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.


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


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


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.


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.


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.


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


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.


Figuur 3 Statistische sectoren Mechelen met verkeersvariabelen

Figuur 4 Bodemgebruik Mechelen

Bron: AGIV 2010


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.


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.


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.


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


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).


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.


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).


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.


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


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.


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


Figuur 6 Aantal woongelegenheden Vlaanderen, 2013

Figuur 7 Woondichtheid (woongelegenheden/m²) Vlaanderen, 2013


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


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.


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.


Figuur 11 Fractie woongelegenheden appartement Vlaanderen, 2013

Figuur 12 Fractie woongelegenheden villa Vlaanderen, 2013


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


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).


Figuur 13 Heterogeniteit woongelegenheden Mechelen, 2013

Figuur 14 Heterogeniteit woongelegenheden Vlaanderen, 2013


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.


Figuur 15 Gemiddeld bouwjaar van gebouwen, 2013

Bron: AAPD

Figuur 16 Gemiddeld bebouwde grondoppervlakte van woonhuizen, 2013

Bron: AAPD


Figuur 17 Gemiddeld perceelgrootte van woonhuizen, 2013

Bron: AAPD

Figuur 18 Gemiddeld nuttige woonoppervlakte van woonhuizen, 2013

Bron: AAPD


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


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.


Figuur 21 Fractie verkopen appartementen Mechelen, 2012

Figuur 22 Fractie verkopen villa’s Mechelen, 2012


Figuur 23 Fractie verkopen appartementen Vlaanderen, 2012

Figuur 24 Fractie verkopen villa’s Vlaanderen, 2012


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.


Figuur 25 Heterogeniteit verkopen Mechelen, 2012

Figuur 26 Heterogeniteit verkopen Vlaanderen, 2012


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.


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.


Figuur 27 Verkoopdynamiek Mechelen, 2012

Figuur 28 Verkoopdynamiek Vlaanderen, 2012


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


verschillende statistische sectoren. In figuren 29 en 30 presenteren de resultaten van onze maatstaf

voor respectievelijk Mechelen en Vlaanderen.

Figuur 29 Representativiteit Mechelen, 2012


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.


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.


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


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


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


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).


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


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


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.


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.


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


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.


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


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


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


Bijlage 6 Mechelen in kaart (kenmerken)

Figuur B1 Bouwjaar Mechelen

Figuur B2 Bebouwde oppervlakte woonhuizen, Mechelen


Figuur B3 Perceelsgrootte woonhuizen, Mechelen

Figuur B4 Woonoppervlakte woonhuizen, Mechelen


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


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%


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%


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


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


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%


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.

Statistische sectorinformatie. Als bron van woningmarktonderzoek

Documents

Transcript of Statistische sectorinformatie. Als bron van woningmarktonderzoek