Objectief beleggen in vastgoed met GIS
Het gebruik van GIS-analyses in de vastgoedmarkt is bij lange na niet vanzelfsprekend en biedt daarmee diverse kansen voor uiteenlopende belanghebbenden.
1. Introductie
Dit onderzoek wil ingaan op het gebruik van passende data om te komen tot een objectief kader, waarmee woonbuurten kwalitatief beoordeeld kunnen worden ten behoeve van vastgoedbeleggingen. In de vastgoedsector wordt de kwaliteit van de locatie veelal beoordeeld door middel van iemands onderbuikgevoel. Stijnenbosch et al. (2003) en Bals (2016) constateren dat er een gebrek aan gedegen onderzoek is die de vastgoedsector essentiële inzichten geeft in de werking van de markt.
Het gebruik van GIS-analyses in de vastgoedmarkt is bij lange na niet vanzelfsprekend en biedt daarmee diverse kansen voor uiteenlopende belanghebbenden. Er komt steeds meer data beschikbaar om dit te realiseren. Het gevaar schuilt in het feit dat al snel vertrouwd wordt op de data en de daaruit voortkomende resultaten en inzichten. Het aspect data kwaliteit staat zelden centraal tenzij er iets faliekant misgaat (Meijer, Vullings, Bulens, Rip, Boss, Hazeu & Storm, 2015). Volgens ISO 19157:2003 wordt kwaliteit gedefinieerd als: de totaliteit van kenmerken van een entiteit die in staat is zowel bestaande en expliciete behoeften te voldoen alsmede expliciete behoeften (Meijer et al., 2015).
De behoefte om tot geschikte woonbuurten te komen met de daarbij horende stappen om tot resultaten te komen, zijn zichtbaar in figuur 1. De algehele onderbouwing voor de gekozen criteria zijn terug te vinden in de bijlage. De ruimtelijke data die daarbij hoort, zijn terug te vinden in figuur 2.
De focus van dit onderzoek ligt met name op de kritische reflectie van de gebruikte ruimtelijke data in relatie tot het objectief bepalen van geschikte woonbuurten voor vastgoedbeleggingen. De vraag die centraal staat is:
‘’In hoeverre is de gebruikte data geschikt voor het beoogde gebruik, oftewel de mate waarin het gebruik overeenkomt met de behoeften?’’
Om de hoofdvraag te beantwoorden, komen de volgende onderdelen aan bod:
- De ontstaanswijze van de gegevens achter de gekozen criteria;
- Een beoordelingskader om te komen tot een passendheidstoets;
- De passendheidstoets per criteria;
- Inhoudelijke en procesmatige suggesties op basis van de passendheidstoets;
- Suggesties voor alternatieve datasets in de realistische wereld.
Figuur 1: stappenplan om tot geschikte woonbuurten voor beleggingen te komen (bron: auteur)
Figuur 2: Datasets en gebruikte criteria voor het bepalen van de meest geschikte buurten (bron: eigen bewerking van CBS, 2015a; Simeonova et al., 2017; Van Leeuwen, Guldemond & Faqiri, 2017)
2. HERKOMST CRITERIA
Aangezien een ruimtelijke dataset altijd een model is dat de werkelijkheid moet nabootsen, zijn datasets in zekere zin oud, niet compleet of foutief (Devillers & Jeansoulin, 2010). Ondanks dit gegeven kan de betrouwbaarheid verhoogd worden door gebruik te maken van bijvoorbeeld de ISO 19113:2002 standaard bij het inwinnen, verzamelen en uitgeven van datasets.
Om zorgen omtrent de kwaliteit van geo-informatie tegemoet te komen, constateert Van Oort (2006) dat in ieder geval de volgende twee zaken nodig zijn:
1. De beschrijving van de kwaliteit van geo-informatie door middel van duidelijk gestandaardiseerde definities;
2. De geschiktheid van de geo-informatie beoordelen voordat deze gebruikt wordt in toepassingen.
In dit hoofdstuk wordt uiteengezet hoe de datasets uit figuur 2 tot stand zijn gekomen, ook wel data lineage genoemd, en in hoeverre sprake is van een bepaalde standaard om een inschatting te maken van de betrouwbaarheid.
