Skip to content
Earthquakes3

Effecten van aardbevingen blijven moeilijk aan te tonen

Door Hans Koster en Jos van Ommeren, repost  van economie.nl

In een recent artikel van Bosker cs. (2016a) wordt er kritiek geleverd op de conclusies van het onderzoek van Koster en Van Ommeren (2015). De resultaten van de studies verschillen echter weinig, ondanks dat door statistische onzekerheid het lastig blijft om de effecten van aardbevingen precies aan te tonen.

We zijn aangenaam verrast dat Bosker cs. (2016a) de moeite hebben genomen het onderzoek naar waardedalingen van woningen als gevolg van aardbevingen te repliceren. Dit leidt tot een goede discussie en een beter begrip van wat er nu aan de hand is in het aardbevingsgebied. Discussie en replicatie van ons onderzoek hebben we vanzelfsprekend gestimuleerd door alle software en codes en de resultaten aan andere onderzoekers ter beschikking te stellen, bijvoorbeeld aan een aantal Groningse onderzoekers (zie bijvoorbeeld Peetsold, 2015).[1] Het is echter jammer dat de NAM een heel aantal gegevens die de kwaliteit van deze en andere onderzoeken zou verhogen niet ter beschikking heeft willen stellen. Het gaat hier bijvoorbeeld om de specifieke schadedata per woning, of het aantal schademeldingen over de afgelopen jaren per postcodegebied. Dit is met name van belang om het effect van waardedalingen door aardbevingen goed te meten: verkeerd gemeten variabelen leiden over het algemeen tot lagere schattingen vanwege meetfouten (zie Koster en Van Ommeren, 2015).

Ondanks deze beperkingen vonden we in eerdere analyses statistisch significante effecten van aardbevingen op woningprijzen. In een recent artikel van Bosker cs. (2016a) wordt dit resultaat ter discussie gesteld. De belangrijkste kritiek is dat de stad Groningen ook als onderzoeksgebied wordt gebruikt met een andere bevolkingsontwikkeling dan de krimpgebieden in Oost Groningen. Dit is een goed punt en is, ondanks de vele gevoeligheidsanalyses die we hebben gedaan, niet goed bediscussieerd. We hebben wel een vergelijkbare analyse gedaan waar we corrigeerden voor regionale prijstrends. Deze analyse liet vergelijkbare statistische uitkomsten zien en we hebben dit daarom niet verder uitgediept.[2]

De stad Groningen uit de analyses verwijderen is echter ook niet zonder nadelen. Het feit dat delen van Noordoost-Groningen tot een krimpgebied gerekend kunnen worden, kan veroorzaakt zijn doordat er vele aardbevingen hebben plaats gehad in de afgelopen twee decennia. Bijvoorbeeld, de bevolking in het risicogebied is pas sterker gaan dalen na 2003, toen de sterke aardbeving in Loppersum plaatshad.[3] De stad Groningen verwijderen uit de analyses kan dus betekenen dat je het spreekwoordelijke kind met het badwater wegspoelt. De voorgestelde alternatieve methode om woningprijzen te vergelijken in Noordoost-Groningen met andere krimpgebieden elders in het land (zie Kaart 4.1 in Bosker cs., 2016b) lijkt ons dan ook nog minder aantrekkelijk, want die verschillende krimpgebieden hebben niets met elkaar te maken.[4] Het andere alternatief om te corrigeren voor heel veel bevolkings- en buurtkenmerken is ook riskant, aangezien deze endogeen kunnen zijn; dat wil zeggen, deze kenmerken kunnen direct worden beïnvloed door prijzen en prijstrends, die weer een gevolg zijn van aardbevingen.[5]

