De relatie tussen LTV percentages en renteopslagen
Een regressieanalyse naar het verband en welke andere variabelen van invloed zijn
September 2013 M. van der Wekken Amsterdam School of Real Estate MSRE, profiel Vastgoedbeleggen Begeleider: Beoordelaar:
Dr. F.E. Huibers Drs. R.M. Weisz MRICS
1
Samenvatting De wens om binnen private vastgoedfondsen gebruik te maken van vreemd vermogen (leverage) was voor het uitbreken van de financiële crisis medio 2008 eerder regel dan uitzondering. Beleggers in dergelijke fondsen profiteerden immers van het positieve hefboomeffect en de fondsmanagers profiteerden doordat de management fee veelal gebaseerd was op de waarde van het vastgoed. Na 2008 werd de keerzijde van het gebruik van leverage duidelijk. Het lijkt erop dat beleggers in private vastgoedfondsen zich in het verleden teveel hebben laten leiden door loan to value percentages (LTV percentages) die door de markt werden ingegeven. Beleggers zouden zich veel bewuster moeten zijn van de gevolgen voor rendement en risico bij toepassing van leverage. Ze zouden zelf op basis van eigen rendement en risico afwegingen de voor hen optimale LTV percentages moeten kunnen bepalen. Deze Master Scriptie is geschreven met het doel een bijdrage te leveren aan het vergroten van het inzicht in de relatie tussen LTV percentages en renteopslagen. Het is juist deze relatie die volgens Van der Spek en Hoorenman (2011) een negatief effect kan hebben op het rendement van private vastgoedfondsen met hoge LTV percentages. Dit zou vooral veroorzaakt worden doordat renteopslagen vanaf een bepaald niveau LTV onevenredig toenemen.
Om de relatie nader te onderzoeken zijn van verschillende Europese private vastgoedfondsen financieringsgegevens verzameld en opgenomen in een dataset. De relatie tussen LTV percentages en renteopslagen is onderzocht door een meervoudig regressiemodel op te stellen. In het model is renteopslag de afhankelijke variabele. Het LTV percentage is als onafhankelijke variabele genomen. Daarnaast zijn andere onafhankelijke (controle) variabelen aan het model toegevoegd om zo te bepalen in welke mate zij samenhangen met, en van invloed zijn op, de hoogte van renteopslagen.
Het verband tussen LTV percentages en renteopslag is vooraf als positief verondersteld. Uit het onderzoek blijkt echter dat dit vooraf veronderstelde positieve verband complex is. De correlatie tussen beide variabelen is zwak en het verband wordt zelfs negatief wanneer andere variabelen aan het regressiemodel toegevoegd worden. De uitkomsten tonen aan dat er sprake is van endogeniteit bij de keuze voor een bepaald niveau LTV. Daarnaast speelt het uitbreken van de kredietcrisis binnen de periode in de dataset een rol. De voorwaarden waarop vastgoedleningen vanaf dat moment verstrekt worden zijn sinds die tijd immers veranderd. Om de impact van de kredietcrisis op de voorwaarden van vastgoedleningen te bepalen is de dataset gesplitst. Eén dataset bevat financieringsgegevens van vastgoedleningen afgesloten in de periode voorafgaande aan de kredietcrisis (afgesloten voor 2009). De tweede dataset bevat de gegevens voor vastgoedleningen
2
afgesloten in de periode 2009-2011. De resultaten van deze splitsing leiden tot de volgende conclusies:
Als gevolg van de kredietcrisis is de gemiddelde renteopslag voor vastgoedleningen in de dataset met 108 basispunten toegenomen. In de periode 1999-2008 bedroeg de gemiddelde renteopslag 76 basispunten, versus 184 basispunten voor de periode 2009-2011.
Het gemiddelde LTV percentage voor vastgoedleningen in de dataset is als gevolg van de kredietcrisis gedaald. In de periode 1999-2008 bedroeg het gemiddelde LTV percentage voor nieuwe vastgoedleningen 61%. Voor de periode na 2009 bedroeg dit percentage 56%.
Als gevolg van waardedalingen op vastgoed na het uitbreken van de kredietcrisis zijn de gemiddelde Net Initial Yields in de dataset met 30 basispunten toegenomen. De gemiddelde Net Intial Yield bedroeg na 2009 6,4%, waar deze nog 6,1% bedroeg in de periode 1999-2008.
De bovenstaande bevindingen bevestigen het vermoeden dat de kredietcrisis van impact is op de uitkomsten van de regressieanalyse. De gesplitste datasets bieden de mogelijkheid om de eerder onderzochte verbanden opnieuw te onderzoeken, maar dan voor twee afzonderlijke periodes. Het aantal observaties in de dataset 2009-2011, na de kredieciris, is echter te beperkt voor een betrouwbare meervoudige regressieanalyse. De meervoudige regressieanalyse kan wel uitgevoerd worden voor de dataset met observaties voorafgaande aan het uitbreken van de kredietcrisis. De resultaten van deze regressieanalyse zijn als volgt:
De correlatie tussen LTV percentages en renteopslagen wordt aanzienlijk positiever. Echter, het verband tussen beide variabelen in de meervoudige regressie is wederom negatief en daarnaast niet significant. Er blijft dus sprake van endogeniteit bij de keuze voor een bepaald niveau LTV.
Uit het model blijkt dat op basis van de t-waarden, renteopslagen het meest significant samenhangen met Net Initial Yields (postitief verband) en Interest Coverage Ratio’s (negatief verband). Daarnaast is de omvang van de hoofdsom (negatief verband) ook van belang, al is de samenhang van deze variabele minder significant dan voor Net Intial Yields en Interest Coverage Ratio’s.
Op basis van deze bevindingen kan geconcludeerd worden dat voor het uitbreken van de kredietcrisis met name het risico van het onderliggend vastgoed (uitgedrukt in Net Intial Yield) en de betaalcapaciteit (uitgedrukt in Interest Coverage Ratio) significant samenhingen met de hoogte van renteopslagen. De renteopslagen namen toe naarmate het risicoprofiel van het onderliggende
3
vastgoed toenam (hogere Net Initial Yields) en renteopslagen waren lager naarmate de betaalcapaciteit op de lening toenam (hogere Interest Coverage Ratio’s).
Op basis van de conclusies van deze Master Scritpie wordt aanbevolen om:
Het aantal observaties in de dataset voor de periode na 2009 significant uit te breiden. Hierdoor is het wellicht mogelijk om een significante samenhang te constateren tussen LTV percentages en renteopslagen.
Daarnaast zou de relatie ook onderzocht kunnen worden door het opstellen van verschillende financieringscases. Deze cases kunnen vervolgens voorgelegd worden aan verschillende kredietverschaffers, met de vraag om een inschatting te geven van de renteopslagen voor verschillende LTV percentages.
4
Inhoudsopgave
1.
2.
3.
Inleiding
8
1.1
Aanleiding
8
1.2
Onderwerp
9
1.3
Probleemstelling, doelstelling en vraagstelling
10
1.4
Afbakening
10
1.5
Onderzoeksmodel
11
1.6
Leeswijzer
11
Theoretisch kader
12
2.1
Inleiding
12
2.2
Optimale LTV percentages
12
2.3
Relatie LTV en renteopslagen
17
2.4
Overige factoren voor de hoogte van de renteopslag
19
Methodologie en data
22
3.1
Inleiding
22
3.2
Dataset
22
3.3
Representativiteit onderzoeksdata
23
3.4
Onderzoeksvariabelen
23
3.4.1
Renteopslag (afhankelijke variabele)
23
3.4.2
Loan to Value percentage en hoofdsom
23
3.4.3
Interest Coverage Ratio
24
3.4.4
Looptijd van de lening
24
3.4.5
Net Initial Yield
24
3.4.6
Bezettingsgraad van het onderliggende vastgoed
25
3.5
Response op dataset
25
3.6
Keuze voor dataset
26
5
3.7 4.
Analyse
26 32
4.1
Inleiding
32
4.2
Onderzoeksmodel
32
4.3
Regressieanalyse I
34
4.3.1
Inleiding regressieanalyse I
34
4.3.2
Interpretatie correlatiematrix
34
4.3.3
Controle multicollineariteit
35
4.3.4
Resultaten regressieanalyse I
35
4.3.5
Conclusie regressieanalyse I
39
4.4
Regressieanalyse II
39
4.4.1
Inleiding regressieanalyse II
39
4.4.2
Interpretatie correlatiematrix
40
4.4.3
Controle multicollineartiteit
40
4.4.4
Resultaten regressieanalyse II
41
4.4.5
Conclusie regressieanalyse II
43
4.5
Kredietcrisis
44
4.5.1.
Inleiding
44
4.5.2
Data voor en na uitbreken kredietcrisis
44
4.5.3
Resultaten splitsen datasets
44
4.5.4
Inschatting impact kredietcrisis op dataset
45
4.6
5.
Analyse dataset
Regressieanalyse III
47
4.6.1
Inleiding regressieanalyse III
47
4.6.2
Resultaten regressieanalyse III
48
4.6.3
Conclusie regressieanalyse III
52
Conclusies en aanbevelingen 5.1
Inleiding
53 53
6
6.
5.2
Conclusies
53
5.3
Aanbevelingen
55
Bibliografie
56
7
1.
Inleiding
1.1
Aanleiding
Het gebruik van vreemd vermogen (leverage) als financieringsbron voor vastgoedbeleggingen is een actueel onderwerp. Momenteel bestaat er veel discussie over het gebruik van leverage binnen vastgoedbeleggingen. Voor de recente financiële crisis, toen vreemd vermogen gemakkelijk en goedkoop beschikbaar was, was het gebruik van leverage erg populair. Sterk beïnvloed door het zogenoemde hefboomeffect konden beleggers door het gebruik van leverage de rendementen aanzienlijk verhogen. Ook aanbieders van vastgoedfondsen hadden belang bij leverage. Zij profiteerden immers van leverage omdat management fees in de meeste gevallen berekend worden op basis van de waarde van het vastgoed binnen fondsen. Tijdens de mondiale vastgoedcrisis werden beleggers echter met de keerzijde van het gebruik van leverage geconfronteerd. Onder invloed van de sterke afwaarderingen op het vastgoed leidde het hefboomeffect ineens tot extra negatieve rendementen. Daarnaast leidde de afwaarderingen op het vastgoed er ook op grote schaal toe dat vastgoedfondsen problemen kregen met de afgesproken lening convenanten. Aandeelhouders moesten kapitaal bijstorten om de lening convenanten weer op orde te krijgen of simpel weg omdat fondsen geen eigen vermogen meer hadden. Nu de vastgoedmarkt zich weer lijkt te stabiliseren vragen veel beleggers zich af of het gebruik van leverage in de toekomst nog wel een goed idee is. Draagt leverage nog wel bij aan het rendement en risico van private vastgoedfondsen, en zo ja wat is dan de optimale verhouding die aangehouden moet worden tussen kapitaal en vreemd vermogen? In de praktijk wordt deze verhouding veelal ingegeven door de markt. Ook het type vastgoedfonds, ingedeeld door INREV (2011, p. 7) naar “Core”, “Value Added” en “Opportunistic” zegt iets over de gehanteerde bandbreedtes van de leverage-percentages. Over het gebruik van vreemd vermogen zijn in het verleden al een aantal studies uitgevoerd. Zo hebben Modigliani en Miller reeds in 1958 beschreven dat leverage in beginsel voor van belasting vrijgestelde beleggers geen waarde toevoegt. Alleen voor belastingplichtige beleggers zou leverage kunnen bijdragen aan het rendement omdat zij gebruik kunnen maken van een zogenoemde ‘tax shield’. Boyd, Ziobrowski, Ziobrowski en Cheng (1998) bevestigen deze theorie voor vastgoed en één van hun conclusies luidt dat er voor wat betreft het gebruik van leverage een optimum LTV percentage bestaat dat ligt tussen de 20% en 75%.
8
Van der Spek en Hoorenman (2011) hebben in hun studie “Leverage, please use reponsibly” voor private vastgoedportefeuilles onderzocht tot welk niveau LTV percentages efficiënt zijn. Deze efficiëntie is op basis van twee rendementsgrondslagen onderzocht, te weten de Internal Rate of Return (IRR) en de Netto Contante Waarde (NCW). Zij concluderen dat op basis van de IRR portefeuilles efficiënt zijn tot een LTV percentage van 40% en tot 20% op basis van de NCW. Een overschrijding van deze LTV percentages leidt volgens deze studie tot minder efficiënte vastgoedportefeuilles. Van der Spek en Hoorenman beschrijven de drie belangrijkste oorzaken hiervoor als volgt: 1. Voor fondsen in problemen is het lastig om te herstellen indien het eigen vermogen grotendeels verdampt is (The cost of distress is disproportionately high) 2. Het asymmetrische effect van performance fees 3. De impact van incrementele rentepercentages Het zijn voornamelijk de onder punt 3 genoemde incrementele rentepercentages die een negatief effect hebben op de rendementen van vastgoedfondsen met een hoge LTV. Over de exacte relatie tussen de LTV en de bijbehorende rentepercentages is echter nog niet veel bekend. Indien meer inzicht wordt verkregen in deze relatie dan is het voor beleggers eenvoudiger om de door hun gewenste LTV percentages te bepalen in plaats van dat dit ingegeven wordt door de markt. 1.2
Onderwerp
In deze Master Scriptie wordt getracht een bijdrage te leveren aan het onderzoek naar de gevolgen van het gebruik van leverage binnen private vastgoedfondsen op het rendement en risico. De gevolgen zullen onderzocht worden door nader inzicht te verschaffen in de relatie tussen de LTV percentages binnen private vastgoedfondsen en de renteopslagen die hierbij horen. Indien meer bekend is over deze relatie dan is het mogelijk om voor iedere incrementele stap in LTV te bepalen wat de renteopslag bij deze stap is. Vervolgens kan in vervolgstudies onderzocht worden welke LTV percentages nog bijdragen aan het rendement en risico van private vastgoedfondsen en waar het omslagpunt ligt. Alvorens naar de gevolgen van het gebruik van leverage te kijken is het ook noodzakelijk dat aandacht besteedt wordt aan de theorie van het algemene risicoverhogende effect van leverage binnen een gespreid privaat vastgoedfonds.