De algemene beschrijving van de herkomst van de Natura 2000 gebieden wordt beschreven als ‘’een extract van het beschermd gebiedenregister dat door Alterra in opdracht van de Directe Natuur van het Ministerie van EZ wordt beheerd en geactualiseerd. Digitalisatie vindt plaats op basis van de digitale topografische kaart schaal 1:10.000 (TOP10VECTOR)’’ (Nationaal Georegister, 2017).
De overige datasets zijn allen afkomstig van het CBS en waarvan één een rasterbestand is. De belangrijkste verschillen zijn vooral thematisch, waarbij verschillen methoden zijn gehanteerd om de datasets tot stand te laten komen.
De criteria afstand tot oprit, afstand tot treinstation en het aantal supermarkten binnen 3 km afstand zijn allen onderdeel van de nabijheidsstatistiek, waarbij netwerkanalyses zijn toegepast om de gegevens te verkrijgen. Afstanden worden berekend aan de hand van alle bewoonde adressen van een buurt die met een verharde (auto)weg in verbinding staat met de dichtstbijzijnde voorziening. Om de afstand zo klein mogelijk te houden wordt een adres loodrecht op het wegennetwerk geprojecteerd. Uit alle bewoonde adressen wordt uiteindelijk de gemiddelde afstand berekend. Voor de bewoonde adressen is gebruik gemaakt van de Gemeentelijke Basis Administratie Personen en het Adres Coördinaten van Nederland van het Kadaster. Het Nationaal Wegen Bestand van Rijkswaterstaat is gehanteerd om het verharde wegennetwerk te bepalen. De adresgegevens van voorzieningen zijn samengesteld aan de hand van diverse input van organisaties als het Nivel, de VHN, het RIVM, Locatus, LRK en Duo (Deerenberg & Melser, 2012).
Het enige rasterbestand betreft de mate van stedelijkheid, die opgedeeld wordt in vijf stedelijkheidsklassen en is gebaseerd op de omgevingsadressendichtheid (OAD). De OAD bepaalt de mate van concentratie van menselijke activiteiten. Alle adressen in de vorm van verblijfsobjecten, ligplaatsen en standplaatsen uit de BAG worden bij de berekening gebruikt. De OAD wordt uitgedrukt in adressen in vierkante kilometer en op een raster van 500 x 500 meter uitgegeven. Het aantal adressen dat binnen een cirkel met een straal van één kilometer valt, wordt gedeeld door de oppervlakte die de cirkel beslaat (Van Leeuwen, Guldemond & Faqiri, 2017).
WOZ-waarden worden gebaseerd op de Wet Waardering Onroerende Zaken. In de berekening worden alleen woningen meegenomen met een waarde groter dan nul en welke functioneren als hoofdverblijf of een woning zijn met praktijkruimte. De gegevens worden als gemiddelden geaggregeerd naar buurtniveau (CBS, 2015a). Het percentage huurwoningen betreffen woningen waarvan geen van de bewoners eigenaar is. Dit kunnen zowel sociale- als vrije sector huurwoningen zijn.
De drie criteria die betrekking hebben op ‘’inkomen’’ zijn gebaseerd op de Basisregistratie Inkomen. Het gemiddeld inkomen per inkomensontvanger behelzen personen met een geheel jaar inkomen, waarvan de bedragen op één cijfer achter de komma worden afgerond. De randvoorwaarde is dat binnen een buurt minimaal 100 inwoners wonen. Bij het percentage huishoudens onder of rond het sociale minimum is minimaal 100 huishoudens als uitgangspunt genomen. De politiek heeft een wettelijk bestaansminimum vastgesteld. Het minimum is sterk afhankelijk van de huishoudenssamenstelling en de leeftijdsgrens van 65 jaar en loopt uiteen van € 986 tot € 1.924 in de maand (Blijie & Gopal, 2015; CBS, 2015a). Tot slot is het aandeel niet-actieven gebaseerd op minimaal 200 inwoners in een buurt. Het is de verhouding van 15 tot 65-jarigen die gedurende het hele jaar hun primaire inkomen hebben ontvangen uit een uitkering ten opzichte van alle inkomensontvangers van 15 tot 65 jaar. Denk daarbij aan (werk)studenten, arbeidsongeschikten, gepensioneerden, bijstandsontvangers en personen met werkloosheidsuitkering (CBS, 2015a).
