In veel steden is op de particuliere huurmarkt vrijwel geen normaal geprijsde kamer te krijgen, blijkt uit dataonderzoek van Argos. Bekijk hier hoe het zit in jouw stad, download de data en lees hoe wij te werk gingen.

Argos verzamelde in september en de eerste week van oktober alle kameradvertenties van Kamernet, de grootste ‘marktplaats’ voor kamers in Nederland. Op basis van de kenmerken van de kamer, zoals oppervlakte, gedeelde woonruimte en aantal huisgenoten werd voor ruim 1.200 kamers de maximale huurprijs volgens het puntenstelsel berekend. Deze prijs is vergeleken met de vraagprijs.

De wettelijk toegestane maximumhuur voor kamers wordt bepaald door het woningwaarderingstelsel voor onzelfstandige woningen. Dit ‘puntenstelsel’ schrijft een maximumprijs voor aan huurders en verhuurders. 

In vrijwel alle steden lappen verhuurders het puntenstelsel aan hun laars. Amsterdam en Utrecht zijn de uitschieters, maar ook in bijna alle andere steden zijn kamers op Kamernet te duur.

Datajournalist Reinier Tromp

Als je de wettelijk bepaalde maximum huurprijs voor een kamer vergelijkt met de advertentieprijs, kun je uitrekenen hoeveel verhuurders per maand te veel vragen. In Amsterdam is de vraagprijs bijvoorbeeld gemiddeld 698 euro. Dat is 307 euro meer dan de gemiddelde maximumprijs per maand voor kamers in de stad.

De data werden vijf weken lang verzameld met een scraper: een programmaatje geschreven in de programmeertaal python dat naar Kamernet kijkt om relevante gegevens binnen te halen. De dataset is daarmee een momentopname van het aanbod op Kamernet. 

Dataonderzoek naar kamers: hoe ik te werk ging

klik 'open' voor de verantwoording

Wie een blik op kamerverhuurwebsites werpt weet al snel: er wordt vaak veel geld gevraagd voor relatief kleine kamers. En wie het puntenstelsel een beetje kent, denkt dan: waarschijnlijk te veel geld. Maar hoe test je zo’n vermoeden? Hoe maak je het hard? En hoe krijg je inzichtelijk hoe en op welke schaal deze praktijk plaatsvindt? Argos-datajournalist Reinier Tromp over zijn kameronderzoek.

De methode die ik heb gekozen is om alle huuradvertenties in de periode van 1 september tot 11 oktober te scrapen van de grootste kameraanbieder van Nederland: Kamernet. En vervolgens de wettelijke prijs van deze kamers uit te rekenen met behulp van het puntenstelsel en deze te vergelijken met de vraagprijs.

De eerste stap was dus een zogeheten scraper bouwen. Een scraper is een script - in mijn geval geschreven in de programmeertaal python - dat de computer opdracht geeft om naar Kamernet te gaan en daar gericht de HTML-code downloadt van de velden die relevant zijn voor het onderzoek. Vergelijk het met hoe je het handmatig ook zou doen: je gaat naar de website, je klikt op wat linkjes en je schrijft de informatie die je relevant vindt op in een tabel. Dit herhaal je op een structurele manier voor elke pagina waarop je kameradvertenties ziet staan. In het geval van Kamernet zijn dat zo’n 1.800 advertenties per dag. 

Mijn scraper liet ik in de maand september en oktober los op Kamernet. Van elke kamer downloadde het computerscript onder meer straatnaam, plaatsnaam, vraagprijs, oppervlakte, of keuken en badkamer gedeeld waren en het aantal huisgenoten. Eigenlijk alle informatie die je als huurder nodig hebt om een beslissing te kunnen maken: wil ik deze kamer of niet? Maar ook genoeg informatie, ontdekte ik, om de prijs van de kamer aan de hand van het puntenstelsel uit te kunnen rekenen. 

Nou ja, bijna genoeg. Want hier komt het lastige.

Het puntenstelsel automatiseren

De regels van het puntenstelsel voor kamers staan beschreven in het Beleidsboek Waarderingstelsel Onzelfstandige Woonruimte: een gedetailleerd handboek dat ook gebruikt wordt door de huurcommissie om geschillen te beslechten over de huurprijs. In dit beleidsboek staat precies beschreven hoeveel punten een bepaald type woning krijgt. Per vierkante meter krijg je bijvoorbeeld vijf punten. Deel je het toilet met minder dan vijf huisgenoten? Dan krijgt de kamer er twee punten bij. En zo gaat de lijst verder. Het totaal aantal punten tel je op en vervolgens kun je opzoeken welke prijs eraan gekoppeld is in het meest actuele Huurprijsbeleid van het ministerie van Binnenlandse Zaken.

Zowel het beleidsboek als het huurprijsbeleid heb ik omgezet in pythoncode waardoor de computer op basis van de informatie uit de gedownloade advertenties per kamer uitrekent hoeveel punten elke kamer waard is. Je trekt als het ware elke advertentie door een computationele versie van het puntenstelsel heen, waardoor je weet hoe duur een kamer zou moeten zijn volgens de wet. Precies zoals je het met de hand zou doen dus voor je eigen kamer, maar nu geautomatiseerd met een druk op de knop voor alle advertenties in de dataset.