9
1.3
Probleemstelling, doelstelling en vraagstelling
De inleiding en het onderwerp zoals hiervoor beschreven resulteren in de volgende probleemstelling, doelstelling en vraagstelling: Probleemstelling Beleggers in private vastgoedfondsen laten zich bij de keuze voor een bepaald te hanteren LTV percentage teveel leiden door het percentage dat door de markt wordt ingegeven. Dit kan er op wijzen dat beleggers onvoldoende op de hoogte zijn van de gevolgen voor rendement en risico bij de door de markt ingegeven LTV percentages. Beleggers zouden op basis van eigen rendement en risico afwegingen de optimale LTV moeten kunnen bepalen. Doelstelling Inzicht verschaffen in de relatie tussen LTV percentages en de bijbehorende renteopslagen. Wanneer beleggers hier meer inzicht in hebben dan is het voor hen mogelijk om een meer gefundeerde afweging te kunnen maken voor wat betreft het gewenste LTV percentage binnen een gespreide vastgoedportefeuille dat aansluit bij de eigen rendement en risico doelstelling. Centrale vraag De centrale onderzoeksvraag is als volgt geformuleerd: Geldt voor vastgoedleningen binnen private vastgoedfondsen dat het verband tussen de LTV en renteopslag vanaf een bepaald niveau LTV onevenredig toeneemt? Om de centrale vraag te kunnen beantwoorden is het noodzakelijk om de onderstaande deelvragen te bestuderen: 1. Welke renteopslagen horen bij de verschillende LTV percentages? 2. Welke relatie of formule geeft de verhouding weer tussen de LTV en de renteopslag? 3. Wat is de renteopslag die hoort bij iedere incrementele rentestap in LTV? 1.4
Afbakening
Deze Master Scriptie richt zich specifiek op vastgoedleningen binnen diverse private vastgoedfondsen. De private vastgoedfondsen zijn voor wat betreft regio’s gealloceerd naar de volgende 14 Europese landen: Nederland, Belgie, Duitsland, Frankrijk, Spanje, Portugal, Italië, Tsjechië, Polen, Hongarije, Slowakije, Roemenie, Oostenrijk, en Zweden. De sector allocatie is eveneens divers en bevat de volgende 4 sectoren: retail (winkels), offices (kantoren), industrial (logistiek) en residential (woningen).
10
1.5
Onderzoeksmodel
In deze studie zal getracht antwoord te geven op de vraag of het mogelijk is om door gerichter te kijken naar de relatie tussen LTV en renteopslag de efficiëntie van een belegging in een privaat vastgoedfonds verbeterd kan worden. De centrale hypothese bij deze vraag is of het inderdaad zo is dat voor vastgoedleningen binnen private vastgoedfondsen geldt dat het verband in de relatie LTV en renteopslag vanaf een bepaald niveau LTV onevenredig toeneemt. Om deze vraag te kunnen beantwoorden is het allereerst van belang om een duidelijk theoretisch kader te schetsen wat als raamwerk fungeert voor deze studie. De onderzoeksvragen zullen empirisch onderzocht worden door middel van een regressieanalyse. Alvorens over te gaan tot de regressieanalyse is het noodzakelijk om eerst de methodologie en date te beschrijven. De regressieanalyse zal uitgevoerd worden op basis van een dataset met daarin data van vastgoedleningen binnen verschillende Europese private vastgoedfondsen. De data is verzameld aan de hand van de informatie over vastgoedleningen uit 12 private vastgoedfondsen van een gerenommeerde en dominante Vastgoed Investeringsmanager. Met de verwachte resultaten uit de regressieanalyse wordt het duidelijk of er voor vastgoedleningen binnen private vastgoedfondsen inderdaad geldt dat het verband in de relatie LTV en renteopslagen vanaf een bepaald niveau LTV onevenredig toeneemt. Daarnaast zou duidelijk moeten worden welke renteopslag hoort bij iedere incrementele stap in LTV. Door de uitkomsten van deze studie toe te passen op reeds bestaande onderzoeken is het voor vervolgstudies mogelijk om te onderzoeken tot welk LTV percentage leverage nog bijdraagt aan het rendement van een gespreide private vastgoedportefeuille. Het onderzoeksmodel ziet er als volgt uit:
Theoretisch Kader
Datacollectie
Analyse
Conclusie
Aanbevelingen
Figuur 1 – Onderzoeksmodel
1.6
Leeswijzer
In hoofdstuk 2 van deze Master Thesis wordt het theoretisch kader beschreven. De methodologie en data worden beschreven in hoofdstuk 3. In hoofdstuk 4 worden de resultaten van de regressieanalyse weergegeven en nader geanalyseerd. De conclusies en aanbevelingen van de Master Scriptie zijn opgenomen in hoofdstuk 5. 11
2.
Theoretisch kader
2.1 Inleiding Het doel van dit onderzoek is om inzicht te verschaffen in de relatie tussen LTV percentages en de bijbehorende renteopslagen. Met dit inzicht wordt een bijdrage geleverd aan het verbeteren van de efficiëntie van beleggingen in private vastgoedfondsen. Beleggers zullen hierdoor beter in staat zijn om een gefundeerde afweging te maken bij de keuze van een bepaald (optimaal) LTV percentage binnen een privaat vastgoedfonds.
Alvorens direct in te gaan op de relatie tussen LTV en renteopslagen is het relevant om te onderzoeken wat er in de bestaande literatuur reeds onderzocht is met betrekking tot optimale LTV percentages. De resultaten van dit onderzoek worden beschreven in paragraaf 2.2. In paragraaf 2.3 wordt vervolgens nader ingegaan op de bestaande theorieën over de relatie LTV en renteopslagen. Welke andere factoren, naast de hoogte van de LTV, van invloed kunnen zijn om de hoogte van de renteopslagen wordt beschreven in paragraaf 2.4. 2.2 Optimale LTV percentages In deze Master Scriptie is het begrip leverage al een aantal keren ter sprake gekomen. Met leverage wordt in deze context bedoeld het aantrekken van vreemd vermogen om daarmee een deel van de aankoop van vastgoed te financieren. De aflossing en betaling van de rente op het aangetrokken vreemd vermogen worden voldaan uit de rendementen die het vastgoed genereert (Tyrell en Bostwick, 2005, p. 144). Binnen private vastgoedfondsen wordt leverage vaak uitgedrukt als een percentage. Dit percentage, beter bekend als de ‘Loan to Value percentage’ (verder LTV percentage) geeft aan welk deel van het vastgoed gefinancierd is door middel van leverage en wordt doorgaans als volgt bepaald:
(hoofdsom van de vastgoedlening / waarde van het vastgoed) * 100%
Tyrell en Bostwick (2005, p. 144-145) beschrijven als één van de belangrijkste kenmerken van leverage dat het de rendementen op vastgoedbeleggingen kan verhogen. Dit wordt veroorzaakt doordat bij het toepassen van leverage de eigen vermogensgrondslag waarop het rendement berekend wordt kleiner wordt. Echter, de rentebetalingen (financieringskosten) op de aangetrokken leverage verlagen het rendement. Zolang deze financieringskosten lager zijn dan de rendementen van niet geleveraged vastgoed draagt de leverage positief bij aan het rendement. Indien de financieringskosten echter hoger zijn dan de rendementen van niet geleveraged vastgoed dan draagt
12
leverage juist in negatieve zin bij aan het rendement. Dit gegeven wordt ook wel het ‘hefboomeffect’ genoemd en ziet er in formulevorm als volgt uit:
Rl = (ru – lc) / (1-l)
Rl = verwachte rendement met toepassing van leverage ru = verwachte rendement zonder toepassing van leverage l = leverage c = financieringskosten
Uit het voorgaande is op te maken dat het gebruik van leverage niet geheel zonder risico is. Het mes snijdt namelijk aan twee kanten. Van der Spek en Hoorenman (2008) maken dit duidelijk door een voorbeeld te geven van een belegger die ervoor kiest om vastgoed te financieren met een LTV percentage van 50%. Indien in dit voorbeeld de waardes van het gefinancierde vastgoed dalen dan is de impact op het eigen vermogen 2 keer zo hoog als in het geval geen leverage was toegepast. Alle verliezen zullen vanuit het eigen vermogen betaald moeten worden totdat het eigen vermogen volledig verbruikt is. Hoewel dit volgende de onderzoekers in het geval van 50% leverage niet heel erg aannemelijk is, neemt het risico echter substantieel toe naarmate meer dan 50% leverage wordt gehanteerd. Zo wordt een belegging met 80% leverage 400% risicovoller, en is bij een waardedaling van 20% al het eigen vermogen al verdampt.
Daarnaast zullen kredietverschaffers voor dit verhoogde risico een hogere renteopslag toepassen wat zal leiden tot hogere financieringskosten voor de belegger.
Tot nu toe is steeds gesteld dat leverage wordt toegepast omdat het hefboomeffect leidt tot hogere rendementen. De hefboomwerking is echter niet de enige reden waarom leverage wordt toegepast. Modigliani en Miller (1958) hebben in hun bekende onderzoek aangetoond dat de toepassing van leverage in beginsel geen rendementverhogende werking heeft. Leverage draagt volgens de onderzoekers alleen bij aan het rendement indien er voor de belegger een zogenoemd ‘tax shield’ gecreëerd wordt. Dit is het geval wanneer de belegger in staat is om de aan leverage gerelateerde de financieringskosten te verlagen doordat de financieringskosten fiscaal aftrekbaar zijn.
13
Anson en Hudson-Wilson (2003) geven zes basisredenen aan waarom beleggers gebruik maken van leverage. Naast het al eerder besproken rendementverhogende effect zijn dit ook:
Het afdekken van het neerwaartse risico van een vastgoedbelegging.
Het vergroten van de fondsomvang om zo meer te kunnen profiteren van schaalvoordelen en diversificatie.
Het verhogen van de yield en kasstroom van een vaste verzameling kapitaal.
De mogelijkheid om de exposure te verlagen naar een object of verzameling van objecten als methode om de allocatie naar een bepaalde categorie investeringen te verlagen.
Het vergroten van de diversifiërende rol van vastgoed binnen de totale portefeuille.
De bewering dat leverage de diversifiërende rol van vastgoed binnen een portefeuille vergroot wordt tegengesproken door Van der Spek en Hoorenman (2008). Zij hebben empirisch aangetoond dat vastgoed met 60% leverage net zo volatiel is als een aandeel. In een gecombineerde beleggingsportefeuille neemt het aandeel vastgoed af naarmate meer leverage wordt toegepast. Met andere woorden het aandeel vastgoed in een portefeuille is hoger indien geen leverage wordt toegepast. Dit wordt volledig veroorzaakt door het feit dat het gebruik van leverage leidt tot meer volatiliteit en hierdoor de diversificatievoordelen van vastgoed laat afnemen.
Boyd, Ziobrowski, Ziobrowski en Cheng (BZZC) (1998) hebben geconstateerd dat er voor de toepassing van leverage op vastgoedbeleggingen een optimum bestaat. Ergens tussen de 20% en 75% LTV zijn portefeuilles het meest efficiënt. Het bestaan van dit optimum wordt in andere studies bevestigd. Zo bevestigen Cannaday & Yang (1996) het bestaan van een optimaal LTV percentage. Om dit optimum te bepalen stellen de onderzoekers dat voor vastgoedbeleggingen verschillende uitkomsten van de Net Present Value (NPV) moeten worden vergeleken. Allereerst dient men de NPV van een vastgoedbelegging te bepalen zonder toepassing van leverage. Vervolgens dienen de NPV’s bepaald te worden voor vastgoedbeleggingen met verschillende LTV percentages. De optimale leverage strategie ligt bij het LTV percentage waarbij de NPV het hoogste is. Er dient dus gebruik gemaakt te worden van leverage indien het gebruik van leverage positief uitpakt door de verhouding te bepalen waarbij leverage optimaal bijdraagt. Het is hierbij mogelijk dat sommige beleggingen alleen een positieve NPV hebben indien leverage wordt toegepast. Daarom is het van belang om eerst te bepalen wat het optimale LTV percentage is waarbij de NPV maximaal is. Vervolgens dient de investeringsbeslissing te worden genomen op basis van het gegeven of de maximale NPV positief is of niet.
14
Ook McDonald (1999) bevestigt het bestaan van een optimum. Hij heeft het bestaande standaardmodel van Cannaday en Yang voor de optimale LTV ratio voor vastgoedbeleggingen aangevuld met de onzekerheid dat de kredietnemer zijn lening niet meer kan aflossen. Hiervoor is een bestaand model van ‘bankroet voor bedrijven’ uitgebreid naar de situatie waarin een kredietnemer zijn vastgoedfinanciering niet meer kan aflossen. De uitkomsten van dit onderzoek zijn als volgt:
Leverage voegt geen waarde toe indien de belegger is vrijgesteld van belastingen en zowel de kredietverschaffer en kredietnemer dezelfde toekomstverwachtingen hebben over de vastgoedbelegging.
Leverage voegt waarde toe indien de kredietverschaffer optimistischer is over de toekomst van de vastgoedbelegging.
Indien een belegger belastingplichtig is dan voegt leverage waarde toe aan de marktwaarde voor de belegger, zelf al hebben kredietverschaffer en kredietnemer dezelfde verwachtingen over de vastgoedbeleggingen.