3. BEOORDELINGSKADER
De kwaliteit van data is moeilijker te definiëren dan voor producten, zoals een stofzuiger. Dat komt door het gemis van een fysieke component om kwaliteit in te schatten. Kwaliteit van data is daarmee afhankelijk van ontastbare begrippen als compleetheid en consistentie (Veregin, 1999). Om te komen tot een beoordeling dat inzicht geeft in de kwaliteit van de data met als doel het bepalen van geschikte woonbuurten voor beleggingen, wordt het model in figuur 3 gebruikt dat gebaseerd is op ISO:19113 waarin blokken te onderscheiden zijn van data kwaliteit elementen in de gele blokken met bijbehorende subelementen in de groene blokken.
Figuur 3: Overzicht van kwaliteitsaspecten ruimtelijke data volgens ISO:19113 (bron: eigen bewerking van Docan, 2013)
Compleetheid kan in zijn algemeenheid gedefinieerd worden als de mate waarin gegevens voldoende dekkend, diepgang en reikwijdte hebben voor een betreffende taak (Wang & Strong, 1996; Yang, 2007). Daarbij kan zowel sprake zijn van overtolligheid in de data als ontbrekende data. Een voorbeeld daarvan is wanneer in Nederland 50 buurten zouden bestaan. Wanneer in de daadwerkelijke dataset blijkt dat er bijvoorbeeld 45 of 55 zijn, is sprake van 10% afwijking van de compleetheid.
Logische consistentie verwijst naar de mate van logische regels van datastructuren, attribuutgegevens en onderlinge relaties. Het kan worden gecontroleerd zonder verwijzing naar de werkelijkheid (Rasdorf, 2000; Devillers & Jeansoulin, 2010). Met name de topologische consistentie is binnen GIS van belang bij het beoordelen van de data (Kainz, 1997). Veel voorkomende fouten op dit vlak zijn (Sidda, 2009):
- Attribuutgegevens die waarden bevatten die zich niet binnen het geformuleerde domein bevinden;
- Het ontbreken van een .dbf bestand in de overdracht van een shapefile;
- Polygonen die elkaar overlappen of niet goed aansluiten.
Positionele nauwkeurigheid kan worden gedefinieerd in termen van nauwkeurigheid van geodetische controlepunten en de nauwkeurigheid van de gegevens na alle transformaties. Dat wil zeggen dat er een reeks van permanente controlepunten dient te zijn als onafhankelijke bron waarmee de vergelijking gemaakt kan worden met de ruimtelijke gegevens (Rasdorf, 2000). Voorbeelden van fouten in positionele nauwkeurigheid ontstaan met name doordat gemakzuchtig wordt omgegaan met de beschrijving van een locatie, zoals ‘’variabel van 100 tot 1.000 meter’’ of ‘’enige afwijking kan aanwezig zijn’’ (Bregt, Heuvelink, De Bruin & Virrantaus, 2009).
Temporele nauwkeurigheid kenmerkt zich als het deel van de gegevensfout dat ontstaat door de tijdelijke aard van gegevens. Dit wordt beïnvloed door de interactie tussen de duur van het inwinnen van de data en de veranderingssnelheid van het fenomeen dat beschreven wordt. Denk daarbij aan veranderende grenzen van administratieve gebieden zoals buurten (Rasdorf, 2000). In tijden van oorlog kan dit continu zijn. In Nederland zal hier op zijn snelst sprake zijn van een jaarlijkse interval. Fouten in de temporele nauwkeurigheid kunnen ontstaan wanneer bijvoorbeeld in de BAG een datum van de sloop van een gebouw eerder in de tijd is dan de constructie van datzelfde gebouw.
Thematische nauwkeurigheid heeft betrekking op de juistheid van attributen die een bepaald fenomeen van de werkelijkheid moeten representeren. Fouten kunnen kwalitatief zijn, zoals het weergeven van spoorwegen als autowegen. Fouten kunnen ook kwantitatief zijn, zoals het afronden van attribuutgegevens op hele getallen waardoor vertekening ontstaat (Tastan & Altan, 2000).
