De (krediet)waardigheid van vastgoed

De (krediet)waardigheid van vastgoed Een kwantitatief model voor het inschatten van het risico van een individueel vastgoed object

door drs. Robert Kat RT afstudeerscriptie aan de ASRE Scriptiebegeleiders: drs H. Op ‘t Veld MBA (ASRE) en drs. J.G.M.H. Boeve MRE MRICS RT (intern)

De (krediet)waardigheid van vastgoed Master Thesis

Ter verkrijging van de Master of Studies in Real Estate aan de Amsterdam School of Real Estate te Amsterdam

door

Robert Kat Master of Science in Business Administration aan de Vrije Universiteit, Amsterdam Register - Taxateur onroerende zaken bij Vastgoedcert, Rotterdam Geboren te Amsterdam

i

Voorwoord Voor u ligt de thesis ter afronding van de opleiding MSRE aan de Amsterdam School of Real Estate. Het doel van deze thesis is eenduidig; het vergroten van het inzicht in risico bij vastgoedobjecten. Het resultaat moest een praktisch bruikbaar instrument worden welke een onderdeel zou kunnen vormen van de dagelijkse vastgoedpraktijk. Dat laatste zal nog de nodige inspanning en tijd vereisen, maar als auteur hoop ik met deze thesis wel een aanzet te hebben gemaakt. Alhoewel de omslag van deze thesis laat uitschijnen dat het werk vorm heeft gekregen door de inzet van slechts één persoon, is ook dit werk tot stand gekomen door de gezamenlijke inzet van een groot aantal mensen. In dit voorwoord maak ik dan ook graag van de gelegenheid gebruik om al diegenen te bedanken die er voor hebben gezorgd dat deze thesis tot stand heeft kunnen komen.

In de eerste plaats denk ik hierbij aan mijn begeleiders Hans op het Veld (ASRE, PFZW) en Jacques Boeve (DTZ

Zadelhoff), die mij op weg hebben geholpen met concrete voorstellen voor het onderzoek en inhoudelijke opmerkingen. Door mij steeds te wijzen op de praktische toepasbaarheid van de onderzoeksresultaten hebben zij voor een belangrijk deel de toon gezet voor dit schrijven.

Mijn dank gaat ook uit naar mijn vader die vanaf mijn jeugd mij altijd op een zeer positieve manier heeft

gemotiveerd en gestimuleerd. Ook bedankt ik mijn vrouw die me de ruimte en de steun heeft gegeven om dit traject te kunnen volbrengen.

Een woord van dank gaat uit naar de mensen die mij geholpen hebben bij het uitvoeren van de enquête en die

mij hebben voorzien van de panden voor het opstellen van de rating. In dat kader ben ik ook veel dank verschuldigd aan Bart Kamperman die mij geholpen heeft met de analyse van de gegevens uit de databases van DTZ Zadelhoff.

Vragen naar aanleiding van deze thesis zijn van harte welkom.

Amsterdam, 1 maart 2010

Robert Kat [email protected]

ii

De (krediet)waardigheid van vastgoed

Inhoudsopgave Inleiding

3

1.1 Vastgoed als Asset Class

3

1.2 Opbouw binnen de Asset Class

4

1.3 Relevantie en afbakening onderwerp

6

1.4 Onderzoeksvragen

7

1.5 Werkwijze en onderzoeksmethode(s)

8

Vastgoed en Risico 2.1 Risico

10 10

2.1.1 Risico 2.1.2 Risico en Rendement

2.2 Vastgoed en Risico

15

2.2.1 Kenmerken van vastgoed 2.2.2 Verschillen vastgoed-markt en andere vermogensmarkten 2.2.3 Risico analyse

Rating en Modellering 3.1 Credit Rating systemen

20 20

3.1.1 Soorten ratings 3.1.2 Rating methodologie 3.1.3 Beperkingen

3.2 Risico Modellen

31

3.2.1 Fundamentele modellen 3.2.2 Statistische modellen 3.2.3 Expert modellen 3.2.4 Vertalen score naar rating 3.2.5 Conclusie

Amsterdam School of Real Estate - Robert Kat

1


Ontwikkeling model 4.1 Introductie (wat willen we bereiken)

39 39

4.1.1 Bepalen van de onbekende σx

4.2 Risico modelering (ratings)

42

4.2.1 Vastgoed rating informatie systeem

4.3 Vastgoed modellering

45

4.3.1 Fundamentele modellering van een vastgoed object 4.3.2 Data 4.3.3 Bepaling kans op default en recovery (op huurders niveau) 4.3.4 Bepaling van exposure 4.3.5 Betrouwbaarheid van methode en kansen

4.4 Uitwerking model

53

4.4.1 Dynamische programmering 4.4.2 Vastlegen van kerngegevens in het model 4.4.3 Hypotheek gegevens 4.4.4 Scenario analyse 4.4.5 Model geprogrammeerd in Excel

4.5 Rating vastgoed

61

4.5.1 Implicaties van krediet ratings

Analyse

64

5.1 Introductie

64

5.2 Model test

65

5.3 Analyse resultaten

68

5.3.1 Analyse op basis van verwachtingen 5.3.2 Enquête 5.3.3 Resultaten enquête 5.3.4 Gebruik van model in praktijk

Conclusie

72

6.1 Samenvatting

72

6.2 Conclusie

74

6.3 Aanbevelingen en verder onderzoek

75

Bibliografie

76

Bijlage 1. Lijst van geinterviewde personen Bijlage 2. Ratingsheets enquete (vertrouwelijk, niet opgenomen) Bijlage 3. Enquete formulieren (vertrouwelijk, niet opgenomen)


2


Inleiding Onderzoeksopzet:e aanleiding, afbakening en relevantie van het onderzoek . Na doel- en vraagstelling. volgt aansluitend de werkwijze en onderzoeksmethodologie

1.1 Vastgoed als Asset Class “Real Estate wordt steeds meer een volwassen asset class” kopte een artikel in het huisblad Fact van Deloitte (3de kwartaal 2006). Volgens de auteurs Marike Tuinder en Pim Macke, beide werkzaam op de afdeling FAS/Real Estate, heeft de wall of money, een uitdrukking voor de enorme hoeveelheid geld die in 2006 en 2007 beschikbaar was, een positief effect gehad op de ontwikkeling van de vastgoedmarkt. De wall of money werd voornamelijk geïnvesteerd in aandelen en obligaties, maar investeerders zochten ook alternatieven. Vastgoed was een bekend en attractief alternatief mede gezien de goede performance ten opzichte van de toenmalige jarenlange zwak presterende aandelen- en obligatiemarkten. Het wereldwijde beleggingsvolume in vastgoed was met 930 miljard dollar in 2007 (Cushman and Wakefield, 2008) een record en lag 29% hoger dan het jaar ervoor. Dit volume is echter nog steeds relatief weinig vergeleken met bijvoorbeeld de dagelijkse omzet van NYSE Euronext, het grootste aandelenbeurs conglomeraat ter wereld, waar gemiddeld 141 miljard dollar per dag verhandeld wordt (Euronext, 2008). Hoewel de wall of money een belangrijke invloed heeft gehad op vastgoed is het volgens de auteurs echter de professionalisering van de vastgoedbeleggingsmarkt en de daarmee toenemende transparantie die de vastgoedmarkt tot een volwaardig onderdeel van de kapitaalmarkt hebben gemaakt.

Dat een verhoogde transparantie van vastgoed (lees: meer data) een positief effect heeft op vastgoed als asset class

heeft gevolgen voor

de manier waarop institutionele beleggers hun asset allocatie bepalen. Onderzoek in de financiële

sector hebben in de laatste decennia veel inzichten gegeven in asset allocatie. Het theoretisch kader achter de strategische (optimale) allocatie van vermogen vindt zijn oorsprong bij Markowitz, een pionier op dit vlak tevens Nobelprijs winnaar. Markowitz (1959) ontdekte dat bij een gelijk verwacht rendement het verwachte risico kan worden verlaagd door vermogen te spreiden over verschillende vermogenstitels waarvan het cyclische patroon van rendement onderling minder dan 100% gecorreleerd is. Kortom een belegger verlaagt het (of neutraliseert het onsystematische) risico door zijn portefeuille te spreiden. De huidige Asset Liability Modelling (ALM) studies die veelvuldig door institutionele beleggers worden gemaakt hebben de beginselen van dit theoretische kader als belangrijk uitgangspunt. Met ALM-modellen worden de mogelijke langetermijn ontwikkelingen van zowel de dekkingsgraad als indexatiepercentage en premie periodiek door institutionele beleggers in kaart gebracht. Op basis van een ALM-studie komen institutionele beleggers tot een strategische allocatie van het vermogen over groepen vermogenstitels. Middels een ALM-studie kan een geografische en/of sectorale spreiding per beleggingssoort worden bepaald. Om optimaal gebruik te maken van ALM-modellen is van belang om inzicht te hebben in langetermijn reeksen van historische rendementsdata en correlaties tussen deze en andere economische- en financiële reeksen.

Van Gool en Muller (2005) concluderen in hun onderzoek dat er altijd een gebrek is geweest aan dergelijke lange

termijn datareeksen in de vastgoedmarkt. Daarnaast wordt er vaak door institutionele beleggers verondersteld dat de inzichten uit de ALM-studies een te rooskleurig beeld geven over het risicorendement profiel van vastgoed als asset class.


3

De (krediet)waardigheid van vastgoed Deze veronderstelling is in bepaalde gevallen aanleiding voor institutionele beleggers om het uit de ALM-studie berekende allocatie percentage in vastgoed naar beneden bij te stellen ten faveure van andere asset classes of in zijn geheel vastgoed niet te betrekken in de berekeningen. De bijstelling en/of uitsluiting lijkt volgens Van Gool en Muller (2005) de laatste jaren minder te worden naarmate datareeksen beter en/of langer worden c.q. de transparantie wordt verhoogd.

Aan de opbouw van betrouwbare datareeksen wordt onder andere door het in Londen gelokaliseerde bedrijf

Investment Property Databank (IPD) gewerkt. De IPD is sinds 1985 actief in de vastgoedmarkt met het verzamelen van data van toonaangevende commerciële vastgoed beleggers (IPD, 2008). De IPD is gestart met het verzamelen van data bij vastgoedbeleggers in het Verenigd Koninkrijk, maar opereert momenteel wereldwijd en levert analyses van data voor eigenaren, investeerders, managers en gebruikers van vastgoed. Andere bekende indexen zijn onder andere het Amerikaanse NCREIF Property Index (NPI) die sinds 1982 data verzamelt (NCREIF, 2008). In Nederland kennen we sinds 1995 de ROZ/IPD index, Nederlandse variant van IPD (ROZ/IPD, 2008). De index is middels een reconstructie van transactieprijzen, taxatiewaardes en kasstromen uit het verleden met “repeated measures regressions statistiek” uitgebreid naar 1977.

Langzamerhand komen er steeds meer datareeksen die een lengte hebben van meer dan twintig jaar. Een twintig- tot

vijfentwintig jarige lengte is belangrijk want dit wordt breed onder ALM professionals als minimaal vereiste gezien voor een betrouwbare ALM-studie (Van Gool en Muller, 2005). Middels deze en andere financiële reeksen, ervan uitgaande dat de kwaliteit in orde is, zou men daarom dan ook steeds beter betrouwbaardere inschattingen maken van het optimale te alloceren gedeelte van het belegd vermogen in vastgoed. De vastgoed-markt is transparanter geworden en beleggers kunnen hierdoor de asset class beter analyseren. Het effect van deze verbeterde transparantie is onder andere terug te vinden in enkele persberichten waarin te zien is dat vastgoed wordt meegenomen in de ALM-analyses en de resultaten worden gevolgd. (zie kader). Men zou dus

Jaarverslag van PFZW (2006): “De uitkomst van ALM-

kunnen concluderen dat de auteurs van “Real Estate wordt

analyses leidt in 2007 tot een lichte wijziging van de

steeds meer een volwassen asset class” een juiste analyse

strategische beleggingsmix. Zo wordt een hoger

hebben gemaakt.

gewicht toegekend aan inflatie-geïndexeerde obligaties

1.2 Opbouw binnen de Asset Class PFZW schrijft in zijn jaarverslag over 2008 te streven naar een percentage van 15% belegd in vastgoed (2009). ABP heeft het over 9% vermogen dat momenteel is belegd in vastgoed en streefde dit percentage de komende jaren verlagen/verhogen naar 10,5%. De allocatiepercentages zijn niet (geheel) gebaseerd op de uitkomst(en) van ALMstudies waarin vastgoed-data is verwerkt, maar men mag veronderstellen dat de verhoogde transparantie bij de bepaling van deze percentages wel degelijke heeft bijgedragen.

Indien in een ALM-model vastgoed data worden

gebruikt zal dit hoogstwaarschijnlijk bestaan uit de indexen van onder andere de IPD en NCREIF. Deze indexen zijn net als indexen van aandelenmarkten en andere financiële markten gebaseerd op een groot aantal onderliggende investeringsvehikels. Bij de IPD zijn deze beperkt tot direct aangehouden beleggingsvastgoed met een institutioneel

(inflation linked). Daarnaast vindt een verdere verhoging plaats van het gewicht van vastgoed en verlaging van het gewicht van aandelen.” In een persbericht van 18 september 2008 van de European Association for Investors in Non-Listed Real Estate Vihicles (INREV) komt het fenomeen nog eens goed naar voren. In het artikel wordt gesproken over dat ondanks uitdagende marktsituatie er even goed of positiever wordt gedacht over vastgoed. “I think this indicates that the long-term trend of increasing institutional allocations to real estate is still intact despite the impact of the credit crunch, although the survey also shows evidence of technical changes in investment strategy in the short term in the current difficult market,” commented Marie-Claude Gleize, Director for Non-listed Real Estate Funds and Active Property Investments at French investor Caisse des Dépôts.

karakter. Er is echter een groot verschil tussen het investeren in aandelen, obligaties, valuta en andere gangbare investering vehikels ten opzichte van vastgoed. Het is relatief eenvoudig om een beleggingsportefeuille in aandelen op te bouwen met eenzelfde risico rendementsprofiel met een relevante index. Dit komt omdat men in de vorm van aandelen een gedeeltelijk belang kan verkrijgen in een beursgenoteerd bedrijf. Een aandeel, maar ook andere vermogenstitels, zijn


4

De (krediet)waardigheid van vastgoed daarbij dagelijks verhandelbaar wat het eenvoudig maakt om de portefeuille direct aan te passen indien de samenstelling van een index of marktportefeuille verandert. Binnen de vastgoedmarkt is een dergelijk dagelijks handelsplatform niet aanwezig. Het direct verkrijgen van een aandeel in een direct vastgoed object is geen gangbare manier van investeren in de vastgoedmarkt. Via het beleggen in de fondsen die bijvoorbeeld participeren in de ROZ/IPD zou men theoretisch een portefeuille kunnen samenstellen die gelijk is aan het risico/rendementsprofiel van de index, echter een gedeelte van de fondsen zijn openbaar verhandelbaar op de aandelenmarkt en een beperkt gedeelte van de niet-genoteerde fondsen staat open voor externe investeringen van (grote) institutionele beleggers. Een groot aantal fondsen die participeren aan de ROZ/ IPD index staan niet open voor externe beleggers. Een alternatief zouden vastgoedderivaten kunnen bieden. De handel in deze afgeleide producten staat echter nog in de kinderschoenen. Dit maakt het zeer lastig om eenzelfde risico/ rendementsprofiel te creëren die gelijk is aan een vastgoedindex (Diagram 1.1). De theorie achter de ALM-studie is hier echter wel gebaseerd. D

Diagram 1.1

INDEX

PORTEFEUILLES

OBJECTEN

Aggregatie-niveau vastgoed-data Als we nog een stapje dieper in de piramide gaan dan komen we bij de selectie van objecten. Hier nemen de ‘problemen’ alleen maar toe. Binnen de ALM gedachte, maar ook de Moderne Portefeuille Theorie (MPT) zouden objecten geselecteerd moeten worden op basis van rendement en risico eventueel daarbij rekening houdend met het effect van een object op het risico rendementsprofiel van de gehele portefeuille. Voor een berekening van deze profielen is data nodig over correlaties tussen de verschillende vastgoed-objecten, rendementen en volatiliteit.

Xu (2002) schrijft dat de algemene werkwijze bij vastgoed is het selecteren van ‘goedkoop’ vastgoed. Een portefeuille

van vastgoed bestaat dan uit een groep aankopen waarbij op dat moment de prijs concurrerend was. Geen of nauwelijks aandacht is er voor het risicoprofiel van de aankoop. Simpelweg omdat daar de voorzieningen voor ontbreken.

Een databank die toegang biest tot efficiënte vastgoedselectie die informatie biedt over risico en rendement zou als

basis kunnen dienen van de vastgoedmarkt als het zich een volwaardige asset class wil noemen. Er zijn onderzoeken geweest naar manieren om de objectselectie te kwantificeren. Van Wetten (1989) heeft handreikingen gedaan voor de opzet van een dergelijk model, maar komt toch min of meer tot de conclusie dat er te weinig data voorhanden waren. Zijn onderzoek is reeds 20 jaar oud en in de tussentijd is er veel aan dataopbouw gedaan. Xu (2002) heeft recentelijk een model ontwikkeld waarbij hij bij individuele objectselectie voor een groot gedeelte gebruikt maakt van een modellering met expert opinions vanwege te weinig data. Met deze onderzoeken als basis is het tijd om nog eens goed te kijken of er een kwantitatief model geconstrueerd kan worden voor de kwantificering van risico. De doelstelling van dit onderzoek is om een in de basis kwantitatief model te ontwikkelen op basis van de beschikbare data met ingebouwd risicoprofiel voor elk vastgoedobject. De uitkomsten van het model zouden een hoge mate van betrouwbaarheid moeten bevatten, vergelijkbaar


5

De (krediet)waardigheid van vastgoed met de rating van ratingbureaus van andere vermogenstitels in de financiële markt tot voor de credit crisis. Een dergelijk model zou de professionaliteit van vastgoed selectie en financiering verbeteren.

1.3 Relevantie en afbakening onderwerp Tijdens het schrijven van deze thesis waren de financiële markten hard geraakt door de credit crisis. Winsten van vooral banken stonden onder druk en het vertrouwen in het financiële systeem was op een historisch dieptepunt. In een artikel op Bloomberg (2008) van 17 juli 2008 is te lezen dat banken en beurshandelaren vanaf het begin van de credit crisis reeds 435 miljard dollar hadden afgeschreven en/of verloren op leningen en afgeleide producten van deze leningen. Er zijn verschillende redenen voor het ontstaan van de credit crisis: I.

Huizenmarkt bubbel; lage rentetarieven en een overvloed aan beschikbaar kapitaal zorgde onder andere voor een snellere dan gebruikelijke stijging van de woningprijzen in de Verenigde Staten. Volgens de S&P/CaseShiller national home-price index was de stijging van Amerikaanse woningen over de periode 1997 tot 2006 gemiddeld 124% (Economist, 2007). Het percentage Amerikanen met een eigen woning nam daarbij significant toe mede door de verstrekking van de bekende subprime leningen. Deze leningen werden vaak met flexibele rentes afgesloten, ook wel bekend als adjustable-rate mortgages (ARM’s) of Ninja loans (No Income, No Job, No Assets). Personen die volgens de geldende conventies eigenlijk geen huis konden betalen, kregen middels dit soort hypotheken toch de kans om een huis te bezitten. De bloei in de woningmarkt zorgde ook voor speculatie effecten. Een groot gedeelte van de woningen werd gekocht als investering. Daarnaast steeg de tweede woningmarkt enorm tot meer dan 1 miljoen verkochte woningen per jaar (CNN, 2007). De stijgende vraag naar woningen zorgde voor een stijging in de productie. Omdat veel van de hypotheken gebaseerd waren op de continuatie van de stijgende woningprijzen, maar ook omdat veel speculanten ervan uitgingen dat dit zou voort zetten ontstond er paniek en een sneeuwbal effect van dalende prijzen toen het aanbod van nieuwe woningen groter werd dan de vraag.

II.

Belangenverstrengeling; het overvloed aan kapitaal kwam onder ander voort uit de securitisatie van de hypotheken. Traditioneel hielden banken de hypotheken op eigen balans, maar steeds vaker werden middels securitisatie de hypotheken ‘verkocht’ aan andere beleggers. Daarmee werd het volume in het verstrekken van hypotheken belangrijker dan de kredietwaardigheid (risico). Omdat hypotheken met een lage kredietwaardigheid minder opbrachten dan met een hoge kredietwaardigheid werden deze gebundeld. Deze gediversifieerde bundels waren minder risicovol (want wat is de kans dat niemand zijn hypotheek niet terug betaald) en konden derhalve voorzien worden van een hogere rating. Een saillant detail hierbij is dat de rating agencies adviseerde hoe de hypotheken gebundeld moesten worden om dergelijke attractieve beoordelingen te verkrijgen.

III.

Politieke invloed; onder invloed van politieke druk, onder andere tijdens de regering van Clinton, gingen de grote hypotheek banken leningen verstreken aan mensen met een laag inkomen. Met garanties van de overheid kochten Fannie Mae en Freddie Mac enorme hoeveelheden aan dergelijke slechte leningen. Het was deze stimulans van de overheid die mede zorgde voor de enorme groei aan hypotheken met een niet kredietwaardige debiteurs.

De specifieke oorzaken van de credit crisis zijn minder relevant voor dit onderzoek. De onderliggende redenen en de gevolgen zijn wel degelijk relevant. De reden is kort samen te vatten als een inadequate inschatting van risico ten opzicht van het rendement ingegeven door de noodzaak de excessieve liquiditeit te laten renderen. Het gevolg: lagere en duurdere financiering en een verhoogde aandacht voor risico. Ter illustratie: Volgens Cushman en Wakefield (2008b) is er in het tweede kwartaal van 2008 69% minder beleggingsvolume geweest in de Europese onroerend-goed markt. De risico inschatting van vastgoedbeleggingen is bij banken hoger dan voorheen en daarom zijn de opslagen die banken in rekening brengen op de veelal gebruikte variabele interbancaire rentetarieven navenant hoger. Het transparant maken van risico’s en het beheersen staan dan ook hoog op de agenda bij de financiële instellingen (PwC, 2009).


6

De (krediet)waardigheid van vastgoed Vakgebied relevant De inschatting van het risico van individuele objecten is het onderwerp van deze thesis en lijkt gezien de gebeurtenissen op de financiële markten belangrijker dan ten tijde van economische voorspoed. Een evenzo relevante ontwikkeling is de regelgeving op kredietverlening die de laatste jaren ingrijpend is veranderd door de invoering van Basel II en op termijn Basel III. Basel II is het nieuwe regelgevingkader waarbinnen alle banken hun dienstverlening moeten aanbieden. Het doel van deze regelgeving is de stabiliteit van de financiële sector te waarborgen. Een onderdeel van het regelgevingkader is de benadering van risico en de daarop gebaseerde hoeveelheid vermogen dat banken moeten aanhouden voor verstrekte leningen. Een verandering in de regelgeving ten opzichte van Basel I is dat het vermogen dat aangehouden moet worden een betere afspiegeling moet zijn van de feitelijke kredietrisico's die zijn verbonden aan de propositie waaraan de banken kredieten verstrekken. Hoe lager het risico van de betreffende crediteur hoe lager de aan te houden vermogenseis ten opzichte van de oude situatie (Basel I). Als dit op de vastgoed markt wordt betrokken betekent dit dat een vastgoed object met een lager risicoprofiel ervoor zorgt dat condities en voorwaarden van de bank gunstiger kunnen zijn. Momenteel is vastgoed in Basel II nog één categorie, maar dit zou kunnen veranderen in Basel III. Gedegen risicomanagement bij beleggers heeft natuurlijk zonder de regelgeving van Basel II ook voordelen; minder risico. Mochten de regels van Basel II ook op vastgoed van toepassing worden dan zouden er lagere financieringslasten kunnen komen. Het risicoprofiel van vastgoed moet echter wel inzichtelijk zijn alvorens een bank, maar ook het Basel comité, met de bij het profiel behorende gunstige voorwaarden en condities akkoord kan gaan. Maatschappelijk relevant Ratings en vooral de bureaus (bijvoorbeeld Standard & Poor's en Moody's) die ratings afgeven zijn de laatste tijd volop in het nieuws. Dit heeft alles te maken met de problemen met de gesecuriseerde sub-prime hypotheken in de Verenigde Staten en de rating die de bekende rating-bureaus hierover publiceren. Volgens sommige analisten, maar ook De Nederlandse Bank (DNB) zouden de rating-bureau's te laat aan de alarmbel getrokken hebben (BNR, 2008). Ondanks deze kritiek zijn de ratings van deze bureaus nog steeds van cruciaal belang in de financiële markten. Tijdens de krediet crisis is duidelijk geworden dat risico-inschatting en daarop volgende maatregelen zeer belangrijk zijn, omdat afwezigheid hiervan kan leiden tot wereldwijde problemen. Wetenschappelijk relevant De professionalisering van de vastgoedmarkt heeft gezorgd voor meer transparantie. Dit maakt het mogelijk om de door de wetenschap ontwikkelde theoretische kaders te toetsen aan de praktijk. Praktische en wetenschappelijke raamwerken vanuit andere markten dan de vastgoedmarkt kunnen door de beschikbaarheid van data geëvalueerd worden op hun bruikbaarheid op de vastgoed markt. De wetenschappelijke relevantie van deze thesis ligt het in het gebruik van de toenemende transparantie voor het opstellen van een nieuw wetenschappelijk onderbouwd instrument voor risicokwalificering dat zijn oorsprong kent en geoptimaliseerd is in andere financiële markten.

Het voorzien van een rating aan allerhande financiële producten is een zeer grote bedrijfstak in de wereld, gebaseerd

op onderzoek naar modellen en parameters. Het is

gezien de complexiteit niet mogelijk om binnen dit onderzoek een

ratingmodel te ontwikkelen voor alle facetten van de vastgoed-markt. Er is gekozen om het onderzoek te richten op kantoor vastgoed binnen Nederland. In de basis zal het te ontwikkelen model echter elemeneten bevattten die toepasbaar zijn op andere vastgoed-objecten. Het model zal in staat zijn een betrouwbaar inzicht te geven in het risicoprofiel van een individuele investering aangezien de huidige mogelijkheden daarvoor ontoereikend zijn.

1.4 Onderzoeksvragen In het voorafgaande staat de wens tot toenemende transparantie op de vastgoed-markt centraal. De toegenomen beschikbare data stellen de wetenschap, maar ook andere partijen in de vastgoed-markt, in staat om nieuwe en verbeterde inzichten te verwerven in vastgoed als beleggingsinstrument. Het doel van dit onderzoek is het ontwerpen van een kwantitatief model om het risico per individueel vastgoed-object op een uniforme manier te specificeren. Er is gekozen om de classificatieindeling te gebruiken die ook gebruikt wordt op de financiële markten opgesteld door onder andere de bekende rating-bureaus zoals Fitch en Standard en Poors. Het raten van bedrijven is een gebruikelijke manier om het risico inzichtelijk te maken. Veel onderzoek, zowel wetenschappelijk als toegepast, is gedaan ter optimalisering van deze rating-


7

De (krediet)waardigheid van vastgoed systemen. Dergelijke systemen kunnen bouwstenen aanreiken voor de ontwikkeling van een soortgelijk systeem in de vastgoedmarkt. De centrale vraag die centraal staat in dit onderzoek luidt dan ook: Hoe zou een rating voor vastgoed objecten eruit zien die van toegevoegde waarde kan zijn in de vastgoedmarkt zoals kredietratings dit nu zijn in de financiële markt. Ter beantwoording van de centrale vraag zijn voor een stapsgewijze structuur enkele onderzoeksdeelvragen opgesteld. De onderzoeksvragen zijn: Wat is risico in de beleggingsmarkt en welke risico’s heeft een vastgoedobject (hoofdstuk 2)? Deze vraag heeft tot doel het begrip risico te verklaren en te definiëren op basis van de literatuur. Daarbij is het binnen dit onderzoek van belang om de risicofactoren van vastgoed te definiëren, omdat deze als input voor het model zullen fungeren. Hoe worden risico’s inzichtelijk gemaakt en geanalyseerd (hoofdstuk 2)? Welke bestaande systemen zijn er om de risico’s van te analyseren en waarom worden deze maar in beperkte mate toegepast in de vastgoedmarkt. Wat zijn credit rating systemen en hoe gaat het raten in zijn werk (hoofdstuk 3)? Om de toepasbaarheid van ratings op vastgoedobjecten te onderzoeken zal inzicht moeten zijn in de werking van credit rating systemen en de aard van de gegevens waarmee deze worden samengesteld. Welke onderdelen van ratingsystemen voor bedrijven zijn, eventueel aangepast, te gebruiken bij vastgoed (hoofdstuk 3)? Hierbij is het van belang om inzicht te krijgen in de techniek achter de ratings en de mogelijkheid om deze techniek toe te passen op de vastgoedmarkt, specifiek kantoorobjecten, waarbij de kwaliteit gewaarborgd blijft. Welke databronnen zijn er voorhanden en welke zijn bruikbaar bij een risicoanalyse voor vastgoed (hoofdstuk 4)? Het doel van deze vraag is om inzicht te krijgen in de verschillende databronnen in het vastgoed en of deze geschikt zijn als basis voor een ratingsysteem. Hoe ziet de modellering eruit en hoe moet deze worden uitgewerkt om een vastgoed rating te genereren (hoofdstuk 4)? Het doel van deze onderzoeksvraag is te komen tot een model op basis van de inzichten die verkregen zijn uit de eerdere onderzoeksvragen. Is een betrouwbaar ratingmodel op te stellen op basis van de inzichten in deze thesis dat bruikbaars is in de praktijk (hoofdstuk 5)? Door het model in een pilot te gebruiken en te beoordelen kunnen inzichten verkregen worden hoe het model aangepast of aangevuld zou moeten worden om betrouwbaar te zijn in de praktijk. Verwerpbare stelling: door het inschatten van het risico van een vastgoed object met eenzelfde methode als kredietratings bij bedrijven is het voor banken mogelijk om efficiënter de risico opslag voor een vastgoed financiering te bepalen.

1.5 Werkwijze en onderzoeksmethode(s) In deze paragraaf zal de werkwijze en onderzoeksmethoden worden besproken die moeten leiden tot de beantwoording van bovenstaande (sub)vragen. Het doel van het onderzoek is het ontwikkelen van een betrouwbare methode om het risico van vastgoed-objecten via een eenvoudige indicator kwantificeerbaar te maken. Om te komen tot een model zullen diverse stappen doorlopen moeten worden. Daarvoor is in hoofdstuk 2 eerst een literatuur onderzoek gedaan naar de theorie van risico. Risico vormt de basis van ratingsystemen. Nadat er helderheid is gekregen over het begrip risico volgen de verschillende risicofactoren van vastgoed met de verschillen tussen vastgoed en andere financiële markten.

In het daaropvolgende hoofdstuk 3 komt de systematiek van ratings aan de orde en hoe deze tot stand komen. Een

belangrijk onderdeel is de modellering die de verschillende ratingbureaus hanteren maar ook interne ratingafdelingen bij banken om de risico inschatting te maken. De verschillende modellen worden uitgebreid beschreven en geëvalueerd op hun toepasbaarheid in de vastgoedmarkt. Dit leidt uiteindelijk tot een keuze van een model.

In hoofdstuk 4 is de theorie van de ratingsystemen toegepast op vastgoedobjecten. Middels de system development


8

De (krediet)waardigheid van vastgoed life cycle is een model geconstrueerd dat aan de vraagstelling voldoet. De onderbouwing van de verschillende facetten van het model is uitgebreid besproken. Daarbij spelen de data een belangrijke rol, niet alleen welke data worden gebruikt, maar ook wanneer en in welke vorm. In het hoofdstuk is ook een uitgebreide beschrijving gemaakt van de programmering van het model waarbij gebruik is gemaakt van Excel (Microsoft). Afsluitend is besproken hoe de output van het model geïnterpreteerd kan worden.

Het model is bruikbaar maar wordt nog getoetst in een pilot. Daarvoor zijn in hoofdstuk 5 diverse panden voorzien

van een rating. Deze ratings van de verschillende objecten zijn onderling vergeleken om een indruk te krijgen van de betrouwbaarheid en consistentie van het model. Een belangrijk toetsing is een enquête onder vastgoed-professionals die hun mening hebben gegeven over de ratings die het model heeft gegenereerd. Op basis van de resultaten is het model waar nodig aangepast en zijn aanbevelingen gedaan voor verdere verfijning. De gebruiksmogelijkheden van het model in de vastgoedpraktijk worden besproken.

In het laatste hoofdstuk 6 volgt een slotbeschouwing met conclusie en aanbevelingen voor verder onderzoek

D

Diagram 1.2

H2 Risico

H4 Uitwerking

H5 Analyse

1.

4.

5.

6.

3.

H4 Modellering

H3 Ratings

2.

H2 Vastgoed

H6 Conclusie

Hoofdstuk indeling


9


Vastgoed en Risico Wat is risico, hoe kan het gemeten worden, vormen van, eisen aan en ongewenste effecten van risico. Bij het verband tussen risico en rendement, volgt aansluitend de verschillen tussen risico in de vastgoedmarkt en in andere financiële markten, met de analyse mogelijkheden van risico bij vastgoed.

2.1 Risico Het begrip risico speelt een centrale rol in dit onderzoek. In de kapitaalmarkten is risico een belangrijke variabele in de prijsvorming bij vermogenstitels. Bij vastgoed heeft risico een sterke invloed op de waardering van objecten, maar minder uitgekristalliseerd dan bij aandelen en obligaties. De kapitaalmarkt maakt bij het inschatten van risico vaak gebruikt van historische gegevens. Datareeksen van 100 jaar of langer zijn voldoende aanwezig. Dit stelt beleggers in staat om modelmatig met hun portefeuille om te gaan, bijvoorbeeld middels MPT modellering. Het modelmatig beleggen raakt in de vastgoedmarkt echter ook steeds meer in zwang. Datareeksen zijn echter maar mondjesmaat beschikbaar en gaat niet verder terug dan de jaren zeventig.