Kredietverschaffers verlangen een hogere rente naarmate het LTV percentage toeneemt. Deze hogere financieringskosten zorgen er op hun beurt weer voor dat de kans op default toeneemt. In het bestaande model is dit geen financieel probleem voor de kredietverschaffer, maar dit kan wel degelijk een probleem zijn indien de kosten van uitsluiting die zijn opgelegd aan de kredietverschaffer omvangrijk zijn.
Omvangrijke kosten van het uitsluitingproces voor de kredietverschaffer creëren de mogelijkheid dat de kredietverschaffer geen gebruik maakt van hogere rentepercentages als mechanisme om het gebruik van leverage te beperken. Als alternatief kan een recourse lening worden gebruikt indien sprake is van hoge LTV percentages.
Tyrell & Bostwick (2005) hebben een onderzoek uitgevoerd naar de mogelijkheden voor een belegger die wil beleggen in vastgoed maar een hogere return wil behalen dan alleen de stenenreturn. Zij stellen dat de investeerder kan beslissen om de risico en rendement verwachting te verhogen door: 1. Toepassing van leverage op het onderliggende core vastgoed 2. Investeren in meer risicovoller vastgoed (Value-added of Opportunity)
Indien wordt uitgegaan van de situatie dat risico- en rendement een rechtoplopende lijn is dan kan geconcludeerd worden dat:
15
In het geval leverage een hoger rendement voor extra risico genereert dan investeren in meer risicovoller vastgoed dan moet al het extra rendement verkregen worden door te kiezen voor leverage.
In het geval dat leverage een lager rendement voor het extra risico genereert dan investeren in meer risicovoller vastgoed dan moet al het extra rendement verkregen worden door te investeren in meer risicovoller vastgoed.
Zij merken op dat het in de praktijk echter geen alles of niets situatie zal zijn. Variabele financieringskosten kunnen ervoor zorgen dat de rendementen afnemen. Daarom concluderen de onderzoekers het volgende: 1. Investeerders moeten Core vastgoed tot en met het optimale leveragepunt financieren 2. Indien de financieringskosten toenemen dan zal het totale rendement hierdoor afnemen en komt het optimale leveragepunt ook lager te liggen.
Van der Spek en Hoorenman (SH) (2011) hebben de bestaande onderzoeken naar het optimale LTV percentage uitgebreid door te onderzoeken tot welke LTV percentages portefeuilles van private vastgoedfondsen nog efficiënt zijn. Als belangrijkste aanleiding voor dit onderzoek beschrijven zij het gegeven dat de gehanteerde LTV percentages binnen private vastgoedfondsen veelal ingegeven worden door de markt. De onderzoekers vinden dit onjuist en zijn van mening dat de gehanteerde LTV percentages juist bepaald moeten worden door middel van diepgaande research of optimalisatie studies.
De conclusie van het door SH uitgevoerde onderzoek is dat portefeuilles met leverage percentages tussen de 20% en 40% efficiënt zijn. Indien de IRR als rendementsgrondslag genomen wordt ligt dit percentage rond de 40%. Indien de NCW als rendementsgrondslag genomen wordt dan ligt dit percentage beduidend lager, rond de 20%. Het overschrijden van deze LTV percentages leidt tot minder efficiënte vastgoedportefeuilles. Volgens SH zijn er drie belangrijke oorzaken waarom de efficiëntie van vastgoedportefeuilles bij hogere LTV percentages afnemen:
1. Voor fondsen in problemen is het lastig om te herstellen indien het eigen vermogen grotendeels verdampt is (the costs of distress is proportionately high) 2. Het asymmetrische effect van performance fees 3. De impact van incrementele rentepercentages
16
De onderzoekers geven aan dat vooral de onder punt 3 genoemde impact van incrementele rentepercentages een negatief effect hebben op de efficiëntie van private vastgoedfondsen met hoge LTV percentages. Een goed inzicht in de relatie tussen de LTV en de bijbehorende rentepercentages is nog niet beschikbaar omdat dit onderwerp tot op heden onvoldoende onderzocht is. Het is relevant om meer inzicht te verschaffen in deze relatie omdat het dan voor beleggers eenvoudiger is om de door hun gewenste LTV percentages te bepalen in plaats van zich te laten leiden door het percentage dat door de markt ingegeven wordt. 2.3 Relatie LTV en renteopslagen De voorgaande paragraaf is afgesloten met de constatering door SH dat vooral incrementele rentepercentages een negatief effect hebben op de efficiëntie van beleggingen in private vastgoedfondsen.
Zij
veronderstellen
dat
hogere
LTV
percentages
leiden
tot
hogere
financieringskosten en dat geen sprake is van een lineair verband. In deze paragraaf wordt nader ingegaan op de relatie tussen de hoogte van de LTV en de bijbehorende renteopslagen.
De renteopslag voor vastgoedleningen bestaat volgens Snellen (2011, p 17) uit een basisopslag en een extra opslag. De basisopslag betreft de kostprijs van de financiering, met andere woorden de opslag die de kredietverschaffer zelf moet betalen om het geld aan te trekken. De extra opslag betreft de vergoeding voor het specifieke risico dat volgens Snellen voortkomt uit het vastgoedobject dat gefinancierd wordt.
Canaday en Yang (1996, p. 265) beschrijven in hun onderzoek dat de interestopslagen op leningen veelal positief gecorreleerd zijn met de hoogte van het LTV percentage. Dit verband wordt voornamelijk ingegeven door de toegenomen kans dat de kredietnemer de financieringskosten niet meer kan voldoen. Kredietverschaffers willen voor dit risico gecompenseerd worden en dit brengt met zich mee dat zij hogere marges zullen doorberekenen. Hoge leverage percentages zijn hierdoor vaak niet alleen te risicovol maar ook nog eens te kostbaar omdat de financieringskosten gelijk of zelfs hoger zijn dan de rendementen op het vastgoed. Tyrell en Bostwick (2005) merken op dat de afsluitprovisie in het algemeen ook hoger zal zijn. Verder benoemen zij dat kredietverschaffers bij hoge LTV percentages aanvullende restricties zullen opleggen in de vorm van zogenoemde lening convenanten (bijvoorbeeld door automatisch cash sweeps). De risico/rendementverhouding is hierdoor volgens de onderzoekers niet afhankelijk van de hoogte van de leverage, maar vooral van de kosten van deze leverage en het rendement van het onderliggende vastgoed. De wisselwerking tussen risico en rendement is door de toevoeging van leverage niet lineair. Grafisch zal de risico/rendementslijn voor geleveraged vastgoed juist afvlakken naarmate de leverage toeneemt en
17
in theorie uiteindelijk omslaan door de sterkte toename van de financieringskosten. Hoe het verwachte rendement door toepassing van leverage verandert kan volgens Tyrell en Bostwick (2005) als volgt worden bepaald:
Δ r= (ru – lc) / (1-l) - ru
r = verwachte rendement ru = verwachte rendement zonder toepassing van leverage l = leverage c = financieringskosten Hoewel kredietnemers er ook voor kunnen kiezen om de rente vast te zetten neemt dit volgens Van der Spek en Hoorenman (2008) het risico slechts deels weg. Het cashflow risico zal lager zijn en ook de income returns zullen stabieler zijn, maar het risico op het geïnvesteerde eigen vermogen is niet weggenomen. 50% leverage zorgt nog steeds voor tweemaal zoveel volatiliteit, ondanks de gefixeerde rente.
Titman, Tompaidis en Tsyplakov (2005) hebben onderzocht welke zaken van invloed zijn op de hoogte van de renteopslagen. Ook zij veronderstelden dat in theorie de hoogte van de LTV positief gecorreleerd zou moeten zijn aan de hoogte van de renteopslag. Echter, de uitkomsten van het onderzoek leiden niet direct tot een eenduidig antwoord. De theorie gaat wel degelijk op voor LTV percentages tot ongeveer 70%, maar voor hogere LTV percentages nemen de renteopslagen juist af. Verder blijkt dat vastgoedleningen met een LTV percentage hoger dan 90% de laagste renteopslagen kennen. De onderzoekers wijten deze uitkomsten aan het feit dat er bij de keuze voor een bepaalde LTV sprake is van endogeniteit. Zo geldt dat kredietverschaffers voor meer risicovolle kredietnemers lagere LTV’s zullen hanteren. Om het endogeniteitsprobleem te ondervangen hebben de onderzoekers gekeken naar de totale groep van vastgoedleningen met een LTV percentage boven de 70%. Vervolgens kan geconcludeerd worden dat dit de theorie over de positieve relatie tussen het LTV percentage en de renteopslag ten goede komt. Ook Snellen (2011, p. 18) constateert voor Nederlandse kantoorbeleggingen dat de renteopslagen exponentieel oplopen zodra de LTV het niveau van 50% passeert.
18
2.4 Overige factoren voor de hoogte van de renteopslag De hoogte van de LTV is niet de enige bepalende factor voor de hoogte van de renteopslag. Ook andere factoren zijn van invloed op de hoogte van de renteopslag. Welke factoren dit kunnen zijn wordt in deze paragraaf besproken. Titman, Tompaidis en Tsyplakov (TTT) (2005) hebben uitvoerig onderzocht welke factoren, naast de hoogte van de LTV, van invloed zijn op de hoogte van de renteopslagen. De belangrijkste bevindingen uit dit onderzoek zijn: Het risico en de flexibiliteit van het onderliggende vastgoedobject - Uit de studie blijkt dat de renteopslagen voor hotels hoger zijn dan de renteopslagen voor woningen en logistiek. Dit heeft te maken met het feit dat een hotelbelegging als meer risicovol wordt verondersteld dan een belegging in logistiek of woningen. Het verschil in risico komt vooral tot uitdrukking in de zogenoemde net yield. Dit is de verhouding tussen de netto huuropbrengsten van het vastgoedobject en de waarde van het vastgoedobject. De hoogte van deze net yield is een goede indicator voor het risico. Een belegger zal een hogere net yield verlangen naarmate het risico op een belegging toeneemt ter compensatie van het extra risico. Zo zal de de net yield voor een hotelbelegging dus hoger zijn dan voor een woningbelegging. De zekerheid van de kasstromen is voor hotels immers minder dan voor woningen. Kredietverschaffer gebruiken deze net yield ook bij het inschatten van het risico. Hoe hoger het risico, des te hoger de renteopslag. Hetzelfde geldt voor de flexibiliteit van een vastgoedobject. Net yields zijn hoger voor vastgoedobjecten welke uitgebreid of gerenoveerd kunnen worden. Ook dit gegeven uit zich in hogere renteopslagen. In de bestaande theorieën worden de netto huuropbrengsten ook wel aangemerkt als pay-out ratio. Hoe hoger de pay-out ratio, des te hoger het risico. Voor wat betreft de renteopslagen is het dan ook de verwachting dat de NIY positief gecorreleerd zal zijn aan de hoogte van de renteopslagen. Kredietverschaffers zullen een hogere risico opslag in rekening brengen naarmate het onderliggende vastgoedobject steeds risicovoller wordt. Deze theorie wordt door TTT bevestigd. Of deze theorie ook geldt voor de net initial yield voor vastgoedobjecten binnen private vastgoedfondsen zal middels de regressie analyse onderzocht worden. Het gemiddelde LTV percentage per kredietverschaffer - TTT constateren voor de hoogte van de gemiddelde LTV per kredietverschaffer, dat deze positief gecorreleerd is aan de hoogte van de renteopslagen. Deze bevinding sluit aan op de eerdere veronderstelling dat de hoogte van de renteopslagen beïnvloed wordt door de hoogte van de LTV. Macro economische factoren - Na een periode waarin de vastgoedmarkt slechte rendementen heeft laten zien en na een periode van relatief veel wanbetaling op uitstaande vastgoedleningen nemen de 19
renteopslagen toe en worden de leningvoorwaarden strenger. Hieruit blijkt dat de beschikbaarheid van vastgoedleningen dus afneemt in het geval de kredietverschaffers zelf dus ook financieel minder goed presteren. Verder concluderen de onderzoekers dat de renteopslagen afnemen naarmate het rentepercentage op staatsobligaties toeneemt. Maris and Segal (2002) hebben een dergelijk onderzoek uitgevoerd voor yield spreads op commercial mortgage-backed securities. Hun belangrijkste conclusie was dat deze spreads sterk beïnvloed worden door macro economisch factoren. Yields werden krapper gedurende periodes van economische groei en ten tijde van veel concurrentie, terwijl ze juist toenamen in periodes waarin het economisch minder goed ging en er sprake was van een toename in het aantal wanbetalingen. Op basis van deze bevindingen is het in theorie te verwachten dat de renteopslagen op vastgoedleningen voor private vastgoedfondsen voor het uitbreken van de wereldwijde kredietcrisis lager waren dan in de periode daarna. Mede ingegeven door de hevige concurrentie en het grote aantal fondslanceringen is het te veronderstellen dat de renteopslagen na 2008 hoger liggen dan voor deze periode.