4. PASSENDHEIDSTOETS
De begrippen om de ruimtelijke data op kwaliteit te beoordelen zijn geoperationaliseerd. In de onderstaande figuren 4, 5, 6, 7 en 8 worden de tien criteria op de verschillende kwaliteitsaspecten beoordeeld. Aangezien de nabijheidsstatistieken en de thema’s wonen en inkomen van het CBS op dezelfde systematiek van data creatie berusten, zijn deze acht criteria samengevoegd in drie figuren. Wanneer een dataset op een specifiek kwaliteitsaspect niet benoemd wordt, zijn hier geen noemenswaardige aandachtspunten geconstateerd
Conclusies ten aanzien van de kwaliteit van ruimtelijke data en de geschiktheid om objectief te beleggen in woningen:
· Bij de CBS buurten datasets dient rekening te worden gehouden met vaagheden die ontstaan in de resultaten van de analyse door de opbouw van de data. Dat komt doordat gegevens tot een administratief gebied gerekend worden terwijl de onderliggende data van afstanden tot wegen en treinstations een continu karakter hebben (Kaal, Vanderveen & McCornell, 2008; Longley, Goodchild, Maguire & Rhind, 2011). Daarentegen worden supermarkten als continu getal weergegeven terwijl dit discreet dient te zijn.
· Met name temporele nauwkeurigheid speelt een belangrijke rol in de kritische beoordeling van de CBS buurten datasets. Nieuwere datasets zijn weliswaar beschikbaar, maar deze zijn in diversiteit van attributen niet zo uitgebreid als de oudere versies. Daarentegen is ondanks individuele dynamiek binnen buurten sprake van een relatieve stabiliteit van de bevolkingssamenstelling in buurten (Permentier, Das & Wittebrood 2011). Echter is de dataset dermate verouderd dat de resultaten weinig betekenisvolle inzichten verschaffen (Carver, 1991). De ontwikkelingen van infrastructuur, voorzieningen en vastgoed zorgen ervoor dat huidige inzichten gebaseerd op oude data incompleet zijn. Pas wanneer de CBS buurten dataset up to date is, is deze geschikt voor het beoogde doel.
· De Natura 2000 dataset heeft de potentie om een goede dataset te worden vanwege de structuur en actualiteit, maar vanwege de primaire focus op de Vogel- en Habitatrichtlijnen zijn deze te eng gedefinieerd (Arnouts & Kistenkas, 2011) om alle gebieden in Nederland uit te sluiten waar niet gebouwd mag worden. Aangezien compleetheid een belangrijke factor is van deze dataset om ongepaste nieuwbouwontwikkelingen tegen te gaan, is de dataset vooralsnog niet geschikt voor het beoogde doel.
· Bij de dataset Stedelijkheid zorgt de combinatie van logische en positionele nauwkeurigheid ervoor dat de dataset dermate grofmazig en onlogisch is dat deze niet kan dienen om bepaalde gebieden uit te sluiten die niet voldoen aan een bepaalde mate van stedelijkheid. Daarnaast hebben provincies veel gebieden aangewezen waar nieuwgebouwd en getransformeerd kan worden op plekken waar de mate van stedelijkheid niet geschikt zou zijn of zelfs helemaal nog geen adressen voorkomen. Voorbeelden daarvan zijn Almere Pampus, IJburg 2, De Nieuwe Kern Oude Amstel en Hembrugterrein Zaanstad.
****
5. INHOUDELIJKE EN PROCESMATIGE SUGGESTIES EN ALTERNATIEVE DATASETS
De complexiteit van het beoordelen van de ruimtelijke data alsmede het toetsen van de passendheid voor het gebruiksdoel is groot vanwege de doorwerking die verschillende kwaliteitsaspecten op elkaar kunnen hebben. In het vorige hoofdstuk zijn alle mogelijke onnauwkeurigheden blootgelegd als het gaat om datakwaliteit, waarvan vooral de temporele nauwkeurigheid in negatieve zin opvalt van de CBS datasets. Ook het ontbreken van de nodige data, al dan niet vanwege veroudering, zorgt ervoor dat buurten en gebieden onnodig weggelaten worden in het keuzeproces dat vooraf gaat om buurten te beoordelen. Ditzelfde gebeurt door overtolligheid van de data. Daarnaast zorgen definitiekwesties en afbakeningen voor arbitraire kaders, waardoor bijvoorbeeld waardevolle natuurgebieden bij lange na niet in alle gevallen worden uitgefilterd.
