
een deel van het grondgebied van een andere gemeente na de volkstelling van 1981.
De zevende positie. Dit is een cijfer en slaat op de wijk. Het komt meestal overeen met de wijk anno
1991.
De achtste positie. Hier staat een cijfer of een letter waarmee gewoonlijk het type bodemgebruik in
1981 ruwweg wordt aangegeven (aaneengesloten bebouwing, verspreide bebouwing, bedrijfsgebied,
woonpark met recreatiedoeleinde). De cijfers zijn n.a.v. de volkstelling van 1981 toegekend; als er veel
sectoren waren, en dus niet genoeg cijfers, is weleens van die regel afgeweken. Zo bijv. kon het voor‐
komen dat aan een sector met bedrijfsfunctie een ander cijfer werd toegekend.
De negende positie. Een cijfer of een bindstreepje wijst op een status quo t.o.v. 1991, een letter geeft
het soort wijziging t.o.v. 1991 aan.
Fictieve sectoren. Om bijzondere situaties te kunnen vaststellen zijn een aantal fictieve sectoren aan‐
gemaakt. Zulke sectoren staan niet op de kaarten van de statistische sectoren weergegeven. Ze komen
enkel in statistische tabellen voor. Code Z voor ‘Onbekende sector’ is bestemd voor inwoners van wie
wegens ontoereikende informatie niet kan worden opgemaakt tot welke statistische sector ze beho‐
ren.
Voorbeelden:
- 12040 C190 (sector sinds 1991 onveranderd gebleven) - 52011 B1AB (sector ontstaan in 2001) - 12040 C190
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 56
Bijlage 3 Vergelijking bouwtypes AAPD‐AAPD
B3.1 Algemene vergelijking AAPD en ADSEI AAPD 2013 Verschil ADSEI 2013
Woonge‐legenheden
Samengeteld Woonge‐legenheden
Appartement 480 493 711 340 ‐9 094 720 434 Buildings en flat‐gebouwen met appartementen
Building 230 84
Huis A 692 354 692 354 ‐370 692 724 Huizen in geslo‐ten bebouwing
Huis B 493 333 493 333 ‐74 180 567 513 Huizen in half‐open bebouwing
Huis C 166 858 960 602 74 624 885 978 Huizen in open bebouwing, hoeven en kastelen
Villa 750 620 Hoeve 42 294 Kasteel 830
Handelhuis 103 512 103 512 11 845 91 667 Handelshuizen
Kantoorgebouw 1 134 80 771 ‐4 297 85 068 Alle andere gebouwen
Nijverheidsgebouw 7 393 Socialprofitgebouw 11 250 Bergplaats 1 806 Vakantieverblijf 59 188
Totaal 3 041 912 3 041 912 ‐1 472 3 043 384
B3.2 Detail AAPD‐ADSEI classificatie
Onderstaande tabel geeft weer hoe ADSEI zijn indeling maakt op basis van nog meer gedetailleerde
data van AAPD.
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 57
INDICIE (kadaster) OMSCHRIJVING NIS (type onroerend goed)
010 Huis in een tuinwijk 01 woonhuizen n.e.g. 020 Gekarakteriseerde hoeve 16 landbouwerswoningen 030 Villa 04 villa's bungalows, landhuizen 031 Bungalow 04 villa's bungalows, landhuizen 032 Fermette 04 villa's bungalows, landhuizen 033 Vakantieverblijf 14 nog niet genoemde en diverse gebouwen 040 Huis zonder bewoonbare kelder 01 woonhuizen n.e.g. 041 Huis ‘Bel‐Etage’ 01 woonhuizen n.e.g. 050 Huis met bewoonbare kelder 01 woonhuizen n.e.g.060 Huis met koetspoort als enige ingang 01 woonhuizen n.e.g.070 Huis met koetspoort en particuliere ingang 01 woonhuizen n.e.g. 080 Huis zonder woonplaatsen op het gelijkvloers 01 woonhuizen n.e.g. 100 Appartementsgebouw zonder lift toebehorend aan
één enkele eigenaar 02 opbrengsthuizen
101 Appartement zonder lift (wooneenheid) 05 appartementen, flats, studio's 102 Appartement zonder lift (exploitatie‐eenheid) 09 handelszaken, winkels, koffiehuizen (gedeelte van
gebouwen) 103 Appartement zonder lift (garage, standplaats,
parking) 06 gedeelten van gebouwen