Snellen (2011, p. 18) geeft voorts aan dat renteopslagen ook afhankelijk zijn van:
De gewogen gemiddelde looptijd van de huurcontracten
Het aantal huurders
De verhouding tussen de huurinkomsten en de te betalen rente en aflossing
De looptijd van de lening heeft ook invloed op de hoogte van de renteopslagen. Vanuit de theorie wordt gesteld dat de de looptijd van de lening positief gecorreleerd zal zijn aan hoogte van de renteopslagen. Titman, Tompaidis en Tsyplakov (TTT) (2005) constateerden in hun onderzoek echter het tegenovergestelde. Ook dit komt voort uit de endogene keuze. Immers, kredietverschaffers zullen bij de looptijd vooral kijken naar het risicoprofiel van het te financiering vastgoed. Leningen op meer risicovolle vastgoedobjecten zullen in de praktijk een kortere looptijd hebben en een lagere LTV. Hoe de looptijd van leningen binnen private vastgoedfondsen zich verhouden tot de renteopslagen zal in de regressieanalyse onderzocht worden. Naast de looptijd van de lening kan het aflossingschema van de lening ook van invloed zijn op de hoogte van de rente opslagen. Theoretisch kan gesteld worden dat voor leningen welke sneller afgelost worden, minder riskant zijn en dus een lagere renteopslag kennen. TTT hebben dit onderzocht maar kwamen niet tot een eenduidige conclusie. Dit geeft weer dat endogeniteit ook hier
20
een belangrijke rol speelt. In deze thesis wordt het aflossingsschema niet meegenomen in het onderzoek. De bezettingsgraad van het onderliggende vastgoed geeft aan in hoeverre het vastgoedobject verhuurd is. Leegstand leidt tot minder huuropbrengsten en heeft dus een negatief effect op de waarde van het pand. Dit effect uit zich vooral in een hogere net initial yield. Leegstand wordt gezien als een risico en beleggers zullen over het algemeen dus een hoger rendement eisen om voor dit risico gecompenseerd te worden. Voor dit onderzoek is het in theorie dus de verwachting dat de hoogte van de bezettingsgraad negatief gecorreleerd is aan de hoogte van de renteopslagen. Naarmate de bezettingsgraad afneemt, nemen de renteopslagen juist toe. De locatie of het land waar het vastgoed is gelegen kan ook van invloed zijn op de hoogte van de renteopslagen. Ook voor de locaties geldt, dat er vanuit het oogpunt van risico, duidelijke onderlinge verschillen bestaan. De verschillen komen voornamelijk tot uitdrukking in de spreads tussen de yields op staatsobligaties en de net initial yields op het vastgoed binnen de verschillende landen. Een beperkte spread is over het algemeen een indicatie dat het locatierisico hoog is. Andersom geldt dat een bredere spread aangeeft dat het landenrisico beperkter is. Voor sommige Zuid Europese landen is op dit moment zelf sprake van negatieve spreads. Wanneer wordt gekeken naar de net initial yields dan geldt dat deze lager zullen zijn in de landen met relatief lage yields op staatsobligaties. In theorie zou voor renteopslagen op vastgoedleningen dan opgaan dat deze lager zijn voor de landen met een lager landenrisico.
21
3.
Methodologie en data
3.1 Inleiding In het voorgaande hoofdstuk is het theoretisch kader geschetst. Dit hoofdstuk geeft een nadere beschrijving van de methodologie en de onderzoeksdata. Paragraaf 3.2 beschrijft de samenstelling en kenmerken van de dataset. In paragraag 3.3. wordt nader ingegaan op de representativiteit van de onderzoeksdata. De gehanteerde onderzoeksvariabelen (afhankelijk en onafhankelijke) worden beschreven in paragraaf 3.4. 3.2 Dataset De onderzoeksdata is verzameld op basis van leninginformatie verstrekt door een gerenommeerde en dominante Vastgoed Investeringsmanager. Aan de
fondsmanagers van 16
private
vastgoedfondsen is een standaard dataset verstuurd. Een deel van de in deze dataset opgenomen gegevens waren reeds verkregen uit de verschillende fondsjaarrekeningen over het jaar 2011. Voor 140 verschillende vastgoedleningen, met een totale omvang van € 6.3 miljard, zijn aanvullende gegevens opgevraagd.
De dataset bevat per vastgoedlening de volgende gegevens:
Hoofdsom van de lening
Rentepercentage of renteopslag op de lening
Loan to value percentage op het moment waarop de lening is afgesloten
Datum waarop de vastgoedlening is afgesloten
Of het interest percentage vast of variabel is
De einddatum van de vastgoedlening om zo de looptijd te bepalen
Land waar kredietverschaffer gevestigd is
De net initial yield bij het aangaan van de vastgoedlening
De bezettingsgraad bij het aangaan van de vastgoedlening
Het land waarin het vastgoedobject zich bevindt
Het type vastgoedobject
22
3.3 Representativiteit onderzoeksdata De onderzoeksdata zijn voldoende representatief om een gedegen regressieanalyse uit te voeren. Dit blijkt allereerst uit het aantal observaties. Daarnaast bevat de data voldoende diversiteit voor wat betreft de verschillende hoofdsommen, verschillende afsluitmomenten, de verschillende LTV percentages, de verschillende kredietverschaffers, de verschillende sectoren en regio’s, het aantal private vastgoedfondsen. Daarnaast is de data verkregen van een bekwame en alom gerenommeerde dominante Vastgoed Investeringsmanager. 3.4 Onderzoeksvariabelen In de volgende paragrafen worden de onderzoeksvariabelen voor de regressieanalyse nader beschreven. Als eerste wordt de afhankelijke variabele besproken, gevolgd door de verschillende onafhankelijk variabelen. 3.4.1
Renteopslag (afhankelijke variabele)
In de regressieanalyse wordt de renteopslag als de afhankelijke variabele verondersteld. De renteopslag is een opslag, weergegeven in basispunten, bovenop een overeengekomen interbancair rentepercentage (euribor). In het geval van een vaste rente zal evenals in het onderzoek van Titman, Tompaidis en Tsyplakov (2005) de renteopslag bepaald worden door het verschil te nemen van de vaste rente op de lening en de rente op staatsobligaties met dezelfde looptijd op het moment dat de lening is afgesloten. Onderzocht zal worden hoe de verschillende onafhankelijke variabelen de afhankelijke variabele beïnvloeden. Welke factoren van invloed zijn op de renteopslag voor vastgoedleningen binnen private vastgoedfondsen in het bijzonder, wordt in deze studie onderzocht. Voor dit onderzoek wordt gebruik gemaakt van de variabelen die in de volgende paragrafen beschreven worden. 3.4.2
Loan to Value percentage en hoofdsom
Het loan to value percentage wordt bepaald door de hoofdsom van de lening te delen door de marktwaarde van het vastgoed. In de dataset is sprake van verschillende financieringsvarianten. De hypotheek is de meest voorkomende variant. Andere varianten binnen de dataset zijn de kredietfaciliteit, de junior line financiering en de syndicated term loan. In het onderzoek worden deze varianten verder niet van elkaar onderscheiden omdat in de praktijk ook veelal sprake zal zijn verschillende financieringsvormen binnen portefeuilles. De marktwaarde is gedefinieerd op basis van de principles and guidelines in het Red Book van “The Royal Institution of Chartered Surveyors (RICS) (2012, p. 14). Hierin wordt wordt de volgende definitie voor marktwaarde gehanteerd: “The estimated amount for which a property should exchange on the date of valuation between a willing buyer and a willing seller in an arm’s –length transaction after proper marketing wherein the parties
23
had each acted knowledgeably, prudently and without compulsion”. De LTV is bepaald aan het einde van het kwartaal waarin de leningen zijn afgesloten. 3.4.3
Interest Coverage Ratio
Het in paragraaf 3.4.2 beschreven LTV percentage legt volgens van der Bilt (2011, p 13) vooral een relatie tussen de investering en de financiering en heeft dus vooral betrekking op het gefinancierde object zelf. De Interest Coverage Ratio (ICR) geeft volgens Bilt (2011, p 7) een inzicht in de betaalcapaciteit van de investering. De ICR in de dataset is als volgt bepaald:
ICR = Net rental income / interest paid
Bij het bepalen van deze verhouding bestaat de net rental income uit de bruto huuropbrengsten minus de operationele kosten welke gerelateerd zijn aan het bezitten en gebruiken van het vastgoed, zoals onderhoudskosten, verzekeringspremies, marketing kosten en uitgaven voor het vastgoedmanagement. De interest paid betreft de rente de verschuldigd is over de hoofdsom van de lening.
De ratio is de maatstaf voor het risicoprofiel. Hoe lager de ratio des te hoger het risico. Hierbij is wel bepalend de hardheid van de kasstromen en de mogelijke renteontwikkelingen. De ratio staat volgens van der Bilt dus niet op zich zelf. Vanuit een theoretisch perspectief is het te verwachten dat de hoogte van de ICR negatief gecorreleerd is aan de hoogte van de renteopslagen. Immers een hogere ICR geeft een betere betaalcapaciteit weer en is voor een kredietverschaffer minder risicovol. Minder risico zal in theorie leiden tot een minder hogere renteopslag. 3.4.4
Looptijd van de lening
De looptijd van de lening geeft aan voor welke periode de lening is aangegaan. Het betreft hier de looptijd tussen het moment waarop de lening is afgesloten en de einddatum van de lening. De looptijd wordt uitgedrukt in maanden. Vanuit theoretisch perspectief is het te verwachten dat de looptijd van de lening positief gecorreleerd is aan de hoogte van de renteopslagen. 3.4.5
Net Initial Yield
De Net Initial Yield (of NIY) wordt bepaald aan de hand de INREV Guidelines (2008, p. 52). Dit resulteert in de volgende berekeningsmethode:
(Passing rent of net operating income / Gross property value plus notional acquisitions costs) x 100% 24
De passing rent of net operating income komt overeen met de definitie van de in paragraaf 3.4.3 beschreven net rental revenu. De Gross property value plus notional acquisition is gelijk aan de in paragraaf 3.4.2. beschreven marktwaarde van het vastgoed.
Zoals reeds eerder beschreven is de Net Intial Yield een maatschaf voor het risico van vastgoed. Een hogere Net Initial Yield impliceert een hoger risico. Het risico van een bepaalde sector of regio wordt ook vaak uitgedrukt in de Net Initial Yields. De sectoren woningen en winkels worden minder riskant gevonden dan bijvoorbeeld kantoren en logistiek. Dit uit zich dan ook in het feit dat de Net Intial Yields voor woningen en winkels lager liggen dan de Net Initial Yields van kantoren en logistiek. Dit principe gaat ook op voor de verschillende regio’s. De Net Intial Yields zijn lager voor landen met volwassen, stabiele, transparante en actieve vastgoedmarkten. Landen waarin de vastgoedmarkt minder stabiel, minder volwassen en minder transparant zijn kennen hogere Net Intial Yields. Het is goed om op te merken dat ongeacht de regio’s de eerder beschreven rangorde van Net Initial Yields naar sectoren binnen vrijwel alle regio’s hetzelfde is. Om deze reden is besloten om sectoren en regio’s niet als afzonderlijke variabelen in het model mee te nemen. Deze twee variabelen worden voor deze studie verondersteld reeds voldoende tot uitdrukking te komen in de onafhankelijke variabele Net Intial Yield. 3.4.6
Bezettingsgraad van het onderliggende vastgoed
De bezettingsgraad van het onderliggende vastgoed geeft aan in hoeverre het vastgoedobject verhuurd is op het moment dat de lening is afgesloten. De bezettingsgraad in de dataset is bepaald door de daadwerkelijke huuropbrengsten van het onderliggende vastgoedobject te delen door de theoretische huuropbrengsten van het betreffende vastgoedobject. De bezettingsgraad wordt uitgedrukt in een percentage. 3.5 Response op dataset In totaal hebben 12 van de 16 fondsmanagers een ingevulde dataset aangeleverd. De ontvangen datasets bevatten informatie van 106 verschillende vastgoedleningen met een totale omvang van € 5,5 miljard. De aangeleverde datasets zijn gecontroleerd en beoordeeld op juistheid en volledigheid. Op basis van deze controle is geconstateerd dat voor een aantal vastgoedleningen de informatie niet volledig is en als gevolg hiervan dus niet bruikbaar zijn voor het onderzoek. Hierdoor bevat de definitieve dataset uiteindelijk informatie over 69 vastgoedleningen ontleent uit 12 verschillende private vastgoedfondsen met een totale waarde van € 3,6 miljard. De vastgoedleningen zijn afgesloten in de periode tussen 1999 en 2011. De meeste vastgoedleningen in de dataset zijn afgesloten in de jaren 2007 en 2008. De hoofdsommen van de verschillende vastgoedleningen liggen
25
tussen de € 625.000 en € 359.070.000. De gemiddelde waarde van de vastgoedleningen bedraagt € 51.716.000. 3.6 Keuze voor dataset Zoals hierboven reeds beschreven is uiteindelijk voor 37 van de 106 ontvangen vastgoedleningen de leningdata niet meegenomen in de dataset. De belangrijkste reden voor het uitsluiten van deze observaties is het feit dat de historische LTV en/of de historisch ICR gegevens niet bekend zijn. Om het aantal observaties in de dataset te vergroten is onderzocht of het ontbreken van deze gegevens op een bepaalde manier ondervangen kon worden. Dit is gedaan door twee aanvullende datasets op te stellen. In de eerste aanvullende dataset zijn de ontbrekende historische LTV en/of historische ICR gegevens aangevuld door hiervoor de LTV en/of ICR convenanten te nemen. De tweede aanvullende dataset is samengesteld door voor de ontbrekende historische LTV en/of historische ICR gegevens de LTV en/of ICR gegevens per 31 december 2011 te nemen. Hoewel het aantal observaties hierdoor wordt vergroot, namelijk van 69 naar 106, geeft dit voor de correlaties tussen de verschillende variabelen geen grote veranderingen. Op basis hiervan is derhalve besloten om door te gaan met de dataset waarin alleen de volledige aanleveringen zijn opgenomen. De dataset met deze 69 observaties is in dit geval het meest betrouwbaar. 3.7 Analyse dataset Deze paragraaf bevat een analyse van de definitieve dataset. Het doel van deze analyse is om meer inzicht te verschaffen in de samenstelling van de dataset. Hoofdsom van de lening De 69 vastgoedleningen hebben een totale omvang van € 3.568.371.000. De gemiddelde hoofdsom per lening bedraagt € 51.716.000. Van de 69 vastgoedleningen hebben 17 leningen een hoofdsom welke hoger is dan het gemiddelde. Voor de overige 52 leningen geldt dat de hoofdsom lager is dan het gemiddelde. De laagste hoofdsom bedraagt € 625.000, terwijl de lening met de hoogste hoofdsom € 359.070.000 bedraagt.