2.1.1 Risico Risico is niet een term waarop de financiële wereld een alleenrecht over heeft. Risico’s is een alledaags verschijnsel, bijvoorbeeld het risico op een ongeluk tijdens de autorit van thuis naar het werk of het risico op een dijkdoorbraak. Risico wordt dan ook vaak geassocieerd met een negatieve gebeurtenis. Voor risico is in de literatuur geen eenduidige definitie te vinden (Chicken en Posner, 1998). Om inzicht te krijgen in het begrip risico hieronder enkele bekende definities: Risk = Probability of event x Magnitude of loss/gain Loosemoor, Raftery, Reilly, Higgon (1999) Risk = Hazard x Exposure Chicken en Posner (1998) “A range of possible outcomes with attached probabilities” Smith, Merna, Jobling (2006) Risico = kans op falen x gevolg Stichting Bouw Research (2000) De bovenstaande definities zijn slechts een greep uit de vele definities die voorhanden zijn. Deze en andere definities hebben veel overeenkomsten. De definities bestaan in de meeste gevallen uit een kans variabele en een gevolg variabele. Risico is daarmee te omschrijven als de kans dat een gebeurtenis plaatsvindt vermenigvuldigd met het gevolg van die gebeurtenis. Dit gevolg kan positief dan wel negatief zijn. Meestal wordt het woord echter in de negatieve zin gebruikt en doelt men op de negatieve gevolgen. De definitie van Chicke en Posner houdt ook rekening met de blootstelling (‘exposure’). Het risico is dan


10

De (krediet)waardigheid van vastgoed de blootstelling (‘exposure’) vermenigvuldigd met het gevolg en de waarschijnlijkheid (‘hazard’). Bij de laatste definitie gaat het voornamelijk om langdurige processen, bij de eerste definitie gaat het vaak om plotselinge gebeurtenissen. In formule vorm is de definitie:

Risico = Kans x Gevolg x Blootstelling

Risico en onzekerheid Risico en onzekerheid zijn twee begrippen die in de praktijk vaak door elkaar gebruikt worden. Dit is niet geheel correct want ter zijn wel degelijk verschillen tussen beide begrippen. In het algemeen wordt onzekerheid gezien als een niet kwantificeerbare variabele terwijl risico voorspeld kan worden en modelleerbaar is. Loosemoor, Raftery, Reilly, Higgon (1999) constateren dat in de praktijk het onderscheid moeilijk is vast te stellen en zelfs minder relevant is. Voornamelijk de grens tussen risico en onzekerheid is moeilijk vast te stellen en daarom maken zij gebruik van een continu risico/ onzekerheidsspectrum waarbij de kwantificeerbaarheid afneemt naarmate het meer onzekerheid wordt in plaats van risico. D

Diagram 2.1

Risico

Onzekerheid

Kwantificeerbaar

Niet kwantificeerbaar

Het risico-onzekerheid continuüm (Loosemoor, Raftery, Reilly, Higgon, 1999).

Kans en gevolg Risico is kwantificeerbaar en wordt uitgedrukt in kansen en gevolgen eventueel gecorrigeerd voor de blootstelling. De kans dat een gebeurtenis voorkomt ligt tussen de 0 en 1. Een kans van 0 zou betekenen dat het geen risico is, want nul maal gevolg is nul. Bij een kans van 1 is het tegenovergestelde van toepassing. Dit is ook geen risico want het zal zeker (100%) gebeuren. De gevolgen kunnen in de financiële markten uitgedrukt worden in eenheden, bijvoorbeeld in euro’s.

Een voorbeeld van een goed kwantificeerbaar risico is de kans dat men zijn inzet verliest bij een spelletje kop of munt

(50%). Dit wordt ook weleens een objectieve kansuitspraak genoemd, omdat het geschoond is van de invloed van de omgeving. Veel risico’s zijn echter subjectief kwantificeerbaar. Dit betekent dat de kansuitspraak is gebaseerd op relevante informatie die niet (geheel) volledig is (Gehner, 2003). Mits de betrouwbaarheid voldoende is kunnen dergelijke kansuitspraken gebruikt worden bij het bepalen van het risico. D

Diagram 2.2

Risico-identificatie Risicoanalyse Risicokwantificering Risicorespons

Risicobeheersing

Risicomanagementproces (Gehner, 2003).


11

De (krediet)waardigheid van vastgoed Risico’s kunnen in meer of mindere mate relevant zijn. Risico’s op bepaalde gebeurtenissen zijn voor de één relevanter dan voor de andere. Bijvoorbeeld het risico op een stroomstoring is voor de meesten van ons geen belangrijk risico, maar voor een chirurg tijdens een operatie een risico dat niet gelopen kan worden. De impact (gevolg) van een stroomstoring is bij een ziekenhuis dan ook veel groter dan bij een particulier. Ter voorkoming van de gevolgen van een stroomstoring zijn ziekenhuizen dan ook vaak uitgerust met een noodstroomvoorziening. Dit is een vorm van risicobeheersing. Risicobeheersing is de laatste stap in het risicomanagement proces. Niet alle risico’s hoeven te worden beheerst. Zoals in het voorbeeld is het risico van stroomstoring voor een particulier niet van dergelijke impact dat er beheersing nodig is. Een risico met een lage impact (gevolg) en een lage kans heeft geen of nauwelijks invloed op het beoogde resultaat, terwijl een risico het hoge impact en hoge kans zeer relevant is. Smith, Merna en Jobling (2006) hanteren een matrix voor het inschatten van het risico en de noodzaak voor risicomanagement. D

Diagram 2.3

Kans

Gevolg

Laag

Hoog

Laag

Nihil

Verwacht

Hoog

Ramp

Risico management

Kwalificatie van risico’s (Smith, Merna, Joblin, 2006). Risico’s met een beperkte impact zijn voor dit onderzoek niet relevant. De risico’s met een hoge kans en beperkt gevolg kunnen gebudgetteerd worden in bijvoorbeeld een onderhoudskostenpost bij een vastgoedobject. Rampen (hoge impact, kleine kans) zijn vaak afgedekt door verzekeringen, bijvoorbeeld bij vastgoed middels een opstalverzekering. Vaak zijn deze risico’s zo laag dat ze niet relevant zijn, bijvoorbeeld de schade in het geval van een aardbeving in Amsterdam. Naarmate de kans toeneemt worden grote impact risico’s steeds relevanter. Een voorbeeld hiervan is het faillissement van een huurder.

In deze thesis is de eerste stap in het risicomanagementproces van belang, respons en beheersing zijn minder

relevant omdat de risico-inschatting centraal staat en niet de eventuele acties die men kan nemen naar aanleiding van deze risico-inschatting kan ondernemen. In het analyse gedeelte gaat het om de identificatie en kwantificering van risico’s. Risico’s met een middelmatige tot grote impact en een middelmatige tot grote kans hebben daarbij specifiek de aandacht. De risico’s met een hoge kans maar lage impact zijn geacht te worden gebudgetteerd bij de onroerend zaakgebonden lasten en risico’s met een lage kans maar grote impact wordt verondersteld gedekt te worden door verzekeringen. Risico identificatie en kwantificering Risico identificatie is het in kaart brengen van de risico’s. Bij de identificatie kan er een onderscheid gemaakt worden tussen de bron, de gebeurtenis en het effect (Gehner, 2003). Een bron van risico kan bijvoorbeeld de algemene economie zijn. Gebeurtenissen die daarop volgen zijn bijvoorbeeld een stijging van het aantal faillissementen. Het effect is het verlies van huurinkomsten indien een huurder failliet gaat. Na het identificeren van de risico’s is het noodzakelijk de grootte ervan te meten. Het kwantificeren van risico bestaat uit het inschatten van de kans dat het geïdentificeerde risico zich voordoen en het effect dat het teweegbrengt. Er zijn diverse technieken om een kwantificering van het risico te maken al naargelang de


12

De (krediet)waardigheid van vastgoed beschikbaarheid van data en de beschikbare middelen (Gehner, 2003). Bij de kwantificering van vastgoedrisico’s zijn statistische en financiële rekenkunde onmisbare instrumenten. Van belang is onder andere de relatie tussen risico’s (Berkhout, 1997). Berkhout noemt als belangrijkste (en enige goede) analysemiddel voor de kwantificering van het risico de toekomstige kasstromen die een vastgoedobject genereert.

2.1.2 Risico en Rendement Risico is een belangrijk begrip bij beleggen en investeren. Bij beleggen streeft een investeerder naar een maximaal voor risico gecorrigeerd rendement. Het rendement van een belegging bestaat uit de waardestijging(en) van de onderliggende waarde en de cashflows die men uitgekeerd krijgt gedurende het aanhouden van de belegging. Deze twee vormen van rendement noemt men in de beleggingswereld ook wel indirect en direct. De ROZ/IPD (2007) hanteert de volgende twee definities van direct en indirect rendement: I.

Direct rendement Het direct rendement, ook cashflow rendement en exploitatierendement genoemd, in de ROZ/IPD Vastgoedindex bestaat uit de feitelijke netto huuropbrengsten gedurende een bepaalde periode, afgezet tegen het gemiddeld geïnvesteerd vermogen van de onderliggende vastgoed objecten (c.q. portefeuilles) over de meetperiode.

II.

Indirect rendement Het indirect rendement, ook waardegroei genoemd, geeft de waardeveranderingen weer gedurende een bepaalde periode van de onderliggende vastgoedobjecten c.q. portefeuilles in de ROZ/IPD Vastgoedindex, afgezet tegen het gemiddeld geïnvesteerd vermogen van de onderliggende vastgoedobjecten c.q. portefeuilles over de meetperiode.

In beide definities wordt gesproken over een meetperiode. Tijd heeft een belangrijke rol in het bepalen van rendement. Hoe eerder kasstromen of waardestijgingen plaats vinden hoe hoger het rendement, zelfs indien de hoogte van de kasstromen en/of waardestijgingen gelijk zijn. In deze thesis zal de volgende definitie voor rendement gebruikt worden: Het rendement is het (verwachte) resultaat op jaarbasis uitgedrukt in een percentage over de geïnvesteerde som. Om het risico te kwantificeren wordt ter verduidelijking gekeken naar aandelen(koersen). Nieuwe informatie over beursgenoteerd bedrijf of over bijvoorbeeld de algemene economie wordt direct verwerkt in de koers van het aandeel. Als men naar de koersbewegingen kijkt ziet men vaak een willekeurig patroon van ongelijke stijgingen en dalingen. Dit patroon wordt in de literatuur ook wel de random walk genoemd. Het patroon is onvoorspelbaar. Een methode om random walks van verschillende aandelen te vergelijken is de standaard deviatie. Risico bij beleggen wordt in de beleggingswereld traditioneel uitgedrukt door deze standaard deviatie (Van Gool, 2007). De standaarddeviatie is een maatstaf uit de statistiek die de spreiding rondom een gemiddeld(e) (rendement) meet. De standaarddeviatie voor een aandeel geeft weer hoe rendementen in een bepaalde periode van elkaar varieren. Naarmate een aandeel een hogere standaarddeviatie heeft, is de range waarin de toekomstige waarde ligt breder, wat een hoger risico impliceert. Als rendementen van een aandeel een normale verdeling kennen, dan zal het rendement in ongeveer 67% van de gevallen binnen één standaarddeviatie van het gemiddelde vallen. In 95% van de gevallen valt het rendement binnen de bandbreedte die wordt gevormd door twee standaarddeviaties bij het gemiddelde rendement op te tellen en af te trekken. Standaarddeviatie heeft echter een tweezijdig karakter. Bij het berekenen van de standaarddeviatie tellen namelijk de uitkomsten die hoger liggen dan het verwachte rendement ook mee (Buis, 2003).

In een vergelijk tussen vastgoed, aandelen en obligaties heeft de laatste de laagste

standaarddeviatie. In de meeste gevallen hebben aandelen de hoogste standaard deviatie. In deze thesis zal de volgende definitie voor risico gebruikt worden: een voorspelbare en modelleerbare gebeurtenis die leidt tot een negatieve afwijking van het verwachte resultaat (of rendement). Daarbij is het van belang op te merken dat risico een effect kan hebben op het geheel bij een blootstelling van 1 of op een gedeelte bij een blootstelling van kleiner dan 1.


13


T

Tabel 2.1

Illustratieve weergave van het rendement en risico op drie veel voorkomende beleggingscategorieën, 1965-1999 (Eichholtz, Hilverink en Theebe, 2000). Beleggingscategorie

Gemiddeld rendement

Standaarddeviatie

Obligaties

7%

8%

Vastgoed (woningen)

12%

10%

Aandelen

16%

21%

De bovenstaande tabel geeft een goede weergave van het rendement en risico van obligaties, vastgoed en aandelen. Naarmate het gemiddelde rendement toeneemt is er ook een duidelijke toename van de standaarddeviatie/risico of naarmate het risico toeneemt neemt ook het gemiddeld rendement toe. Het is een aanvaarde opvatting dat het rendement op aandelen hoger dient te zijn dan het rendement op obligaties (Buis, 2003). Overheidsobligaties worden gezien als de meest betrouwbare belegging. Westerse overheden gaan in de regel nauwelijks failliet. De rente op overheidsobligaties noemt men daarom ook wel de risicovrije rente. Bij bedrijfsobligaties ligt het risico gemiddeld hoger. Bedrijven hebben een grotere kans op faillissement dan overheden. Indien een bedrijf failliet gaat komen de obligatiehouders eerder aan de beurt dan de aandeelhouders. Het risico van een aandeel is daarom weer hoger dan die van bedrijfsobligaties. Hiervoor wil een risico neutrale belegger gecompenseerd worden door extra rendement. Value at Risk Financiële instellingen maken gebruik van standaard deviatie via hun Value at Risk (VAR) modellen. De standaard deviatie geeft als maatstaaf niet alleen mogelijke risico’s naar beneden weer, maar ook kansen naar boven. Indien het rendement hoger ligt dan verwacht dat is dat niet negatief, maar juist positief. De VAR is een maatstaf voor de kwantificering van de kans naar beneden.

Het VAR systeem werd begin jaren negentig bedacht bij de Amerikaanse zakenbank JP Morgan. VAR is een maatstaf

die inzicht geeft in het verwachte verlies ten opzichte van de marktwaarde bij een vooraf gespecificeerde kans en periode. Aan de hand van deze VAR kan bekeken worden of er bepaalde maatregelen genomen moeten worden om het financiële risico te verminderen. De definitie van Value at Risk zal in deze thesis zijn: Value at Risk is de waarde die gedurende een vooraf bepaalde tijdshorizon slechts met een kans van x% overschreden wordt. Twee belangrijke variabelen bij de bepaling van VAR zijn de grootte van de overschrijdingskans (x) en de lengte van de periode waarbinnen het verlies kan optreden. De overschrijdingskans is de kans dat de werkelijke waarde groter is dan de VAR waarde. De overschrijdingskans wordt in veel gevallen gesteld op 1%, 5% of 10%.

De standaard deviatie wordt als input gebruikt om het verwachte maximale verlies te berekenen. Sinds VAR massaal

omarmd werd door het bankwezen, daarbij geholpen door ‘Basel II’ dat VAR tot het aanbevolen risicomodel uitriep, is er ook veel kritiek op het systeem. Het zou weinig rekening houden met echte onwaarschijnlijkheden (NRC Handelsblad, 2009).


14


2.2 Vastgoed en Risico Kenmerkende eigenschappen van vastgoed bepalen voor een groot deel het karakter van een vastgoed belegging. Deze kenmerken zijn aanleiding voor het inventariseren van de belangrijkste risicofactoren bij een vastgoedbelegging.

2.2.1 Kenmerken van vastgoed Vastgoed of de meer juridische term onroerend goed zegt al veel over de beleggingscategorie. Onroerend goed en vastgoed worden vaak als synoniem van elkaar gebruikt. In sommige gevallen gebruikt men de benaming vastgoed voor enkel de opstal en niet de (onder)grond. In deze thesis wordt met vastgoed echter hetzelfde bedoeld als onroerend goed zijnde een zaak die duurzaam is verenigd met de grond. Deze definitie geeft al meteen één van de belangrijkste kenmerken weer, namelijk dat onroerend goed niet verplaatsbaar is. De definitie van onroerend goed volgens het Nederlands Burgerlijk Wetboek:

Onroerend zijn de grond, de nog niet gewonnen delfstoffen, de met de grond verenigde beplantingen, alsmede de

gebouwen en werken die duurzaam met de grond zijn verenigd, hetzij rechtstreeks, hetzij door vereniging met andere

gebouwen of werken. (Burgerlijk wetboek Boek 3 Art. 3.1)

Onverplaatsbaar (locatie) Een vastgoedobject is dus niet verplaatsbaar en dat is een bron van kansen en bedreigingen. De onverplaatsbaarheid maar ook de lange productietijd zorgen voor de bekende varkenscyclus. De varkenscyclus werkt als volgt; in een periode van schaarste worden veel bouwprojecten opgestart. Het ontwikkelen van een gebouw neemt veel tijd in beslag. Van voorbereiding tot oplevering kan dit soms enige jaren duren. Ondertussen stijgen de huren en springen meerdere ontwikkelaars in op het tekort. Gedurende de bouw neemt de economische activiteit af en/of neemt het aanbod toe. Al voor alle gebouwen zijn opgeleverd ontstaat er een marktevenwicht. Op dat punt stopt men met het in aanbouw nemen van nieuwe gebouwen, echter men stopt niet met de bouw van de nog op te leveren gebouwen. Dat is vaak onmogelijk omdat verplichtingen zijn aangegaan en/of er zijn al een substantiële investering is gedaan. Het aanbod blijft dus groeien ondanks het marktevenwicht. Dit zorgt voor een groter aanbod dan vraag wat weer negatieve consequenties heeft voor de huurwaarde(groei) (Van Gool, Brounen, Jager en Weisz, 2007).

Indien men in het bezit is van een gebouw in een omgeving waar een vraagoverschot is dan betekent de

onverplaatsbaarheid en lange productietijd een kans. Immers het zal enige tijd duren voordat de markt weer in evenwicht is. In slechte omstandigheden kan men echter niet het gebouw verplaatsen naar een betere omgeving. Een vastgoedbelegging is dan ook zeer afhankelijke van zijn omgeving.

De omgeving cq de locatie is een belangrijke factor in de waarde van een vastgoed object. In een onderzoek van

DTZ Zadelhoff en Nyenrode (2006) niet zonder reden genaamd locatie, locatie, locatie werd geconcludeerd dat van de negentien locatiefactoren er 11 invloed hadden op de waarde (lees kapitalisatiefactor) van het vastgoed. Productiemiddel (gebruiker) Vastgoed is een noodzakelijk goed in onze maatschappij. Simpel gesteld hebben we grond nodig voor onze voedselvoorziening, woningen om in te wonen en gebouwen om in te werken. Onroerend goed kan dan ook gezien worden als een productiemiddel voor voedsel, wonen, goederen, diensten, etc..

Vastgoed heeft dus een belangrijke functie in de maatschappij en men alloceert er een groot deel van haar vermogen

naar. Brown en Matysiak (2000) hebben het zelfs over 55% van het totale vermogen in de wereld in het jaar 1984 (Diagram 2.4). Een belegger in vastgoed investeert niet alleen zijn vermogen in een vermogensobject maar ook in een productiemiddel wat het daarmee onderscheidt van andere vermogensobjecten zoals obligaties of aandelen (Van Gool, Brounen, Jager en Weisz, 2007).

Dat het een productiemiddel is heeft als consequentie dat het gebouw een gebruiker of gebruikers nodig heeft om de

functioneren als productiemiddel. Een belegger in een vastgoedobject moet aandacht besteden aan de verhuur van zijn gebouw en acteert daarmee niet alleen in de vastgoedmarkt (waar vastgoed wordt verhandeld), maar ook op de verhuurmarkt (waar vastgoed wordt verhuurd). Van Gool, Brounen, Jager en Weisz (2007) hebben het dan ook over een hoog ondernemingskarakter bij een belegging in vastgoed.

Bij een verhuurd gebouw is de huurder een belangrijke factor. Er zal voornamelijk naar de continuïteit van de huurder


15

De (krediet)waardigheid van vastgoed gekeken worden om een inschatting te maken van de zekerheid dat de huurder aan zijn huurverplichtingen kan voldoen. In de onroerendgoedmarkt wordt vaak een onderscheid gemaakt tussen private en publieke huurders (Berkhout, 1997). Bij publieke partijen is de continuïteit vaak afhankelijk van politieke processen. De kans dat bestaande verplichtingen niet worden nagekomen is uiterst klein. Bij private partijen is de financiële gezondheid van belang. Een onderneming heeft beperkte middelen en kan in nood geen of nauwelijks een beroep doen op de maatschappij.

Uit onderzoek van DTZ Zadelhoff en Nyenrode (2006) blijkt dan ook dat er maar een beperkt aantal beleggers het

aandurft om een geheel leegstaand gebouw te kopen. De meeste beleggers richten zich vooral op gebouwen met een lange resterende contractuele looptijd. De aanwezigheid van huurders is een belangrijke waardebepalende factor. Uit financieel oogpunt is dat ook niet zo verwonderlijk omdat men in de meeste gevallen kosten moet maken om een gebouw verhuurd te krijgen. Deze kosten bestaan uit bijvoorbeeld verhuurcourtage, marketing, maar ook uit huurderving tijdens de leegstandsperiode. D

Diagram 2.4

VS OG Waardepapier Bedrijfsvermogen

Overige OG Duurzame goederen Overige

7% 12%

18%

13%

13%

37%

Distributie van de rijkdom van de wereld in 1984 met een totale waarde van circa 27.000 miljard dollar (Brown en Matysiak, 2000). Heterogeniteit (gebouw) De vastgoedmarkt kenmerkt zich door heterogeniteit. Een opstal zelf is vaak al uniek in grootte, hoogte, bouwstijl, bouwjaar, materiaal gebruik, kleurstelling, etc.. Maar ook de staat van het onderhoud, huurder(s), ligging, gebruik en aard van een gebouw zijn afwijkende factoren. De locatie van een gebouw is ook een unieke eigenschap, maar deze laten we hier onbesproken omdat dit kenmerk reeds besproken is onder onverplaatsbaar. De heterogeniteit van vastgoed heeft een belangrijk effect op de manier waarmee we in de vastgoedmarkt omgaan met gebouwen. Er is geen markt waarop de eenheidsprijs per gebouw wordt bepaald, transacties vinden vaak plaats op basis van één op één relaties (Van Gool, Brounen, Jager en Weisz, 2007).

Het risico van het object (gebouw) bestaat bijvoorbeeld uit de mogelijkheden voor het gebruik. Gebruikers van

gebouwen stellen nieuwe of andere eisen en indien het gebouw hier niet aan tegemoet kan komen treedt functionele en technische veroudering op (Berkhout, 1997). Functionele veroudering heeft te maken met het gebruik en identiteit/imago. De flexibiliteit van kantoorconcepten, zoals kantoortuinen of flexwerken wordt steeds belangrijker bij gebouwen. Maar ook het


16

De (krediet)waardigheid van vastgoed imago kan een belangrijke factor zijn. Dit kan zich uiten in materiaal gebruik of een grote entree. Bij technische veroudering wordt verstaan de fysieke veroudering, bijvoorbeeld koelcapaciteit, liften, maar ook daken en gevels.

Een gebouw komt bij de belegger op de tweede plaats (DTZ Zadelhoff en Nyenrode, 2006). Een aantrekkelijk

gebouw heeft wel degelijke invloed op de waarde van een object. De aantrekkelijkheid van een gebouw is immers één van de belangrijkste succes factoren bij het aantrekken van huurders. Maar toch komt een gebouw bij beleggers op de tweede plaats, mede doordat een belegger op de kenmerken van een gebouw invloed kan uitoefenen en op de locatie niet. Overige kenmerken In de bovenstaande opsomming van kenmerken is bewust gekozen voor de opsplitsing in locatie, gebruiker en gebouw (waarover later meer). Er zijn ook andere onderverdelingen zoals ligging, schaal, doelgroep, concurrentie en gebouw door Berkhout (1997). Van Gool, Brounen, Jager en Weisz (2007) noemen 12 kenmerken, terwijl Brown (1991) er 10 noemt. Uiteindelijk zijn de risicofactoren op enkele punten na onderling goed vergelijkbaar. Zo valt bij Berkhout ligging en concurrentie onder gebied, doelgroep onder gebruiker en schaal en gebouw onder gebouw. Naast deze kenmerken noemen Van Gool, Brounen, Jager en Weisz (2007) en Brown (1991) ook kenmerken die de gehele vastgoedmarkt onderscheid van andere markten en niet zozeer vastgoed object specifieke kenmerken, zoals ondeelbaarheid en de daarmee samenhangende beperkte prijsvorming en hoge transactiekosten (illiquiditeit), afschrijving opstal, belastingwetgeving en andere juridische kaders. Over deze kenmerken van de vastgoedmarkt wordt dieper ingegaan in de volgende paragraaf.

2.2.2 Verschillen vastgoed-markt en andere vermogensmarkten De vastgoedmarkt is in veel opzichten gelijk aan andere vermogensmarkten. Immers men investeert een bedrag om rendement te genereren. Hier houdt de vergelijking echter wel op. Hieronder wordt ingegaan op enkele kenmerken van vastgoed die duidelijk verschillen van de kenmerken van andere vermogenstitels. Illiquide en waarde/prijs bepaling Kopers en verkopers hebben informatie nodig bij het nemen van transactiebeslissingen. Normaliter verschaft de markt deze informatie door middel van prijzen. Naarmate de vraag voor een product of dienst toeneemt stijgen de prijzen en/of neemt het aanbod toe. In een perfect werkende markt zijn er veel vragers en aanbieders. Goed werkende markten zijn bijvoorbeeld de valuta markt en veel agrarische markten. Klijnen (1995) kenmerkt de vastgoedmarkt als een niet perfecte en illiquide markt. Dit heeft mede te maken met de hoge eenheidsprijzen, maar dat is slechts één van de factoren. Een belangrijke factor is het gebrek aan transparante prijsvorming (Van Gool, Brounen, Jager en Weisz, 2007). Vastgoed objecten worden in tegenstelling tot veel andere vermogenstitels niet dagelijks verhandeld. Bij een transactie gaat het daarbij vaak om een object wat lastig te vergelijken is met andere objecten/transacties (heterogeniteit). Beleggers baseren zich dan ook op taxatiewaarden bij gebrek aan transactieprijzen. Taxatiewaarden zijn geen volwaardig alternatief voor transactieprijzen en het opstellen van een accurate taxatie vergt veel informatie en tijd. Alvorens een onderbouwde beslissing genomen kan worden of men een object aankoopt of niet gaat dan ook een behoorlijke tijd en investering aan vooraf.

Het gebrek aan transparante prijsvorming en de hoge eenheidsprijzen zorgen mede voor hoge transactiekosten. De

transactiekosten bestaan daarnaast ook voor een groot gedeelte uit de verplichte overdrachtsbelasting (6%), welke in de overige vermogensmarkten niet aanwezig is. Ook moeten er vaak kosten gemaakt worden voor de overdracht welke vaak een specifiek karakter heeft. Hieronder vallen de notaris en juridische advies kosten. En zoals hiervoor besproken worden er hoge kosten gemaakt bij de besluitvorming in de vorm van onderzoekskosten en adviseurkosten. De totale kosten kunnen oplopen tot 10% van de investering. Direct/Indirect Een belangrijke eigenschap van een vastgoedbelegging is het tweeledige rendement. Het directe en indirecte rendement. Hier is al op ingegaan in het hoofdstuk Rendement en Risico. Het directe rendement is vergelijkbaar met het rendement op staatsobligaties. Een stabiele periodieke kasstroom. In tegenstelling tot obligaties is de face value van vastgoed niet een vast bedrag maar de waarde van het object. Deze waarde fluctueert door de tijd heen. Omdat de kasstromen uit het vastgoed (direct) in veel gevallen worden aangepast aan inflatie tendeert de waarde van vastgoed op te lopen (huur gedeeld door gewenst rendement). Het rendement welke een investeerder wenst op zijn investering is door de tijd heen echter niet gelijk


17

De (krediet)waardigheid van vastgoed en daarom bestaat de fluctuatie van de waarde van het vastgoed niet alleen uit inflatie. De waarde van vastgoed vertoont veel gelijkenis met de aandelenmarkt (dividend gedeeld door gewenst rendement). Ondeelbaarheid De efficiënte handel in vermogenstitels is in de meeste gevallen mogelijk vanaf enkele duizenden euro’s. Aandelen in sommige bedrijven hebben zelfs een waarde van minder dan 1 euro. Een investering in vastgoed vergt vaak minstens enkele honderdduizenden euro’s. Om een goed gespreide portefeuille op te bouwen in vastgoed is volgens Troostwijk zelfs minimaal 500 miljoen nodig (Van Gool, Brounen, Jager en Weisz, 2007). Er zijn mogelijkheden om via de indirecte markt voor kleinere bedragen te investeren in een gespreide portefeuille, zoals bijvoorbeeld de op de beurs genoteerde fondsen Vastned of Wereldhaven. Een dergelijke investering geeft recht op een gedeelte van de winst van de portefeuille bestaande uit gebouwen. Bij het direct onroerend goed is het nauwelijks mogelijk om te investeren in kleine eenheden. Middels appartementsrechten is het mogelijk om een gebouw in kleinere gedeeltes op te knippen. Dergelijke appartementsrechten hebben echter nog steeds een significante waarde. Overheidsregulering De vastgoedmarkt verschilt van overige beleggingsmarkten door specifiek overheidsregulering. Overheidsregulering heeft effect op de constructie maar ook op het gebruik van een object. Bij de constructie gaat het bijvoorbeeld om ruimtelijke ordening en bouwvergunningen en bij het gebruik om gebruikersvergunningen en huur en pachtwetgeving (Van Gool, Brounen, Jager en Weisz, 2007).

Naast de overheidsbemoeienis bij de constructie en het gebruik heeft de overheid ook vanuit fiscaal oogpunt veel

wetgeving voor vastgoed. Zo is er de overdrachtsbelasting, maar ook bijvoorbeeld belasting toegevoegde waarde en onroerend zaak belasting vormen kostenposten waarmee een vastgoedbelegger rekening moet houden. Binnen de financiële verantwoording van een onderneming aan de fiscus is tevens weten regelgeving aanwezig ter regulering van winst en verlies. Hier kan men denken aan bijvoorbeeld regels ten behoeve van afschrijving en waardering.

Vastgoed is in het algemeen een markt waar de politiek veel aandacht aan besteedt. Vanuit ideologische standpunten

worden dan ook vaak typerende standpunten ingenomen zoals bijvoorbeeld het toelaten van krakers of de bescherming van winkeliers. In deze thesis wordt geen rekening gehouden met positieve of negatieve invloeden die voorvloeien uit al het ? overheidshandelen. Economische ontwikkelingen (rente, inflatie, economische groei) Als belangrijk voordeel bij het investeren in vastgoed wordt vaak de inflatiedekking genoemd. Een belangrijke reden hiervoor is de inflatiecorrectie die is opgenomen in huurcontracten. Immers bij dezelfde kapitalisatiefactor stijgt de waarde van het vastgoed bij een verhoging van de huur met hetzelfde percentage als de huur (zijnde inflatie). Er wordt ook wel verwezen naar de stijging van de bouwkosten die gelijk of zelfs hoger is dan de inflatie.

In de praktijk is niet alleen het huidige huurcontract relevant voor de waarde van een gebouw, maar ook de

huurwaarde. Zonder te diep in te gaan op de waardering van een object is de huurwaarde de hoogte van de huur indien het gebouw opnieuw verhuurd zou worden. De huurwaarde is veel minder gecorreleerd met de inflatie. Binnen de ROZ/IPD index wordt deze dan ook als aparte variabele opgenomen. Naarmate de resterende termijn van de huurcontracten korter is, des te belangrijker deze huurwaarde. De waarde van een gebouw is dus minder met de inflatie gecorreleerd dan algemeen wordt aangenomen. Deze conclusie wordt ook door Van Gool, Brounen, Jager en Weisz (2007) betoogt. Zij stellen echter dat de correlatie met inflatie wel hoger is dan bij aandelen en obligaties.

Rentegevoeligheid is een belangrijk kenmerk van de vastgoedmarkt. Vastgoed wordt in het algemeen gedeeltelijk

gefinancierd door vreemd vermogen. De mate van financiering noemt men ook wel de hefboom. Normaliter is de rente lager dan het directe rendement van het vastgoedobject. Hierdoor kan middels de hefboom een hoger rendement behaald worden op het eigen vermogen. Het hefboomeffect werkt ook de andere kant op: als de rente stijgt bij een gelijkblijvend rendement op het totaal vermogen, dan heeft dat een negatief effect op het rendement op eigen vermogen. Afhankelijk van de mate van rentestijging zullen beleggers gecompenseerd willen worden voor het verlies aan rendement. Doordat het rendement op het eigen vermogen een afgeleide is van het totale rendement zal de waarde van het vastgoedobject moeten dalen teneinde het totaal rendement en daarmee het rendement op eigen vermogen te verhogen. Het tegenovergestelde geldt voor een situatie waarin de rente daalt. Dit betekent overigens niet dat de financieringsconstructie van een


18

De (krediet)waardigheid van vastgoed vastgoedobject effect heeft op de waarde (Modigliani-Miller theorem, houdt geen rekening met belasting).

Een andere verwevenheid volgens DTZ Zadelhoff (2009) is de correlatie tussen de groei van het bruto binnenlands

product (BBP) en de opname van de kantoorruimte. Immers, de mate van economische groei werkt door in de (kantoor)werkgelegenheid. Deze werkgelegenheid is weer een belangrijke factor in de voorraad van kantoren die in gebruik is. Minder werkgelegenheid leidt tot minder werkplekken, wat uiteindelijk minder vraag naar kantoorruimte betekent.

