Hedonisch prijsmodel voor Nederlands winkelvastgoed. Voorspellingen van de huurprijs en het rendement van Nederlandse winkelunits en objecten

Hedonisch prijsmodel voor Nederlands winkelvastgoed Voorspellingen van de huurprijs en het rendement van Nederlandse winkelunits en objecten

H. (Hidde) Tauw 1258117 Real Estate & Housing Faculteit Bouwkunde Technische Universiteit Delft MSc thesis 03/07/2014

Huurprijs en rendement van winkelvastgoed

Auteur N: E1: E2: S/N: A:

T:

H. (Hidde) Tauw [email protected] [email protected] 1258117 Wilhelminastraat 162/2 1054WS Amsterdam +31 6 16 80 46 70

Universiteit Universiteit: Faculteit: Vakgroep: Afstudeerlab: Datum: Versie:

Technische Universiteit Delft Bouwkunde Real Estate & Housing Retail & Leisure Donderdag 03/07/2014 P5

Begeleiders 1ste begeleider: 2de begeleider: Gecommitteerde: Externe begeleiders:

Dr. Ir. D.C. (Dion) Kooijman Drs. P.W. (Philip) Koppels Prof. ir. E.(Erik) Luiten Drs. J. (Joost) de Baaij MSRE R. (Richard) Buytendijk MSRE

(TU Delft, Retail &Leisure) (TU Delft, Building Economics) (TU Delft) (Syntrus Achmea Real Estate & Finance) (Syntrus Achmea Real Estate & Finance)

Titelblad Lego Cities: Amsterdam Keizersgracht/Utrechtsestraat, P. Bosman (01/2013)

2

Hedonisch prijsmodel voor winkelvastgoed

Inhoudsopgave Voorwoord .............................................................................................................................................. 5 1

2

Introductie ....................................................................................................................................... 6 1.1

Aanleiding en doelstelling ....................................................................................................... 6

1.2

Onderzoeksmethode, afbakening, dataverzameling .............................................................. 7

1.3

Relevantie, uniciteit en de onderzoekspraktijk ....................................................................... 7

1.4

Praktijkdoel.............................................................................................................................. 8

1.5

Onderzoeksvragen................................................................................................................... 9

1.6

Conceptueel model en context ............................................................................................... 9

Kenmerken van de winkelvastgoedmarkt ..................................................................................... 11 2.1

2.1.1

Winkelgebieden en locaties .......................................................................................... 13

2.1.2

Huurprijs ........................................................................................................................ 13

2.1.3

Huurprijsherziening ....................................................................................................... 14

2.2

Institutionele beleggers ................................................................................................. 14

2.2.2

De relatie tussen de belegger en de retailer ................................................................. 15

2.2.3

Beleggingsresultaat ....................................................................................................... 16

2.2.4

Beleggingsrisico en beleggingsstijlen ............................................................................ 17

2.2.5

Analyseproces van winkelvastgoedbeleggers ............................................................... 18

2.2.6

Recente ontwikkelingen ................................................................................................ 18

Quantitatief onderzoek naar Nederlandse consumenten .................................................... 19

2.3.1

Consumentenbeleving................................................................................................... 19

2.3.2

Bezoekgedrag en bestedingen ...................................................................................... 20

2.4

4

Winkelvastgoedbeleggingen ................................................................................................. 14

2.2.1

2.3

3

Markt ..................................................................................................................................... 11

Conclusie ............................................................................................................................... 21

Huurprijsverklarende variabelen ................................................................................................... 22 3.1

Introductie ............................................................................................................................. 22

3.2

Huurprijsverklarende studies ................................................................................................ 23

3.3

Conclusie ............................................................................................................................... 29

Methodologie ................................................................................................................................ 32 4.1

Selectie winkelobjecten: onderzoeksveld. ............................................................................ 32

4.2

Dataverantwoording, koppeling, beschrijving variabelen en bewerking.............................. 33

4.2.1 4.3

Data: ROZ/IPD, Experian en Locatus ............................................................................. 33

Koppeling datasets ................................................................................................................ 34

Tauw, H.

3


5

6

7

8

4.4

Variabelenbeschrijving met verwachte relaties .................................................................... 35

4.5

Testen van assumpties en databewerking ............................................................................ 41

4.5.1

Assumptie van normaliteit ............................................................................................ 41

4.5.2

Bewerking variabelen .................................................................................................... 41

4.5.3

Assumptie van lineariteit............................................................................................... 42

4.5.4

Transformatie in dummy variabelen ............................................................................. 42

4.5.5

Multicollineariteit .......................................................................................................... 43

4.5.6

Construeren van het huurprijsmodel ............................................................................ 43

4.5.7

Assumptie van homoscedasticiteit ................................................................................ 44

4.5.8

Winkelvastgoed huurprijsindex ..................................................................................... 46

4.6

Beschrijvende statistiek......................................................................................................... 47

4.7

Conclusie ............................................................................................................................... 47

Empirische resultaten.................................................................................................................... 49 5.1

De relatie tussen dummy-variabelen en de huurprijs ........................................................... 49

5.2

Relatie tussen de continue variabelen en de huurprijs......................................................... 53

Huurprijsmodel.............................................................................................................................. 56 6.1

Beschrijving model ................................................................................................................ 56

6.2

Resultaten huurprijsmodel .................................................................................................... 57

Rendementsmodel ........................................................................................................................ 63 7.1

Beschrijving rendementsmodel............................................................................................. 63

7.2

Eindmodel rendement: resultaten ........................................................................................ 64

Conclusies ...................................................................................................................................... 66 8.1

9

Huurprijsmodel en rendementsmodel .................................................................................. 66

Discussie en aanbevelingen........................................................................................................... 69 9.1

Aanbevelingen voor de bestaande literatuur ....................................................................... 69

9.2

Aanbevelingen voor de Nederlandse vastgoedwereld ......................................................... 71

Bronvermelding ..................................................................................................................................... 73 Bijlagen .................................................................................................................................................. 78

4


Voorwoord Voor u ligt het P5 rapport als product van mijn afstudeeronderzoek binnen de Master Real Estate & Housing aan de Technische Universiteit Delft. In de specialisatie is gekozen voor het laboratorium Retail & Leisure welke aangevoerd wordt door de eerste begeleider van deze thesis: Dr. Ir. D.C. Kooijman. Het onderzoek heeft een groot raakvlak met de financieel-economische prestatie van vastgoed, waarvoor drs. P.W. Koppels, van de sectie Building Economics, betrokken is als tweede begeleider. Dit afstudeeronderzoek wordt uitgevoerd binnen de organisatie Syntrus Achmea Real Estate & Finance (SARE&F) bij de Research & Strategy afdeling te Amsterdam. De afstudeerperiode loopt van 1 november 2013 t/m 1 juli 2014. Mijn interne begeleider binnen dit afstudeerbedrijf is de senior onderzoeksanalist drs. J. de Baaij MSRE. Het afstudeerbedrijf beheert het vermogen van ongeveer 40 institutionele opdrachtgevers en is onder andere asset manager van het Achmea Dutch Retail Property Fund. Dit winkelvastgoedfonds heeft een grootte van ongeveer 650 miljoen euro in 69 objecten. Daarnaast is SARE&F beheerder van discretionaire portefeuilles, wat het totaal aan winkelvastgoedobjecten brengt tot een geheel van ongeveer 400 objecten met een totale kapitaalswaarde van bijna 2,4 miljard euro. In dit rapport wordt de zoektocht naar de verklaringen voor de huurprijs van een winkelunit en het rendement van een winkelobject beschreven met alle achtergronden. Het combineren van reeds onderzochte en nieuwe data van verschillende bedrijven heeft geresulteerd in dataset met 1011 winkels waaruit 2 modellen zijn voortgekomen. Ik wens u veel leesplezier en verwijs voor het dankwoord graag naar bijlage 1. Amsterdam, Juni 2014. Hidde Tauw

Tauw, H.

5


1 1.1

Introductie Aanleiding en doelstelling

Al sinds 1951 meet het Centraal Bureau voor de Statistiek (CBS) het aantal faillissementen in Nederland, en nog nooit lag dit aantal zo hoog als in 2013. Met een totaal van 12.306 bedrijven lag dit 10% hoger dan in het jaar ervoor. De problemen zijn het grootst in de handel; waar de detailhandel onder valt. In combinatie met een bouwsector, die tevens hard getroffen is, heeft dit een enorme impact op commerciële vastgoedmarkten. De problemen zijn groot; de leegstand van winkels loopt op tot bijna 9 procent en kantoren bijna 16 procent (PBL, 2014). Ook de aanvangs- en frictieleegstand van winkels (leegstand minder dan een jaar) neemt toe. Van de nieuwe winkels wordt 20 procent leeg opgeleverd. Aangezien winkelen kantorenmarkten hoofdzakelijk beleggingsmarkten zijn, hebben die problemen op die markten ook effect op beleggers, waaronder verzekeringsmaatschappijen en pensioenfondsen. Zoals de publicatie van PBL en ASRE uiteen zet, zouden ontwikkelaars, gemeenten en beleggers de risico’s onderschat hebben. Als oorzaak hiervoor wordt onder andere genoemd dat de risico’s moeilijk in te schatten zijn, er een neiging is tot stedenbouwkundig wensdenken, er een neiging is om zich te baseren op de financieel-economische situatie uit het verleden en de eindgebruiker vaak buiten beeld blijft (PBL&ASRE, 2013: 10). Nog recenter nieuws van ROZ/IPD, gebaseerd op de ramingen van het CPB in kwartaal 1, meldt dat de diepe recessie de vastgoedmarkt hard geraakt heeft. Het afwaarderen van winkels zal nog even doorgaan, ondank dat het voorzichtige herstel van de economie en de lage rente het vertrouwen in de markt lijkt aan te wakkeren. De consumentenbestedingen dalen sinds medio 2011 onafgebroken in reële termen en deze krimp houdt volgens het CPB in 2014 aan. Daling van de markthuren moet volgens IPD Nederland zelfs nog op gang komen, en zij voorzien een langjarige daling. De aanpassingen gaan inmiddels zo snel, dat er niet meer tijdig afscheid kan worden genomen van locaties, die zich minder goed ontwikkelen (IPD, 2014). De verkoop van winkellocaties blijft moeizaam verlopen én tegen dalende prijzen, het gevolg is dat er sneller en meer verlies moet worden genomen bij het herstructureren van portefeuilles. Volgens IPD moet de komende jaren gerekend worden op oplopende leegstand, lagere huurniveau’s en voortgaande afwaarderingen. Alleen de beste locaties ontsnappen hieraan (IPD, 2014). Leegstand was in de publicatie van PBL uiteraard een aanleiding tot hun rapport, maar leegstand blijft het gevolg van een ontwikkeling in de markt. Een gevolg van verschillen tussen locaties, waardoor de ene winkel wel leeg staat en de andere niet. Waarom er voor de ene winkel een hogere huurprijs kan worden gevraagd dan voor de andere, wat zijn de beste locaties die mogelijk de dans ontspringen? De publicaties van IPD, PBL en ASRE, de zorgwekkende situatie op de winkelvastgoedmarkt, dalende consumentenbestedingen en een dunne vertegenwoordiging van kwantitatieve winkelvastgoedonderzoeken gaf dan ook aanleiding tot deze thesis. De kerndoelstelling van dit onderzoek gaat in op dit vraagstuk, welke op te splitsen in twee delen. Allereerst wordt op zoek gegaan naar de confirmatie en bekrachtiging van variabelen die in de literatuur worden aangemerkt als huurprijsdeterminanten van winkelvastgoed. Hieruit moet duidelijk worden met welke redenen winkels van elkaar verschillen. Ten tweede wordt er onderbouwd welke variabelen aan deze collectie worden toegevoegd. Hiermee wordt gepoogd om meer verklaringen te

6


kunnen geven voor de verschillen tussen huurprijzen van winkels. Beide doelen gecombineerd, streven ernaar om een hoge verklaarde variantie te behalen, waarmee de huurprijs van een winkelunit zoveel mogelijk inhoudelijk wordt verklaard. Daarbij wordt tevens een verkenning gedaan naar de verklaring voor het totale rendement van de winkelvastgoedbelegging. De maximaal te bereiken waarde die behaald kan worden voor de verklaarde variantie is 100%. Deze is ruwweg te splitsen in drie delen: een deel dat verklaard wordt, een deel dat men nog kan verklaren en een deel dat onverklaarbaar is. Het laatste, onverklaarbare deel komt tot stand doordat menselijke gedragingen en sociale structuren een random component kennen, wat de verklaring onmogelijk maakt (Kalmijn & Kraaykamp, 1999).

1.2

Onderzoeksmethode, afbakening, dataverzameling

De gegevens van de totale collectie aan factoren wordt verzameld in een twee onderzoeksmodellen, een huurprijsmodel en een rendementsmodel. Wanneer men een (huur)prijs van een marktgoed wil verklaren, wordt dit in de methodologie een hedonisch prijsmodel genoemd. Een van de outputvariabelen van dat model is de R2(R squared). Dit getal geeft aan in hoeverre de verschillen in huurprijs kunnen worden toegeschreven aan individuele verschillen in de achterliggende collectie aan variabelen. De totale populatie aan huurprijzen van winkelunits in Nederland wordt in deze studie afgebakend door een steekproef uit verschillende datasets. Deze datasets bevatten gegevensverzamelingen, met elk hun eigen karakter en zijn afkomstig van verschillende bedrijven. De eerste dataset is die van institutionele vastgoedbelegger Syntrus Achmea Real Estate & Finance (SARE&F). SARE&F is Dit bedrijf heeft gegevensverzamelingen van specifieke vastgoedobjecten, die tot op het winkelunitniveau gespecificeerd zijn . Een andere dataset in dit onderzoek is die van Locatus. Zij beheren een nationale databank waarin data opgenomen is over winkels, de bijbehorende winkeliers, winkelgebieden en consumenten. Het unieke van deze dataset is dat deze voor een groot deel bestaat uit registratiedata, met daadwerkelijke observaties in plaats van gemodelleerde data. Om deze dataverzamelingen gecombineerd te kunnen gebruiken in een model moeten deze op elkaar afgestemd en aangesloten worden. Hoe dit gedaan is, wordt in het hoofdstuk methodologie behandeld. Er zijn eerder hedonische prijsstudies gedaan met data van Locatus, maar de koppeling aan de winkelvastgoeddata van Syntrus Achmea en consumentendata van Experian is nog niet eerder gemaakt. Het is juist deze koppeling welke het mogelijk maakt te onderzoeken, of 1: dezelfde verbanden worden gevonden als in voorgaande studies, en 2: nieuwe verbanden kunnen worden gevonden.

1.3

Relevantie, uniciteit en de onderzoekspraktijk

Tot op heden is er met de winkelvastgoed dataset van SARE&F nog geen hedonische prijsstudie gemaakt waarin de huurprijs wordt verklaard met object- markt- locatie- of consument-gerelateerde variabelen. Om die reden is het relevant om na te gaan of deze steekproef overeenkomstig is met bevindingen uit de literatuur. Deze studie wijkt in essentie af van voorgaande studies door welk type huurprijs en welk type vastgoed wordt onderzocht. Onderzoeken die in het verleden zijn uitgevoerd verklaren in de regel de gemiddelde huurprijzen per winkelcentrum, enkel de ‘tophuurprijzen’ van een gebied, modelhuurprijzen of de huurprijs die wordt berekend voor een ‘standaard winkelunit’.

Tauw, H.

7


Dit onderzoek onderscheidt zich door daadwerkelijk gerealiseerde contracthuurprijzen per individuele winkelunit te onderzoeken. Daarnaast onderscheidt het zich door het type vastgoed wat wordt onderzocht. Andere studies doen in de regel onderzoek doen naar een specifiek afgebakend onderdeel van de markt. Zo een onderdeel kan een specifiek type winkelgebied zijn, van gelijke schaalgrootte, ten behoeve van onderlinge vergelijkbaarheid. Dit onderzoek betreft alle winkelgebiedstypen met een geografische spreiding over heel Nederland. Buitenlandse studies geven aan dat hedonische prijsanalyses van winkelvastgoed nog steeds onderontwikkeld zijn wanneer dit vergeleken wordt met andere sectoren als de woningmarkt en de kantorenmarkt (Nase et. al., 2012: 160, des Rosiers et. al., 2005: 295). In de praktijk hebben onderzoekers moeite om de vereiste data te verzamelen. Dit feit wordt toegeschreven aan de vertrouwelijkheid van retailtransacties. Ook in Nederland zijn dit type studies vrij zeldzaam. Daarbij komt dat de Nederlandse vastgoedmarkt vrij klein is in vergelijking tot de markten die onderzocht worden in bijvoorbeeld Amerikaanse studies. De praktische implicatie hiervan is dat de statistische toetsen navenant kleiner zijn en grote datasets (benodigd voor dit type onderzoek) schaars zijn. Er is getracht om in deze studie een eenduidig beeld te schetsen van onderling min of meer vergelijkbare studies, om dit in het juiste theoretische kader te plaatsen.

1.4

Praktijkdoel

Een praktijkgericht doel van deze studie is dat het een bijdrage levert aan de werkzaamheden van een institutionele belegger. De validatie van externe data zoals die van Locatus kan de betrouwbaarheid, toepasbaarheid en operationele hanteerbaarheid hiervan vergroten. Mochten de variabelen een significante relatie hebben met de prestatie van het vastgoed, dan is dit van grote waarde. Voor een belegger is het essentieel om een selectie te kunnen maken uit alle mogelijke acquisitie en dispositie-mogelijkheden. Het analyseren van winkelgebieden heeft een pluriform karakter waardoor winkelvastgoedbeleggers met veel actoren en variabelen rekening dienen te houden. Door te onderzoeken welke variabelen steekhoudend zijn biedt dit handvatten waarmee beslissingen onderbouwd kunnen worden. Naar gelang de wensen van de belegger kunnen er bijvoorbeeld winkels geselecteerd worden die stabiel presteren of juist potentie hebben om beter te presteren in de toekomst. Dit is afhankelijk van het risicoprofiel van de belegger, waarin het minimaliseren van leegstandrisico een voorname taak is. Zeker in een tijd waarin er voor retailers ruim keus is in de markt voor winkelvastgoed, met hoge leegstandspercentages, is de kwantitatieve en kwalitatieve onderbouwing van het behouden, verkopen of kopen van vastgoed essentieel. Retail is een snel ontwikkelende industrie en met een inert product als vastgoed is een lacune tussen de vraag en het aanbod goed mogelijk. In de ideale markt zou een winkelgebied in voortdurende afstemming zijn met de karakteristieken van de lokale marktvraag vanuit het verzorgingsgebied en het winkelaanbod en -vastgoed hierop afstemmen. De vraag rijst dan welke variabelen ‘bewezen’ en ‘meetbare’ invloed hebben op het succes van een winkelgebied. In theorie zou het zo moeten zijn dan hoge bestedingen van consumenten leidt tot een goede ‘gezondheid’ van zittende huurders, waar een goede financiële vastgoedexploitatie van het centrum uit voortkomt. Deze financiële exploitatie is meetbaar in de huurprijs en het rendement, welke in deze studie nader worden onderzocht.

8


1.5

Onderzoeksvragen

Het eerste deel van deze studie focust op de achtergrond van de winkelvastgoedmarkt waarin dit is geschreven. Hierin wordt een overzicht gegeven van hoe de ruimtemarkt voor winkels zich heeft ontwikkeld, wat beleggen in vastgoed inhoudt en de stand van zaken bij de belangrijke actoren: de (institutionele) belegger, de retailer en de consument. Met name de topische vragen (wie, wat, waarom) komen hier aan bod. De twee te verklaren variabelen in deze studie, de huurprijs van winkelunits en het rendement van winkelobjecten, worden hier samengevat als de ‘beleggingsprestatie’, en deze aanmerking wordt dan ook als zodanig gebruikt in de vraagstelling. De vraagstelling voor het onderzoek luidt vervolgens; Op basis van welke variabelen is de beleggingsprestatie van Nederlands winkelvastgoed te voorspellen? De centrale vraag wordt opgesplitst met de de volgende onderzoeksvragen die terloops aan bod zullen komen: 1. Wat zijn de kenmerken van de hedendaagse winkelvastgoedmarkt ? 2. Wat kenmerkt de beleggingsprestatie? 3. Wat zijn de bekende huurprijsdeterminanten van winkelcentra? 4. Welke data en methoden worden er gebruikt om de invloed van de geselecteerde variabelen op de beleggingsprestatie te onderzoeken? De onderzoekseenheden zijn 301 geselecteerde winkelvastgoed beleggingsobjecten uit de winkelvastgoedportefeuille van SARE&F. Die 301 objecten bevatten 1011 winkels die op winkelunitniveau onderzocht worden. De gebruikte voorkeurscriteria van die selectie aan objecten en units worden in H. 4.1 beschreven. Linaire multiple regressieanalyses zijn gebruikt om een hedonisch prijsmodel te schatten welke een samengestelde collectie van variabelen gebruikt. Deze methodiek wordt verder uitgelegd in hoofdstuk 4. De collectie aan variabelen die is samengesteld voor dit onderzoek en welke relatie verwacht wordt met de beleggingsprestatie wordt beschreven in paragraaf 4.4. Deelvraag 1 en 2 worden beantwoord in hoofdstuk 2, deelvraag 3 en 4 in hoofdstuk 3 en de hoofdvraag wordt beantwoord in hoofdstuk 8.

1.6

Conceptueel model en context

In figuur 1 is het conceptueel model afgebeeld. Hierin staan de variabelen die zijn verzameld voor deze studie. In deze figuur staan de variabelen die de huurprijs van een winkelunit en het rendement van een winkelobject kunnen verklaren. Deze variabelen zijn onder te verdelen in 4 typen: Marktvariabelen, Locatievariabelen, Consument aantrekkingskracht en imago variabelen en Ontwerp & Gebouwkenmerken, zoals weergegeven in figuur 2.

Tauw, H.

9


Figuur 1: Conceptueel model

Figuur 2: Contextmodellen

10


2

Kenmerken van de winkelvastgoedmarkt

In dit hoofdstuk wordt de winkelvastgoedmarkt behandeld, waar in de eerste paragraaf gestart wordt met de ruimtemarkt. In de tweede paragraaf wordt de positie van de belegger in dit spectrum besproken, hoe de beleggingsprestatie wordt gemeten en komt ook de relatie met de retailer aan bod. In de derde paragraaf wordt een korte verkenning gedaan naar kwantitatief onderzoek op het consumentenvlak.

2.1

Markt

In deze paragraaf wordt de ruimtemarkt voor winkels behandeld. Centaal hierin staat de vraag, het aanbod en de (huur)prijs van winkelruimte. In Figuur 3 3 en figuur 4 wordt de voorraad(ontwikkeling) en leegstand van winkelpanden weergegeven. Zoals in figuur 3 te zien is, heeft Nederland in totaal 30 miljoen vierkante meters aan winkelvloeroppervlak (WVO). Deze winkelvoorraad is tussen 2004 en 2014 gestaag toegenomen, in totaal met bijna 4 miljoen vierkante meter WVO. Er zijn lange tijd veel vierkante meters toegevoegd en aanzienlijk minder onttrokken. De laatste jaren liggen de toevoegingen en de onttrekkingen dichter bij elkaar (PBL & ASRE, 2013), zoals te zien is in figuur 3 Sinds 2010 is er een duidelijke trend waarneembaar van leegstandstoename richting 7,8% in 2013, en zelfs richting 9% in 2014 (PBL, 2014). De verwachting is dat ongeveer een derde hiervan aanvangs- of frictieleegstand (maximaal één jaar leeg) betreft en het andere deel bestaat uit langdurige leegstand (tussen één en drie jaar) en structurele leegstand (drie of meer achtereenvolgende jaren). De leegstand doet zich voor met duidelijke ruimtelijke verschillen. Anders dan in de kantorenmarkt, waar de leegstand zich concentreert in de Randstad, doet de winkelleegstand zich juist voor in ‘klassieke krimpregios´ zoals Zeeland, het zuiden van Limburg en noord-oost Groningen (zie Figuur 5). Figuur 3: Voorraad winkels. Bron: Locatus, bewerking PBL.

Tauw, H.

11


Figuur 4: Leegstand oppervlakte winkels, bron: Locatus, bewerking PBL.

Figuur 5: Aandeel leegstand vloeroppervlakte winkels per gemeente, 2013. Bron: Locatus, bewerking PBL.

12


2.1.1

Winkelgebieden en locaties

Nederland telt ruim 106.000 fysieke winkels (HBD, 2012). De trend is dat dit aantal elk jaar licht afneemt en dat het totale winkelvloeroppervlak licht toe neemt. Het gemiddelde winkelvloeroppervlak is 262 vierkante meter. In 2005 was dit nog 228 vierkante meter (HBD, 2012). Winkels worden gecategoriseerd naar type winkelgebied. Dit wordt de winkelgebiedsindeling of het winkelsegment genoemd. Deze indeling vormt het winkellandschap tot een min of meer hierarchisch geheel. In de kern is er een tweedeling tussen centrale en ondersteunende winkelgebieden. Centrale winkelgebieden zijn meestal de binnensteden van een stad, die bij kleinere steden hoofdwinkelgebieden worden genoemd. Bij de dorpen en andere kernen worden dit kernverzorgende centra genoemd, die in hun eigen gebied als centraal aan te merken zijn. Vervolgens zijn er winkelgebieden die niet het eerste ‘hoofdcentrum’ zijn in hun gebied en in zekere mate ‘ondersteunend’ zijn aan het centrale winkelgebied. Dit is in rangorde uit te specificeren in een ‘binnenstedelijke winkelstraat’, een ‘stadsdeelcentrum’, een ‘wijkcentrum’en een ‘buurtcentrum’. Een stadsdeel is in deze definitie een verzameling wijken en een wijk is een verzameling buurten. Naast de ordening van winkelgebiedstypen zijn er ook verschillen in de invulling. Hiermee wordt de branchering bedoeld welke in grote mate het koopmotief van een consument bepaald. Centrale winkelgebieden hebben de aantrekkingskracht om in de branchering de focus te leggen op dagelijkse, maar ook niet-dagelijkse goederen en een groot aantal winkels. Consumenten bezoeken deze gebieden voor de niet-dagelijkse aankopen, en zien dit als een vorm van vrijetijdsbesteding (‘funshoppen’). Aan de andere kant van het spectrum worden de dagelijkse boodschappen vaker in de buurt gekocht. De centra die voor deze activiteiten worden bezocht zijn in oplopende in grootte; het buurtcentrum, wijkcentrum en het stadsdeelcentrum. Allen zijn ondersteunende winkelgebieden. Deze centra hebben een sterke orientatie op de ‘boodschappenfunctie’ en met name het buurten wijkcentrum zijn meer gericht op ‘runshoppen’; een snelle vorm van functioneel winkelen. Binnen alle typen winkelgebieden wordt vervolgens per locatie een nog verfijnder onderscheid gemaakt met de standplaatskwaliteit. Dit is een indeling in A1, A2, B1, B2 en C-locaties, die wordt gemeten door de relatieve intensiteit van de passantenstromen in kaart te brengen. Op die manier lopen 75%-100% van de passanten op een A1 locatie, 50-75% op A2, 25-50% op B1, 10-25% op B2 en tot 10% op C-locaties (Nozeman et. al., 2013: 98).

2.1.2

Huurprijs

In Figuur 6 is weergegeven wat de benchmark is voor wat betreft de kale huur per vierkante meter en de open markthuurwaarde per winkelgebiedstype. Deze data is verzameld door agglomeratie van alle participerende institutionele vastgoedbeleggers aan de ROZ/IPD en mag als een accurate afspiegeling worden gezien van wat het huurprijsniveau in Nederland momenteel is. Er is een duidelijk verschil zichtbaar tussen de binnenstad en winkels in het stadsdeelcentrum, een middendeel met vrijwel overeenkomstige gemiddelden en de kleine wijk en buurtcentra / PDF/GDV locaties. De gemiddelde kale (contract)huurprijs (over alle segmenten) is € 201,20; met 265,30 is de binnenstad koploper in huurprijsniveau en PDV/GDV sluit af met 99,9 euro. Het verschil in huurprijs tussen de winkelgebiedstypen in het middendeel van de figuur is mogelijk niet zo groot.

Tauw, H.

13


Figuur 6: Inkomenskarakteristieken direct vastgoed standing investments, bewerkt uit: IPD/ROZ Winkel Benchmark, december 2013.

2.1.3

Huurprijsherziening

In winkelvastgoed is het steeds gebruikelijker dat huurders tussentijds of bij verlenging van een contract een huurprijsherziening aanvragen. De huur wordt dan mogelijk opnieuw vastgesteld op basis van meestal vijf vergelijkbare panden in de omgeving. Hierbij wordt een referentieperiode van 5 jaar gehanteerd. Zo is de huurder in een opwaarts bewegende huurmarkt beschermd tegen onredelijk stijgende huurprijzen (NRW, 2014). Een landelijke waarderingsmethodiek ontbreekt echter om de herzieningshuur vast te stellen, ‘dat is nu een grote wirwar aan lokale methodieken en subjectieve benaderingswijzen’(NRW,2014). In dit proces wordt de gang naar de rechter niet zelden gemaakt, en het gevolg is dat er een winkelhuurprijs wordt gerealiseerd die is gebaseerd op de herzieningshuren volgens artikel 7:303BW. Bij een dispuut over de huurprijs hebben beide partijen (huurder en verhuurder) advies ingewonnen bij een ter zake deskundige en wordt gezamenlijk een adviesprijs vastgesteld. Met deze wetenschap is het mogelijk dat een huurprijs niet tot stand is gekomen door een minnelijke overeenstemming tussen twee partijen. De huurprijs wordt als het ware beinvloed door externe factoren (referentiehuurprijzen) die het schatten van de efficiente gerealiseerde huurprijs onmogelijk maakt. De huurprijsherziening maakt dus in essentie onderdeel uit van het onverklaarbare deel van de variantie (zoals beschreven in paragraaf 1.1) waar geen variabele voor beschikbaar is.

2.2

Winkelvastgoedbeleggingen

2.2.1 Institutionele beleggers Institutionele beleggers zijn in Nederland verreweg de grootste partij in beheerd vermogen, welke gealloceerd is in vastgoed en de belangrijkste verhuurder van commercieel onroerend goed. Onder institutionele beleggers worden de pensioenfondsen, verzekeraars en beleggingsinstellingen gerekend. Het vermogen (assets under management) aan vastgoedbeleggingen had in 2012 een totaalvolume van 168 miljard euro (CBS Statline 2012). Hiervan wordt 44,7 miljard belegd in direct

14


vastgoed en 123,3 miljard indirect vastgoed. Tot direct vastgoed wordt het onroerend goed gerekend waarover de instelling zeggenschap heeft. Indirect vastgoed bestaat uit minderheidsaandelen in zowel Nederlandse als buitenlandse vastgoedbeleggingsinstellingen.