Hoofdsommen vastgoedleningen
Aantal vastgoedleningen
40
35
38
30 25 20
15
Aantal
16
10 5
6
2
7
60-90
90-120
>120
0 0-30
30-60
Hoofdsom x € 1 mln
Figuur 3.1 – Hoofdsommen vastgoedleningen
26
Rentepercentage of renteopslag op de lening Vier vastgoedleningen kennen een vast rentepercentage. Voor de overige vastgoedleningen geldt een variabele rente. De gemiddelde renteopslag per lening in de dataset is 96,4 basispunten. De hoogte van de renteopslagen in de dataset varieert tussen de 30 en de 250 basispunten. Bijna 1/3 van de renteopslagen ligt tussen de 50 en 100 basispunten.
Aantal vastgoedleningen
Renteopslagen vastgoedleningen 50 45 40 35 30 25 20 15 10 5 0
44
Aantal
10
4 0-50
50-100
100-150
6
5
150-200
>200
Renteopslag in basispunten
Figuur 3.2 – Renteopslagen vastgoedleningen
Loan to value percentage op het moment waarop de lening is afgesloten De loan to value percentages voor de vastgoedleningen in de dataset liggen tussen de 19% en 78%. Het gemiddelde loan to value percentage per vastgoedlening is 60,0%. Het grootste aantal loan to value percentages binnen de dataset ligt tussen de 60% en 80% LTV. Bijna 70% van de observaties heeft bij aanvang van de vastgoedlening een loan to value percentage dat ligt tussen de 60% en 80%. In de dataset zijn geen vastgoedleningen aanwezig die op het moment van afsluiten een loan to value percentage hadden dat hoger was dan 80%. LTV percentages vastgoedleningen
Aantal vastgoedleningen
60 50
48
40 30
Aantal
20
15
10 1
5
0-20
20-40
0
0 40-60
60-80
80-100
Loan to value percentage
Figuur 3.3 – LTV percentages vastgoedleningen
Datum waarop de vastgoedlening is afgesloten De vastgoedleningen in de dataset zijn afgesloten in de periode die ligt tussen de jaartallen 1999 en 2011. De meeste vastgoedleningen in de dataset zijn afgesloten in het jaar 2007, gevolgd door 2008.
27
Jaar
Aantal
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
1 0 2 0 0 7 3 7 21 15 7 1 5
Figuur 3.4 – Jaartallen waarin vastgoedleningen zijn afgesloten
Of het interest percentage vast of variabel is Van de 69 vastgoedleningen in de dataset kennen er 4 een vast rentepercentage. Voor de resterende 65 vastgoedleningen geldt dat het rentepercentage variabel of ‘floating’ is. Deze leningen bestaan dus uit een met de financier overeengekomen renteopslag bovenop een variabel interbancair rentepercentage.
Rentepercentages vast of variabel Vast; 4
Variabel; 65
Figuur 3.5 – Rentepercentages vast of variabel
De einddatum van de vastgoedlening om zo de looptijd te bepalen De vastgoedleningen in de dataset hebben een looptijd tussen de 36 en 233 maanden. De gemiddelde loopt van de vastgoedleningen bedraagt 96 maanden. Het merendeel van de vastgoedleningen kent een looptijd die ligt tussen de 60 en 120 maanden (50,7%).
28
Looptijden vastgoedleningen
Aantal vastgoedleningen
40
35 35
30 25 20
20
15 10
Aantal
11
5
3
0 0-60
60-120
120-180
180-240
Looptijd in aantal maanden
Figuur 3.6 – Looptijden vastgoedleningen
Land waar kredietverschaffer gevestigd is In
de
dataset
bevinden
zich
vastgoedleningen
die
verstrekt
zijn
door
verschillende
kredietverschaffers uit 6 verschillende landen. Duitse (30 keer) en Nederlandse (23 keer) zijn de meest dominante kredietverschaffers in de dataset.
Herkomst kredietverschaffers 35 30
30 25 23
20
Aantal
15 10 5
7 4
4
1
Spanje
België
Oostenrijk
0 Duitsland Nederland
Frankrijk
Figuur 3.7 – Land van herkomst kredietverschaffers
De net initial yield bij het aangaan van de vastgoedlening De Net Initial Yields van de gefinancierde vastgoedobjecten in de dataset liggen tussen de 2,8% en 11,8%. De gemiddelde Net Initial Yield bij aanvang van de vastgoedlening bedraagt 6,2%. Ruim 85% van de gefinancierde vastgoedobjecten heeft bij aanvang van de lening een Net Initial Yield tussen de 4% en 8% (59 keer).
Net Initial Yields vastgoedleningen
Aantal vastgoedleningen
70 60 59
50 40 30
Aantal
20
10
6
4
0 0% - 4%
4% - 8%
8% - 12%
Net Initial Yield
Figuur 3.8 – Net Initial Yields vastgoedleningen
29
De bezettingsgraad bij het aangaan van de vastgoedlening Het gemiddelde bezettingspercentage van de gefinancierde vastgoedobjecten binnen de dataset is bij aanvang van de lening 94,6%. Ruim 92% van de vastgoedleningen is gerelateerd aan vastgoedobjecten met een bezettingspercentage tussen de 80% en 100%. Er is slechts één vastgoedlening afgegeven op een vastgoedobject dat bij aanvang van de financiering leegstond. De dataset bevat verder 36 vastgoedleningen gerelateerd aan vastgoedobjecten met een 100% bezettingsgraad. Bezettingsgraden bij aanvang vastgoedleningen
Aantal vastgoedleningen
70 60
64
50 40 30
Aantal
20
10
1
0
0
4
0 0% - 20%
20% - 40% 40% - 60% 60% - 80% 80% - 100%
Bezettingsgraad
Figuur 3.9 – Bezettingsgraden bij aanvang vastgoedleningen
Het land waarin het vastgoedobject zich bevindt De vastgoedleningen in de dataset hebben betrekking op gefinancierde vastgoedobjecten in 14 Europese landen. Van de vastgoedleningen hebben er 20 betrekking op vastgoedobjecten in Spanje gevolgd door 8 in Nederland. Op basis van het aantal vastgoedleningen is Spanje hiermee het meest dominante land in dataset. Echter, wanneer gekeken wordt naar de omvang van de vastgoedleningen dan is Nederland met 39% dominanter dan Spanje (20%). De omvang van de Nederlandse vastgoedleningen in de database is dus groter dan de omvang van de Spaanse vastgoedleningen.
Locatie gefinacierde vastgoedobjecten Oostenrijk; 1
Roemenië; 1
Slowakije; 1
Zweden; 2 Portugal; 3
Italië; 2
Frankrijk; 3 Spanje; 20
Hongarije; 5 België; 5
Polen; 6 Duitsland; 6
Nederland; 8 Tjechië; 6
Figuur 3.10 – Locatie van gefinancierde vastgoedobjecten
30
Het type vastgoedobject De dataset bevat vastgoedleningen voor vier verschillende vastgoedsectoren. Deze sectoren zijn winkels, kantoren, logistiek en woningen. De sector winkels is met 34 observaties (49%) de meest voorkomende sector in de dataset. Kantoren is met 29 observaties (42%) de op één na meest voorkomende sector. Winkels en kantoren zijn gezamenlijk met 63 observaties goed voor 91% van de dataset. Het aandeel van logistiek (4 observaties) en woningen (2 observaties) is aanzienlijk lager. Vastgoedleningen naar sector
Aantal vastgoedleningen
40
35 30
34 29
25 20
15
Aantal
10 5
4
2
Logistiek
Woningen
0 Winkels
Kantoren
Sector
Figuur 3.11 – Vastgoedleningen naar sector
31
4. Analyse 4.1 Inleiding In de voorgaande hoofdstukken zijn de achterliggende theorie en de methode van onderzoek beschreven. In dit hoofdstuk worden het onderzoeksmodel en de analyse op de uitkomsten van de onderzoeksresultaten weergegeven. 4.2 Onderzoeksmodel Het onderzoek wordt uitgevoerd door middel van meervoudige regressie op de in het voorgaand hoofdstuk beschreven variabelen. Bij een meervoudige regressie wordt een lineair model berekend tussen een afhankelijke variabele Y en meerdere onafhankelijke variabelen Xi. Volgens de Vocht (2002, p 205.) ziet de vergelijking van een meervoudig regressiemodel met k
onafhankelijke
variabelen er als volgt uit:
Y = A + B1 * X1 + B2 * X2 + ….. + Bk * Xk
In deze vergelijking geeft A het snijpunt aan met de Y-as wanneer alle onafhankelijke variabelen gelijk zijn aan 0. Iedere onafhankelijke variabele heeft een partiële regressiecoëfficiënt B. Deze geeft de invloed van de betreffende onafhankelijke variabele op afhankelijke variabele (Y) aan. Hierbij wordt gecontroleerd voor de invloed van alle overige onafhankelijke variabelen.
De afhankelijke variabele in dit onderzoek is de renteopslag op een vastgoedleningen. De onafhankelijke variabelen die in het model worden meegenomen zijn: Loan to Value percentage (LTV), Hoofdsom, Interest Coverage Ratio (ICR), Looptijd, Net Initial Yield (NIY) en de Bezettingsgraad.
Een belangrijke veronderstelling bij het uitvoeren van een regressieanalyse is dat de variabelen in het model normaal verdeeld moeten zijn. In het kader hiervan zijn de hiervoor beschreven variabelen getest op normaliteit. De normaliteit is getoetst door middel van de ‘skewness’ en ‘kurtosis’ toetsen in SPSS. Skewness en kurtosis worden door de Vocht (2002, p. 139) uitgelegd als verdelingsmaten. Skewness zegt iets over de scheefheid van een verdeling. Bij een symmetrische verdeling (normale verdeling) bedraagt de skewness 0. Afwijkingen kunnen positief en negatief zijn. Een positieve skewness geeft aan dat de verdeling uitschieters bevat met hoge waarden. Negatieve afwijkingen impliceren het tegenovergestelde; de verdeling bevat dan uitschieters met lage waarden. Over het algemeen mogen verdelingen symmetrisch worden beschouwd indien de skewness score kleiner of
32
gelijk aan 1 is. Als aanvullende vereiste wordt vaak nog gesteld dat de waarde van de skewness niet hoger mag zijn dan 3 x de standaarddeviatie. Kurtosis, letterlijk platheid, geeft de welving ten opzichte van de normale verdeling. In het geval de data een sterke piekheid bevat, dan is er sprake van een positieve kurtosis. Indien de variabelen meer afgeplat verdeeld zijn, dan spreekt men van een negatieve kurtosis.
De variabelen die in dit model worden meegenomen zijn getoetst op normaliteit. Hierbij is gekeken naar de skewness score. Variabelen met een skewness core kleiner of gelijk aan 1, worden als normaal verdeeld verondersteld. In het geval dat de skewness score niet aan deze veronderstelling voldoet is besloten om de betreffende variabelen te transformeren. Voor de transformatie is gebruik gemaakt van natuurlijke logaritmen (ln) en wortels (sqrt). De uiteindelijke keuze is per variabele gebaseerd op de uitkomsten. De transformatie waarbij de verdeling van de observaties het sterkst verbeterd is wordt uiteindelijk meegenomen in het model. Het onderstaande overzicht geeft aan welke variabelen normaal verdeeld zijn en welke variabelen niet. Daarnaast is voor de niet normaal verdeelde variabelen aangegeven op welke wijze de transformatie heeft plaatsgevonden.
Variabele
Normale
Transformatie
Methode
verdeling Renteops l a g
Nee
Ja
ln
LTV
Nee
Nee
n.v.t.
Hoofds om
Nee
Ja
ln
ICR
Nee
Ja
s qrt
Loopti jd
Nee
Ja
ln
NIY
Nee
Ja
s qrt
Bezetti ng
Nee
Ja
ln
Figuur 4.1 – Transformatie van variabelen
Uit het overzicht is op te maken dat de variabele LTV niet normaal verdeeld. Hoewel er bij deze variabele geen sprake is van een normale verdeling, is toch besloten om de variabele niet te transformeren. De argumenten om deze onafhankelijke variabele niet te transformeren zijn allereerst het feit dat het LTV percentage bij aanvang van de lening tussen de 0% en 100% zal liggen. Ook in deze dataset liggen de LTV percentages binnen deze bandbreedtes. Het feit dat het aantal observaties in de dataset beperkt is zorgt ervoor dat de variabele nu niet normaal verdeeld is. Indien het aantal observaties hoger zou zijn dan is het aannemelijk dat de data beter verdeeld zou zijn. Voor dit onderzoek geniet het de voorkeur om de originele LTV percentages te hanteren en de variabele daarom dan ook niet te transformeren.
33
Deze variabelen leiden tot de volgende vergelijking:
Renteopslag_Ln = A + B1 * LTV + B2 * Hoofdsom_Ln + B3 * ICR_Sq + B4 * Looptijd_Ln + B5 * NIY_Sq + B6 * Bezetting_Rln
Om de meervoudige regressie uit te kunnen voeren wordt gebruik gemaakt van het computerprogramma IBM SPSS Statistics 20.
4.3
Regressieanalyse I
4.3.1
Inleiding regressieanalyse I
Alvorens over te gaan tot de uitkomsten van de regressieanalyse is het relevant om eerst naar de onderlinge correlaties van de verschillende variabelen te kijken. Hiervoor is de onderstaande correlatiematrix samengesteld.