Ten aanzien van procesmatige verbeteringen kunnen de volgende aanbevelingen worden gedaan, waarmee figuur 1 verbeterd kan worden:
- Sluit op voorhand geen buurten uit op basis van al dan niet gevulde attribuutgegevens. Niet geschikte buurten worden op basis van kwaliteitsaspecten in een later stadium toch wel uitgesloten;
- Evalueer jaarlijks in hoeverre de minimale en maximale waarden van de gestelde criteria nog representatief zijn. In het voorbeeld van WOZ-waarde kan bijvoorbeeld gedacht worden aan een bepaalde indexering, aangezien de norm van ‘’goedkope woningen’’ in een overspannen woningmarkt opschuift naar boven;
Ten aanzien van inhoudelijke verbeteringen, alsmede het aandragen van bestaande alternatieve datasets of het creëren ervan op basis van realistische datasets, kunnen de volgende aanbevelingen worden gedaan:
- Maak geen gebruik van het aantal supermarkten binnen een bepaalde afstand, maar construeer een bestand dat uitgaat van het aantal m2 winkelfunctie op basis van de BAG en Locatus, waarvan de winkel behoort tot bijvoorbeeld de top-10 supermarktformules van Nederland om een bepaalde kwaliteit voor een brede doelgroep te garanderen. Zorg daarbij wel dat de geconstrueerde data in buurtgegevens relatief gemaakt wordt aan de hand van het aantal inwoners, zodat er een vergelijkbaar kengetal ontstaat (Longley, Goodchild, Maguire & Rhind, 2011). Dit verhoogt de logische consistentie;
- Maak gebruik van de gemiddelde afstand tot een OV-knooppunt waarin kwalitatief hoogwaardige metrolijnen zoals de Randstadrail zijn meegenomen en daarmee een completer beeld gevormd wordt van de ontsluiting met het OV. Geadviseerd wordt om een API of WMS te creëren, waarbij de database bij wijzigingen continu geüpdatet wordt. Dit verhoogt de temporele nauwkeurigheid van de data;
- Maak gebruik van woningmarktgegevens zoals Funda en Kadaster om een beter inzicht te krijgen in de daadwerkelijke marktwaarde van woningen in een gebied. Ten opzichte van de WOZ-waarde wordt bij continue updates de temporele nauwkeurigheid sterk vergroot;
- Infrastructurele projecten, nieuwbouwplannen en verbeteringen van voorzieningen die gegarandeerd in een bepaald jaar gerealiseerd worden op basis van bestemmingsplannen en structuurvisies kunnen mogelijkerwijs op voorhand al verwerkt worden in de gegevens om de temporele nauwkeurigheid te verbeteren.
- In plaats van de dataset Natura 2000 kunnen de rode contouren van alle gemeenten in Nederland als completer alternatief dienen om natuurgebieden te beschermen. De rode contouren zijn bedoeld als begrenzing van het stedelijk gebied en het helpt de kwaliteit van het landelijk gebied te beschermen, alsmede de verdichtingsopgave binnen steden te stimuleren. Dit verhoogt de thematische nauwkeurigheid;
- De mate van stedelijkheid dient fijnmaziger weergegeven te worden, bijvoorbeeld op rasterniveau 100 x 100 meter. Dit verhoogt de positionele nauwkeurigheid. Tevens wordt de logische consistentie en thematische nauwkeurigheid verhoogd wanneer de vijf klassen uitgebreid worden naar minimaal tien met gelijke stappen.
6. CONCLUSIE
Het voornaamste doel van dit onderzoek is om inzicht te krijgen in de kwaliteit van de ruimtelijke data ten behoeve van het objectief bepalen van geschikte woonbuurten voor vastgoedbeleggingen. De vraag die centraal staat is:
‘’In hoeverre is de gebruikte data geschikt voor het beoogde gebruik, oftewel de mate waarin het gebruik overeenkomt met de behoeften?’’