2.2.2 De relatie tussen de belegger en de retailer De huidige relatie tussen de belegger en de retailer is een huurrelatie, die ten eerste is vormgegeven door middel van een huurovereenkomst. De omgeving waarin beide partijen opereren is het winkelcentrum. Het winkelcentrum vormt de setting waarbinnen de retailer zijn winkel exploiteert en de consument winkelt (Sybertsma, 2011:4). Het eigendom van het winkelcentrum en het management zijn in handen van de belegger. Het management van de belegger kan deze omgeving door middel van sturing en controle beïnvloeden en levert daarmee in principe een bijdrage aan de omzet van de retailer. De onmogelijkheid van juist management of het nalaten daarvan kan negatieve gevolgen hebben. Dit wordt door BNP Paribas weergegeven in het schema van figuur 7; de betaalbaarheid van de huur door de retailer kan dalen wat uiteindelijk een achteruitgang van het winkelgebied kan veroorzaken. Figuur 7: Het Retail Domino Effect, vertaald en bewerkt uit: BNP Paribas Real Estate

Dit laat zien dat ook indirect, beleggers betrokken zijn bij de consument. De belangrijkste indirecte relatie tussen de consument en de belegger zijn de uitgaven van de consument. Dit bepaalt namelijk de omzet van de retailer, wat de waarschijnlijkheid verhoogt dat de huur betaald kan worden aan de belegger en het rendement van de belegger beinvloedt. Uiteraard is dit indirect ook van invloed op de leegstand van winkelvastgoed. Figuur 8: Overzicht relaties winkelvastgoed

Unibail-Rodamco, een van de grootste beursgenoteerde beleggers in regionaal dominante winkelcentra ter wereld, verwoordt de relatie met de huurder op de volgende manier: Òutperformance is not about receiving the highest rent, but is creating value for the tenant as well

Tauw, H.

15


as the landlord´ (Kempen Capital Management, 2012). Hieruit komt naar voren dat waardecreatie in retail niet per definitie een financieel begrip is maar een bredere toepassing kent.

2.2.3

Beleggingsresultaat

We spreken van beleggen wanneer we geld uitzetten tegenover een financiële vergoeding. De bedoeling ervan is om hieruit inkomsten en eventueel vermogensopbouw te verwerven (Nozeman et. al., 2013: 228). Beleggen in onroerend goed definiëren van Gool et. al. (2007:20) als ‘het vastleggen van vermogen in vastgoed, direct danwel indirect, met het doel om uit de exploitatie van het vastgoed en de eventuele verkoop een stroom geldelijke opbrengsten te realisereren’. Hierbij moet bedacht worden dat beleggen het nemen van beslissingen is onder onzekere omstandigheden. Er wordt immers een bedrag geinvesteerd in ruil voor een onzeker bedrag in de toekomst. Deze onzekerheid is het verschil tussen beleggen en sparen en maakt dat er bij vastgoedbeleggingen naar gestreeft dient te worden dat de geldelijke opbrengst hoger ligt dan wanneer het vermogen in een spaarproduct is vastgelegd (Nozeman et. al., 2013:228). Een manier om dit risico te minimaliseren is om sectorale en geografische spreidingen aan te brengen. Die spreiding kan zowel in de breedte als in de diepte gaan: met verschillende vastgoedmarkten, verschillende soorten onroerend goed, over verschillende objecten (klein, groot, nieuw, oud, single tenant, multi tenant)) over verschillende eigendomssituaties (wel of geen erfpacht) over huurders uit verschillende sectoren, over verschillende contractlooptijden, enzovoort (van Gool et.al., 2007: 53). Het inschatten van deze risico’s is een strategisch vraagstuk waar beleggers hun eigen invulling aan geven. Iedere belegger heeft hierdoor ook een eigen focus qua risico en rendement met veschillende beleggingsprofielen en beleggingsmarktposities. Het rendement is dus een vergoeding voor het risico wat een belegger loopt; een hoger risico zou een hoger rendement moeten betekenen. Iedere belegger zal periodiek de resultaten van zijn belegging meten (een zogeheten performancemeting). Het gaat daarbij niet alleen om de opbrengsten in euro’s, zoals die komen in de resultatenrekening, maar ook de rendementen, waarbij het dan gaat om resultaten over een bepaalde periode uitgedrukt als een percentage van het geïnvesteerde vermogen (van Gool et. al., 2007:55). De resultatenrekening van vastgoedbedrijven gaat uit van de in beginsel te realiseren brutohuuropbrengsten, waarna in mindering wordt gebracht de eventuele huurderving, de exploitatiekosten, de kosten van vreemd vermogen, de bedrijfslasten (kosten eigen / externe managementapparaat) en eventuele belastingen. Dan resulteert het direct beleggingsresultaat, en het meten hiervan levert in de praktijk niet al te veel problemen op. Het indirect beleggingsresultaat, welke bestaat uit de waardeverandering van het onroerend goed, alsmede eventuele valutaresultaten, levert dit wel op. De reden is dat er bij periodiek waarderen (taxeren) veel komt kijken. De waardebegrippen zijn niet altijd consciëntieus, en de methode voor waardebepaling is ook niet altijd overeenkomstig met die van andere taxaties (van Gool et. al., 2007). Echter, de ROZ/IPD heeft taxatierichtlijnen voorgeschreven die gevolgd dienen te worden en de kwaliteit van de data, gebruikt in deze studie, waarborgt. De definitie voor de beleggingsprestatie bestaat in deze studie, zoals omschreven in van Gool et. al. uit de bruto huuropbrengsten en het totaalrendement van het onderliggende vastgoed. Waarvoor de onderstaande (deel)definities worden aangehouden:

16


De bruto huuropbrengsten zijn de gefactureerde huren gedurende het kalenderjaar exclusief (voorschot)servicekosten, BTW, compensatie, ontvangen bedragen voor de afkoop van huurcontract(en) en huurgaranties (ROZ/IPD,2007:18). Het totaal rendement is de som van de waardegroei en netto inkomsten in een periode uitgedrukt als percentage van het gemiddeld geïnvesteerd vermogen (ROZ/IPD, 2007: 5). Het direct rendement, ook cashflow rendement en exploitatierendement genoemd, bestaat uit de feitelijke netto-huuropbrengsten gedurende een bepaalde periode, afgezet tegen het gemiddeld geinvesteerd vermogen van de onderliggende vastgoed objecten cq. portefeuilles (ROZ/IPD, 2007: 5). Het indirect rendement, ook waardegroei genoemd, geeft de waardeveranderingen weer gedurende een bepaalde periode, afgezet tegen het gemiddeld geïnvesteerd vermogen van de onderliggende vastgoedobjecten c.q. portefeuilles over de meetperiode (ROZ/IPD, 2007:5). 2.2.4

Beleggingsrisico en beleggingsstijlen

In de werkgroep ´Professionaliseren´ van de Vereniging van Institutionele Beleggers in Vastgoed Nederland (IVBN), staat het onderwerp risk management al enige tijd op de kaart. Er wordt veel gediscussieerd over de definitie van risico alsmede de organisatorische en instrumentele invulling van dit onderwerp. De werkgroep ‘Risk management’ van de IVBN ziet dat er nog vele uitdagingen zijn op het gebied van verdere standaardisatie en meer eenduidige en operationeel goed hanteerbare definities betreffende risk management en risk management instrumentarium (IVBN, 2010). Er is sprake van een grote verscheidenheid aan risico’s met verschillen in aard, complexiteit, intensiteit en potentiële omvang van financiële en niet-financiële gevolgen (IVBN, 2010). Risico: is de (in kansen uitgedrukte) mogelijkheid dat de realisatie van de strategische, tactische, en/of operationele doelstellingen van een organisatie negatief worden beïnvloed, waarbij de kans op realisatie ook daadwerkelijk verlaagd wordt door onzekere tijdelijke en/of structurele (gevolgen van) gebeurtenissen binnen en/of buiten de organisatie. (IVBN, 2010). Het risico wat een belegger wil nemen is per belegger verschillend. De beleggingsstijl is inherent aan het risicoprofiel wat een belegger wenst na te streven. Hierin zijn grofweg 3 stijlen te onderscheiden die de belegger typeert (Nozeman, 2014: 248): Core: beleggingen in volwassen (bewezen) winkelsegmenten en markten, met weinig vreemd vermogen gefinancierd, weinig projectontwikkelingsactiviteiten en totaalrendementen die hoofdzakelijk worden gegenereerd door inkomsten: directe rendementen (IRR= 7%) Value added: beleggingen in ieder winkelsegment of markt, met bescheiden eigen vermogen (laag geleveraged), met projectontwikkelingsacitiviteiten en actief asset management. Het totaalrendement komt met name door waardecreatie:indirect rendement (IRR= 11%). Opportunity: Beleggen met een hoog niveau aan vreemd vermogen financieringen, nog meer projectontwikkeling, asset management of anderszins waardecreërende activiteiten (IRR = 15%). De objectselectie, met andere woorden in welke winkelobjecten (individuele winkelpanden of winkelcentra) wordt belegd, wordt vooral bepaald door het volume in geld van de individuele

Tauw, H.

17


winkelobjecten en de invloed die de belegger wenst te hebben in de aansturing van de performance van die winkelobjecten (Nozeman, 2014: 249).

2.2.5 Analyseproces van winkelvastgoedbeleggers Bij (institutionele) vastgoedbeleggers is het gebruikelijk om bij een heroverwegingsmoment complexen met behulp van een hold-sell model te beoordelen op een tweetal factoren: de netto kasstroom uit de exploitatie (direct rendement) en de verwachte waardeontwikkeling (indirect rendement). Beleggers gebruiken hun eigen (interne) modellen of modellen van externe partijen om hier periodiek inzicht in te verkrijgen. De verdiencapaciteit van de objecten wordt hierin meestal ook berekend. Er zijn meerdere strategieën te volgen voor complexen; doorexploiteren, renoveren, deelverkopen en complexgewijze verkoop (Finance Ideas, 2012). Voor elk van deze mogelijke strategieën dient dan een berekening te worden gemaakt van de bijbehorende contante waarde van de kasstromen. De hold -of sell-strategie wordt bepaald aan de hand van de exploitatiestrategie met de hoogste contante waarde. Daarbij dient rekening gehouden te worden met specifieke marktomstandigheden.

2.2.6 Recente ontwikkelingen De afgelopen jaren zijn verschillende vastgoedbeleggers bezig met de dispositie van non-core assets. De verkoopprogramma´s resulteren meestal in een herpositionering van de portefeuilles, een toename van de bezettingsgraad en de afname van leverage. Een belegger denkt traditioneel gezien vanuit de aanbodkant; het bieden van goede kwaliteit winkels en dit invullen met een stabiele huurder. Deze traditionele rol is aan het verschuiven richting de vraagkant, waardoor de belegger steeds meer gaat denken als een retailer en aan hoe de prestatie van die retailer zo optimaal mogelijk wordt. Die verschuiving van aanbod naar vraaggericht denken is bijvooorbeeld zichtbaar in de opkomst van andere verhuursituaties zoals omzetgerelateerde huur. Volgens het rapport ´Retailing beyond borders´ van de Rabobank (2014: 27) kunnen winkelgebieden alleen nog consumenten trekken wanneer beleggers en retailers meer gaan samenwerken. De toekomst van retail is zodanig onzeker, dat retailers tegenwoordig gebaat zijn bij korte huurcontracten, geen vastgoedbezittingen meer hebben en snel kunnen reageren op veranderende fysieke behoeften (Rabobank, 2014). Het winkelgedrag verandert in rap tempo. Vond 71% in 1989 shoppen nog leuk, in 2013 is dat gekelderd naar 56%. De fundamentele veranderingen in de bevolkingssamenstelling, economie en technologie zullen diepgaande veranderingen teweeg brengen. De bevolking verandert door onder mee vergrijzing, urbanisatie en een explosieve groei van eenpersoonshuishoudens. Deze ontwikkeling, gepaard met hogere uitgaven voor ziektekosten, energiekosten en voedsel, heeft invloed op winkelgebieden. Net als retailers moeten ook gebieden zich op de kaart zetten (Rabobank, 2014). Vastgoedeigenaar en retailer zullen moeten samenwerken om passantenstromen vast te houden of the vergroten. Omzetgerelateerde huur is daar volgens de Rabobank een goed instrument voor (Rabobank, 2014). Onder omzetgerelateerde huur wordt verstaan, de situatie waarbij de retailer de verhuurder/belegger een (gedeeltelijk) aan de behaalde omzet gerelateerde huurvergoeding betaalt (Buvelot, 2007). De omzetgerelateerde huurvergoeding bestaat uit een bepaald percentage van de door de retailer gerealiseerde omzet. Dit percentage verschilt per branche, aangezien de marges per branche verschillend zijn. Dit maakt het een ingewikkeld en ondoorzichtig systeem. Het zorgt er even goed voor dat de verhuurder/belegger direct mee kan profiteren van de door haar gedane investeringen ter verbetering van het

18


functioneren van het winkelcentrum. Om beleggen in winkelvastgoed rendabel te houden, zegt ook JLL dat partijen nu eens echt moeten gaan samenwerken (JLL, 2011). Om voldoende retail omzet te maken en consumenten te trekken, gaat de belegger vaker op de stoel van de retailer zitten en is bereid meer risico te nemen om de waarde van zijn belegging te vergroten en voor de toekomst te waarborgen. De belegger wijkt af van de standaardhuurcontracten en realiseert zich dat het belang van het winkelgebied groter is dan dat van een individuele winkel (Jones Lang Lasalle, 2011). Marktpartijen onderschrijven dan ook het toenemende belang van actief en intern (asset) management in winkelvastgoed (Kempen Capital Management, 2012:2). Actief asset management wordt steeds nadrukkelijker ingezet als actief instrument om de waarde van portefeuilles zeker te stellen (Jones Lang Lasalle, 2012: 25-26).

2.3 2.3.1

Quantitatief onderzoek naar Nederlandse consumenten Consumentenbeleving

In 2012 concludeerde de NRW taskforce Consumentenbeleving haar studie Consumentenbeleving in winkelgebieden dat binnenstedelijke winkelgebieden meer beleving moeten gaan bieden om voor de consument aantrekkelijk te blijven. De wetenschappelijke toegevoegde waarde van (een kwantificeerbare) beleving was hiermee echter nog niet bepaald. Vanaf 2012 zijn tot nu toe 5 studies, met in totaal 9 studenten in een onderzoeksprogramma (samen) gewerkt aan een onderzoek over beleving in binnenstedelijke winkelgebieden. Deze komen in deze paragraaf aan bod. Wetenschappelijke, doorgaans internationale, studies over consumentengedrag en consumentenvoorkeuren zijn talrijk. Bij een beperkt aantal studies ligt de focus echter op de waardering van winkelgebieden. Het (winkel)aanbod en de bereikbaarheid blijken steeds weer de lijst met belangrijkste aspecten van winkelgebieden aan te voeren (Borgers, Kemperman en Janssen, 2013). Maar ook blijken zogenaamde atmospherics een rol te spelen. Atmospherics (vrij vertaald: ‘sfeerbrengers’) zijn eigenschappen van winkelgebieden die invloed hebben op de sfeer in het winkelgebied. Gegevens over deze eigenschappen bleken voor aanvang van deze studies nog niet aanwezig. Uit een beperkte inventarisatie van nieuw verzamelde data, heeft een studie van Raijmakers (2012) uitgewezen dat slechts enkele atmospherics een beperkte rol spelen in de keuze van het binnenstedelijk winkelgebied met betrekking tot recreatief winkelen. Geslacht- en leeftijdscategorieën blijken in dit onderzoek ambivalente uitkomsten te geven waardoor de rol van atmospherics geen doorslaggevende uitkomsten heeft gegenereerd. In opvolgende studies bleek wederom het winkelaanbod een belangrijke variabele voor wat betreft de keuze van de favoriete locatie (Dijkman, 2012; Op Heij, 2012; Willems, 2012). Meerdere mode- en luxezaken, een winkel voor dagelijkse artikelen en enkele horecagelegenheden maken een locatie meer favoriet. Echter, de invloed van de (25-tal) atmospherics blijken ook hier van beperkte invloed te zijn op de voorkeur voor een bepaalde locatie. Hier blijken wederom aanzienlijke smaakverschillen tussen respondenten in verschillende leeftijdscategorieën te zijn, wat een eenduidige relatie achterwege laat. Locaties die goed worden bezocht zouden evenwel verklaard kunnen worden door een emotionele band met de locatie. Ook dit is onderzocht en hier blijkt een zwakke, zelfs negatieve relatie tussen de emotionele band en het daadwerkelijke ´bezoeken´ van een winkelgebied te bestaan (Boerebach, 2012). Een grotere emotionele band met een winkelgebied zou dan correleren met een lagere Tauw, H.

19


bezoekfrequentie. Met de uitgevoerde onderzoeken kan gesteld worden dat het nog te vroeg is om harde uitspraken te doen over de relatie tussen atmospherics enerzijds en waardering anderzijds (Borgers et al, 2013). De veronderstelde relatie in de hypothesen worden niet terug gevonden in kwantitatief onderzoek, wat de betrouwbaarheid van de variabelen ondermijnt. Concluderend kan gezegd worden dat er op basis van de huidige beschikbare kennis, middelen en technische inzichten op het gebied van consumentenbeleving voor dit onderzoek onvoldoende aanleiding is om desbetreffende data te verzamelen danwel op te nemen. Momenteel biedt het nog te weinig perspectief om deze data op te nemen in een hedonisch prijsmodel. 2.3.2

Bezoekgedrag en bestedingen

In een recent onderzoek van Hoven (2013) wordt gesteld dat de langetermijneffecten, te weten de economische malaise, internetverkoop en een veranderend koopgedrag (meer efficiënt winkelen), leiden tot een structurele daling van het aantal bezoekers in winkelgebieden. Daarnaast leiden korte termijneffecten, zoals het weer en bereikbaarheid, soms tot grote fluctuaties in de bezoekersaantallen. Over het algemeen blijven de bezoekersaantallen in de echt grote steden op peil, terwijl de bezoekersaantallen in de middelgrote en kleinere steden harder dalen. Ook de wijkwinkelcentra, gericht op de dagelijkse boodschappen, blijven redelijk op peil als het gaat om bezoekersaantallen. Een meer grillig patroon doet zich voor in de grotere winkelcentra met een groter aanbod gericht op het recreatieve winkelen (Hoven, 2013). In diverse studies komt naar voren dat de differentiatie van het aanbod van winkels een van de belangrijkste factoren is om voor een winkelgebied te kiezen. Hier wordt ook wel de term branchering voor gebruikt, ´tenant mixóf ´retail mix´. Uit recent onderzoek van markt- consumentenonderzoeker GfK retail (2013) blijkt deze keuze voor een winkelgebied met name af te hangen van de diversiteit aan winkels. Een diversiteit aan winkels is met 31% het belangrijkst, gevolgd door de bereikbaarheid/afstand naar de winkels (18%), de parkeergelegenheid (14%), de hoeveelheid winkels (9%) en de sfeer van het winkelgebied (7%). Er wordt vanuit gegaan dat een consument kiest voor een breed en diep aanbod van winkels, assortiment en segment. In de ideale marktomstandigheid zou een winkelcentrum dan ook naadloos aansluiten bij de wens van de gemiddelde consument in datzelfde verzorgingsgebied. Om te bepalen welk type winkels cruciaal zijn voor bepaalde typen centra moet vooral gekeken worden naar het dominante winkelgedrag aldaar (DTNP, 2010). Vanuit dit perspectief is het zinvol centrumgebieden niet in te delen naar omvang of branchering, maar naar (overwegend) bezoekmotief. Op basis van diverse criteria kan het niettemin zinvol zijn om in beeld te brengen welke kenmerken en winkeltypen centra (zouden moeten) hebben als zij zich willen richten op een specifiek bezoekmotief. Conflicterende combinaties van bezoekmotieven zouden zo inzichtelijk kunnen worden (DTNP, 2010). Tot op heden ontbreken voor een dergelijke benadering de benodigde statistische gegevens. Dit vraagt immers om een totaal andere manier van definiëren en registreren van winkelaanbod dan de huidige branche-indelingen op basis van traditionele sbi-codes (Standaard Bedrijfsindeling). Het hebben van veel bezoekers lijkt positief voor het functioneren van een winkelcentrum, maar belangrijker is of consumenten daadwerkelijk iets besteden. Over het algemeen kan gesteld worden dat de bestedingen van consumenten per bezoek aan een winkelcentrum toenemen (Hoven, 2013).

20


Dit hangt tegelijkertijd samen met een lagere bezoekfrequentie. Dit komt er op neer dat consumenten minder vaak, maar per bezoek meer aankopen doen. Desondanks daalt over het algemeen de koopkracht en vervolgens de consumentenbestedingen als gevolg van de economische crisis. Landelijk dekkende onderzoeken naar consumentenvoorkeuren of een instrument om de aansluiting van branchering op consumenten te meten zijn echter niet aanwezig. Dit beperkt de mogelijkheden van het gebruik van consumentenvoorkeuren binnen deze studie. Het is wel mogelijk gebleken om koopkracht, de woningwaarde, populatiegrootte en het aantal huishoudens van potentiële consumenten in het gebied rondom de winkel mee te nemen in dit onderzoek.

2.4

Conclusie

In dit hoofdstuk is duidelijkheid verschaft hoe de markt zich de afgelopen 10 jaar heeft ontwikkeld; het winkelvloeroppervlak is jaar op jaar toegenomen, maar ook de leegstand. Deze leegstand is per provincie verschillend, wat mogelijk laat zien dat de relatie tussen provincies en beleggingsprestatie gelegd kan worden. De huurprijs voor winkels komt door huurprijsherzieningen niet altijd evenwichtig tot stand, maar verschillen tussen winkelgebiedstypen blijven zichtbaar. Ook kan het verschil in huurprijzen tussen segmenten gezocht worden, of het aantal passanten dat langs een winkel loopt. De consument is uiteindelijk degene die het heft in handen heeft; met dalende consumentenbestedingen staat de omzet van winkeliers onder druk wat effect heeft op de betaalbaarheid van de huur. De huurprijs staat onder druk, wat direct gevolgen heeft voor de activiteiten van de vastgoedbelegger. De belegger kan met verschillende stijlen op de markt actief zijn, en zo op verschillende manieren waarde creëren voor zichzelf, als voor de huurder van winkelgebieden. Om het voortbestaan van de vastgoedbelegging te kunnen waarborgen zijn er verschuivingen van de aanbodkant naar de vraagkant zichtbaar die vroeger niet denkbaar waren. Actief management wordt steeds belangrijker om retailers vast te houden, en voor consumenten aantrekkelijk te blijven. Beleving toevoegen is makkelijker gezegd dan gedaan en ook de meetbaarheid hiervan is lastig gebleken. Het aantal bezoekers van winkelgebieden is dalende, terwijl de aankopen per bezoek wel omhoog zijn gegaan. Het afstemmen van het winkelgebied (op zowel micro- als macroniveau) op de wensen, de vraag en het gedrag van consumenten aldaar lijkt belangrijker dan ooit.

Tauw, H.

21


3 3.1

Huurprijsverklarende variabelen Introductie

In dit hoofdstuk zullen de belangrijkste bevinden uit de literatuur worden beschreven, teneinde de rendementen/ of huurprijsverklarende variabelen inzichtelijk te maken. Hierin zijn zoveel mogelijk Nederlandse studies meegenomen aangevuld met internationale literatuur die aansluit bij de centrale vraagstelling. Bij het overgrote deel van deze geraadpleegde studies is getracht om dezelfde onderzoekseenheid aan te houden. Het is hierbij van belang het onderscheid te zien tussen de twee te verklaren variabelen en de daarbij behorende aggregatieniveaus ; huurprijs op winkelunitniveau en het rendement op winkelobjectniveau. Er zijn in het verleden veel onderzoeken geweest die in meer of minder mate vooral fysieke, meer functionele kenmerken als huurprijsverklarende variabelen hebben aangedragen (Vink, 2012:28). Dit type variabelen vallen onder te brengen in de ruimtelijke factoren. Minder studies zijn gericht op niet-ruimtelijke factoren, vaak omdat de meetbaarheid en vergelijkbaarheid van die factoren ingewikkelder ligt en de relaties met huurprijsniveaus minder scherp zijn. Het argument dat nietruimtelijke factoren minstens zo belangrijk zijn, heeft bijval gekregen in een onderzoek van Mejia en Benjamin (2002), waarin de relatie met de winkelcentrumomzet werd gelegd. Het merendeel van de studies heeft zich ten doel gesteld de eerdere empirische bevindingen te beoordelen betreffende de determinanten van de huurprijs in winkelgebieden en winkelcentra. Hiermee wordt gepoogd bij te dragen aan de inhoudelijke robuustheid van hedonische prijsmodellen en het valideren ervan met nieuwe data. Over het algemeen kan gezegd worden dat huurprijzen zich gedragen zoals voorspeld door de theorie, al kunnen er per land, en dus huurmarkt kleine verschillen zijn (Yuo et. al.,2004). Er zijn verschillende benaderingen voor het verklaren van de huurprijs; de invloed van branchering of de concentratie ervan (Des Rosiers et. al, 2009), de huurdersmix (Finn & Louviere, 1996), het verlies van trekkers in een winkelgebied of ‘anchor tenants’ (Gerbrich, 1998) of de winkelomzet (Chun et. al, 2001, Meija en Benjamin, 2002). Het overgrote deel van de studies is echter van de klassieke aanpak, waarin een zo breed mogelijk scala aan potentieel verklarende variabelen wordt opgenomen om bij de huurprijs in de buurt te komen. Hieronder wordt op een aantal van die studies op gelijkwaardige basis ingegaan, waarin met name de onderzoekskenmerken de aandacht krijgen; de onderzoekseenheid, het aantal eenheden (N-value), de ‘goodness of fit’ van het model (R2) en de significante variabelen. Deze sterke positieve en negatieve significante variabelen zijn namelijk in de eerste plaats interessant om op te nemen in de eigen empirische toetsen.

22


3.2

Huurprijsverklarende studies

In een studie van Koot uit 2006 wordt onderzocht welke factoren van invloed zijn op het huurniveau van 105 planmatige wijkwinkelcentra in Nederland. Hierin zijn de factoren onderverdeeld in markt-, site, gebouw- en imagofactoren. Er is een algemeen regressiemodel gemaakt en voor elk van deze 4 onderverdelingen zijn 4 afzonderlijke lineaire regressievergelijkingen opgesteld met elk hun eigen variabelen (tabel 1) Tabel 1: Empirische kenmerken uit: Koot (2006), eigen bewerking

Koot (2006) Y (afhankelijke variabele) Onderzoekseenheid (#,land) N (steekproefgrootte) R2/Adj. R Square (lineair) R2/Adj. R Square (LN) Totaal aantal β-variabelen Marktfactoren

Gemiddelde huur (m2/vvo) van de onderzoekseenheid Wijkwinkelcentrum (105,NL) 105 0,609 / 0,534 0,623/ 0,551 16 Inwoners 2km, Inwoners 5km, Inkomen p.p., %65+, concurrentie laag, concurrentie hoog. Site-factoren Parkeren slecht, parkeren goed, betaald parkeren. Gebouw-factoren Grootte centrum, Units aantal, Bouwjaar, Renovatie recent, Overdekt. Imago-factoren Units trekkers aantal, brancheconcentratie. Significante variabelen Inwoners 2 km., Inkomen p.p., Concurrentie laag/hoog, Slechte parkeergelegenheid, Betaald parkeren, Grootte centrum (m2 bvo), Bouwjaar, Aantal units van trekkers. Uit het marktfactorenmodel komt naar voren dat het inwonersaantal in een straal van 2 kilometer een positief significant effect heeft op het huurniveau (β :+0,262). Een hoger besteedbaar inkomen per persoon in het verzorgingsgebied blijkt ook wel degelijk invloed te hebben op de vierkante meter prijs (Koot, 2006: 45). De mate van concurrentie is op tamelijk subjectieve wijze tot stand gekomen door data uit 3 bronnen te koppelen. Dit zijn de inschattingen van lokale makelaars, een verhouding tussen het m2 bvo van het winkelcentrum ten opzichte van het m2 bvo van het totaal aan dagelijkse goederen in de gehele woonplaats en informatie uit de digitale Gouden Gids. Een centrum met lage concurrentie heeft een significant hoger huurniveau en voor een centrum met een hoge concurrentie wordt een significant lager huurniveau gevonden. De methodiek hierachter is echter niet nauwkeurig genoeg beschreven om deze te repliceren, een concurrentiescore lijkt echter wel zeer relevant. Koot concludeert zowel in het algemene logaritmische regressiemodel als het lineaire regressiemodel dat er een negatieve significante relatie aan te wijzen is tussen een slechte parkeergelegenheid en het huurniveau. Een goede parkeergelegenheid is niet significant positief, maar betaald parkeren heeft een positief significante relatie met de huurprijs. De verwachting was dat betaald parkeren een drukkend effect zou hebben op de huurprijs maar het tegenovergestelde blijkt hier het geval. De verklaring die hiervoor wordt aangedragen is dat meestal de grotere winkelcentra met betaald parkeren juist de eigenschap hebben hogere huren te voeren. Bij microfactoren (gebouw-factoren) blijkt de grootte van een winkelcentrum (in m2 bvo) een overduidelijk significant positief effect te hebben op het huurniveau. Deze mag zelfs gezien worden als een van de grootste ‘drivers’ achter de huurprijs (Koot, 2006:47). Zoals verwacht is een negatieve significante relatie bewezen met het bouwjaar. Het aantal units blijkt een multicollineairiteit te Tauw, H.