2.2.3 Risico analyse Beleggen in vastgoed doet men in de meeste gevallen voor het rendement, maar ook voor de diversifiërende eigenschappen van vastgoed als beleggingscategorie. Het rendement over vastgoed is eenvoudig ex-post te berekenen middels een DCF waarbij de exit de verkooprijs is en de investering de aankoopprijs. In de tussentijd is dit niet zo eenvoudig, omdat er voor het specifieke object geen continue prijsvorming is. Een risicomaatstaf als standaarddeviatie is dan ook niet op adequate prijsvorming te baseren. Klijnen (1995) constateert dat het niet goed mogelijk is het rendement en het risico van onroerend goed te meten en noemt drie alternatieve manieren om het risico te bepalen: I.

De ontwikkelingen van op de beurs genoteerd vastgoed,

II.

Taxatiewaarden middels een deductiemodel herleiden naar reële waarden,

III.

Hanteren van een cashflow model.

De eerste methode heeft als voordeel de beschikbaarheid van lange tijd reeksen. Als nadeel wordt genoemd de verwevenheid van genoteerde vastgoedfondsen met overige genoteerde fondsen. Men kan zich afvragen of het af te leiden risicoprofiel wel overeenkomt met die van de vastgoedobjecten. Klijnen (1995) noemt de tweede methode arbitrair omdat het de denkwijze van de taxateur probeert in te schatten welke in facto onbekend is.

De cash-flow methode zou dergelijke nadelen niet hebben volgens Klijnen (1995). Van Gool (2007) noemt de cash-

flow benadering zelfs de enige manier om het risico van vastgoed te kwantificeren terwijl Berkhout (1997) bevestigt dat risico bij vastgoed uiteindelijk altijd herleid kan worden tot een kasstroom risico.

Voor de cash-flow benadering kan gebruik gemaakt worden van de data die beschikbaar is uit bijvoorbeeld de IPD

indexen. Een probleem wat zich hierbij kan voordoen is het zogenaamde cross-sectievariantie probleem dat optreedt bij een wijziging van de samenstelling van de index. Dit kan omzeild worden indien de indexen zijn onder te verdelen naar de verschillend (sub)categorieën (Klijnen, 1995). Hierbij moet opgemerkt worden dat de data uit de IPD geaggregeerd is en daarom inzicht geeft in een set van gebouwen in een (sub)categorie en niet op gebouw specifiek niveau.

De cashflow benadering wordt ook gebruikt bij de waardering van aandelen of de waardering van obligaties. Omdat

er continue prijsvorming is valt men niet terug op de cashflow benadering maar gebruikt men de resultante. Want bij een wijzigingen bij het bedrijf zelf of in de economische omgeving kunnen paramaters in het cashflow model wijzigen met als resultaat een fluctuatie in de waarde. De partijen die in de markt aanwezig zijn reageren hierbij door aandelen aan te kopen of te verkopen. De som van de waarde van alle aandelen representeert de totale waarde van een bedrijf. Ook niet beursgenoteerde bedrijven hebben een waarde die fluctueert bij nieuwe gebeurtenissen. Hoewel er bij deze bedrijven geen dagelijkse prijsvorming is zijn er toch risicoprofielen beschikbaar. Een voorbeeld hiervan is bijvoorbeeld de Rabobank die niet beursgenoteerd is, maar waarvan algemeen bekend is dat deze zeer solvabel is. Dat is bekend omdat diverse bureaus het bedrijf voorzien van een rating. Rating Bij het opkomen van de kapitaalmarkten was er een beperkt aanbod van data. De noodzaak voor adequate informatie over de zekerheid dat een investering in bijvoorbeeld een spoorwegbedrijf rendeerde was wel aanwezig. Kwalitatieve publicaties van bijvoorbeeld dhr. Poors (later Standard & Poors) was in die jaren de enige bron van informatie. Deze informatie evolueerde door de jaren heen in de nu nog veel gebruikte ratings. Een rating is een indicatie, zoals een standaard deviatie, die in één oogopslag informatie geeft over het risicoprofiel van een onderneming.

Hoewel er als vele decennia voldoende data is voor de berekening van bijvoorbeeld de standaard deviatie blijven de

ratings een belangrijke bron van risico informatie. Zouden ratings voor vastgoedobjecten een alternatief kunnen zijn? Om daar antwoord op te geven zal in het volgende hoofdstuk ingegaan worden op het begrip rating en de werking daarvan.


19


Rating en Modellering Om te beoordelen of de rating werkwijze bij vastgoed gehanteerd kan worden begint dit hoofdstuk met een introductie over credit ratings, de samenstelling en betekenis van ratings en de soorten ratings. Een onderzoek of ratings toepasbaar zijn bij vastgoedobjecten door de systematiek van beoordeling en de verschillende risico modellen die bij de beoordeling van bedrijven gebruikt worden komen aan de orde..

3.1 Credit Rating systemen In de financiële wereld is het gebruikelijk om alvorens men financiële middelen uitleent aan een debiteur de kredietwaardigheid van deze debiteur te beoordelen. Het risico dat een debiteur zijn rente of aflossing niet op tijd betaald noemt men het kredietrisico (Lu, 2008). Een krediet ratings bureau analyseert de kredietwaardigheid van een debiteur teneinde het kredietrisico te kwantificeren en publiceert deze resultaten ten behoeve van investeerders. Banken doen gelijkwaardige (interne) analyses ten behoeve van hun interne kredietportefeuille. E

en krediet rating moet men niet verwarren met een advies om een schuldtitel te kopen, verkopen of aan te houden (Heughebaert, 2007). Bekende ratingbureau’s zoals Moody’s en Standard and Poors geven voor schuldtitels een publiek toegankelijke kredietbeoordeling af. Deze kredietbeoordeling noemt men ook wel in het kort een rating. Een rating wordt meestal symbolisch weergegeven in de vorm van een lettercombinatie. Bij veel ratingbureaus is de “triple-A” rating (AAA) het hoogst haalbare. De kans dat een debiteur met een AAA rating niet aan zijn verplichtingen kan voldoen is uiterst gering. De Rabobank is een bedrijf met zo’n “triple-A” rating. De rating is een versimpelde weergave van de mate van risico die een geldgever loopt dat de geldnemer onvolledig en/of niet tijdig aan zijn verplichtingen uit deze lening kan voldoen. Hoe meer risico hoe lager de rating. Dergelijke informatie is waardevol voor investeerder en deze gebruiken de ratings bij de bepaling van de risicopremie die zij vereisen als vergoeding voor het uitlenen van middelen, maar ook bij het opstellen van een portefeuille met het gewenste risicoprofiel.

Krediet rating komt oorspronkelijk uit de Verenigde Staten. De groei van de Amerikaanse economie in de 19de eeuw

en dan vooral de expansie van de spoorwegen zorgde voor een enorme financieringsbehoefte die alleen door een breed publiek gedragen kon worden. Als logisch gevolg hiervan ontstond de behoefte aan informatie over de financiële gezondheid de kapitaalvragers met als belangrijkste vraag; zijn ze in staat het geld terug te betalen? In 1860 begon Henry Varnum Poor met de verkoop van financiële informatie. Pas in het begin van de 20ste eeuw kwam de hedendaagse bekende rating beschikbaar (in de vorm van een lettercombinatie), voor het eerst gebruikt door Moody’s. Dit maakte het eenvoudiger om verschillende bedrijven onderling te vergelijken. Poor’s Publishing Services volgde Moody’s in 1916 met een soortgelijk systeem, waarna bedrijven als Standard Statistics en Fitch Investor Service vanaf 1924 ook met ratings in de vorm van lettercombinaties op de markt kwamen. Sinds de jaren twintig wordt in de Verenigde Staten gemiddeld meer dan 90% van de nieuw uitgegeven obligaties door ondernemingen en organisaties voorzien van een rating (van der Ent, 1993). De grootste beproeving voor krediet ratings kwam kort na de introductie. Tijdens de Grote Depressie ging het voornamelijk fout bij de obligaties van de lagere overheden, waarvan maar liefst 78% failliet ging ondanks hun rating van Aaa of Aa. Sinds de Grote Depressie wordt de economische conjunctuur in de rating dan ook zwaarder gewogen.

In 1968 maakte het gefuseerde Standard & Poor’s bekend dat ze de beloningsstructuur voor haar werkzaamheden


20

De (krediet)waardigheid van vastgoed ging veranderen. De abonnementsgelden van de normale publicaties leverden geen winstgevend bedrijf meer op. De kosten werden daarom voortaan bij de emittenten in rekening gebracht. Moody’s was in eerste instantie negatief, maar in 1970 introduceerde zij ook een dergelijk systeem van vergoeding. Het belang van ratings nam in die jaren sterk toe gelijk aan de expansie van de financiële wereld. Eerst binnen de Verenigde Staten, maar later ook in de rest van de wereld. T

Tabel 3.1

De ratingsschalen van drie grootte ratingsbureau’s (Van Gestel en Beasens, 2009)

Moody’s

S&P

Fitch

Kwaliteit

Aaa

AAA

AAA

Extreem goed

Aa1

AA+

AA+

Aa2

AA

AA

Aa3

AA-

AA-

A1

A+

A+

A2

A

A

A3

A-

A-

Baa1

BBB+

BBB+

Baa2

BBB

BBB

Baa3

BBB-

BBB-

Ba1

BB+

BB+

Ba2

BB

BB

Ba3

BB-

BB-

B1

B+

B+

B2

B

B

B3

B-

B-

Caa1

CCC+

CCC+

Caa2

CCC

CCC

Caa3

CCC-

CCC-

Ca

CC

CC

Zeer kwetsbaar

C

C

C

Extreem kwetsbaar

RD

SD

RD

Beperkt in gebreke

D

D

D

In gebreke

Zeer goed Investment Grade

Goed

Voldoende

Speculatief

Speculative Grade

Zeer speculatief

Kwetsbaar

Momenteel ontvangen de grootte ratingbureaus substantiële provisie-inkomsten van debiteurs. De beloning bestaat vaak uit een transactie gebaseerde provisie en/of een terugkerende provisie. De op transactie gebaseerde provisie bestaat meestal uit een percentage (enkele basispunten) van het nominale bedrag. Gegeven het belang van de ratings staat de manier van belonen vaak ter discussie. Er bestaat de kans op een conflict of interest tussen het rating bureau en de onderneming. Bijvoorbeeld om de opdracht van een onderneming te behouden zou een positievere rating afgegeven kunnen worden (Van Gestel en Beasens, 2009). In een onderzoek van Covitz en Harrison (2003) kwam naar voren dat er geen statistisch bewijs


21

De (krediet)waardigheid van vastgoed was dat opdrachtgevers bevoordeeld zouden worden. Zij stellen dat ratingbureaus meer waarde hechten aan hun reputatie. Recentelijk is door de credit crisis de discussie toch weer opgelaaid, mede door de consultancy diensten die de ratingbureaus bij hun dienstverlening aanboden werd is er minstens de schijn van een conflict of interest gegeven.

Wereldwijd is slechts een honderdtal ratingbureaus werkzaam (Van Gestel en Beasesn, 2009). Het meest bekend en

vooraanstaand op dit moment zijn de Amerikaanse bureaus Standard & Poors, Moody's en het Engelse Fitch. Deze partijen bedienen de meerderheid van de grootschalige obligatiemarkt. In Nederland hebben ratings voor lange tijd geen echte rol van betekenis gehad. De kapitaalmarkt was te gering van omvang en de grote spelers waren goed op de hoogte van elkaars financiële gezondheid. Vooral de liberalisering en de daarop volgende internationalisering hebben het belang van ratings doen toenemen. Vandaag de dag hebben alle grote multinationals een rating en wordt het hebben van een hoge rating ook steeds belangrijker.

In tabel 3.1 een overzicht van de lettercombinaties en daarbij behorende kwaliteitskenmerken die gebruikt worden

door de drie bekende rating bureaus. De ratings zijn onderverdeeld in “investment grade” en “speculative grade”. Speculative grade wordt ook weleens high yield grade genoemd. High yield refereert naar het hoge rendement welke deze obligaties geven. Het onderste gedeelte van de speculative grade wordt ook weleens junk bonds genoemd. De kans dat deze leningen in gebreke (default) komen is zeer hoog, ze zijn zo betrouwbaar als een junk. De onderverdeling in investment grade en speculative grade is een zeer belangrijk mede omdat veel overheden regelgeving hebben die gebruik maakt van deze onderverdeling. Zo kunnen in veel landen lagere overheden verplicht worden om alleen in investment grade bonds te beleggen. Een goed voorbeeld hiervan is de provincie Noord-Holland die een gedeelte van hun liquide middelen hadden ondergebracht bij Landsbanki. Nadat bekend werd dat ze door een faillissement veel van dat geld kwijt zouden raken kwam er veel commentaar uit het publiek. De provincie had zich echter wel aan de regels gehouden door geld uit te zetten bij banken met een rating van A of hoger (FD.nl, 2008). Het gebruik van ratings Investeerders hebben behoefte aan objectieve informatie, die gemakkelijk toegankelijk is en waarvoor geen hoge kosten behoeven te worden gemaakt (van der Ent, 1993). Ratings zijn een dergelijke gemakkelijke toegankelijke en betrouwbare informatiebron in de financiële wereld. Het zijn eenvoudig te interpreteren symbolen die voor de gebruikers de basis geven voor het nemen van beslissingen.

Van Gestel en Baesens (2009) schrijven in hun boek over de redenen voor het gebruik van ratings. De voornaamste

reden is het informatieve aspect van ratings. In één oog opslag is de betrouwbaarheid van de crediteur inzichtelijk. Binnen een portefeuille kan bij de beschikbaarheid van krediet ratings het totale portefeuille risico geanalyseerd worden. Deze informatie kan weer de basis zijn voor het vereiste rendement. Hoe meer risico in een krediet portefeuille, hoe meer rendement men vereist. Daarnaast vormt de rating een go or no go beslissingstool.

3.1.1 Soorten ratings Een belangrijk kenmerk van een rating is wat is gemeten. In het algemeen is er in de literatuur een onderscheid gemaakt in vier soorten ratings. Het Model Task Force van het Basel Comité over Banken supervisie (2000) onderscheidt vijf typen van risico: I.

Default ratings (PD),

II.

Recovery ratings (LGD),

III.

Exposure ratings (EAD),

IV.

Expected loss ratings (EL),

V.

Unexpected loss ratings (UL).

Er is een grootte overeenkomst te vinden tussen het begrip risico en krediet rating. Zo zijn de eerste vier soorten ratings goed te vergelijken met de definitie van risico. Risico (EL) = kans (PD) x gevolg (LGD) X blootstelling (EAD).


22

De (krediet)waardigheid van vastgoed Over deze vergelijkbaarheid later meer. De vijfde rating is een toevoeging van de Model Task Force en komt voort uit de onderzoeken die ze gedaan hebben bij banken. Hieronder wordt ingegaan op deze vijf type ratings. Default ratings Default ratings zijn een weergave van de kans dat een uitgever van een schuldtitel in gebreke komt. De drie grote ratingbureaus gebruiken min of meer dezelfde definitie: default is een vertraagde betaling van rente of aflossing. Dit hoeft dus niet te betekenen dat bij een default er schade is voor de investeerder. In veel gevallen zal de betaling weer voortgezet worden of zijn er oplossingen voorhanden om te zorgen dat de investeerder zijn investering terug krijgt. De kans dat een debiteur in geval van default tot een (gedeeltelijke) oplossing komt wordt weergegeven door recovery ratings. Recovery Ratings Een recovery rating geeft aan hoe hoog de kans is en/of de mate waarin de debiteur zich bij een default gebeurtenis kan herstellen. Het gebruik van deze rating is de laatste tijd belangrijker geworden door de introductie van Basel II. Basel II splitst krediet risico op in kans op Default (Probability of Default, PD), Loss Given Default (LGD), Exposure at Default (EAD) en Effective Maturity (M) (van Gestel en Baesens, 2009). Over EAD later meer. LGD is de inverse van de recovery rating. Naarmate de recovery rating hoger is neemt de kans op herstel bij default toe. De kans dat een debiteur zich kan herstellen heeft een effect op het gedeelte van de lening dat risico loopt. Hiervoor hanteert men het begrip Loss Given Default (LGD). Het begrip LGD is dus een inverse van de recovery rating en te berekenen via de formule:

LGD = 1- recovery rating

Recovery rates worden niet voor alle schuldtitels uitgegeven. Zo publiceert Moody’s deze alleen voor niet financiële bedrijven met een speculative grade rating in de VS. Fitch doet het voor alle bedrijven, inclusief financiële, maar ook landen met een rating van een enkel B of lager. In onderstaande tabel 3.2 is goed weergegeven dat een default gebeurtenis niet direct leidt tot een verlies. Bijvoorbeeld bij de triple-A ratings is er een minimale kans op default over een termijn van 5 jaar, echter de kans op een geldelijk verlies is over diezelfde periode 0,00%. T

Tabel 3.2 Gemiddelde cumulatieve default en expected loss percentages door Moody’s voor bedrijfsobligaties tussen 1920 en 2005 (lange termijn ratings) (van Gestel en Baesens, 2009). Default rate

Expected loss

Rating

1-jaar

5-jaars

1-jaar

5-jaars

Aaa

0,00%

0,09%

0,00%

0,00%

Aa

0,01%

0,20%

0,00%

0,08%

A

0,02%

0,56%

0,01%

0,23%

Baa

0,21%

2,25%

0,11%

1,24%

Ba

1,31%

11,85%

0,77%

7,04%

B

5,69%

29,73%

3,61%

18,61%

Caa

20,98%

57,01%

14,43%

37,70%

All

1,74%

7,73%

1,08%

6,97%

De rating instituten gebruiken verschillende methoden om tot de LGD rating te komen. Altman (2008) onderscheidt bij Moody’s vier stappen; in de eerste stap wordt beoordeeld in welke volgorde de claim zou worden behandeld bij default. Een hypotheek heeft bijvoorbeeld eerder recht op uitkering dan een achtergestelde lening. Daarna wordt een kans distributie gemaakt van de potentiële waarde van de onderneming. De distributie ligt bij Moody’s op 50% mean en 26% standaard deviatie. Voor elke waarde van de onderneming wordt vervolgens een LGD bepaald. Deze uitkomsten worden hierna Amsterdam School of Real Estate - Robert Kat

23

De (krediet)waardigheid van vastgoed gewogen en samengevoegd tot een rating. In de onderstaande tabel staan de ratings zoals gebruikt door Moody’s en Fitch. Moody’s hanteert het Loss Given Default principe, terwijl Fitch werkt met Recovery Ratings. LGD1 staat bij Moody’s gelijk aan RR1 bij Fitch.

T

Tabel 3.3

Recovery rating schaal in gebruik bij Moody’s en Fitch (Altman, 2008). Moody’s

Fitch

(LGD)

(recovery)

LGD6

90-100%

RR1

91-100%

LGD5

70-89%

RR2

71-90%

LGD4

50-69%

RR3

51-70%

LGD3

30-49%

RR4

31-50%

LGD2

10-29%

RR5

11-30%

LGD1

0-9%

RR6

0-10%

Exposure ratings In geval van default is middels de LGD te berekenen wat het percentuele verlies zou zijn van de totale uitstaande som oftewel de blootstelling. Exposure ratings geven informatie over de blootstelling. Bij een obligatie is de blootstelling beperkt tot het bedrag dat is uitgeleend, eventueel verhoogd met de achterstallige rente. Bij een krediet faciliteit is dit vaak anders, omdat niet het gehele krediet hoeft te zijn aangesproken bij de default gebeurtenis. Bij de Exposure at Default (EAD) wordt dan ook gekeken naar het op dat moment opgenomen gedeelte van het krediet (het gedeelte waarover men risico loopt). Hierbij maakt men gebruikt van de Credit Conversion Rate (CCR). Dit kengetal geeft aan hoeveel van de totale som bij default is opgenomen. De EAD kan dan als volgt berekend worden:

EAD(t) = opgenomen lening(t=0) + CCR(t) x (krediet limiet(t=0) - opgenomen lening(t=0))

De exposure at default ratings zijn een nog niet zo uitgekristalliseerd gegeven. Er wordt verwacht dat het Basel II akkoord hier aan positief zal bijdragen (van Gestel en Baesens, 2009). T

Tabel 3.4

Matrix voor expected loss op basis van default ratings en recovrery ratings (McDonald en Eastwood, 2001). LGD6

LGD5

LGD4

LGD3

LGD2

LGD1

B1

EL1

EL1

EL2

EL2

EL3

EL3

B2

EL2

EL2

EL3

EL3

EL3

EL4

B3

EL2

EL3

EL3

EL3

EL4

EL4

Caa1

EL3

EL3

EL4

EL4

EL5

EL5

Caa2

EL4

EL5

EL5

EL6

EL6

EL7

Caa3

EL5

EL6

EL6

EL7

EL7

EL8

Expected loss ratings Default ratings en recovery ratings kunnen eventueel in combinatie met exposure at default ratings gecombineerd worden tot een expected loss rating (EL). De EL berekent het gemiddelde verlies door default over een portefeuille in een bepaalde periode. Het kwantificeren van EL wordt steeds belangrijker bij het beprijzen van kredieten. Hoe hoger de EL hoe hoger de Amsterdam School of Real Estate - Robert Kat

24

De (krediet)waardigheid van vastgoed risicocompensatie vereist door investeerders, veelal uitgedrukt in basispunten opslag op bijvoorbeeld EURIBOR (Euro Interbank Offered Rate). De EL ratings worden op twee manieren samengesteld (McDonald en Eastwood (2001): I.

Het samenvoegen van default ratings en recovery ratings tot één rating. Een voorbeeld hiervan is de door Fitch gebruikt methode; BBRR3, waarbij de beoordeelde debiteur een BB-rating heeft voor default en een RR3 rating voor recovery.

II.

Een tweede manier is het opstellen van een matrix met specifieke EL ratings gebaseerd op de default ratings en recovery ratings. Hieronder in tabel 3.4 een voorbeeld van een dergelijke matrix. De vier ratings zal men niet vaak specifiek vinden in de gepubliceerde ratings. De door de ratingbureaus gepubliceerde ratings betreffen vaak de expected loss rating die PD, LGD en EAD combineert.

Unexpected loss ratings Indien een percentage van de portefeuille in default raakt dan hoeft dit voor een belegger geen probleem te zijn. Immers middels de ratings heeft hij een verlies kunnen begroten en daarop zijn geëist rendement aangepast. Het reële kredietrisico betreft dan ook het risico dat het daadwerkelijk verlies afwijkt van het verwachte verlies. Een dergelijk verlies is niet goed in te schatten omdat het hier niet gaat om het kwantificeerbare risico, maar om de niet te kwantificeren onzekerheid. Een rating opstellen voor de factor onzekerheid is dan ook niet goed mogelijk. D

Diagram 3.1

1 Jaar

10 Jaar

50

Kans op default (%)

40 30 20 10 0

AAA

AA

A

BBB

BB

B

CCC/C

Cumulatieve gemiddelde kans op default in de periode 1981 tot 2007 voor een periode van 1 jaar en 10 jaar (Standard & Poor’s, 2008). Interne ratings Bij interne ratings bij financiële dienstverleners wordt volgens McDonald en Eastwood (2001) gekeken naar de volgende vier factoren: I.

het bedrag dat risico loopt,

II.

de termijn van het risico,

III.

de kans dat een klant in gebreken komt,

IV.

de hoogte van het verlies bij het in gebreken zijn van de klant.


25

De (krediet)waardigheid van vastgoed Deze vier typen vertonen grote gelijkenis met de in de literatuur genoemde ratings: I.

Default ratings (PD) = de kans dat een klant in gebreken komt,

II.

Recovery ratings (LGD) = de hoogte van het verlies bij en het in gebreken zijn van de klant,

III.

Exposure ratings (EAD) = het bedrag dat risico loopt.

Hierbij is het tijd element impliciet meegenomen in de PD. McDonald en Eastwood (2001) geven aan dat in de meeste interne systemen het tijdselement apart wordt meegenomen.

De focus van interne rating systemen ligt meestal op de kans dat een klant in gebreken (PD) komt en de hoogte van

het verlies (LGD) welke gecombineerd over een bepaalde tijdshorizon het verwachte verlies (EL) opleveren. Bij banken intern heeft EL een meer statistische waarde, omdat het niet expliciet een verlies per lening weergeeft maar meer het verlies over de gehele krediet portefeuille (McDonald en Eastwood (2001). Conclusie Hierboven is beschreven dat de PD, LGD en EAD ratings leiden tot een EL rating. Uiteindelijk is het risico te begroten door het gebruik van de EL rating. In diagram 3.2 is een schematische weergave van de vier hiervoor beschreven ratings. D

Diagram 3.2

Probability of Default; is onder andere afhankelijk van solvabiliteit, winstgevendheid, werkkapi-

PD (%)

taal, liquiditeit, kwaliteit management, etc. X Loss Given Default; is onder andere afhankelijk van senioriteit van de lening, onderpand, (con-

LGD (%)

cern)garanties, etc. X Exposure at Default; is onder andere afhankelijk van het type lening, aflossing, resterende krediet

EAD (EUR)

ruimte, termijn van de lening, etc. = Expected Loss; is een resultante van de bovenste drie en berekent het gemiddelde verlies over

EL (EUR)

een portefeuille in een bepaalde periode.

Het verwachte verlies is een kostenpost (gebaseerd op Finem, 2009).

3.1.2 Rating methodologie Uiteindelijk is het doel van de verschillende krediet ratings om een accurate inschatting te maken ven het te verwachte verlies (EL). Het inschatten van risico’s wordt gedaan door onder andere de drie bekende ratingbureaus (Standard & Poors, Moody’s en Fitch) maar ook door financiële instellingen voor interne doeleinden. Dit laatste is in de afgelopen jaren steeds actueler geworden mede door de invoering van het Basel II akkoord. Het akkoord verplicht financiële instellingen om hun kapitaalreserves te bepalen aan de hand van het kredietrisico van hun debiteuren (Heughebaert, 2007). Door de invoering van het Basel II akkoord hebben veel financiële instellingen een interne rating systeem opgezet ook wel bekend als IRBA (Internal Ratings-Based Approach) (Van Gestel en Beasens, 2009). Het doel van dergelijke systemen is het inschatten van Amsterdam School of Real Estate - Robert Kat

26

De (krediet)waardigheid van vastgoed het risico van de debiteur mede ter bepaling van de verplicht aan te houden reserve kapitaal (Basell II), maar tevens gebruiken financiële instellingen de beoordeling van het krediet risico bij de bepaling van de risico-opslag bovenop het standaard rente tarief (vaak EURIBOR). Immers hoe lager het risico, hoe lager het aan te houden “dure” eigen vermogen wat weer kostenvoordeel geeft voor de debiteur. In deze paragraaf wordt kort ingegaan op het krediet rating proces en de verschillende criteria die belangrijk zijn bij het gebruik van ratings. Rating proces Een krediet rating begint meestal op aanvraag van de emittent, al dan niet op aanraden van de bank die borg staat voor de emissie. Als het ratingbureau de opdracht aanneemt zal deze een team van analisten aanstellen die de rating gaat uitvoeren. Aan het bedrijf wordt de benodigde informatie gevraagd die nodig is voor het maken van de krediet rating. Een belangrijk gedeelte van het proces is een gesprek van de analisten met het management van het bedrijf. In dit gesprek kan vertrouwelijke informatie gedeeld worden (van der Ent, 1993).

Niet alleen de bedrijfsgegevens zijn belangrijk voor het opstellen van een rating, ook de economische omgeving en

het land waarin het bedrijf opereert (Van Gestel en Beasens, 2009). Voordat het ratingbureau de rating openbaar maakt wordt de emittent in gelegenheid gebracht om tegen de beoordeling in beroep te gaan. Mochten er nieuwe gegevens beschikbaar komen tijdens dit beroep, dan zullen diverse stappen in het proces opnieuw gedaan worden. Als er geen beroep wordt aangeschreven dan wordt de rating gepubliceerd. Het ratingbureau behoudt het recht om geen rating af te geven, bijvoorbeeld als ze van mening zijn te weinig gegevens te hebben waarop ze een betrouwbare rating kunnen baseren (van der Ent, 1993).

McDonald en Eastwood (2001) geven aan dat er binnen de Australische banken sector geen standaard benadering is

voor het rating proces. De systemen verschillen onderling in alle facetten, van basis concept tot aanwending van het systeem. De auteurs geven een structuur aan waarmee de meeste systemen kunnen worden opgedeeld. Deze structuur bestaat uit de volgende onderdelen: I.

het risico concept waarop de ratings zijn gefundeerd,

II.

of het relatieve of absolute risico wordt gemeten,

III.

het aantal verschillende risico graden.

In het algemeen is een ratingproces te verdelen in drie stappen zoals aangegeven in onderstaande figuur. D

Diagram 3.3

Gegevens worden verwerkt door model

Het model genereert een score

Score wordt vertaald naar een rating

Proces in drie stappen volgens Van Gestel en Baesens (2009).

Kwantitatieve en kwalitatieve ratings Een rating kan op verschillende manieren tot stand komen. Kwantitatieve ratings zijn gebaseerd op kwantitatieve informatie. In zijn algemeenheid wordt de kwantitatieve informatie middels modellen verwerkt tot een automatisch gegenereerde rating. Kwalitatieve ratings zijn meer gebaseerd op menselijke kennis (expert opinion). De financiële informatie wordt dan verwerkt door een expert die ook kan omgaan met gebrekkige informatie of oordelen kan geven in sectoren waarbij er nog weinig statistische informatie aanwezig is.

Zwart wit bekeken onderscheidt McDonald en Eastwood (2001) twee soorten processen. De manier van de grote


27

De (krediet)waardigheid van vastgoed ratings agency (Moody’s, etc.) zijnde een methode die traditioneel gestoeld is op kennis en inzichten van ervaren analisten en het proces bij de meeste overige instituten die een minder hoog subjectief gehalte hebben en meer gebaseerd zijn op kwantitatieve en kwalitatieve modellen. Van Gestel en Beasens (2009) hebben het in hun boek over een meer gecombineerd rating proces, waarbij kwantitatieve en kwalitatieve modellen de basis vormen voor de rating die vervolgens door een expert wordt verfijnd en vastgesteld. Ook McDonald en Eastwood (2001) geven aan dat het ratingproces niet zo zwart wit is als het onderscheid tussen deze twee benaderingen. Niet alleen mogen bij veel instituten de analisten vaak de rating uit de modellen aanpassen al naar gelang hun onderbouwde inzichten, ook de modellen zelf zijn vaak opgebouwd uit (subjectieve) ervaringsparameters naast absolute objectief statistische parameters.

Er is wel een mogelijk gevaar bij een toename van de subjectiviteit bij het proces. De controle mechanismen zijn over

het algemeen uitgebreider en duurder en de consistentie lager. In onderstaand figuur de uitslagen van een test bij een Australische bank die diverse analisten dezelfde set van 6 klanten liet beoordelen. Duidelijk is te zien dat de spreiding in de resultaten significant zijn. Aan de ander kant is de focus op puur statische uitkomsten te beperkt, waardoor belangrijke informatie niet in de afweging bij het opstellen van de rating wordt meegenomen (McDonald en Eastwood, 2001). D

Diagram 3.4

De spreiding van ratings van analisten werkzaam bij dezelfde bank die een set van 6 klanten moesten raten, waarbij het proces was gebaseerd op de traditionele subjectieve methode (McDonald en Eastwood, 2001). Moody’s rating

klant 1

2

3

4

5

6

A1 A2 A3 Baa1 Baa2 Baa3 Ba1 Ba2 Ba3 B1 B2 B3 Normaliter kan men dus stellen dat bij een standaard ratingproces de krediet rating door een systeem wordt gegenereerd welke vervolgens door de expert wordt gebruikt als basis voor de uiteindelijke krediet rating.

Een krediet rating geeft het risico weer en deze zou onafhankelijk van de methode dezelfde uitkomst hebben.

Subjectieve parameters zouden tot het zelfde resultaat moeten leiden als een model met kwantitatieve parameters. De verschillende auteurs beschrijven echter dat het proces een kwantitatieve basis moet hebben en dat volledige subjectieve beoordelingen niet voldoende betrouwbaar zijn. Een model voor vastgoed zal daarom een goede kwantitatieve basis moeten hebben om spreiding in uitkomsten tegen te gaan, waarbij beperkte aanpassingen gemaakt kunnen worden door een (team van) expert(s) ten behoeve van parameters die modelmatig niet voldoende behandeld worden.


28

De (krediet)waardigheid van vastgoed Rating Entiteit Een belangrijk gegeven is waarop de rating van toepassing is. Een issue specifieke rating is gebaseerd op de specificaties van de uitgever en de specifieke issue. Bij een issuer rating wordt gekeken naar de mogelijkheid van de uitgever om aan zijn verplichtingen te voldoen.

Volgens een studie van McDonald en Eastwood uit 1998 hanteert circa 40% van de financiële instellingen de twee

dimensionale ratingbenadering oftewel de issue specifieke rating. De basis blijft vaak de client rating, die vervolgens wordt aangepast voor de kredietfaciliteit (McDonald en Eastwood, 2001). Het Basel II akkoord heeft als voorwaarde het gebruik van het twee dimensionale systeem. In het geval van Basel II is dat default risk (PD) en loss given default (LGD). Waarbij PD het clientenrisico is en LGD voor de faciliteit zelf is, waarbij het default risico en de grootte van het verlies bij default zijn gecombineerd (Van Gestel en Baesens, 2009). Point in time and through the cycle ratings In krediet ratings is een onderscheid te maken tussen point in time (PIT) ratings en through the cycle (TTC) ratings. PIT ratings zijn gebaseerd op een korte termijn van circa 1 jaar. Dergelijke ratings houden rekening met de gezondheid van de onderneming maar ook met tijdelijke economische schokken en conjuncturele golven. TTC ratings hebben een tijd horizon van 5 jaar of langer. Bij deze ratings worden economische schokken en conjuncturele golven zoveel mogelijk buiten beschouwing gelaten. Dit soort ratings veranderen normaliter dan ook alleen bij een verandering van de geldnemers financiële conditie (Van Gestel en Baesens, 2009). Bij TTC ratings verschillen dan ook de default rates bij verschillende economische tijden (McDonald en Eastwood, 2001).