Het beoordelingskader om te komen tot geschikte buurten is een redelijke eerste aanzet geweest om meer inzicht te krijgen in het objectief beleggen in woningen, waarbij procesmatig en inhoudelijk de nodige suggesties naar voren gekomen zijn ter verbetering. Desalniettemin schort het in verschillende mate aan compleetheid, logische consistentie, positionele nauwkeurigheid en thematische nauwkeurigheid maar bovenal aan temporele nauwkeurigheid. Het beoogde doel wordt met de data weliswaar bereikt, maar schiet tekort in actualiteit en algehele nauwkeurigheid van het verkregen inzicht.
Een algehele aanbeveling is om de geschiktheid van buurten te analyseren middels een eigen database die op raster gebaseerd is in plaats van de vectordata van het CBS, aangevuld met andere datasets. Geïnspireerd door Leidelmeijer, Marlet, Ponds, Schulenberg & Van Woerkens (2015) en hun Leefbaarometer wordt een grid van 100 x 100 meter aangedragen, waarbij talloze criteria kunnen worden toegevoegd. De voorwaarde is dat gebruikte data uitlegbaar, landsdekkend, historisch en toekomstig beschikbaar en betrouwbaar is. In algemene zin wordt deze aanbeveling gedaan op basis van de volgende redenen (Raju, 2003):
- Rasters zijn beter in staat met grote hoeveelheid gegevens om te gaan en deze te verwerken;
- Rasters zijn niet contextgevoelig in de zin van wijzigingen in mutaties en samenvoegingen van buurten;
- Rasters zijn gelijkwaardig, waardoor bereikbaarheidsanalyses nauwkeuriger zijn en eerlijker vergelijkbaar zijn;
- Rasters maken het mogelijk geschikte buurten te bepalen en deze jaarlijks of op elk willekeurig moment te vergelijken;
7. LITERATUUR
Arnouts, R. & Kistenkas, F. (2011). De deur klemt: Nederland op slot door Natura 2000: de discussie ontrafelt. Wageningen: Alterra WUR.
Bals, K.J. (2016). Ratio én emotie?! Een verkennend onderzoek naar elementen van de Moderne Financiële Theorie en concepten van de Behavioral Finance bij professionele vermogende Nederlandse particuliere vastgoedbeleggers. Amsterdam: Amsterdam School of Real Estate.
Berkhout, T. & Hordijk, A. (2010). Marktwaarde als waarderingsgrondslag. Den Haag: Waarderingskamer.
Blijie, B. & Gopal, K. (2015). Woonlasten en Nibud. Delft: ABF Research.
Bolt, F. van der, Bosch, R. van den, Brock, T., Hellegers, P., Kwakernaak, C., Leenders, D., Schoumans, O. & Verdonschot, P. (2003). Gevolgen van de Europese Kaderrichtlijn Water voor landbouw, natuur, recreatie en visserij. Wageningen: Alterra.
Bregt, A., Heuvelink, G., Bruin, S. de, Virrantaus, K. & Hunter, G. (2009). Spatial data quality: problems and prospects. Research Trends in Geographic Information Science, 101-122.
Cammen, H. van der & De Klerk, L. (2003). Ruimtelijke ordening. Van grachtengordel tot VINEX-wijk. Houten: Het Spectrum.
Carver, S.J. (1991). Integrating multi-criteria evaluation with geographical information systems. International journal of geographical information systems, 5(3), 312 – 339.
CBS (2015a). Toelichting wijk- en buurtkaart 2013, 2014 en 2015. Den Haag: Centraal Bureau voor Statistiek.
CBS (2015b). Dit gebeurt op een doorsnee dag in Nederland. Geraadpleegd op 22 maart 2018, van: https://www.cbs.nl/nl-nl/nieuws/2015/23/dit-gebeurt-er-op-zomaar-een-doorsnee-dag-in-nederland
CBS (2016). Toelichting wijk- en buurtkaart 2014, 2015 en 2016. Den Haag: Centraal Bureau voor de Statistiek.