Figuur 4.2 – Correlatiematrix
4.3.2
Interpretatie correlatiematrix
Uit de bovenstaande correlatiematrix is af te leiden dat niet alle verbanden tussen de onderzoeksvariabelen significant zijn. Wanneer wordt gekeken naar de verbanden tussen de 34
afhankelijke variabele renteopslag en de verschillende onafhankelijke variabelen dan valt op dat er drie significante verbanden bestaan. Renteopslag is significant gecorreleerd met de onafhankelijke variabelen hoofdsom, looptijd en bezetting. 4.3.3
Controle multicollineariteit
Omdat in het model meerdere onafhankelijke variabelen worden meegenomen is het belangrijk om het model te testen op multicollineariteit. De onafhankelijke variabelen mogen in dit geval onderling niet te sterk correleren. Indien dit wel het geval is dan meten de onafhankelijke variabelen ongeveer hetzelfde en is het niet mogelijk om het effect van iedere variabele afzonderlijk te bepalen. De validiteit van het model komt hierdoor in gevaar. De aanwezigheid van multicollineariteit is in SPSS getest middels de ‘tolerance’ en ‘VIF’ (Variance Inflation Factor) toets.
Er is sprake van
multicollineariteit indien de waarde van de VIF > 10 is en de waarde van ‘tolerance’ < 0,1. Voor de onafhankelijke variabelen in dit model geldt dat de VIF waarden tussen de 1,0 en 2,3 liggen. De test laat verder zien dat de tolerance waarden niet lager zijn dan 0,1. Op basis van deze uitkomsten kan geconcludeerd worden dat de impact van multicollineariteit op de variabelen in het model beperkt is. 4.3.4
Resultaten regressieanalyse I
35
Figuur 4.3 – Regressieanalyse I
De R Square is de correlatiecoëfficiënt van de afhankelijke variabele met alle onafhankelijke variabelen tezamen. Deze zogenoemde determinatiecoëfficiënt R Square geeft aan dat ruim 38% van de variantie van renteopslag wordt verklaard door de zes onafhankelijke variabelen. Op basis van het ANOVA overzicht is op te maken dat het model met een betrouwbaarheid van 99,9% significant is. Aan de hand van de toetsingsgrootheid F wordt de nul-hypothese verworpen. In de tabel ‘Coefficients’ zijn de verbanden volgens de Vocht (2002, p. 209) niet significant indien Sig > 0,05. LTV Voor de onafhankelijke variabele LTV geldt in dit geval dat een toename van de LTV resulteert in een afname van de renteopslag. Het verband is niet significant. Deze bevinding is niet in lijn met de theoretische basisgedachte dat er een positief verband bestaat tussen de hoogte van de renteopslag en de hoogte van de LTV. Op basis van dit model is het verband zelfs negatief. Titman, Tompaidis en Tsyplakov (2005) merkten
al eerder op dat het verband tussen de renteopslag en de LTV
gecompliceerd is. Deze complexiteit wordt veroorzaakt door het begrip endogeniteit. Zo is de uiteindelijke hoogte van de LTV vaak een endogene keuze omdat deze wordt bepaald door de uitkomst van het onderhandelingsproces tussen de kredietverschaffer en de kredietnemer. Kredietverschaffers zullen in theorie lagere LTV’s toestaan voor leningen op vastgoed dat riskanter is. Naast lagere LTV’s zullen kredietverschaffers ter compensatie van het risico ook een hogere renteopslag vragen. Hierdoor is het dus aannemelijk dat leningen voor vastgoed met een hogere Net Initial Yield dus lagere LTV niveau’s kennen. Dit zou een belangrijke oorzaak kunnen zijn voor het feit dat in deze dataset de relatie tussen de hoogte van de LTV en de hoogte van de renteopslag niet positief is. Een andere belangrijke factor die wellicht van invloed is op dit onderzoeksresultaat is het feit dat de dataset observaties bevat van zowel voor als na het uitbreken van de kredietcrisis in het 36
najaar van 2008. De condities waarop kredietverschaffers leningen verschaffen zijn sindsdien sterk veranderd. Kredietverschaffers staan lagere LTV percentages toe en het niveau van de renteopslagen is sterk toegenomen. Ook zijn door de waardedalingen de Net Inital Yields vanaf 2009 toegenomen. Om te bepalen hoe endogeniteit de keuze voor een bepaald LTV percentage beïnvloed is het interessant om dit nader te onderzoeken. Dit onderzoek wordt in paragraaf 4.4 verder uitgewerkt. Hoofdsom Uit het model blijkt dat het verband tussen de hoogte van de hoofdsom en de hoogte van de renteopslag negatief is. De coëfficiënt is daarnaast significant. In het model van Titman, Tompaidis en Tsyplakov (2005) was eveneens sprake van een negatief verband. Schaalvoordelen waren volgens de onderzoekers de belangrijkste oorzaak voor dit negatieve verband. Daarnaast zou het ‘default’ risico en de hieraan gerelateerde kosten voor kredietverschaffers lager zijn naarmate de hoofdsom toeneemt. ICR De coëfficiënt van de ICR is negatief en niet significant. Een toename in de ICR leidt in het model tot een afname van de renteopslag. Met andere woorden, naarmate de ICR de van de vastgoedlening toeneemt, en hiermee dus de betaalcapaciteit, hanteren kredietverschaffers lagere renteopslagen. Deze bevinding is in lijn met de theoretische veronderstelling dat een hogere ICR in het algemeen door kredietverschaffers als minder risicovol gezien wordt. Door dit lagere risico zullen kredietverschaffers dus bereid zijn om een lagere renteopslag te hanteren. Looptijd Uit het model blijkt dat de hoogte van de renteopslag afneemt naarmate de looptijd toeneemt. De coëfficiënt is negatief en significant. Deze bevinding geeft aan dat de meer riskantere leningen een kortere looptijd hebben en tegelijkertijd ook hogere renteopslagen. Verder valt op dat deze variabele binnen het model de hoogste t-waarde heeft. De onafhankelijk variabele looptijd van de lening hangt dus het meest significant samen met de afhankelijke variabele renteopslag. NIY De coëfficiënt van de NIY is significant en positief. Deze uitkomst is in lijn met de theoretische veronderstelling dat vastgoed met hoge operationele kasstromen hogere renteopslagen kennen. Hogere Net Initial Yields zijn over het algemeen een goede weergave van een hoger risico. Ook is de flexibiliteit van het vastgoed hier van belang. Vastgoed dat uitgebreid of gerenoveerd kan worden heeft vaak een hogere Net Inital Yield.
37
Bezetting Renteopslagen nemen toe naarmate de bezettingsgraad van het onderliggende vastgoed toeneemt. De coëfficiënt is positief en het verband is niet significant. De richting van het verband sluit niet aan op het veronderstelde verband in het theoretisch kader. Immers, de hoogte van de kasstromen nemen toe naarmate de bezettinggraad toeneemt. Deze zekerheid zal er in theorie toe leiden dat kredietverschaffers bereid zijn om een lagere renteopslag te vragen. Vastgoed dat te maken heeft met leegstand zal als risicovoller aangemerkt worden. Deze lagere bezettingsgraad uit zich vooral in een hogere Net Inital Yield en dus ook in hogere renteopslagen. Outliers Door middel van de optie Casewise diagnostics in SPSS worden eventuele outliers nader onderzocht. De Vocht (2002, p. 214-215) geeft aan dat SPSS hiervoor standaard een Zresidual van meer dan 3 standaarddeviaties hanteert. Het is echter beter om 2 standaarddeviaties te hanteren. De uitkomsten zijn als volgt:
Figuur 4.4 – Outliers regressieanalyse I
De grootste outlier is -0,85456, de gestandaardiseerde waarde hierbij bedraagt -2,235. De Vocht (2002, p. 214-215) geeft aan dat cases met zeer grote gestandaardiseerde residuen buiten het model moeten worden gelaten. Dergelijke cases doen zich volgens de auteur voor indien de waarde van de gestandaardiseerde residuen > 5. Zes cases hebben een gestandaardiseerd residu van meer dan 2. Op basis van dit criterium (>5) is het niet noodzakelijke om deze cases buiten het model te houden.
38
4.3.5
Conclusie regressieanalyse I
Uit het model blijken vier van de zes onafhankelijke variabelen significant van invloed te zijn op de hoogte van de renteopslagen, te weten:
Hoofdsom; renteopslagen nemen af naarmate de omvang van de hoofdsom toeneemt
Looptijd; renteopslagen nemen af naarmate de looptijd van een lening toeneemt
Net Initial Yield; renteopslagen nemen toe naarmate NIY toeneemt
Bezetting; renteopslagen nemen toe naarmate de bezetting toeneemt
Helaas hebben de uitkomsten van het model niet geresulteerd in het vooraf veronderstelde verband tussen de renteopslag en de LTV. Vooraf werd dit verband als positief verondersteld met een duidelijk omslagpunt vanaf een bepaald niveau LTV. De belangrijkste oorzaak waarom dit verband niet is terug te zien wordt veroorzaakt door de endogeniteit bij de keuze van een zeker LTV is. Ook is het aannemelijk te veronderstellen dat het uitbreken van de kredietcrisis van invloed is op de onderzoeksresultaten. Immers de leningvoorwaarden (LTV en renteopslagen) zijn veranderd sinds het uitbreken van de kredietcrisis. Om deze endogeniteit beter te begrijpen is het interessant om te onderzoeken welke variabelen van invloed zijn op de hoogte van de LTV. Hierbij is het voornamelijk van belang om te onderzoeken of LTV percentages afnemen naarmate de NIY stijgt. Teneinde dit verband te kunnen onderzoeken wordt een tweede regressieanalyse uitgevoerd. De regressieanalyse is uitgewerkt in paragraaf 4.4.
4.4
Regressieanalyse II
4.4.1
Inleiding regressieanalyse II
Middels deze regressieanalyse wordt onderzocht welke variabelen van invloed zijn op het Loan to Value percentage (LTV). In de regressieanalyse wordt ditmaal de LTV als afhankelijke variabele meegenomen. De vijf onafhankelijke variabelen in het model zijn: Net Intial Yield (NIY_Sq), hoofdsom (hoofdsom_Ln), Interest Coverage Ratio (ICR_Sq), looptijd (looptijd_Ln) en de bezettingsgraad (bezettingsgraad_Rln). Dit leidt tot de onderstaande vergelijking: LTV = A + B1 * NIY_Sq + B2 * Hoofdsom_Ln + B3 * ICR_Sq + B4 * Looptijd_Ln + B5 * Bezetting_Rln
39
Omdat deze variabelen reeds gebruikt zijn in regressieanalyse I, wordt voor wat betreft de controle op normaliteit verwezen naar paragraaf 4.2. Evenals bij de eerste regressieanalyse is het ook voor deze regressieanalyse relevant om eerst naar de onderlinge correlaties van de verschillende variabelen te kijken. Hiervoor is de onderstaande correlatiematrix samengesteld.
Figuur 4.5 – Correlatiematrix II
4.4.2
Interpretatie correlatiematrix
Uit de bovenstaande correlatiematrix is af te leiden dat niet alle verbanden significant zijn. Wanneer wordt gekeken naar de verbanden tussen de afhankelijke variabele LTV en de verschillende onafhankelijke variabelen dan is op te maken dat de verbanden tussen LTV en hoofdsom en tussen LTV en ICR significant zijn. 4.4.3
Controle multicollineartiteit
Omdat in het model meerdere onafhankelijke variabelen worden meegenomen is het belangrijk om het model te testen op multicollineariteit. De onafhankelijke variabelen mogen in dit geval onderling niet te sterk correleren. Indien dit wel het geval is dan meten de onafhankelijke variabelen ongeveer hetzelfde en is het niet mogelijk om het effect van iedere variabele afzonderlijk te bepalen. De validiteit van het model komt hierdoor in gevaar. De aanwezigheid van multicollineariteit is in SPSS
40
getest middels de ‘tolerance’ en ‘VIF’ (Variance Inflation Factor) toets.
Er is sprake van
multicollineariteit indien de waarde van de VIF > 10 is en de waarde van ‘tolerance’ < 0,1. Voor de onafhankelijke variabelen in dit model geldt dat de VIF waarden tussen de 1,0 en 1,3 liggen. De test laat verder zien dat de tolerance waarden niet lager zijn dan 0,1. Op basis van deze uitkomsten kan geconcludeerd worden dat de impact van multicollineariteit op de variabelen in het model beperkt is.
4.4.4
Resultaten regressieanalyse II
Figuur 4.6 – Regressieanalyse II
De R Square is de correlatiecoëfficiënt van de afhankelijke variabele met alle onafhankelijke variabelen tezamen. Deze zogenoemde determinatiecoëfficiënt R Square geeft aan dat door dit model ruim 55% van de variantie van LTV wordt verklaard door de vijf onafhankelijke variabelen. 41
Op basis van het ANOVA overzicht is op te maken dat het model met een betrouwbaarheid van 99,9% significant is. Aan de hand van de toetsingsgrootheid F wordt de nul-hypothese verworpen. In de tabel ‘Coefficients’ zijn de verbanden volgens de Vocht (2002, p. 209) niet significant indien Sig > 0,05.
