Winkelleegstand in Nederlandse centrale winkelgebieden

Abstract

Deze masterthesis, welke in opdracht van Universiteit Utrecht en vastgoedconsultant CBRE is uitgevoerd, beschrijft de variabelen die mogelijk van invloed zijn op winkelleegstand in centrale winkelgebieden in Nederland. Aan de hand van een factor- en regressie-analyse wordt getoetst in hoeverre deze variabelen daadwerkelijk van invloed zijn op de winkelleegstand in centrale winkelgebieden. Vervolgens wordt via een clusteranalyse gekeken hoe de centrale winkelgebieden in Nederland (bestaande uit ten minste 100 winkels) scoren op de factoren die volgens de uitgevoerde analyse van invloed zijn op winkelleegstand. De winkelleegstand in Nederland laat sinds ruim 10 jaar een groei zien (Locatus, 2016). De vraag naar winkelvastgoed lijkt hierbij zowel functioneel (fun/goal/run-shoppen) als geografisch steeds meer gesegmenteerd te zijn (CBRE, 2016). Vaak wordt winkelleegstand verklaard aan de hand van marktmechanismen op de schaal van macro-economie. Te denken valt aan het vierkwadrantenmodel (DiPasquale & Wheaton, 1992), inelasticiteit van de vastgoedmarkt (Geltner et al., 2010) en de opkomst van e-commerce (Zhang et al., 2015). Hoewel dit factoren zijn die een grote rol spelen bij het ontstaan van winkelleegstand, verklaren zij niet de verschillen in leegstand tussen verschillende winkelgebieden. Hiervoor is het namelijk van belang om rekening te houden met factoren op micro- en meso-schaalniveau. Uit de resultaten van factor- en regressie-analyse blijkt dat vier thema’s een duidelijke invloed hebben op winkelleegstand in centrale winkelgebieden, namelijk bereikbaarheid, veiligheid, grootte van verzorgingsgebied en welvaartsindicatoren. Goede bereikbaarheid, in dit onderzoek vertegenwoordigd door de variabelen omtrent parkeren en de variabele afstand tot oprit hoofdverkeersweg, heeft een negatieve invloed op het winkelleegstandpercentage. De theorie van Teller en Elms (2010), die ervan uitgaan dat de tijd die men kwijt is om van punt A naar punt B te geraken direct van invloed is op het bezoekersaantal van een winkelgebied, blijkt in dit geval dan ook te kloppen. Het thema veiligheid is ook van negatieve invloed op winkelleegstand en valt uiteen in de variabelen verdachten en geregistreerde misdrijven die terugkomen in de aannemelijke hypothesen, zoals in verschillende studies al naar voren kwam. Zij toonden aan dat de perceptie op risico’s en veiligheid van invloed is op de aantrekkelijkheid van een plaats en dat deze perceptie tot stand komt door onder andere het aantal incidenten en misdrijven in die plaats (Cohen et al., 2014). Het volgende thema is grootte verzorgingsgebied en valt uiteen in de variabelen groei bevolking en het aantal hotelgasten in de regio. Deze blijken een negatief effect te hebben op leegstand, waarmee de resultaten overeenkomen met de theorie van Veer et al. (2010). En het thema welvaartsindicatoren tenslotte wordt gevormd door de variabelen gemiddeld besteedbaar inkomen, aandeel mensen met een uitkering en de arbeidsdeelname. Verschillende theorieën geven aan dat een hoge welvaart leidt tot een lager leegstandspercentage (Bos, 2007; Goudswaard, 2007; Tazelaar & Sprengers, 2004; De Witte, 2008), zoals ook uit de resultaten blijkt. De centrale winkelgebieden in Nederland scoren verschillend op de variabelen die van invloed zijn op winkelleegstand, zo blijkt uit de clusteranalyse. Deze analyse resulteert namelijk in een vijftal clusters die bovendien elk verschillend scoren als het gaat om winkelleegstandpercentage.

Cluster 1 De hoofdstad: 2 winkelgebieden Cluster 2 Bescheiden groei, lokaal verzorgend: 25 winkelgebieden Cluster 3 Stilstaand, lokaal verzorgend: 82 winkelgebieden Cluster 4 Centraal gelegen, aantrekkelijk: 12 winkelgebieden Cluster 5 Topsegment: 3 winkelgebieden

Bij een verdere statistische beschrijving van de clusters laten de cijfers duidelijke verschillen zien tussen de grote, centrale winkelgebieden met hoge huurprijzen enerzijds en kleinere, minder centraal gelegen winkelgebieden anderzijds. Hoewel eerder in de factor en regressie-analyse bleek dat de variabelen ‘grootte verzorgingsgebied’ en ‘centrale positie winkelgebied’ niet van significant negatieve invloed zijn op winkelleegstand, blijken deze factoren in de clusteranalyse wel degelijk van groot belang te zijn. Er is namelijk een duidelijk patroon zichtbaar, waarbij de meest centrale winkelgebieden behorend bij de grootste bevolkingskernen een aanzienlijk lager leegstandspercentage kennen dan de minder centrale winkelgebieden van kleinere bevolkingskernen. Dit patroon komt in grote mate overeen met de voorzieningenstructuur uit het Centrale Plaatsen model van Walter Christaller (Janelle, 2016), waarbij de plaatsen van de hoogste orde ook de grootste reikwijdte hebben. Andere variabelen zijn in zowel de factor en regressie-analyse als de clusteranalyse van duidelijke invloed op het winkelleegstandspercentage. De groei van het aantal inwoners, het aandeel ouderen en de top huurprijs zijn hier voorbeelden van. Het gemiddelde leegstandspercentage per winkelgebied bijvoorbeeld is bij cluster 3 het hoogst, gevolgd door cluster 2, 4, 5 en 1. Hiermee zijn winkelgebieden in cluster 3 dan ook kansrijker dan winkelgebieden uit de andere clusters om in de toekomst te blijven voortbestaan. Op basis van de achterliggende factoren die leegstand veroorzaken scoort cluster 3 hierbij het best (meest kansrijk), en cluster 1 het slechtst (minst kansrijk).