23


vertonen met het de grootte van het winkelcentrum en is daarom achterwege gelaten. Of er recent een renovatie heeft plaatsgevonden of dat het winkelcentrum overdekt is blijkt niet van invloed te zijn. Het imago is in deze studie gemeten door het aantal trekkers in kaart te brengen en de evenwichtigheid van de brancheconcentratie te meten (Koot, 2006:37). In het algemene regressiemodel word de relatie met het aantal trekkers niet gevonden, maar in het deelmodel wel, en ook significant. Een negatief bevonden relatie tussen de concentratiemaatstaf en het huurniveau bleek volgens deze studie niet significant. De studie van Majoor uit 2009 kiest voor een andere invalshoek. De vragen die gesteld worden zijn: wat zijn de determinanten van het winkelhuurniveau/huurgroei in binnenstedelijke locaties en wat is de invloed van fashion retail hier vervolgens op. Deze studie verklaart de maximaal haalbare huur (die behaald zou kunnen worden) van een standaardunit in een straat, zoals vastgesteld door de retailmakelaar (Majoor, 2009:34), anders dan in studies waar gerekend wordt met gerealiseerde huurprijzen. Tabel 2: Empirische kenmerken uit: Majoor (2009), eigen bewerking

Majoor (2009) Y1 (afhankelijke variabele) Y2 (afhankelijke variabele) Onderzoekseenheid (land) N (steekproefgrootte) R2/Adj. R Square (Y1) R2/Adj. R Square (Y2) Totaal aantal β-variabelen Significante factoren huurmodel Significante factoren huurgroeimodel

Gemiddelde ‘prime’ markthuurniveau / m2 /standaard unit Markthuurniveau-groei Standaard winkelunit in betreffende straat (NL) 2156(Y1)/ 1239(Y2) 0,6666 (Majoor, 2009:47) huurprijs 0,3675 (Majoor, 2009:53) huurprijsstijging 9(Y1)/ 8(Y2) in Inwoners 2km, % mode retail in GOAD gebied, Passanten, # trekkers totaal, A1-,A2-,B1-, B2-, C-segment (dummy variabelen). in Het % mode retail in GOAD gebied, m2 retail in winkelgebied, # traditionele trekkers, A1-,A2-,B1-, B2-segment (dummy variabele).

De meest significante variabele in deze studie is het aantal passanten. Deze bevinding is in lijn met andere studies (Bolt, 2003; Lucas, 2005; Yuo et. al.,2003). Dit onderbouwd de hypothese dat er een positieve relatie bestaat tussen het aantal passanten en de huurprijs (per m2/jaar) van een winkelunit. Een interessante vondst is dat het percentage ´Fashion´(of Mode & Luxe winkels) een sterke relatie heeft met de hoogte van de huurprijs. Dit duidt op het feit dat winkeliers in de modebranche op een hoger huurniveau zitten dan andere branches. In lijn met de studie van Koot (2006), komt ook hier een significante relatie met het aantal inwoners binnen 2 kilometer naar voren. De studie vult verder aan dat het totaal aantal ánchor stores´(trekkers) een positieve relatie heeft met de huurprijs.

24


Bakker (2011) stelt een semi-logaritmisch regressiemodel op, waar het natuurlijk logaritme is genomen van de afhankelijke variabele ´huurprijs per m2 vvo´. Hier worden in totaal 16 planmatige binnenstedelijke winkelcentra in Nederland onderzocht met een totaaloppervlak van 290.000 m 2 (Bakker, 2011: 52-53). De specifieke onderzoeksvraag richtte zich op het effect van de aanwezigheid van zelfstandige ondernemers in een binnenstedelijk winkelcentrum. Tabel 3: Empirische kenmerken uit: Bakker (2011), eigen bewerking

Bakker (2011) Y (afhankelijke variabele) Onderzoekseenheid (#,land) N (steekproefgrootte) R2/Adj. R Square (Ln) Totaal aantal β-variabelen Marktfactoren

Huurprijs (€/ m2/ jaar) Planmatige winkelcentra (16) 798 0,659 20 Inwoners <10km, totaal x winkels in gebied, besteedbaar inkomen. Marktfactoren Aantal inwoners: plaats, <2km, <10km.Totaal aantal winkels in centraal winkelgebied, besteedbaar inkomen/ inwoner. Locatie-factoren Aantal passanten, standplaatskwaliteiten (A2,B1,B2) Gebouw-factoren Ln oppervlakte winkelunit (m2), bouwjaar, aantal units totaal, grootte centrum, gemiddelde winkelunitgrootte. Branche- en huurdersmix Brand/merknaamconcentratie, hoofdbranche concentratie Hoofdbranches Levensmiddelen, Persoonlijke verzorging, Mode&Luxe, Vrije tijd, In-en-om-het-huis, Overig en Horeca/ Leisure. Retailer Anchor/trekker, zelfstandige ondernemer, % zelfstandig in object. Ook hier blijken het aantal inwoners in een directe straal van 10 kilometer rondom het winkelgebied (positief effect) en het oppervlak van een winkelunit (negatief effect) sterke variabelen om op te nemen in het huurprijsmodel. Zoals Koot in 2006 ook concludeert is het inkomen, in dit geval ´besteedbaar inkomen´ tevens significant ten opzichte van de huurprijs. Het effect van het aantal winkels in een winkelgebied is volgens Bakker deels verdisconteerd in de factor aantal inwoners, gezien hier deze onafhankelijke variabelen een sterk onderling verband vertonen (R= 0,771). De verwachting van deze auteur was dat alle zelfstandige ondernemers in elke branche een lagere huur betalen, maar dit blijkt in de praktijk te kloppen, echter zijn alleen de branches ´Mode en Luxe´ en Ín-en-om het huis´ significant. Er zijn geen relaties gevonden tussen de huurprijs respectievelijk het aantal units in een winkelcentrum of het bouwjaar van het winkelcentrum. Deze laatste werd echter wel gevonden in een studie van Koot (2006). Een verwachtte negatieve relatie tussen de huurprijs en ‘trekkers’ werd tevens niet gevonden in deze studie, die wel wordt gevonden in andere studies (Koot, 2006; Sirmans et. al., 1993; Majoor, 2009). Een onderzoek van Yuo et. al. (2004) richtte zich op de analyse van 148 regionale winkelcentra in het Verenigd Koninkrijk, waar ze de beschikking hadden over informatie van 1924 contracten. Deze 148 winkelcentra zijn teruggebracht van in totaal 214 winkelcentra, na een correctie voor de grootte (>27000 m2), objecten in (her)ontwikkeling en werden winkelsegmenten als themaparken buiten beschouwing gelaten.

Tauw, H.

25


In deze studie zijn in totaal 7 modellen ontwikkeld die het effect op de huurprijs berekenen, met een speciale focus op de varieteit van de huurdersmix (‘tenant variety’). Tenant variety is gedefinieerd in 5 afzonderlijke variabelen met 5 bijbehorende modellen (Model 1- Model 5). Eerder onderzoek van Yuo et. al. in 2003 had uitgewezen dat de unitgrootte per huurder de meest significante variabele is in relatie tot de huur. Om die reden wordt de unitgrootte in deze studie als aanpassingsvariabele gebruikt om de verklaringswaarde in de modellen te verbeteren. Model 6 en Model 7 zijn de zogeheten ‘Herfindahl’ modellen. De veronderstellingen van Yuo et. al zijn dat niet alleen het aantal merken, het aantal units en de grootte ervan relevant is voor de huurdersmix, maar ook de samenstelling ervan. Deze samenstelling wordt gemeten in de ‘Herfindahl’-index welke berekent in hoeverre branches (Model 6) of ‘Merken’(Model 7) geconcentreerd of juist verspreid zijn in een winkelcentrum. Dit wordt berekend als de som van de kwadraten van het marktaandeel van elke ‘branche’ of elk ‘merk’( Yuo et. al., 2004:10). In de methodologie wordt verder ingegaan op deze indexeringsmethode. Tabel 4: Empirische kenmerken uit: Yuo et. al. (2004), eigen bewerking

Yuo, Crosby, Liziery & McCann (2004) Y (afhankelijke variabele) Onderzoekseenheid N (steekproefgrootte) R2/Adj. R Square (Ln) Totaal aantal β-variabelen Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7

Natuurlijk logaritme van de gecorrigeerde huurprijs / m Regionale winkelcentra (148) 1924 (huurcontracten in jaar 2002) Variabel per factor

+/2

Grootte van een winkelcentrum Aantal units in een winkelcentrum Gemiddelde unitgrootte in een winkelcentrum Aantal retail- en/of servicecategorieën in een winkelcentrum Aantal ‘merken’ in een winkelcentrum ‘Herfindahl’-index: retail categorieën in winkelcentrum x ‘Herfindahl’-index : retailmerken in winkelcentrum x

+/+ +/+ +/+ +/+ +/+ +/+ +/+

Uit de empirische resultaten van het onderzoek naar huurdersmix-variëteit kan het volgende geconcludeerd worden. Hoe groter het winkelcentrum / winkelunit en hoe meer units, retailcategorieën, merken, concentratie en diversiteit, hoe hoger de huur. Daarnaast is er een factoranalyse 7 factoren (groepen met categorieën) op de hoogte van de huur. In deze 7 factoren zijn 28 retail/ service-categorieën opgenomen. Hieruit kwam naar voren dat winkelcentra met hogere concentraties van categorieën in Factor 1 en Factor 2 (Yuo et. al., 2004) van significante invloed waren op de huurprijs. Des Rosiers et. al. (2003) maken ook meerdere modellen voor het onderzoeken van 10 verschillende winkelcentra in Quebec City, Canada. Hier niet een model voor de individuele variabelen (zoals in Yuo et. al., 2004) maar een stapsgewijze aanpak om de verschillende hypothesen te kunnen toetsen. De studie maakt gebruik van een telefonisch onderzoek waarin informatie over 174,000 bezoeken aan Quebec in kaart is gebracht. Twee ruimtelijke indexen zijn hiermee ontwikkeld, de EPI (economic Potential Index) en de CAI (Center Attraction Index). In een drie-stappenplan wordt de basishuurprijs in model 1 geregresseerd met het winkelgrootte (GLA) en de voornaamste retailcategorieën. In model 2 wordt getoetst of de huurprijs afhankelijk is van het type producten wat er verkocht wordt

26


(product line) en het type winkelcentrum. Vervolgens wordt in model 3 aangevuld met de toets of de CAI en EPI van invloed zijn. Tabel 5: Empirische kenmerken uit: Des Rosiers et. al. (2005), eigen bewerking

Des Rosiers, Thériault, Ménétrier (2005) Y (afhankelijke variabele) Onderzoekseenheid (#,land) N (steekproefgrootte) SEE (Std. Error of Est.) R2/Adj. R Square (LN) Totaal aantal β-variabelen Size, Retail mix attributes, Center image attributes Space related indices (EPI & CAI)

Basishuur in een natuurlijk logaritme (LnBaseRent/sq.ft.) (Supra)Regional and community shopping centers. (8, CA) 1007 (winkelunits) 0.536 0.583 11 (Model 4c) Ln_bruto WVO (+/-), Juwelier, Kleding, Schoenwinkel, FastFood, Dienstverlening, Bank, Specialiteiten, Kiosk, Economic Potential Index (+/+) en Center Attraction Index (+/-).

De resultaten van het laatste model (4c) laten zien dat het bruto winkelvloeroppervlak de sterkste en negatieve relatie heeft met de basishuur, die als zodanig vermeld is in het huurcontract. De bruto WVO-parameter kan worden geïnterpreteerd als een elasticiteitscoëfficient, en suggereert dat een 10% toename van het het bruto winkelvloeroppervlak van een unit resulteert in een daling van de winkelhuurprijs met 4,18% (Des Rosiers et. al., 2005). Net als in andere studies (Yuo, et. al., 2004, Bakker, 2011), komt dus ook hier een negatieve relatie tussen de huurprijs en de unitgrootte terug. De volgende sterkste relatie is gevonden met de categorie kiosken. Naast deze kiosken dragen juweliers, kledingwinkels, schoenwinkels, fastfood restaurants en banken aanzienlijk bij aan de rentabiliteit van winkelcentra en compenseren voor een groot deel voor de lage huuropbrengsten uit Ánchor stores´(trekkers). Zoals eerder beschreven bij Majoor (2009) komt hier de relatie tussen de huurprijs en het aandeel fashion-winkels weer terug. De derde meest significante factor is de EPI. Het Economic Potential Index-cijfer geeft aan wat het verkooppotentieel is van een winkelcentrum en is opgebouwd uit de variabelen: ´jaarlijks persoonlijk inkomenén het áantal daadwerkelijke klanten per winkelcentrum´. Elke verhoging van deze EPI met 1 punt verhoogt de huur met 3,5%. Een andere factor waar in deze studie de aandacht naar uit gaat is de CAI (Center Attraction Index). Deze index, gebaseerd op de gravitatietheorie van Reilly (1929/1931), meet de gecombineerde invloed van de winkelcentrumgrootte en het kwadraat van de afstand van een consument tot datzelfde winkelcentrum. De gevonden relatie van de CAI met de huurprijs is zeer zwak en ook negatief, terwijl de verwachtte relatie positief was. Dit wordt verklaard doordat in Quebec een hogere populatiedichtheid zou samenhangen met lagere inkomens, met een bijkomstig drukkend effect op de huurprijs. Een index gebaseerd op daadwerkelijke winkelbewegingen en het huishoudensinkomen (EPI) biedt in deze studie een beter inzicht in het marktpotentieel en de impact op commerciële huurprijsniveaus dan de index op basis van het meer klassieke Graviteitsmodel CAI. In een recente studie van Nase en Adair (2012), onderzoeken zij een unieke dataset met 301 transacties van binnenstedelijke winkelunits in Belfast, Noord-Ierland (VK). Ze overbruggen een aanzienlijke kloof in de literatuur over hedonische prijsstudies door de toegevoegde waarde van ontwerpkwaliteit mee te nemen. Ontwerpkwaliteiten, zoals onder andere: gevelkwaliteit, frontbreedte, pandligging (hoekpand, tussenpand, en dergelijke) en plattegrondindeling zijn vrij onconventionele variabelen in datasets. De onderzoekseenheid verschilt van de eigen empirische

Tauw, H.

27


studie, maar vanwege het unieke karakter van deze (nieuwe) studie, is deze toch opgenomen in het overzicht van de literatuur. Tabel 6: Empirische kenmerken uit: Nase et.al. (2012), eigen bewerking

Nase & Adair (2012) Y (afhankelijke variabele) Onderzoekseenheid N (steekproefgrootte) R2 (Ln) R2 Adjusted (Ln) Totaal aantal β-variabelen Fysieke karakteristieken Marktkarakteristieken Ruimtelijke variabelen Tijdsafhankelijke variabelen Kwaliteits & ontwerpvariabelen

Natuurlijk logaritme van de winkelunit huurprijs in £/m2 A1 kerngebied winkelunits/ High street retail properties (Belfast, VK) 301 0,719 0,699 20 Age, Zoned, Return, Corner, Connect, Front, AttIndex1, AttIndex2, Dist_centre, Vacancy, MQ, Fenestration, Massing, National, International, Review, Lease, Transaction year; 19982001, 2002-2005 and 2006-2009.

Wat de algemene voorspellingskracht (R2) van het model betreft, verklaart dit model 72 procent van de variantie in de eenheid huurprijs. De toetsen voor normaliteit, multicollineairiteit en heteroskedasticiteit worden ook goed doorstaan. De variabelen, weergegeven in tabel 6 zijn allemaal minimaal tot op 95% niveau significant. In dit uiteindelijke regressiemodel blijkt de variabele Dist_centre (afstand tot een gekozen centraal punt in Belfast) de belangrijkste bijdrage te leveren. Ten tweede is Zoned een belangrijke variabele, dit is een dummyvariabele waarin is opgenomen of de huurprijs via de ITZA-methode (In Terms of Zone A) is berekend (=1) of de NIA (Net Internal Area) methode (=0). De vraag is dus gesteld of de huurprijs is gecorrigeerd voor de kwaliteit van de ruimte in termen van breedte, diepte en verdiepingshoogte van de winkelunit. Ten derde MQ, de mate van inpassing van de winkelfacadein het straatbeeld, is tevens van significante invloed. Ten vierde was hier de karakteristiek van de huurder significant: International of National. Internationale en nationale huurders betalen volgens deze studie een hogere huurprijs ten opzichte van de lokale huurders. Een onverwachte vondst is dat de leeftijd van een winkelunit (variabele Age) van positieve invloed is op de huurprijs (+/+). De omgekeerde relatie (+/-) was verwacht door de auteurs. Een andere onverwachte vondst was dat het leegstandscijfer (gemeten als het aantal lege units in 100 meter omliggende winkelgevel) een positieve relatie had met de huurprijs. Hier worden geen verklaringen voor gegeven. Een van de vroegere studies naar de huurprijsdeterminanten is ´The Determinants of Shopping Center Rents´ van Sirmans en Krisandra A. Guidry. Zij hebben empirisch onderzoek verricht naar de determinanten die de variantie verklaren van gemiddelde winkelhuurprijzen van 55 winkelcentra in de stad Baton Rouge, Louisiana, Verenigde Staten. De te verklaren variabele is de gemiddelde huurprijs per winkelcentrum. De veronderstelde relaties met deze huurprijs zijn (tabel 7): DRAW: DESIGN: LOC: MKT:

een vectorgetal van de klant-aantrekkingskracht van het betreffende winkelcentrum. eigenschappen van het ontwerp van het gebouw. locatiekarakteristieken. marktkarakteristieken.

28


Tabel 7 Empirische kenmerken uit Sirmans et al. (1993), eigen bewerking

Sirmans & Krisandra A. Guidry (1993) Y (afhankelijke variabele) Onderzoekseenheid N (steekproefgrootte) R2/Adj. R Square Totaal aantal β-variabelen DRAW-variabele DESIGN-variabele LOC-variabele MKT-variabele

Ln Average Rent / sq. ft. per shopping centre Shopping centres (VS, Louisiana) 55 0,85 (WLS) 14 Size, Age, Type of anchor tenant. Mall shape, Cluster shape, L-shape, U-shape Location 1, Location 2, Location 3, Traffic count Vacant space, Population, Capita Income.

De parameter coefficient voor de grootte (m2) van een shopping mall is positief significant , wat aantoont dat grote winkelcentra hogere huurprijzen voeren in de markt.. De studie bewijst dat een toename van 10,000 square feet (929 m2) een huurprijsstijging van 1 procent bewerkstelligd. Zoals ook in andere studies is aangetoond (Bakker, 2011: Koot , 2009, Nase & Adair, 2012) wordt een negatieve relatie gevonden tussen het bouwjaar (Age) en de huurprijs. De reden die hiervoor opgegeven wordt is dat nieuwere centra een grotere aantrekkingskracht hebben op consumenten, en retailers om die reden bereid zijn om hogere huurprijzen te betalen. Net als nationale retailers (anchor tenants) overigens , gezien deze huurders statistisch gezien ook hogere huren betalen. (Sirmans et. al. , 1993, 113). De ruimtelijke indeling van een winkelcentrum is ook belangrijk, deze studie toont aan dat mall-shaped winkelcentra hogere huurprijzen hebben dan de andere vormen; Lvorm, U-vorm en clustervorm. De drie locaties, allen in oudere delen van de stad met lagere inkomensgroepen, laten een negatieve relatie zien met de huurprijs. Wanneer de locatie aan een drukke weg ligt (meer dan 20,000 autos per dag) dan zien Sirmans et. al. een positieve relatie met de huurprijs. De marktkarakteristieken laten zien dat centra met een hoger leegstandscijfer, lagere huurprijzen hebben. De coëfficienten voor ‘bevolking’ (Population) en inkomen per inwoner (Capita Income) zijn beide positief en significant tot op het 10% niveau (**).

3.3

Conclusie

Op de volgende 2 pagina’s is de concluderende variabelentabel weergegeven, waarin de variabelen die in de literatuur en huurprijsverklarende studies voorkomen, zijn opgenomen. De variabelen zijn naar inzicht van de auteur gerangschikt in 4 categorieën: 1: Consument, aantrekkingskracht en imago, 2: Ontwerp- en gebouwkenmerken, 3: Locatie en 4: Markt. Bij elk van de variabelen is het significantieniveau weergegeven, welke is gevonden in de corresponderende studie. Deze staan respectievelijk ten opzichte van de volgorde van auteurs in de tabel. Dan is ook weergegeven welke relatie er in deze studies is gevonden met de afhankelijke variabele. Na de empirische toetsing in dit onderzoek zal er weer teruggegrepenen worden naar deze variabelentabel om die zien welke verschillen en overeenkomsten er gevonden zijn.

Tauw, H.

29


Tabel 8: Huurprijsbepalende variabelentabel Statistische significantie: * = 0,05 **=0,01 ***=0,001

Huurprijs (onafhankelijke variabele)

Variabele

Significantie (*/**/***)

Auteurs

Teken

(Inter)nationale retailer / Trekkers

**/ */ **/*

Sirmans et. al. (1993), Koot (2006), Majoor (2009), Nase et. al. (2012)

+/-

Concurrentie laag/ hoog

*

Koot (2006).

+/-

Percentage mode in gebied

**

Majoor(2009).

+

Passanten (aantallen)

**/***/ ***

Majoor (2009), Bakker (2011), Nase et. al. (2012)

+

Standplaatskwaliteit

**/ **

Majoor (2009), Bakker (2011)

+/-

Winkelgebiedsgrootte

**

Majoor (2009)

+

Merknaamconcentratie/ Aantal merken

***/***

Bakker (2011), Yuo, et. al.(2004).

+

Branchering van de winkelunit/ Aantal branches in het winkelgebied en brancheconcentratie

***/ ***/***

Bakker (2011), Yuo et. al. (2004), Des Rosiers et. al. (2005).

+/-

Zelfstandige ondernemer

***

Bakker (2011).

-

Type winkelsegmentatie

***

Des Rosiers et. al.

+/-

Ruimtelijke structuur/

**

Sirmans et. al. (1993)

+/-

Winkelcentrumgrootte (m2/ units)

**/***/***/***

Sirmans et. al. (1993), Koot (2006), Bakker (2011), Yuo et. al. (2004)

+

Leeftijd/ Bouwjaar (winkelcentrum)

**/ **

Sirmans et. al. (1993), Koot (2006)

-

Winkelunitgrootte (m2)

***/ ***/ ***

Bakker (2011), Yuo et. al. (2004), Des Rosiers et. al. (2005),

-

Ligging van unit in object/winkelgebied

***

Nase et. al. (2012)

+/-

Consument, aantrekkingskracht en imago.

Ontwerp- en gebouwkenmerken

30


Locatie In slechte wijk (inkomen)

***


-

Ligging t.o.v. verkeersweg

**


+

Parkeergelegenheid slecht

**

Koot (2006)

-

Betaald parkeren

**

Koot (2006)

+

Afstand tot het centrum

***

Nase et. al. (2012)

-

Leegstand

**/***

Sirmans et. al. (1993), Nase et. al. (2012),

+/-

Bevolking/Aantal inwoners 2 km/ 10 km

***/ ***

**/

Sirmans et. al. (1993), Majoor (2009), Bakker (2011) Des Rosiers et. al. (2005)

+

(Besteedbaar) Inkomen inwoner

***/**/***/***

Sirmans et. al. (1993), Koot (2006), Bakker (2011), Des Rosiers et. al. (2005)

+

Methode huurprijsbepaling

***

Nase et. al. (2012)

+/-

Transactiedatum huurcontract

***

Nase et. al. (2012)

+/-

Markt

**/

Tauw, H.

31


4

Methodologie

In dit hoofdstuk wordt de methodologie achter het onderzoek behandeld, waarin alleereerst de selectie van het onderzoeksveld wordt uitgelegd. Gezien er gebruik wordt gemaakt van data uit verschillende bronnen wordt de afkomst en koppeling besproken in respectievelijk paragraaf 2 en 3. Het

4.1

Selectie winkelobjecten: onderzoeksveld.

In deze paragraaf wordt beschreven aan de hand van welke selectiecriteria de gegevensverzameling voor de steekproef zal voldoen. Hierin zijn een aantal onderwerpen weergegeven; de operationele status van een object, het winkelsegment, de rendementsperiode en de eigendomssituatie. Status – jaar: de status van een object geeft aan of dit object in dat jaar aangekocht is, in (her)ontwikkeling is, in verkoop, er deeltransacties hebben plaatsgevonden of geclassificeerd kan worden als ´standing investment´. In alle andere gevallen dan een standing investment (een geheel jaar in normale exploitatie) zou dat de huuropbrengstgegevens en rendementsgegevens kunnen beïnvloeden. Om die reden is hier een filter op toegepast. Segment en Winkelsegmentatie: in beginsel worden winkels uit alle segmenten meegenomen in dit onderzoek: de centra van grote steden, middelgrote steden, kleine steden en ondersteunende winkelgebieden daarvan. Vervolgens dient er rekening gehouden te worden met de inventarisaties van onderzoeksbureau Locatus. Met uitsluiting van de winkelsegmenten: verspreide bewinkeling, grootschalige concentratie en speciale winkelgebieden worden in alle andere winkelsegmenten jaarlijkse metingen verricht en kunnen worden opgenomen in het onderzoek. Totaal rendement (3/5jrs gemiddeld): vervolgens is het van belang om het direct, indirect en totaalrendement te kunnen onderzoeken. De IPD geeft aan welke objecten een totaalrendement hebben wat over de afgelopen 5 jaar gemeten is, waarop een filter is aangebracht. Op die manier zijn er rendementsgegevens van 2010-2014 beschikbaar en kan de onafhankelijke variabele van het rendementsmodel zowel het rendement in jaar 2013 zijn, het gemiddelde van de afgelopen 3 jaar als het gemiddelde van de afgelopen 5 jaar. Eigendomssituatie (klantnummer): Winkelbeleggingsobjecten worden in sommige situaties verdeeld onder verschillende eigenaren (participaties genoemd). Zo kan het bijvoorbeeld voorkomen dat 1/3de van een object in bezit is van een partij, wat er in de praktijk op neerkomt dat deze objecten geen heel getal aan winkels bevatten. In een object met 10 winkels zouden dit bijvoorbeeld 3,33 winkels zijn. Om een zo zuiver mogelijke dataset te creeëren is ervoor gekozen om deze participaties weg te laten uit de dataset en volledige participaties mee te nemen. U_VerhuurdStatus / Huurprijs In de administratie van de winkelunits wordt er een theoretische jaarhuurprijs gerapporteerd. Deze bestaat voor verhuurde units uit een daadwerkelijk gerealiseerde contracthuurprijs en voor de leegstaande objecten wordt hier de (door de taxateur vastgestelde) markthuurprijs gerapporteerd. Ten behoeve van de zuiverheid van de data is er in dit onderzoek alleen gebruik gemaakt van de

32


contracthuurprijzen uit de winkelunits met een lopend huurcontract of een opgezegd maar (nog) lopend huurcontracten.

4.2

4.2.1

Dataverantwoording, koppeling, beschrijving variabelen en bewerking

Data: ROZ/IPD, Experian en Locatus

ROZ/IPD (codering U of O) IPD is een mondiale leverancier van vastgoedprestaties en risico-analyse en biedt essentiële marktinformatie aan onder andere vastgoedbeleggers wereldwijd. Deze partij controleert de door Syntrus Achmea RE&F aangeleverde data en berekent hiermee (in samenwerking met ROZ) als onafhankelijke partij de performance van een vastgoedportefeuille. Deze performance houdt de uitkomst in van de vergelijking van de resultaten van (bijvoorbeeld) een vastgoedportefeuille van belegger x met de Benchmark (IPD, 2007: 4). De Benchmark betreft vervolgens het gemiddelde beleggingsresultaat van de deelnemers aan de perfomancemeting. Wanneer het resultaat beter is dan de Benchmark wordt er gesproken over een zogenaamde out-performance en wanneer er slechter wordt gescoord dan de benchmark is er sprake van underperformance. De gebruikte begrippen in deze thesis zijn overeenkomstig met die in de ROZ/IPD Vastgoedindex. Alle financiele objectdata in deze thesis is door IPD aangeleverd, welke een kwaliteitsgarantie biedt voor het onderzoek. Experian (codering EX) Experian is een wereldwijd toonaangevende informatieleverancier voor het leveren van data en analytische instrumenten aan hun klanten. Voor deze thesis zijn twee databanken van Experian aangesproken: ‘Consumerview’ en ‘Modellenbank’. Consumerview is de database die inzicht geeft in specifieke kenmerken op sociaal-economisch gebied en in de levensstijl van alle huishoudens in Nederland. Consumerview bevat 40 demografische kenmerken per huishouden, waaruit 5 variabelen zijn gekozen om op te nemen: koopkracht, huishoudens met een bepaalde woningwaarde (WOZ), het aantal huishoudens, het totale populatieaantal en inkomensgroepen. Deze variabelen zijn allemaal gekoppeld aan de bereikbaarheid van het winkelgebied, omdat er rekening is gehouden met de reistijd van een ‘potentiele consument’ van de eigen voordeur tot de winkel. Modellenbank is verzameling modellen die gemaakt zijn op basis van bestaande data die voorspellingen doen van een veelzijdig spectrum aan thema’s, hier is gekozen voor een fictieve supermarkt en een fictieve drogist. Locatus (codering LU, LU_RRI of LO_RRI) Locatus is als onafhankelijke bron de marktleider op het gebied van winkelinformatie in de Benelux. Locatus verzamelt informatie over alle winkels en consumentgerichte, diensverlenende partijen. De verzamelde gegevens, zoals winkel(naam), winkelvloeroppervlak en branche worden geregistreerd in de database. Naast gegevens op pandniveau bevat de database ook gegevens over winkelgebieden (typen), verzorgingsgebieden en winkelpassanten.

Tauw, H.

33


4.3

Koppeling datasets

Zoals eerder beschreven worden meerdere databronnen geraadpleegd om een database te creeëren. Deze verschillende datasets dienen aan elkaar gekoppeld te worden om op hetzelfde aggregatieniveau dezelfde onderzoekseenheden te kunnen onderzoeken. In figuur 9 hieronder is schematisch weergegeven hoe de dataverzameling eruit ziet. Figuur 9 Schematische weergave dataset

De figuur visualiseert dat winkelgebieden uit 1 of meer winkelobjecten bestaat. Elk object kan vervolgens één of meerdere winkelunits hebben. Een winkelobject is in deze studie gelijkwaardig aan een beleggingsobject, zoals klanten van vermogensbeheerders deze in portefeuille hebben. Een voorstelling van een object is bijvoorbeeld een fysiek afgebakend bouwblok binnen een winkelgebied, waarin meerdere winkelunits gehuisvest zijn. De beleggingsprestatie van een winkelobject is om die reden een totaalresultaat van de winkelunit(s) welke zich in het object bevindt/bevinden. Kosten die een belegger maakt zijn vaak van toepassing op het gehele object, en worden dus over het object gedeeld. Voor de inkomsten uit een beleggingsobject geldt hier hetzelfde. De belegger berekent op die manier het rendement op winkelobject-niveau. De afzonderlijke units binnen een object worden echter verhuurd aan verschillende huurders, met elk een eigen contracthuurprijs. De dataset waarin de huurprijs is opgenomen is een compleet andere dataset dan die van Locatus. Om deze data te kunnen koppelen aan de winkeldata van Locatus, dient er een overeenkomstige ID aanwezig te zijn tussen de administratie van de huurprijzen van de winkelunits en de . Locatus heeft het model zo gemaakt dat er op basis van de postcode (een 4 cijfer- en 2 lettercombinatie) en adresnummer RRI gegevens opgevraagd kunnen worden. Deze bij lange na niet overeenkomstig met

34


de dataset van Syntrus Achmea RE&F, waardoor deze gematched dienden te worden. Deze matching is gedaan in het database programma Microsoft Access. Op het niveau van het winkelobject, verzorgt de bijbehorende postcode (PC6) de koppeling met de variabelen die geleverd zijn door Experian. Door een postcode aan te leveren was het voor Experian mogelijk om reistijden tot een winkel mee te nemen. Reistijden zijn gespecificeerd van 5, 10,15,30 en 45 minuten tot de winkel. Op die manier is het mogelijk om het aantal mensen (de populatie of huishoudens) in een reistijd van 5 minuten mee te kunnen nemen in dit onderzoek.