104 Appartement zonder lift (diverse lokalen, kelder, mansarde, …)
06 gedeelten van gebouwen
105 Appartement zonder lift (Huis) 06 gedeelten van gebouwen110 Appartement met lift toebehorend aan één enkele
eigenaar 02 opbrengsthuizen
111 Appartement met lift (wooneenheid) 05 appartementen, flats, studio's 112 Appartement met lift (exploitatie‐eenheid) 09 handelszaken, winkels, koffiehuizen (gedeelte van
gebouwen) 113 Appartement met lift (garage, standplaats, parking) 06 gedeelten van gebouwen114 Appartement met lift (diverse lokalen, kelder,
mansarde, …) 06 gedeelten van gebouwen
200 Huis met handelsbestemming zonder particuliere ingang
07 kleinhandelszaken en handelshuizen
210 Huis met handelsbestemming met particulier ingang 07 kleinhandelszaken en handelshuizen 220 Huis met handelsbestemming met koetspoort
alleen 07 kleinhandelszaken en handelshuizen
230 Huis met handelsbestemming met koetspoort en particuliere ingang
07 kleinhandelszaken en handelshuizen
300 Nijverheidsgebouw 13 industriële gebouwen 305 Deel van een nijverheidsgebouw 13 industriële gebouwen400 Kantoorgebouwen 10 kantoorgebouwen410 Gebouw bestemd voor handelsdoeleinden 07 kleinhandelszaken en handelshuizen 420 Bedrijf uit de horeca sector 08 hotels, spijshuizen, drankgelegenheden 430 Gebouw bestemd voor culturele, recreatieve of
sportieve activiteiten 14 nog niet genoemde en diverse gebouwen
440 Gebouw bestemd voor sociale hulpverlening of hospitalisatie
14 nog niet genoemde en diverse gebouwen
450 Gebouw bestemd voor het onderwijs 14 nog niet genoemde en diverse gebouwen 460 Gebouw bestemd voor de uitoefening van ere‐
diensten, enz. 14 nog niet genoemde en diverse gebouwen
470 Kasteel 14 nog niet genoemde en diverse gebouwen 480 Openbaar gebouw of gebouw voor openbaar nut 14 nog niet genoemde en diverse gebouwen 500 Aanhorigheid van een woning 14 nog niet genoemde en diverse gebouwen 510 Ambachtelijke‐ of industriële aanhorigheid 13 industriële gebouwen 520 Aanhorigheid met handelsdoeleinden 12 andere handelsgebouwen 530 Landbouwaanhorigheden 17 landbouweigendommen 531 Serre behorende bij een landbouw‐, tuinbouw‐ of
wijngaarduitbating 18 tuinbouweigendommen
532 Serre niet behorende bij een landbouw‐, tuinbouw‐of wijngaarduitbating (alleenstaande serre, door liefhebber uitgebate serre)
18 tuinbouweigendommen
540 Gebouwen met bijzonder karakter 14 nog niet genoemde en diverse gebouwen
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 58
Bijlage 4 Mechelen in kaart (woningvoorraad)
Naast de villa’s en appartementen die getoond zijn in hoofdstuk 2, vindt u hier de woningvoorraad van
de overige woongerelateerde bebouwingstypes
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 59
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 60
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 61
Bijlage 5 Mechelen in kaart (verkopen)
Naast de villa’s en appartementen die getoond zijn in hoofdstuk 3, vindt u hier de verkopen van de
overige woongerelateerde bebouwingstypes
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 62
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 63
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 64
Bijlage 6 Mechelen in kaart (kenmerken)
Figuur B1 Bouwjaar Mechelen
Figuur B2 Bebouwde oppervlakte woonhuizen, Mechelen
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 65
Figuur B3 Perceelsgrootte woonhuizen, Mechelen
Figuur B4 Woonoppervlakte woonhuizen, Mechelen
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 66