NIY De coëfficiënt van NIY is significant en positief. Een toename van de Net Initial Yield leidt tot een toename van de LTV. Dit verband is niet consistent met de theoretische verwachting. Immers, een toename van de NIY impliceert een toename van het risico voor kredietverschaffers en hierdoor zullen zij dus minder hoge LTV percentages tolereren. Echter op basis van de observaties in deze dataset blijkt het verband tegengesteld te zijn. Hoofdsom Het verband tussen de hoogte van de hoofdsom en de LTV is negatief en niet significant. Naarmate de omvang van de hoofdsom toeneemt daalt het LTV percentage. Kredietverschaffers zullen dus voor leningen met een relatief grote omvang lagere LTV percentages toestaan. ICR Uit het model blijkt dat de ICR het meest significant samenhangt met de afhankelijke variabele LTV. De onafhankelijke variabele ICR heeft immers de hoogste t-waarde. De coëfficiënt is negatief wat inhoudt dat naarmate de ICR ratio toeneemt, LTV percentages afnemen. Het theoretisch veronderstelde verband is echter tegenovergesteld. Een toename van de ICR zorgt voor een betere betaalcapaciteit op de lening. Vanuit dit oogpunt is het te verwachten dat kredietverschaffers hierdoor juist hogere LTV percentages zouden toestaan. Aan de andere kan een hogere betaalcapaciteit ook duiden op vastgoed met een hogere operationele kasstroom en dus een hogere Net Initial Yield. De lening zal dan als meer riskant gezien worden en kredietverschaffers zullen dan een hogere ICR verlangen. Looptijd De coëfficiënt voor de onafhankelijke variabele looptijd is negatief en niet significant. Naarmate de looptijd langer wordt staan kredietverschaffers lagere LTV percentages toe. Dit verband is in lijn met de bevinding uit regressieanalyse 1 waarin geconcludeerd werd dat riskantere leningen een kortere looptijd hebben. De bevinding sluit ook aan bij de theoretische veronderstelling dat kredietverschaffers voor riskantere leningen, lagere LTV percentages toestaan, gezien het hogere risicoprofiel.
42
Bezetting Het verband tussen de bezettingsgraad van vastgoed en de hoogte van de LTV is negatief en significant. Des te hoger de bezettingsgraad van vastgoed, des te lager zijn de LTV percentages die kredietverschaffers toestaan. Het verband sluit niet aan op de theoretische veronderstelling. Een hogere bezetting impliceert hogere kasstromen en dus minder risico voor kredietverschaffers. Door dit lagere risico zouden kredietverschaffers in theorie dus hogere LTV percentages moeten toestaan. Outliers Door middel van de optie Casewise diagnostics in SPSS worden eventuele outliers nader onderzocht. De Vocht (2002, p. 214-215) geeft aan dat SPSS hiervoor standaard een Zresidual van meer dan 3 standaarddeviaties hanteert. Het is echter beter om 2 standaarddeviaties te hanteren. De uitkomsten zijn als volgt:
Figuur 4.7 – Outliers regressieanalyse II
De grootste outlier is -0,14719, de gestandaardiseerde waarde hierbij bedraagt -1,825. De Vocht (2002, p. 214-215) geeft aan dat cases met zeer grote gestandaardiseerde residuen buiten het model moeten worden gelaten. Dergelijke cases doen zich volgens de auteur voor indien de waarde van de gestandaardiseerde residuen > 5. Geen van de cases heeft in dit geval een gestandaardiseerd residu van meer dan 2. Op basis van dit criterium (>5) is het niet noodzakelijke om cases buiten het model te houden. 4.4.5
Conclusie regressieanalyse II
Uit het model blijken drie van de vijf onafhankelijke variabelen significant van invloed te zijn op de hoogte van het LTV percentage, te weten:
Net Initial Yield: LTV percentages nemen toe naarmate NIY toenemen
Interest Coverage Ratio; LTV percentages nemen af naarmate de ICR toeneemt
Bezetting; LTV percentages nemen af naarmate de bezettingsgraad toeneemt
43
Ook ditmaal blijkt dat de uiteindelijke resultaten van het onderzoek niet het vooraf veronderstelde verband weergeven. Uit het model blijkt dat het verband tussen LTV percentages en Net Initial Yields positief is. Vooraf werd verondersteld dat het verband negatief zou zijn omdat kredietverschaffers lagere LTV’s toestaan naarmate het te financieren vastgoedobject risicovoller wordt, met andere woorden hogere NIY’s hebben.
4.5
Kredietcrisis
4.5.1. Inleiding Na het uitvoeren van de twee regressieanalyses is het vooraf veronderstelde verband tussen de hoogte van de renteopslagen en de hoogte van de LTV percentages middels empirisch onderzoek niet aangetoond. Wellicht dat dan toch het uitbreken van de kredietcrisis een belangrijke invloed heeft op de onderzoeksresultaten. 4.5.2
Data voor en na uitbreken kredietcrisis
Om de impact van de kredietcrisis op de leningvoorwaarden in kaart te brengen is de dataset gesplitst. In de eerste dataset zijn alle gegevens opgenomen voor de leningen die tussen 1999 en 2009 zijn afgesloten. De tweede dataset bevat de gegevens voor de leningen afgesloten tussen 2009 en 2011. In de eerste dataset zijn 56 observaties opgenomen. Omdat de tweede dataset een veel kortere periode behelst bevat deze 13 observaties. 4.5.3
Resultaten splitsen datasets
Een afzonderlijke analyse van de twee datasets leidt to de onderstaande bevindingen:
Renteopslagen De gemiddelde renteopslag in de eerste dataset bedraagt 76 basispunten. Dit is significant lager dan de gemiddelde renteopslag van 184 basispunten in de tweede dataset. Uit de dataset is dus op te maken dat na het uitbreken van de kredietcrisis de gemiddelde renteopslag voor de vastgoedleningen in dit onderzoek met 108 basispunten is toegenomen. De relatieve toename bedraagt in dit geval 142%. LTV percentage Het gemiddelde Loan to Value percentage voor de leningen na het uitbreken van de kredietcrisis bedraagt 56%. Uit de eerste dataset blijkt dat het gemiddelde Loan to Value percentage voor het
44
uitbreken van de kredietcrisis 61% was. Deze uitkomsten geven weer dat kredietverschaffer na het uitbreken van de kredietcrisis lagere LTV percentages zijn gaan toestaan. Net Initial Yields De Net Inital Yields zijn na het uitbreken van de kredietcrisis toegenomen. Dit enerzijds als gevolg van waardedalingen op het onderliggend vastgoed en anderzijds door druk op de operationele kasstromen. Voor het uitbreken van de kredietcrisis bedroeg de gemiddelde Net Initial Yield in de dataset 6.1%. De gemiddelde Net Initial Yield voor de observaties in de periode na 2009 bedraagt 6.4%. Dit impliceert dus een toename van 30 basispunten of 4,9% in de gemiddelde Net Initial Yield. 4.5.4
Inschatting impact kredietcrisis op dataset
De dataset bevat gegevens voor leningen die tussen 1999 en 2011 zijn afgesloten. Dit houdt in dat een deel van de gegevens betrekking heeft op de periode voor het uitbreken van de kredietcrisis en een deel heeft betrekking op de periode na het uitbreken van de kredietcrisis. Wanneer de datasets voor deze twee periodes gesplitst wordt dan kan geconcludeerd worden dat de renteopslagen voor het uitbreken van de kredietcrisis lager waren dan de renteopslagen na het uitbreken van de kredietcrisis. Voor de Loan to Value percentages geldt dat deze voor het uitbreken van de kredietcrisis gemiddeld hoger lager dan de periode daarna. De Net Initial Yields na de kredietcrisis liggen gemiddeld genomen op een hoger niveau dan voor deze periode. Deze conclusies zijn van groot belang op de uitkomsten van de twee regressieanalyses. De combinatie van data uit de periode voor en data uit de periode na het uitbreken van de crisis werken tegen elkaar in. Het is nu interessant om voor beide datasets een correlatiematrix op te stellen om zo de onderlinge verbanden tussen de verschillende variabelen in kaart te brengen. Alvorens over te gaan tot de uitkomsten is het relevant op te merken dat ook ditmaal de normaliteit van de variabelen is getoetst op basis van de in paragraaf 4.2 beschreven methode. Het onderstaande overzicht geeft voor de beide datasets aan welke variabelen normaal verdeeld zijn en welke variabelen niet. Daarnaast is voor de niet normaal verdeelde variabelen aangegeven op welke wijze de transformatie heeft plaatsgevonden.
45
Variabele
Normale
Transformatie
Methode
Variabele
verdeling
Normale
Transformatie
Methode
verdeling
Renteops la g
Nee
Ja
s qrt
Renteops l a g
Nee
Ja
ln
LTV
Nee
Nee
n.v.t.
LTV
Nee
Nee
n.v.t.
Hoofds om
nee
Ja
ln
Hoofds om
ICR
Nee
Ja
s qrt
Looptijd
Nee
Ja
ln
Ja
n.v.t.
n.v.t.
Nee
Ja
ln
NIY Bezetting
Figuur 4.8 – Transformatie variabelen dataset <2009
Nee
Ja
ln
ICR
Ja
n.v.t.
n.v.t.
Loopti jd
Ja
n.v.t.
n.v.t.
NIY
Nee
Ja
s qrt
Bezetti ng
Nee
Ja
ln
Figuur 4.9 – Transformatie variabelen dataset >2009
Correlatiematrix op basis van observaties voor 2009
Figuur 4.10 – Correlatiematrix observaties voor 2009
De correlatiematrix met de gecombineerde data uit paragraaf 4.3 bevatte drie significante verbanden tussen de afhankelijke en onafhankelijke variabele. De correlatiematrix voor observaties afgesloten voor 2009 met daarin opgenomen dezelfde variabelen als in paragraaf 4.3 resulteert in vier significante verbanden. Voor de afhankelijke variabele renteopslag bestaan nu vier significante verbanden met de onafhankelijke variabelen LTV, hoofdsom, ICR en NIY. Wat verder opvalt is dat de variabelen Renteopslag en LTV nu sterker gecorreleerd zijn en dat de correlatie significant is. 46
Correlatiematrix op basis van observaties na 2009
Figuur 4.11 – Correlatiematrix observaties na 2009
De correlatiematrix voor de observaties uit de periode tussen 2009 en 2011 bevat geen significante verbanden tussen de afhankelijke variabele renteopslag en de zes onafhankelijke variabelen. Ook op basis van het aantal observaties is het niet te verwachten dat deze gegevens leiden tot een significante en betrouwbare regressieanalyse. Ook uit deze correlatiematrix blijkt dat de correlatie tussen de Renteopslag en de LTV nu veel positiever is dan in de gecombineerde dataset uit regressieanalyse I.
4.6
Regressieanalyse III
4.6.1
Inleiding regressieanalyse III
Uit de interpretatie van de correlatiematrix voor de verschillende variabelen uit de dataset met observaties uit de periode voor 2009 is naar voren gekomen dat er vier significante verbanden zijn (paragraaf 4.5.4). Middels een derde regressieanalyse wordt onderzocht welke variabelen in de periode tussen 1999 en 2009 van invloed waren op hoogte van de renteopslag. In de regressieanalyse geldt de renteopslag als afhankelijke variabele. De vier onafhankelijke variabelen in 47
dit model zijn het Loan to Value percentage (LTV), de hoofdsom (hoofdsom_Ln), de Interest Coverage Ratio (ICR_Sq) en de Net Initial Yield (NIY). De vergelijking voor dit model is als volgt:
Renteopslag_Ln = A + B1 * LTV + B2 * Hoofdsom_Ln + B3 * ICR_Sq + B4 * NIY
Uit de bovenstaande vergelijking valt op te maken dat in het model meerdere onafhankelijke variabelen worden meegenomen. Daarom is het belangrijk om het model te testen op multicollineariteit. De onafhankelijke variabelen mogen in dit geval onderling niet te sterk correleren. Indien dit wel het geval is dan meten de onafhankelijke variabelen ongeveer hetzelfde en is het niet mogelijk om het effect van iedere variabele afzonderlijk te bepalen. De validiteit van het model komt hierdoor in gevaar. De aanwezigheid van multicollineariteit is in SPSS getest middels de ‘tolerance’ en ‘VIF’ (Variance Inflation Factor) toets. Er is sprake van multicollineariteit indien de waarde van de VIF > 10 is en de waarde van ‘tolerance’ < 0,1. Voor de onafhankelijke variabelen in dit model geldt dat de VIF waarden tussen de 1,0 en 2,2 liggen. De test laat verder zien dat de tolerance waarden niet lager zijn dan 0,1. Op basis van deze uitkomsten kan geconcludeerd worden dat de impact van multicollineariteit op de variabelen in het model beperkt is.
4.6.2
Resultaten regressieanalyse III
48
Figuur 4.12 – Regressieanalyse III
De R Square is de correlatiecoëfficiënt van de afhankelijke variabele met alle onafhankelijke variabelen tezamen. Deze zogenoemde determinatiecoëfficiënt R Square geeft aan dat door dit model ruim 47% van de variantie renteopslag wordt verklaard door de vier onafhankelijke variabelen.
Op basis van het ANOVA overzicht is op te maken dat het model met een betrouwbaarheid van 99,9% significant is. Aan de hand van de toetsingsgrootheid F wordt de nul-hypothese verworpen. In de tabel ‘Coefficients’ zijn de verbanden volgens de Vocht (2002, p. 209) niet significant indien Sig > 0,05. LTV De coëfficiënt van de LTV is in dit model negatief en niet significant. Deze uitkomst toont aan dat het verband tussen de LTV en de renteopslag op basis van deze dataset complex blijft door endogeniteit. Door de datasets te splitsen is de correlatie tussen LTV en renteopslag nu wel positiever geworden. Echter het verband in een meervoudige regressie met daarin opgenomen andere variabelen die van invloed zijn op de hoogte van de renteopslag resulteert in een negatieve coëfficiënt. Hoofdsom De hoofdsom heeft in dit model een negatieve en significante relatie met de renteopslag. Deze uitkomst impliceert dat in de periode 1999 tot met 2008 sprake was van schaalvoordelen welke resulteerden in lagere renteopslagen voor grotere leningen. Het verband is qua richting vergelijkbaar met het verband dat al was gevonden in de gecombineerde dataset. ICR De coëfficiënt van de ICR is significant en negatief. Evenals in het eerste model leidt ook in dit model een toename in de ICR tot een afname van de renteopslag. Naarmate de betaalcapaciteit groter 49
wordt, uitgedrukt in een hogere ICR, zijn kredietverschaffers bereid om een lagere renteopslag te hanteren. NIY Het verband tussen de NIY en de renteopslag is significant en positief. Hogere Net Initial Yields impliceren een hoger risico. Voor dit hogere financieringsrisico willen kredietverschaffers gecompenseerd worden. Deze compensatie uit zich in dit model in hogere renteopslagen op de leningen. Omdat de onafhankelijk variabele LTV niet significant is moet deze buiten de regressievergelijking worden gelaten. Om een optimaal regressiemodel te krijgen wordt de regressieanalyse opnieuw uitgevoerd met ditmaal alleen de significante variabelen, te weten hoofdsom, Interest Coverage Ratio en de Net Initial Yield. De vergelijking voor dit model is als volgt:
Renteopslag_Ln = A + B1 * Hoofdsom_Ln + B2 * ICR_Sq + B3 * NIY
50
Figuur 4.13 – Regressieanalyse III met alleen significante variabelen
De determinatiecoëfficiënt R Square geeft aan dat door dit model ruim 46% van de variantie renteopslag wordt verklaard door de drie onafhankelijke variabelen.
