Door beter gebruik te maken van beschikbare variabelen bij de bepaling van de woningwaarde kunnen betere keuzes gemaakt worden voor de woningmarkt meent Jasper Kars. Zijn proefschrift dingt mee naar de jaarlijkse scriptieprijs van Capital Value.
Gepubliceerd in PropertyNL Magazine nr. 4, 22 april 2022
Voor zijn studie aan de School of Humanities and Digital Sciences aan de Universiteit van Tilburg gaf Kars, trainee bij het ministerie van Binnenlandse Zaken, inzicht in variabelen die cruciaal zijn voor prijsvorming op de woningmarkt. Het proefschrift was was gericht op het toepassen van het hedonistische prijsmethode (HPM) door middel van Machine Learning (ML) -technieken om betere en transparantere keuzes te maken voor de Nederlandse woningmarkt. HPM is een economische waarderingsmethode waarbij wordt uitgegaan van de veronderstelling dat natuur- en-of milieukwaliteit een van de vele factoren is die de waarde van een marktgoed bepalen.
Lees ook:Co-living kansrijk businessmodel, maar niet overal
Kars keek onder meer naar de prestaties van vier algoritmen bij het invoeren van het HPM op de Nederlandse woningmarkt. Vervolgens hield hij MINREM tegen het licht, een recent geïntroduceerde procedure waarbij je passende variabelen kunt selecteren.
De laatste deelvraag ging dieper in op welke variabelen een sleutelrol spelen bij het bepalen van vastgoedwaarden. De MLR-modellen, inclusief specifieke HPM-attributen en de algoritmen die zijn “getraind” na PCA (een gangbare selectiemethode) en MINREM, gaven allemaal aan dat inkomen het meest bijdragende kenmerk is bij de waardebepaling.
Lees ook: Participatiegids kan tijd en geld besparen bij nieuwbouw
Hoewel eerdere studies al vaststelden dat inkomen een cruciale determinant is van eigendomswaarde, worden inkomensgerelateerde kenmerken niet altijd als meest genoemd en ook niet als meest belangrijk geïdentificeerd. Vanuit een buurtperspectief wordt het inkomen erkend vanwege zijn sterke positieve invloed op de waarde van onroerend goed (Chin en Chau 2003). Ook andere variabelen zoals leeftijd, elektriciteitsverbruik en structurele buurtkenmerken zijn belangrijk .
Het proefschrift van Kars bevestigt dat de beoordeling van de eigendomswaarde gevoelig is voor veranderingen in sociaal-economische, locatiegebonden en structurele kenmerken. ML-technieken zijn daarbij zeer geschikt om huizenprijzen in Nederlandse buurten te voorspellen op basis van een hedonistische prijsmethode.
Lees ook: Vooral appartementen in expatsteden gevoelig voor leegstand bij pandemie
Kars: ‘De woningcrisis is een van de meest prangende vraagstukken van onze tijd. Daarbij bieden data science en machine learning technieken steeds meer mogelijkheden om (onderliggende) inzichten te vergaren uit vastgoeddata.’ De uitkomsten tonen volgens hem onder meer aan dat er sterk moet worden ingezet op woningbouw voor jongere leeftijdsgroepen en dat regionale of lokale aanpak van meerwaarde is. ‘Deze inzichten kunnen de woonsector helpen bij het maken van betere en transparantere keuzes op basis van grote datasets.'
Aan de scriptieprijs van Capital Value nemen vier (oud-)studenten deel. De prijs wordt later vandaag uitgereikt tijdens het Shared Value-event van Capital Value. De winnaar wint twee tickets naar New York City.