4.4

Variabelenbeschrijving met verwachte relaties

De variabelen hebben betrekking op twee meetniveaus; het winkelunitniveau met 1011 winkels en het objectniveau met daarin 301 objecten. De winkelunits zijn allemaal gelegen in elk van de objecten, wat betekent dat een gemiddeld winkelobject bijna 4 winkelunits bevat. Allereerst de afhankelijke variabelen, te beginnen met de afhankelijke variabele van de winkelunit en vervolgens de afhankelijke variabele van het object: Unit_Ln_Th_huurprijs_m2: is de variabele die verklaard dient te worden in het huurprijsmodel op winkelunitniveau. Dit is de jaarhuurprijs die afgesloten is met de huurder, en in theorie de huur is van de winkelunit per m2 per jaar. Voor de leegstaande objecten is de markthuur opgenomen. Deze variabele is logaritmisch getransformeerd, vandaar de ‘Ln’ (natuurlijk logaritme) in de codering. Object_Totaal_rendement_2013: is de variabele die verklaard dient te worden in het rendementsmodel op objectniveau. Dit is het totaalrendement van een object welke in 2013 is gerealiseerd. Er kan mogelijk gekozen worden voor het verklaren van het 3jaars/5jaars rendement, wanneer dit een betere afspiegeling van de werkelijkheid biedt (minder fluctuatie bijvoorbeeld). Vervolgens de onafhankelijke variabelen: U_Energielabel: Van alle winkels hebben er 1026 een energielabel (87%), welke uiteenlopen in 9 categorieën (A++, A+, A, B, C, D, E, F, en G). Van elk van deze units is tevens het Energie-index cijfer beschikbaar. Verwachte relatie: uit een studie van Vlasveld (2012:33) komt naar voren dat het energielabel in het uiteindelijke model (7) geen significante relatie met het direct rendement (huurrendement) heeft. Echter de onafhankelijke variabelen in deze studie zijn verschillend (totaalrendement en huurprijs). De verwachting is dat winkels met een beter label een lagere huurprijs hebben, gezien veelal historische panden op A1 locaties lage labels hebben en hoge huurwaarden. De verwachting voor de invloed op het totaalrendement is dat een beter label een lager rendement biedt. Daarbij wordt de energie-index te gebruikt (Vlasveld, 2012: 26) gezien deze data normaler verdeeld is en continue data is in tegenstelling tot de categorale data van de energielabels. U_Verhuurd_status: De status van een object kan verschillen. Verreweg het grootste deel van de dataset bevat winkelunits die verhuurd zijn met een lopend huurcontract (1011:85%). In 163 winkels is het contract opgezegd door de huurder (15%). Dit wil echter niet zeggen dat het pand al leeg staat.

Tauw, H.

35


Verwachte relatie: Wanneer een winkelunit leeg staat is het evident dat de contracthuurprijs gelijk is aan nul. Er wordt dan ook geen relatie gezocht tussen leegstand en de huurprijs. In dit onderzoek worden daarom alleen de lopende contracten en opgezegde (maar nog lopende) huurcontracten meegenomen. U_huurder: Van alle winkels staan er 111 leeg, de huurder is dan aangegeven als LEEGSTAND. Dit betekent een leegstandspercentage in verkooppunten van 9,5% voor deze dataset. Verwachte relatie: Wanneer een winkelunit leeg staat is het evident dat de contracthuurprijs gelijk is aan nul. Het type huurder kan echter van belang zijn en dit wordt onderzocht in de variabele LU_FORMULE, welke verderop beschreven wordt. U_oppervlakte: Deze variabele geeft de verhuurbare vloeroppervlakte (VVO: NEN2580) van een unit weer. Wanneer men de Theoretische jaarhuur deelt door het VVO levert dit de theoretische huurprijs per vierkante meter (U_Th_Jaarhuur_m2) op. De leegstand betekent een onverhuurd oppervlak van 26.388 vierkante meter, welke vervolgens 5,7% behelst van het totaaloppervlak in deze dataset van 463.210 vierkante meter. Verwachte relatie: hoe groter de winkelunit hoe lager de huur. Voor het totaalrendement is de verwachting dat een groter object een hoger rendement geeft. U_contractingangsjaar_lopend_en_opgezegd: geeft weer in welk jaar in het verleden het allereerste contract met een huurder is aangegaan. Deze data zijn verspreid tussen 1974 en 2013. Voor de lopende huurcontracten (ook contracten die opgezegd zijn en nog lopen) is het mogelijk te berekenen hoe lang er reeds een huurovereenkomst is met dezelfde huurder. Verwachte relatie: in beginsel is het de verwachting dat langere looptijden corresponderen met lagere huurprijzen en lagere rendementen. Het is echter mogelijk dat fluctuaties in de economische trend hebben kunnen leiden tot hoger of lager afgesloten contracthuurprijzen in het verleden. Dit effect zal dan ook gemodelleerd worden in het empirische deel. U_Contractduur Door het contractingangsjaar af te trekken van het contractexpiratiejaar wordt een variabele voor de contractduur gemaakt. De contractexpiratiejaren zijn verspreid tussen 2013 en 2026. Verwachte relatie: wanneer een retailer bereid is om een lang huurcontract af te sluiten, en/of al een lange tijd in dezelfde winkelunit operationeel is, zal dit een lagere huurprijs en een lager rendement moeten opleveren. U_Markthuur: is de huur die opgegeven is door de taxateur als zijnde de markthuur op het moment van de laatste taxatie. Verwachte relatie: deze variabele wordt niet onderzocht in dit onderzoek, gezien contracthuurprijzen de meest zuivere benadering zijn van een prijs die is overeengekomen tussen huurder en verhuurder van een winkelunit. LU_FORMULE: deze variabele geeft aan of een winkel gehuurd wordt door een formulebedrijf (nationale/internationale keten) of een zelfstandige ondernemer. In deze dataset zijn 715/1173 (61%) ketens en het overige deel (39%) ofwel zelfstandige winkeliers danwel leegstand.

36


Verwachte relatie: de verwachting is dat formulebedrijven hogere huren betalen dan zelfstandig ondernemers en dat er op ketenbedrijven lagere rendementen kunnen worden behaald. LU_BRANCHE: Deze variabele heeft informatie over in welke branche een winkel actief is. In totaal zijn er 119 verschillende branches uitgesplitst. Hieronder bevallen bijvoorbeeld delicatessen, pinautomaten, slagerij en optiek. Verwachte relatie: gezien de verscheidenheid aan branches wordt in deze studie de volgende variabele meegenomen (LU_HOOFDBRANCHE) waar een duidelijkere relatie verwacht wordt. LU_HOOFDBRANCHE: Een minder gedetailleerd maar overzichtelijk beeld geeft de hoofdbranche waarin een winkel geclassificeerd kan worden. Hierin worden 25 hoofdbranches onderscheiden. Een kapper en een schoonheidssalon zijn hierin bijvoorbeeld beiden een ‘ambacht’-branche geworden. Verwachte relatie: zoals in de literatuurstudie wordt aangegeven bij Rosiers et. al (2005) worden er met bepaalde branches significante relaties verwacht met de hoogte van de huur. Deze verwachting wordt geadopteerd naar het rendement. LU_GROEP: In deze variabelen worden branches gegroepeerd in 9 groepen die te maken hebben met het koopmotief. Hier wordt bijvoorbeeld uitgesorteerd welke winkels dienstverlenend zijn, leisure activiteiten bevatten of dat consumenten hier voor de dagelijkse benodigdheden terecht kunnen. Verwachte relatie: wanneer er aanleiding toe is wordt deze variabele gebruikt in plaats van de LU_HOOFDBRANCHE variabele. Dan wordt dezelfde relatie verwacht. LU_PASSANTEN: Dit is de variabele die een indicatie geeft van de passanten bij een winkel. Deze variabele is voor 517 winkels afwezig (44%), waar deze niet gemeten zijn. Bij 656 winkels is deze echter wel aanwezig. Deze variabele is weergegeven in absolute getallen. Verwachte relatie: hoe hoger het passantenaantal hoe hoger de huur, en hoe lager het rendement. LU_STANDPLAATSKWALITEIT: Deze variabele geeft de standplaatskwaliteit van een winkel, en is een vertaling van de passantenvariabele in verschillende categorieën, maar relatief ten opzichte van andere winkels(traten) in het gebied. Dit levert een classificatie op, die relatief moet worden geinterpreteerd, van A1-locaties (goed), naar A2, B1, B2 naar C-locaties (slecht). Verwachte relatie: op goede locaties worden hogere huurprijzen betaald, maar is het risico lager en wordt een navenant lager rendement verwacht. LU_WINKELGEBIEDSHOOFDTYPE: Het hoofdtype van een winkelgebied valt een in twee mogelijkheden. Het is een centraal winkelgebied (eerste binnen haar gebied) of het is een ondersteunend winkelgebied, welke nooit het hoofdcentrum is in de omgeving. Verwachte relatie: in centrale winkelgebieden worden statistisch significante hogere huren betaald dan in ondersteunende winkelgebieden. De totaalrendementen in centrale locaties zijn lager. LU_WINKELGEBIEDSTYPERING: Zoals beschreven in hoofdstuk 1 zijn er meerdere typen winkelgebieden. Deze variabele geeft aan in welke van de 13 typen winkelgebieden deze ligt. Er wordt verondersteld dat er een hierarchische opbouw is van deze winkeltypen.

Tauw, H.

37


Verwachte relatie: in winkelgebieden van een ‘hogere orde’ worden statistisch significante hogere huurprijzen behaald dan in die in een ‘lagere orde’. De totaalrendementen zijn lager in een hogere orde. LU_PROVINCIE: De dataset beschikt ook over een provincie variabele, wat het mogelijk maakt om in grove lijnen het effect de ligging binnen Nederland op te nemen. Een Randstad- niet-Randstad dummy variabele is ook mogelijk. Uit de frequentietabel komt naar voren dat het grootste aantal units in e dataset gelegen is in Zuid-Holland (24 %), gevolgd door Noord-Holland (17%), Gelderland (15%), Noord-Brabant (14%) en de overige provincies (<10%). Verwachte relatie: de verwachting is dat in gebieden waar de leegstand laag is en/of in de Randstad, de huurprijs hoger is dan daarbuiten en de rendementen lager zijn. LU_INW_02/05/10 en LU_INW: Deze 3 variabelen bevatten het aantal inwoners vanaf de desbetreffende postcode van het object waar de unit in ligt, in een straal van 2km, 5km en 10km. De 4de variabele is het aantal inwoners van de gemeente waarin de winkel zich bevindt. Verwachte relatie: ondanks dat deze variabele in andere studies significant wordt bewezen, wordt in deze studie aangenomen dat het nemen van een straal rondom een winkel een minder accuraat beeld geeft van het aantal inwoners dan een variabele die de daadwerkelijke reistijd berekent Om die reden wordt de variabele EX_5/10/15/30/45Minuten_POP ook meegenomen in de regressie. EX_5/10/15/30/45Minuten_HHS: Dit zijn 5 variabelen met elk een andere reistijd vanaf de desbetreffende postcode van het object waar de unit in ligt. Hierin is berekend hoeveel huishoudens (HHS) binnen 5, 10, 15, 30 en 45 minuten reizen vanaf die postcode liggen. Verwachte relatie: hoe meer huishoudens in een reistijd van 5/10/15/30/45 minuten hoe hoger de huurprijs en hoe lager het rendement. EX_5/10/15/30/45Minuten_POP: Dit zijn 5 variabelen met elk een andere reistijd vanaf de desbetreffende postcode van het object waar de unit in ligt. Hierin is berekend hoe groot de populatie (POP) is binnen 5, 10, 15, 30 en 45 minuten reizen vanaf die postcode. Verwachte relatie: hoe groter de populatie in een reistijd van 5/10/15/30/45 minuten hoe hoger de huurprijs en hoe lager het rendement. EX_5/10/15/30/45Minuten_Income1/2/3/4/5: Dit zijn 5 variabelen met elk een andere reistijd vanaf de desbetreffende postcode van het object waar de unit in ligt. Hierin is berekend hoe groot de populatie (POP) is binnen 5, 10, 15, 30 en 45 minuten reizen vanaf die postcode, met een beneden modaal (1), modaal (2), 1,5 keer modaal(3), 2 keer modaal (4) en meer dan 2 keer modaal (5) inkomen. Een modaal inkomen (2) is tussen de 26.000 en 40.000 euro. Verwachte relatie: hoe groter de populatie in een gebied met een hoog inkomen, hoe hoger de huurprijs en hoe lager de rendementen. EX_5/10/15/30/45Minuten_KKR_deciel_1-10: Dit zijn 50 ‘dezelfde’ variabelen met elk een andere reistijd vanaf de desbetreffende postcode van het object waar de unit in ligt. Hierin is berekend hoe groot de populatie is met een koopkracht (van 1=laag tot 10=hoog) binnen 5, 10, 15, 30 en 45 minuten reizen vanaf de postcode van het object. Verwachte relatie: hoe groter de koopkracht hoe hoger de huurprijs en hoe lager het rendement.

38


10Minuten_WOZ_0-10: WOZ staat voor Waardering onroerende zaken en betreft de waarde van een woonhuis voor de belasting. Dit zijn 11 ‘dezelfde’ variabelen op 10 minuten reizen van de desbetreffende postcode van het object waar de unit in ligt. Hierin is berekend hoe groot de populatie is met een lage tot hoge WOZ waarde (van 0=geen en 1=laag tot 10=hoog) binnen 10 minuten reizen vanaf de postcode van het object. Verwachte relatie: hoe hoger de WOZ waarde van de woonhuizen van de huishoudens binnen 10 minuten reizen van de winkel hoe hoger de huur, en hoe lager het rendement. G163_Etos: Deze gemodelleerde variabele wordt beschreven als ‘Zaak kopen drogisterijartikelen/parfum: ‘Etos’: Geregeld’. Dit is een “estimated market size” variabele, een geschatte marktgrootte voor een fictieve vestiging van een drogisterij genaamd: ‘Etos’. Hier is gekozen voor een drogisterij, aangzezien dit een van de meest voorkomende branches is en voor zowel kleine als grote verzorgingsgebieden draagvlak heeft omdat het voorziet in een dagelijkse behoefte. Deze variabele schat het aantal mensen dat deze winkel in een hypothetische situatie zou bezoeken. Verwachte relatie: de hypothese is hier dat er in een fictief winkelgebied een lage drempel is om een drogist te starten, gezien dit in de eerste levensbehoefte voorziet. Wanneer er een grote geschatte marktgrootte (estimated market size) is voor een drogist, zal dit betekenen dat er veel consumentenvraag is en hier hoge huurprijzen gerealiseerd kunnen worden. Dit zou vervolgens moeten corresponderen met een lager risico en lagere totaalrendementen. G243_AlbertHeijn: Deze gemodelleerde variabele wordt beschreven als ‘Winkel dagelijkse boodschappen: Albert Heijn: Geregeld’ . Dit is een ‘estimated market size’ variabele, een geschatte marktgrootte voor een hypothetische vestiging van een supermarkt genaamd: ‘Albert Heijn’. Hier is gekozen voor een Albert Heijn, aangzezien dit een van de meest voorkomende branches is en voor zowel kleine als grote verzorgingsgebieden draagvlak heeft omdat het voorziet in een dagelijkse behoefte. Verwachte relatie: de hypothese is hier dat er in een fictief winkelgebied een lage drempel is om een supermarkt te starten, gezien dit in de eerste levensbehoefte voorziet. Wanneer er een grote geschatte marktgrootte (estimated market size) is voor een supermarkt, zal dit betekenen dat er veel consumentenvraag is en hier hoge huurprijzen gerealiseerd kunnen worden. Dit zou vervolgens moeten corresponderen met een lager risico en lagere totaalrendementen. O_Aantal_eenheden: Deze variabele geeft weer per unit hoeveel units haar eigen object bevat. Verwachte relatie: hoe meer units in een object hoe hoger de huurprijs. Ervanuitgaande dat objecten met meer eenheden efficiënter kunnen worden gemanaged, en er dus minder kosten worden gemaakt, zouden deze objecten mogelijk hogere rendementen kunnen behalen. O_Netto/Bruto_inkomsten: Deze variabelen geven de netto/bruto inkomsten van het object weer in het jaar 2013. Verwachte relatie: deze variabele is niet opgenomen in deze studie gezien dit het product vormt van de onafhankelijke variabele.

Tauw, H.

39


O_Indirect_rendement 2013/3jr/5jr: Deze 3 variabelen geven het indirecte rendement (waardegroei) weer van het object in 2013, het gemiddelde van de afgelopen 3 jaar en 5 jaar. Verwachte relatie: wanneer er aanleiding toe is kunnen deze deelvariabelen van het totaalrendement (direct en indirect rendement) als afhankelijke variabele worden opgenomen ter vervanging van de variabele O_totaalrendement_2013 O_Direct_rendement 2013/ 3jr/ 5jr.: Deze variabele geeft het directe rendement (rendement uit kasstroom) van het object weer van 2013, de afgelopen 3 jaar en 5 jaar. Verwachte relatie: wanneer er aanleiding toe is kunnen deze deelvariabelen van het totaalrendement (direct en indirect rendement) als afhankelijke variabele worden opgenomen ter vervanging van het totaalrendement. O_Initial Yield: Bruto Aanvangsrendement (BAR) bij aankoop van het object. Verwachte relatie: de BAR is een outputvariabele, waar geen relatie mee wordt gezien in de context van dit onderzoek. O_Actuele huur_2013/ per_m2_2013/ huurgroei: Deze drie variabelen geven de totale actuele ( en dus gerealiseerde) huur van 2013, per vierkante meter en de huurgroei die ten opzichte van het jaar ervoor (2012) heeft plaatsgevonden. Verwachte relatie: de gerealiseerde actuele huur is een outputvariabele, waar geen relatie mee wordt gezien in de context van dit onderzoek. O_leegstands-percentage (t)_2013: Deze variabele geeft het percentage leegstand van het object. Wanneer bijvoorbeeld 1 van de 4 winkels leeg staat en deze exact even groot zijn, heeft deze variabele de waarde 0,25. Verwachte relatie: Wanneer er winkelunits in een object leeg staan is het evident dat de actuele huur lager is en het rendement lager is. Een statistisch verband tussen beide toont om die reden geen verklaring aan. O_Huurvrije perioden cq huurkortingen: Huurdervingen gedurende het kalenderjaar, ook wel huurincentives genoemd. Een huurvrije periode of korting voor een retailer. Verwachte relatie: Huurkortingen op jaarlijkse basis zijn inherent aan de hoogte van de huur en een inputvariabele voor het rendement, deze relatie aantonen is arbitrair en daarom uitgesloten voor dit onderzoek. O_Vaste_Kosten/Beheerkosten/Verhuur-en-Marketingkosten/Overig: 4 variabelen voor alle kostengerelateerde zaken van een object. Verwachte relatie: wanneer er hogere kosten gemaakt worden in een object, is het de verwachting dat de verhuurder dit terug ziet in een hogere huurprijs. Hogere kosten kunnen echter wel een voorbode zijn van een lager rendement. O_Vloeroppervlak: Verhuurd gedeelte van verhuurbaar vloeroppervlak (VVO: NEN2580) van het object met als functie winkelruimte. Verwachte relatie: hoe groter het totaal vloeroppervlak van een object hoe lager de huur en hoe lager het rendement.

40


4.5

Testen van assumpties en databewerking

4.5.1 Assumptie van normaliteit Figuur 10: Histogram Ln_U_th_Huurprijs_m2 Allereerst is de normaliteit van de afhankelijke variabelen onderzocht, te beginnen met de huurprijs (U_th_Huurprijs_m2). Bij de toets voor normaliteit is naar voren gekomen dat de Mean (298,58) erg afwijkt van de Median (234,31), deze horen idealiter gezien dichter bij elkaar te liggen. De Skewness (symmetrie) geeft een waarde van 2,356 en de Kurtosis = 7,667. Deze waarden dienen beide tussen de -1, en de 1 te liggen. Daarbij was in de histogram duidelijk te zien dat de data niet normaal verdeeld is. Om aan de assumptie van normaliteit te kunnen voldoen, wordt U_th_huurprijs_m2 logaritmisch getransformeerd. Na deze transformatie heeft de afhankelijke variabele (Ln_U_Th_Huurprijs_m2) een Mean van 5,57, Median een waarde van 5,46, Skewness een waarde van 0,380 en Kurtosis een waarde van 0,623. Daarmee voldoet het aan de assumptie voor normaliteit, wat te zien is aan de normaalverdeling in de histogram (Figuur 10). Figuur 11: Histogram Ln_O_totaalrendement_2013

Vervolgens de andere onafhankelijke variabele voor het rendementsmodel: Ln_O_totaalrendement_2013 (Figuur 11). De toets voor normaliteit laat zien dat de variabele een mean heeft van 3,47, een median van 3,59, de skewness is -7,245 en een Kurtosis van 73,57. De mean en de median liggen dicht bij elkaar, wat een goed teken is. De waarde voor de skewness en Kurtosis dienen beide echter veel dichter bij 0 te liggen. Met deze informatie kan niet per definitie de assumptie van normaliteit worden bevestigd en zal de plot van de residuen in paragraaf 4.5.7. meer duidelijkheid kunnen verschaffen.

4.5.2 Bewerking variabelen Om een betere interpretatie te krijgen van de Bèta-coefficienten in de outputtabellen zijn een aantal variabelen met hoge waarden (populatie, huishoudens, passanten, koopkracht, woz waarde,

Tauw, H.

41


inwoners, etc) gedeeld door 1000 of 10. Deze transformatie heeft de meeteenheden veranderd. Dit betekent bijvoorbeeld dat het effect gemeten is op stappen van 10 vierkante meter. Wanneer men dan het oppervlak van een winkel met 10m2 verhoogt, heeft dat een €x effect op de huurprijs.

4.5.3

Assumptie van lineariteit

De assumptie van lineariteit neemt aan de dat de onderliggende relatie tussen y en x een rechte lijn volgt. Om een lineaire multiple regressie uit te kunnen voeren is dit voorwaarde, gezien de voorspellingen hierop berusten. In bijlage 4a en 4b zijn de scatterplots van de relaties tussen de afhankelijke variabele en de continue variabelen te zien. Uit de plots is te zien dat een rechte lijn aannemelijk is voor de variabelen, waarmee de assumptie van lineariteit is aangenomen voor de volgende variabelen: 1. 2. 3. 4. 5. 6. 7.

Energieindex: positief lineair verband. U_contractduur_resterend: negatief lineair verband. LU_passanten: positief lineair verband. LU_inwoners_2km: positief lineair verband. U_oppervlak: negatief lineair verband. WOZ_klassen 2-5 en WOZ klassen 6-10: beiden een positief lineair verband. Koopkrachtklassen deciel 1-4, 5-7 en 8-10. Alle drie een positief lineair verband.

De relaties tussen de continue variabelen en de afhankelijke variabelen wordt verder uitgewerkt in paragraaf 5.2. In deze paragraaf zal door toetsing van de verklaarde variantie blijken, dat het opnemen kwadratische vergelijkingen voor sommige variabelen een gunstige uitwerking heeft op de kwaliteit van het model. 4.5.4

Transformatie in dummy variabelen

Er is reeds vastgesteld dat de afhankelijke variabele continue is. Een multiple regressieanalyse kan nu uitgevoerd worden mits de de onafhankelijke variabelen continue of dichotoom (binair) zijn. Gezien een deel van de verzamelde variabelen zijn nominaal en ordinaal zijn, zijn deze omgevormd tot dummy variabelen. Een dummy variabele neemt de waarde 1 of 0 aan om respectievelijk de aan- of afwezigheid van een categoraal effect te kunnen modelleren. De onderstaande variabelen zijn getransformeerd in dummy-variabelen:     

LU_winkelgebied_type (6 dummy’s waarvan 1 referentiecategorie: wijkcentrum_klein_groot) LU_groepen branches (8 dummy’s waarvan 1 referentiecategorie: dummy Leisure) LU_standplaatskwaliteit (4 dummy’s en 1 referentiecategorie: standplaatskwaliteit C) LU_winkelgebied_centraal_ondersteunend (ondersteunend winkelgebied =0, centraal=1) LU_Formule_Zelfstandig (zelfstandige ondernemers = 0, formulewinkel =1)

De dummy-groep moet echter wel groot genoeg zijn, ongeveer 10% van het totaal. Groepen winkelgebiedtypen die kleiner waren zijn samengevoegd (zoals wijkcentrum_klein en wijkcentrum_groot & kernverzorgend centrum_klein en _groot) of uit de regressie gelaten (supermarktcentrum en grootschalige concentratie). Nu deze variabelen zijn getransformeerd in 42


dummy’s, kunnen deze worden opgenomen met een referentiecategorie waartegen de variabelen a.h.w. ‘gespiegeld’ worden. In paragraaf 5.1 wordt verder ingegaan op de toetsing van de dummy variabelen. 4.5.5

Multicollineariteit

Bij meervoudige regressie kan multicolineairiteit optreden. De onafhankelijke variabelen, die in dat geval sterk correleren, verklaren dan vrijwel dezelfde variantie in de afhankelijke variabele. Om dit te voorkomen is er gecontroleerd voor multicolineairiteit (collinearity diagnostics). Uit deze correlatietabel blijkt dat LU_INW, LU_INW_02, LU_INW_05 en LU_INW_10, sterk met elkaar correleren. Al deze variabelen correleren vervolgens hoog met de estimated market size van de Etos en de Albert Heijn, met alle inkomensgroepen (Income), en vrijwel alle koopkrachtgroepen (KKR). Dit betekent dat deze variabelen in het geheel of deels hetzelfde effect verklaren en dat er een keuze gemaakt moet worden uit deze variabelen. Hoe deze afweging is gemaakt is beschreven in de volgende paragraaf. 4.5.6

Construeren van het huurprijsmodel

Het aantal inwoners binnen 2 kilometer blijkt ten opzichte van het totaalaantal inwoners en het aantal inwoners binnen 5/10 kilometer de grootste correlatie te hebben. Het aantal inwoners in een straal van 5 en 10 kilometer vallen daarom als variabelen af. De fictieve Albert Heijn/Etos-variabele, het aantal huishoudens, de populatie, koopkracht en WOZ klasse-variabelen bleken allemaal binnen een reistijd van 10 minuten is de sterkste relatie te hebben met de huurprijs. Vervolgens bleek het aantal inwoners in een straal van 2km, hoog te correleren met andere variabelen (AH, Etos, aantal huishoudens, populatieaantal). Om die reden moet er een keuze gemaakt worden uit deze variabelen. Verdere analyse wees uit dat de correlatie tussen de huuurprijs en het aantal inwoners binnen 2 kilometer het sterkste was. De overige variabelen vielen daarom af, en blijven koopkracht, inkomen, inwoners binnen 2km en WOZ over. Door een aanvullende analyse te maken waarin de variabelen in een lineaire regressie waren opgenomen met de huurprijs, bleken wederom de koopkracht, inkomen, aantal inwoners in 2km en de WOZvariabelen de meeste variantie (R2 adjusted) te verklaren. Deze WOZ variabele had echter wel een sterke onderlinge correlatie. Dit betekende dat er bijvoorbeeld veel mensen in een huis tussen de 0 en 112.500 euro in de buurt wonen van mensen in huizen van 112.500-137.500 euro. Deze correlatie is op gelet, en door de WOZ-klassen op te delen in 2 groepen; minimale WOZ-waarde tot €187.500 en 187.500 tot maximale WOZ-waarde is dit opgelost. De inkomensvariabelen correleren te hoog met elkaar. Het inkomen correleerde ook hoog met de koopkracht variabelen, WOZ-variabelen en het aantal inwoners binnen 2km. Dit houdt in dat ze operationalisaties zijn van hetzelfde concept en dus hetzelfde verklaren. Daarbij verklaart inkomen minder variantie van de huurprijs ten opzichte van het aantal mensen binnen 2 km. De toegevoegde waarde van de variabel inkomen valt nog verder weg omdat de WOZ-variabele ook inkomen verklaart, en de WOZ-waarde een betere voorspeller van de huurprijs is. Om deze redenen is inkomen als voorspeller uit het model gehaald.

Tauw, H.