Externe partijen gebruiken in het algemeen de TTC methode terwijl banken intern vaak kiezen voor de PIT methode

(McDonald en Eastwood, 2001). De TTC methode heeft als voordeel stabielere ratings die ook bij economische neergang gelijk kunnen blijven. Bij banken komt het vaak voor dat de PIT ratings in economisch slechtere tijden naar beneden worden bijgesteld doordat de ratings maar op kortere termijn worden samengesteld. Dit heeft als effect dat de (vanuit toezichthouders) gewenste kapitaalbuffers verhoogd moeten worden. Waarna meestal een restrictiever kredietverleningenbeleid wordt gevoerd waardoor investeringen verminderen of uitblijven. Het uitblijven van investeringen heeft dan weer een negatief effect op de economie zodoende mogelijk een sneeuwbal effect te veroorzaken. Er wordt dan ook wel gesteld dat PIT ratings een versterkend effect hebben op cyclussen van de economie (pro-cyclisch) (Gordy and Howells, 2004). Dit is dan ook een reden voor het Basel II comité om te pleiten voor TTC ratings. Initiatief voor rating Bij banken is het initiatief altijd gelegen bij de bank zelf. Deze wil inzichten hebben over zijn kredietportefeuille, maar ook van een debiteur ter bepaling van de hoogte van de risico-opslag. Bij het rating-proces van Standard and Poors, Moodys of Fitch is dit afwijkend. De initiatiefnemer kan het ratingbureau zijn of de emittent van de schuldtitel zelf. Als het ratinginstituut op eigen initiatief een ratingproces aanvangt zal het zich in de meeste gevallen op enkel openbare gegevens moeten baseren. Als de emittent het initiatief neemt, zullen ook niet openbare databronnen beschikbaar zijn voor het ratingbureau.

Bij een rating op initiatief van het ratingbureau werkt het desbetreffende bedrijf toch vaak in meer of mindere mate

mee. Het bedrijf heeft natuurlijk baat bij een zo hoog mogelijke rating (van der Ent, 1993). (Bedrijven worden beloond om alleen maar positieve info te geven – vertekening feitelijkheid). Rating Levensduur Een rating moet regelmatig gecontroleerd worden op actualiteiten. Vooral het risico van een verslechterende kredietwaardigheid is het belangrijk om zo vroeg mogelijk in staat te zijn de krediet rating aan te passen. Als een krediet rating wordt toegewezen dan noemt men dat in de regel een nieuwe rating. Als er geen veranderingen optreden in de rating dan is de rating bevestigd. Een rating kan ook downgraded of upgraded worden indien de ratingagent daar aanleiding toe ziet. Vaak voordat een krediet rating wordt bevestigd of aangepast, kan de rating op een Krediet Watchlist geplaatst worden. Dit gebeurt wanneer er een grote kans is dat de rating positief of negatief zal worden aangepast.

De belangrijkste manier van evalueren van krediet ratings gebeurt door geautomatiseerd statistisch onderzoek waarbij

gekeken wordt naar enkele veel gebruikte financiële ratio’s. Mochten deze verslechteren dan kan dat aanleiding zijn voor verdergaand onderzoek. De data voor het geautomatiseerde onderzoek komt onder meer uit kwartaal, halfjaar en jaarcijfers, maar ook persberichten over omzet en dergelijke. TTC ratings zijn minder onderhoudsgevoelig dan PIT ratings, omdat deze Amsterdam School of Real Estate - Robert Kat

29

De (krediet)waardigheid van vastgoed voornamelijk gebaseerd zijn op de onderneming zelf. Bij PIT ratings worden ook de economische staat betrokken en dit zorgt voor frequentere controle (Van Gesten en Beasens, 2009). Uit onderzoek van Altman en Kao (1992) blijkt dat een groot aantal ratings gedurende de looptijd worden aangepast. Ratings kunnen verbeteren en verslechteren. Ter illustratie hebben Altman en Kao (1992) 7195 obligaties gevolgd, daarvan was de AAA rating van 47,9% van de obligaties in de loop van 10 jaar naar beneden aangepast.

Een rating kan ook ophouden te bestaan als deze wordt teruggetrokken door de ratingagent. Dit kan verschillende

redenen hebben zoals een fusie of overname, faillissement, maar ook indien de ratingagent te weinig informatie heeft of niet meer betaald wordt voor het opstellen van de krediet rating. Een krediet rating van een bepaald financieel product stopt natuurlijk indien het product is afgelost of is opgehouden te bestaan. Validatie van krediet ratings Ex-post worden krediet ratings bij banken voortdurend gecontroleerd op validiteit. Maar binnen banken worden de interne ratings ook wel vergeleken met openbare krediet ratings van de grote rating instituten. Banken valideren hun krediet ratings op effectiviteit en accuraatheid. Is het systeem goed toegerust om op een effectieve manier een krediet rating te gegenereren en hoe accuraat zijn deze voorspelde ratings. Daarnaast beoordelen zij of alternatieve rating schema’s beter zouden functioneren. (McDonald en Eastwood, 2001). Er zijn dus drie redenen om de krediet ratings ex-post te valideren: I.

zorgt het systeem op een effectieve manier voor een rating,

II.

vaststellen van de accuraatheid van de voorspelde ratings,

III.

bekijken of alternatieven/verbeteringen in het systeem om de kwaliteit te verhogen.

Country Ceiling Bij ratingbureaus wordt vaak gewerkt met een country ceiling. Bij het opstellen van een rating wordt het land waarin de onderneming actief is gezien als een risico factor. Een onderneming in een bepaald land kan binnen deze redenatie geen hogere rating ontvangen als het land waarin deze opereert. Bij banken is dit ook gemeengoed, slechts enkele banken geven aan dat ze geen rekening houden met het risico van een land. (Model Task Force, 2000).

3.1.3 Beperkingen Een krediet rating blijft een inschatting van het risico en is geen absolute wetenschap. Ratings komen tot stand door complexe financiële modellen en financiële experts. Deze modellen en experts zijn afhankelijk van de kwaliteit van de modellen, maar ook van de kwaliteit van de input. Garbage in = Garbage out. Een krediet rating kan verkeerd zijn ingeschat omdat er te weinig of verkeerde date is gebruikt. Bij het beoordelen van bedrijven is het ratingbureau afhankelijk van de input van het bedrijf die voordeel heeft om schadelijke informatie achter te houden. Hoewel er veel onzekerheden zijn blijken ratingbureaus een goede staat van dienst te hebben (Van Gestel en Baesens, 2009).


30


3.2 Risico Modellen Een belangrijk onderdeel van het ratingproces is de manier waarop het risico wordt bepaald. Veelal gebeurt dit met risicomodellering. Een risicomodel is meer het technische gedeelte in het ratingproces. Twee van de drie stappen in het ratingproces hebben een directe link met het model. Een ratingmodel is dan ook een belangrijke factor in de uiteindelijke uitkomst van het ratingproces. Hoewel bij de Moody’s en andere ratingbureaus de kwalitatieve benadering van doorslaggevend belang zijn werken ook zij in de basis vaak met rekenkundige modellen en/of financiële ratio’s. D

Diagram 3.5

Gegevens worden verwerkt door het model



Proces in drie stappen volgens Van Gestel en Baesens, waarbij in de eerste stap de gegevens door het model worden verwerkt en in stap 2 een score genereert (2009).

De gehanteerde modellen kunnen verschillende invalshoeken hebben. Van Gestel en Baesens (2009) en McDonald en Eastwood (2001) maken gebruik van de volgende onderverdeling; I.

fundamentele modellen,

II.

statistische modellen,

III.

expert modellen.

In de volgende paragrafen wordt kort ingegaan op elk van deze drie soorten en de eigenschappen. Ook worden per invalshoek diverse veel gebruikte modellen kort besproken teneinde een goed beeld te krijgen van de verschillen. Het doel van de bespreking van de modellen is tweeledig. Ten eerst is het van belang om dieper in te aan op het ratingproces om te begrijpen hoe een krediet rating tot stand komt en welke mogelijkheden er zijn om een krediet rating te bepalen. Ten tweede is het van belang om te kunnen beoordelen wat een geschikt model zou zijn dat gebruikt kan worden bij het bepalen van het risico van vastgoedobjecten, evenals kredietratings deze vervullen in de financiële wereld.

3.2.1 Fundamentele modellen Fundamentele modellen hebben als basis financiële en economische theorieën. Een veel gebruikt en bekend fundamenteel model is het model van Moody’s Risk Management Services. Het model is gebaseerd op een standaard winst model gecombineerd met Black en Scholes optie theorieën (McDonald en Eastwood, 2001). Soortgelijke theoretische raamwerken worden toegepast in het Merton model en het Gambler’s Ruin model (Van Gestel en Baesens, 2009). Beide modellen gaan uit van een financieel vangnet bestaande uit het eigen vermogen. Indien dit vangnet wordt aangesproken door verliezen neemt het risico toe. In het geval dat het vangnet eventuele verliezen niet meer kan dekken ontstaat er een default situatie. Hieronder wordt meer in detail ingegaan op beide modellen. Daarnaast worden de perfect-accesss en imperfect-access modellen van Scott (1981) besproken die een vervolg zijn van het Gambler’s Ruin model. Afsluitend wordt kort ingegaan om de Market Implied modellen.


31

De (krediet)waardigheid van vastgoed Merton model Het Merton model is gebaseerd op het Black en Scholes optie waarderingsmodel. Het model werd geïntroduceerd in 1974 door Robert Merton. Het model toont het risico met het karakteriseren van het eigen vermogen van een bedrijf als een call optie op de onderliggende activa (Lu, 2008). Het model neemt als basis de activa van een onderneming. Aangenomen wordt dat de activa verhandelbaar zijn en dat de waarde van de activa verloopt middels een toevallig patroon (Brownse beweging). Zolang de activa hoger zijn dan de schuld aan de passiva zijde van de balans heeft de onderneming een positief eigen vermogen en daarmee is het in staat is zijn schulden af te lossen. Het eigen vermogen heeft daarmee een gelijksoortig verloop als een call-optie (zie Grafiek 3.1). G

Grafiek 3.1

eigen vermogen

activa

schuld

50 40 30 20 10 0 waarde activa

Waarde van het eigen vermogen in verhouding tot de waarde van de activa en de hoogte van de schuld. De ontwikkeling van de waarde van het eigen vermogen heeft een gelijk patroon als het verloop van de waarde van een calloptie. E(t) = max[A(t) - S,0] E = eigen vermogen A = waarde activa S = schuld Door het inschatten van de variatie van de waarde van de activa krijgt men inzicht in de kans dat de onderneming op een bepaald tijdstip in default raakt. Hoe hoger de variantie van de activa en hoe hoger het financieringspercentage des te groter is de kans op default. Het model is in de jaren 80 uitgebreid door onder andere Vasicek en Kealhofer. Dit model is bekend als het Vasicek-Kealhofer model (KV-model). Het KV-model model wordt onder andere gebruikt door Moody’s (Lu, 2008). Dit model genereert als paramater de Expected Default Frequency (EDF). Deze parameter geeft aan wat de kans is dat een bedrijf in default raakt door te kijken naar welk gedeelte van de kansverdeling van de waarde van de activa onder de default grens liggen (default grens is gelijk aan de hoogte van schuld) (Lu, 2008).


32


G

Grafiek 3.2

verdeling A(t)

0

10

20

30

schuld

40

50

60

70

80

waarde active

De kansverdeling van de waarde van de activa van de onderneming. De kans dat de onderneming in default raakt is het oranje gebeid c.q. de kans dat de waarde van de activa lager is dan de hoogte van de schuld. Gamblers Ruin In de basis zijn er veel parallellen tussen het Merton model en het Gamblers Ruin model. Beide modellen veronderstellen dat de equity de buffer is van een debiteur om aan zijn verplichtingen te voldoen. Het Gambler’s Ruin model is gebaseerd op de theorie van Christiaan Huygens waarmee de kans berekend kan worden van elke speler in een gokspel om na een serie van spelletjes de gehele pot te winnen. P1 = n2 / (n1 + n2) en P2 = n1 / (n1 + n2) Voorbeeld; er zijn twee gokkers die een spelletje kop of munt spelen. Speler 1 (P1)heeft 8 euro (n1) en speler 2 (P2) heeft 5 euro (n2). De inleg per spelletje is 1 euro. De kans dat speler 1 al zijn inleg verliest is 5 gedeeld door 8+5 is 39%. De kans dat speler 2 zijn geld volledig verliest is 61%.

Het model veronderstelt dat verliezen worden gecompenseerd door de verkoop van assets (Scott, 1981). De

onderneming wordt gezien als een gokker en het faillissement vindt plaats wanneer het bedrijf een waarde heeft van 0. In het model dat gebruikt wordt voor het bepalen van de kans op default wordt de afstand tot default berekend (Van Gestel en Baesens, 2009): distance to default = E(CF) + E gedeeld door qCF E(CF) = de gemiddelde kasstroom E = de boekwaarde van het eigen vermogen qCF = de variantie in de kasstromen De variantie van de kasstromen wordt berekend door het uitvoeren van simulaties van mogelijke kasstromen op basis van een stochastisch proces met markov eigenschap. De parameters voor het opzetten van deze simulaties kunnen worden verkregen door gebruik te maken van de kennis van experts en/of uit historische data (Van Gestel en Baesens, 2009).


33

De (krediet)waardigheid van vastgoed Perfect-access modellen Het perfect-access model en imperfect-access model is een uitgebreide versie van het Gambler’s Ruin model. Verliezen in deze modellen kunnen niet alleen opgevangen worden door de verkoop van assets, maar ook door het ophalen van additioneel eigen- of vreemd vermogen (Scott, 1981).

In het Perfect-access model wordt een perfecte toegang tot de kapitaalmarkt verondersteld. Een onderneming kan

verliezen compenseren door op de kapitaalmarkt geld op te halen. Transactiekosten zijn in dit model niet meegenomen. Het kan tevens verliezen compenseren door de verkoop van assets. Het model gaat ervan uit dat verkoop van assets gebeurt in een imperfecte markt en daarom minder oplevert dan wat het de waarde vertegenwoordigt voor het bedrijf. Dit is ongunstig zolang de waarde van de assets en de onderneming positief zijn. Als men dit vertaald naar een vastgoed object dan is de belegger gewillig om additioneel vermogen te verschaffen indien de marktwaarde minus het verlies hoger ligt dan 0.

Een lage marktkapitalisatie is in deze redenatie niet alleen een voorspeller van bankroet, maar verhoogt tevens het de

kans op bankroet. De hoogte van de marktkapitalisatie representeert namelijk het bedrag dat de onderneming kan aantrekken om verliezen te compenseren (Scott, 1981).

Het Imperfect-access model is een aangepast Perfect-access model. De veronderstelling dat een onderneming

zonder kosten kapitaal kan ophalen op de kapitaalmarkt is in de realiteit een onjuiste. In het Imperfect-access model worden de kosten voor het ophalen van kapitaal meegenomen. Naarmate de kosten van kapitaal toenemen kan er een economische voorkeur ontstaan om voor kleine verliezen eerst assets te verkopen. De kosten zijn dan dermate groot dat in verhouding de mindere opbrengsten van de asset opwegen tegen de kosten voor het ophalen van vermogen. Gambler’s Ruin versus (Im)perfect-access modellen Beide modellen hebben veel parallellen. Het verloop van de kasstromen is de belangrijkste factor voor het bepalen van de kans op faillissement. Dit verloop wordt bepaalt door het gemiddelde en de standaarddeviatie van een winst variabele. Het verschil zit hem in de manier waarop verliezen gecompenseerd worden. Het Gambler’s Ruin model gaat uit van de verkoop van eigendommen ter compensatie van verliezen. Verkoop vindt plaats tegen executiewaarde. De (Im)perfect-access modellen gaan uit van een keuze. Indien de contante waarde van de onderneming positief is zullen aandeelhouders en vreemd vermogen verschaffers bereid zijn om vermogen beschikbaar te stellen. Bij een negatieve waarde zullen ook hier assets verkocht moeten worden (Scott, 1981). CreditMetrics Model Deze modellering maakt gebruik van de value-at-risk benadering. De risicomaatstaf value-at-risk (VaR) berekent het verwachte maximale verlies voor een bepaalde tijdsperiode met een bepaalde mate van betrouwbaarheid. Het verwachte maximale verlies wordt berekend aan de hand van de huidige marktwaarde en de standaardafwijking van die marktwaarde (Saunders en Allen, 2002). Omdat er geen marktwaarde en standaardafwijking bekend zijn over de (interne) kredieten wordt gebruikt gemaakt van: I.

de beschikbare externe kredietratings van de debiteuren (Standard & Poors en Moody's),

II.

de waarschijnlijkheid dat een rating zal wijzigen (middels de rating transition matrix),

III.

de kredietspreads van de verschillende debiteurenklassen uit de obligatiemarkt.

Middels deze data kan een hypothetische marktwaarde en volatiliteit berekend worden. De rating transition matrix is gebasseerd op historische data van Moody’s, Standard & Poors of Fitch en vormt de basis voor de modellering. Deze matrix geeft de kans weer dat een rating een up-grade of een down-grade krijgt. Mocht een rating een upgrade krijgen dan betekent het dat het krediet een lager risicoprofiel heeft en bij een door de debiteur gelijkblijvende risico-opslag een hogere contante waarde. Bij een down-grade gebeurt het tegenovergestelde. Op basis hiervan kan een waarschijnlijkheidsverdeling gemaakt worden. Door het koppelen van de risico-opslagen in de obligatiemarkt kan vervolgens de gemiddelde waarde van het krediet berekend worden. Deze twee uitkomsten zijn de input van het VaR model. Onderstaand een voorbeeld van een dergelijke rating transition matrix.


34


T

Tabel 3.5

1-jaars rating transition matrix op basis van brede krediet categorieën. Het percentage geeft weer hoeveel ratings zijn verschoven op bais van de rating aan het begin van het jaar en de rating aan het einde van het jaar voor de periode 1987 tot 1995 (Fons, 1995) rating aan het einde van het jaar rating

Aaa

Aa

A

Baa

Ba

B

C’s

WR

Aaa

84,2%

1,2%

0,1%

0,0%

0,0%

0,0%

0,0%

14,5%

Aa

4,1%

86,7%

3,0%

0,5%

0,1%

0,0%

0,0%

5,6%

A

0,8%

8,7%

79,2%

8,3%

0,6%

0,2%

0,0%

2,1%

Baa

0,0%

0,7%

3,0%

89,4%

7,9%

1,4%

0,0%

0,3%

Ba

0,0%

0,0%

0,0%

0,0%

90,5%

7,1%

2,4%

0,0%

B

0,0%

0,0%

0,0%

0,0%

0,0%

70,8%

29,2%

0,0%

C’s

0,0%

0,0%

0,0%

0,0%

0,0%

0,0%

100,0% 0,0%

WR

0,0%

0,0%

0,0%

0,0%

0,0%

0,0%

0,0%

100,0%

Volgens Van Gestel en Baesens (2009) zijn bovenstaande methodes voornamelijk interessant als er een gebrek is aan statistische data. Bijvoorbeeld in het geval van een zeer afwijkend business model of bij een startend bedrijf. Market implied modellen Een andere methode om de kans op default in te schatten is om te kijken naar de beprijzing van schuldtitels en eigenvermogen door de markt, bijvoorbeeld op de secondary markt. Uit marktprijzen worden dan risico-indicatoren gedestilleerd. Het voordeel is dat de marktprijzen vaak een hoge beschikbaarheid hebben en dat ze regelmatig worden geupdate. De markt kan echter grote afwijkingen vertonen met de door empirisch onderzoek vastgestelde risicograad van een onderneming (Van Gestel en Baesens, 2009).

3.2.2 Statistische modellen Als er veel statistische gegevens zijn dan kan men op basis van die gegevens een statistisch default model ontwikkelen. Financiële modellen hebben vaak afwijkingen met empirische observaties (Van Gestel en Baesens, 2009), hier kan een statistisch model aan tegemoet komen. McDonald en Eastwood (2001) onderscheiden drie soorten statistische modellen: I.

Lineaire kans modellen,

II.

Logit/Probit modellen,

III.

Lineair Discriminatie modellen.

Lineaire kans modellen Een lineaire kans model bestaat in de basis uit twee delen. Een deterministisch gedeelte in de vorm van een lineaire vergelijking en een kans variabele. Voor het opstellen van dit soort modellen wordt gebruikt gemaakt van enkele of meerdere kwantitatieve en kwalitatieve variabelen. Op basis van deze gegevens kan er een debiteur profiel gemaakt worden die gekoppeld wordt aan dichotoom afhankelijke variabele. Het nadeel van deze methode is dat een debiteur niet exact te rangschikken is in de twee verschillende uitkomsten (in gebreke of niet in gebreke), zodat een parameterschatting lastig is (McDonald en Eastwood, 2001). Logit/Probit modellen Deze modellen zijn min of meer gelijk aan de lineaire kans modellen behoudens de output die ze genereren. De output van logit of probit modellen zijn niet twee mogelijkheden (succes of falen), maar ook alles wat er tussenin zit. De uitkomsten van een logit model hebben een logistieke verdeling en de probit modellen een cumulatief standaard normaal verdeling. Dit soort Amsterdam School of Real Estate - Robert Kat

35

De (krediet)waardigheid van vastgoed modellen worden door de toenemende statistieke rekenkracht van computers steeds meer standaard in de bankwereld gebruikt (McDonald en Eastwood, 2001).

Een bekend voorbeeld van een toepassing van het probit model is de Z-score. De Z-score is in 1968 ontwikkeld door

Edward I. Altman en houdt rekening met 5 variabelen, waaronder het werkkapitaal, winstreserve en de winst voor belasting en rente. Elke variabele wordt gewogen met als uitkomst de Z-score. Naarmate de Z-score lager is dan is de kans groter dat een bedrijf op termijn failliet gaat. Met een score van 1,8 of minder bevindt een bedrijf zich in de ongezonde zone, terwijl een score van 3 of meer op een gezonde onderneming duidt. Altman ontwikkelde de formule in de jaren 60. In deze periode werd het Amerikaanse economisch landschap gedomineerd door industriële bedrijven. Met een kleine aanpassing is de Zscore ook te gebruiken voor de dienstensector (Heughebaert, 2007). Lineair Discriminatie modellen Deze statistische methode is in 1936 ontwikkelde door R.A. Fisher. Modellering middels deze methode is ondanks de leeftijd van de methode nog steeds actueel. De basis van het model verschilt niet veel van de overige statistische modellen, maar wel de output. Het voordeel van de methode is namelijk dat de uitkomsten goed te onderscheiden zijn (discriminatie). Door het analyseren van een set van variabelen probeert men groepen te onderscheiden. Men streeft ernaar om het verschil in kenmerken tussen groepen zo groot mogelijk te maken, terwijl de verschillen in de groep zo beperkt mogelijk zijn (DTREG, 2009). Een onderverdeling in groepen zou kunnen zijn; geen faillissementsgevaar, beperkt faillissementsgevaar en faillissementsgevaar. Ontwikkelingen in statistische modellering Naarmate de computerkracht toeneemt kunnen steeds meer geavanceerde systemen en modellen ontwikkeld worden. Bij kunstmatige neurtale netwerken (kunstmatige intelligentie) leert de computer zelf hoe hij het beste tot een oordeel kan komen of een partij weinig of veel krediet risico heeft. Dergelijke systemen zijn vaak opgebouwd uit neuronen (kleine procesoren) die onderling in connectie staan. De computer leert naarmate deze wordt gevoed met informatie over welke connecties het beste werken en kan zelfs additionele procesoren en connecties aanmaken al naar gelang de output daardoor verbetert. Het model kan zichzelf trainen tot het doen van betere voorspellingen. Een groot nadeel van dit soort systemen is het black-box gehalte. Het systeem kan geen onderbouwing geven van de configuratie tot welke het is gekomen.

McDonald en Eastwood (2001) geven dan ook aan dat dergelijke systemen bij banken (nog) niet gebruikt worden bij

het opstellen van krediet ratings. Wel gebruiken sommige banken dergelijke modellen bij het opsporen van fraude in dergelijke netwerken. Een Australische bank gaf aan wel een dergelijk systeem te ontwikkelen. Niet om het als ratingsysteem te gebruiken, maar om het ratingsysteem dat in gebruik is te kunnen verifiëren (valideren). Gebruik van statistische modellen Naarmate het aantal variabelen toeneemt worden modellen complexer. De effectiviteit van sommige variabelen kan beperkt zijn. Een goed statistisch model heeft een balans tussen de mate van complexiteit en de uitkomsten (Van Gestel en Baesens, 2009). Het streven is om een model zo eenvoudig mogelijk te houden zonder dat dit ten koste gaat van de bruikbaarheid van de uitkomsten.

Een belangrijke stap bij de ontwikkeling van een statistisch model is het testen van de output. Bij voorkeur neemt

men een dataset voor het testen die niet is gebruikt voor het opzetten van het model. Middels deze dataset kan dan beoordeeld worden of de uitkomsten in lijn zijn met de verwachtingen. Het model heeft als doel het beoordelen van het krediet risico. Een test moet uitwijzen of het model dit adequaat en betrouwbaar kan doen. Bij het testen van het model kan het toetsen van de uitkomsten middels een beoordeling van een expert helpen om de tekortkomingen van het model bloot te leggen (Van Gestel en Baesens, 2009).

Scott (1981) geeft aan dat de statistische modellen goed in staat zijn om een onderscheid te maken tussen bedrijven

die failliet gaan en welke solvabel blijven. Hij onderstreept dan ook het belang van deze modellen voor de moderne financiële wereld. Als kanttekening stelt hij dat de modellen geen volledige wetenschappelijke steun hebben, gedeeltelijk omdat ze de onderbouwing van bekende en goed onderbouwde economische theorieën missen.


36


3.2.3 Expert modellen Men kan door een gebrek aan data kiezen voor het gebruik van financiële experts. Een financieel expert kan met zijn ervaring een gedegen professioneel oordeel geven over een debiteur. In het verleden was het meestal een expert die de rating gaf en ook nu nog hebben experts bij de grote rating bureaus vaak het laatste woord. Het gebrek aan data alleen is niet de reden om een financieel expert te gebruiken. Een financieel expert heeft ook andere voordelen. Een expert werkt vaak op een gelijksoortige manier als de statistische modellen. Op basis van financiële informatie berekent hij ratio’s en de ontwikkeling van deze ratio’s door de tijd heen. Daarnaast wordt op een meer kwalitatieve manier gekeken naar onder meer het management, de strategie en de efficiency van een onderneming. Als sterk punt noemt Van Gestel en Baesens (2009) dan ook dat experts in detail kunnen onderzoeken hoe het met en onderneming gaat. Indien een expert verder onderzoek nodig acht kan hij dat zelf ondernemen, terwijl een statistisch of fundamenteel model beperkt is tot de variabelen die zijn benoemd. Als zwak punt noemen ze het gebrek aan transparantie in het rating proces van expert modellen. De reproduceerbaarheid van ratings is daarmee zeer lastig geworden. In de vorige paragraaf werd dit al kort behandeld. Figuur (2.X) laat goed de bandbreedte zien van verschillende experts bij de rating van eenzelfde onderneming. Daarnaast is het lastig om de ratings naderhand te evalueren. Bij een foutieve rating is het niet eenvoudig de hand op de zere plek te leggen.

Een tweede gevaar bij experts is de tendens bij mensen van overschatting van de eigen capaciteiten en

vaardigheden en het onderschatten van de eisen van de taak (Van Gestel en Baesens, 2009). Om de nadelen van expert ratings te ondervangen doen de grote ratingbureaus veel aan kwaliteit bewaking en werken de experts vaak in teams.

3.2.4 Vertalen score naar rating Nadat het model staat zal het een bepaalde output genereren. De output zal in de meeste gevallen een numeriek gegeven(s) zijn welke voor de gebruiker moeilijk(er) interpretabel zijn. Om te komen tot een rating zal er dus een vertaling moeten plaats vinden van die output. D

Diagram 3.6

Gegevens worden verwerkt door model



Proces in drie stappen volgens Van Gestel en Baesens, waarbij de laatste stp het vertalen van de score naar een rating is (2009).

Van belang bij de vertaling is dat de uitslagen binnen een bepaalde rating voldoende op elkaar aansluiten en dat het verschil tussen de verschillende ratings voldoende groot is (Van Gesten en Beasens, 2009). Een rating moet immers een onderscheidend karakter hebben. Hoe meer ratingsegmenten hoe lager het verschil tussen de ratings.

Het is van belang dat de ratings die aangewezen worden bij de output van het model achteraf gecontroleerd worden.

Niet alleen kan er aanleiding zijn om het model aan te passen om meer accurate output te genereren, maar ook de segmentering van de output kan achteraf voor aanpassing in aanmerking komen. Doel van de aanpassing is niet alleen het optimaliseren van de segmentatie en het onderscheid tussen de ratingsegmenten, maar ook het in stand houden van een mate van continuïteit. Met deze continuïteit behoudt men niet alleen de vergelijkbaarheid tussen ratings uit verschillende jaren, maar verhoogt men ook de betrouwbaarheid van de rating als instrument voor risicoinschatting.


37


3.2.5 Conclusie Een model is zo bruikbaar als de kwaliteit van de output die het genereert. Van Gesten en Beasens (2009) noemen in hun boek twee belangrijke factoren voor een goed werkend model. Ten eerste moeten de uitkomsten van een model een onderscheiden karakter hebben. De rating moet duidelijke uitwijzen welke partijen in staat zijn hun schulden te betalen en welke niet. Daarnaast moet het model accuraat zijn. Een goed model is in staat een accurate schatting te geven van het gemiddelde toekomstige verlies. Scott (1981) benadrukt dat een model moet bestaan uit relevante variabelen. Het toevoegen van voorspellende variabelen kan zorgen voor een betere voorspelling van de kans op default, maar kan ook een vergroting van het subjectieve karakter met zich mee brengen. Hij wijst erop dat modellen met 1 variabele soms tot wel 78% nauwkeurig kunnen zijn over een periode van 5 jaar.

Scott (1981) concludeert dat het gebruik van statistische modellen de beste uitkomsten geven in de

ondernemingswereld. Statistische modellen zoals de Z-score van Altman geven een redelijk nauwkeurige weergave van het risico op faillissement. Dit soort modellen zijn gebaseerd op meerdere variabelen. Winst, omzet en schuld zijn veel voorkomende variabelen in deze modellen. Het nadeel blijft dat de modellen niet onderbouwd worden door expliciete financiële theorie.

Ook uit diverse andere onderzoeken en publicaties (Van Gesten en Beasens (2009), Model Task Group (2000) en

meer) blijkt dat statistische modellen een betere prestatie leveren dan expert modellen. In het geval van een gebrek aan informatie heeft de expert wel toegevoegde waarde. Omdat de data beschikbaarheid in de vastgoed wereld beperkt is zal bij het opstellen van een vastgoed rating een expert opinion een goede aanvulling kunnen zijn. Het gebrek aan statistische gegevens kan deels opgelost worden door het gebruik van fundamentele modellen. De transparantie bij dit soort modellen ligt hoger dan bij expert modellen en heeft daarom in deze thesis de voorkeur.

Fundamentele modellen zijn in het verleden minder succesvol gebleken (Scott, 1981). Dit heeft negatieve implicaties

voor het gebruik van dergelijke modellen voor de bepaling van de kredietwaardigheid van vastgoed. Een alternatief in de vorm van statistische modellering is evenzo onwaarschijnlijk gezien de statistische bronnen in het vastgoed welke niet voldoende omvang en frequentie hebben. In deze context lijkt een expert model een oplossing. Een objectief/kwantitatief model lijkt daarmee buiten beeld. Echter Scott (1981) geeft aan dat er parallellen zijn tussen statistische en fundamentele modellen. Belangrijke determinanten in de statistische modellen zijn op meer of mindere vergelijkbare wijze ook aanwezig in de fundamentele modellen. Dit zou kunnen impliceren dat fundamentele modellen wel degelijk bruikbaar zijn voor de bepaling van vastgoed risico’s (insolventie). Daarnaast is het model dat bijvoorbeeld gebruikt wordt door Moody’s gedeeltelijk opgebouwd op een fundamentele manier. Dat model wordt veel gehanteerd bij de banken die gebruik maken van IRBA. Er is dan ook gekozen voor een fundamentele benadering van het beoordelen van vastgoedrisico’s zoals gedefinieerd in de paragraaf vastgoed risico. Dat betekent niet dat er beperkt statistisch onderzoek gedaan zal worden. Fundamentele modellen rusten wel degelijk op meerdere fronten ook op statistische gegevens als input. De praktijk zal moeten uitwijzen of een fundamenteel model ook bruikbaar zal zijn.


38


Ontwikkeling model Een praktisch model waarmee de vraagstelling van deze thesis beantwoord wordt. Het beoordelingsmodel met theoretisch kader, praktische uitwerking en uitgangspunten. De modellering en een betoog over de implicaties van de mogelijke uitkomsten van het model voor het vaststellen van een rating voor vastgoed.

4.1 Introductie (wat willen we bereiken) In de inleiding werd gesproken over de inadequate inschatting van risico van vastgoed(objecten). In hoofdstuk twee is geconstateerd dat voor de veel gebruikte methodes om risico in te schatten in de vastgoedmarkt te weinig data voorhanden zijn. In tegenstelling tot veel andere vermogenstitels is er bij vastgoed geen dagelijkse prijsvorming en zijn de objecten onderling niet goed te vergelijken.

