1.2 - Beperkingen van meten

In dit hoofdstuk verkennen we enkele belangrijke beperkingen van cijfers en meten in onze praktijk: 

1. Ontbrekende meetmethoden
2. Onzuivere data
3. Schijnzekerheid
4. Verteken(en)de cijfers

1. Ontbrekende meetmethoden

Cijfers gebruiken we om te vergelijken en te begrijpen. De rij met meetbare bouw- en vastgoedvariabelen is eindeloos. Als je de huur van een pand wilt weten, kijk je naar de huursom (in euro’s) uit het contract. Maandelijks of jaarlijks, inclusief of exclusief btw, met of zonder bijkomende kosten. Misschien moet je even plussen en minnen, maar ‘huur’ is een variabele die op zichzelf goed is te meten. Ook de oppervlakte van een gebouw kunnen we meten, het aantal parkeerplaatsen of de afstand tot het treinstation. Hetzelfde geldt voor passantenstromen, omzet en huurderstevredenheid. De energieprestatie lezen we af door allerlei metingen te combineren en vatten we samen in een tabel. Ga zo maar door. 

Tegelijkertijd zijn er veel onderwerpen die wel  relevant zijn, maar die zich een stuk moeilijker laten vangen in een getal. Neem bijvoorbeeld biodiversiteit. Hoewel het belang ervan breed wordt erkend, ontbreekt een uniforme, breed geaccepteerde meetlat. We kennen veel of weinig diversiteit, maar er is geen eenduidig “biodiversiteitslabel”, waardoor het lastig is om als bank of belegger te sturen op dit thema. Hetzelfde geldt voor sociale impact. ESG-regelgeving vraagt om inzicht in sociale prestaties van bedrijven en gebouwen, maar de vastgoedsector beschikt nog niet over een gestandaardiseerde methode om dit op objectieve wijze te meten.

In een omgeving die gericht is op omgaan met meetbare gegevens, bestaat het gevaar dat alleen gekeken wordt naar variabelen die wel goed meetbaar zijn. Of zoals de beroemde gedragspsycholoog Maslow zei: “If the only tool you have is a hammer, it is tempting to treat everything as a nail.” 

2. Gebrekkige datakwaliteit

Zelfs als er wél een meetlat bestaat, is de datakwaliteit niet altijd gegarandeerd. Er kunnen data ontbreken, data kunnen verouderd zijn, er kunnen fouten gemaakt zijn bij de invoer, etc. Neem energielabels weer als voorbeeld. Deze labels zijn een belangrijke graadmeter voor duurzaam vastgoed. Maar in de praktijk blijkt dat labels regelmatig onjuist worden geregistreerd. Ook kunnen, sinds de geregistreerde labeling, tussentijdse investeringen zijn gedaan. Maar zolang er geen nieuw label is afgegeven, is dat bij ons niet bekend.

Een ander voorbeeld van onzuivere data is administratieve correcties, zoals een gemeentelijke herindeling. Als je cijfers voor een bepaalde gemeente nu vergelijkt met die van bijvoorbeeld 20 jaar geleden: gaat het dan wel over hetzelfde gebied? In 2001 daalde het percentage eenpersoonshuishoudens in de gemeente Utrecht opeens drastisch ten opzichte van 2000. Wat was hier aan de hand? Waren Utrechters opeens allemaal gaan samenwonen? Hadden studenten massaal de stad de rug toegekeerd? Waren de cijfers misschien onjuist? Nee hoor, door een gemeentelijke herindeling hoorde Vleuten-De Meern vanaf 2001 ook bij de gemeente Utrecht. En in Vleuten-De Meern lag de kinderrijke VINEX-wijk Leidsche Rijn, waar minder eenpersoonshuishoudens woonden.

Een derde voorbeeld is de prijzen van huurwoningen in de vrije sector. Tot vorig jaar bestond de vrije huursector uit alle woningen boven de liberalisatiegrens (€ 880 in 2024). Met de introductie van het middenhuursegment in 2025 (door de Wet betaalbare huur) begint de vrije sector nu pas bij 187 punten (€ 1.180 in 2025). Als straks iemand de gemiddelde vrije sectorhuur van 2025 wil vergelijken met die uit 2024 zal daar een grote stijging uit blijken. Misschien dat dat ook wel door prijsstijgingen komt, maar het komt ook zeker door deze definitieverandering.

Vraag je dus altijd af of je wel meet wat je denkt dat je meet. Zijn datasets compleet en actueel? En vergelijk je geen appels met peren?

3. Schijnzekerheid

Cijfers wekken vaak de indruk van objectiviteit en precisie, maar die indruk is niet altijd terecht. Neem als voorbeeld het gemiddelde. Een gemiddeld huishouden in Nederland telt 2,18 personen. Maar als je op zoek gaat naar een huis waarin 2,18 personen wonen, kun je lang zoeken. De gemiddelde lengte van Nederlanders is volgens de officiële statistieken misschien 1,75 meter, maar dan alleen van volwassenen. Want als we ook baby’s en kinderen mee zouden rekenen, ligt het gemiddelde waarschijnlijk rond de 1,60 meter.