43


De koopkracht was tevens een variabele die sterk onderling correleerde. Dit had te maken met dat mensen bijvoorbeeld koopkracht 4 hebben, mogelijk in de buurt wonen van mensen die koopkracht 5 hebben, enzovoort. Om die reden is ervoor gekozen om de koopkrachtvariabelen op te delen in 3 groepen: 1-2-3-4, 5-6-7 en 8-9-10. Deze 3 nieuwe variabelen correleerden vervolgens niet meer met elkaar (op een variabele na), of met andere variabelen, waardoor ze toch opgenomen konden worden in het model. Deze bewerkingen hebben ertoe geleid dat de volgende variabelen niet meer met elkaar correleren, danwel onderling correleren: 2 WOZ-klassen, 3 koopkracht klassen en het inwoners in 2km. Omdat deze variabelen niet onderling correleren verklaren ze verschillende onderdelen van de variantie van de huurprijs. Voorbeeld: het is denkbaar dat er in een rijke buurt met grotere huizen minder huishoudens wonen in een straal van 2 kiliometer. Hierdoor zouden er minder huishoudens zijn wat duidt op een lage marktvraag en een lagere markthuur, wat vreemd zou zijn in een rijke buurt. Dit onjuiste effect kan afgezwakt worden door de WOZ variabele, die hoger zal zijn in een rijke buurt, en een hogere koopkracht in die buurt. Op die manier is het mogelijk om eigenschappen van huishoudens uit te splitsen in verschillende parameters, die het effect op de huurprijs van winkels kan meten. Op deze manier zijn er talloze situaties denkbaar waarin het opnemen van meerdere variabelen die het welzijn/welvaart van huishoudens meet, te onderbouwen is. Deze bewerkingen in deze paragraaf hebben er toe geleid dat er geen correlatie meer is tussen de onafhankelijke variabelen en er geen multicollinairiteit meer optreedt. Daarmee is voor deze studie voldaan aan de assumptie van onafhankelijke waarnemingen. Voor het construeren van een eindmodel voor de huurprijs en het rendement is de ‘Stepwise Forward Selection Procedure’ gebruikt. In deze methode wordt stap voor stap de hoogst verklarende variabele toegevoegd aan het model, en wanneer de adjusted R2 toeneemt, wordt de variabele erin gelaten, zoniet dan wordt deze uit het model gelaten. Voor deze methode is het essentieel om te weten welke onafhankelijke variabele los van de andere variabelen van grote invloed is op de afhankelijke variabele. Dit is verderop in deze thesis weergegeven in tabel 12. Hierin komen de eerder beschreven verwachtingen van de relaties, die in paragraaf 4.4 zijn beschreven weer terug.

4.5.7

Assumptie van homoscedasticiteit

In figuur 12 is de scatterplot weergegeven die na het ontwikkelen van het eindmodel is gemaakt voor de homoscedasticiteit. Om gerechtvaardigde conclusies te kunnen trekken uit de resultaten van een analyse over de populatie waaruit de steekproef getrokken is, is het nodig dat ook aan deze aanname voldaan is. Homoscedasticiteit betekent dat de variantie van de residuen gelijk is voor alle mogelijke waarden van de onafhankelijke variabelen, ook wel de homogeniteit van variantie genoemd. Dit laat zich zien in een patroon (vogelnest) op de plot, waar geen andere patronen in te ontdekken moeten zijn.

44


Figuur 12: Homoscedasticiteit van het huurprijsmodel

Op basis van de visuele output in deze plot mag de assumptie van homoscedasticiteit worden aangenomen. Figuur 13: Homoscedasticiteit van het rendementsmodel

In figuur 13 is de scatterplot van de residuen weergegeven die na het ontwikkelen van het rendementsmodel is gemaakt voor de homoscedasticiteit. Deze plot is een stuk minder overtuigend dan die van de huurprijs. Er zit een licht dalend, mogelijk trechtervormig patroon in, wat erop kan duiden dat er niet wordt voldaan aan de aanname voor homoscedasticiteit. Wat dit in de praktijk betekent voor dit model is dat de voorspelling voor het rendement mogelijk te veel afwijkt van het daadwerkelijk behaalde rendement, wat de uitkomsten van dit model onbetrouwbaar maakt.

Tauw, H.

45


4.5.8

Winkelvastgoed huurprijsindex

Door alleen de winkelunits in de analyse mee te nemen die een lopend huurcontract hebben, is het mogelijk om niet alleen de contractduur (totale lengte contract inclusief verlengingen) mee te nemen in de analyse, maar ook de economische trend of tijdsdimensie. De startdata (in jaren) van de contracten bevatten mogelijk waardevolle informatie, aangezien huurprijzen jaarlijks worden verhoogd (geïndexeerd); huurprijzen van 20 jaar geleden zullen zonder andere effecten dus lager hebben gelegen dan 10 jaar geleden. Echter, er kunnen periodes geweest kunnen zijn waarin de huurprijzen van winkelvastgoed structureel lager of hoger hebben gelegen door macro-economische of financiële omstandigheden. Allereerst is getracht om per jaar van het contract een dummy op te nemen, hieruit kwam naar voren dat de dataset te weinig waarnemingen had voor deze oplossing. Er is daarom voor gekozen om dit tijdseffect in 1 variabele te modelleren (U_Contractlooptijd), welke als hogere orde polynoom wordt opgenomen als variabele. Daarvoor dient onderzocht te worden hoeveel termen er dienen te worden opgenomen in de polynoom en de hoogste verklaarde variantie behaalt. Echter heeft het ook de voorkeur dat de gevonden trend onderbouwd en beredeneerd kan worden. De eerste, tweede, derde, vierde en vijfdemachts polynoomfuncties zijn onderzocht in een lineaire regressie met de huurprijs. Tabel 9: Polynomische functie voor economische trend

Adjusted R2

Polynoom (economische trend) huurprijs=C+a*t1 huurprijs =C+ a*t1+bt2 huurprijs = C+ a*t1+bt2 +c*t3 huurprijs = C+ a*t1+bt2 +c*t3+d*t4 huurprijs = C+ a*t1+bt2 +c*t3+d*t4+e*t5

0,001 0,013 0,018 0,019 0,019

Uit tabel 9 is op te maken dat de vierde en vijfde machtswortel van de tijd in jaren het beste de trend voorspelt (hoogste adj. R2). De keuze is gemaakt om trend te modelleren in de vierde machtswortel, gezien de omslagpunten hiervan goed overeenkwamen met macro-economische trends. Een andere reden reden voor deze keuze is het minimaliseren van het aantal variabelen in de regressieanalyse. Dit heeft geresulteerd in de volgende formule voor de economische trend: (3) modelhuurprijs= 228,55+ 0,07*t1-0,007t2 +0,00028*t3-3,5*10^-6*t4

Modelhuurprijs_unit

Tabel 10: Economische trend vanaf 2013 (modelhuurprijs) 300 250 200 150

modelhuurprijs y

100

Poly. (modelhuurprijs y)

50

Kredietcrisis

0 0

5

10

15

Oliecrisis 20

25

30

35

40

45

Aantal jaren geleden vanaf 2013 (U_Contractlooptijd)

46


In het geheel is een stijgende lijn in de huurprijs zichtbaar vanaf 1973. Vanaf 6 jaar voor 2013 is een duidelijke daling zichtbaar, en er is een afzwakking van de trend zichtbaar rond 33 jaar geleden (tabel 10)De eerste afzwakking van de trend van rond 1980 is te verklaren met de oliecrisis in 1979, welke een economische terugval in de hele wereld heeft veroorzaakt. De tweede daling van de trend is zichtbaar omstreeks 2007, het jaar van de kredietcrisis, waarin de financiële markten onder druk kwamen te staan. Gevolgd door de Europese staatsschuldencrisis eind 2009 heeft dit de onrust verder verslechterd, met onder andere de gevolgen voor de consumptieve bestedingen van dien. Dit is een goed mogelijke verklaring voor de zeer sterke daling van de trendlijn de afgelopen paar jaar.

4.6

Beschrijvende statistiek

De beschrijvende statistiek in tabel 11 geeft inzicht in de variabelen die zijn onderzocht bij het veldwerk van deze studie. De gemiddelde huurprijs van de winkelunits is 307,77 euro, uit huurprijzen die uiteenlopen tussen de 32,70 en 1621,39 euro. Variabelen zoals het passantenaantal en het aantal inwoners binnen 2 kilometer zijn getransformeerd en dienen met 10 of 1000 vermenigvuldigd te worden om de oorspronkelijke waarde te achterhalen. Met name geeft deze tabel inzicht in de continue variabelen. Dit kan gebruikt worden om inzicht te krijgen in de selectie van de vastgoedportefeuille welke onderzocht is. Zo is bijvoorbeeld gemiddelde restduur van het huurcontract 3,9 jaar, het gemiddelde oppervlak van een winkel 410,2 vierkante meter, is het meerendeel van de units gehuurd door een formulewinkel (0,67) en sluiten huurders gemiddeld een huurcontract af van 13 jaar inclusief verlengingen. Het overgrote deel van de winkels is gelegen in de centrale winkelgebieden (79%) en een gemiddelde winkelunit heeft een passantenaantal van 14.570. Voor aanvullend inzicht kan er in de tekst gerefereerd worden naar deze tabel.

4.7

Conclusie

Waar in het vorige hoofdstuk op zoek is gegaan naar de variabelen in de literatuur, zijn de variabelen in dit hoofdstuk in de praktijk gezocht. Hiermee worden de in deelvraag 4 beschreven variabelen gevonden en komen de methoden aan bod om dit onderzoek te kunnen uitvoeren. Allereerst is ingegaan op de selectie van de onderzoekseenheden die geschikt waren om de toetsing te kunnen laten plaatsvinden. Vervolgens is de afkomst in de dataverantwoording besproken, opgevolgd door het antwoord op de vraag hoe de datasets aan elkaar gekoppeld zijn. Elke variabele heeft verschillende kenmerken, waardoor er verschillende relaties gelegd kunnen worden met de afhankelijke variabelen. Dit is uitgewerkt in de variabelenbeschrijving. Het valideren van de data is een belangrijke voorwaarde voor statistisch onderzoek, welke in paragraaf 5 verder is uitgewerkt. In deze paragraaf bleken tevens een flink aantal variabelen onderlinge relaties te hebben, welke moesten worden uitgesloten worden voor dit onderzoek. Door sommige variabelen te transformeren, bleken deze meer waarde te krijgen en kwamen relaties met de huurprijs sterker naar voren.

Tauw, H.

47


Tabel 11: Beschrijvende statistiek Beschrijvende statistiek huurprijsmodel N

Minimum

Maximum

Mean

Std. Deviation

U_Th_Huurprijs_M2

1011

32,70

1621,39

307,77

205,37

Ln van de th huurprijs/ m2/ unit

1011

3,49

7,39

5,57

0,55

Energieindex van de winkelunit Restduur van het contract.

886 1008

0,29 0,00

4,33 13,00

1,04 3,90

0,41 2,04

standplaatskwaliteit A1 standplaatskwaliteit A2

573 573

0,00 0,00

1,00 1,00

0,26 0,28

0,44 0,45

standplaatskwaliteit B1 standplaatskwaliteit B2

573 573

0,00 0,00

1,00 1,00

0,28 0,14

0,45 0,35

standplaatskwaliteit C dummy voor wijkcentrum klein en groot

573 1011

0,00 0,00

1,00 1,00

0,03 0,12

0,17 0,33

dummy voor kernverzorgend centrum klein groot dummy voor hoofdwinkelgebied_groot

1011 1011

0,00 0,00

1,00 1,00

0,26 0,17

0,44 0,37

dummy voor hoofdwinkelgebied_klein dummy voor stadsdeelcentrum

1011

0,00

1,00

0,16

0,37

1011 1011

0,00 0,00

1,00 1,00

0,09 0,20

0,28 0,40

dummy_dagelijkse branches dummy_mode&luxe

987 987

0,00 0,00

1,00 1,00

0,20 0,43

0,40 0,50

dummy_vrije_tijd dummy_in_en_om_huis

987 987

0,00 0,00

1,00 1,00

0,07 0,09

0,26 0,29

dummy_detailh_overig dummy_Diensten

987 987

0,00 0,00

1,00 1,00

0,01 0,11

0,10 0,31

dummy_ATM_automaten

987 573

0,00 0,50

1,00 58,20

0,01 14,57

0,10 10,61

LU_inwoners binnen 2km per 1000 U_Oppervlak / 10 vierkante meter

1011 1011

5,33 0,10

160,85 1278,16

42,95 41,02

30,01 90,39

d_LU_Zelfstandig=0_Formule=1 d_LU_WINKELGEBIED_centraal= 1_ondersteunend=0

1011

0,00

1,00

0,67

0,47

1009 1011

0,00 0,00

1,00 145,87

0,79 21,28

0,41 23,48

EX_10MinutenWOZ_klasse_6_7_8_9_10_1000 EX_10MinutenKKR_Deciel1_2_3_4_1000

1011

0,00

74,95

16,65

11,54

1011

2,31

130,46

27,24

33,28

EX_10MinutenKKR_Deciel5_6_7_1000

1011 1011

2,29 0,77

68,57 63,00

11,13 14,13

8,44 14,52

Populatie binnen 10 minuten per 1000

1011 1011

5,86 12,84

211,39 409,11

52,51 103,82

51,72 94,72

Estimated market size Etos 5mns per 1000 Estimated market size AH 5 mns per 1000

1011 1011

0,37 0,86

15,34 37,17

2,75 6,43

2,71 6,37

LU_inwoners gemeente per 1000

1011 1011

4,86 13,86

707,23 515,58

142,43 141,19

191,89 124,08

LU_inwoners binnen 10km per 1000 De totaalduur van het contract.

1011

28,84

903,13

343,06

261,71

1008

0,00

41,00

12,88

6,57

De looptijd van het contract tot aan 2013.

1011

0,00

39,00

8,99

6,68

Provincie_Drenthe Provincie_Flevoland

1011

0,00

1,00

0,04

0,20

1011

0,00

1,00

0,02

0,13

Provincie_Friesland Provincie_Gelderland

1011 1011

0,00 0,00

1,00 1,00

0,05 0,15

0,21 0,36

Provincie_Groningen Provincie_Limburg

1011 1011

0,00 0,00

1,00 1,00

0,00 0,03

0,05 0,16

Provincie_Noord_Brabant Provincie_Noord_Holland

1011 1011

0,00 0,00

1,00 1,00

0,13 0,18

0,34 0,38

Provincie_Overijssel Provincie_Utrecht

1011 1011

0,00 0,00

1,00 1,00

0,07 0,10

0,25 0,30

Provincie_Zeeland

1011

0,00

1,00

0,01

0,11

Provincie_Zuid_Holland

1011

0,00

1,00

0,23

0,42

dummy voor binnenstad

LU_passanten per 1000

EX_10MinutenWOZ_klasse_2_3_4_5_1000

EX_10MinutenKKR_Deciel8_9_10_1000 Aantal huishoudens binnen 10 mns per 1000

LU_inwoners binnen 5km per 1000

48


5

Empirische resultaten

Na het controleren en beschrijven van de data, worden in dit hoofdstuk de eerste empirische resultaten gepresenteerd. Dit hoofdstuk is verdeeld in twee delen. Allereerst wordt de relatie met de dummy-variabelen uiteengezet in paragraaf 5.1, waarna in paragraaf 5.2 de relatie met de continue variabelen wordt beschreven. Dit is de opmaat voor het ontwikkelen van het uiteindelijke huurprijsmodel en het rendementsmodel. Deze modellen worden in hoofdstuk 6 en 7 gepresenteerd.

5.1

De relatie tussen dummy-variabelen en de huurprijs

Om de verwachte relaties uit paragraaf 4.4 te kunnen toetsen zijn de dummy-variabelen opgenomen in een regressie met de huurprijs. Hier zouden dan duidelijke verbanden naar voren kunnen komen die de karakteristieken van winkelvastgoed definiëren. Wanneer deze variabelen niet significant worden bevonden, sluit dit niet meteen uit dat deze in een multiple regressieanalyse dat ook niet zijn. In dit krachtenveld zou zelfs het teken van de relatie (+ of -) en zelfs de significantie van de variabelen aanzienlijk kunnen veranderen. Allereerst wordt begonnen met het type winkelgebied waar de winkel in ligt. Vanwege het lage aantal waarnemingen zijn de binnenstedelijke winkelstraat en het buurtcentrum hier uitgefilterd. Winkelgebiedstype Unstandardized Coefficients Model 1

B

Std. Error

(Constant)

5,386

,045

dummy voor kernverzorgend centrum klein groot

-,103

,054

dummy voor hoofdwinkelgebied_groot

,289

,059

dummy voor hoofdwinkelgebied_klein

,128

dummy voor stadsdeelcentrum dummy voor binnenstad

Standardized Coefficients Beta

t

Sig.

120,221

0,000

-,082

-1,900

,058

,195

4,882

,000

,060

,085

2,141

,033

,599

,070

,306

8,591

,000

,428

,057

,311

7,518

,000

a. Afhankelijke variabele: Ln van de th huurprijs/ m2/ unit b. Referentiecategorie: d_winkelgebied_wijkcentrum_klein_groot

De gekozen referentiecategorie zijn de kleine en grote wijkcentra in de dataset. Uit deze resultaten is op te maken dat er in kernverzorgende centra lagere huurprijzen worden gerealiseerd, deze relatie is echter niet significant (Sig./P-waarde >0,05). De overige relaties zijn in deze enkelvoudige lineaire regressie wel significant. Dit betekent dat er in alle andere typen winkelgebieden significant hogere huurprijzen worden behaald, met als hoogste het stadsdeelcentrum, gevolgd door de binnenstad. Dit is tegen de verwachting in, gezien de binnenstad hierarchisch gezien een hoger plek in neemt. Een mogelijke verklaring is dat een groot deel van de binnenstedelijke winkelunits in de dataset in kleinere steden gelegen is, wat de kwalificatie binnenstad justificeert, maar de huurprijs drukt. Stadsdeelcentra zijn bij voorbaat gelegen in steden die groter zijn (welke stadsdeelcentra hebben), wat een opwaarts effect op de huurprijs kan hebben. Dit effect kan in een multivariate omgeving veranderen, als andere variabelen toegevoegd worden. De winkelgebiedstypen samen, verklaren 17,7% van de variantie van de huurprijs (R2 adjusted =0,177)

Tauw, H.

49


Vervolgens wordt er bekeken wat het effect van de standplaatskwaliteit is op de huurprijs. De standplaatskwaliteit is in de basis een lokale maatstaf; relatief ten opzichte van units in de eigen omgeving wordt de standplaats bepaald. Standplaatskwaliteit Unstandardized Coefficients Model

Standardized Coefficients

t

Sig.

120,969

0,000

,531

,596

-,005

-,091

,928

-,102

-2,178

,030

-,197

-4,644

,000

B

Std. Error

(Constant)

5,798

,048

standplaatskwaliteit A2

,035

,067

,026

standplaatskwaliteit B1

-,006

,067


-,176

,081

standplaatskwaliteit C -,700 ,151 a. Afhankelijke variabele: Ln van de th huurprijs/ m2/ unit

1

Beta

b. Referentiecategorie: dummy voor de standplaatskwaliteit A1.

Hier is een duidelijk verschil in hierarchie zichtbaar, met een kleine uitzondering voor A2 winkelvastgoed, waar hogere huurprijzen worden gerealiseerd dan op A1 locaties (de referentiecategorie). De huurprijs is lager op B1 locaties, nog lager op B2 locaties en het laagst op Clocaties. Het verschil tekent sterk af wanneer men realiseert dat de huurprijzen op C-locaties 70% lager liggen dan op A1 locaties (Bèta = -0,700). De dummy’s voor de standplaatskwaliteit verklaren samen 4,3% van de variantie van de huurprijs (R2 adjusted =0,043). De derde set met dummy variabelen zijn de groepen branches (LU_groep). Dit zijn in totaal 7 dummy variabelen en een referentie dummy variabele: de branche ‘Leisure’. LU_groep Branches Unstandardized Coefficients Model 1


t

Sig.

91,683

0,000

-,734

,463

,100

1,703

,089

,088

,018

,444

,657

,084

,083

,043

1,011

,312

dummy_detailh_overig

-,368

,189

-,063

-1,947

,052

dummy_Diensten

-,076

,080

-,043

-,954

,340

dummy_ATM_automaten

1,127

,181

,204

6,246

,000

B

Std. Error

Beta

(Constant)

5,517

,060

dummy_dagelijkse branches

-,052

,071

-,038

dummy_mode&luxe

,112

,066

dummy_vrije_tijd

,039

dummy_in_en_om_huis

a. Afhankelijke variabele: Ln van de th huurprijs/ m2/ unit b. Referentiecategorie: dummy voor Leisure

Ten opzichte van de categorie Leisure, worden alleen in de categorie Diensten, Overige branches en Dagelijkse branches, lagere huurprijzen gerealiseerd. In de winkels die vallen in de Mode & Luxe branches worden er hogere huurprijzen betaald, net als de winkels in de groep In en Om het Huis en de Vrije Tijd categorie. De hoogste huurprijzen worden zoals verwacht behaald door de units van banken, waar pinautomaten in gerealiseerd zijn (ATM_automaten). De groepen branches verklaren samen 5,6% van de variantie van de huurprijs (R2 adj. =0,056), iets meer dan de standplaatskwaliteit (0,043).

50


Uit eerdere studies kwam al naar voren dat formulewinkels een hogere huurprijs zouden betalen dan zelfstandige retailers met een winkel. Dit komt ook in deze studie naar voren in de volgende dummy die wordt onderzocht. Zelfstandige winkel of Formulewinkel Unstandardized Coefficients B

Std. Error

5,533

,030

d_LU_Zelfstandig_Formule(=1) ,047 a. Afhankelijke variabele: Ln van de th huurprijs/ m2/ unit

,037

Model 1

(Constant)

Standardized Coefficients Beta ,040

t

Sig.

182,975

0,000

1,283

,200

b. Referentiecategorie: Zelfstandige winkel (=0)

De analyse spitst zich hier toe tot wat voor type winkel dit is, niet in branches, maar de aard van de ondernemer die de winkel exploiteert. De winkel is van een zelfstandige ondernemer of van een formulewinkel, daarmee wordt een ketenbedrijf bedoeld met 5 of meer vestigingen in Nederland. Hier is te zien dat formulewinkels een huurprijs betalen die 4,7% hoger ligt dan zelfstandige winkels. Dit verband is echter niet significant bevonden (Sig.>0,05). De variabele d_LU_Zelfstandig_Formule verklaart in dit model 0,1% van de variantie van de huurprijs (R2 adj. =0,001). Vervolgens is de vraag gesteld of de winkel gelegen is in een centraal of een ondersteunend winkelgebied, het hoofdtype. Centraal of Ondersteunend winkelgebied Unstandardized Coefficients Model 1

(Constant)

d_LU_WINKELGEBIED_centraal= 1 _ondersteunend=0 a. Dependent Variable: Ln van de th huurprijs/ m2/ unit

B

Std. Error

5,643

,038

-,095

,043


-,070

t

Sig.

149,069

0,000

-2,242

,025

b. Referentiecategorie: Ondersteunend winkelgebied (=0).

Deze relatie was niet verwacht, hieruit is namelijk op te maken dat in centrale winkelgebieden (1) 9,5% lagere huurprijzen worden gevoerd dan in ondersteunende winkelgebieden (de referentiecategorie. Deze relatie is tevens significant (Sig. <0,05). De dummy variabel Winkelgebied_centraal_ondersteunend verklaart 0,4% van de variantie van de huurprijs (R2 adj. =0,004). De laatste dummy variabele die wordt toegevoegd is een variabele voor de provincie waar de winkel in ligt. Buurten beinvloedt worden door wijken, wijken door stadsdelen, stadsdelen door steden en steden door provincies, kan het locatie-effect nog beter gemodelleerd worden door de provincie toe te voegen. Analyse van de dataset laat zien dat de gemiddelde huurprijzen in Groningen, Zeeland en Noord-Brabant het laagst liggen, en de Flevoland de lijst aanvoert met de hoogste gemiddelde huurprijzen, gevolgd door Zuid-Holland en Noord-Holland.

Tauw, H.

51


Provincie Unstandardized Coefficients Model 1


t

Sig.

114,026

0,000

2,840

,005

,110

3,365

,001

,092

,041

1,156

,248

,065

,061

1,462

,144

-,401

,316

-,040

-1,271

,204

Provincie_Limburg

-,020

,113

-,006

-,179

,858

Provincie_Noord_Holland

,223

,062

,153

3,572

,000

Provincie_Overijssel

,141

,081

,064

1,738

,083

Provincie_Utrecht

,158

,072

,086

2,205

,028

Provincie_Zeeland

,040

,163

,008

,248

,805

Provincie_Zuid_Holland

,334

,059

,255

5,660

,000

B

Std. Error

Beta

(Constant)

5,387

,047

Provincie_Drenthe

,272

,096

,098

Provincie_Flevoland

,457

,136

Provincie_Friesland

,106

Provincie_Gelderland

,094

Provincie_Groningen

a. Afhankelijke variabele: Ln van de th huurprijs/ m2/ unit b. Referentiecategorie: Noord-Brabant

Alleen in Limburg en Groningen worden lagere huurprijzen gerealiseerd dan in Noord-Brabant. De provincie Flevoland behaalt 45% hogere huren, gevolgd door Zuid Holland, Drenthe, en Noord-Holland. De frequentietabel hiernaast laat echter zien dat sommige provincies sterk ondervertegenwoordigd zijn wat de resultaten aanzienlijk kan ‘kleuren’. De dataset blijkt voornamelijk te bestaan uit winkelunits in Zuid-Holland, Noord-Holland, Gelderland en Noord-Brabant. De provincies verklaren samen 4,1% van de variantie van de huurprijs (R2 adjusted= 0,041). Daarmee verklaren deze iets minder dan de standplaatskwaliteit (R2 adjusted= 0,043).

LU_Provincie Va l i d

Frequency

Percent

Drenthe

42

4,2

Fl evol a nd

18

1,8

Fri es l a nd

47

4,6

Gel derl a nd

151

14,9

Groni ngen

3

,3

Li mburg

28

2,8

131

13,0

177

17,5

NoordBra ba nt NoordHol l a nd Overi js s el

67

6,6

Utrecht

101

10,0

Zeel a nd

12

1,2

Zui d-Hol l a nd

234

23,1

Tota l

1011

100,0

52


5.2

Relatie tussen de continue variabelen en de huurprijs

In de vorige paragraaf is de univariate relatie tussen de dummy-variabelen en de huurprijs getoetst. Deze toets wordt in deze paragraaf voortgezet met de continue variabelen. Beide typen variabelen worden vervolgens samen in de relatietabel weergegeven waar de veronderstelde relaties van de variabelen met de huurprijs (uit paragraaf 4.4.) getoetst worden. Dit vormt de aanloop naar de multivariate analyses in het huurprijs en rendementsmodel in hoofdstuk 6 en 7 waar de ‘stabiliteit’ van de variabelen in het hele krachtenveld zal moeten blijken. In paragraaf 4.4. wordt de verwachting uitgesproken dat een hogere energieindex gerelateerd zal zijn aan een hogere huurprijs. Deze hypothese blijkt juist te zijn, deze data wijst uit dat een slechtere (hogere) energieindex een positieve significante relatie heeft met de huurprijs. Dit blijkt uit de bèta coefficiënt van +0,165 en significantie tot op het 1% niveau met een P-waarde van 0,00. Enkel de impact van de Energieindex verklaart deze 1,5% van de variantie in de huurprijs (tabel 12). Vervolgens de variabele voor de resterende contractduur (U_contractduur_resterend). Tegen de verwachting in heeft een langere contractduur een positieve relatie met de huurprijs en verklaart 0,3% van de variantie ervan. Deze relatie is beter meetbaar gemaakt met de variabele U_Contractduur, waarin de totale looptijd en de resterende jaren van het huurcontract in een variabele zijn opgenomen. Deze variabele blijkt een negatieve relatie te hebben met de huurprijs (bèta= -0,005) en verklaart opnieuw 0,3% van de huurprijs. Deze relatie is echter niet significant gebleken met een P-waarde van 0,053. Uit de studie naar huurprijsverklarende variabelen bleken meerdere auteurs een sterke relatie gevonden te hebben tussen het aantal passanten en de huurprijs. Ook uit de passantencijfers van Locatus (LU_PASSANTEN) blijkt er een sterk positief significant verband tussen de hoogte van het aantal passanten en de huurprijs. De passantenvariabele verklaart hier 12,7% van de variantie van de huurprijs in een lineair verband. Uit de scatterplot in bijlage 4a is af te lezen dat er mogelijk een nietlineair verband bestaat. Wanneer er een niet-lineair verband wordt verondersteld, wordt er een gekwadrateerde variabele aan de collectie toegevoegd, en verklaart de variabele LU_PASSANTEN 13,3% van de variantie van de huurprijs. Een niet-lineair verband verklaart dus beter de huurprijs dan een lineair verband. Er waren verschillende variabelen beschikbaar om de invloed van het aantal inwoners te meten. De variabele LU_INW_02_KM_1000 bleek een goede variabele om dit effect te operationaliseren. Het aantal inwoners in een straal van 2 kilometer rondom de winkel verklaart 17,7% van de variantie en is positief significant. Ook hier blijkt het ideale verband niet linair te zijn en geeft een kwadratische vergelijking een betere fit, met 18,4% (R2 adjusted). Een kleine toename van 0,7%. U_Oppervlakte_10: is een andere sterke variabele gebleken, hoe groter het oppervlak hoe lager de huur, terug te zien in de negatieve relatie met de huurprijs, en verklaart 5,9% van de variantie in deze een-op-een relatie. Echter wanneer er een niet-lineair verband wordt verondersteld, verklaart de oppervlakte variabele 9,7% van de variantie van de huurprijs (adjusted). EX_10MinutenWOZ_Klasse_2_3_4_5/ Klasse 6_7_8_9_10: meer mensen met een woning uit een lagere WOZ klasse_2_3_4_5 (0 – 187.500 euro) blijkt hier een positieve relatie te hebben, de hogere klasse heeft echter ook een positieve relatie en heeft een steilere functie (bijlage 4b). Dit betekent dat een toename in een hogere WOZ- klasse een snellere huurprijsstijging teweegbrengt. De

Tauw, H.

53


constanten van deze beiden variabele. De lagere WOZ-groep verklaart 14,0% van de variantie en de hogere verklaart 5,8% van de variantie. EX_10Minuten_KKR_Deciel1_2_3_4_5/ Deciel 6_7 / Deciel 8/9/10: De koopkracht is in 3 groepen opgedeeld. Een hogere koopkracht zo moeten overeenkomen met een hogere huurprijs. Dit komt overeen wanneer de lage groep (1-4) met de middelste groep wordt vergeleken (6-7), een hogere koopkracht geeft een nog hogere huurprijs. De hoogste koopkrachtgroep heeft ook een positieve relatie met de huurprijs maar niet zo sterk als de middelste groep. De groepen verklaren respectievelijk 9,4%, 8,5% en 5,6% van de variantie van de huurprijs. De relaties tussen alle onafhankelijke variabelen zijn concluderend weergegeven in tabel 12. Naar oplopende volgorde van hoogste verklaarde variantie worden in het volgende hoofdstuk variabelen toegevoegd aan het multivariate model, waar het uiteindelijke huurprijsmodel uit voortvloeit. Hieruit zal blijken welke variabelen ook in een multivariabele regressie significant blijven of zelfs significant worden.

