Prijzen voor woningen met energielabel A of beter liggen tot 30% hoger

PriceHubble is de eerste marktdeelnemer die het energielabel als prijsbeïnvloedende factor in zijn waarderingsmodel integreert. Dit betekent dat het nu voor het eerst mogelijk is te bepalen in welke mate deze parameter de waarde van het onroerend goed beïnvloedt.

"In de loop van het debat over de integratie van ESG-factoren in de vastgoed- en financieringssector hebben wij ons intensief beziggehouden met de vorm waarin wij dit voor onze cliënten ook in de vastgoedwaardering in kaart kunnen brengen. Met de integratie van het energielabel is nu een eerste stap gezet," legt Gerard van Tilburg, Senior Director van PriceHubble Nederland uit. «Dit betekent dat onder meer investeerders, financiers en projectontwikkelaars nu kunnen nagaan welke directe invloed revitaliseringsmaatregelen en een bijbehorende verbetering van de energieklasse hebben op de waarde van het vastgoed.» Banken, financiële instellingen en particuliere en institutionele beleggers kunnen zo in enkele seconden nagaan wat de invloed is van een investering in energiemaatregelen.

Uit de eerste statistische evaluaties van de nieuwe parameter in het waarderingsalgoritme is gebleken dat de prijs van een woning, uitgaande van energieklasse C , die de laagste prijs per vierkante meter in Nederland oplevert, met 30 tot 35 procent per vierkante meter stijgt als deze wordt verhoogd tot niveau B of beter.

Wanneer wordt gekeken naar de verschillende soorten woningen, onderverdeeld in huizen en flats, komt een zeer vergelijkbare ontwikkelingstrend naar voren, maar aanzienlijk hogere prijzen per vierkante meter voor het condominium-segment. Vanaf energieklasse A of beter liggen de prijzen voor condominiums gemiddeld ver boven de 4.000 euro per vierkante meter.

Woningvastgoed wordt transparant en begrijpelijk dankzij AI en Big Data 

Wie in residentieel vastgoed wil investeren, moet de markt en de locatie goed kennen en de trends en ontwikkelingen in het oog houden. Traditionele methoden voor de taxatie van onroerend goed en locatie-analyse berusten hoofdzakelijk op historische gegevens voor de analyse en kunnen derhalve moeilijk echte voorspellingen doen. Met name op het gebied van de taxatie van onroerend goed is men laat begonnen met het onderwerp digitalisering. Dit komt ook omdat het vroeger zeer gereglementeerd en traditioneel gestructureerd was. De technologische ontwikkelingen van de afgelopen jaren, zoals de groeiende hoeveelheid digitaal beschikbare gegevens, krachtigere prognosealgoritmen (trefwoord "machinaal leren") en de vrijwel onbeperkte, kosteneffectieve rekenkracht en opslagcapaciteit door middel van cloud computing (trefwoord "big data"), zijn echter enorm en bieden een onschatbare meerwaarde voor al diegenen die direct of indirect met het goed "vastgoed" te maken hebben. 

Met zogenaamde AVM's ("Automated Valuation Models") kunnen de precieze waarden van onroerend goed worden bepaald met behulp van big data analytics, machine learning en kunstmatige intelligentie. Informatie zoals de huidige en verwachte markt- en huurwaarden, de marktdynamiek in de omgeving en locatiecriteria zoals geluidsniveaus en bereikbaarheid worden in aanmerking genomen, evenals geplande nieuwbouwprojecten in de omgeving of sociaal-economische ontwikkelingen in de buurt. Op die manier kunnen ook niet-lineaire correlaties tussen prijzen en voor de waarde relevante kenmerken in kaart worden gebracht. In vergelijking met de traditionele waardering zijn dus reële prognoses mogelijk.

De resulterende hoge informatiedichtheid zorgt voor transparantie op de woningmarkt, die daardoor toegankelijker wordt. "Informatie creëert altijd een voorsprong. Big Data geeft ons de kans om zoveel gegevens te verwerken en met elkaar te correleren als nooit tevoren. Zo kunnen in de toekomst effecten worden herkend die nog niet zijn gemeten en kunnen bijvoorbeeld gentrificatie-effecten eerder worden onderkend", aldus Van Tilburg.

Methodologie:

Ongeveer 189.300 verkooplijsten die tussen Q1 2020 en Q2 2022 werden gepubliceerd, werden in de studie meegenomen. De gegevens werden gebruikt voor het gehele land.

Voor de analyse werd gebruik gemaakt van een regressieanalyse om de verschillen in vraagprijzen per soort energie-efficiëntieklasse te beoordelen, rekening houdend met algemene prijstrends en kenmerken van het aanbod (bv. locatie, woonoppervlakte, bouwjaar en aanwezigheid van een tuin bij de woning).