In de financiële markt wordt sinds meer dan honderd jaar gebruik gemaakt van de rating. Ratings geven een

weergave van het risicoprofiel van een onderneming. In de 19de eeuw was het opstellen van een rating een alternatief voor de volatiliteit, omdat er in de toenmalige markt ook weinig historische data voorhanden waren. Hoewel de datavoorziening voor obligatieleningen, maar ook voor bedrijven momenteel veel beter is, gebruikt men de rating nog steeds. Een rating is dus een goed instrument om het risico van een investering of financiering te beoordelen. Het doel is dan ook om de rating toe te passen op het vastgoed. Om dit doel te bereiken zal de rating methodologie toegepast moeten worden op vastgoed. Het subject de onderneming in de ratings moet worden vervangen door het subject vastgoed object. onderneming = vastgoedobject Een bedrijf is insolvent als deze niet meer aan zijn verplichtingen kan voldoen. Indien de eigenaar (of eigenaren) van de onderneming nog wel toekomst zien dan kunnen zij beslissen om additioneel kapitaal te verstrekken om een insolventie te vermijden. Zolang de waarde van de onderneming hoger is dan het verlies zal de eigenaar in theorie middelen aan de rechtspersoon verstrekken. Als dit aan een onroerend goed object wordt gespiegeld dan is een onroerend goed object niet meer solvent indien de marktwaarde van het eigen vermogen van de volgende periode lager is dan het verlies in de huidige periode. MW1 - S1 + W0 < 0 MW1 = Marktwaarde volgende periode, S1 = Totale schuld volgende periode, W0 = Winst huidige periode De marktwaarde van het eigen vermogen is afhankelijk van de kasstromen in de toekomst. MW1 = SOM FCFt / (1 + R)t FCF = Free Cash Flow, R = disconteringsvoet Amsterdam School of Real Estate - Robert Kat

39

De (krediet)waardigheid van vastgoed De marktwaarde van het eigen vermogen is genomen, omdat het boekhoudkundige eigen vermogen te beperkt is. Als het verlies groter is dan het boekhoudkundige EV, maar er is veel winstpotentie in de toekomst, dan zal de belegger het onroerend goed niet failliet laten gaan. Hierbij is geen rekening gehouden met de kans dat een eigenaar niet de middelen heeft om financieel bij te springen. Er wordt in dit denkkader gerekend met eigenaren die in theorie oneindig kapitaal kunnen verstrekken zolang dit economisch interessant is. Winst is het equivalent bij vastgoed van de netto huur (H) en de schuld is in de meeste gevallen een hypotheek (HYP). MW1 - HYP1 + H < 0

of

EV1 + H < 0

MW1 = Marktwaarde object aan einde periode, EV1 = MW1 - HYP1 = Eigen vermogen aan einde periode Het rendement van een vastgoed object is onder te verdelen tussen indirect en direct rendement. In bovenstaande formule is het directe rendement H en het indirecte rendement het verschil tussen EV0 en EV1. Als we het indirecte en directe rendement samenvoegen in X dan kan de vergelijking herschreven worden naar: EV0 + X < 0 Voor het totale rendement kan men een verdeling maken aan de hand van een gemiddeld rendement µx en de standaardafwijking van het rendement σx. In gestandaardiseerde vorm wordt de vergelijking dan: (X - µx) / σx < - (µx + EV0) / σx G

Grafiek 4.1

verdeling F[-(µx + EV0) / σx]

insolventiegebied

(µx + EV0) / σx

Als een groep vastgoed-objecten dezelfde kansverdeling delen is de kans op verlies gelijk aan F[-(µx + EV0) / σx].

Aard variabelen Als we deze formule als basis nemen voor de berekening van het risico dan zullen de variabelen voor een object moeten worden ingevuld. Het EV bij de start is het verschil tussen de marktwaarde en de hypothecaire lening eventueel aangevuld met liquide middelen. De liquide middelen laten we in het denkkader buiten beschouwing omdat onduidelijk is of dit direct wordt uitgekeerd aan de eigenaar. De marktwaarde van een object is in normale omstandigheden gelijk aan de transactieprijs waarvoor het vastgoed is aangekocht. Indien het vastgoed al enkele jaren in bezit is van de eigenaar kan een marktwaarde worden vastgesteld middels een taxatie. Taxatiewaarde zijn niet geheel vrij van discussie. In deze thesis veronderstellen we dat taxatiewaarden gelijk zijn aan marktwaarden. De onbekende in de formule zijn dan µx en σx.


40


Bij de aankoop en bij een taxatie wordt vaak gebruikt gemaakt van een discounted cash flow (DCF) berekening. Het

gemiddelde rendement is in een DCF eenvoudig vast te stellen. Bij de waardering van een object is het gemiddelde rendement gelijk aan de gewenste disconteringsvoet. Maar ook bij de aankoop van een object wordt vaak gewerkt met een gewenst rendement op basis waarvan de kasstromen worden contant gemaakt. µx = gewenste disconteringsvoet

4.1.1 Bepalen van de onbekende σx Om een beeld te krijgen over de variatie van het rendement moet gekeken worden naar waar het rendement uit bestaat. Bij vastgoed is dat direct rendement en indirect, waarbij het directe rendement bestaat uit het resultaat uit de exploitatie.

Inkomende kasstromen uit vastgoed hebben min of meer een maximum. Dit maximum wordt bereikt als het object

voor 100% verhuurd is en er geen mogelijkheden zijn om extra huur te realiseren. Het is niet een absoluut maximum, want huren kunnen omhoog met bijvoorbeeld inflatie tijdens het contract of naar een hogere huurwaarde bij aanvang van een huurcontract. Deze verschillen naar boven zijn in normale omstandigheden beperkt. G

Grafiek 4.2

Verdeling van de huurinkomsten uit een courant vastgoed-object.

Een grotere kans bestaat er dat kasstromen lager liggen dan deze “100%”. Dit kan in het geval van expiratie van een huurder of door bijvoorbeeld frictie leegstand. In het meest negatieve scenario is het onroerend goed in zijn geheel niet verhuurd.

Uitgaande lasten zijn onder te verdelen in vaste en variabele. Vaste lasten bestaan onder andere uit belastingen en

verzekeringen, regulier onderhoud, management en interest. Deze vaste lasten hebben een vrij constant verloop en zijn min of meer onafhankelijk aan de mate waarin het object is verhuurd. Het constante verloop kan voortvloeien uit een lange overeenkomst, bijvoorbeeld erfpacht, waarbij de kasstromen voor de komende 50 jaar vastliggen of door aangegane verplichtingen zoals bijvoorbeeld een property-management overeenkomst. Er zijn ook kosten die afhankelijk zijn van het gebruik, zoals bijvoorbeeld een verzekering. In deze thesis wordt echter uitgegaan van een regelmatig verloop van de uitgaande kasstromen, behoudens eventuele huurders incentives en mutatiekosten die onder variabele kosten vallen.

Het indirecte rendement is de waardestijging of daling van het object. Dit resultaat wordt pas gerealiseerd aan het

einde van de exploitatieperiode en vormt de exit in het kasstromen overzicht.

Na het inschatten van de toekomstige inkomende en uitgaande kasstromen kan een analyse van deze kasstromen

worden gemaakt door middel van het DCF model. Traditionele DCF modellen, zoals bijvoorbeeld door de ROZ/IPD voorgeschreven, geven een puntschatting van de kasstromen in de toekomst. Deze puntschatting is een weergave van de most-likely-case. Wat van belang is bij het verkrijgen van de variatie van het rendement (σx) is juist de bandbreedte van dit resultaat. Dit kan doormiddel van het maken van verschillende scenario’s (Monte Carlo simulaties). Met het variëren van de variabelen van de DCF binnen een realistische bandbreedte ontstaat er een verdelingsfunctie van het rendement.


41


4.2 Risico modelering (ratings) Om tot een werkend model te komen zal er naast een theoretische onderbouwing ook een praktische uitwerking gegeven moeten worden. Hierbij staat kwaliteit en betrouwbaarheid hoog op het prioriteitenlijstje. De kwaliteit van een ratingsysteem heeft impact op het risico dat de bank loopt en de mate waarvoor ze gecompenseerd worden voor het genomen risico. Een systeem dat niet voldoende inzicht geeft in het risico kan zorgen voor een te lage waardering van goede debiteuren of een te hoge waardering van slechte debiteuren. Hierdoor loopt een bank inkomsten mis en loopt het een hoger risico. Niet alleen de kwaliteit van de output is belangrijk maar ook de bruikbaarheid van het systeem en de mogelijkheid om het systeem aan veranderende inzichten aan te passen. Een ratingsysteem moet dus zorgvuldig worden opgezet. D

Diagram 4.1

1.

6.

2.

5.

3.

4.

Software Development Life Cycle (SDLC) is het proces van het creëren of veranderen van systemen (Wikipedia, 2009).

Een ratingsysteem is in principe een informatie systeem en daarover is veel geschreven. Omdat het opzetten van een informatiesysteem een hulpmiddel is bij ratings en niet het doel is van deze scriptie wordt volstaan met een beschrijving in hoofdlijnen. Een informatiesysteem heeft een life cylce die bestaat uit een aantal stappen. Het aantal stappen verschilt per auteur, maar behelzen meestal de volgende punten of een uitsplitsing/combinatie daarvan (Wikipedia, 2009): 1.

Initiatie en planning (1),

2.

Opstellen van vereisten en analyse (2),

3.

Ontwerp (3),

4.

Opbouw systeem (4),

5.

Systeemtesten (5),

6.

Operationeel en onderhoud (6).

Aan de hand van deze stappen zal kort ingegaan worden op risico modelering.


42

De (krediet)waardigheid van vastgoed Initiatie en planning (1) De eerste fase is het bepalen van het doel van het project. Dit is een fase op een meer strategisch niveau. Dit kunnen interne factoren zijn maar ook externe zoals het Basel II akkoord dat veel banken ertoe heeft bewogen een intern rating systeem op te zetten (Van Gestel en Baesens, 2009).

Het doel is het ontwikkelen van een rating voor vastgoed die een gelijke functie kan vervullen in de vastgoedmarkt

zoals ratings voor bedrijven deze vervullen in de financiële markt. Om zoveel mogelijk subjectiviteit te vermijden heeft het de voorkeur de rating te baseren op objectieve data. Gezien de omvang van het doel zal de ontwikkeling van een model in deze thesis beperkt worden tot kantoren vastgoed en dan specifiek kantoren vastgoed die als belegging worden aangehouden.

In deze stap moet ook nagedacht worden over de tijdshorizon van het model. Geeft het model een point-in-time

rating of through-the-cycle ratings. Gezien het karakter van een vastgoedbelegging, langjarig, is een through-the-cycle rating de meest voor de hand liggende. Opstellen van vereisten en analyse (2) Wie gaat het gebruiken en wat moet het model doen zijn vragen in deze fase van het project. Er wordt ook gekeken naar de databronnen, zowel intern als extern. Hoe een model eruit komt te zien is zeer afhankelijk van de beschikbaarheid en kwaliteit van de data. Van Gestel en Baesens (2009) geeft aan dat de nauwkeurigheid van de uitkomsten van een model voornamelijk rusten op de kwaliteit van de data input en de kwaliteit van de gekozen onafhankelijke variabelen.

Een model heeft als basis onafhankelijke variabelen. Deze variabelen kunnen kwantitatief of kwalitatief van aard zijn.

Kwantitatieve data bij vastgoed kan bestaan uit bijvoorbeeld huurinkomsten, huurwaarde, lengte contract en leeftijd gebouw. Bij krediet analyse zijn dit vaak financiële ratio’s zoals solvabiliteitsratio en liquiditeitsratio. Objectieve kwalitatieve data is bijvoorbeeld locatie data, huurdersbranche en multi-tenant of single tenant classificaties. Het opstellen van de onafhankelijke variabelen is een belangrijke stap in het proces. Het opstellen van een lijst met mogelijke onafhankelijke variabelen gebeurt aan de hand van theoretische kaders, raadplegen van experts en via de bestudering van het zakelijke proces (Van Gestel en Baesens, 2009).

De verschillende type variabelen is vaak te groeperen in financiële conditie van de debiteur, cashflow, management

kwaliteit en industrie risico. De meeste modellen die in gebruik zijn bij Australische banken hebben in elk van deze groepen enkele variabelen. De fundamentele modellen zijn hierop een uitzondering. Deze gebruiken andersoortige informatie als de statistische en expert modellen (McDonald en Eastwood, 2001).

Er dient echter wel een balans te zijn tussen het aantal databronnen en de daarmee samenhangende complexiteit

van het model. Er is een afnemende toenemende accuratesse bij het toevoegen van het aantal databronnen en het systeem moet wel beheersbaar blijven. Hier is het vinden van een balans belangrijk. Ontwerp (3) Het ontwerpen van een systeem is vooral een technische opdracht. De ontwerp fase is onderverdeelt in drie stappen gebaseerd op de modelleringsfase zoals gehanteerd door Van Gestel en Baesens (2009): I.

Functioneel ontwerp,

II.

Segmentatie van de output,

III.

Kalibratie van het model.

Het opstellen van het functioneel ontwerp is afhankelijk van het gekozen model. Een statistische model is data gedreven. De vastgestelde onafhankelijke variabelen worden gebruikt en ingevuld om tot en betrouwbare output te komen. Bij theoretische modellen is het functioneel ontwerp meer gebaseerd op theoretische kaders en analyse van het zakelijke systeem (in dit geval de vastgoedmarkt). De onafhankelijke variabelen en de opbouw van het systeem staan bij dit soort modellen, gezien hun fundamentele karakter, meer vast en worden slechts in beperkte mate aangepast om tot een gewenste output te komen.

De grote ratingbureau’s gebruiken een duidelijk systeem waarmee het risico wordt omschreven (AAA, AA, etc.).

Tijdens deze fase wordt bepaald welke output bij welke classificatie hoort. Daarnaast wordt bepaald hoeveel segmenten er zijn. De Model Task Force van het Basel Comité over Banken supervisie (2000) geeft aan dat banken gemiddeld 10 risicosegmentaties hebben. Amsterdam School of Real Estate - Robert Kat

43


Het kalibreren van het model is de laatste belangrijke stap. De uitkomsten van een model moeten zo accuraat

mogelijk. Een overinschatting van het risico betekent dat de bank geen concurrerende voorwaarden heeft, een onderinschatting zorgt in economisch mindere tijden voor gevaar op de balans. Opbouw systeem (4) en systeemtesten (5) Deze beide fases zijn meer technisch van aard. Voornamelijk een IT afdeling zal hier werk hebben met het verwerken van de vereisten en het ontwerp naar een functionerend IT systeem. Hierbij hoort ook het koppelen van databestanden en het testen van het systeem. Deze testen zijn voornamelijk van IT aard en betreft niet het analyseren van de uitkomsten van het model met de werkelijkheid. Testen bestaan onder andere uit stabiliteit van het systeem maar ook gebruiksvriendelijkheid.

Tijdens het gehele proces zijn alle stappen, vereisten en keuzes/aannames goed gedocumenteerd. Mede op basis

van de documentatie zal er in deze fase van het proces een handleiding geschreven worden voor de toekomstige gebruikers. Operationeel en onderhoud (6) Indien de tests van het systeem aangeven dat de vereisten zijn gehaald kan het systeem operationeel gemaakt worden en kunnen de databestanden gekoppeld worden. Op basis van de uitkomsten van het model wordt bepaald of er onderhoud nodig is. Dit kan in beperkte mate op het niveau van procedures maar ook veranderingen in het basis ontwerp zijn mogelijk.

Een belangrijk onderdeel van het controleren van de kwaliteit van het model is het backtesting. Ex-post resultaten

worden gecontroleerd op de output (ex-ante) van het systeem. Het voornaamste doel is te achterhalen of de output consistent is met de realiteit. Veel factoren in de modellering zijn aan veranderingen onderhevig.

4.2.1 Vastgoed rating informatie systeem Omdat de initiatie en het doel bekend zijn zal direct worden begonnen met stap 2 in de SDLC. De volgende paragraaf geeft een beschrijving van de invulling van deze stap. Paragraaf 4.4 is een weergave van stap 3 en stap 4 van de SDLC. Stap 5 wordt beschreven in hoofdstuk 5 waarbij het model zal worden getest. Stap 6 is het operationeel zijn en het onderhoud. Gezien de strekking van deze thesis is deze stap nog niet aan de orde. Uitgangspunt bij systeem Het systeem zal functioneren op basis van de Markovian assumptie. Markovian assumptie betekent dat er niet wordt gekeken in het model naar het verleden. Bijvoorbeeld bij ratings wordt er bij een up of downgrade vanuit gegaan dat het een nieuwe rating is. Vervolgens heeft de rating weer net zoveel kans naar boven als naar beneden te gaan. Dit gaat echter in de obligatiemarkt niet helemaal op want; indien een rating naar beneden is aangepast is de kans op verdere aanpassingen naar beneden groter dan bij nieuwe ratings. Naarmate de rating lang hetzelfde blijft ontstaat er een ander effect; de kans op verandering van rating ten opzichte van nieuwe ratings neemt af. Ten slotte neemt de kans toe of af afhankelijk van de business cycle. Deze drie punten maakt de betrouwbaarheid, maar voornamelijk de vergelijkbaarheid lager. Een nieuwe A rating is bijvoorbeeld betrouwbaarder dan een gedowngrade AA rating naar A. In deze thesis wordt ervan uitgegaan dat dergelijke effecten het resultaat zijn van de gehanteerde methode die gebruikt wordt bij het opstellen van de rating. Het is zeer lastig om deze effecten op voorhand te onderkennen, omdat deze in de obligatiemarkt op een retrospectieve manier zijn ontdekt.


44


4.3 Vastgoed modellering Indien de verschillende ratings aan vastgoed gekoppeld worden gaat het om het begroten van het risico op het verlies van kasstromen oftewel huur. De kans op default is dan de kans dat er een dermate groot gedeelte van de kasstroom wegvalt dat kosten niet meer gedekt worden. Het risico kan beperkt worden als het vastgoedobject op korte termijn weer een kasstroom kan genereren (recovery). De exposure die men loopt is niet alleen het verlies van kasstromen, maar ook de daarmee samenhangende waarde van het object (waarde van object is de som van de kasstromen in de toekomst). I.

KANS OP DEFAULT (verlenging/expiratie huurder),

II.

RECOVERY (kans op nieuwe huurder),

III.

EXPOSURE RATINGS (grootte van huurcontract),

IV.

RISICO = KANS X GEVOLG X BLOOTSTELLING.

4.3.1 Fundamentele modellering van een vastgoed object In deze thesis is gekozen voor een fundamentele modellering op basis van het (im)perfect-access model. In de modellering van het (im)perfect-access model zijn twee belangrijke factoren aanwezig. De kasstroom van opeenvolgende jaren en de waarde van het vastgoed. De economische waarde van een object wordt bepaald door de contante waarde van kasstromen.

Inkomende kasstromen zijn huurinkomsten. Deze huurinkomsten hebben geen risicovrij karakter. Een huurder heeft

normaliter een contract voor bepaalde tijd. Aan het einde van de looptijd heeft een huurder de mogelijkheid om het contract te verlengen of op te zeggen. Naast dit risico bestaat de kans dat een huurder failliet gaat. Bij afwezigheid van een huurder(s) heeft het vastgoed geen inkomende kasstromen. Bij de modellering is het van belang een goede inschatting te maken van de volgende factoren: I.

kans op expiratie (1 – kans op verlenging),

II.

kans op een nieuwe huurder.

Deze uitgaande kasstromen zijn vrij constant en in grote mate onafhankelijk van de bezettingsgraad. Het modelleren van dergelijke kasstromen is dan ook eenvoudig. Uitgaande kasstromen zijn te groeperen in: I.

verzekering,

II.

belasting,

III.

beheer,

IV.

onderhoud/renovatie,

V.

rente/erfpacht.

Een variabele uitgaande kasstroom omvat de kosten die normaliter door een huurder betaald worden zoals schoonmaak, elektra, beveiliging, etc. De lasten worden ook wel servicekosten genoemd. Indien een gebouw leeg komt te staan zullen, in meer of in mindere mate, dergelijke kosten doorlopen en voor rekening komen van de eigenaar. Deze kasstroom is daarmee een resultante van de bezetting van het gebouw wat de modeleerbaarheid vereenvoudigt.

Bij het modelleren van de inkomende en uitgaande kasstromen is de resultante de netto kasstromen. Als deze netto

kasstromen contant gemaakt worden met een disconteringspercentage dan krijgt men de netto contante waarde van het object. Deze resultante is binnen deze thesis gelijk aan de marktwaarde. Opportunity Costs Bij kosten moeten de opportunity kosten meegenomen worden. Verlies is dan ook niet per definitie een negatieve cashflow, maar kan ook een positieve cashflow zijn die de opportunity kosten niet dekt. Een vastgoed-object gaat dan (economisch) failliet als deze niet meer de opportunity kosten kan dekken.

Opportunity cost wordt in het Nederlands ook wel vertaald als alternatieve kosten. Het is een begrip dat wordt

gebruikt om beleggingen met elkaar te vergelijken. Uitgangspunt is dat een belegger zijn geld wil investeren in de meest Amsterdam School of Real Estate - Robert Kat

45

De (krediet)waardigheid van vastgoed kansrijke investeringsmogelijkheid. Om te bepalen wat zijn rendement minimaal moet zijn kijkt hij naar de alternatieve kosten. De alternatieve kosten zijn gelijk aan het rendement dat de belegger zou ontvangen bij een andere belegging en dan specifiek het op één na beste alternatief van de meest kansrijke belegging. Bij het bepalen van de netto contante waarde in de discounted cash flow model rekent men met een rentepercentage dat door de alternatieve investering verdiend zou kunnen worden. De alternatieve investeringsmogelijkheid dient wel hetzelfde risicoprofiel te hebben teneinde rekening te houden met het voor risico gecorrigeerde rendement.

De opportunity kosten zijn gelijk aan het gewenste rendement. Omdat de waarde van het object in de meeste

gevallen de netto contante waarde is van de verwachte kasstromen is het gewenste rendement (disconteringspercentage) gelijk aan het gemiddelde rendement (µx). Voorbeeld Kerngegevens: I.

Object met 1 huurder,

VI.

Geen kans op faillissement,

II.

Huur is 400,

VII.

Kans op expiratie 50%,

III.

Kosten inclusief rente zijn 300,

VIII.

Nieuwe huurder na 3,5 jaar leegstand met

IV.

Geen inflatie,

V.

Huurcontract van 3 jaar met optie op

IX.

Disconteringsvoet van 10%,

oneindig aantal jaren,

X.

Financiering is 3.000.

oneindig contract,

Scenario 1: huurder blijft zitten, Scenario 2: huurder expireert, Berekening marktwaarde T

Tabel 4.1

Contante waarde van 2 scenario’s en het gemiddelde. scenario’s jaren

1

CW

2

CW

Gem.

CW

1

100

91

100

91

100

91

2

100

83

100

83

100

83

3

100

75

100

75

100

75

4

100

68

-300

-205

-100

-68

5

100

62

-300

-186

-100

-62

6

100

56

-300

-169

-100

-56

7

100

51

-100

-51

0

0

8

100

47

100

47

100

47

9

100

42

100

42

100

42

10

100

39

100

39

100

39

∞

100

385

100

385

100

385

Totaal

1.000

150

575

Het gemiddelde van de scenario’s heeft een netto contante waarden van 575 voor het eigen vermogen (EV0). In scenario 1 is de huur altijd voldoende om de kosten te dekken en is er derhalve altijd een positief eigen vermogen. In scenario 2 is er sprake van 3,5 jaar geen huurinkomsten en daardoor negatieve kasstromen in jaar 4 t/m 7. In jaar 4 is er een negatieve kasstroom van 300. Volgens de in deze thesis opgestelde formule moet de volgende formule houden teneinde niet failliet te gaan: EV(t+1) + Ht < 0. In dit geval is H bekend zijnde -300 wat betekent dat het eigen vermogen aan het einde van jaar 4


46

De (krediet)waardigheid van vastgoed hoger moet zijn dan 300. De netto contante waarde is aan het einde van dat jaar echter 155. Dit scenario zou zal een eigenaar met een faillissement geconfronteerd worden in jaar 4. Omdat er een kans is dat de huurder expireert van 50% is de kans op faillissement in dit geval tevens 50%. Uitgedrukt in een rating op basis van credit waarderingen zou dit een rating van CC of lager hebben. T

Tabel 4.2

Contante waarde berekening van scenario 2 in jaar 4 ter illustratie van het faillissement. scenario 2 jaren

CF

CW

4

-300

5

-300

-272

6

-300

-248

7

-100

-75

8

100

68

9

100

62

10

100

56

∞

100

564

Totaal

saldo -145

155

Inschatting variabelen Het bovenstaande voorbeeld geeft een zeer simpele weergave van een risico-analyse. Uitgaande van een eeuwig durende huuropbrengst zijn de belangrijkste variabelen de kans op default en de kans op recovery, zijnde de expiratie kans van een huurder en de termijn dat een volgende huurder een contract afsluit. In de volgende paragrafen zal verder worden ingegaan op de bepaling van deze kansen.

4.3.2 Data Bij het raten van bedrijven is gebleken dat er een significant verschil in perceptie kan zijn tussen verschillende rating professionals. Naarmate er met consensus op een meer modelmatig (kwantitatief) een inschatting gemaakt kan worden van het risico neemt de bandbreedte van de uitkomsten af. In de modellering wordt daarom gestreefd naar een zo kwantitatief model als mogelijk is. Dit betekent dan de kansen op basis van gegevens zullen moeten worden ingeschat. Voor het bepalen van kansen op expiratie en verhuur zal gebruik gemaakt worden van historische gegevens. Databronnen Voor het opstellen van het rating model zijn de volgende databronnen beschikbaar: I.

ROZ/IPD data,

II.

DTZ Zadelhoff transactie database,

III.

DTZ Zadelhoff huurwaarde en aanvangsrendementen reeksen,

IV.

DTZ Zadelhoff aanbod database,

V.

CBS databronnen, zoals inflatie en faillissementsreeksen.

In tegenstelling tot de data in veel andere bronnen zijn de ROZ/IPD data afkomstig van objecten die één of meerdere jaren gevolgd worden. Met deze data zou men dus een historische reeks van een individueel pand kunnen opstellen. Om meerdere redenen zijn deze data alleen beschikbaar op geaggregeerd niveau. Een belangrijke reden is dat participanten niet volledig inzicht wensen te geven op object niveau. Daarnaast bestaat de database voornamelijk uit taxatiegegevens. Dit is


47

De (krediet)waardigheid van vastgoed dan ook meteen het zwakke punt van deze data. Een taxatie geeft een waarde van het object in een bandbreedte rond de mogelijke transactiewaarde. De taxatie is gebaseerd op transactiegegevens uit het verleden. Opeenvolgende taxaties, zoals bij de ROZ/IPD van toepassing is, zijn in veel gevallen erg aan elkaar gecorreleerd waardoor een dempend effect ontstaat (Vermeulen en Wittendorp, 1995). Beide fenomenen zijn ook wel bekend als lagging en smoothing.

De gegevens vanuit de DTZ Zadelhoff database zijn gebaseerd op transacties. Deze data geven een goed beeld van

trends in de vastgoed markt. Gezien de aard van een vastgoedbelegging zijn op pand niveau echter geen jaarlijkse of meer frequentere data beschikbaar. Beleggers houden vastgoedobjecten vaak enkele jaren in hun portefeuille. Tijdens die jaren is er geen prijsvorming via de markt. Huurtransacties hebben in de regel ook een langjarig karakter. Huurcontracten hebben in de regel een looptijd van vijf of meer jaren. Tijdens de looptijd van het huurcontract zijn er (in elk geval bij een single tenant object) geen tussentijdse transacties tussen marktpartijen voor dat specifieke object. Maar het gebeurt ook regelmatig dat huurcontracten worden verlengd, zodat er ook aan het einde van dat contract geen volwaardige prijsvorming plaats vindt, alleen deels indexatie van de lopende verplichting.

De gegevens van het CBS geven een beeld van de algemene economie. Deze data geven informatie over

demografische en economische trends. Een in de vastgoed belangrijk gegevens zoals inflatie wordt maandelijks bijgehouden door het CBS. Een verwijzing naar de index van het CBS is dan ook vaak in huurcontracten terug te vinden. Vaak wordt gerefereerd aan het consumentenprijsindex cijfer. Andere informatie die het CBS publiceert is onder andere faillissementscijfers. Bij een faillissement is een huurder niet meer in staat zijn huur te betalen en dergelijke invloeden zijn voor de modellering van een kasstroom model dan van belang. Datagebruik De data uit de ROZ/IPD database en de DTZ Zadelhoff databases zijn op pand niveau niet direct geschikt voor gebruik. Data op object niveau is (onvolledig) aanwezig, maar in zekere zin wel nodig om een kwantitatieve inschatting te maken van het verloop van de kasstromen.

Op basis van transacties die eens in de vijf jaar plaatsvinden kan voor het specifieke object geen betrouwbaar

gegevens gedestilleerd worden. In de databases zijn tevens data beschikbaar van omringende objecten, maar ook data van gelijksoortige objecten in andere regio’s. Bijvoorbeeld data van kantoorgebouwen op stationslocaties. Hetzelfde geldt voor gebruikers. Over huurder X in de ICT sector zijn weinig data beschikbaar. Maar er is daarentegen wel veel algemene data beschikbaar over huurders in de ICT sector. Opname cijfers van DTZ Zadelhoff onderscheiden bijvoorbeeld de volgende sectoren: I.

Industrie, handel en transport,

II.

ICT,

III.

Bank- en verzekeringswezen,

IV.

Zakelijke dienstverlening,

V.

Overheid en overige non-profit.

Zoals in paragraaf 2.2.1 omschreven is er in deze thesis de onderverdeling locatie, gebruiker en gebouw gemaakt. Locatie of gebied zegt iets over regio waarin het object is gelegen. De gebruiker kan een huidige gebruiker zijn, maar ook de meest voor de hand liggende (toekomstige) gebruiker. Gebruikers verschillend onderling in bijvoorbeeld de afhankelijkheid van de economie. Gebouw geeft informatie over het gebouw zelfs zoals materiaalgebruik en aantal parkeerplaatsen, maar ook over de ligging in het gebied zoals bijvoorbeeld naast een snelweg.

Op al deze kenmerken is in meer of mindere mate geaggregeerde data beschikbaar. Als voorbeeld werd al genoemd

de opname van kantoorruimte door ICT sector (kenmerk Gebruiker), maar een ander voorbeeld is het aanbod en opname in grootte klasse van gebouwen (kenmerk Gebouw) of de opname en aanbod in de regio Amsterdam (kenmerk Gebied). Door het samenvoegen van deze geaggregeerde data kan men een indruk krijgen van de variabelen van een specifiek vastgoed object.

Onderstaand een grafische weergave van het samenvoegen van de geaggregeerde data. Cirkel A heeft bijvoorbeeld

de geaggregeerde data van regio’s. Door deze te combineren met de geaggregeerde data van gebruikers (B) kan men tot op zekere hoogte wat zeggen over het gedrag van bepaalde gebruikers in een bepaalde regio (1). Als we daar de kenmerken van een gebouw aan koppelen is het mogelijk om een indicatie van de variabelen van een bepaald soort gebouw in een Amsterdam School of Real Estate - Robert Kat

48

De (krediet)waardigheid van vastgoed bepaalde regio met een bepaald soort gebruiker te kwantificeren (4). Middels deze manier van werken is het mogelijk om voor elk specifiek (courant) gebouw in Nederland een kwantitatieve profilering te maken. D

Diagram 4.2

A 3

C

1

4 2

B

Interactie tussen verschillende gegevensbronnen en invalshoeken Een dergelijke profilering zal door de heterogeniteit van objecten niet een volwaardige match geven. In de bedrijven markt is er echter ook geen volwaardige match met het bedrijf te maken. De gegevens die gebruikt worden zijn ook afkomstig van andere bronnen en bedrijven (benchmarking). Immers om de kans van faillissement in te schatten moet het bedrijf zelf nog wel bestaan. En als het bedrijf nog nooit failliet is gegaan zal men op basis van historische gegevens van dat bedrijf geen perfecte inschatting kunnen maken van de kans op faillissement. Of de werkwijze zoals hierboven omschreven voldoende is en betrouwbare data oplevert zal in hoofdstuk 5 geanalyseerd worden. Voorbeeld van segmentering In een recent onderzoek binnen DTZ Zadelhoff naar stationslocaties kwam naar voren dat deze minder volatiliteit hadden in de aanbod-opnameratio dan andere locatietype (gebouw). De reden hiervoor is dat de sterke aanbodstijging die zich vanaf 2001 heeft voltrokken, veelal plaatsvond op snelweglocaties of gemengde locaties. Doorgaans geldt een aanbodopnameverhouding van 1,5 als een situatie van marktevenwicht. DTZ Zadelhoff constateert dat in tegenstelling tot de landelijke trend van marktverruiming, de kantorenmarkt op stationslocaties duidelijk krapper is gebleven. De opname op stationslocaties kent daarbij een zeer stabiel verloop, waarin ook afgelopen jaren geen verandering heeft plaats gevonden. Circa 20% van het totaal aantal vierkante meters dat wordt gehuurd of gekocht, bevindt zich op een stationslocatie. Dit percentage is sinds 1990 nauwelijks veranderd.

Voor het bepalen van het risicoprofiel van een gebouw is dergelijke informatie van belang en de in deze thesis

gekozen benadering is dergelijke data toepasbaar gemaakt.