Tabel 12: Relatie onafhankelijke variabelen en de huurprijs. R adj./ huurprijs

Verwachte relatie huurprijs

Gevonden relatie

Significantie in univariate regressie

0,015

positief

positief

ja

0,003

negatief

positief

ja

d_A2

0,048

negatief

positief

nee

d_B1

0,048

negatief

negatief

nee

d_B2

0,048

negatief

negatief

ja

d_C

0,048

negatief

negatief

ja

0,156

negatief

negatief

ja

0,156

negatief

negatief

ja

0,156

negatief

negatief

ja

0,156

negatief

positief

ja

0,156

negatief

negatief

ja

d_LU_groep_mode_en_luxe

0,063

positief

positief

ja

d_LU_groep_vrije_tijd d_LU_groep_in_en_om_huis

0,063

positief

positief

nee

0,063

positief

positief

nee

d_LU_groep_detailh_overig

0,063

negatief

negatief

ja

0,063

negatief

positief

nee

0,063

negatief

negatief

nee

0,063

positief

positief

ja

0,127

positief

positief

ja

2

Huurprijsmodel variabelen U_EnergieIndex U_contractduur_resterend

d_winkelgebied_hoofdwinkelgebied_groot d_winkelgebied_hoofdwinkelgebied_klein d_winkelgebied_kernverzorgend_centrum_klein_groot d_winkelgebied_stadsdeelcentrum d_winkelgebied_wijkcentrum_klein_groot

d_LU_groep_Leisure d_LU_groep_Diensten d_LU_groep_ATM LUPASSANTEN_1000

54


0,177

positief

positief

ja

0,059

negatief

negatief

ja

0,001

positief

positief

nee

0,001

positief

negatief

nee

0,14

negatief

positief

ja

0,058

positief

positief

ja

0,094

negatief

positief

ja

0,085

positief

positief

ja

0,056

positief

positief

ja

U_Contractduur

0,003

negatief

negatief

nee

U_ContractLooptijd_2013_1ste

0,005

negatief

negatief

ja

d_Provincie_Noord__Brabant

0,041

-

-

d_Provincie_Drenthe

0,041

positief

negatief

ja

d_Provincie_Flevoland

0,041

positief

negatief

ja

d_Provincie_Friesland

0,041

positief

negatief

nee

d_Provincie_Gelderland

0,041

positief

positief

nee

d_Provincie_Groningen

0,041

negatief

negatief

nee

d_Provincie_Limburg

0,041

negatief

negatief

nee

d_Provincie_Noord_Holland

0,041

positief

positief

ja

d_Provincie_Overijssel

0,041

positief

negatief

nee

d_Provincie_Utrecht

0,041

positief

positief

ja

d_Provincie_Zeeland

0,041

positief

negatief

nee

d_Provincie_Zuid_Holland

0,041

positief

positief

ja

LU_INW_02_KM_1000 U_Oppervlakte_10 d_LU_Formule_Zelfstandig d_LU_WINKELGEBIED_centraal_ondersteunend EX_10MinutenWOZ_klasse_2_3_4_5_1000 EX_10MinutenWOZ_klasse_6_7_8_9_10_1000 EX_10MinutenKKR_Deciel1_2_3_4_1000 EX_10MinutenKKR_Deciel5_6_7_1000 EX_10MinutenKKR_Deciel8_9_10_1000

* Significant op het 10% niveau ** Significant op het 5% niveau *** Significant op het 1% niveau

Tauw, H.

55


6 Huurprijsmodel In dit hoofdstuk wordt gestart met het beschrijven van het algemene model om de huurprijs te schatten, waarna de resultaten in diepte besproken zullen worden in de tweede paragraaf. De resultaten uit dit model zullen uiteindelijk de basis vormen van de conclusies in hoofdstuk 8 en de discussie met aanbevelingen in hoofdstuk 9.

6.1

Beschrijving model

In deze hedonische prijsstudie van Nederlands winkelvastgoed, kunnen 4 groepen met regressoren worden onderscheiden. Dit zijn de markt-, locatie, consument aantrekkingskracht & imago en de ontwerp & gebouwkenmerken- groepen. Het verhuurbare vloeroppervlak van de winkelunit en de contracthuurprijs zijn gebruikt om de afhankelijke variabele ‘Ln_U_Th_huurprijs’ (logaritmisch getransformeerde jaarhuurprijs per vierkante meter van de winkelunit) te berekenen. De algemene vorm van het regressiemodel ziet er dan als volgt uit:

(1)

Ln_U_Th_huurprijs_m2 = a + b1*markt + b2*locatie + b3*consument, aantrekkingskracht en imago + b4 *ontwerp- en gebouwkenmerken + ε (error).

Hierin zijn markt (X1) , locatie(X2), consument/ aantrekkingskracht/ imago (X3), ontwerp & gebouwkenmerken (X4) vectoren van de onafhankelijke/voorspellende variabelen, en b1-b4 duiden respectievelijk de vectoren van hun regressiecoefficiënten. Deze vector geeft de richting en kracht aan de variabele. In deze formule is a de parameter voor het snijpunt (intercept) van de regressielijn met de vertikale as en staat e (error) voor de foutterm. Gezien we in dit model te maken hebben met meerdere verklarende variabelen, wordt het gecompliceerder om de regressielijn te berekenen dan in de univariate regressieanalyses . Men moet rekening houden met de voorspellende kracht van andere variabelen. Zodra men een variabele toevoegt of verwijdert, verandert het hele ‘krachtenveld’. Een term die maatgevend is in multiple regressieanalyses, welke besproken is in de literatuurstudie is het percentage verklaarde variantie; de R2. Bij het toevoegen van variabelen is het mogelijk dat er meer variantie van de huurprijs verklaard wordt en de determinatiecoëfficient (R2) omhoog gaat. Het determinatiecoëfficient is het kwadraat van de multiple correlatiecoëfficient en geeft aan welk gedeelte van de variatie in de ene variabele (hier de huurprijs) door de andere variabelen (X1-X4) wordt verklaard: de ‘verklaarde variantie’. De bedoeling is om zoveel mogelijk variantie van de huurprijs te verklaren uit de bovenstaande 4 groepen variabelen: X1,2,3,4.

56


6.2

Resultaten huurprijsmodel

Nu van elke variabele bekend is wat de univariate relatie is met de huurprijs, kan deze gesorteerd worden van hoge impact naar lage impact. Deze volgorde is weergegeven in bijlage 5a. In deze volgorde worden de variabelen toegevoegd aan het multiple regressiemodel, wat kenmerkend is voor de Stepwise Forward Selection Procedure. De variabelen worden geselecteerd wanneer ze bijdragen aan de verklaringskracht van het model en eruit gelaten wanneer de desbetreffende variabele dit niet doet. Figuur 14: Ontwikkeling van de verklaarde variantie

In figuur 14 is gevisualiseerd hoe het model is geconstrueerd. Van links naar rechts over de X-as zijn variabelen toegevoegd aan de regressie, met op de Y-as de verandering in de verklaringskracht (R2 adjusted). Er is voor gekozen om in totaal 18 variabelen (inclusief dummy variabelen) te onderzoeken, wat betekent dat er 18 modellen zijn gemaakt. Bij het toevoegen van de vierde variabele (LU_PASSANTEN_1000) is een daling te zien. Dit betekent dat het passantenaantal als variabele geen toegevoegde verklaring geeft voor de variantie van de huurprijs in dit model. Gevolg hiervan is dat deze variabele niet opgenomen is in het eindmodel van de huurprijs, de variabele verklaart immers niets aanvullends. Andere variabelen die in het model geen toegevoegde variantie verklaren zijn een middelhoge koopkracht (EX_10Minuten_KKR_Deciel_5_6_7_1000), en of het een formulewinkel betreft danwel een zelfstandig ondernemer (d_LU_Formule_Zelfstandig). Van de 18 variabelen zijn nu 15 variabelen over die samen de huurprijs verklaren (groene pijlen). Tussen model 8 en 18 zijn er geen grote stappen meer zichtbaar, model 8 verklaart 41,5% en model 18 verklaart 44,6%. Ook zijn niet alle variabelen significant, wat kan betekenen dat de verkregen resultaten bij die variabelen op toeval berust. Om de betrouwbaarheid van het model te verhogen, worden een aantal variabelen verwijderd, ditmaal van ‘rechts naar links’ en met name de niet significante variabelen. De totaalduur van het contract heeft een significante relatie (0,012) en de restduur van het contract ook (0,035), dus deze variabelen blijven in de collectie. Zoals beschreven in paragraaf 4,4, verklaren de Contractlooptijd-variabelen de huurprijstrend, wat een goede afspiegeling lijkt te zijn van de

Tauw, H.

57


werkelijkheid. Om die reden blijven die specifieke niet-significante variabelen in het model. Door de aanvullende tests (tabel 10), is het risico dat deze variabelen een toevallige relatie hebben, verkleind. De Energieindex blijkt ook geen significante relatie te hebben, ook het kwadrateren van deze variabele heeft geen goede uitwerking. Door het verwijderen van deze niet-significante variabele daalt de verklaarde variantie met 0,2% licht naar 44,4%. Bijna alle Provincie variabelen zijn ook niet-significant. De toegevoegde waarde van deze variabelen daalt nog meer wanneer uitwijst dat het verwijderen geen grote impact heeft (R2 adj. Daalt naar 43,8%). Bijkomend voordeel is dat de huurprijstrend variabelen nu wel significant zijn geworden. Vervolgens zijn alle standplaatskwaliteit-variabelen significant. De relatie is sterk en duidelijk aanwezig. De verklaarde variantie blijft hetzelfde (43,8%) wanneer de niet-significante koopkrachthoog (Deciel 8_9_10) wordt verwijderd. Een hoge WOZ waarde blijft een sterke positieve significante relatie houden met de huurprijs. Het oppervlak van een winkel (U_Oppervlakte_10 en U_Oppervlakte_10_kwadraat) hebben ook beide een sterke negatieve significante relatie met de huurprijs. Niet alle branchegroep variabelen zijn significant, maar wanneer deze verwijderd wordt daalt de R2 aanzienlijk, om die reden blijft de branche van de winkel een belangrijke variabele. Een lage koopkracht heeft ook een niet significante relatie, het verwijderen ervan leidt tot een verhoging van de R2, dus deze variabele gaat uit de collectie. De lage WOZ waarde blijkt net als een hoge WOZ waarde, ook een goede voorspeller van de huurprijs, deze is significant en blijft in het model. Net als de Branche groepen zijn ook niet alle winkelgebiedstypen significant. Wanneer deze variabele is verwijderd, daalt de R2 maar met 0,9%. Een bijkomend effect hiervan is dat andere variabelen, zoals het aantal inwoners in een straal van 2 km en Mode&Luxe, significant worden. Hier moet een keuze gemaakt worden tussen het kwadratisch opnemen van het aantal inwoners in een straal van 2 kilometer en de winkelgebiedstypen. De bèta coëfficienten van de winkelgebiedstypen zijn niet overtuigend. Enkel de grote verschillen (tussen binnenstad en wijkcentrum klein_en_groot) zijn significant. Het lijkt er daarom op dat het winkelgebiedstype op zichzelf geen goede variabele is om de variantie van de huurprijs te verklaren. Om die reden is de winkelgebiedstype-variabele uit de collectie gehaald. Het aantal inwoners binnen 2 kilometer blijft significant. De kwadratische functie is overtuigend maar niet significant (Sig. 0,085). De verklaarde variantie is echter hoger met inbehoud van deze variabele en om die reden blijft de kwadratische functie in het model.

58

Tauw, H.

4,428 558 0,673 0,452 0,430 4,5 558 0,620 0,384 0,374 4,692 558 0,655 0,430 0,412 5,096 986 0,613 0,375 0,367 5,104 986 0,612 0,374 0,367

c. b. Dummy s tandpl a a ts kwa l i tei t: referentieca tegori e= s tandpl a a ts kwa l i tei t C. Coëffi ci enten res pectievel i jk; A1 (***), A2 (***), B1 (***), B2 (*)

b. Dummy LU_groepen: referentieca tegori e= Lei s ure. Coeffi ci enten res pectievel i jk; da gel i jks e bra nches (*), mode&l uxe (*), i n-en_om_hui s (**), detai l h.overi g (ni et s i g.), ATM a utoma ten (***), Di ens ten (ni et s i g.), Vri je_tijd (ni et s i g.)

a . * Si gni fi ca nt op het 10% ni vea u ** Si gni fi ca nt op het 5% ni vea u *** Si gni fi ca nt op het 1% ni vea u

5,194 1010 0,454 0,206 0,204

5,043 986 0,507 0,257 0,250

5,141 1010 0,428 0,183 0,181

div. -0,005 (***) 0,005 (*) div. 0,015 (-)

div. -0,005 (***) 0,005 (*) div. -

div. -0,005 (***) 0,004 (*) div.

div. -0,004 (***) 0,002 (-)

div. -0,004 (***)

div.

0,008 (**) 0,004 (***) 0,215/ 0,161/ 0,068/ 0,277/ 0,360/ 0,073/ 0,905 -0,005 (***) 0,005 (*) 0,574/ 0,673/ 0,538/ 0,341 -0,126 (***) 0,141 (***) 4,428 558 0,673 0,452 0,430

Contractduur totaal (in jaren)

Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 Constante N (sample size) R R2 adjusted R2

Huurprijstrend

Model 3

4 dummies

0,008 (**) 0,004 (***)

hoge WOZ waarde

0,008 (**) 0,004 (***)

Oppervlak v/d winkelunit

0,008 (**) 0,004 (***)

Branche groep (7 dummies)

0,008 (***) 0,005 (***)

0,007 (***) 0,005 (***)

lage WOZ waarde

0,008 (***) 0,005 (***)

0,012 (***)

Inwoners binnen 2 km

9 De totaalduur van het contract. 8 Restduur van het contract.

Tabel 13: Eindmodel huurprijs

0,007 (***) 0,005 (***)

Coefficienten Model 1 Model 2

Huurprijsmodel (ln_th_huurprijs_m2_unit) 7 6 5 4 3 2 1 Inw_02 km & Inw_02_km² EX_10MinutenWOZ_klasse_2_3_4_ LU_groepen (branches) U_Oppervlak / 10 vierkante EX_10MinutenWOZ_klas Standplaatskwaliteit U_ContractLooptijd_2013 se_6_7_8_9_10_1000 meter & Opp² 5_1000 Toegevoegde variabele:


59

,161 ,068 ,277 -,360 ,073 ,905 -,005

dummy_mode&luxe

dummy_vrije_tijd

dummy_in_en_om_huis

dummy_detailh_overig

dummy_Diensten

dummy_ATM_automaten

U_Oppervlak / 10 vierkante meter

,341 -,020 ,001 -1,952E-05


U_ContractLooptijd_2013_tweemacht

U_ContractLooptijd_2013_driemacht

U_ContractLooptijd_2013_viermacht

,141

,538


De totaalduur van het contract.

,673


-,126

,574


Restduur van het contract.

,005

EX_10MinutenWOZ_klasse_6_7_8_9_10_1000

3,633E-06

,215

dummy_dagelijkse branches

U_Oppervlakte_10_kwadraat

,004

LU_INW_02_KM_1000_kwadraat


,008 -3,020E-05


1,398

-,450

-2,644

6,049

-4,841

,199

,402

,503

,423

,094

,656

-,960

,127

,033

-,062

,137

,031

,134

,123

,202

-,242

,451

Beta

Standardized Coefficients t

4,060

-3,502

-2,975

3,195

-3,559

2,565

4,176

5,164

4,381

2,481

7,766

-11,122

3,759

,725

-1,790

2,855

,675

2,063

2,346

4,886

-1,727

2,958

26,730

Sig.

,000

,000

,003

,001

,000

,011

,000

,000

,000

,013

,000

,000

,000

,468

,074

,004

,500

,040

,019

,000

,085

,003

,000

d. R=0,673, R2= 0,452, Adjusted R Square= 0,430, Std. Error=0,45439

c. Dummy standplaatskwaliteit: referentiecategorie= standplaatskwaliteit C. Coëfficienten respectievelijk; A1 (***), A2 (***), B1 (***),& B2 (*).

b. Dummy LU_groepen: referentiecategorie= Leisure. Coefficienten respectievelijk; dagelijkse branches (*), mode&luxe (*), in-en_om_huis (**), detailh.overig (niet sig.), ATM automaten (***), Diensten (niet sig.), Vrije_tijd (niet sig.)

,035

,036

,000

,000

,006

,133

,129

,130

,131

,002

,000

,000

,241

,101

,201

,097

,101

,078

,092

,001

,000

,003

,166

Unstandardized Coefficients Std. Error

4,428

B

(Constante)

a. Afhankelijke variabele: Ln van de th huurprijs/ m2/ unit

Model 9

Huurprijsmodel (model 9)


Tabel 14: Coefficiententabel eindmodel huurprijs

60


Dit heeft tot gevolgd dat het eindmodel is bereikt met 9 variabelen en een verklaarde variantie (R 2 adjusted) van 43,0% (tabel 14). De Anova-tabel laat zien dat het model als geheel significant is (Pwaarde/Sig. <0,001), waarmee de nulhypothese kan worden verworpen. Dit betekent dat dit model verklaringskracht heeft en beter presteert dan enkel de gemiddelden van een winkelunit te rapporteren als zijnde een voorspelling. Aangaande de variabelen in de regressie valt op te maken dat het aantal inwoners een significante invloed heeft op de huurprijs; een hoger aantal inwoners in een straal van 2 kilometer heeft verband met een hogere huurprijs. Deze relatie is ook gevonden in voorgaande studies (Sirmans et. al.,1993; Majoor, 2009; Bakker, 2011 en Des Rosiers et. al.,2005), en bevestigt de verwachte relatie zoals beschreven in paragraaf 4.3.1. De kwadratische variabele is licht negatief (-0,00003) en net niet significant (Sig.= 0,085). Dit betekent dat het verband waarschijnlijk niet-lineair is. Wanneer het aantal inwoners (in een straal van 2km) erg hoog wordt, heeft dit een drukkend effect op de huurprijspremium. Dit effect is zichtbaar in de curve van figuur 15. Het ideale inwonersaantal zal waarschijnlijk rond de 130.000á 140.000 inwoners liggen. Figuur 15: Grafiek huurprijspremium door inwonersaantal_2km 2

Huurprijspremium(€)

1,8 1,6 1,4 1,2 1 Huurprijs premium

0,8

Poly. (Huurprijs premium)

0,6 0,4 0,2 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170

0 Inwoners_straal_2km (x1000)

Het aantal huishoudens binnen een reisafstand van 10 minuten met een woning in een lage/hoge WOZ-klasse blijken beide een significante relatie te hebben met de huurprijs. Dit betekent enerzijds, meer huishoudens = een hogere huurprijs, maar ook dat winkels in een omgeving met hogere WOZ waarden, iets hogere huurprijzen zullen kunnen realiseren. Er is geen informatie bekend betreffende voorgaande studies voor deze WOZ waarde-variabele. Ten opzichte van de Leisure-branche, de referentiecategorie, realiseert bijna elke andere branche een hogere huurprijs (m.u.v. de overige detailhandel). Zoals verwacht heeft het oppervlak een groot aandeel in de verklaringskracht van dit model. Dit is geheel overeenkomstig met nationale studies (Bakker, 2011) als internationale literatuur (Yuo et. al., 2004; Des Rosiers et. al.; 2005) waar ook al de relatie werd gelegd tussen de huurprijs en de winkelunitgrootte (zie tabel 8). Een groter oppervlak heeft een negatief effect op de huurprijs. Ook hier geldt daarentegen dat wanneer het oppervlak nog groter wordt, een andere relatie verschijnt (6).

Tauw, H.

61


Figuur 16: Grafiek huurprijspremium door oppervlaktetoename 1,4

Huurprijspremium

1,2 1 0,8 Huurprijs premium 0,6 Poly. (Huurprijs premium)

0,4 0,2 0,1 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300

0

Winkeloppervlak/ 10

Ongeveer vanaf 6 á 7 duizend vierkante meter komt er een grotere bereidheid om weer meer te gaan betalen per vierkante meter. Dit zijn grote oppervlakken, en een korte blik in de dataset wijst uit dat deze vrijwel uitsluitend verhuurd zijn aan warenhuizen als de Bijenkorf, Vroom&Dreesman en grote supermarktfilialen. Het kantelpunt wordt duidelijk zichtbaar en de relatie is significant, wat betekent dat de kwadratische functie van het oppervlak resultaten produceert die hoogstwaarschijnlijk niet op toeval berust zijn. De standplaatskwaliteit komt bijna overeen met de verwachting, echter worden op A2 locaties uit deze dataset hogere huurprijzen behaald. Overige standplaatsen (B1, B2 en C) volgen in aflopende volgorde een lagere huurprijs. De relatie met de standplaatskwaliteit werd ook al gevonden in studies van Majoor (2009) en Bakker (2011). Vervolgens de restduur van het contract en de totaalduur van het contract (inclusief verlengingen). De verwachting was dat een langere restduur een langer contract zou betekenen wat een drukkend effect zou kunnen hebben op de huurprijs. Deze negatieve relatie wordt inderdaad zichtbaar. De verwachting was dat een langere totaalduur van het contract een lagere huurprijs zou betekenen gezien de huurprijs lang geleden is afgesloten. Door de huurprijsindexatie zal de contracthuurprijs niet zo hard gestegen zijn als de markthuurprijs. Deze relatie wordt niet gevonden. Hoe langer geleden het contract afgesloten, hoe hoger de huurprijs. Op basis van dit model een schatting gemaakt kan worden van huurprijs per vierkante meter per jaar van een fictieve winkelunit, mits de benodigde informatie over deze variabelen bij een onderzoeker aanwezig is.

62


7 Rendementsmodel De opgedane kennis bij het ontwikkelen van het huurprijsmodel wordt in dit hoofdstuk voortgezet in het rendementsmodel. Zoals in het vorige hoofdstuk wordt eerst de algemene vorm van het rendementsmodel beschreven, waarna de resultaten uit het empirische deel worden behandeld in paragraaf 7.2.

7.1

Beschrijving rendementsmodel

Voor het rendementsmodel wordt volstaan met dezelfde methodiek als in het huurprijsmodel. In dit model wordt de afhankelijke variabele: ‘Ln_O_Totaalrendement_2013’ (het totaalrendement van het winkelobject van 2013) aan de regressie onderworpen. Dit levert de volgende algemene formule op:

(2)

Object_Totaal_rendement_2013 = b0 + b1 markt + b2 locatie + b3 consument,

aantrekkingskracht

en imago +

b4 ontwerp- en gebouwkenmerken + ε (error)

Om dit model te kunnen ontwikkelen is opnieuw de univariate relaties tussen de onafhankelijke variabelen (continue en categorale dummies) enerzijds en de afhankelijke variabele (rendement). De resultaten hiervan zijn te zien in table 15. Opmerkelijke afwijkingen van de verwachting zijn de positieve relaties van het rendement met het stadsdeelcentrum en het hoofdwinkelgebied. Men zou verwachten dat ten opzichte van het wijkcentrum er lagere rendementen behaald zouden worden in winkelgebiedstypen die een lager risico hebben. Ook de relatie tussen het rendement en het aantal passanten / inwoners binnen 2 kilometer is positief, waar een negatieve relatie was verwacht. Tabel 15: Relatietabel rendementsmodel Rendementsmodel Variabelen

2

R adj./ rendement

Verwachte relatie rendement

Gevonden relatie

Enkelvoudig Sig.

Eindmodel (Sig.) nee

O_eenheden i n het object

-0,003

nega tief

nega tief

nee

O_vl oeroppervl a k va n het object

-0,003

nega tief

nega tief

nee

nee

d_A2

-0,011

pos i tief

pos i tief

nee

ja (**)

d_B1

-0,011

pos i tief

nega tief

nee

nee

d_B2

-0,011

pos i tief

pos i tief

nee

ja (**)

d_C

-0,011

pos i tief

pos i tief

nee

ja (*)

d_wi nkel gebi ed_hoofdwi nkel gebi ed_groot

0,007

nega tief

nega tief

nee

nee

d_wi nkel gebi ed_hoofdwi nkel gebi ed_kl ei n

0,007

nega tief

nega tief

nee

nee

d_wi nkel gebi ed_kernverzorgend_centrum_kl ei n_gro ot nkel gebi ed_s tads deel centrum d_wi

0,007

nega tief

pos i tief

nee

nee

0,007

nega tief

nega tief

nee

nee

d_wi nkel gebi ed_bi nnens tad

0,007

nega tief

pos i tief

nee

nee

O_expl oi tatiekos ten per m2

0,005

nega tief

nega tief

nee

ja (***)

LUPASSANTEN_1000

0,124

nega tief

pos i tief

ja

ja (***)

LU_INW_02_KM_1000

0,027

nega tief

pos i tief

ja

nee

d_LU_WINKELGEBIED_centra a l _onders teunend

-0,002

pos i tief

pos i tief

nee

nee

EX_10Mi nutenWOZ_kl a s s e_2_3_4_5_1000

0,004

pos i tief

pos i tief

nee

nee

EX_10Mi nutenWOZ_kl a s s e_6_7_8_9_10_1000

0,006

pos i tief

pos i tief

nee

nee

EX_10Mi nutenKKR_Deci el 1_2_3_4_1000

0,002

pos i tief

pos i tief

nee

nee

EX_10Mi nutenKKR_Deci el 5_6_7_1000

0,013

pos i tief

pos i tief

ja

nee


0,004

pos i tief

pos i tief

nee

nee

* Si gni fi ca nt op het 10% ni vea u, ** Si gni fi ca nt op het 5% ni vea u, *** Si gni fi ca nt op het 1% ni vea u

Tauw, H.

63


7.2

Eindmodel rendement: resultaten

Voor het ontwikkelen van het rendementsmodel zijn dezelfde uitgangspunten genomen als voor het huurprijsmodel. In de studie naar determinanten van de huurprijs en het rendement zijn er geen studies gevonden die op deze manier onderzoek doen naar de verklaring voor het rendement. De verwachtingen van de relatie tussen de onafhankelijke variabelen en het totaalrendement was daardoor onzeker. Voor het construeren van het rendementsmodel is dezelfde methodiek gebruikt als voor het huurprijsmodel. Eerst zijn de een-op-een relaties tussen de afhankelijke variabele en de onafhankelijke variabelen getoest in een univariate regressie, en in volgorde van hoogste R2 naar laagste R2 zijn er stapsgewijs variabelen toegevoegd aan het multiple regressiemodel. Duidelijk mag zijn dat variabelen als bijvoorbeeld LU_Groep (waar de branches in zitten) niet meegenomen zijn gezien objecten meestal verschillende winkels met andere winkelbranches bevatten. In tabel 16 wordt de invloed per variabele weergegeven. Allereerst moet gemeld worden dat niet alle variabelen een significante relatie hebben met het rendement. Er is voor gekozen om deze variabelen toch in het model te laten omdat ze bijdragen aan de verklaringskracht van het model. Dit model verklaart in totaal 22,4% van de variantie van het rendement, met een steekproefgrootte van 209 winkelobjecten. Tegen de verwachting in is er wederom een positieve relatie gevonden tussen het aantal passanten en het rendement, en zelfs significant. Het hebben van meer passanten zal volgens dit model dus leiden tot een hoger rendement. Dit effect blijft als de standplaatskwaliteit variabelen worden verwijderd, een verklaring voor dit gegeven is nog niet te geven. Ook het aantal inwoners draagt bij aan een hogere verklaringskracht en heeft een positieve relatie. Deze relatie is echter niet significant. Drie van de vier standplaatskwaliteit-dummies zijn significant. Er worden significant hogere rendementen behaald op slechtere locaties, ten gevolge van het hogere risico op de slechtere locaties. Opmerkelijk is dat de coëfficient van B1 lager is dan A2, wat zou duiden op een lager rendement, en mogelijk lager risico op B1 locaties dan op A2 locaties. Hoge exploitatielasten hebben een significante negatieve relatie met het rendement, hoge kosten drukken het rendement en gezien dit een puntmeting is in de tijd, kan dit effect anders uitpakken in een longitudinale studie. Net als in het huurprijsmodel is er een relatie gevonden met de lage WOZ klassen binnen 10 minuten, deze relatie is echter niet significant. De verklaring hiervoor is mogelijk dat er in een gebied met lage WOZ waarden, lagere huurprijzen worden gerealiseerd en daardoor ook lagere rendementen worden behaald. In het huurprijsmodel wordt daarentegen een positieve relatie gevonden met de huurprijs, dus hier kan geen eenduidige relatie gelegd worden. Een hoge koopkracht zou duiden op hogere huurprijzen en navenant lagere rendementen, maar ook deze variabele is niet signiifcant.