Op basis van het ANOVA overzicht is op te maken dat het model met een betrouwbaarheid van 99,9% significant is. Aan de hand van de toetsingsgrootheid F wordt de nul-hypothese verworpen. In de tabel ‘Coefficients’ zijn de verbanden volgens de Vocht (2002, p. 209) niet significant indien Sig > 0,05.
Outliers Door middel van de optie Casewise diagnostics in SPSS worden eventuele outliers nader onderzocht. De Vocht (2002, p. 214-215) geeft aan dat SPSS hiervoor standaard een Zresidual van meer dan 3 standaarddeviaties hanteert. Het is echter beter om 2 standaarddeviaties te hanteren. De uitkomsten zijn als volgt:
Figuur 4.14 – Outliers regressieanalyse III
De grootste outlier is -1.77812 de gestandaardiseerde waarde hierbij bedraagt -1,765. De Vocht (2002, p. 214-215) geeft aan dat cases met zeer grote gestandaardiseerde residuen buiten het model moeten worden gelaten. Dergelijke cases doen zich volgens de auteur voor indien de waarde van de 51
gestandaardiseerde residuen > 5. Geen van de cases heeft in dit geval een gestandaardiseerd residu van meer dan 2. Op basis van dit criterium (>5) is het niet noodzakelijke om cases buiten het model te houden. 4.6.3
Conclusie regressieanalyse III
Een dataset met daarin opgenomen de lening informatie voor vastgoedleningen afgesloten in de periode tussen 1999 en 2008 (het moment van uitbreken kredietcrisis) leidt tot de volgende conclusies. De positieve correlatie tussen de LTV en renteopslag is sterker dan in de gecombineerde dataset. In de gecombineerde dataset bedroeg de correlatie 0,134, terwijl deze in de dataset met observaties uit de periode 1999-2008 toeneemt tot 0,353. Echter, in een regressieanalyse met meerdere variabelen die van invloed zijn op de hoogte van de renteopslag, is de coëfficiënt voor de LTV negatief en niet significant. Hetgeen wederom de endogeniteit en complexiteit van de variabele LTV bevestigd. De variabelen NIY en ICR hebben in het model de hoogste t-waarden. Dit geeft aan dat deze variabelen het meest significant samenhangen met de hoogte van de renteopslag. Op basis hiervan kan voor deze dataset geconcludeerd worden dat vóór 2009, de hoogte van de renteopslag het meest significant samenhing met: 1. het risico van het onderliggende vastgoed, welke tot uitdrukking komt in de hoogte van de NIY, en 2. de betaalcapaciteit op de te verstrekken lening, welke tot uitdrukking komt in de ICR.
52
5. Conclusies en aanbevelingen 5.1 Inleiding Dit laatste hoofdstuk gaat in op de algemene conclusies en aanbevelingen voor verder onderzoek. De centrale hypothese binnen dit onderzoek is als volgt geformuleerd: “Geldt voor vastgoedleningen binnen private vastgoedfondsen dat het verband tussen de LTV en renteopslag vanaf een bepaald niveau LTV onevenredig toeneemt?”
5.2 Conclusies De centrale hypothese is onderzocht
middels
een meervoudige
regressieanalyse. De
invoervariabelen voor dit regressiemodel zijn afkomstig uit een dataset met daarin informatie over 69 vastgoedleningen afgesloten in de periode 1999-2011. De leninginformatie is verstrekt door 12 private Europese vastgoedfondsen en hebben een totale omvang van € 3,6 miljard.
De onderzoeksresultaten tonen aan dat voor de vastgoedleningen in de dataset het veronderstelde verband tussen de LTV en de renteopslag, en de veronderstelde onevenredige toename vanaf een bepaald niveau LTV niet bevestigd worden. De correlatie tussen de LTV en renteopslag is zwak. Wanneer andere variabelen in het model meegenomen worden blijkt zelfs dat het verband tussen de hoogte van de LTV en de renteopslag negatief is. Dit negatieve verband toont aan dat de relatie tussen de renteopslag en de LTV complex is door endogeniteit bij de keuze voor een bepaald niveau LTV. Ook het uitbreken van de kredietcrisis in de tweede helft van 2008 heeft een impact op de onderzoeksresultaten. De dataset bevat immers informatie van voor- en na het uitbreken van de kredietcrisis. De voorwaarden voor vastgoedleningen zijn echter drastisch veranderd sinds het uitbreken van de kredietcrisis.
Om het effect van de kredietcrisis op de dataset te bepalen is de gecombineerde dataset gesplitst in een dataset met observaties voor het uitbreken van de kredietcrisis (periode 1999-2008) en in een dataset met observaties verkregen na het uitbreken van de kredietcrisis (periode na 2009). Door het splitsen van de datasets is de volgende informatie verkregen:
Als gevolg van de kredietcrisis is de gemiddelde renteopslag voor vastgoedleningen in de dataset met 108 basispunten toegenomen. In de periode 1999-2008 bedroeg de gemiddelde renteopslag 76 basispunten, versus 184 basispunten voor de periode 2009-2011. 53
Het gemiddelde LTV percentage voor vastgoedleningen in de dataset is als gevolg van de kredietcrisis gedaald. In de periode 1999-2008 bedroeg het gemiddelde LTV percentage voor nieuwe vastgoedleningen 61%. Voor de periode na 2009 bedroeg dit percentage 56%.
Als gevolg van waardedalingen op vastgoed na het uitbreken van de kredietcrisis zijn de gemiddelde Net Initial Yields in de dataset met 30 basispunten toegenomen. De gemiddelde Net Intial Yield bedroeg na 2009 6,4%, waar deze nog 6,1% bedroeg in de periode 1999-2008.
De bovenstaande bevindingen geven aan dat in een gecombineerde dataset gegevens van voor en na de kredietcrisis tegen elkaar in bewegen. Hierdoor is het lastig om de veronderstelde verbanden empirisch aan te kunnen tonen. Het is daarom betrouwbaarder om de relatie tussen de LTV en de renteopslag verder te onderzoeken in twee afzonderlijke datasets. De eerste dataset met observaties voor het uitbreken van de kredietcrisis en de tweede met observaties na het uitbreken van de kredietcrisis.
Het aantal observaties in de dataset na het uitbreken van de kredietcrisis is helaas nog te beperkt om een betrouwbare meervoudige regressieanalyse uit te voeren. De onderlinge verbanden tussen de variabelen zijn voor dit model niet significant. Voor de variabelen in de dataset met observaties voor het uitbreken van de kredietcrisis is wel een significant onderzoeksmodel opgesteld. De volgende onafhankelijke variabelen zijn significant gecorreleerd met de renteopslag:
Net Initial Yield (NIY)
Interest Coverage Ratio (ICR)
Loan to Value percentage (LTV)
Omvang van de lening
Voor de vastgoedleningen binnen de dataset hangen de Net Initial Yield en de Interest Coverage Ratio het meeste significant samen met de hoogte van de renteopslag. Dit geeft aan dat vóór 2009, de hoogte van de renteopslagen het meest significant samenhing met het risico op het te financieren vastgoedobject en de betaalcapaciteit op de te verstrekken lening. Zo is de Net Initial Yield een goede weergave voor het risicoprofiel van een vastgoedobject. Vastgoed wordt over het algemeen als risicovoller gezien naarmate de Net Initial Yield toeneemt. Uit het model blijkt renteopslagen toenemen naarmate Net Initial Yields op het onderliggende vastgoed toenemen. De Interest Coverage Ratio is voor kredietverschaffers een goede maatstaf voor de betaalcapaciteit op de vastgoedlening. Naarmate de Interest Coverage Ratio toeneemt, neemt ook de betaalcapaciteit toe.
54
Kredietverschaffers zullen dus gecompenseerd willen worden voor relatief lagere Interest Coverage Ratio’s. Dit zal onder andere terugkomen in hogere renteopslagen. Het verband tussen de renteopslag de Interest Coverage Ratio is dus negatief. Hogere Interest Coverage Ratio leiden dus tot lager renteopslagen. De invloed van Loan to Value percentages en de omvang van de hoofdsom hebben ook geen significante invloed op de hoogte van renteopslagen. De correlatie tussen renteopslagen en LTV percentages is voor de periode 1999-2008 wel positief (0,353). Wanneer echter rekening wordt gehouden met de invloed van andere variabelen in het model dan blijkt het verband tussen LTV percentages en renteopslagen wederom negatief en niet significant. De relatie blijkt eens te meer complex wat wordt beïnvloed door de endogeniteit bij de keuze voor een bepaald niveau LTV. Dit wordt vooral veroorzaakt door een onderhandelingsproces tussen kredietverstrekker en kredietnemer of de leningvoorwaarden. Het verband tussen de omvang van de lening en de renteopslag is negatief. Er is dus sprake van bepaalde schaalvoordelen voor leningen met een grotere omvang, als gevolg hiervan zijn kredietverschaffers bereid om lagere renteopslag te vragen.
5.3 Aanbevelingen De empirische resultaten van dit onderzoek hebben niet geresulteerd in het vooraf veronderstelde verband tussen LTV percentages en renteopslagen voor vastgoedleningen binnen private vastgoedfondsen. Het onderzoek toont aan dat de relatie complex is. Zoals reeds eerder opgemerkt wordt de complexiteit vooral veroorzaakt door endogeniteit bij de keuze voor een bepaald niveau LTV. Door gebruik te maken van een gecombineerde dataset over een historische periode is het niet gelukt om deze endogeniteit nader te verklaren. Wellicht kan het inzicht wel verkregen worden door het aantal observaties in dataset voor de periode na 2009 significant uit te breiden.
Het verband tussen LTV percentages en renteopslagen zou ook onderzocht kunnen worden door verschillende financieringscases op te stellen en deze vervolgens voor te leggen aan kredietverstrekkers. Voor verschillende LTV percentages of LTV ranges kan een kredietverschaffer gevraagd worden een inschatting te geven van de verwachte renteopslagen. Deze methode is echter om meerdere redenen complex. Zo is het erg lastig om een standaard financieringscase op te stellen. Er moet dan eerst een duidelijke keuze gemaakt worden voor een bepaalde regio en daarbinnen moet onderscheid gemaakt worden naar verschillende deelmarkten. Ook het type vastgoed, de kwaliteit van huurders, lengte van huurcontracten etc zijn erg lastig om in een standaard case op te nemen.
55
6.
Bibliografie
Anson, M., S. Hudson-Wilson (2003). Should One Use Leverage in a Private Equity Real Estate Portfolio? The Journal of Portfolio Management, 29, 54-61. Bilt, R.A.M., van der (2011). Investeringsanalyse. College aan de Amsterdam School of Real Estate, 15 December 2010. Sheets. Boyd, J.W., A.J. Ziobrowski, B.J. Ziobrowski en P. Cheng (1998). Leverage and Real Estate Investment in Mixed-Asset Portfolios. Journal of Real Estate Portfolio Management, 4:2, 135-147. Cannaday, R.E., T.T. Yang (1996). Optimal Leverage Strategy: Capital Structure in Real Estate Investments. Journal of Real Estate Finance and Economics, 13, 263-271. INREV Research & Market Information – INREV Style Classification March 2011 INREV Guidelines November 2008 Maris, B.A., W. Segal (2002). Analysis of Yield Spreads on Commercial Mortgage-Backed Securities. Journal of Real Estate Research, 23, 235-251 McDonald, J.F. (1999). Optimal Leverage in Real Estate Investment. Journal of Real Estate Finance and Economics, 18:2, 239-252. Modigliani, F. en M.H. Miller (1958). The cost of capital, corporation finance, and the theory of investment. American Economic Review, 48:3, 261-297 Royal Institution of Chartered Surveyors (2012). RICS Valuations – Professional Standards. Norwich: Page Bros (March 2012). Snellen, J. (2011). Het effect van financiering op kantoorbeleggingen. Afstudeerscriptie, Amsterdan School of Real Estate. Spek, M.R. van der, C. Hoorenman (2011). Leverage, please use responsibly. Journal of Real Estate Portfolio Management, 17, 75-88 Spek, M.R. van der, C. Hoorenman (2008). The Risk of Leverage. INREV Quarterly Research Report on European non-listed real estate vehicles, 18, 7-13. Timan, S., S. Tompaidis, S. Tsyplakov (2005). Determinants of Credit Spreads in Commercial Mortgages. Real estate economics, 33, 711-738. Tyrell, N., J. Bostwick (2005). Leverage in Real Estate Investments: An Optimization Approach. Briefings in real estate finance, 5, 143-154. Vocht, A. de (2002). Basishandboek SPSS 11. Utrecht: Bijleveld Press (Eerste druk).
56