4.3.3 Bepaling kans op default en recovery (op huurders niveau) De kans op default is de kans dat een huurder zijn contract niet verlengd of de kans dat een huurder failliet gaat. De kans op recovery is de kans op een nieuwe huurder in geval van leegstand. Met de beschikbare gegevens zal hieronder beschreven worden hoe de data gebruikt kan worden ter bepaling van de kansen. De beschreven methodiek kan dan per segment worden toegepast. Bijvoorbeeld voor de huurders in het segment ICT of voor gebouwen in de regio Amsterdam. Door vervolgens de van toepassing zijnde segmenten te combineren kan de kans bepaald worden voor het specifieke gebouw en de specifieke huurder. Kans op default (expiraties contract) De kans op expiratie is de kans dat een huurder bij expiratie niet gebruik maakt van de mogelijkheid op verlenging. Dit is daarom alleen van toepassing op contracten die op het punt staan om te expireren. Kans op expiratie = aantal achtergelaten m² (ExpJ) / aantal aflopende huurcontracten m² (CAJ)


49

De (krediet)waardigheid van vastgoed De cijfers van voorraad in gebruik zijn standcijfers. Dit betekent dat het een weergave is van de situatie op een bepaald moment. Opname is een sommatie cijfer, oftewel de som van alle opnames in een bepaalde periode. Standcijfers worden aangegeven met een kleine t en sommatie cijfers met een j. In de uiteindelijke modellen zal gewerkt worden met jaren, dus de periode is in dat geval op jaarbasis. Dit komt overeenkom met de meeste gepubliceerde cijfers in de vastgoedmarkt.

Het aantal achtergelaten vierkante meters zou in een markt waarbij 100% van de gebouwen verhuurd zijn gelijk zijn

aan de opname. Immers een bedrijf huurt kantoorruimte (opname) wat achtergelaten is door een andere huurder. In de realiteit is echter niet 100% van de kantoorruimte verhuurd. Tevens zal de bezetting van de kantoren jaar op jaar veranderen. Een nieuwe huurder of nieuwe huurders hoeven niet dezelfde vraag aan vierkante meters te hebben als de vertrekkende huurders (waaronder zij zelf kunnen behoren). De opname zal dus gecorrigeerd moeten worden voor de voorraad vierkante meters die in gebruik is. Als de voorraad in gebruik stijgt moet de opname naar beneden gecorrigeerd worden voor deze stijging. De stijging in voorraad in gebruik zijn vierkante meters die daarvoor leeg stonden of nieuw zijn gerealiseerd. Variabele die hiervoor gebruikt kunnen worden zijn beschikbaar in de database van DTZ Zadelhoff: I.

Voorraad in gebruik t-1 (VIGt-1),

II.

Voorraad in gebruik t (VIGt),

III.

Opname gedurende het jaar (OJ).

ExpJ = OJ - NAJ NAJ = Netto Absorptie, NAJ = VIGt - VIGt-1 herschreven geeft dat: ExpJ = OJ - (VIGt - VIGt-1) Het aantal achtergelaten vierkante meter is middels deze berekening ingeschat en moet gedeeld worden met het aantal vierkante meters welke kunnen expireren (CAJ). CAJ = VIGt-1 / HTJ HTJ = Gemiddelde lengte huurcontracten De gemiddelde lengte van de huurcontacten zijn de laatste jaren geleidelijk afgenomen. Precieze cijfers zijn echter niet beschikbaar en daarom blijft dit cijfer een inschatting van de werkelijkheid. Nu de onbekende zijn geschat ontstaat de volgende formule: Kans op expiratie = OJ - (VIGt - VIGt-1) / (VIGt-1 / HTJ) Onbekend blijft HTJ De kansen kunnen door de indeling van de database van DTZ Zadelhoff per verschillend Gebied, Gebouw en Gebruiker berekend worden. Naast dit cijfer bestaat de kans op default ook uit de kans dat de bestaande huurder failliet gaat. Deze kansen zijn per Gebruiker soort (sector) beschikbaar bij het CBS. Deze cijfers zijn van toepassing op de bestaande huurder en kunnen ongecorrigeerd gebruikt worden in de modellering. Er wordt geen onderscheid gemaakt tussen de rechtsvorm, omzet, aantal werknemers en leeftijd van ondernemingen. Deze cijfers zijn echter wel beschikbaar en zouden bij de uitwerking van het model buiten deze thesis wel gebruikt kunnen worden ter verfijning van de uitkomsten. De beperkte invloed van deze verfijning op de uitkomsten is de reden dat de geaggregeerde cijfers in dit stadium voldoen. Uiteraard is het ook mogelijk om de rating van de huurder te hanteren in de modellering en de daarbij behorende kans op default. Er is echter niet voor elke onderneming een rating beschikbaar.


50


D

Diagram 4.3

Kans op Expiratie per type (%)

40

30

20

10

0

30

40

35

15

Gebied

Gebouw

Gebruiker

Invoer

In de modelering kan alleen gewerkt worden met één kansvariabele per huurder. Door de kans op expiratie van een contract in het gebied te combineren met die van het gebouw en de gebruiker ontstaat er een afgeleide kans op expiratie. In dit geval 30%.

Kans op recovery De kans op een nieuwe huurder is afwijkend van de kans op default in die zin dat er geen gebruiker is. De kans op een nieuwe huurder is dus afhankelijk van Gebouw en Gebruiker. De kans op een nieuwe huurder kan berekend worden door de opname te delen door het aanbod. Als er in een bepaalde regio 100 vierkante meter aangeboden wordt en daarvan is na een jaar 25 vierkante meter opgenomen dan is de kans op recovery 25%. Aanbodcijfers die door de verschillende grote makelaarskantoren worden gepubliceerd zijn standcijfers; een momentopname. Zoals genoemd is het opname cijfer een sommatie van alle transacties in een jaar. Gedurende het jaar wordt er ruimte opgenomen, maar ook ruimte achtergelaten. Deze ruimte wordt in de meeste gevallen weer aangeboden. Het aanbodcijfers zal hiervoor gecorrigeerd moeten worden. Kans op recovery (een nieuwe huurder) = opname m2 (OJ) / aanbod m2 gedurende het jaar (AJ) Bekende variabelen I.

Voorraad t-1 (Vt-1),

II.

Voorraad t (Vt),

III.

Voorraad in gebruik t-1 (VIGt-1),

IV.

Voorraad in gebruik t (VIGt),

V.

Opname gedurende het jaar (OJ).

Onbekende variabelen VI.

Aanbod gedurende het jaar (AJ).

Het aanbod gedurende het jaar bestaat uit het aanbod (At-1) aan het begin van het jaar plus het aantal achtergelaten vierkante meters (ExpJ) plus het aantal opgeleverde (nieuwbouw) vierkante meters (Vt-(t-1)). AJ = ExpJ + At-1 + Vt-(t-1) ExpJ = Aantal achtergelaten m2, At-1 = Aanbod begin jaar, Vt-(t-1) = Voorraad toename Amsterdam School of Real Estate - Robert Kat

51


Het aantal achtergelaten vierkante meter is reeds berekend bij de kans op expiratie. Het aanbod aan begin van het jaar is gelijk aan de voorraad van het begin van het jaar minus de voorraad in gebruik van het begin van het jaar. De toename in het aantal meters is de voorraad aan het einde van het jaar minus de voorraad aan het begin van het jaar: ExpJ = OJ - (VIGt - VIGt-1) At-1 = Vt-1 - VIGt-1 Vt-(t-1) = Vt - V(t-1) Deze formules kunnen herschreven worden naar: AJ = Vt - VIGt + OJ Kans op nieuwe huurder = OJ / (Vt - VIGt + OJ) Deze kansen kunnen door de opbouw van de database berekend worden per regio. Daarnaast kunnen diverse gebouw kenmerken worden onderscheiden zoals: I.

Locatie profiel (station, snelweg, etc.),

II.

Ouderdom/renovatie,

III.

Multi/single tenant,

IV.

Grootte klasse.

4.3.4 Bepaling van exposure Naast de default en recovery is een derde van belang zijnde de exposure. De exposure bestaat uit de contante waarde van het huurcontract/huurstroom. Alle huurcontracten/huurstromen bij elkaar vormen de waarde van het gehele object. Indien een huurstroom in default raakt bij een single tenant gebouw en niet meer kan herstellen (nieuwe huurder) dan is in theorie een gebouw waardeloos of zelfs van negatieve waarde (kosten blijven constant). Immers het gebouw kan niet meer gebruikt worden als productiemiddel (reden tot betaling van huur). In de praktijk komt het nauwelijks voor dat een gebouw geen waarde heeft. Dit kan als reden hebben dat er in veel gevallen een opportunistische koper is die wel kansen ziet in de aanwending van het gebouw als productiemiddel of vaker dat de locatie (grondperceel) aangewend kan worden voor een alternatieve bestemming.

In de modellering is de exposure de contante waarde van de toekomstige huur (d.i. resterende looptijd contract, maar

ook de daaropvolgende jaren; huurwaarde object). Bij de analyse zullen gebouwen beoordeeld worden, waarbij er geen uitbreidingsmogelijkheden zijn en de alternatieve gebruiksmogelijkheden beperkt. Daarom voldoet het op dit moment om aan te nemen dat een alternatieve waarde van een object (lees: alternatieve aanwendbaarheid) niet hoger is dan de contante waarde van de toekomstige huurstromen zelfs indien deze niet hoog genoeg zijn ter dekking van de lopende kosten.

4.3.5 Betrouwbaarheid van methode en kansen De gekozen methode is in principe een uitgebreide benchmark op het vlak van gebouw, gebied en gebruiker. De betrouwbaarheid van de methode en bepaalde kansen is op voorhand lastig in te schatten. Bij de rating agencies wordt onder andere de betrouwbaarheid achteraf bepaaldt door de default percentages per populatie (rating klasse) te koppelen met de gewenste uitkomsten. Voor een dergelijke controle is een zeer grote populatie (i.e. gebouwen) nodig over een termijn van enkele jaren tot decennia. De beperkte historie van de data in de vastgoedmarkt beperkt de mogelijkheid tot controle momenteel. Rating bureaus gebruiken in “nieuwe” markten financiële professionals als controle op opgestelde ratings. Tijdens de introductie van een rating voor vastgoedobjecten is een dergelijke controle dan ook de meest relevante controle op de betrouwbaarheid.


52


4.4 Uitwerking model In de vorige paragraaf is de basis voor een model voor vastgoedrating ontwikkeld. In deze paragraaf wordt door het programmeren van het model een werkende variant geconstrueerd, waarna een uitvoerige test en analyse gemaakt kan worden (hst. 5). In deze paragraaf wordt stap voor stap de programmering doorlopen en waar van toepassing de aannames van het model besproken.

4.4.1 Dynamische programmering In de waarderingspraktijk maakt men veel gebruik van een DCF model. Een DCF model geeft een gefundeerde prognose van de toekomstige kasstromen van een investeringsobject. Een dergelijk model, zoals in de vastgoedmarkt voorgeschreven door de ROZ/IPD, is een gesimplificeerde weergave van de werkelijkheid, maar geeft bij een waardering voldoende inzicht voor het maken van een investeringsbeslissing. De variabelen in een dergelijk model worden bij de waardering van een vastgoedobject ingeschat door een (externe) taxateur (deterministisch). Voor het inschatten van het risico is deze deterministische inschatting van variabelen ontoereikend. Immers de inschatting van de kasstromen is niet het risico maar de afwijking op deze inschatting.

Een inschatting van een taxateur vormt echter wel een goede basis bij de modellering van het risico. Een variabele

die een taxateur inschat is bijvoorbeeld de hoogte van de huur bij expiratie van de huurder; de zogenaamde huurwaarde. In een normale DCF wordt deze jaarlijks geïndexeerd met de huurwaardegroei. Is de huurwaarde in jaar 1 door de taxateur ingeschat op EUR 100,00 per vierkante meter dan zal deze in jaar 5 gegroeid zijn naar EUR 109,63 bij een huurwaarde-groei van 2,25%. De kans dat een transactie in jaar 5 plaats vindt op dit bedrag is echter gering. Wel is de kans groot dat de transactie in een bandbreedte van deze waarde komt te liggen, bijvoorbeeld tussen de EUR 105,00 en EUR 115,00. Als de kans groot is dat de transactie binnen deze bandbreedte ligt dan is er ook een kans dat deze er buiten ligt. In geval van een tekort aan ruimte zal de transactie wellicht op een hoger prijsniveau liggen van bijvoorbeeld EUR 115,00 terwijl in een economische neergang de kans bestaat dat de transactieprijs lager ligt dan EUR 105,00. Wat men vrijwel zeker weet is dat de transactie niet op die EUR 109,63 zal plaatsvinden. Dergelijke getallen zullen bij de modellering van risico dynamisch moeten worden ingevoerd c.q. vastgesteld. Dit betekent dat er een bandbreedte is waarbinnen de huur valt met daaraan verbonden een kansverdeling. Scenario Analyse Voor het inschatten van de kans op default is het van belang om te weten hoe groot de kans is op negatieve scenario’s. Het invoeren van een bandbreedte en een kansverdeling alleen is niet voldoende om de kans op default te berekenen. Een methode die men daarvoor kan gebruiken is scenario-analyse. Middels het opstellen van verschillende scenario’s is men in staat een beoordeling te maken van het risico op ontoereikende kasstromen. Een techniek die daarvoor veel gebruikt wordt is Monte-Carlo simulaties. Deze simulatietechniek geeft als uitkomst een verdeling van bijvoorbeeld de uitkomst van een DCF model. De verdeling is het resultaat van de spreiding die is aangebracht in de verschillende variabelen die gebruikt worden in het DCF model. Hierbij wordt gebruik gemaakt van de zogenaamde statistisch probabilistische methode. Dat wil zeggen dat in plaats van de verklarende variabelen te schatten (deterministisch) deze variabelen worden gevarieerd binnen een gefundeerde bandbreedte (dynamisch). In de uitwerking van het model zal gebruikt gemaakt worden van deze techniek. Per object zullen 250 scenario’s worden berekend die als invoer dienen voor het opstellen van de verdeling van de uitkomsten. Indien bijvoorbeeld 5 scenario’s een negatieve uitkomst hebben (kasstromen in één bepaald jaar zijn ontoereikend) dan is de kans op default 5 op 250 oftewel 2% (alle overige veronderstelling buiten beschouwing gelaten).


53


4.4.2 Vastlegen van kerngegevens in het model Het beoordelen van een vastgoed object begint met het vastleggen van de verschillende kenmerken van het object. De kenmerken van het object kunnen verdeeld worden onder gebouw, gebied en gebruiker. In onderstaande tabel een overzicht van de kenmerken zoals deze zijn gebruikt in de modellering. T

Tabel 4.3

Overzicht van kenmerken die gebruikt zijn bij de modellering Gebouw

Gebied

Gebruiker(s)

Grootteklasse

Regio

Huurders

Bereikbaarheid

Sector

Leeftijd

(Rating)???

De onderverdeling van de kenmerken van het gebouw zoals die gebruikt worden in de database van DTZ Zadelhoff zijn: T

Tabel 4.4

Kenmerken van het gebouw zoals gebruik in de database van DTZ Zadelhoff. Grootteklasse

Bereikbaarheid

Leeftijd

500 - 1.000

Overig

1e gebruiker

1.000 - 2.500

Snelweglocatie

2e gebruiker

5.000 - 10.000

Stationslocatie

Renovatie

> 10.000 De sectoren van de huurders bestaat uit de volgende onderverdeling: I.

Industrie, Handel en Transport,

II.

ICT,

III.

Financiële dienstverlening,

IV.

Zakelijke dienstverlening,

V.

Overheid en non-profit.

De regio (gebied) heeft geen vaste verdeling. Bij de beoordeling van het gebied is het van belang om voldoende data te hebben. Bij de inventarisatie van de gegevens is gebleken dat de hoeveelheid per gebied significant kan verschillen. Zo kunnen in de stad Amsterdam meerdere regio’s onderscheiden worden, zoals centrum en zuidoost. Voor beide zijn voldoende data beschikbaar om zinvolle gegevens uit te destilleren. Voor een plaats als Houten is dit niet het geval en heeft het de voorkeur om dit samen te voegen met bijvoorbeeld de provincie Utrecht exclusief de stad Utrecht. Huurgegevens (gebruiker) De gegevens van de gebruiker vormen een belangrijk gedeelte. De huurders zorgen voor de kasstromen in de eerste jaren, onafhankelijk van de gebouw en gebiedskenmerken. De som van de gegevens van de huurders (en leegstand) geeft informatie over de totale verhuurbare oppervlakte, huurinkomsten, gemiddelde resterende looptijd, etc. Per huurder (en de resterende leegstand) kunnen de volgende gegevens ingevoerd worden: I.

Naam huurder,

II.

Solvabiliteit huurder/rating huurder,

III.

Per ruimtesoort (kantoor, archief, bedrijfsruimte, etc.),

IV.

m² VVO,


54

De (krediet)waardigheid van vastgoed V.

HW per m2 VVO,

VI.

Onderhoud per m2 VVO,

VII.

In plaats van m2 VVO kunnen het ook aantallen zijn (in geval van parkeerplaatsen of dergelijke),

VIII.

Totale huurwaarde (sommatie van aantal (m2 VVO) maal huurwaarde),

IX.

Huurinkomsten (huur die huurder momenteel contractueel verplicht is te betalen. Deze kan afwijken van de huurwaarde),

X.

Totale onderhoud (sommatie van aantal (m2 VVO) maal onderhoud per aantal (m2 VVO),

XI.

Expiratie datum contract c.q. looptijd tot expiratie in jaren,

XII.

Optie jaren.

Op basis van deze gegevens is er een invoer in het model gemaakt voor de onroerend zaak gebonden lasten zoals: I.

OZB,

II.

Assurantiepremie,

III.

Beheerkosten,

IV.

Onderhoudskosten,

V.

Waterschap,

VI.

Rioolrecht,

VII.

Diversen.

Dergelijke gegevens zijn standaard gegevens voor taxaties en kunnen eventueel één op één herleid worden uit taxatie(rekenmodellen).

4.4.3 Hypotheek gegevens Naast de huurinkomsten en de onroerend zaak gebonden lasten zijn de rentelasten een belangrijke uitgaande kasstroom. Voor de bepaling van de rentelasten zijn gegevens nodig met betrekking tot de waarde van het object, de mate van financiering en de rentevoet. Bij het praktisch gebruik van het model zal er inzicht zijn in de aanschafprijs van het object en de gewenste financieringsvoorwaarden. Bij het testen van het model zullen deze gegevens echter niet voorhanden zijn en zal er een inschatting gemaakt moeten worden van de waarde. In de bestaande waarderingspraktijk zijn taxateurs gewend te werken met drie taxatiemethodieken: de comparatieve methode, de kostengerelateerde methode en de inkomstenmethode. Voor het bepalen van de marktwaarde kan gebruik gemaakt worden van twee veel gebruikte benaderingen gebaseerd op de inkomstenmethode. De meest gangbare methodiek is de BAR/NAR methode. Deze methode is zeer geschikt bij objecten waarvoor veel referentie transacties beschikbaar zijn. Deze methodiek geeft echter geen uitgebreide mogelijkheden om afwijkende kasstromen in de waarde te verwerken en is dan ook vooral geschikt bij objecten met lange huurcontracten. Een benadering die zich beter leent voor objecten met meer variabele inkomsten en uitgaven is de eerder genoemde discountedcash-flow analyse (DCF). Binnen deze methode is op eenvoudige wijze rekening te houden met huidige en toekomstige leegstand, renovatie(s) en een afwijkende exit waarde. Waarderingsmethodes De BAR (bruto aanvangsrendement) of NAR (netto aanvangsrendement) methodiek is een geschikt instrument voor de berekening van de waarde van vastgoed objecten. Het is een relatief eenvoudige methode met een beperkt aantal variabelen. De marktwaarde van een object is bij de BAR methodiek gelijk aan de bruto markthuur gedeeld door het BAR. Het BAR is in de praktijk (vaak) lager dan het totale rendement, omdat het BAR wordt gecompenseerd voor de toekomstige waardestijging. BAR = geëist bruto rendement – huur groei Bij de Discounted Cash Flow (DCF) methode wordt de waarde bepaald door de toekomstige inkomsten “contant” te maken (corrigeren voor de tijdswaarde van geld). De DCF methode gaat uit van de cash flows die de onroerende zaak naar verwachting in de toekomst zal genereren. Deze worden contant gemaakt met een disconteringsvoet die het risicoprofiel van de toekomstige inkomsten vertegenwoordigt. Omdat het niet mogelijk is om tot in de eeuwigheid de jaarlijkse kasstromen Amsterdam School of Real Estate - Robert Kat

55

De (krediet)waardigheid van vastgoed van een object in te schatten wordt voor een DCF model de toekomst meestal gesplitst in kasstroom overzicht en een exitwaarde aan het einde van de beschouwingstermijn. Voor de exit waarde wordt veelal gebruikt gemaakt van de BAR of NAR methodiek. Waarde object = Contante waarde van de kasstromen gedurende de waarderingsperiode + Contante waarde van de kasstromen ná waarderingsperiode (exitwaarde) (Copeland, 2000) Fluctuaties in de toekomstige inkomsten door bijvoorbeeld leegstand, incentive en mutatiekosten leiden binnen de DCF methode eenvoudig tot een aangepaste marktwaarde. Bij huurcontracten die binnen de waarderingsperiode aflopen moet een inschatting gemaakt worden of de huurder blijft huren of dat deze vertrekt. Bij een mutatie van een huurder kan een situatie van (tijdelijke) leegstand ontstaan, gevolgd door eventuele incentives en mutatiekosten. Binnen de gangbare taxatie praktijk zijn dit vaste keuzes (deterministisch); de huurder blijft huren of laat zijn contract expireren. Bepaling waarde In het model is gekozen voor de DCF methode omdat deze de meeste flexibiliteit geeft. Echter voor het bepalen van de exitwaarde is gebruikt gemaakt van de BAR/NAR methodiek. De DCF methode sluit tevens goed aan bij de methode voor het inschatten van het risico van het object, waarbij ook gebruikt wordt gemaakt van de DCF methodiek.

De toekomstige opbrengsten en uitgaven worden in het model contant gemaakt naar de peildatum. Hierbij zijn de

kasstromen gedurende een beschouwingperiode van 15 jaren het gemiddelde van de scenario’s die worden bepaald bij de risico inventarisatie (waarover later meer). Vervolgens wordt de eindwaarde van de onroerende zaak in het laatste jaar (eind jaar 15) bepaald door de gemiddelde netto inkomsten van de jaren 16 tot en met 25 te delen door de disconteringsvoet. Deze disconteringsvoet wordt ook gebruikt bij het contant maken van alle kasstromen (inclusief exit waarde). Het contant maken gebeurt op basis van een door de markt gewenst rendement (gewenste disconteringsvoet = µx). Bepaling rentelasten Na de bepaling van de waarde kunnen met het percentage bevoorschotting en de rentevoet de jaarlijkse rentelasten bepaald worden. Bij de bepaling van de hoogte van de (hypothecaire) lening is uitgegaan van een bevoorschottingspercentage over het “aankoopbedrag” inclusief kosten koper (oftewel vrij op naam prijs). Er is in de modellering uitgegaan van een bullit lening waarbij er dus geen tussentijdse aflossing plaats vindt. De rentevoet wordt gedurende de looptijd van de modellering gelijk gehouden.

In de praktijk zal gedurende de looptijd van de beschouwingsperiode de rente fluctueren. Indien de rentekosten

fluctueren dan zou dat gevolgen voor de rating kunnen hebben. Immers bij een stijgende rente, overige effecten uitsluitende, nemen de uitgaande kasstromen nemen toe. Een stijgende rente is echter vaak het gevolg van een stijgende inflatie. Huurinkomsten worden normaliter gecorrigeerd voor inflatie en daarmee nemen dan ook de inkomsten uit het vastgoed toe, waardoor de dekking van de lasten weer toeneemt. De invloed van een rentestijging is daarom niet eenvoudig te bepalen. Zeker indien men de overige effecten ook nog moet meenemen (hogere disconteringsvoet, veranderende economische omstadigheden, etc.). In deze thesis is daarom gekozen voor een gelijkblijvende rentevoet.

4.4.4 Scenario analyse Tot dusver lijkt de modellering, behoudens de bepaling van de rentelasten, erg op het ROZ/IPD taxatie model dat men gebruikt bij vastgoed taxaties. Indien een object aangekocht wordt dan kan men als uitkomst van het model de precieze parameters hanteren die tot stand zijn gekomen in de onderhandeling tot aankoop van het object. Indien het object reeds in bezit is zal er een inschatting gemaakt moeten worden van de parameters. Een inschatting maken van deze parameters is te vergelijken met het proces van een taxatie. Dat zowel net gekochte objecten als objecten reeds in portefeuille in één model ingevoerd kunnen worden is begrijpbaar omdat een taxatie in essentie een inschatting is van het bedrag waartegen vastgoed op de datum van de taxatie zou worden verkocht (Van Gool, Brounen, Jager en Weisz, 2007).

Het model voor de bepaling van het risico verschilt significant van de meest gangbare modellen door een ander soort

opbouw en benadering. De onzekerheden en risico’s zijn lastig te voorspellen en meestal passen taxateurs de traditionele reeds genoemde deterministische raming toe. De schattingen doen de taxateurs op basis van hun ervaring en hebben daardoor een groot subjectief karakter. Om meer grip op de onzekerheden te krijgen wordt in het te hanteren model gebruikt gemaakt van de statistische probabilistische methode (zie ook paragraaf 4.4.1). In plaats van een schatting te maken wordt Amsterdam School of Real Estate - Robert Kat

56

De (krediet)waardigheid van vastgoed hier een berekening toegepast. Zo ontstaat meer inzicht in de betrouwbaarheid van de berekening. Deze dynamische methode onderscheidt twee typen onzekerheden. Normale onzekerheden, zoals kans op expiratie van een contract en bijzondere gebeurtenissen zoals een faillissement van een huurder met alle daarbij behorende consequenties. Omdat de kwaliteit van de output wordt bepaald door de input is gekozen om zoveel mogelijk input op statistische wijze te bepalen en niet op basis van ervaringen.

Om tot een scenario te komen zijn diverse variabelen van invloed. Deze variabelen hebben invloed op de hoogte van

de kasstromen per jaar en worden middels een berekening bepaald (statistische probabilistische methode). De variabelen bestaan uit: I.

II.

Normale onzekerheden: A.

Kans op expiratie,

B.

Kans op een nieuwe huurder.

Bijzondere gebeurtenissen: C.

Kans op faillissement,

Bij een nieuwe huurder is het onvoldoende om te bepalen of er daadwerkelijk een nieuwe huurder is. Tevens zullen de volgende variabelen ingeschat moeten worden: D.

Lengte huurcontract,

E.

Huurprijs,

F.

Hoogte van inventives.

Bepaling leegstand De belangrijkste factor in een DCF model is de aanwezigheid van een huurder. De parameters die daar invloed op hebben zijn de kans op default (kans op expiratie) en de kans op recovery (kans op een nieuwe huurder). Een minder belangrijke parameter is de kans op faillissement (als bron voor het bepalen van de kans op faillissement worden de data van het CBS aangewend). Voordat het model de kasstroom berekent wordt per scenario (totaal 250 stuks) bepaald of er een huurder aanwezig is. Bij een zittende huurder wordt tot de expiratie alleen rekening gehouden met de kans op faillissement. Bij het expiratie moment wordt vervolgens bepaald, met behulp van de kans op default (1 - kans op default) of de huurder door blijft huren of definitief expireert. Bij een kans op default van 75% is de kans dat een huurder blijft doorhuren 25%, oftewel in 1 op de 4 scenario’s is het doorhuur scenario van toepassing. Deze kans wordt bepaald door de kenmerken gebied, gebouw en gebruiker.

Indien de huurder expireert of failliet gaat dan wordt bepaald met de kans op recovery of er in dat jaar een nieuwe

huurder komt. Bij een kans van 50% komt er in 1 op de 2 scenario’s dat de bestaande huurder expireert een nieuwe huurder. In het geval dat er geen nieuwe huurder komt is er in het daaropvolgende jaar weer een kans van 1 op 2 dat er een nieuwe huurder komt. er is een kans dat er in een bepaald scenario deze periode van leegstand enkele jaren voortduurt. Omdat er geen informatie is met betrekking tot de huurder wordt de kans op een nieuwe huurder (recovery) bepaald door enkel de kenmerken gebied en gebouw.

Bij een nieuwe huurder wordt aan het einde van zijn contract de procedure zoals hierboven beschreven herhaald. Dit

geeft het model de input voor de bepaling van de huurstroom. Immers geen huurder, geen huurstroom. Lengte contract(en) Bij verlenging van een bestaande huurder gebruikt het model de ingegeven huurverlengingstermijnen. Deze termijnen worden in de meeste gevallen genoemd in het huurcontract. Bijvoorbeeld bij een 5 + 5 contract is de tweede contract termijn na de eerste vijf jaar wederom vijf jaar. Maar er zijn ook situaties waarbij de eerste termijn tien jaar is en de tweede vijf. Bij een nieuwe huurder bepaalt het model de huurtermijn, omdat er geen gegevens over beschikbaar zijn. Er is aangenomen dat de gemiddelde huurtermijn normaal verdeeld is. Het model gegenereert op basis van de normaal verdeling een “toevallig” bepaalde huurtermijn. Dit wordt gedaan door een random gegenereerd getal te vermenigvuldigen met de standaarddeviatie van contracttermijn plus het gemiddelde contracttermijn. In Excel kan men hiervoor de volgende formule gebruiken:

NORMINV(RAND(), g, s)


57

De (krediet)waardigheid van vastgoed Hierbij is de g het gemiddelde en s de standaard deviatie, NORMINV en RAND zijn de formules die in Excel via het formule menu zijn in te voegen. NORMINV retourneert de inverse van de cumulatieve standaard normale verdeling voor het gegeven getal (RAND) in de verdeling. RAND genereert een willekeurig getal tussen de 0 en 1.

G

1

Grafiek 4.3

2

3

4

5

6

7

8

9

normaal verdeelde contracttermijn met als gemiddelde 5 jaar en standaard deviatie van 1 jaar In het bovenstaande voorbeeld is de kans dat een contract korter dan 1 jaar is zeer gering. Echter de kans bestaat. Bij een standaard deviatie van 2 jaar met een gemiddelde van 5 jaar ligt de kans op een contract korter dan 1 jaar hoger. Er is zelfs in beide gevallen een kans dat er een negatieve contracttermijn wordt gegenereerd. Om dit te voorkomen zijn waarden die door de formule gegenereerd worden geminimaliseerd tot 1. De verdeling wordt daarmee als het ware aan de rechterkant “afgekapt” op 1. Alle waarden die gelijk of lager dan 1 zijn worden in het model aangepast naar 1. Dit heeft als gevolg dat alle waarden en daarmee alle kansen dat de waarde gelijk of lager dan 1 zou zijn nu 1 zijn. Oftewel de kans dat een contract een lengte van 1 heeft is hoger dan men zou mogen verwachten op basis van het gemiddelde en de standaard deviatie. Incentives De incentives worden op een vergelijkbare wijze als de contracttermijn bepaald. Voor het pand wordt een gemiddeld aantal maanden incentives ingeschat (bijvoorbeeld op basis van het aanbod in de regio) met een standaarddeviatie. Ook bij incentives is verondersteld dat deze normaal verdeeld zijn.

Incentives kunnen bestaan uit een periode huurvrij of uit een financiële vergoeding. Er is aangenomen dat de huurvrije

periode nooit langer duurt dan een jaar en dat de vergoeding die hoger ligt dan deze 12 maanden in de vorm van een financiële vergoeding zal plaats vinden en derhalve als uitgaande geldstroom wordt meegenomen in dat zelfde jaar.

Incentives worden in het model alleen gegeven bij het afsluiten van een nieuw contract. Bestaande huurders

ontvangen in het model geen incentives bij het verlengen van hun contract. In de realiteit komt het echter wel voor dat incentives worden gegeven bij verlengingen. Geregeld zal de huurder daarbij worden geassisteerd door een adviseur. Adviseurs zullen een dergelijke (succesvolle) onderhandeling melden als verhuurtransactie. In de datasets die gebruikt worden bij de modellering staan dergelijke transacties genoteerd als opname. De verleningen die als opname zijn geregistreerd zijn middels de in deze modellering gebruikte methode voor de bepaling van de kans op expiratie daarom ook als expiratie geregistreerd. Deze vervuiling wordt (deels) gecompenseerd door hogere opname percentages. Een voordeel van deze methode is dat er een uit de data voortkomende selectie plaats vindt voor transacties waarbij incentives worden Amsterdam School of Real Estate - Robert Kat

58

De (krediet)waardigheid van vastgoed gegeven en transacties waarbij geen incentives worden gegeven. Uiteraard is het geen waterdichte voorstelling van de realiteit. De data geven op dit moment geen mogelijkheden om dit op een meer realistische manier te modelleren. Huurwaarde en inflatie De huurwaarde vormt de basis voor de huurprijs bij het aangaan van een nieuw contract. In de modellering wordt op basis van de inflatie elk jaar een nieuwe huurwaarde bepaald ongeacht of er in het desbetreffende scenario een contract wordt afgesloten. De twee variabelen op basis waarvan de hoogte van de huurwaarde wordt berekend is de huurwaarde die ingeschat wordt op T=0 en de jaarlijkse (variabele) huurwaardestijging. De huurwaarde wordt op een intuïtieve manier ingeschat waarbij referenties het huurniveau kunnen onderbouwen. De inschatting vindt min of meer plaats op dezelfde wijze al een taxateur dat doet. Op basis van de ingeschatte huurwaardestijging wordt deze huurwaarde vervolgens ieder jaar aangepast (geïndexeerd).

De huurwaardegroei wordt in de modellering op dezelfde wijze bepaald als de inflatie. De inflatie wordt in het model

gebruikt om de huurprijs elk jaar te indexeren conform de meest gangbare huurcontracten in de vastgoedmarkt. Tijdens de looptijd van een contract of bij verlenging van een contract wordt de huur geïndexeerd met het inflatiepercentage van dat jaar. Enige uitzondering hierop is de bijzondere gebeurtenis van faillissement.