Bijlage 7 Mechelen in kaart (woningprijzen)
Figuur B5 Gemiddelde verkoopprijzen woonhuizen (gesloten, halfopen, open, villa’s), AAPD, 2010‐2012
Figuur B6 Gemiddelde verkoopprijzen woonhuizen en appartementen, AAPD, 2010‐2012
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 67
Bijlage 8 Mechelen in kaart (kadastrale afdelingen)
B8.1 Algemeen overzicht
Dichtheid, wooneenheden per hectare Aantal woongelegenheden
Verandering woongelegenheden Procentuele verandering wooneenheden
2
16
3
110
2
12
50
869
1,632
1,073
10,0154,738
9,046 2,218
784
8,146
51
344
126
103363
512
102
59
602
3%
8%
8%
6% 2%
10%
12%
8%
7%
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 68
B8.2 Aandeel woongelegenheden per woningtype
Appartementen Gesloten
Halfopen Open
Handel Andere
7%
3%
29%6%
23%
11%30%
14%
50%53%
11%
22%
47%
52% 35%
19%
39%
39%
11%
31%
30% 17%
11% 24%
26%
30%
0%
4%
3%37%
53% 11%
27%
46%
14%
0%
2%
2%
2%1%
2% 2%
2%
2%
10%
1%
1%
1%0%
1% 1%
1%
1%
1%
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 69
B8.3 Wooneenheden/gebouw per woningtype
Appartement Gesloten
Halfopen Open
Handel Andere
6.9
5.6
2.56.1
6.8 6.0
4.7
5.4
7.2
1.0
1.0
1.01.0
1.1 1.0
1.0
1.0
1.2
1.0
1.0
1.01.0
1.0 1.0
1.0
1.0
1.01.0
1.0
1.01.0
1.0 1.0
1.0
1.0
1.0
1.1
0.9
1.01.0
1.1 1.0
0.9
1.0
1.1
0.1
0.1
0.00.0
0.1 0.1
0.1
0.1
0.1
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 70
B8.4 Verandering woongelegenheden per type woongebouw, 2001‐2010 (in percentage en in aantallen)
Appartementen Gesloten
Halfopen Open
Handel Andere
19%39
100%17
15%38039%
309
17%410
149%67
185%37
44%33
19%657
1%1
1%44
1%1
-2%-13
1%2
-1%-29-0%
-7
3%8
1%28
3%13
13%38
11%103
2%18
3%13
6%44
14%27
7%16
10%3
9%47
1%2
3%18
1%6
9%53
5%28
12%42
3%3
0%0
-5%-1
-14%-37
-21%-8
-13%-10
-17%-41
-10%-5
-14%-3
-9%-2
14%1
-7%-6
-4%-1
7%6
-8%-1
-5%-1
-17%-2
10%1
105%44
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 71
B8.5 Procentuele toename van appartementsgebouwen, gebouwd voor 1981 en na 1981
De procentuele toename van appartementsgebouwen voor 1981 dient als indicatie van gebouwen die
door bestemmingswijziging (opsplitsen, bijbouwen, renovatie, …) nu als appartement opgenomen zijn.
De appartementsgebouwen na 1981 worden als benaderende indicatie van nieuwbouwappartemen‐
ten beschouwd.
Appartementsgebouwen voor 1981 Appartementsgebouwen na 1981
12.5%
20.0%
42.9%
3.2%
5.6%
0.0%
11.4%
6.7%
24.9%
18.1%
80.0%
42.9%21.0%
10.8% 25.8%
60.0%
26.7%
9.3%
Statistische sectorinformatie. Als bron van woningmarktonderzoek | 72
Bibliografie
Helgers R., Buyst E. & Verboven F. (2013), ‘De relatie tussen woningkarakteristieken en woningprijzen: een nieuw licht op de recente prijsevolutie in Vlaanderen’, Bank‐ en Financiewezen, p. 472‐479.
Narwold A. & Sandy J. (2010), ‘Valuing housing stock diversity’, International Journal of Housing Markets and Analysis, 3(1), p. 53‐59.
Simpson E.H. (1949), ‘Measurement of Diversity’, Nature, 163, p. 688.
Turnbull G.K., Dombrow J. & C.F. Sirmans (2006), ‘Big house, little house: relative size and value’, Real Estate Economics, 34, p. 439‐456.
Vastmans F., Helgers R., Hendrickx K. & Buyst E. (2014), Fiscale inkomensstatistieken als bron van woningmarktonderzoek, Steunpunt Wonen, Leuven, 77 p.
Vastmans F., Helgers R. & Buyst E. (2012), Huurprijzen en richthuurprijzen. Deel III: Hedonische huur‐prijsanalyse, Steunpunt Wonen, Leuven, 95 p.
Vastmans F. & Laheye K. (te verschijnen), Update huurschatter, Steunpunt Wonen, Leuven.