CBS (2017). Werkloosheid zakt onder 5 procent. Geraadpleegd op 22 maart 2018, van: https://www.cbs.nl/nl-nl/nieuws/2017/29/werkloosheid-zakt-onder-5-procent
CBS (2018). Stijging aantal vergunde nieuwbouwwoningen. Geraadpleegd op 22 maart 2018, van: https://www.cbs.nl/nl-nl/nieuws/2018/08/stijging-aantal-vergunde-nieuwbouwwoningen
Dam, F. van & Visser, P. (2006). De prijs van de plek. Woonomgeving en woningprijs. Rotterdam: NAi uitgevers.
Deerenberg, I. & Melser, C. (2002). Nabijheidsstatistiek: hoe ver wonen Nederlanders van voorzieningen? Geraadpleegd op 22 maart 2018, van: https://www.cbs.nl/nl-nl/achtergrond/2012/14/nabijheidsstatistiek-hoe-ver-wonen-nederlanders-van-voorzieningen-
Devillers, R. & Jeansoulin, R. (2010). Fundamentals of Spatial Data Quality. London: ISTE Ltd.
Distrifood (2018). CBS telt groei naar 6.000 supermarkten. Geraadpleegd op 22 maart 2018, van: http://www.distrifood.nl/branche-bedrijf/nieuws/2018/3/cbs-telt-groei-naar-zesduizend-supermarkten-101115716
Docan, D. (2013). Spatial data quality assessment in GIS. In: Badea, A., Ribeiro, F., Grecea, C. & Veres, I. (Red.). Recent Advances in Geodesy And Geomatics Engineering. Antalya: WSEAS.
Groot, C. de, Daalhuizen, F., Schilder, F. & Tennekes, J. (2016). Betaalbaarheid van het wonen in de huursector. Verkenning van beledisopties. Den Haag: PBL.
Jansen, J., Sluijs, J., Aalbers, G. & Welten, G. (2010). Lansingerland Structuurvisie. Bergschenhoek: Gemeente Lansingerland
Kaal, H., Vanderveen, G. & McCornell, W. (2008). Een postcodegebied is de buurt niet. Sociologie, 4(4), 371 – 394.
Kainz, W. (1997). Logical consistency. In: Guptil, S. & Morrison, N. (Red.). Elements of spatial data quality. Amsterdam: Elsevier Science Ltd.
Krom, H. de (2012). Regeling van de staatssecretaris van sociale zaken en werkgelegenheid van 12 oktober 2012, ASEA/SAS/2012/14610, tot aanpassing van het wettelijk minimumloon per 1 januari 2013. Staatscourant, nr. 21293.
Leeuwen, N. van, Guldemond, T. & Faqiri, F. (2017). Statistische gegevens per vierkant en postcode. Den Haag: Centraal Bureau voor Statistiek.
Leidelmeijer, K., Marlet, G., Ponds, R., Schulenberg, R. & Woerkens, C. van (2015). Leefbaarometer 2.0: instrumentontwikkeling. Amsterdam: RIGO Research.
Lindeboom, H., Geurts van Kessel, J. & Berkenbosch, L. (2005). Gebieden met bijzondere ecologische waarden op het Nederlands Continentaal Plat. Wageningen: WUR.
Longley, P.A., Goodchild, M.F., Maguire, D.J. & Rhind, D.W. (2011). Geographic Information Science and Systems. Hoboken: John Wiley & Sons.
Marlet, G., Bosker, M. & Woerkens, C. van (2008). De schaal van de stad. Utrecht: Atlas voor gemeenten.
Meijer, M., Vullings, L., Bulens, J., Rip, F., Boss, M., Hazeu, G. & Storm, M. (2015). Spatial data quality and a workflow tool. The international archives of the photogrammetry, remote sensing and spatial information sciences, 3(3), 55-59.
Nationaal Georegister (2017). Natura 2000-gebieden peildatum 7 september 2017. Geraadpleegd op 22 maart 2018, van:
Neteler, M. & Mitasova, H. (2008): Open Source GIS: A GRASS GIS Approach. New York: Springer.