Aannames en formules

Dit gaat niet zonder de nodige aannames helaas. De advertenties op Kamernet leveren niet exact wat je nodig hebt om het precieze aantal punten te kunnen berekenen. Logisch, want daar zijn die advertenties ook niet voor ontworpen. De aannames heb ik zo conservatief mogelijk gedaan, zodat mijn code eerder meer dan minder punten telt. Zo krijgt een kamer volgens het puntenstelsel meer punten voor centrale verwarming dan voor een gaskachel. Die informatie had ik niet en dus heb ik aangenomen dat alle woningen centrale verwarming hebben. 

Maar de belangrijkste aanname is de grootte van de gedeelde woonruimte, meestal de woonkamer. Die staat niet in de advertenties maar levert wel aanzienlijk wat punten op. Gelukkig weten we wel het aantal vierkante meter van de gehele woning en hoeveel huisgenoten de huurder krijgt. Met deze informatie kun je schatten hoe groot gedeelde woonruimte is, waarbij ik ervan uitga dat de kamers van de huisgenoten even groot zijn als de kamer die wordt aangeboden. Die trek ik van het totale woonoppervlak af. De formule die ik opstelde: 

Belangrijk: met deze benadering ga ik ervan uit dat de kamers van de huisgenoten relatief klein zijn en dus de gedeelde ruimte eerder te groot. En dat betekent: meer punten voor de advertentie. En dus een hogere wettelijke prijs. Dat is een conservatieve inschatting, omdat in gedeelde woningen meestal de kleinste kamer wordt aangeboden en huisgenoten intern naar een grotere kamer verhuizen. Zo is althans mijn eigen ervaring en ook die van veel huurders die ik de afgelopen maanden heb gesproken.

Daar staat tegenover dat ik ook keuzes heb moeten maken die niet te benaderen waren. Zo krijgt een kamer punten (niet zoveel) voor een gedeelde tuin. Maar dat staat niet in de advertentie. Slechts 15 procent van de meergezinswoningen heeft een tuin. Bij studenten zal dat nog lager liggen. Het is dan niet redelijk om alle kamers hier punten voor te geven. En dus heb ik de tuin niet meegenomen. Voor het totaalbeeld maakt dat niet veel uit, want het gaat om weinig woningen en relatief weinig punten. Dit wordt bovendien gecompenseerd door mijn andere conservatieve aannames. Zo reken ik bijvoorbeeld geen aftrekposten voor weinig licht. 

Om zeker te zijn van mijn berekeningen, heb ik mijn aannames overlegd met experts van Stichting Woon en heb ik een aantal uitkomsten van de berekeningen getoetst met behulp van de puntenstelsel-rekentool op hun website. De code zelf heb ik doorlopen met datajournalist Heleen Emanuel die zeer waardevolle verbeteringen op de code gedaan heeft.

Al dit geprogrammeer, gescrape en gereken resulteerde in een dataset met alle aangeboden kamers op Kamernet gedurende vijf weken, waarvan ik de wettelijk bepaalde maximum huurprijs kan uitrekenen. Die prijs vergelijk ik met de vraagprijs om het verschil inzichtelijk te maken. Gemiddeld vraagt 82 procent van de verhuurders een prijs die hoger is dan het puntenstelsel hun voorschrijft. En omdat ik ook weet in welke stad de kamer ligt, zijn deze inzichten ook per stad op een rijtje gezet. 

Het vermoeden dat verhuurders te veel geld vragen voor hun kamer op de particuliere huurmarkt is hiermee feitelijk getest en blijkt te kloppen. De schaal is alleen nog groter dan ik voorvoelde. Een huurexpert van Stichting Woon vatte het goed samen ‘Dit onderzoek heeft voor het eerst met data hardgemaakt wat ik al vermoedde. De resultaten zijn niet verbazingwekkend maar toch schokkend’.

Vragen?

Er zit meer in de code en dataset dan ik hier kan bespreken. Mocht je daar vragen over hebben dan kun je een mailtje sturen naar r.tromp@vpro.nl.

Bekijk zelf de data

Alle data relevant voor dit onderzoek zijn hier voor iedereen beschikbaar. De code waarmee de analyse is uitgevoerd, is te vinden op GitHub. Ben je journalist? We stellen het op prijs als je bij gebruik hiervan Argos noemt. Laat het ons weten als je nieuwe ontdekkingen doet. Ook als je vragen hebt.

Met medewerking van Heleen Emanuel.

Hier te downloaden

Kamerberekening_grote_steden.xlsx

Opgeschoonde en overzichtelijke resultaten van het onderzoek. Dit is de meest toegankelijke dataset. Bijvoorbeeld om te gebruiken voor een artikel of grafiek.

Kamers_top.csv

De masterdataset waarin de alle kamers zitten die we gebruikt hebben voor het maken van het onderzoek, inclusief deelresultaten.

Kamerstats_per_gemeente.csv

Geagregeerde dataset die de resultaten per gemeente laat zien.