64

Tauw, H. ,160 ,143 ,333 ,507 -,001 -,002 -,003

d_standplaatskwaliteit A2

d_standplaatskwaliteit B1

d_standplaatskwaliteit B2

d_standplaatskwaliteit C

O_Exploitatie-kosten / m2 2013


EX_10MinutenKKR_Deciel8_9_10_1000

d. R=0,508, R2= 0,258, Adjusted R Square= 0,224, Std. Error=0,34089, N=209

b. Dummy standplaatskwaliteit: referentiecategorie= standplaatskwaliteit A1.

a. Afhankelijke variabele: Ln O_Totaal_rendement_2013

,002


,002

,001

,000

,218

,108

,078

,060

,001

,003

,070

3,124 ,017

Std. Error

B

LU_passanten per 1000

Model 1 (Constante)

Unstandardized Coefficients

Rendementsmodel

-,090

-,147

-,227

,156

,235

,146

,192

,184

,513

Beta


-1,073

-1,955

-3,666

2,325

3,071

1,838

2,673

1,942

,284

,052

,000

,021

,002

,067

,008

,054

,000

,000 44,423 5,399

Sig. t

*** ** ** * *** -

(*/**/***/-)


Tabel 16: Eindmodel rendement

65


8 Conclusies 8.1

Huurprijsmodel en rendementsmodel

Het doel van dit onderzoek, zoals geformuleerd in de introductie van deze thesis, is om een hedonisch huurprijsmodel te ontwikkelen met de variabelen die in de literatuur worden aangemerkt als determinanten van de huurprijs per vierkante meter. Dit wordt opgevolgd met de ontwikkeling van een rendementsmodel. Door het maken van deze twee modellen wordt gepoogd om bij te dragen aan de inhoudelijke robuustheid van hedonische prijsmodellen door het valideren ervan met nieuwe data en het toevoegen van nieuwe variabelen. Hiermee wordt antwoord gegeven op de vraagstelling: Op basis van welke variabelen is de beleggingsprestatie van Nederlands winkelvastgoed te voorspellen? De uitgevoerde analyses hebben geleid tot een huurprijsmodel waar in eerste instantie 1011 winkelunits in opgenomen zijn. Wegens een tekort aan waarnemingen van branche-variabelen en met name de standplaatskwaliteit heeft het huurprijsschattingsmodel een steekproefgrootte van 558 winkelunits. De te verklaren variabelen zijn daadwerkelijk gerealiseerde winkelhuurprijzen uit de vastgoedpraktijk. Hiervoor zijn 9 variabelen gebruikt, die een significante relatie met de huurprijs bleken te hebben, te weten: het aantal inwoners in een straal van 2km, een lage of hoge WOZwaarde van huishoudens binnen 10 minuten reizen, de branchegroep (dummies), het oppervlak, de standplaatskwaliteit (dummies), de huurprijstrend, de restduur van het huurcontract en de totaalduur van het huurcontract. Additionele variabelen zijn gevonden, echter droegen die niet bij aan een hogere verklaringswaarde, en dus niet aan de kwaliteit van het model, of werden niet-significant in een multiple regressie. De algehele prestatie van het huurprijsmodel in termen van de verklaringskracht (R2 adjusted van 43%) is in vergelijking met andere studies gemiddeld te noemen. Huurprijsmodellen over 1 specifiek winkelgebiedstype; zoals wijkwinkelcentra door Koot (2006), 16 planmatige winkelcentra van Bakker (2011) of binnenstedelijk winkelvastgoed van Majoor (2009), laten aanzienlijk hogere R2 waarden zien. Deze studies wijken beduidend af van dit onderzoek, omdat deze vergelijkbare onderzoekseenheden hebben. Men zou dat kunnen omschrijven als een homogene dataset. De samenstelling van de dataset in dit onderzoek is niet homogeen maar heterogeen; een ‘bonte’ verzameling van verschillende winkelgebiedstypen, in verschillende afmetingen steden, verspreid over heel Nederland. Een eerste reden voor de lagere verklaringswaarde is waarschijnlijk de heterogeniteit van de dataset. De heterogeniteit maakt het lastiger om onderlinge verschillen tusen winkelunits goed meetbaar te maken met een beperkt aantal variabelen. Deelstudies met homogene modellen slagen er beter in om de invloeden van factoren op de huurprijs te vatten in een model. In de aanbeveling worden nog een aantal suggesties gemaakt om hedonische prijsstudies op een nog andere manier te benaderen. Een tweede reden, dat huurprijsmodellen met homogene datasets hogere verklaringswaarden behalen, is mogelijk dat de afhankelijke variabele in die studies afwijkt van de afhankelijke variabele in deze studie. Het verklaren van een gemiddelde huurprijs per straat of per winkelcentrum is iets anders dan de huurprijzen van elke winkel individueel. Ook zit er een verschil in het verklaren van contracthuurprijzen en markthuurprijzen. Mogelijk zijn markthuurprijzen beter te verklaren, omdat

66


ze gebaseerd zijn op courante informatie (uit modellen van) de makelaar of taxateur. Er zijn dus verschillende typen huurprijzen die men kan verklaren, waardoor niet elk hedonische studie per definitie met elkaar te vergelijken is. Zoals beschreven in de resultaten blijkt het winkelgebiedstype in deze analyse geen overtuigende variabele te zijn voor het verklaren van de huurprijs. Hieruit zou men kunnen concluderen dat (voor wat betreft de beleggingsprestatie)het classificeren van winkelgebieden meer een administratieve functie heeft dan het ordenen van een hiërarchisch stelsel. Verschillen tussen bijvoorbeeld een klein kernverzorgend centrum en een groot wijkcentrum geven te weinig kracht om onderscheid te kunnen bieden. Uit de literatuur bleek dat het aantal inwoners in een straal rondom een winkel een zeer sterke relatie met de huurprijs heeft. De verwachting was dat wanneer dit niet in een straal rondom de winkel gemeten zou zijn, maar met daadwerkelijke reistijden, deze variabele nog beter zou presteren. Het aantal inwoners in een reistijd van 10 minuten blijkt echter toch onder te doen voor het aantal inwoners in een straal van 2 kilometer. Een hogere dichtheid van inwoners rondom de winkel is blijkbaar nog belangrijker dan een goede bereikbaarheid. Wel blijkt uit dit onderzoek dat het aantal inwoners in een straal van 2 kilometer geen rechte lijn volgt met de huurprijs, de maximale huurprijs zal behaald worden bij 130.000-140.000 inwoners, waarna de huurprijs weer daalt. Een variabele die nog niet in de literatuur aanwezig was zijn de WOZ-waarde klassen. Waar werd verwacht dat er een relatie zichtbaar zou worden tussen de inkomensklassen en de huurprijs, kwam juist de relatie met de WOZ-klassen naar voren. Hieruit is te concluderen dat in een gebied met hogere WOZ waarden, de huurprijs net iets sneller stijgt dan in gebieden met lagere WOZ waarden. Ook de koopkracht-variabelen blijken sterke variabelen, en ook al was deze in het eindmodel nietsignificant, bleek deze variabele wel sterker te zijn dan de inkomensvariabele. Zoals verwacht kwam er een vrij sterke relatie met de groepen branches naar voren. Uit de literatuur bleek ook dat beleggers weten dat winkels uit sommige branches nou eenmaal een lagere vloerproductiviteit hebben, waardoor minder huur opgebracht kan worden door de retailer. Om toch een goede retail mix te creeëren in een gebied, betalen retailers verschillende huren en heeft diversiteit meer waarde dan eenzijdig aanbod en huuromzetmaximalisatie. Het oppervlak van een winkel is weer een sterke variabele voor de huurprijs gebleken. Een groter oppervlak zorgt voor een lagere huurprijs, die relatie werd ook al gezien in studies van Bakker (2011), Yuo et. al. (2004) en Des Rosiers et. al. (2005). In aanvulling hierop kan geconcludeerd worden dat ook hier een niet-lineaire relatie beter werkt. Dit betekent net als bij het aantal inwoners, dat er een omslagpunt zit in het moment dat retailers weer bereid zijn om meer te gaan betalen. Dit omslagpunt betreft de extreem grote (en zeldzame) winkels met hoge vloeroppervlakken vanaf 7.000 vierkante meter en groter. De relatie met standplaatskwaliteit blijkt in deze studie sterker te zijn dan de relatie met het aantal passanten. Ondanks dat de standplaatskwaliteit afhankelijk is van het aantal passanten, zijn het wel twee verschillende variabelen. De passantenvariabele is continue, en landelijk vergelijkbaar. De standplaatskwaliteit is een lokale vergelijking tussen passantenstromen. Op die manier zit een A1 winkel in een kleine stad in dezelfde categorie als een A1-winkel uit een grote stad. Desalniettemin is de standplaatskwaliteit variabele significant. De passantenvariabele bljkt wel degelijk een zeer sterke en significante relatie op te leveren in de een-op-een relatie met de huurprijs. Dit effect valt echter weg wanneer de standplaatskwaliteit wordt toegevoegd.

Tauw, H.

67


Een tweede variabele die nog niet in de literatuur was gevonden is de economische huurprijstrend uit paragraaf 4.5.8. Huurprijzen blijken historisch gestegen te zijn, maar wel met tussentijds oponthoud rond 1980 en 2007. De economische cyclus uit het verleden is hierbij van belang gebleken. Ook de restduur van het contract en de totaalduur van het contract blijken een significante relatie te hebben. Deze relatie was eerder gevonden in een buitenlandse studie van Nase (2012), die de transactiedatum van het contract mee nam in de regressieanalyse. Uit dit onderzoek blijkt dat een langere restduur een negatieve relatie heeft met de huurprijs. Hieruit kan men twee dingen concluderen: 1. wanneer men een langer huurcontract afsluit, wordt een lagere huurprijs betaald óf 2. het huurcontract is kort geleden afgesloten in een periode van recessie, waarin de huurprijzen significant lager liggen. Welke van de twee waarheid is, is niet geheel duidelijk. Wel is duidelijk dat er geen hoge correlatie is tussen de huurprijstrend-variabele, de looptijd van het contract en de resterende looptijd. Dit sluit mogelijk de tweede conclusie uit. Het verklaren van de variantie in het rendement bleek in de praktijk een moeilijke opgave. Dit was echter wel de verwachting. Rendement is in essentie een utkomstvariabele van het verschil tussen opbrengsten en kosten, gedeeld door de aanschafwaarde van het winkelobject. Het schatten van rendement behoeft het ontwikkelen van modellen voor elk van die componenten, wat niet gedaan is voor deze studie. De uitevoegde analyse heeft geleid tot een rendementsmodel waar in eerste instantie 301 winkelobjecten in opgenomen zijn. Wegens een tekort aan waarnemingen van verschillende variabelen heeft het rendementsmodel een steekproefgrootte van 209 winkelobjecten. Het totaalrendement van 2013 was de te verklaren variabele, waarvan de variantie voor 22,4% verklaard is. Hiervoor zijn 6 variabelen gebruikt, waarvan er 3 significant bleken te zijn en de andere bijdroegen aan de verklaringswaarde. Deze significante variabelen zijn: het aantal passanten, de standplaatskwaliteit en de exploitatiekosten. Hierbij moet met klem vermeld worden dat de assumpties voor normaliteit en heteroscedasticiteit niet aangenomen zijn. Dit betekent dat de uitkomsten discutabel genoemd mogen worden en mogelijk geen afspiegeling vormen van de werkelijkheid. De resultaten lieten zien dat er een hoger rendement wordt verwacht op locaties die meer passanten trekken. Dit lijkt een onjuiste conclusie gezien de lagere rendementen juist op locaties worden behaald met hoge passantenstromen. Een meer logische relatie wordt wel gezien in de standplaatskwaliteit-variabelen. Hoe slechter de locatie, hoe significant hoger het rendement. Hier leek het erop dat de uitkomsten voor de passantenvariabele werd beinvloed door de standplaatskwaliteitvariabele. Dit bleek niet zo, want ook na het verwijderen van de standplaatskwaliteit-variabele, bleef het passantenaantal een positieve relatie houden met het rendement. De exploitatiekosten hebben zoals verwachte een negatieve relatie, zoals hieboven omschreven is dit een onderdeel van de formule voor het rendement en was dit voorzien. Wanneer hier een positieve relatie uit was gekomen had dit mogelijk kunnen aantonen dat investeringen in winkelgebieden uiteindelijk uitbetalen in een hoger rendement. In de aanbeveling wordt hier nader op ingegaan. De hoofdconclusie van dit rapport is dat met name het ontwikkelen van een huurprijsmodel voor een heterogene dataset veel perspectief biedt. Voor het ontwikkelen van een rendementsmodel dienen

68


eerst deelstudies verricht te worden naar de afhankelijke variabelen uit de functie voor het rendement, te weten de: opbrengsten, kosten en transactiewaarde van winkelvastgoed. Zoals in deze studie getoond, is er een aanvulling gedaan voor het modelleren van de opbrengsten. Modellen voor de kosten en de transactiewaarde van winkelvastgoed zouden hier aan toegevoegd kunnen worden om het rendement beter te schatten.

9 9.1

Discussie en aanbevelingen Aanbevelingen voor de bestaande literatuur

Voor de literatuur is het aan te bevelen om de significante variabelen uit deze studie op te nemen als zijnde huurprijsverklarende variabelen. Nieuwe inzichten uit dit onderzoek zijn de huurprijstrend variabelen, de restduur van het contract, de totale contractduur en de WOZ waarde variabelen. Het tijdseffect, waarin te zien was dat huurprijzen in het verleden lager liggen dan in het heden, laat zien dat het uitbreiden van deze studie aanknopingspunten biedt. Zoals de studie nu is uitgevoerd zijn alleen huurprijzen uit 2013 verklaard, met een variabele die corrigeert voor het tijdseffect. Dit zou aangevuld kunnen worden met huurprijzen en rendementen uit voorgaande jaren, maar ook met onafhankelijke variabelen uit de jaren ervoor. Door deze longitudinale methode te hanteren zou bijvoorbeeld ook het effect van kosten die in het verleden gemaakt zijn, als voorspeller opgenomen kunnen worden van hogere of lagere totaalrendementen/huurprijzen die later in de tijd behaald worden. Daarmee zou het effect van kosten op toekomstige rendementen/huurprijzen onderzocht kunnen worden. In de regel is het zo dat studies met meer waarnemingen, meer onafhankelijke variabelen kunnen opnemen. Het is daarom zonde dat de standplaatskwaliteit-variabele en de branchegroep-variabele de steekproefgrootte ernstig heeft verlaagd Dit heeft vrijwel zeker invloed gehad op de resultaten. De volledigheid van het aantal waarnemingen van belangrijke variabelen is aan te bevelen voor vervolgonderzoek. Dit is echter niet altijd voorhanden in de praktijk. Gezien niet alle variabelen uit de literatuur in de praktijk beschikbaar bleken voor dit onderzoek, is het aan te bevelen om dit model ‘in de breedte’of ‘in de diepte’aan te vullen met andere variabelen. Hierdoor stijgt mogelijk de verklaarde variantie van het model. De grootte van het winkelgebied (in verkooppunten of in vierkante meters) zou een aanvullende verklaring kunnen opleveren. Echter, zoals Bakker (2011) redeneert, zou dit al verdisconteerd kunnen zijn in de variabel aantal inwoners binnen 2 km. Een andere toe te voegen variabele is het percentage mode in het gebied, een variabele die significant bleek in het model van Majoor (2009). Over het bouwjaar zoals in de studies van Koot (2009) en Sirmans et. al. (1993), was geen informatie bekend en zou toegevoegd kunnen worden aan dit model. In een Nederlandse studie van Koot (2006) was ook de parkeergelegenheid een significante variabele die invloed had op de huurprijs. Ook de diversiteit aan winkels in een winkelgebied, of juist de concentratie van merknamen zoals gevonden in studies van Yuo et. al (2004) en Bakker (2011) zouden als voorspeller van de huurprijs kunnen worden opgenomen. Het model zou ook in de diepte verrijkt kunnen worden met hoogwaardige data over de winkelunits zelf, hierbij zou men bijvoorbeeld kunnen denken aan variabelen die de attentiewaarde verhogen: de

Tauw, H.

69


frontbreedte, het oppervlak aan etalage, de verdiepingshoogte, het aantal verdiepingen, de vorm van de ruimte en de indeling. Dit zijn kenmerken die de aantrekkingskracht van de fysieke winkel op de consument kunnen verhogen (attentie). Ook zijn er variabelen die niet in de literatuur zijn gevonden, en vermoedelijk een sterke relatie hebben met de huurprijs. Zo zouden bijvoorbeeld het verzamelen van omzetgegevens van retailers of bestedingspatronen van consumenten mooie variabelen kunnen opleveren om mee te nemen in onderzoek. Deze data is echter zeer beperkt beschikbaar voor enkele winkelgebieden en heeft daarom limitaties. Landelijk onderzoek hiernaar is vanwege de privacygevoeligheid van de burger, als de confidentiële cultuur binnen retailers, niet aanwezig. Het is nog maar kort geleden dat de Nederlandse bank ING in opspraak raakte omdat deze klantgegevens op commerciële wijze wilde exploiteren. Mogelijk zouden er wel verbanden gevonden kunnen worden tussen leefstijl van een consument en de branchemix/huurdersmix van een winkelgebied; deze informatie is wel bekend bij Nederlandse bedrijven als Experian en Locatus. Een nieuw product van laatstgenoemde is de Retail Risk Index, een model waarmee de slagingskans van een ondernemer in een winkelpand wordt gemeten met 4 variabelen. Modellen als deze kunnen ook geintegreerd worden in een hedonisch prijsmodel, mogelijk worden de schattingen van de huurprijs hierdoor nog zuiverder. Voorgaande studies hebben laten zien dat huurprijsmodellen per winkelgebiedstype, de homogene modellen, hoge verklaringswaarden behalen. Een heterogeen totaalmodel voor alle typen is niet onmogelijk gebleken, maar doet wel afbreuk aan de verklaringswaarde. Tijdens het onderzoeksproces is het idee gerezen dat huurprijsmodellen op verschillende manieren ingericht kunnen worden. Het lijkt bijvoorbeeld ook goed mogelijk om een huurprijsmodel per branchegroep te ontwikkelen. In deze studie zijn in totaal 8 groepen onderscheiden, wat zou betekenen dat het ontwikkelen van 8 modellen afdoende zou zijn. Het grote voordeel hieraan is dat je branchegericht op zoek kunt gaan naar verklarende variabelen. Tijdens dit proces is meermalen genoemd dat sommige variabelen voor de ene winkel sterker gelden dan voor de andere. Het is bijvoorbeeld voor een kledingwinkel veel belangrijker dat er een ‘kritieke massa’ aan andere kledingwinkels aanwezig is in een winkelgebied dan voor een supermarkt. Een supermarkt agglomereert zelf genoeg consumenten, terwijl een kledingwinkel andere kledingwinkels nodig heeft om genoeg agglomeratieeffect te ontwikkelen en klanten te trekken. Een andere optie is om winkelgebieden in te delen naar het overwegende bezoekmotief; runshoppen, fun-shoppen en doelmatig shoppen. Dit zou tevens aanvullende inzichten kunnen opleveren voor huurprijsonderzoek. De algehele prestatie van het rendementsmodel was niet voldoenend. Dit heeft te maken met de totstandkoming van het totaalrendement. Het rendement is in grote lijnen afhankelijk van de huurprijs, de kapitaalswaarde bij aankoop van het object en de kosten die gemaakt worden in het object. Deze zijn gespecificeerd in vaste kosten, beheerskosten, verhuur- en marketingkosten en overige kosten. Het verklaren van de kapitaalswaarde en/of de marktwaarde, is mogelijk een onderwerp wat beter geschikt is voor een hedonische prijsstudie. Als opnieuw een model gemaakt zou worden om het rendement te schatten, zouden hier deelmodellen moeten worden gemaakt die de opbrengsten (huurinkomsten), de bovenstaande kosten en de kapitaalswaarde van winkelvastgoed voorspellen. Het lastige aan het verklaren van het rendement van deze dataset is dat het een rendement betreft van meerdere winkels in 1 object. Hierdoor gaat veel unitniveau

70


informatie verloren omdat op een hogere schaal (objectniveau) wordt onderzocht. Zo is het bijvoorbeeld niet meer mogelijk om de invloed van de branchegroep op het rendement te meten als er in een object verschillende branches gevestigd zijn. Om die reden is het aan te bevelen om een dataset te ontwikkelen met objecten waarin 1 unit is gevestigd. In de praktijk zal dit echter een kleine dataset opleveren, tenzij er veel vastgoedbeleggers meewerken aan het onderzoek.

9.2

Aanbevelingen voor de Nederlandse vastgoedwereld

Wanneer er een aanbeveling gedaan zou mogen worden aan de vastgoedwereld, en dan met name de vastgoedbelegger, dan heeft dit betrekking op een tweetal zaken. Ten eerste zijn dit de conclusies die een belegger aan de resultaten kan verbinden met betrekking tot de acquisitie of dispositie van winkelvastgoed of het vormen van een strategie daaromtrent. Ten tweede zijn dit aanbevelingen ten behoeve van het zodanig inrichten van de bedrijfsvoering, dat beschikbare informatie over winkelobjecten en winkelunits beter bereikbaar wordt. Dit zou kunnen leiden tot meer handvatten die vanuit winkelunit-niveau bottom up inzichten kunnen geven in de portefeuille. Uit dit onderzoek is gebleken dat een belegger de beste kansen op een goede vastgoedexploitatie heeft met een specifiek type winkelunit. Hieronder wordt een hypothetische situatie geschetst waarin er een ‘carte blanche’ gegeven zou worden om ‘een winkelunit’ aan te kopen, en welke specifieke aanbevelingen er uit dit onderzoek gemaakt zouden kunnen worden: Een belegger zou op zoek moeten gaan naar een winkelunit in een binnenstad of een stadsdeelcentrum van een Nederlandse stad, bij voorkeur in de provincie Zuid-Holland of Flevoland. De standplaatskwaliteit van deze winkel zou A2 moeten zijn, waar ongeveer 50-75% van de passanten lopen ten opzichte van de beste winkelstraat in het gebied. Gezien de trend dat grotere vloeroppervlakken steeds meer in trek zijn, zou een oppervlak tot 1000 m2 aan te bevelen zijn. Bij winkels die veel groter worden dan dit, daalt namelijk de bereidheid om hier een hogere huurprijs voor te betalen. Mocht er echter een heel groot vloeroppervlak te koop zijn (>11.000m2), en er is vraag naar een warenhuis of grote supermarkt, dan kan dit ook potentie bieden. In de betreffende stad zou er in een straal van 2 kilometer ongeveer 130.000 inwoners moeten wonen, met een woning uit een hoge WOZ-klasse. Voor wat betreft het verhuren van de winkel zou men allereerst uit moeten kijken naar een retailer met een formulewinkel. Zelfstandige ondernemers betalen historisch gezien namelijk lagere huurprijzen. Een klein oppervlak zou het beste aan een bank verhuurd kunnen worden, en een groot oppervlak idealiter aan een winkel actief in de dagelijkse branche, in-en-omhet-huis branche of mode&luxe branche. Deze retailer kan vervolgens het beste op zoek gaan naar een verzorgingsgebied binnen een straal van 2 kilometer of binnen een reistijd van 10 minuten. Gezien de lage huurprijzen momenteel is het overdenken waard om kortere huurcontracten af te sluiten. Mocht de huurprijs op korte termijn dan weer gestegen zijn dan kan deze bij huurprijsherziening weer opwaarts bijgesteld worden. De administratie van de institutionele belegger uit dit onderzoek was zeer goed op orde, de aansluiting tussen de objectinformatie en de unitinformatie (huurlijsten) is vrijwel probleemloos verlopen. De aansluiting met externe data is daarentegen lastiger. Veel van de informatie uit de markt wordt extern ingekocht, en het is zonde om te zien dat die koppeling niet op een hoge orde

Tauw, H.

71


integraal gemaakt wordt. De analyse van de totale portefeuille zou op die manier veel efficiënter ingericht kunnen worden, zonder dat hier veel organisatorische lastenverzwaring tegenover staat. Voor wat betreft de datakoppeling naar consumentendata volstaat de postcode van een winkel. Voor de koppeling aan objectspecifieke data, zoals die van Locatus, is geen overeenkomstige ID aanwezig. Enkel het opnemen van de Locatus UnitID in de huurlijsten van de winkelunits zou hier oplossing kunnen bieden. De huurlijsten zouden eventueel ook aangevuld kunnen worden met data over de laatste grootschalige renovatie of andere unitspecifieke data die de attractiewaarde bepalen. Ook het opnemen van het bouwjaar, welke in veel andere studies interessante significante relaties oplevert, zou hieraan toegevoegd kunnen worden.

72


Bronvermelding

Benjamin, J, Boyle, G, & Sirmans, C 1990, 'Retail Leasing: The Determinants of Shopping Center Rents', /Journal Of The American Real Estate & Urban Economics Association/, 18, 3, pp. 302-312, Business Source Complete, EBSCO/host/, viewed 5 March 2014. Boerebach, J.J.(2012). Sense of place: attachment to, identity with and dependence of shopping locations. Master thesis: Eindhoven: Eindhoven University of Technology, Bolt, E. (2003). Winkelvoorzieningen op waarde geschat, Theorie en Praktijk, Bolt: Merkelbeek. Borgers, A., Kemperman, A. en Janssen, A. (2013). Op zoek naar de atmospherics van de binnenstad, in: SCN/NRW special 2013, uitgave 40: p.72-75. BNP Paribas (2012). Retail Risk Index, the health of our town within a weakening retail economy 2012,Paris (FR): BNP Research. Bryman, A. (2008) Social Research Methods. Oxford (VK): Oxford University Press, Incorporated, 2008: 3rd edition. Buvelot (2007). Omzethuur en de waarde van winkelcentra, Amsterdam: Amsterdam School of Real Estate: p. 4. CBS Statline (2013) Institutionele beleggers; vastgoedbeleggingen (statline.cbs.nl) 27-09-2013, bezocht op 03-04-2014. Dijkman, W.K. (2012). Improving the shopping experience: the atmospherics within an inner-city shopping area. MSc Thesis, University of Technology, Eindhoven. Field, A. P. (2013). Discovering statistics using IBM SPSS statistics: And sex and drugs and rock 'n' roll. Los Angeles: Sage. Finance Ideas (2013). Gefundeerd de verkoopstrategie bepalen, Utrecht: Finance Ideas. Gatzlaff, D, Sirmans, G, & Diskin, B 1994, 'The Effect of Anchor Tenant Loss on Shopping Center Rents', /Journal Of Real Estate Research/, 9, 1, p. 99, Business Source Complete, EBSCO/host/, viewed 5 March 2014. Gerbich, M 1998, 'Shopping Center Rentals: An Empirical Analysis of the Retail Tenant Mix', /Journal Of Real Estate Research/, 15, 3, p. 283, Business Source Complete, EBSCO/host/, viewed 5 March 2014. GfK Retail (2013) What’s going on in retailing, veranderend koopgedrag WGOIR. Panel Services Benelux: Amstelveen: p.18. Gool, P. van, D. Brounen, P. Jager & R.M. Weisz (2007), Onroerend goed als belegging. Groningen / Houten: Wolters-Noordhoff: pp. 20, 53, 55.

Tauw, H.

73


Gregory H., C, Eppli, M, & Shilling, J 2001, 'A Simulation Analysis of the Relationship between Retail Sales and Shopping Center Rents', /Journal Of Real Estate Research/, 21, 3, p. 163, Business Source Complete, EBSCO/host/, viewed 5 March 2014. Hoven (2013)Uitdagingen voor de vastgoedbelegger in een turbulent retaillandschap, In: Tijdschrift huurrecht in de praktijk, nummer 8, december 2013. Den Haag: SDU uitgevers: 224-227 HBD (2013) Omzet kengetallen 2011/2012, ten behoeve van ruimtelijke economisch onderzoek, Den Haag: Hoofd Bedrijfschap Detailhandel. IPD (2013) Definitielijst input- en outputparameters, IPD Nederlandse Vastgoedindex maart 2013. Almere: IPD: pp. 4, 5, 18, 30. IVBN (2010). Het risk management van institutionele vastgoedbeleggers, Voorburg: IVBN: 11. Jones Lang Lasalle (2011) Retailmarktspecial 2011, samen winnen, Amsterdam: JLL National Research. Jones Lang Lasalle (2012) Dutch Real Estate Market Bulletin, On.Point: destination core, Amsterdam: JLL National Research: 25-26 Jongejan, P. (1992), ‘Cyclische fluctuaties bij het beleggen in onroerend goed’, in VOGON Journaal, nummer 1: 11-15. Kalmijn, M. & Kraaykamp, G. (1999). Databank Sociologische onderzoeksartikelen 1975-1998 [DS0798] {databestand}. Universiteit Utrecht/ Katholieke Universiteit Nijmegen: p.166. Kempen Capital Management (2012) Dynamiek winkelvastgoed seminar, opinie artikel 06/12/12: Amsterdam: Kempen CM: 1. Locatus (2012) Retail Risk Index, kansen en risico´s voor winkels scherp in beeld, Woerden: Locatus. Mejia, L, & Benjamin, J 2002, 'What Do We Know About the Determinants of Shopping Center Sales? Spatial vs. Non-Spatial Factors', /Journal Of Real Estate Literature/, 10, 1, pp. 3-26, Business Source Complete, EBSCO/host/, viewed 5 March 2014. Nase, I, Berry, J, & Adair, A 2013, 'Hedonic modelling of high street retail properties: a quality design perspective', /Journal Of Property Investment & Finance/, 31, 2, pp. 160-178, Business Source Complete, EBSCO/host/, viewed 5 March 2014. Nozeman, E., W. van der Post & M. Langendoen (2012), Het Nederlandse winkellandschap in transitie, Den Haag: Sdu Uitgevers: p. 98, 227-253. Op Heij, T.J.P. (2012). Environmental influences on shopping behaviour: an empirical study into the contribution of environmental characteristics to the experiental value of the consumer, differentiated by age. MSc Thesis, University of Technology, Eindhoven. PBL en ASRE (2013) Gebiedsontwikkeling en commerciële vastgoedmarkten, een institutionele analyse van het (over)aanbod van winkels en kantoren, Amsterdam: ASRE en Planbureau voor de Leefomgeving (PBL). P. 49-54. Rabobank (2014) Retailing beyond borders: Disruption? Recharge!, Utrecht: Rabobank International: pp. 27.

74


Raijmakers, P.G. (2012). Simulation of recreational consumer visits in downtown shopping centers. MSc Thesis, University of Technology, Eindhoven. Rosiers, F, Thériault, M, & Lavoie, C 2009, 'Retail Concentration and Shopping Center Rents--A Comparison of Two Cities', /Journal Of Real Estate Research/, 31, 2, pp. 165-207, Business Source Complete, EBSCO/host/, viewed 5 March 2014. ROZ (2014) Prognoses op basis Cpb juniraming en IPD 2014 Q1, Almere, p1. SCN NRW (2014) NRW special, Retail leeft! Huizen, P.6-9 Sirmans, C, & Guidry, K 1993, 'The Determinants of Shopping Center Rents', /Journal Of Real Estate Research/, 8, 1, p. 107, 113, Business Source Complete, EBSCO/host/, viewed 5 March 2014. Sybertsma (2011). Omzethuur als managementtool, de werkelijke kracht van omzethuur, Amsterdam School of Real Estate, Amsterdam, 03/2011, p. 4. Vink (2012) Van belevingswaarde naar beleggingswaarde, het bezit van de onroerende zaak begint bij het vermaak, thesis ASRE, Amsterdam: p.28 Vlasveld (2012). Sustainable retail performance, sustainability and the performance of a retail property investment portfolio. Amsterdam School of Real Estate, Amsterdam: p.26, 33. Willems, H.J.H.M. (2012). Shopping behaviour; an empirical study into the appreciation of atmospheric characters of inner-city shopping area’s given the shoppers’motivational orientation, MSc Thesis, University of Technology, Eindhoven. Yuo, T, Lizieri, C, McCann, P, & Crosby, N 2011, 'Rental Values in UK Shopping Malls', /Urban Studies (Sage Publications, Ltd.)/, 48, 8, pp. 1667-1679, Business Source Complete, EBSCO/host/, viewed 5 March 2014.

Tauw, H.

75


Begrippenlijst

Dispositie

Het afstoten van vastgoed kan gebeuren door de verkoop of sloop van het onroerend goed. Meestal besluiten vastgoedbezitters panden af te stoten omwille de rendement-risicoverhouding die niet past binnen de huidige vastgoedportefeuille.