Voor de bepaling van de hoogte van de jaarlijkse huurwaardegroei en inflatie wordt gebruikt gemaakt van het Vasicek

model. Dit model beschrijft op een wiskundige manier het verloop van rentes en is een algemeen geaccepteerd model (Plat en Gregorkiewicz, 2007). Er is gekozen voor deze benadering omdat het Vasicek model gebruik maakt van “mean reversion”. Dit betekent dat de uitkomst van het model bij elke volgende uitslag weer tendeert naar het gemiddelde. Een dergelijke benadering onderschrijft het verschil van rente (maar ook inflatie) met andere financiële parameters zoals beurskoersen. Rente en inflatie kunnen niet onbeperkt stijgen (wat in principe beurskoersen wel kunnen). Bij een extreem hoge rente zou de economische activiteit immers gaan haperen dat op zijn beurt weer zorgt voor lagere rentes. De berekening van de rente gaat als volgt: ∆r = α(b-r)∆t +σε√∆t (Hull, 2000) ∆r = stijging/daling rente α = de “kracht” van de mean reversion b = lang jarig gemiddelde van de rente σ= de volatiliteit van de rente ε = een trekking uit de standaardnormale verdeling (maal de wortel van de tijdstap) Mutatiekosten en kosten bij leegstand De mutatiekosten en kosten bij leegstand hebben een direct verband met het verloop van de huurders. Bij het expireren van een contract kan leegstand ontstaan en daar zijn zoals eerder reeds genoemd kosten aan verbonden. Indien er een nieuwe huurder komt zullen ook kosten gemaakt moeten worden zoals makelaarskosten, marketing en kosten voor het opknappen van de ruimte. Deze kosten zijn in het model gekoppeld aan de bovenstaande variabelen en worden dan ook alleen opgenomen in geval van leegstand of bij een nieuwe huurder. In het model zijn opgenomen: I.

mutatiekosten,

II.

servicekosten tlv eigenaar,

III.

verhuurcourtage / PR en marketing.

Bij mutatiekosten is aangenomen dat deze 50% van de eerste jaarhuur bedragen. Dit komt bij een huur van 150 euro neer op 75 euro per vierkante meter. Deze kosten zijn voor bijvoorbeeld het repareren van schades, schoonmaakkosten en renovatiekosten. Een dergelijke post wordt geregeld opgenomen bij de DCF methode. Naast mutatiekosten vallen ook verhuurcourtage / PR en marketing op het moment dat er een nieuwe huurder is. De post is gebudgetteerd op 20%, zijnde 15% makelaarskosten en 5% PR en marketing.

De servicekosten ten laste van de eigenaar zijn van toepassing op het moment dat het object of de desbetreffende

ruimte niet in gebruik is door een huurder. Ook hiervoor zijn vaste percentages gebruikelijk, zijnde 5% van de huurwaarde in het geval van deze post.


59

De (krediet)waardigheid van vastgoed Invoer scenario parameters Het invoerblad van het model is één van de belangrijkste bladen. Hier worden naast de huurgegevens de meest rating bepalende variabelen ingevoerd. Een gedeelte van de gegevens is bekend zoals de lengte van het huidige huurcontract, looptijd tot indexatie, optie periodes en huuropbrengst. De huurwaarde wordt uit het huurdersoverzicht gehaald. De overige gegevens moeten worden ingevoerd. Deze gegevens zijn: I.

Kans op faillissement,

VII.

Kans op incentives,

II.

Kans op leegstand,

VIII.

Gemiddelde incentives,

III.

Kans op nieuwe huurder,

IX.

Standaard deviatie incentives,

IV.

Kans op aanpassing huur,

X.

Incentives bij verlenging,

V.

Gemiddelde lengte nieuw contract,

XI.

Mutatiekosten.

VI.

Standaard deviatie lengte nieuw contract,

Het invoeren van deze gegevens is op basis van de methode zoals besproken in de vorige paragrafen. Hierbij worden voor de individuele kenmerken verschillende benaderingen gekozen. Zo is de lengte van een nieuw huurcontract gebaseerd op de lengte van in alle in de database bekende in het verleden afgesloten huurcontracten uit heel Nederland bepaald. Terwijl de kans op leegstand is gebaseerd op alle data die is opgebouwd uit o.a. leeftijd gebouw, huurdersector, regio, etc. Overige opmerkingen Het model heeft als doel de toekomstige kasstromen te simuleren, waarbij voor het gebruikersgemak enkele belangrijke aannames zijn gemaakt: I.

Er is geen rekening gehouden met structurele leegstand,

II.

De mogelijkheden tot verhuur in zowel grotere als kleinere eenheden is niet mogelijk in het model,

III.

Eventuele mogelijkheden tot verbetering en uitbreiding zijn niet meegenomen,

IV.

Model is gebaseerd op statistische data, welke een weergave is van het verleden en niet de toekomst,

V.

Huurbetaling vallen in het midden van het jaar in zijn geheel,

VI.

Uitgaande kasstromen vallen in het midden van het jaar in zijn geheel,

VII.

De comparatief bepaalde huurwaarde is de huurprijs die een nieuwe huurder op de peildatum zou betalen,

VIII.

Overige kosten, zoals onderhoud en belastingen, worden op basis van de beschikbare gegevens begroot,

IX.

De geëiste disconteringsvoet is op intuïtieve manier ingeschat, de uitkomst van de DCF zou op basis van deze disconteringsvoet gelijk moeten zijn aan de marktwaarde.

Een laatste belangrijke opmerking is dat het model uit voor een klein deel bestaat uit intuïtieve gegevens (bv. uit taxatierapporten) en grotendeels uit gegevens uit databases (statistisch).

4.4.5 Model geprogrammeerd in Excel Met alle bovenstaande programmeerstappen is een functioneel model in Excel gebouwd. Het model is voor dit onderzoek beperkt tot een maximum aantal huurders van 5 plus eventuele leegstaande meters. Dit betekent dat bij een test van het model alleen objecten met een maximum aantal huurders van 5 beoordeeld kunnen worden. Een belangrijk onderdeel van het model is de inschatting van de variabelen in het invoerblad. Het is de bedoeling dat deze variabelen zoveel mogelijk bepaald worden door statistische gegevens. Via het model in Excel kunnen vervolgens 250 scenario’s berekend per huurder en eventueel de ruimte met aanvangsleegstand. Deze scenario’s worden gecombineerd in 250 kasstroom overzichten op pand niveau waarbij er een toets plaats vindt of het object enerzijds jaarlijks positieve kasstromen genereert en anderzijds of het object een positieve contante waarde behoudt (niet failliet gaat). Op basis van de uitkomsten van deze scenario’s wordt een rating bepaald. De belangrijkste parameter is de kans op faillissement (positieve contante waarde). Hoe meer scenario’s een negatieve uitkomst hebben, hoe hoger de kans op faillissement. Een tweede, minder invloedrijke, parameter is het aantal jaren dat er een negatieve kasstroom is. Op basis van deze twee uitkomsten moet er een vertaalslag gemaakt worden naar de uiteindelijke rating. Hier wordt verder op ingegaan in de volgende paragraaf (4.5).


60


4.5 Rating vastgoed De resultaten van het model dat in hoofdstuk 4.4 is geprogrammeerd worden in dit hoofdstuk vertaald in een rating zoals gebruikelijk bij krediet ratings. In de eerste paragraaf wordt gekeken naar de parallellen die men kan trekken uit de (historische) resultaten van krediet ratings en de (verwachte) resultaten uit het model; daaropvolgend wordt de beoordeling van de vastgoedrating voor deze thesis vast gesteld. Afsluitend wordt in paragraaf 4.5.2 het proces dat is doorlopen geëvalueerd.

4.5.1 Implicaties van krediet ratings Een rating in de financiële wereld is veelzeggend. Veel mensen buiten de financiële wereld hebben weleens gehoord van een “triple A” rating. De kans dat een bedrijf met een dergelijke rating failliet gaat is (bijna) onmogelijk. Toch is die kans wel degelijk aanwezig. Een klein percentage van de bedrijven met een AAA rating komt uiteindelijk toch in een default situatie. Default betekent niet per definitie dat het bedrijf failliet gaat, want op basis van diverse scenario’s (de recovery kans) bestaat de mogelijkheid dat het bedrijf zijn default situatie kan ombuigen naar een normale situatie.

Op basis van de uitkomsten van het model wordt een conclusie getrokken wat de uiteindelijke rating wordt. Deze

rating moet in grote lijnen overeenkomen met de rating zoals gebruikt in de financiële wereld teneinde het nut van die rating te optimaliseren. Een gebouw met een AAA rating zal dus dezelfde financiële kwaliteit moeten hebben als bijvoorbeeld het bankenconcern Rabobank.

De kans op default is bij vastgoed de kans dat de uitgaven in de bepaalde periode hoger zijn dan de inkomsten.

Uitgaven bestaan bij kantoren vastgoed voor circa 10% van de huurinkomsten (bij 100% verhuurd tegen marktprijzen) uit onroerend zaak gebonden lasten. Dit is een beperkt percentage, waardoor er bij extreme situaties, zoals in het geval van geen huurder de kans op default ontstaat. In de meeste gevallen is er een tweede categorie uitgaven welke samenhangt met de kapitaalintensiviteit van vastgoed. Het is gebruikelijk om voor vastgoedobjecten vreemd vermogen in de vorm van een hypotheek aan te trekken. Deze lasten die voortkomen uit het aantrekken van dit vreemde vermogen liggen vaak enkele factoren hoger dan de onroerend zaak gebonden lasten. Totaal kunnen de lasten eenvoudig oplopen tot 50% van de huurinkomsten bij een volledig verhuurd kantoor. De bevoorschotting is variabel. Een investeerder heeft de keus om een object voor een bepaald percentage te financieren. Hoe hoger dit percentage hoe hoger de lasten in de vorm van rente. D

Diagram 4.5

1 Jaar

10 Jaar

50

Kans op default (%)

40 30 20 10 0

AAA

AA

A

BBB

BB

B

CCC/C

Cumulatieve gemiddelde kans op default in de periode 1981 tot 2007 voor een periode van 1 jaar en 10 jaar (Standard & Poor’s, 2008).


61

De (krediet)waardigheid van vastgoed Bevoorschotting De rating van een vastgoedobject is dus in grote mate afhankelijk van de mate van financiering. Hoe hoger de bevoorschotting hoe hoger de totale lasten en hoe groter de kans op default. Bij geen financiering is er in het geval van een daling van de huurinkomsten met 90% nog geen sprake van een default situatie (bij maximale onroerend zaak gebonden lasten van 10%). In het geval van een gefinancierd object is er echter in een dergelijke situatie wel een default situatie (tenminste de lopende inkomsten kunnen de lopende uitgaven niet dekken). In het onderstaande figuur een fictieve grafische weergave van de invloed van bevoorschotting op de rating, uitgaande van een lineair verband. G

Grafiek 4.4

Bevoorschottingspercentage (%)

80

70

60

50

40

AAA

AA

A

BBB

BB

B

CCC

Rating

Bij een stijgende bevoorschotting stijgt het risico op default, waardoor de rating van het object, met inachtname van de financiering, naar beneden wordt aangepast (fictief voorbeeld op basis van een lineair verband). De implicaties van dit principe kunnen ervoor zorgen dat een intuïtieve rating van een object afwijkt van een rating die door het model wordt gegenereerd. Een grachtenpand met meerdere gebruiksmogelijkheden zou bij een zeer hoge financiering een lagere rating kunnen krijgen dan een economisch afgeschreven, maar niet gefinancierde opslagloods op een oud bedrijventerrein. Dit zou de geloofwaardigheid van een vastgoedrating systeem kunnen ondermijnen.

Ter voorkoming van de laatste eenzijdige rating zal een model gebruik moeten maken van extra informatie voor een

betere vergelijking. Hoewel het model geschikt is om de kans op default te berekenen op basis van elk bevoorschottingspercentage zal de uiteindelijke rating gebaseerd worden op een vast bevoorschottingspercentage. Voor de bank kan het in bepaalde gevallen wel degelijk interessant zijn om de implicaties van een hogere financiering in te schatten. Men zou in een dergelijke geval een individuele rating kunnen berekenen: I.

Rating op basis van gelijkwaardige uitgangspunten financiering (rekenrente, etc.) om vergelijkbaarheid zo groot mogelijk te houden,

II.

Rating op basis van specifieke kenmerken van financiering ter bepaling van onder andere de opslag op de basis rente.

De eerste rating is bruikbaar bij aankoop of verkoop van objecten, waarbij de financiering nog moet worden aangetrokken. De tweede rating zou bruikbaar kunnen zijn voor de hypotheek verstrekker, maar ook voor participanten in een fonds met het vastgoedobject.


62

De (krediet)waardigheid van vastgoed Kans op default en kans op recovery Onafhankelijk van de bevoorschotting is er een vergelijking nodig tussen vastgoed ratings en bedrijven ratings. Op basis van historische gegevens is inzicht te verkrijgen in de uiteindelijke defaults over een bepaalde periode van bedrijven met een bepaalde rating. Dit percentage kan gekoppeld worden aan de percentage die uit het model verkregen worden. Daarbij is het van belang om te extraheren wat het percentage uit het model nu eigenlijk aangeeft. Een dergelijke analyse is echter alleen te maken na verloop van enkele jaren, waarbij de rating opgesteld in t=0 kan worden vergeleken met de realiteit in bijvoorbeeld 5 jaar later (t=5). In onderstaande tabel is een overzicht gegeven van de ratings die het model geeft, met daar achter de implicaties die de rating heeft op de kwaliteit en het kasstroom verloop. T

Tabel 4.5

De ratingsschalen van zoals gebruikt voor model

Rating

Kwaliteit

Defaultkans

AAA

Extreem goed; geen verlies aan kasstromen

1,00%

AA

Zeer goed; beperkte mutatiekosten

2,50%

A

Goed; mutatiekosten of beperkte mutatieleegstand

4,00%

BBB

Voldoende; mutatiegraad en kosten gemiddeld

7,00%

BB

Speculatief; groter dan gemiddelde mutatiekosten/

17,00%

leegstand B

Zeer speculatief; veel mutatiekosten en

30,00%

mutatieleegstand CCC

Kwetsbaar; beperkte langjarige leegstand

CC

Zeer kwetsbaar; langjarige leegstand

C

Extreem kwetsbaar; veel langjarige leegstand

RD

Beperkt in gebreke; deels onverhuurbaar

D

In gebreke; grotendeels onverhuurbaar

>30,00%

Samenvatting Op basis van de kennis die beschikbaar is in de rating industrie is in dit hoofdstuk een model gemaakt voor het opstellen van een rating van individuele vastgoed objecten. In deze laatste paragraaf van hoofdstuk 4 is de koppeling van de resultaten uit het model naar een rating gemaakt en is het model klaar voor gebruik.


63


Analyse Resultaten van het testen van de werking en de output van het model op bruikbaarheid en betrouwbaarheid. In hoeverre is de uiteindelijke rating valide? De resultaten van het onderzoek bestaan uit tweede delen; een analyse van de resultaten op basis het model vastgoedrating en een analyse van de resultaten op bruikbaarheid, betrouwbaarheid en validatie.

5.1 Introductie Het model dat ontwikkeld is in hoofdstuk 4 is een fundamenteel model. Met de output van het model is men in staat een rating op te stellen voor een vastgoedobject. In de theorie worden enkele voorwaarden genoemd voor de bruikbaarheid van een rating instrument. De belangrijkste is de betrouwbaarheid van de uitkomsten. Voornamelijk bij kwalitatief geënte rating instrumenten is de bandbreedte waarbinnen de uitkomsten liggen vaak breed. Kwalitatieve modellen kunnen daarom ook beperkt zijn in de bruikbaarheid. Het ontwikkelde model bestaat voornamelijk uit kwantitatieve data. Enkele van deze kwantitatieve data zijn echter wel subjectief vastgesteld, zoals bijvoorbeeld de disconteringsvoet. In het geval van een transactie is de disconteringsvoet wel te herleiden, omdat het model de kasstromen zelf reeds modelleert en de transactieprijs derhalve de resultante moet zijn.

Naast de betrouwbaarheid van het model is een andere belangrijke eigenschap het onderscheidend vermogen van

de uitkomsten (validiteit) belangrijk. Het heeft de voorkeur dat het meest stabiel solvabele gebouw een significant andere uitkomst krijgt dan het minst solvabele gebouw. Daartussen zijn een diversiteit aan verschillende ratings te onderscheiden. Het verschil in ratings moet echter wel een duidelijke zijn, anders zijn er of teveel ratingklassen of zijn de uitkomsten uit het model niet onderscheidend genoeg voor praktisch gebruik.

Om een analyse van het model te kunnen maken zal het model een praktijk toets ondergaan. Bij de beoordeling van

de bruikbaarheid van het model gaat het voornamelijk om de output die een dergelijk model genereert. Indien de output betrouwbaar is en onderscheidend (valide) dan kan een aanvullende analyse van het gebruiksgemak van belang zijn. Daarin kunnen vragen centraal staan zoals de beschikbaarheid en minimale hoeveelheid data die men moet invoeren om tot een betrouwbaar resultaat te krijgen. Opzet analyse Voor de analyse van het model zijn acht objecten geselecteerd. Deze onroerend goed objecten zijn geselecteerd op basis van hun bekendheid, ligging en onderscheidend vermogen. Voor de verschillende objecten zijn vervolgens de basisgegevens, zoals huur, looptijd, huurders, etc. ingevoerd in het model. Door een beperking in de modelbouw zijn alleen objecten geselecteerd met maximaal 5 huurders exclusief leegstand. De basisgegevens vormen de start van het model. Voor de werking van het model zijn vervolgens de volgende input data het meest van belang: I.

Kans op faillissement van huurder,

II.

Kans op vertrek bij expiratie contract,


64

De (krediet)waardigheid van vastgoed III.

Kans op nieuwe huurder bij leegstand,

IV.

Overige parameters zoals incentives en looptijden contracten.

Voor het vaststellen van deze parameters wordt gebruik gemaakt van de transactiedatabase van DTZ Zadelhoff, de database van het CBS en taxatierapporten uit 2009 (opgesteld door DTZ Zadelhoff van de betreffende objecten). De cijfers van het CBS over faillissementen vormen de basis van de kans op faillissement (I). Het CBS houdt deze cijfers bij en heeft ze gegroepeerd in verschillende branches van Land- en bosbouw, jacht en visserij tot horeca. Op basis van deze historische gegevens is het percentage ingevoerd in het model. Er is in het model uitgegaan van het gemiddelde percentage van een bepaalde branche, geen rekening is gehouden met eventuele betere posities van bedrijven in verhouding tot het gemiddelde van de branche. Indien de huurder is vertrokken of als de ruimte vanaf jaar 0 leeg stond wordt het gemiddelde percentage gebruikt van alle bedrijven en instellingen (Tabel 5.1).

De kans op vertrek (II) en de kans op een nieuwe huurder (III) zijn volledig gebaseerd op de data van DTZ Zadelhoff.

Er is daarbij een onderscheid gemaakt in kenmerken/datavan gebied, gebouw en gebruiker(s) . De overige parameters zoals incentives en looptijden van contracten zijn ingeschat met de taxatierapporten.

Na het invoeren van deze parameters moeten de gegevens van de hypothecaire lening worden ingevoerd. Hiervoor is

gekozen om eenzelfde soort hypothecaire financiering te gebruiken voor alle objecten om de vergelijkbaarheid te vergroten en om het onderscheidend vermogen van het model te kunnen bepalen. Deze parameters zijn in dit onderzoek ingegeven op 4,75% rente en een bevoorschottingspercentage van 70%. De onroerend zaak gebonden lasten zijn per object ingeschat en liggen tussen de 8% en de 12%. T

Tabel 5.1

Faillissementspercentages CBS Bedrijven en instellinge n totaal

Land- en bosbouw, jacht en visserij

Winning van delfstoffen en industrie

Bouwnijve rheid

Reparatie consumen tenart. en handel

Horeca

Vervoer opslag en communic atie

Fin. inst. verhuur en zak. dienstverl.

Onderw. gezondh. milieu ov. dienst.verl.

0,87%

0,10%

1,30%

1,27%

0,86%

0,92%

1,15%

1,05%

0,32%

5.2 Model test Voor het testen van het model zijn 8 objecten geselecteerd. De objecten komen uit portefeuilles van bekende institutionele beleggers en moeten vertrouwelijk behandeld worden. Daarom zijn de objecten geanonimiseerd. Ten behoeve van het onderscheiden van de objecten onderling is een korte omschrijving gemaakt: I.

Modern kantoorgebouw in Amsterdam Zuid

II.

Monumentale vrijstaande kantoorvilla in Utrecht Maliebaan

III.

Monumentale vrijstaand kantoorgebouw in Amsterdam centrum

IV.

Kantoorgedeelte van een gemengd gebouw in Utrecht Oog in Al

V.

Kantoorgebouw op bedrijventerrein in Rijswijk nabij A4

VI.

Modern kantoorgebouw in Den Haag nabij CS

VII.

Modern kantoorgebouw op kantoren locatie in Amsterdam Zuid-Oost

VIII.

Monumentaal grachtenpand in Amsterdam centrum

Zoals beschreven zijn de objecten gekozen omdat de verwachting is dat de uitkomsten van het model per object zal verschillen. De verwachting is dat de eerste drie objecten een hoge rating zullen krijgen. De objecten zijn gelegen in de uitstekende gebieden van Amsterdam en Utrecht waar ook in mindere economische tijden vraag op uitgeoefend wordt. Huurders van zulke objecten zullen daarbij vaak langjarige verplichtingen aan gaan wat zorgt voor meer zekerheid in het kasstroom verloop.


65


Het vierde en vijfde object hebben veel last van economische fluctuaties en de rating zal dan lager moeten liggen dan

de eerste objecten. Vooral in Rijswijk is er veel aanbod en vinden er veel mutaties plaats. Daarnaast heeft het monotone gebruik van het gebied geen positief effect op de aantrekkelijkheid. Datzelfde geldt voor gebouw zeven.

Het gebouw in Den Haag heeft een geheel eigen dynamiek. Den Haag is het politieke centrum van Nederland en

huisvest daarom veel overheidsdiensten. Deze bewegen zich op de vastgoedmarkt vaak anticyclisch. Daarnaast is de ligging van het gebouw in de buurt van het centraal station van Den Haag een belangrijk pluspunt. De verwachting is dat dit gebouw dan ook een hoge rating zal krijgen. Het laatste object aan de grachten van Amsterdam is een geliefd object voor gebruikers en zal daarom naar verwachting ook een hoge rating krijgen. Invoer per object Per object zijn er twee soorten invoer. Invoer van de parameters bij de huidige (en bekende) huurders en invoer van de parameters bij mogelijke nieuwe toekomstige (en daarmee onbekende) huurders. Van de bestaande huurders is bekend in welke branche deze actief zijn en hier is het dan ook van belang om de parameters op huurders niveau mee te nemen. Van de onbekende huurders is dit niet bekend en wordt alleen gebruik gemaakt van de gebied en gebouw kenmerken, daarin zit impliciet de huurderskenmerken van de huurders die dominant zijn in het gebied. Het meenemen van de huurdersparameters bij bestaande huurders is belangrijk, omdat bijvoorbeeld de huurders in het gebouw kunnen afwijken van de branchemix in de regio. In de onderstaande twee tabellen de parameters die nodig zijn voor het model te beginnen met de parameters voor de nieuwe huurders. T

Tabel 5.2

Invoer van de objecten gebruikt voor de inschatting van de parameters voor de nieuwe huurders invoervariabelen kans op faillissement

kans op leegstand

kans nieuw contract

lengte nieuw contract

st. dev lengte

incentives

st. dev incentives

I

0,90%

48%

24%

10

3

4

3

II

0,90%

28%

32%

10

3

4

3

III

0,90%

48%

24%

10

3

4

3

IV

0,90%

36%

25%

5

2

9

6

V

0,90%

40%

10%

5

2

9

6

VI

0,90%

16%

23%

5

2

6

3

VII

0,90%

55%

17%

5

2

9

6

VIII

0,90%

40%

32%

5

2

4

3

object

contracten in jaren, incentives in maanden

De parameters voor nieuwe huurders zijn het meest uitgebreid. Deze parameters zijn per ruimte van het gebouw (ruimte van huidige huurders) gelijk, omdat het immers nog onbekend is wat voor soort huurder het object bij leegstand zou huren. In de tabel hieronder de parameters voor de bestaande huurders. Er zijn alleen de parameters weergegeven zoals gehanteerd voor de grootste (of enige) bestaande huurder voor illustratieve doeleinden. In het model wordt echter per huurder een afwijkende set van parameters gehanteerd. Indien er aanvangsleegstand in het object is refereert het model direct naar de parameters van de bovenstaande tabel.

Naast deze parameters worden er voor de bestaande huurders ook de contractgegevens ingevoerd zoals

expiratiedatum, indexatie-datum en optie-periodes. Het huurbedrag in het huurcontract is in veel gevallen geen afspiegeling van de markthuur en kan daarom niet als leidende invoer in het model gebruikt worden. Per huurder wordt ook een inschatting (op basis van de taxatie) ingevoerd van de huurwaarde van de ruimte. Er is de kans dat de bestaande huurder bij


66

De (krediet)waardigheid van vastgoed expiratie het object blijft huren, maar in de onderhandelingen tot een nieuwe huurprijs komt op basis van de huurwaarde. De kans op een aanpassing van de huur naar markthuurwaarde bij een bestaande huurder is aangegeven in de een-na-laatste kolom. T

Tabel 5.3

Invoer van de objecten gebruikt voor de inschatting van de parameters voor de bestaande huurders invoervariabelen incentives bij verlenging

kans op faillissement

kans op leegstand

kans op huur aanp.

muliti-tenant

I

3

1,05%

55%

50%

nee

II

3

1,05%

36%

50%

nee

III

3

1,05%

55%

50%

nee

IV

6

0,35%

31%

50%

ja

V

6

0,35%

35%

50%

ja

VI

3

0,35%

11%

50%

ja

VII

6

1,05%

63%

50%

nee

VIII

3

1,05%

48%

50%

nee

object

incentives in maanden

Uitvoer per object Op basis van deze gegevens genereert het model 250 scenario’s. Deze scenario’s geven per object een helder beeld van het verloop van de kasstromen en de bandbreedte waarbinnen deze zijn gelegen. Op basis van de fundamentele theorie is een bedrijf insolvabel indien het verlies hoger is dan de waarde van het eigen vermogen van het bedrijf. Een belangrijke output van het model is dan ook de kans dat dit gebeurt. T

Tabel 5.4

Uitvoer per object en de daarop aansluitende (nog nader te definiëren) rating invoervariabelen Interest

Kans op

Negatieve

(tijdelijke)

cover ratio

default

kasstroom

Rating

I

2,0

1,6%

88%

AA

II

1,8

1,6%

84%

AA

III

2,1

1,6%

97%

AA

IV

2,5

4,0%

88%

BBB

V

3,2

30,0%

94%

CCC

VI

2,4

0,8%

61%

AA

VII

2,8

19,2%

96%

B

VIII

2,5

2,0%

100%

A

object

De fundamentele theorie gaat uit van het idee dat een eigenaar additioneel eigen vermogen gaat verschaffen in het geval er een negatieve kasstroom is terwijl de waarde van het object nog substantieel hoger ligt dan het additionele vermogen dat


67

De (krediet)waardigheid van vastgoed nodig is als extra investering. Daarbij is de aanname dat de eigenaar liquide genoeg is om dergelijke additionele investeringen te maken. In de realiteit zal dit niet altijd van toepassing zijn en zullen juist bedrijven en eigenaren in slechte tijden niet voldoende liquiditeiten hebben om dergelijke investeringen te kunnen maken. Nu blijft de kans groot dat er een mede-investeerder komt of dat de bank hulp biedt bij een dergelijke situatie, omdat het alternatief voor de bank en de eigenaar een lagere executiewaarde is. De huidige crisis heeft ons echter geleerd dat in tijden van recessie dit niet een vanzelfsprekendheid is. Daarom is er een tweede belangrijke output die het model genereert; de kans op één of meer negatieve kasstromen in de beschouwingsperiode. De percentages zullen hier significant hoger liggen dan bij de kans op default, omdat in de meeste gevallen er enkele jaren van negatieve kasstromen nodig zijn om een object in default te krijgen.

Ter illustratie is bij het overzicht van de output van het model in Tabel 5.4 tevens toegevoegd de interest covering ratio

(ICR). Dit is een instrument waarop veel banken aansturen. Dempend effect Een belangrijk gegeven bij de modellering zijn de rentelasten van de hypothecaire lening. Omdat onroerend goed met solvabele huurders op een aantrekkelijke locatie zeer gewild zijn bij vastgoed beleggers wordt er voor dergelijke gebouwen een hoog bedrag betaald (anders gezegd: een laag aanvangsrendement). Dit zorgt voor naar verhouding hogere rentelasten. Dit heeft een dempend effect op de rating, omdat het gevoeliger is geworden voor leegstand. Bij een gelijke verhouding van de rentelast met de huurwaarde zou het verschil in ratings van de verschillende objecten hoger liggen. Dit is te vergelijken met een excellente onderneming met veel vreemd vermogen of een middelmatige onderneming met geen vreemd vermogen.

5.3 Analyse resultaten Nu de uitkomsten per pand beschikbaar zijn kan er een analyse gemaakt worden van de resultaten. De centrale vraag hierbij is of de resultaten overeenkomen met de realiteit. Zoals reeds in hoofdstuk 3 omschreven kan bij het testen een beoordeling van een expert helpen om de tekortkomingen van het model bloot te leggen. Derhalve is gekozen voor een tweeledige analyse van de resultaten. In eerste instantie zullen de resultaten beoordeeld worden aan de hand van de verwachtingen beschreven aan het begin van de vorige paragraaf. Vervolgens zullen de resultaten aan de hand van een enquête worden getoetst door financiële experts.

Naast de betrouwbaarheid is in de introductie van dit hoofdstuk ook al beschreven dat een rating alleen bruikbaar is

als deze een onderscheidend vermogen heeft. Deze analyse is beperkt tot een beoordeling van de output aan de hand van de verwachtingen beschreven aan het beging van de vorige paragraaf. De experts zullen aangeven of de rating een goede afspiegeling is van hun kennis en daarom niet expliciet aangeven of het onderscheidend vermogen voldoende is.

5.3.1 Analyse op basis van verwachtingen Aan het begin van paragraaf 5.2 zijn de objecten kort beschreven en is er een verwachting uitgesproken over de hoogte van de rating. Omdat de objecten geanonimiseerd zijn is het voor een lezer niet mogelijk om een indruk te krijgen of de verwachting correct is geweest. Derhalve zal er in deze paragraaf zeer kort ingegaan worden over de verwachting ten opzicht van het resultaat.

Zoals aangegeven was het de verwachting dat de objecten I, II, III, VI en VII een hogere rating zouden krijgen. Geen

van de objecten hebben een AAA rating wat terecht toegeschreven kan worden aan het dempende effect van de hogere financiering. Ook de objecten V en VII voldeden aan de verwachting en kregen een lage tot zeer lage rating. Object IV is een positieve uitzondering op de verwachting. Hoewel de verwachting was dat de rating niet hoog of zeer laag zou zijn is het object met een BBB positiever uitgevallen. Dit is bij andere analyse te onderbouwen door het meervoudig gebruik van het object, waardoor de kans groot is dat er ook in slechte tijden een (beperkte) kasstroom blijft bestaan.

Een belangrijke voorwaarde voor de bruikbaarheid van de rating is het onderscheidend vermogen. Op basis van de

uitkomsten van het model is er een breed spectrum van ratings ontstaan. Het “slechtste” gebouw heeft een CCC rating en het “beste” gebouw in de objecten set een AA. De ratings zijn gebaseerd op de kansen van faillissement. Ook hierin is een duidelijke onderscheid te zien. De eerste drie gebouwen hebben dezelfde rating en dezelfde kans op default, maar gezien de objecten is dit niet opvallend en volgens verwachting. Tussen de uiterste in liggen ook nog enkele objecten. Ook hier is een logische rangorde waar te nemen en zit er voldoende verschil tussen de uitkomsten.

Ter illustratie was de Interest Cover Ratio (ICR) opgenomen welke door banken vaak gebruikt worden als plafon voor


68

De (krediet)waardigheid van vastgoed een lening. Men zou verwachten dat er een verband bestaat tussen de hoogte van de ICR en de rating. Uit de output van het model lijkt er echter geen verband te bestaan tussen de hoogte van de rating en de ICR.

5.3.2 Enquête De modellering van een rating voor een vastgoed object probeert in grote mate zonder experts een rating vast te stellen. Bij het toetsen van de uitkomsten uit het model kunnen financiële experts wel een bijdrage leveren. In dat kader is gekozen voor het enquêteren van enkele vastgoed professionals met de vraagstelling of de rating die uit het model komt een naar hun mening accurate voorstelling is van de werkelijkheid. De selectiecriteria van geschikte kandidaten (n=5) zijn als volgt: I.

Direct verantwoordelijke van een vastgoed portefeuille of is nauw betrokken bij vastgoed portefeuilles,

II.

De vastgoedprofessional beschikt over inhoudelijke kennis van ratings,

III.

De vastgoedprofessional beschikt over een langjarige ervaring in de vastgoedmarkt.

De vorm van de enquête Bij het maken van de enquête is rekening gehouden met een aantal voorwaarden om het de geënquêteerden zo eenvoudig als mogelijk te maken. Hiervoor zijn enkele voorwaarden bepaald die moeten bijdrage aan de uniforme beoordeling van de uitkomsten: I.

De objecten die zijn voorzien van een rating moeten bekend zijn bij de geënquêteerde,

II.

Omdat het een “though-the-cycle” rating is behoeft de geënquêteerde slechts beperkte informatie te hebben over de actuele huursituatie van het vastgoed object,

III.

Iedere geënquêteerde ontvangt dezelfde informatie, waarbij opgemerkt moet worden dat de objecten in eigen portefeuille beter bekend zijn bij de geënquêteerde dan de overige objecten,

IV.

Het moet bekend zijn of en zo ja wanneer de geënquêteerde eventueel in aanraking is geweest met één van de objecten,

V.

De uitgangspunten van de rating moeten overzichtelijk en duidelijk zijn,

VI.

De geënquêteerde beoordeelt het gebouw tevens op basis van gebied, gebruiker en gebouw.