In ons onderzoek zijn er ook schattingen gedaan gebaseerd op zogenaamde long-differences. Hier worden prijzen voordat aardbevingen hebben plaatsgevonden (in 1991) vergeleken met prijzen na de beving in Huizinge (in 2012). Omdat het niet altijd duidelijk is wanneer en hoe snel aardbevingen in huizenprijzen kapitaliseren heeft deze specificatie van het statistisch model bepaalde voordelen: de aanwezige meetfout is waarschijnlijk lager in een dergelijke specificatie en, zoals eerder aangegeven, leiden meetfouten in verklarende variabelen meestal tot onderschattingen In het oorspronkelijke artikel en in het rapport vonden we dan ook effecten die sterker waren. Als we een dergelijke analyses weer herhalen, maar nu zonder de stad Groningen, vinden we puntschattingen van ongeveer 1.3 procent. Die is dus slechts 0.3%-punt lager zijn dan de geprefereerde schatting van 1.6% per voelbare aardbeving (zie Koster, 2016). De gemiddelde prijsdaling in het aardbevingsgebied is dan 2.2%, wat erg in lijn ligt met het gesuggereerde effect van Bosker et al. (2016a; 2016b). De nieuwe geschatte coëfficiënt heeft wel een relatief grote standaardfout omdat er weinig data overblijft, en is daarom slechts significant op een 20% significantieniveau.[6] We hebben dezelfde analyse uitgevoerd voor het aandeel schademeldingen. Dit leidt tot een maximaal prijsverschil tussen een gebied zonder schademeldingen en met 100% schademeldingen (zoals in Loppersum) van 9.4%. Het gemiddelde effect is natuurlijk veel lager. Opnieuw is de coëfficiënt niet heel precies geschat.

Kortom, dankzij deze nieuwe inzichten zou het kunnen zijn dat immateriële schade door aardbevingen iets kleiner (0.3%-punt) is dan gedacht. Desalniettemin blijven de resultaten suggereren dat woningen in locaties die getroffen zijn door aardbevingen prijsdalingen hebben gehad.

 

Referenties

Bosker, M., Garretsen, H., Marlet, G., Ponds, R., Poort, J., Van Woerkens, C. (2016a). Bijdrage Aardbevingen aan Waardedaling Woningen in Groningen Overschat. ESB 101(4733): 294-298.

Bosker, M., Garretsen, H., Marlet, G., Ponds, R., Poort, J., Van Woerkens, C. (2016b). Met Angst en Beven. Verklaringen voor Dalende Huizenprijzen in het Groningse Aardbevingsgebied. Atlas voor Gemeenten.

Heckman, J.J., Ichimura, H., Todd, P. (1998). Matching as an Econometric Evaluation Estimator. The Review of Economic Studies 65(2): 261-294.

Koster, H.R.A. en Van Ommeren, J.N. (2015), A Shaky Business: Natural Gas Extraction, Earthquakes and House Prices. European Economic Review 80: 120-139.

Koster, H.R.A. (2016). Gaswinning, Aardbevingen en Huizenprijzen. Vrije Universiteit Amsterdam.

Peetsold, S. (2015). Gas Extraction in the Groningen Field and its Effect on the Property Value: the Design and Validation of an Improved Appraisal Method. Universiteit van Groningen.

Shadish, W. R., Cook, T. D., Campbell, D. T. (2002). Experimental and Quasi-experimental Designs for Generalized Causal Inference. Boston: Houghton Mifflin.

 

Noten:

[1] De codes zijn hier ook beschikbaar. De data van NVM kunnen we niet online zetten, maar zijn op aanvraag beschikbaar voor onderzoekers op Nederlandse universiteiten.

[2] Zie kolom (2) in Tabel 3 in Koster en Van Ommeren (2015).

[3] Figuur 4 in Bosker cs. (2016a) lijkt te suggereren dat de stad Groningen een heel andere trend heeft dan de risicogemeentes. Dit is echter enigszins misleidend: Figuur 3.6 in Bosker cs. (2016a) laat zien dat de bevolkingsontwikkelingen in risicogemeentes ook zeer verschillend kunnen zijn. Dit is echter niet per se een reden om een aantal risicogemeentes uit de analyse te verwijderen of anderszins te groeperen.

[4] Een propensity score matching methode gebaseerd op geobserveerde eigenschappen van gebieden lost het probleem van de vergelijkbaarheid allerminst op (zie Heckman et al., 1998 en Shadish et al., 2002 voor details).

[5] Bijvoorbeeld: stel dat de prijzen dalen door aardbevingen. Dan wordt het minder aantrekkelijk om nieuwe huizen te bouwen in dit gebied. Dit betekent dat bevolkingsdichtheid gelijk blijft (of daalt) ten opzichte van een gebied met stijgende prijzen. Corrigeren voor bevolkingsdichtheid is in dit voorbeeld dus niet het juiste om te doen.

[6] Het feit dat effecten niet altijd precies kunnen worden gemeten zien we ook terug in Bosker cs. (2016b).