Gemiddelden kunnen ook in de vastgoedsector problemen opleveren. Zo berichten organisaties als NVM, CBS en Kadaster regelmatig over de ontwikkeling van gemiddelde huizenprijzen. Zeker in krantenberichten wordt dit vervolgens vaak geïnterpreteerd als indicator voor algemene prijsontwikkeling van huizen. “Huizen weer 10% duurder”, wordt dan bijvoorbeeld gemeld. In werkelijkheid is het gemiddelde sterk beïnvloed door het aantal en het type woningen dat verkocht is in een bepaalde periode. Zeker op lokaal niveau kunnen bijzonderheden gemiddelden sterk beïnvloeden. Misschien is er net een project met enkel luxe villa’s verkocht. 

Actueel is dat beleggers huurwoningen afstoten en aanbieden op de koopmarkt, vooral in steden. Deze woningen zijn vaak gemiddeld kleiner en dus minder duur. Dat kan leiden tot gemiddeld lagere transactieprijzen van verkochte woningen, maar zegt weinig over de waardeontwikkeling van andere woningen in die gemeente. 

4. Verteken(en)de cijfers 

Soms kloppen cijfers gewoon niet. Een bekende quote van voormalig Brits premier Benjamin Disraeli luidt: “There are three kinds of lies: lies, damned lies, and statistics”.  Wij hebben meer vertrouwen in de waarde van statistiek, maar cijfers kunnen de werkelijkheid inderdaad vertekenen. En ja, soms gebeurt dat opzettelijk. Je kan liegen met statistiek. Cijfers kunnen bewust worden verdraaid of selectief gepresenteerd. De technieken om dat te doen zijn eindeloos, maar we lichten er 3 toe.

Vertekende grafieken 

Door de y-as van een grafiek te laten beginnen bij een hoger getal lijken kleine verschillen groter. Als je in een grafiek met de ontwikkeling van huurprijzen de y-as laat beginnen bij € 800 lijkt een stijging van € 850 naar € 900 veel dramatischer dan op een grafiek die wel bij € 0 begon. Maar het omgekeerde is ook waar. Ooit twitterde de National Review in de Verenigde Staten (VS) onderstaande figuur 1 over de wereldwijde temperatuurstijging. Het bericht erbij: “The only climate chart you need to see”. De boodschap is dat het meevalt met de opwarming van de aarde. Pas als je goed inzoomt zie je dat de temperatuur wel degelijk een paar graden is gestegen. Een y-as die niet bij 0 begon had een eerlijker beeld opgeleverd.

Figuur 1. Een vertekend beeld door een volledige y-as 

Bron: www.sg.uu.nl  / National Review

Soms wordt een grafiek speels met plaatjes uitgebeeld. Figuur 2 gaat over huizenprijsstijgingen in de VS tussen 2016 en 2018. Niet alleen begint de y-as niet bij 0, de iconen zijn ook suggestief. Het huisje links hoort bij een prijsstijging van 5,5%. Het rechterhuis bij een stijging van ongeveer 6,5%. Doordat niet alleen de hoogte, maar ook de breedte van het huisje is gegroeid, past het linkerhuis wel 5 keer in het rechter. Prijzen lijken te zijn vervijfvoudigd, maar de echte prijsstijging is ‘maar’ 1 procentpunt.

Figuur 2: Een vertekend beeld door schaalfouten

Bron: www.marketwatch.com

Ook door kleurgebruik kunnen cijfers letterlijk worden gekleurd. BPD publiceert jaarlijks een hittekaart van de woningmarkt (zie figuur 3). Het woord hittekaart zorgt al voor een frame, dat het ook logisch maakt om de kleuren rood (heet) en blauw (koel) te gebruiken. Het laat zien waar in Nederland de woningprijzen het hoogst en laagst zijn, maar suggereert grote verschillen en grote oververhitting. Dat kan ook zo zijn, maar dat hoeft helemaal niet. Stel dat er slechts kleine verschillen zouden zitten tussen de duurste en goedkoopste gebieden of dat de prijzen waren gedaald ten opzichte van vorig jaar. Ook dan zou de kaart, met zulke extreme kleurverschillen, er precies zo uit kunnen zien als deze. 