De enquête is als bijlage opgenomen bij deze thesis (bijlage 2 en 3). In bijlage 1 is een overzicht opgenomen van de geënquêteerde personen. Het eerste gedeelte van de enquête bestaat uit het invoeren van de persoonlijke gegevens zoals naam, adres, enz., De functiebenaming als ook de relatie met het vastgoed object wordt vastgelegd. Er is op voorhand toestemming gevraagd om de gegevens te gebruiken voor deze thesis.

De vragen van het eerste gedeelte bestaan uit volledig uit gesloten vragen. Hierbij wordt gevraagd hoe de kwaliteit

van het gebouw, gebied en gebruiker wordt ingeschat en wat de rating van het object volgens de geënquêteerde zou moeten zijn. Daarnaast is er ruimte voor opmerkingen over de rating en het object. Dit gedeelte kan de geënquêteerde beantwoorden middels een open veld. Hierin kan de geënquêteerde ook eventuele relaties met het object kwijt. De verwerking van de enquête Voor de verwerking van de ingevulde enquêtes is gebruik gemaakt van het programma Excel. Van alle gesloten vragen zijn de uitslagen beoordeeld en variante tussen de geënquêteerde berekend. Procentuele afwijkingen per vraag zijn hierdoor duidelijk gemaakt, terwijl bovendien inzichtelijk is gemaakt hoe de grote lijn was in de beoordeling van de objecten. Op basis van deze uitkomsten is het mogelijk om een conclusie te formuleren. De validiteit en betrouwbaarheid De enquête betreft een eerste validerend toets-moment, hetgeen betekent dat het een eerste aanzet is met een noodzakelijk vervolg voor de modellering en het gebruik van vastgoedratings in de toekomst. Gezien het feit dat het om zeer professionele vastgoed mensen met jarenlange ervaring gaat is een aantal van vijf enquêtes voldoende geacht om tot eerste conclusies te kunnen komen.


69


5.3.3 Resultaten enquête De uitslag van de enquête zijn in grote mate gelijk aan de output van de rating. De maximale afwijking van de rating is één stapje en het gemiddelde is op één na gelijk aan de output. In Grafiek 5.1 een grafische weergave van de uitkomsten. G

output model

vastgoedprofessionals

Rating

Grafiek 5.1

I

II

III

IV

V

VI

VII

VIII

Object

Vergelijking van output model en de mening van de vastgoed-professional. Hoe hoger de lijn hoe hoger de rating (van AAA tot D). In het onderstaande Diagram (5.1) is de spreiding opgenomen van de rating volgens de geënquêteerde. In de diagram is goed te zien dat de spreiding van de uitslagen in vergelijk met de output van het model zeer beperkt zijn. D

Diagram 5.1

Spreiding van de resultaten van de enquête, waarbij ✖ de output is uit het model. Object rating

I

II

III

✖

✖

✖

IV

V

VI

VII

VIII

AAA AA

✖

A BBB

✖ ✖

BB B CCC

✖ ✖

CC C


70

De (krediet)waardigheid van vastgoed Bij object I, II en III heeft maar één vastgoed professional een andere mening dan het model. In twee gevallen een hogere rating dan het model, terwijl de desbetreffende persoon niet het maximum aantal punten aan de objecten geeft (3 keer 5). Bij object V, VII en VIII hebben twee geënquêteerde een andere mening. Nummer VIII heeft zowel een hogere als lagere rating gehad waardoor het gemiddelde gelijk is aan de output van het model. Bij object VI hebben drie professionals een andere mening waardoor het verschil met de output iets groter is. Bij object nummer IV geven alle geënquêteerde het oordeel BB. Deze mening verschilt van de output van het model welke BBB is. Dit verschil is opmerkelijk, omdat ook al de verwachting zoals uitgesproken in paragraaf 5.2 afweek van de output (lagere verwachting, hogere output uit het model).

De uitkomsten van de overige gesloten vragen over de kwaliteit van het gebied, gebruiker(s) en gebouw zijn ongeveer

even consistent ingevuld. De uitkomsten zijn onderling vergeleken en er is geconstateerd dat de spreiding in de meeste gevallen beperkt is tot 0,5. Bij object VII waren de geënquêteerde unaniem met hun oordeel.

Indien de waarderingen voor gebied, gebruiker en gebouw bij elkaar worden opgeteld dan is er een duidelijk verband

te zien tussen de rating en de kwaliteit van deze drie dimensies. De hoogste kwaliteit heeft object I met een score van 13,5 punten (maximaal 15 te behalen). Object II en II zitten daar niet ver vanaf. Daaronder zitten object VI en VII met beide een score van 11,3. Beide objecten hebben wel de hoogste spreiding van invoer door de geënquêteerde. De volgorde is vervolgens VII, IV en V met respectievelijk 9,0, 8,3 en 6,5 punten (minimaal 5).

Er is in de resultaten eigenlijk één echte discrepantie waar te nemen. Object IV heeft een afwijkende output zoals

voorzien was bij het opstellen van de verwachtingen in paragraaf 5.2 en de mening van de vastgoedprofessionals. De vastgoedprofessionals geven in punten het object ook een lagere waardering dan object VII terwijl de rating beter is (BB versus B). Dit kan betekenen dat de vastgoedprofessionals het multi-tenant voordeel onderschatten of dat de output van het model te optimistisch is. Één van de vastgoedprofessionals had de volgende opmerking gegeven: “Geen duidelijk beeld soort huurders en ikzelf heb weinig gevoel met Utrecht”, wat aangeeft dat er misschien ook wat onbekendheid was met het object. Er is verder onderzoek nodig om de exacte redenen voor dit verschil helder te krijgen.

5.3.4 Gebruik van model in praktijk Uit de enquête blijkt dat een rating voor vastgoedobjecten toegevoegde waarde heeft in de huidige vastgoedpraktijk. Enkele professionals geven aan dat een rating kan bijdragen aan het managen van risico’s bij banken en beleggers. Zij zien een waardevolle rol voor de rating bij het financieren van objecten of portefeuilles en dan specifiek bij de prijsvorming van de financiering (risico opslag).

Bij portefeuilles zou een rating een rol kunnen spelen bij disposities en acquisities van objecten binnen een

financieringsarrangement. Bij een mutatie in de portefeuille zou de risico opslag bijvoorbeeld automatisch kunnen worden aangepast. Indien er een object aan de portefeuille wordt toegevoegd met een hogere rating dan het gemiddelde dan zou de risico opslag van de financiering naar beneden kunnen worden bijgesteld, daarmee stimuleren dat de kwaliteit van de portefeuille hoog blijft of verbeterd. Ook voor externe eigen vermogen verschaffers kan het risicoprofiel van een object of portefeuille additioneel inzicht geven over de aantrekkelijkheid van de propositie.

Één professional gaf daarbij aan dat hij andere aanwendingen van het model ziet. Omdat het model scenario’s maakt

van kasstromen, welke de basis vormen voor de rating, kan inzichtelijk gemaakt worden hoe de kasstromen van verschillende objecten met elkaar in verhouding staan. Het combineren van alle kasstromen van de objecten in een portefeuille analyse kan zwakheden bloot leggen op portefeuille niveau. Dit zou een belangrijke informatiebron kunnen zijn voor het strategische beleid, bijvoorbeeld voor de hoogte van vermogensbuffers of het acquisitie en dispositie beleid. Betrouwbaarheid De professionals zijn het er over eens dat de betrouwbaarheid van de rating zeer hoog moet zijn om een belangrijke rol te kunnen vervullen. Zij wijzen op de tekortkomingen in de ratings van hypotheekportefeuilles in de Verenigde Staten en de daarmee gepaard gaande scepsis ten opzichte van ratings. Enkele geven zelfs aan dat de ratings eerst een “track-record” moeten hebben voordat een praktische aanwending kan volgen.

Daarnaast is het van belang wat een rating voor informatie geeft. Tijdens de enquête is opgevallen dat de

geënquêteerde snel een AAA rating zien of willen geven aan een goed gebouw. In de financiële markten worden maar zelden AAA ratings uitgegeven en op historische basis is de kans van dergelijke bedrijven om failliet te gaan ook zeer klein. Er moet dus duidelijkheid zijn wat een rating aangeeft en dat mag niet voor meerdere uitleg vatbaar zijn.


71


Conclusie Samenvatting van de bevindingen in de thesis de modellering en de analyse met aansluitend de conclusie en beantwoording van de centrale vraag en aanbevelingen voor verder onderzoek..

6.1 Samenvatting De vastgoedwereld kent weinig risico-indicatoren zoals die er zijn bij andere vermogenstitels, zoals de beta van de aandelenmarkt of de ratings in de obligatiemarkt. Dit gebrek is aanleiding geweest voor het onderzoek in deze thesis. Voor een beta voor de vastgoedmarkt is veel historische data nodig die bij vastgoed (nog) niet aanwezig is. Ratings hebben veelsoortige data nodig en zijn mogelijk ook toe te passen bij vastgoed. In het hoofdstuk 2 is daarom eerst gekeken naar het begrip risico, vastgoed en de risico’s in de vastgoedmarkt. Er is kort ingegaan op de manieren om risico en risico’s bij vastgoedobjecten te bepalen. In het hoofdstuk 3 is uitgebreid beschreven hoe ratings en bestaande modellen werken.

Een rating is de classificatie van verschillende assets in verschillende categorieën aan de hand van vooraf gestelde

criteria. Een kredietrating is een oordeel over de kredietwaardigheid van het object in de vorm van een "rapportcijfer". De kans wordt geschat dat aan de verplichtingen uit hoofde van dat object zonder problemen worden voldaan om rendement te bepalen. Ratings zijn in de 19e eeuw ontstaan door het ter beschikking stellen van financiële informatie over bedrijven. Lettercombinaties AAA t/m D zijn vanaf begin 20ste eeuw in gebruik genomen.

Ratings zijn onder te verdelen in Default ratings (PD), Recovery ratings (LGD), Exposure Ratings (EAD), Expected loss

ratings (EL), Unexpected loss ratings (UL). De eerste drie ratings kunnen gecombineerd worden tot één Expected loss rating (EL), welke de meeste gebruikte soort is door bijvoorbeeld S&P en Moody’s. Er is een grootte overeenkomst te vinden tussen het begrip risico en krediet rating. Zo zijn de eerste vier soorten ratings goed te vergelijken met de definitie van risico. Risico (EL) = kans (PD) x gevolg (LGD) X blootstelling (EAD). Een rating kan inzicht geven over de situatie van een bedrijf op dat moment of door de tijd heen. Dit onderscheid komt tot uiting in point-in-time rating en through-the-cycle ratings. De point-in-time ratings zijn eenvoudiger te bepalen van throughthe-cycle omdat er geen rekening gehouden wordt met de stand van de conjunctuur. Deze ratings zijn daardoor volatieler, omdat de conjunctuur bewegelijk is. Een through-the-cycle rating is een rating die rekening houdt met eventuele neergang in de conjunctuur en moet daardoor minder volatiel zijn. Een dergelijke rating heeft de voorkeur en is in deze thesis ook gehanteerd, omdat juist in een conjuncturele neergang de capaciteit van de debiteur om aan zijn verplichtingen te voldoen het meeste inzicht geeft.

Een veel gebruikte structuur waaraan de meeste rating systemen voldoen bestaat uit drie stappen, (1)

gegevensverwerking, (2) genereren score en (3) vertalen score naar een rating. De gegevensverwerking wordt bij veel grote ratingbureaus gedaan door experts. Daarnaast zijn er ook systemen die de rating generen op basis van kwantitatieve input. Uit onderzoek blijkt dat een puur kwalitatieve benadering zorgt voor veel spreiding in de resultaten. Een automatisch systeem Amsterdam School of Real Estate - Robert Kat

72

De (krediet)waardigheid van vastgoed geeft een consequente output en bij een dergelijk systeem is vaak beter te achterhalen hoe de score tot stand is gekomen. Een nadeel van een automatisch systeem is dat het niet altijd alle data kan verwerken en daarom blijkt de combinatie van een geautomatiseerd systeem en het oordeel van de expert te leiden tot de beste ratings.

Om tot een rating te komen moet er inzicht zijn over het subject, hiervoor zijn er verschillende risico modellen. Deze

zijn onder te verdelen in drie categorieën: statistische modellen, expert modellen en fundamentele modellen. Als er veel statistische gegevens zijn dan kan men op basis van die gegevens een statistisch default model ontwikkelen. Een goed statistisch model heeft een balans tussen de mate van complexiteit en de uitkomsten. Het streven is om een model zo eenvoudig mogelijk te houden zonder dat dit ten koste gaat van de bruikbaarheid van de uitkomsten. Door een gebrek aan statistische gegevens over default in onroerend goed is gebruik gemaakt van een fundamenteel model.

Fundamentele modellen hebben als basis financiële en economische theorieën. De modellen zijn vaak gebaseerd op

een standaard winst model gecombineerd met Black en Scholes optie theorieën. Dergelijke theoretische raamwerken worden toegepast in het Merton model en het Gambler’s ruin model. Beide modellen gaan uit van een financieel vangnet bestaande uit het eigen vermogen. Indien dit vangnet wordt aangesproken door verliezen neemt het risico toe. In het geval dat het vangnet eventuele verliezen niet meer kan dekken ontstaat er een default situatie. Modellering In deze thesis is gekozen voor fundamentele modellering als basis voor een vastgoed rating. Het gebrek aan data en de spreiding bij experts zijn de belangrijkste redenen voor die keuze. Een krediet rating geeft informatie over het vermogen van de debiteur om aan zijn verplichtingen te kunnen voldoen. Een vastgoed rating zou informatie kunnen geven over het vermogen van een vastgoedobject om aan verplichtingen die daarop rusten te voldoen. In een fundamenteel model moeten deze factoren meegenomen worden. Daarbij moet het eigen vermogen dekking geven aan de verplichtingen. Verplichtingen zijn daarbij: rente, belastingen, onderhoud, management en verzekeringen. Tegenover deze verplichtingen staan huurinkomsten. Om een rating te kunnen opstellen dient er inzicht te zijn in deze kasstromen en het eigen vermogen (contante waarde van netto kasstromen in de toekomst). In formule vorm kan dat geschreven worden als: EV0 + X < 0 EV0 is het eigen vermogen op t=0, X is het directe en indirecte rendement in jaar 1. Als het directe rendement plus de waardeverandering in dat jaar groter negatief zijn en dan het eigen vermogen dan is het object in default. Voor het totale rendement (directe en indirecte) kan men een verdeling maken aan de hand van een gemiddeld rendement µx en de standaardafwijking van het rendement σx. In gestandaliseerde vorm wordt de vergelijking dan: X - µx / σx < - (µx + EV0) / σx Als een groep vastgoedobjecten dan dezelfde kansverdeling delen is de kans op verlies voor de bank gelijk aan: F[-(µx + EV0) / σx]. Voor het opstellen van een vastgoedrating op basis van het voorgaande is inzicht nodig in de inkomsten en uitgaven. De uitgaven zijn bij een vastgoedobject goed in te schatten. De meeste kosten hebben een constant karakter en lopen gelijk op met de inflatie. Huurinkomsten zijn volatieler en afhankelijk van de verhuursituatie. De belangrijkste invloedfactoren op de huurstroom zijn de kans dat een zittende huurder bij expiratie van zijn contract blijft doorhuren en de kans op een nieuwe huurder bij leegstand. Andere factoren die invloed hebben op de kasstromen zijn o.a. de huurwaarde, inflatie en incentives.

Op basis van het fundamentele raamwerk is een model in Excel geprogrammeerd dat inzicht geeft in de kasstromen

van een object. Het model geeft aan indien er een situatie van default ontstaat. Voor het functioneren van het model is input nodig in de vorm van kansen (kans op expiratie, kans op nieuwe huurder). Het is onmogelijk om voor elk object in Nederland deze kansen, maar ook de huurwaardeontwikkeling en incentives uit het verleden te inventariseren en deze naar de toekomst te extrapoleren. Er is in deze thesis verondersteld dat elk object is te karakteriseren via drie dimensies: I.

GEBRUIKER

II.

GEBOUW

III.

GEBIED


73

De (krediet)waardigheid van vastgoed Door de gebruiker, het gebouw en het gebied te karakteriseren/groeperen kan er een profiel van een object gemaakt worden. Voor het specifieke object is niet genoeg data maar door alle objecten met dezelfde karakteristieken te combineren is er wel voldoende data.

Met deze data kunnen de scenario’s in het model worden gedraaid, waarbij het effect van de percentages inzichtelijk

gemaakt wordt. Per scenario word bepaald of het object aan zijn verplichtingen kan voldoen (totaal 250). Hoe vaker dit tijdens de simulaties niet het geval is, hoe slechter het vermogen van het gebouw om aan zijn verplichtingen te voldoen. Op basis het aantal scenario’s in de “min” wordt de rating bepaald. Een beperkte invloed op de rating heeft het aantal keer dat er een negatieve kasstroom is. Analyse Om het model te testen zijn 8 objecten genomen waarvoor een rating is bepaald. In eerste instantie zijn de uitkomsten van het model getoetst met de verwachtingen. Op één object na kwam de verwachting uit. Het object dat een afwijking liet zien ten opzicht van de verwachting had meerdere huurders. De hogere rating is dan ook eenvoudig te onderbouwen, omdat een multi-tenant gebouw vaak een lager risicoprofiel heeft.

De rating is vervolgens getoetst aan 5 verschillende vastgoedprofessionals. Middels het invullen van een enquête

hebben zij hun mening gegeven over de ratings. Uit de resultaten van de vastgoedprofessionals is gebleken dat de output van het model in grote mate gelijk was aan hun eigen mening. Slecht een beperkte gemiddelde afwijking was waar te nemen. Opvallend is dat bij het object (IV) waarbij de uitgesproken verwachting afweek van de output maar ook de vastgoedprofessionals een andere mening hadden. Ook zij geven het object een lagere waardering dan de output van het model.

6.2 Conclusie In dit hoofdstuk zal de centrale vraag worden beantwoord: Hoe zou een rating voor vastgoed objecten eruit zien die van toegevoegde waarde kan zijn in de vastgoedmarkt zoals kredietratings dit nu zijn in de financiële markt. Op basis van het onderzoek kan geconcludeerd worden dat er een model is te maken voor vastgoed ratings. In deze thesis zijn de risico’s van vastgoed benoemd en verwerkt in een model dat dezelfde eigenschappen heeft als een rating model in de financiële markt.

De financiële markt kan zich baseren op veel historische data op markt en object(bedrijf) niveau. Dergelijke data op

object niveau ontbreekt bij vastgoed. De databronnen zijn in deze thesis aangepast om input te leveren voor een rating model. Dit is gedaan aan de hand van segmentering van objecten op gebied, gebruiker en gebouw niveau. Daarmee kunnen de databronnen die voorhanden zijn als bruikbaar betiteld worden voor een risicoanalyse van vastgoed.

Er is in deze thesis geconcludeerd dat de beste modelering voor een vastgoed rating de fundamentele modelering is.

Deze kan goed omgaan met een beperkte hoeveelheid data en vertoont gelijkenis in de benadering met de statische modelering.

Voor het toevoegen van waarde is het van belang dat een rating betrouwbaar is. De output van het model is getoetst

aan de te verwachten output en aan de mening van enkele vastgoedprofessionals. Het model genereert output dat een onderscheidend karakter heeft. De uitkomsten van de rating zijn in grote mate gelijk aan de verwachtingen en aan het oordeel van de vastgoedprofessionals. In dit stadium is de conclusie getrokken worden dat het model betrouwbaar is. Overige conclusies I.

De geënquêteerde hebben in grote mate dezelfde mening over de kwaliteit van een object onderverdeeld in gebied, gebouw en gebruiker. Dit geeft additionele zekerheid met betrekking tot de rating, omdat de geënquêteerde onderling de panden van een gelijke kwaliteit bestempeld.

II.

Het model heeft een hoge gebruiksvriendelijkheid. Een beperkt aantal variabelen zijn nodig om het model te laten functioneren en de output is eenduidig.

III.

Er lijkt geen verband te bestaan tussen de ICR en de rating. ICR wordt vaak gebruikt bij het financieren van objecten. De rating is dus in staat om extra informatie te geven over een object naast de ICR.


74


6.3 Aanbevelingen en verder onderzoek Een vastgoed rating lijkt een goede start te hebben gemaakt. Van belang is echter dat een rating betrouwbaar is en dat de betrouwbaarheid ook na verloop van enkele jaren hoog blijft. Hieronder enkele aanbevelingen om de betrouwbaarheid van de vastgoed rating te waarborgen en te verhogen. Data Om het model te gebruiken is veel data nodig. Deze moeten in de toekomst op regelmatige basis gegenereerd worden wil een betrouwbaar en valide ratingsysteem professioneel gebruikt kunnen worden. Een minimum aantal aan data moet worden gesteld wil het object (gebouw) blijvend voor een rating in aanmerking kunnen komen. Het verdient aanbeveling om verder onderzoek te doen naar de methode die gebruikt is om de aard van de data voor de rating van een individueel object samen te stellen. De insteek gebied, gebouw en gebruiker is mijns inziens wetenschappelijk valide en draagt bij aan meer accuratesse van de beoordeling van vastgoedobjecten. Meer onderzoek naar de zwaarte van de (kenmerken van de) drie peilers is wenselijk. Is gebied bijvoorbeeld belangrijker dan gebouw en welk gewicht moet deze dan elk afzonderlijk worden toegekend.

Daarnaast zijn er nog enkele verbeteringsslagen mogelijk om de data te verrijken. Hoe meer informatie er beschikbaar

is over de transacties in de transactiedatabase of de voorraadgegevens hoe beter er profielen zijn samen te stellen. Hierbij valt te denken aan bouwjaren van gebouwen of bovengronds/ondergronds parkeren. De huidige data is eenvoudig te verbeteren omdat de adressen van de gebouwen bekend zijn (en deze verplaatsen niet). Intuïtieve toegevingen aan het model en/of resultaat Don en Verbruggen (2006) geven aan de dat bij het gebruik van een model het van belang is dat men de limitaties en zwakheden van het model kent om verkeerde uitslagen en conclusies te vermijden. Impliciet geven ze aan dat een model waar nodig moet worden aangepast om de beoordeling die het model tracht te maken conform de economische realiteit te laten plaats vinden. Don en Verbruggen (2006) geven twee manieren aan waarop eventuele imperfecties kunnen worden aangepakt. De eerste manier is aanpassingen te maken in de structuur van een model. De tweede manier is door het toevoegen van autonomen termen.

Een autonome term kan worden toegepast voor verschillende redenen. Bijvoorbeeld indien de input voor het model

niet up to date is of indien er bepaalde expert informatie is die niet uit de statistieken blijken maar wel van toepassing zijn op het object. Bijvoorbeeld indien bij leegstand er reeds onderhandelingen zijn met een nieuwe huurder. Het aanpassen van de invoer of uitvoer aan informatie die bekend is kan dus een logische stap zijn. Uit onderzoek blijkt dat uitkomsten uit economische modellen die aangepast zijn door een expert betere resultaten geven dan het model zonder aanpassingen van een expert (Franses, Kranendonk, Lanser, 2007). Deze auteurs hebben gebruik gemaakt van de modellen bij de CPB. Binnen het CPB worden aanpassingen door expert in een logboek bijgehouden. Hierdoor was het mogelijk om een goede reconstructie te maken van de output van de modellen zonder expert aanpassingen en de output met expert aanpassingen. De laatste gaf de beste resultaten.

Momenteel wordt gebruik gemaakt van intuïtieve invoer in het model voor parameters die niet goed statistisch

kunnen worden onderbouwd. Dergelijke toevoegingen maken het model realistischer. Er kan nagedacht worden over het toevoegen van meerdere van dergelijke parameters ter bevordering van de resultaten uit het model. Men zal echter elke keer een afweging moeten maken of dergelijke toevoegingen het model significant verbeteren. Gezien de intuïtief te bepalen variabelen is het zaak dat het model gebruikt wordt door vastgoedprofessionals. Zij zullen in staat zijn de invoer goed te bepalen, maar ook om de uitvoer daar waar nodig bij te sturen. Backtesting Een belangrijk onderdeel bij het controleren en in stand houden van de kwaliteit is het backtesting. Ex-post resultaten moeten daarbij gecontroleerd worden aan de hand van de output (ex-ante) van het model met als doel te achterhalen of de output consistent is met de realiteit. De modellen gebruikt in de financiële wereld worden periodiek getest en waar nodig aangepast. Om een effectief model te houden is dit backtesten ook nodig voor het model zoals dat gepresenteerd is in deze thesis. Hiervoor zullen procedures opgesteld moeten worden en zal er van de beoordeelde objecten ook data moeten worden verzameld. Het uiteindelijke doel is om de accuraatheid van de rating te verhogen, zonder dat men economische cycli uit het oog verliest. De uiteindelijke kwaliteit van een model wordt pas zichtbaar over de tijdspanne van decennia. Amsterdam School of Real Estate - Robert Kat

75


Bibliografie Altman, E. (2008). Loss Given Default: The Link Between Default and Recovery Rates, Recovery Ratings and Recent Empirical Evidence, Credit Risk Conference, Moody’s / NYU Salomon Center, 15 mei 2008 (http://w4.stern.nyu.edu/ salomon/docs/CreditRisk2008/ealtman_2008.pdf), 5 maart 2009. Bloomberg (2008). Merrill Lynch Posts Fourth Straight Quarterly Loss (http://www.bloomberg.com/apps/news? pid=20601087&sid=atGti_UmcPnM&refer=home), 23 september 2008. Brown, G.R. en G.A. Matysiak (2000). Real Estate Investment; A capital market approach. CB Hiller Parker Limited. City University Business School. Londen Brown, G.R. (1991). Property Investment and the Capital Markets. E & FN Spon BNR (2008). Krediet beoordelaars al langer onder vuur (http://www.bnr.nl/artikel/10316589/kredietbeoordelers-al-langervuur), 17 oktober 2008. Buis, A. (2003). Het rendement van risico. Utrecht Chicken, J.C. en T. Posner (1998). The philosophy of risk. Thomas Telford. CNN (2007). Homes: Big drop in speculation (http://money.cnn.com/2007/04/30/real_estate/ speculators_fleeing_housing_markets/index.htm), 1 oktober 2008 Copeland, T., J. Murrin, T. Koller (2000). Valuation. John Wiley & Sons Inc. Covitz, D.M. en P. Harrison (2003). Testing Conflicts of Interest at Bond Ratings Agencies with Market Anticipation: Evidence that Reputation Incentives Dominate. Federal Reserve Board Cushman and Wakefield (2008a). Global Investment in Commercial Real Estate Hits Record $930BN (http:// www.cushwake.com/cwglobal/jsp/newsDetail.jsp?Language=EN&repId=c13900034p&Country=GLOBAL), 23 September 2008. Cushman and Wakefield (2008b). European investment volumes fall to €25.6bn in Q2 (http://www.cushwake.com/cwglobal/ jsp/newsDetail.jsp?Language=EN&repId=c18200008p&Country=GLOBAL), 23 September 2008. Don, H. en J. Verbruggen (2006). Models and Methods for Economic Policy, 60 years of Evolution at CPB, Statistica Neerlandica, no. 60, 145-170.


76

De (krediet)waardigheid van vastgoed DTREG (2009). Linear Discriminant Analysis (http://www.dtreg.com/lda.htm), 23 april 2009 DTZ Zadelhoff (2009). Persbericht: Ondanks lagere kantooropname kansen voor bestaand vastgoed. 20 februari 2009 Economist (2007). CSI: credit crunch (http://www.economist.com/specialreports/displaystory.cfm?story_id=9972489), 1 October 2008. Eichholtz, P.M.A., H. Hilverink, M.A.J. Theebe (2000). Woningen in de pensioenportefeuille. ESB. 85e jaargang, nr. 4275, pagina 812. 13 oktober 2000 Euronext (2008). Homepage (www.euronext.com), 23 september 2008 FD.nl (2008). 'Ik leg beslag bij iedereen van Landsbanki' (http://www.fd.nl/artikel/10314435/leg-beslag-iedereen-landsbanki). 3 mei 2009. Finem (2009). Kredietrisico volgens Basel II (http://www.finem.nl/documents/Michon.ppt), 19 april 2009 Fons, J.S. (1995). How and Why Do Structured Finance Ratings Change? STRUCTURED FINANCE Special Report. Moody’s Franses, P.H., H. Kranendonk, D. Lanser (2007). On the optimality of expert-adjusted forecasts. CPB Discussion Paper nummer 92. Gehner, E. (2003). Risicoanalyse bij projectontwikkeling. Sun. Amsterdam. Gordy, M.B. en B. Howells (2004), Procyclicality in Basel II: Can We Treat the Disease Without Killing the Patient?. Board of Governors of the Federal Reserve System Hazelaar, P.A.C. (2002). Risico als maat voor rendement : een onderzoek naar de rendementen van vastgoed. Amsterdam. Hausker, A.J. (1991). Fundamentals of public credit analysis. Jai Press ltd. London Heughebaert, A. (2007). Determinanten van kredietrating. Universiteit van Gent Helfrich, E.J. (2005). Naar een Sector Allocatie Model voor Nederlands privaat vastgoed. Hull, J.C. (2000). Options, Futures & Other Derivatives. Fourth edition. Prentice-Hall. IPD (2008a). IPD (http://www.ipd.com), 23 September 2008 IPD (2008b). IPD Index Coverage and Release T imetable (http://www.ipd.com/OurProducts/Indices/ Indexcoverageandreleasetimetable/tabid/1197/Default.aspx), 8 oktober 2008 Klijnen, J.L.M.J. (1995). Economisch Statistische Berichten; Het risico van vastgoed (1): de kasstroom benadering. Economisch Statistische Berichten. Sdu uitgevers. 16-8-1995. Lechkar, M. en D. Simons (2008). Bazel II in de praktijk. Bank- en effectenbedrijf, JAARGANG, 3, 20-23. Linck, J.C. (2003). Pensioenfondsen onder de loep : theorie en praktijk van vastgoed in de portfolio van pensioenfondsen: verleden, heden en toekomst. Amsterdam Loosemore, M., J. Raftery, C. Reilly, D. Higgon (2005). Risk management in projects. Taylor & Francis Lu, Y.S. (2008). Default Forecasting in KMV. University of Oxford. Markowitz, H.M. (1959). Portfolio Selection: Efficient Diversification of Investments. New York: John Wiley & Sons. (reprinted by Yale University Press, 1970). Amsterdam School of Real Estate - Robert Kat

77

De (krediet)waardigheid van vastgoed McDonald, A. en G. Eastwood (2000). Credit risk rating at Australian bank. Working Paper 7, Australian Prudential Regulation Authority. Model Task Force. (2000). Range of Practice in Banks’ Internal Ratings Systems. A discussion paper by the Base Committee on Banking Supervision. Basel Muller, F.L.P. (2004). De historische ROZ/IPD vastgoedindex nader bekeken. SerVicE magazine, JAARGANG, 1, 13-15. NRC Handelsblad (2009). Value at Risk: bedrieglijk simpel (http://www.nrc.nl/achtergrond/article2292348.ece/ Value_at_Risk_bedrieglijk_simpel). 25 augustus 2009 Tuinder, M., en P. Macke (2006). Real Estate wordt steeds meer een volwassen asset class. Fact Deloitte. 2006, 3, 9 ROZ/IPD (2007). Definitielijst versie 15 maart 2007. ROZ/IPD Vastgoedindex Plat, R., en F. Gregorkiewicz (2007). Keuze rentemodel voor waardering embedded opties. De Actuaris. maart 2007 PwC (2009). Risicomanagement in tijden van Crisis (http://www.consultancy.nl/publicaties/pwc/pwc-risicomanagement-intijden-van-crisis), 28 februari 2010. Saunders, A., en L. Allen (2002). Credit Risk Measurement: New Apporaches to Value at Risk and other paradigms. John Wiley and Sons. Scott, J. (1981). The probability of bankruptcy. Journal of Banking & Finance. 1981. volume 5. deel 3. pagina 317-344. North-Holland Publishing Company Smith, J., T. Merna, P. Jobling (2006). Managing risk in construction projects. Wiley-Blackwell. Standard & Poor’s (2008). Default, Transition, and Recovery: 2007 Annual Global Corporate Default Study and Rating Transitions. 15 februari 2008 Stichting Bouw Research (2000) Risicomanagement is winstmanagement. Stichting Bouw Research. Rotterdam. Van der Ent, J.P. (1993). Credit rating en kapitaalmarkt : feiten, verklaringen en ontwikkeling van rating in Europa. WoltersNoordhoff Groningen. van Gestel, T., en B. Baesens (2009). Credit Risk Management. Oxford University Press. Oxford. van Gool, T., D. Brounen, P. Jager, R.M. Weisz (2007). Onroerend goed als belegging. Wolters-Noordhoff Groningen. Houten. van Polanen Petel, R. (2005). Benchmarken op rendement en risico. Technische Universiteit Eindhoven. Vermeulen, P., en P. Wittendorp (1995). Het risico van vastgoed: taxatiewaarden. ESB, 16 augustus 1995 Wikipedia (2009). Systems Development Life Cycle (http://en.wikipedia.org/wiki/Systems_Development_Life_Cycle), 29 maart 2009 Vastgoed en ALM, P. Van Gool / F.L.P. Muller, ASRE Research publications, 2005, 4 Xu, Q. (2002). Risk analysis on real estate investment decision-making. ARKO publishers. Nieuwegein.


78

“Knowing is not enough; we must apply” Leonardo da Vinci

Bijlage 1. Lijst van geinterviewde personen

Breevast

drs. P. Ferwerda MRE

DTZ Zadelhoff

drs. J. Boeve MRE MRICS RT

drs. L. Willems MRE MRICS RT

ing. F. van Hoeken MRE MRICS RT

MKB’er

drs. D. Wansink

Vastned

drs. T. Coenen

Uni-invest

drs. L. Duijndam

i

Bijlage 2. Ratingsheets enquete (vertrouwelijk, niet opgenomen)

ii

Bijlage 3. Enquete formulieren (vertrouwelijk, niet opgenomen)

iii

De (krediet)waardigheid van vastgoed

Recommend Documents