Oort, P. van (2006). Spatial data quality: from description to application. Rotterdam: Optima.
Permentier, M., Das, M. & Wittebrood, K. (2011). Dynamiek in stadswijken: sociale stijging en verhuizingen. Den Haag: Centraal Bureau voor de Statistiek.
Schilder, F. & Conijn, J. (2017). Middeninkomens op de woningmarkt Ontwikkelingen in een veranderend economisch en maatschappelijk klimaat. Amsterdam: ASRE research center.
Sidda, N. (2009). A framework for the management of spatial data quality information. Dehradun: NRSC.
Simeonova, V., Bouwma, I., Sunyer, C., Grift, E. van der, Manteiga, L., Suskevics, M., Dimitrov, S, Dimitrova, A. & Külvik, M. (2017). Natura 2000 and spatial planning. Wageningen: WUR.
Stijnenbosch et al. (2003). Leren van woningmarktonderzoek. PropertyNL, 2(4), 55 – 56.
Synbiosys Alterra (2017). Beschermde natuur in Nederland: soorten en gebieden in wetgeving en beleid. Geraadpleegd op 22 maart 2018, van: https://www.synbiosys.alterra.nl/natura2000/googlemapszoek.aspx
Tobler W. R. (1970). A Computer Movie Simulating Urban Growth in the Detroit Region. Economic Geography, 46, 234-240
Toonen, A. (2015). Hier stopt de trein straks niet meer. Geraadpleegd op 22 maart 2018, van: https://www.nrc.nl/nieuws/2015/11/24/hier-stopt-de-trein-straks-niet-meer-1562563-a734451
Raju, P. (2003). Spatial data analysis. In: Sivakumar, M., Roy, P., Harmsen, K & Saha, S. (Red.). Satellite remote sensing and GIS applications in agricultural meterology. Dehra Dun: Indian Institute of Remote Sensing.
Rasdorf, W. (2000). A GIS data quality case study: accuracy comparison of length measurements using GIS/NED and DMI. North Caroline: North Carolina State University.
Tastan, H. & Altan, M. (2000). Automatic checking of feature and attribute consistency of a spatial database. International Archives of Photogrammetry and Remote Sensing, 33(4), 1066-1073.
Rijkswaterstaat (2015). Eerste auto’s rijden over nieuwe A4. Geraadpleegd op 22 maart 2018, van: https://www.rijkswaterstaat.nl/over-ons/nieuws/nieuwsarchief/p2015/12/eerste_autos_rijden_over_nieuwe_A4.aspx
Velzen, D. van (2014). Gebiedsvisie Wetenschappersbuurt Schiedam-Oost. Zoetermeer: ERA Contour.
Veraart, J., Vos, C., Spijkerman, A. & Witte, J. (2014). Meekoppelkansen tussen Natura 2000, Kaderrichtlijn Water en het Deltaprogramma in de Klimaatcorridor Veenweide. Een quickscan klimaatadaptatie. Utrecht: Klimaat voor Klimaat.
Veregin, H. (1995). Developing and testing of an error propagation model for GIS overlay operations. International Journal of Geographical Information Science, 9(6), 595-619.
Verhoef, H. & Smeets, B. (2016). Consumentenonderzoek 2016. Maastricht: Deloitte.
Visser, F. (2016). Spoorvisie 2040. Naar een kwaliteitssprong op het Nederlands spoor. Den Haag: ChristenUnie.
Wang, R. & Strong, D. (1996). Beyond accuracy: what data quality means to data consumers. Journal of management information systems, 12(4).
Weibel, R. & Dutton, G. (1999). Generalising spatial data and dealing with multiple representations. In: Longley, P., Maguire, D., Goodchild, M. & Rhind, D. (Red.). GIS: Principles and Applications. New York: John Wiley and Sons Ltd.
Wilkinson, R.G., Kawachi, I. & Kennedy, B.P. (1998). Mortality, the social environment, crime and violence. Sociology of health & illness, 20(5), 578-597.
Wyatt, P. (1999). Geographical analysis in property valuation. London: Royal institution of chartered surveyors.
Yang, T. (2007). Visualisation of spatial data quality for distributed GIS. Sydney: The University of New South Wales.