Direct rendement:

De feitelijke netto-huuropbrengsten gedurende een bepaalde periode, afgezet tegen het gemiddeld geinvesteerd vermogen van de onderliggende vastgoed objecten (cq. portefeuilles) over de meetperiode (ROZ/IPD, 2007:5). Het direct rendement wordt berekend met behulp van de volgende formule:

IR NI CV Cexp Exploitatiekosten

=Income Return =Net Income =Capital Value =Capital Expenditure

=Direct rendement =Netto opbrengsten =Kapitaalswaarde =Kapitaalsuitgaven

Kosten die gemaakt worden voor onderhoud, leegstand, verzekering, beheer e.d. van het onroerend goed, uitgedrukt in een percentage van de huur.

Hedonische prijsmodel Een model wat de prijsbepalende factoren identificeert, welke zijn bepaald door zowel door interne karakteristieken van het te verkopen goed, als externe factoren die daarop van invloed zijn. (investopedia.com) Huurindexatie

De jaarlijkse aanpassing van de huur aan het CBS-prijsindexcijfer. Hiervoor worden ook de termen index of indexering gebruikt.

Indirect rendement:

Ook waardegroei genoemd, geeft de waardeveranderingen weer gedurende een bepaalde periode, afgezet tegen het gemiddeld geïnvesteerd vermogen van de onderliggende vastgoedobjecten c.q. portefeuilles over de meetperiode (ROZ/IPD, 2007: 5). Het indirect rendement wordt berekend met de volgende formule:

CVG CV Cexp

=Capital Growth =Capital Value =Capital Expenditure

=Waardegroei of indirect rendement =Kapitaalswaarde =Kapitaalsuitgaven

76


Crec =Capital Receipts Kapitaalsontvangsten Indirect IRR rendement

=Verkoopontvangsten en andere

Een calculatiemethode waarbij het geprognosticeerde rendement wordt berekend, rekening houdend met de hoogte en het tijdstip van alle uitgaven voor en opbrengsten van de belegging (tijdswaarde van geld), inclusief de teruggave door de fiscus, uitgaande van de veronderstelling dat op de uitgekeerde som een vergelijkbaar rendement kan worden behaald gedurende de looptijd van de investering. Bij een vergelijking tussen verschillende projecten op basis van het te behalen rendement is het derhalve beter dat te doen op basis van het IRR-rendement. Bij vastgoed-beleggingen is het IRR-rendement altijd lager dan het enkelvoudig rendement.

Leverage

Vreemd vermogen in verhouding tot de totale fondsinvestering, uitgedrukt in een percentage

Multicollineairiteit

een verschijnsel in de statistiek waarbij twee sterk gerelateerde verklarende variabelen worden meegenomen in een analyse om een verschijnsel te verklaren

Risico

is de (in kansen uitgedrukte) mogelijkheid dat de realisatie van de strategische, tactische, en/of operationele doelstellingen van een organisatie negatief worden beïnvloed, waarbij de kans op realisatie ook daadwerkelijk verlaagd wordt door onzekere tijdelijke en/of structurele (gevolgen van) gebeurtenissen binnen en/of buiten de organisatie. (IVBN, 2010).

Totaal rendement:

Het totaal rendement is de som van de waardegroei en netto inkomsten in een periode uitgedrukt alspercentage van het gemiddeld geïnvesteerd vermogen. De formule om de maandelijkse totaal rendementen te berekenen is:

CV =Capital Value Cexp =Capital Expenditure Crec =Capital Receipts Kapitaalsontvangsten NI =Net Income TR =Total Return

Tauw, H.

=Kapitaalswaarde =Kapitaalsuitgaven =Verkoopontvangsten en andere =Netto huuropbrengsten =Totaal Rendement.

77


Bijlagen Bijlage 1: Dankwoord Mijn dank gaat allereerst uit naar mijn twee begeleiders van het afstudeeronderzoek, Dion en Philip. Jullie hebben mijnsinziens als het ware als een ‘twee componenten-kit’ gefunctioneerd in deze thesis. Dion als de retail expert, en Philip als expert op het gebied van hedonische prijsstudies. Ik heb van jullie beiden veel geleerd, in verschillende fasen van het onderzoek, en ben jullie hier zeer dankbaar voor. Ik heb de bijeenkomsten, het proces en de samenwerking als zeer prettig ervaren en er zijn weinig zaken die ik in retrospectief opzicht anders had gedaan. Vervolgens gaat mijn dank uit naar Joost, vanaf het begin mijn begeleider binnen het afstudeerbedrijf. Gezien je zelf ook pas 2 maanden in dienst was, hebben we in het begin zelfs wat kennismakingsgesprekken met collega’s samen gedaan waardoor ook ik snel op de rails zat. Ik vond het erg fijn om mijn eigen weg te zoeken in de loop van het onderzoeksproces, en ben je dankbaar dat dit ook mogelijk was. Ook al is de dataverzameling niet altijd gemakkelijk gebleken, is er toch een totaalmodel gekomen met wat er intern wél beschikbaar was. Ik was altijd zeer blij met jouw oprechte, genuanceerde houding bij kritiek, open aanmerkingen of aanvullingen. Ik heb geprobeerd om deze thesis ook voor de ‘leek’ begrijpelijk te houden, echter is dit op sommige vlakken nou eenmaal niet gemakkelijk. Vervolgens wil ik graag Elise van Pieterson bedanken van de businessunit winkels, voor de ingang bij het afstudeerbedrijf. Bedankt voor de lamp nog ;-), en ook het locatiebezoek was erg gezellig. Een belangrijk persoon in de dataverstrekking voor deze thesis is Leon Lasker geweest. Enorm veel dank voor het meedenken, het opbouwen van de dataset en jouw flitsende reactie op mijn emails. Ik heb vernomen dat je de Alpes d’Huzes hebt gereden, prachtig dat je dat gedaan hebt! Tijdens het afstudeerproces heb ik ook meermalen contact gehad met Marco Mosselman, een goede sparringpartner, ook aan jou bedankt voor de opbouwende kritiek. Voor wat de externe bedrijven betreft spreek ik mijn dank uit naar Experian, en met name Mark Oost, voor het verlenen van de consumentendata. Ook Mattijn Bezemer van Insights4Action; ook al heeft het toevoegen van de Retail Risk Index-variabelen geen doorgang kunnen vinden, wellicht komt dit in de toekomst nog. Bedankt voor jouw open aanmerkingen op mijn thesis en ik wens je veel succes in het zakenleven. Afsluitend veel dank aan mijn 3 broers en mijn ouders, die altijd achter mij hebben gestaan, in slechte en goede tijden. Zonder jullie lieve steun had ik een aanzienlijk moeilijker jaar gehad. Boven alles, mijn lieve vriendin Charlotte; heel veel dank lieverd! Deze zomer gaan we weer lekker genieten van het leven in een mooie reis naar Vietnam, een nieuw huis in Amsterdam en wellicht zit er ook nog een nieuwe baan voor mij in het verschiet :-) Hidde

78


Bijlage 2: Variabelenstudie d.d. 03/2014

Codering Unit_RRI Unit_pand Unit_straat Unit_branche Unit_Markt Object_RRI Object_pand Object_straat Object_branche Object_markt Unit_passant Unit_spk Gebied_VKP Gebied_OPP Unit_branche Gebied_branche Gebied_VZ Gebied_2km Gebied_Ink Gebied_leeg Unit_leeg Object_leeg Gebied_trek Gebied_mode

Onafhankelijke variabelen Winkelunit Beleggingsobject Meeteenheid Huurprijs (€) Rendement (%) [getal] x [getal] x [getal] x [getal] x [getal] x [getal] x [getal] x [getal] x [getal] x [getal] x [getal] x x [A1, A2, B1, B2, C1, x C2] [getal] x x [m2 getal] x x [branche x, branche x y] [getal per branche] x x [getal] x x [getal] x x [€ getal] x x [%] x x [%] x [%] x x [getal] x x [%] x x

Gebied_EMS Gebied_Bereik Gebied_15mns Gebied_best

[getal] [getal] [getal] [€ getal]

x x x x

x x x x

Unit_jaar Object_grootte Unit_grootte

[jaartal] [m2 getal] [m2 getal]

x x x

x

Locatus Unit_Retail Risk Index Unit_Pandscore Unit_Straatscore Unit_Branchescore Unit_Marktscore Object_Retail Risk Index Object_Pandscore Object_Straatscore Object_Branchescore Object_Marktscore Unit_Passanten/ standaardconsumenten Unit_Standplaatskwaliieit Winkelgebiedsgrootte aantal verkooppunten Winkelgebiedsgrootte in oppervlak totaal Unit_Branche Brancheringsconcentratie (Herfinadahl) Inwoners binnen het verzorgingsgebied Inwoners binnen 2km Besteedbaar inkomen (verzorgingsgebied) Leegstand in winkelgebied Unit_leegstand Object_leegstand Aantal trekkers in het winkelgebied Percentage mode in het winkelgebied

Experian Estimated market size_standaardunit Bereikbaarheidscijfers_winkelgebied Consumenten binnen 15m reistijd_winkelgebied Gemiddelde besteding van consumenten_winkelgebied

IPD / SARE&F Unit_Leeftijd/ Bouwjaar Object_Grootte Unit_Grootte

Tauw, H.

79


Bijlage 3- Correlatietabellen onafhankelijke variabelen Tabel 17: Estimated market size -correlaties met de huurprijs

Correlations Ln va n de th huurpri js / m2/ uni t Ln va n de th huurpri js / m2/ uni t

Pea rs on Correl a tio n Si g. (2ta i l ed) N

Es tima ted ma rket s i ze Etos 5mns per 1000


Es tima ted ma rket s i ze AH 5 mns per 1000


1

Es tima ted Es tima ted ma rket ma rket s i ze Etos s i ze AH 5 5mns per mns per 1000 1000 **

,252

**

,254

,000

,000

1168

1168

1168

,252**

1

,999**

,000

0,000

1168

1173

1173

,254**

,999**

1

,000

0,000

1168 1173 1173 **. Correl a tion i s s i gni fi ca nt a t the 0.01 l evel (2-ta i l ed).

80


Tabel 18: Koopkracht-correlaties met de huurprijs

Correlations Ln va n de th EX_5Mi nut 10Mi nuten 15Mi nuten 30Mi nuten 45Mi nuten huurpri js / enKKR_Dec KKR_Deci e KKR_Deci e KKR_Deci e KKR_Deci e m2/ uni t i el 3 l3 l3 l3 l3 Ln va n de th huurpri js / m2/ uni t

Pea rs on Correl a ti o n Si g. (2ta i l ed) N

EX_5Mi nut Pea rs on enKKR_Dec Correl a ti o i el 3 n Si g. (2ta i l ed) N 10Mi nuten Pea rs on KKR_Deci e Correl a ti o l3 n Si g. (2ta i l ed) N 15Mi nuten Pea rs on KKR_Deci e Correl a ti o l3 n Si g. (2ta i l ed) N 30Mi nuten Pea rs on KKR_Deci e Correl a ti o l3 n Si g. (2ta i l ed) N 45Mi nuten Pea rs on KKR_Deci e Correl a ti o l3 n Si g. (2ta i l ed) N

,187**

,263**

,247**

,176**

,140**

,000

,000

,000

,000

,000

1168

1168

1168

1168

1168

1168

**

1

1

,187

,000 1168 **

,263

**

,900

**

,807

**

,607

**

,389

0,000

,000

,000

,000

1173

1173

1173

1173

1173

**

1

,900

,000

0,000

1168

1173

,247**

**

,952

**

,722

**

,487

0,000

,000

,000

1173

1173

1173

1173

,807**

,952**

1

,824**

,606**

,000

,000

0,000

,000

,000

1168

1173

1173

1173

1173

1173

,176**

,607**

,722**

,824**

1

,884**

,000

,000

,000

,000

1168

1173

1173

1173

1173

1173

,140**

,389**

,487**

,606**

,884**

1

,000

,000

,000

,000

0,000

1168

1173

1173

1173

1173

0,000

1173

**. Correl a ti on i s s i gni fi ca nt a t the 0.01 l evel (2-ta i l ed).

Tauw, H.

81


Tabel 19: Huishoudens-correlaties met de huurprijs

Correlations Ln va n de th huurpri js / EX_5Mi nut EX_10Mi nu EX_15Mi nu EX_30Mi nu EX_45Mi nu m2/ uni t en_HHS ten_HHS ten_HHS ten_HHS ten_HHS Ln va n de Pea rs on th Correl a ti o huurpri js / n m2/ uni t Si g. (2ta i l ed) N EX_5Mi nut Pea rs on en_HHS Correl a ti o n Si g. (2ta i l ed) N

,236**

,282**

,274**

,170**

,129**

,000

,000

,000

,000

,000

1168

1168

1168

1168

1168

1168

,236**

1

,900**

,821**

,588**

,349**

0,000

,000

,000

,000

1

,000 1168

1173

1173

1173

1173

1173

,282**

,900**

1

,949**

,668**

,411**

,000

0,000

0,000

,000

,000

1168

1173

1173

1173

1173

1173

,274**

,821**

,949**

1

,788**

,547**

,000

,000

0,000

,000

,000

1168

1173

1173

1173

1173

1173

,170**

,588**

,668**

,788**

1

,872**

,000

,000

,000

,000

1168

1173

1173

1173

1173

1173

,129**

,349**

,411**

,547**

,872**

1

,000

,000

,000

,000

0,000

1168 1173 1173 **. Correl a ti on i s s i gni fi ca nt a t the 0.01 l evel (2-ta i l ed).

1173

1173

EX_10Mi nu Pea rs on ten_HHS Correl a ti o n Si g. (2ta i l ed) N EX_15Mi nu Pea rs on ten_HHS Correl a ti o n Si g. (2ta i l ed) N EX_30Mi nu Pea rs on ten_HHS Correl a ti o n Si g. (2ta i l ed) N EX_45Mi nu Pea rs on ten_HHS Correl a ti o n Si g. (2ta i l ed) N

0,000

1173

82

Hedonisch prijsmodel voor winkelvastgoed Tabel 20: Populatie-correlaties met de huurprijs

Correlations Ln va n de th huurpri js / EX_5Mi nut EX_10Mi nu EX_15Mi nu EX_30Mi nu EX_45Mi nu m2/ uni t en_POP nten_POP ten_POP ten_POP ten_POP Ln va n de Pea rs on th Correl a ti o huurpri js / n m2/ uni t Si g. (2ta i l ed) N EX_5Mi nut Pea rs on en_POP Correl a ti o n Si g. (2ta i l ed) N

,194**

,265**

,261**

,165**

,126**

,000

,000

,000

,000

,000

1168

1168

1168

1168

1168

1168

,194**

1

,885**

,812**

,599**

,382**

0,000

,000

,000

,000

1

,000 1168

1173

1173

1173

1173

1173

,265**

,885**

1

,948**

,667**

,425**

,000

0,000

0,000

,000

,000

1168

1173

1173

1173

1173

1173

,261**

,812**

,948**

1

,796**

,571**

,000

,000

0,000

,000

,000

1168

1173

1173

1173

1173

1173

,165**

,599**

,667**

,796**

1

,883**

,000

,000

,000

,000

1168

1173

1173

1173

1173

1173

,126**

,382**

,425**

,571**

,883**

1

,000

,000

,000

,000

0,000

1168 1173 1173 **. Correl a ti on i s s i gni fi ca nt a t the 0.01 l evel (2-ta i l ed).

1173

1173

EX_10Mi nu Pea rs on nten_POP Correl a ti o n Si g. (2ta i l ed) N EX_15Mi nu Pea rs on ten_POP Correl a ti o n Si g. (2ta i l ed) N EX_30Mi nu Pea rs on ten_POP Correl a ti o n Si g. (2ta i l ed) N EX_45Mi nu Pea rs on ten_POP Correl a ti o n Si g. (2ta i l ed) N

Tauw, H.

0,000

1173

83

Huurprijs en rendement van winkelvastgoed Tabel 21: Inwoners-correlaties met de huurprijs

Correlations Ln va n de LU_i nwon LU_i nwon LU_i nwon LU_i nwon th ers ers bi nnen ers bi nnen ers bi nnen huurpri js / gemeente 2km per 5km per 10km per m2/ uni t per 1000 1000 1000 1000 Ln va n de th huurpri js / m2/ uni t

LU_i nwoners gemeente per 1000

LU_i nwoners bi nnen 2km per 1000



Pea rs on Correl a tio n Si g. (2tai l ed) N Pea rs on Correl a tio n Si g. (2tai l ed) N Pea rs on Correl a tio n Si g. (2tai l ed) N Pea rs on Correl a tio n Si g. (2tai l ed) N Pea rs on Correl a tio n Si g. (2tai l ed) N

,325**

,406**

,341**

,249**

,000

,000

,000

,000

1168

1168

1168

1168

1168

,325**

1

,795**

,801**

,739**

,000

,000

,000

1

,000 1168

1173

1173

1173

1173

,406**

,795**

1

,885**

,743**

,000

,000

0,000

,000

1168

1173

1173

1173

1173

,341**

,801**

,885**

1

,903**

,000

,000

0,000

1168

1173

1173

**

,249

**

,739

**

,743

0,000 1173

1173

**

1

,903

,000

,000

,000

0,000

1168

1173

1173

1173

1173

**. Correl a tion i s s i gni fi ca nt a t the 0.01 l evel (2-tai l ed).

84


Tabel 22: Correlatietabel koopkracht woz waarde huurprijs en inwoners 2km. Correlations EX_10Mi nu EX_10Mi nu EX_10Mi nu EX_10Mi nu EX_10Mi nu tenWOZ_kl Ln va n de LU_i nwon tenKKR_De tenKKR_De tenKKR_De tenWOZ_kl a s s e_6_7_ th ers bi nnen ci el 1_2_3_ ci el 5_6_7_ ci el 8_9_10 a s s e_2_3_ 8_9_10_10 huurpri js / 2km per 4_1000 1000 _1000 4_5_1000 00 m2/ uni t 1000 EX_10Mi nu Pea rs on tenKKR_De Correl a ti o ci el 1_2_3_ n 4_1000 Si g. (2ta i l ed) N EX_10Mi nu tenKKR_De ci el 5_6_7_ 1000


EX_10Mi nu tenKKR_De ci el 8_9_10 _1000


EX_10Mi nu tenWOZ_kl a s s e_2_3_ 4_5_1000


EX_10Mi nu tenWOZ_kl a s s e_6_7_ 8_9_10_10 00


Ln va n de th huurpri js / m2/ uni t


LU_i nwon ers bi nnen 2km per 1000


,489**

,887**

,604**

,242**

,277**

,691**

,000

0,000

,000

,000

,000

,000

1173

1173

1173

1173

1173

1168

1173

,489**

1

,591**

,305**

,662**

,269**

,748**

,000

,000

,000

,000

,000

1

,000 1173

1173

1173

1173

1173

1168

1173

,887**

,591**

1

,296**

,406**

,211**

,681**

0,000

,000

,000

,000

,000

,000

1173

1173

1173

1173

1173

1168

1173

,604**

,305**

,296**

1

,280**

,351**

,559**

,000

,000

,000

,000

,000

,000

1173

1173

1173

1173

1173

1168

1173

**

1

**

,242

**

,662

**

,406

,280

,000

,000

,000

,000

1173

1173

1173

1173

**

,277

**

,269

**

,211

**

,351

**

,208

**

,506

,000

,000

1173

1168

1173

**

1

,208

**

,406

,000

,000

,000

,000

,000

,000

1168

1168

1168

1168

1168

1168

1168

,691**

,748**

,681**

,559**

,506**

,406**

1

,000

,000

,000

,000

,000

,000

1173

1173

1173

1173

1173

1168

1173

**. Correl a ti on i s s i gni fi ca nt a t the 0.01 l evel (2-ta i l ed).

Tauw, H.

85


Bijlage 4a: Lineairiteit Energieindex, Restduur contract, Inwoners 2km, Oppervlak, lage Koopkracht en middelhoge Koopkracht.

86


Bijlage 4b: Lineairiteit scatterplots VII-XII: Totaalduur van het contract, Looptijd van het contract, WOZ klassen hoog, Koopkracht hoog, WOZ klassen laag en Passanten.

Tauw, H.

87


Bijlage 5: Univariate regressie _ continue variabelen

Coefficients a Unstandardized Coefficients

Model 1

(Constant) Energieindex van de winkelunit


B

Std. Error

5,411

,049

,165

,044

,125

R Square

Adjusted R Square

Std. Error of the Estimate

,016

,015

,53030

t

Sig.

110,291

0,000

3,754

,000

Beta

a. Dependent Variable: Ln van de th huurprijs/ m2/ unit

Model Summary

Model

R

1

,125a a . Predi ctors : (Cons ta nt), Energi ei ndex va n de wi nkel uni t

Coefficients a

Unstandardized Coefficients Model 1

(Cons ta nt) U_Oppervl a k / 10 vi erka nte meter


B

Std. Error

Beta

5,626

,018

-,001

,000

-,244

R Squa re

Adjus ted R Squa re

Std. Error of the Es ti ma te

,060

,059

,53559

t

Si g.

304,141

0,000

-7,998

,000

a . Dependent Va ri a bl e: Ln va n de th huurpri js / m2/ uni t

Model Summary

Model

R

,244a a. Predictors: (Constant), U_Oppervlak / 10 vierkante meter 1

Coefficients a


(Cons ta nt) EX_10Mi nutenKKR_Deci el 5_6_7_1000


B

Std. Error

5,352

,027

Beta

,019

,002

,293

R Square

Adjusted R Square


,086

,085

,52803

t

Si g.

194,688

0,000

9,743

,000


Model Summary

Model 1

R a

,293 a. Predictors: (Constant), EX_10MinutenKKR_Deciel5_6_7_1000

88


Coefficients a


(Cons ta nt) Res tduur va n het contra ct.


B

Std. Error

5,500

,037

Beta

,017

,009

,063

R Square

Adjusted R Square


,004

,003

,55163

t

Si g.

147,030

0,000

1,991

,047

t

Si g.

247,433

0,000

12,869

,000


Model Summary

Model

R

1

,063a a . Predi ctors : (Cons ta nt), Res tduur va n het contra ct.

Coefficients a


(Cons ta nt) EX_10Mi nutenWOZ_kl a s s e_2_3_4_5_1000

B

Std. Error

5,377

,022

,009

,001


,375


Model Summary

Model

R

R Squa re

Adjus ted R Std. Error of the Squa re Es ti ma te

,141 ,140 ,375a a . Predi ctors : (Cons ta nt), EX_10Mi nutenWOZ_kl a s s e_2_3_4_5_1000

1

,51190

Coefficients a


(Cons ta nt) EX_10Mi nutenKKR_Deci el 8_9_10_1000


B

Std. Error

5,437

,024

Beta

,009

,001

,238

R Square

Adjusted R Square


,057

,056

,53641

t

Si g.

230,888

0,000

7,790

,000


Model Summary

Model 1

R a

,238 a. Predictors: (Constant), EX_10MinutenKKR_Deciel8_9_10_1000

Tauw, H.

89


Coefficients a


(Cons ta nt) LU_pa s s a nten per 1000


B

Std. Error

5,464

,040

Beta

,020

,002

,358

R Square

Adjusted R Square


,128

,127

,56255

t

Si g.

136,830

0,000

9,163

,000

t

Si g.

181,556

0,000

7,914

,000


Model Summary

Model

R

1

a

,358 a . Predi ctors : (Cons ta nt), LU_pa s s a nten per 1000

Coefficients a


(Cons ta nt) EX_10Mi nutenWOZ_kl a s s e_6_7_8_9_10_1000


B

Std. Error

Beta

5,373

,030

,012

,001

,242

R Squa re

Adjus ted R Squa re

Std. Error of the Es ti ma te


Model Summary

Model 1

R

,058 ,058 ,242a a . Predi ctors : (Cons ta nt), EX_10Mi nutenWOZ_kl a s s e_6_7_8_9_10_1000

,53593

Coefficients a


(Cons ta nt) De tota a l duur va n het contra ct.


B

Std. Error

5,632

,038

Beta

-,005

,003

-,061

R Square

Adjusted R Square


,004

,003

,55168

t

Si g.

147,222

0,000

-1,939

,053


Model Summary

Model 1

R a

,061 a. Predictors: (Constant), De totaalduur van het contract.

90


Coefficients a


(Cons ta nt)

B

Std. Error

5,232

,028

LU_i nwoners bi nnen 2km per ,008 1000 a . Dependent Va ri a bl e: Ln va n de th huurpri js / m2/ uni t

Standardize d Coefficient s Beta

,001

,422

Adjusted R Square


t

Si g.

190,198

0,000

14,782

,000

t

Si g.

253,980

0,000

10,263

,000

Model Summary

Model

R

R Square a

1

,178 ,177 ,422 a . Predi ctors : (Cons ta nt), LU_i nwoners bi nnen 2km per 1000

,50074

Coefficients a


(Cons ta nt)

B

Std. Error

5,426

,021

EX_10Mi nutenKKR_Deci el 1_2_ ,005 3_4_1000 a . Dependent Va ri a bl e: Ln va n de th huurpri js / m2/ uni t


,000

,307

Model Summary

Model 1

R

R Squa re

Std. Error Adjus ted R of the Squa re Es ti ma te

,095 ,094 ,52556 ,307a a . Predi ctors : (Cons ta nt), EX_10Mi nutenKKR_Deci el 1_2_3_4_1000

Coefficients a


(Cons ta nt)

B

Std. Error

5,624

,029

De l oopti jd va n het contra ct -,007 tot a a n 2013. a. Dependent Variable: Ln van de th huurprijs/ m2/ unit


,003

-,079

Adjusted R Square


t

Si g.

193,526

0,000

-2,533

,011

Model Summary

Model 1

R

R Square

a ,006 ,005 ,079 a. Predictors: (Constant), De looptijd van het contract tot aan 2013.

Tauw, H.

,55056

91


Bijlage 5a: Volgorde opbouw van huurprijsmodel (R2 adjusted) Huurprijsmodel variabelen

R 2 adj./ huurprijs

LU_INW_02_KM_1000

0,177

Winkelgebiedstype dummies EX_10MinutenWOZ_klasse_2_3_4_5 _1000

0,156

LUPASSANTEN_1000 EX_10MinutenKKR_Deciel1_2_3_4_1 000 EX_10MinutenKKR_Deciel5_6_7_100 0

0,127

LU_groep dummies branche

0,063

U_Oppervlakte_10 EX_10MinutenWOZ_klasse_6_7_8_9 _10_1000 EX_10MinutenKKR_Deciel8_9_10_10 00

0,059

Standplaatskwaliteit dummies

0,048

Provincie_dummies

0,041

U_EnergieIndex

0,015

U_ContractLooptijd_2013_1ste

0,005

U_contractduur_resterend

0,003

U_Contractduur

0,003

d_LU_Formule_Zelfstandig d_LU_WINKELGEBIED_centraal_ond ersteunend

0,001

0,14

0,094 0,085

0,058 0,056

0,001

Bijlage 5a: Volgorde opbouw van rendementsmodel (R2 adjusted) Rendementsmodel Variabelen

2

R adj./ rendement LUPASSANTEN_1000

0,124

LU_INW_02_KM_1000

0,027


0,013

d_A2

0,011

d_B1

0,011

d_B2

0,011

d_C

0,011

d_wi nkel gebi ed_hoofdwi nkel gebi ed_groot

0,007

d_wi nkel gebi ed_hoofdwi nkel gebi ed_kl ei n

0,007

d_wi nkel gebi ed_kernverzorgend_centrum_kl ei n_groot

0,007

d_wi nkel gebi ed_s tads deel centrum

0,007


0,007

EX_10Mi nutenWOZ_kl a s s e_6_7_8_9_10_1000

0,006


0,005

EX_10Mi nutenWOZ_kl a s s e_2_3_4_5_1000

0,004


0,004

O_eenheden i n het object

0,003


0,003

d_LU_WINKELGEBIED_centra a l _onders teunend

0,002

EX_10Mi nutenKKR_Deci el 1_2_3_4_1000

0,002

92


Bijlage 6: Relatietabel rendementsmodel

Rendementsmodel Variabelen O_eenheden i n het object

R2 adj./ rendement

Verwachte relatie rendement

Gevonden relatie

Enkelvoudig Sig.

Eindmodel (Sig.) nee

0,005

nega tief

nega tief

nee

-0,003

nega tief

nega tief

nee

d_A2

-0,001

pos i tief

pos i tief

nee

ja

d_B1

-0,001

pos i tief

nega tief

nee

ja

d_B2

-0,001

pos i tief

nega tief

nee

ja

d_C d_wi nkel gebi ed_hoofdwi nkel ge bi ed_groot d_wi nkel gebi ed_hoofdwi nkel ge bi ed_kl ei n d_wi nkel gebi ed_kernverzorgend _centrum_kl ei n_groot d_wi nkel gebi ed_s tads deel centr um

-0,001

pos i tief

pos i tief

nee

nee

0,059

pos i tief

nega tief

nee

0,059

nega tief

nega tief

nee

0,059

pos i tief

pos i tief

nee

0,059

pos i tief

nega tief

nee

0,059

pos i tief

pos i tief

nee


0,011

nega tief

nega tief

ja

ja

LUPASSANTEN_1000

0,218

nega tief

pos i tief

ja

ja

LU_INW_02_KM_1000

0,098

nega tief

pos i tief

ja

nee

d_LU_Formul e_Zel fs tandi g d_LU_WINKELGEBIED_centra a l _o nders teunend EX_10Mi nutenWOZ_kl a s s e_2_3_4 _5_1000 EX_10Mi nutenWOZ_kl a s s e_6_7_8 _9_10_1000 EX_10Mi nutenKKR_Deci el 1_2_3_4 _1000 EX_10Mi nutenKKR_Deci el 5_6_7_1 000 EX_10Mi nutenKKR_Deci el 8_9_10_ 1000

0,002

pos i tief

pos i tief

nee

nee

0,001

pos i tief

pos i tief

nee

0,022

pos i tief

pos i tief

ja

0,047

pos i tief

pos i tief

ja

0,014

pos i tief

pos i tief

ja

0,072

pos i tief

pos i tief

ja

0,023

pos i tief

pos i tief

ja



nee

nee nee nee nee nee

nee nee nee nee nee nee

* Si gni fi ca nt op het 10% ni vea u, ** Si gni fi ca nt op het 5% ni vea u, *** Si gni fi ca nt op het 1% ni vea u

Tauw, H.

93


Bijlage 7: Geografische spreiding dataset

94

Hedonisch prijsmodel voor Nederlands winkelvastgoed. Voorspellingen van de huurprijs en het rendement van Nederlandse winkelunits en objecten

Recommend Documents