WoON en DHS zijn het meest toegankelijk. In WoON worden eens in de drie jaar rond de 60.000 huishoudens steekproefsgewijs geënquêteerd. Deze gegevens worden aangevuld met administratieve gegevens uit de Gemeentelijke Basisadministratie (GBA) en van de Belastingdienst. Gegevens over de hypothecaire lening – zoals omvang en type van de leningen en de rentevoet van leningdelen – zijn gebaseerd op de respons van de huishoudens. Een beperking van WoON is dat het geen panelstructuur kent. De verschillende jaargangen zijn dus niet op huishoudniveau aan elkaar te koppelen. Ook ontbreken er gegevens over de opgebouwde tegoeden in kapitaalverzekeringen of spaarrekeningen gerelateerd aan de eigen woning (KEW/SEW). CPB (2015) en Van Dijk (2013) zijn voorbeelden van analyses die gebruikmaken van WoON.

DHS bevat omvangrijke informatie op jaarbasis van circa 2000 Nederlandse huishoudens sinds 1993. Naast informatie over de woonsituatie kunnen ook allerlei andere gegevens, zoals psychologische kenmerken of economische voorkeuren van personen, gekoppeld worden. Helaas hebben ook deze data hun beperkingen. Vooral als er wordt ingezoomd op subgroepen – bijvoorbeeld starters op de woningmarkt – blijkt het bestand te klein te zijn. Bovendien zijn de data gebaseerd op enquêtes, wat de kans op meetfouten vergroot. Zie bijvoorbeeld Georgarakos et al. (2014) voor een onderzoek op basis van het DHS.

Toegang tot het IVB is iets gecompliceerder, omdat er speciale ICT-faciliteiten nodig zijn en extra kosten voor het gebruik van de microdatabestanden. Tegenover deze beperking staat het grote voordeel dat de onderzoeker toegang heeft tot administratieve data over de fiscaal relevante bezittingen en schulden van alle Nederlandse huishoudens. Deze data kunnen ­bovendien gekoppeld worden aan allerlei andere micro­bestanden van het CBS en het Kadaster. Daardoor kunnen allerlei kenmerken van huishoudens en hun woningen over langere tijd gevolgd worden. Informatie over de hypothecaire lening in het IVB beperkt zich echter tot de omvang van de fiscale eigenwoningschuld. Dat betekent dat er bijvoorbeeld geen data zijn over de rentevoet en de verschillende leningdelen. Bovendien kan hierdoor de daadwerkelijke hypotheekschuld van Nederlandse huishoudens niet nauwkeurig bepaald worden. Michielsen et al. (2015) en Veldhuizen et al. (2016) zijn voorbeelden van onderzoek met behulp van deze bestanden.

Het beste databestand voor onderzoek naar hypo­thecaire leningen is helaas ook het minst toegankelijke. De LLD bevat gedetailleerde informatie van circa tachtig procent van alle hypothecaire kredieten die door in totaal negen banken en drie verzekeraars verstrekt worden. Zie Mastrogiacomo (2016) voor een onderzoek op basis van deze data. Voor iedere lening bevat de LLD informatie over de kredietverstrekker, type ­lening, ­rentevoet, aanvangsdatum en einddatum, taxatiewaarde van het onderpand en of de lening onder de Nationale Hypotheek Garantie (NHG) valt. Daarnaast kunnen de opgebouwde KEW- en SEW-tegoeden uit de data worden afgeleid. Toch kent ook de LLD enkele beperkingen.

Zo kunnen individuele huishoudens niet over de tijd gevolgd worden als ze overstappen naar een andere bank. Inkomensgegevens ontbreken deels of geheel, en de omvang van voortijdige aflossingen kan alleen worden benaderd voor kredietnemers die niet overstappen. De belangrijkste beperking van de LLD is echter dat deze data primair voor toezichtdoeleinden zijn verzameld en niet voor onderzoek. Onderzoekers binnen en buiten DNB zijn dus afhankelijk van de medewerking van banken en verzekeraars. Borging van vertrouwelijkheid en privacy is voor hen uiteraard van groot belang.

Toch hoeft dit geen onoverkomelijk bezwaar te zijn. Het CBS heeft immers bewezen dat het goed mogelijk is om vertrouwelijke informatie op een veilige wijze toegankelijk te maken voor onderzoekers. Door de LLD te anonimiseren en tegelijkertijd wel op persoons- of huishoudniveau koppelbaar te maken, zou er een databestand gemaakt kunnen worden dat het walhalla voor onderzoek naar hypothecaire kredietverlening aardig benadert. In de afgelopen jaren hebben CBS en DNB in overleg met de banken nauw samengewerkt aan een vergelijkbaar bouwplan voor een koppeling van de LLD met CBS-gegevens. Als dit bouwplan wordt gevolgd, geeft dat niet alleen een kwaliteitsimpuls aan het wetenschappelijk onderzoek op dit gebied, maar kunnen er ook allerlei actuele en beleidsrelevante transitievragen op het gebied van wonen en hypotheken verder worden onderzocht. We kijken er naar uit!

Literatuur

CPB (2015) Economische effecten van verdere verlaging LTV-limiet. Centraal Planbureau Notitie van 28 mei.

Dijk, M. van (2013) Wie minder leent koopt meer eigen ­woning. ESB, 98(4670), 604–607.

Georgarakos, D., M. Haliassos en G. Pasini (2014) Household debt and social interactions. Review of Financial ­Studies, 27(5), 1404–1433.

Mastrogiacomo, M. (2016) Will we repay our debts ­before retirement? Or did we already, but nobody noticed? ­Netspar Design Paper, 64.

Michielsen, T., R. Mocking en S. van Veldhuizen (2015) Home ownership and household portfolio choice. CPB ­Discussion Paper, 318.

Veldhuizen, S. van, B. Vogt en B. Voogt (2016) Negative home equity and household mobility: evidence from ­administrative data. CPB Discussion Paper, 323.