Figuur 3: Een ‘gekleurd’ beeld

Ook door kleurgebruik kunnen cijfers letterlijk worden gekleurd. BPD publiceert jaarlijks een hittekaart van de woningmarkt. Het woord hittekaart zorgt al voor een frame, dat het ook logisch maakt om de kleuren rood (heet) en blauw (koel) te gebruiken. Het laat zien waar in Nederland de woningprijzen het hoogst en laagst zijn, maar suggereert grote verschillen en grote oververhitting. Dat kan ook zo zijn, maar dat hoeft helemaal niet. Stel dat er slechts kleine verschillen zouden zitten tussen de duurste en goedkoopste gebieden of dat de prijzen waren gedaald ten opzichte van vorig jaar. Ook dan zou de kaart, met zulke extreme kleurverschillen, er precies zo uit kunnen zien als deze. 

Causatie versus correlatie

Soms lees je iets over een significant verband. Dat lijkt dan wetenschappelijk onderbouwd en statistisch betrouwbaar. Maar dat er een verband is tussen 2 zaken, ook als dat significant is, hoeft niet te betekenen dat dat ook causaal (oorzakelijk) is. Zo is er in Europa een significant verband tussen het aantal geboortes en het aantal ooievaars. Landen waar veel kinderen geboren worden, hebben doorgaans ook meer ooievaars. Maar de verklaring schuilt in een derde variabele; de grootte van een land. In grotere landen worden meer kinderen geboren en komen doorgaans meer ooievaars voor. Je zou dus tenminste moeten kijken naar aantal geboorten per 1.000 inwoners en zo corrigeren voor absolute bevolkingsomvang. 

Ook in de wereld van bouw en vastgoed kan er een significant verband zijn tussen twee variabelen, zonder dat het één het ander veroorzaakt. 

2 voorbeelden:

1. “Hoe meer zonnepanelen, hoe hoger de verkoopprijs van een huis”. Woningen met zonnepanelen worden inderdaad vaak voor meer verkocht. Maar zijn zonnepanelen daar de oorzaak van? Woningen met zonnepanelen zijn vaak ook nieuwer en beter geïsoleerd. En: grotere daken kunnen meer zonnepanelen bevatten, dus de grootte van een woning zou hier wel eens een veel belangrijkere verklaring voor het gevonden prijsverschil kunnen zijn.
2. “Airbnb leidt tot stijgende huren”. We zien in buurten met veel vakantieverhuur, bijvoorbeeld via AirBnB, ook stijgende huren. De suggestie is dat AirBnB die hoge huren veroorzaakt, maar waarschijnlijker zijn beide het gevolg van algemene aantrekkingskracht en gentrificatie waardoor prijzen van vastgoed in die buurt overal stijgen. Bovendien worden koopwoningen vaker als AirBnB verhuurd dan (voormalige) huurwoningen. 

Shoppen tussen absoluut en relatief

Groei of afname van iets kun je in aantallen (absoluut) of in procenten (relatief) uitdrukken. Voor de ontwikkeling zelf maakt dat niet uit, maar het beeld dat opgeroepen wordt kan anders zijn. Zo klinkt de zin “Huizen weer € 20.000 duurder”  spectaculairder dan de constatering dat “De gemiddelde transactieprijs van koopwoningen 3,9% is gestegen”. Soms maken juist percentages meer indruk. Misschien dat er in een bepaalde gemeente een spectaculaire groei te zien is van 100% in het aantal verkochte penthouses. In absolute getallen kan het gaan om een groei van 1 naar 2. 

In Boxtel daalde in het eerste kwartaal van 2025 de gemiddelde verkoopprijs van appartementen met 40% in 1 kwartaal. Ook in absolute cijfers was de daling dat kwartaal fors en ging het om een daling van enkele tonnen. Alleen werden er in dat kwartaal maar 6 appartementen verkocht. Zulke kleine aantallen zijn erg gevoelig voor uitschieters. 

Bij percentages is het dus opletten geblazen. Wat wordt waarmee vergeleken? Kijk naar berichten over de stijging van huizenprijzen. Soms gaat het om groei per maand, soms per kwartaal en soms jaar-op-jaar. In kwartaal 1 van 2025 daalde de gemiddelde verkoopprijs van woningen met 1,8% ten opzichte van een kwartaal eerder, maar steeg ze met 9,7% ten opzichte van een jaar eerder. Je kan, afhankelijk van welke periode je kiest, een stijging of daling laten zien. Het is allebei waar, maar de boodschap is totaal anders.

Deze voorbeelden illustreren dat meten waardevol is, maar ook risico’s kent. Cijfers zijn gebaseerd op keuzes, aannames en interpretaties. Bij het gebruik van data moet je altijd oog houden voor de context, de beperkingen en de mogelijke bijwerkingen van het meten zelf. In zijn boek "The Data Detective; ten easy rules to make sense of statistics" beschrijft economisch journalist Tim Harford 11 (!) regels die helpen statistieken beter te begrijpen en misleiding te vermijden. Een van die lessen is: ‘Let op je emoties’.  Zo gauw cijfers je boos of blij maken, moet je extra kritisch zijn. Want de kans op misleiding, bewust of onbewust, is dan groot.