Logistiek vastgoed. ~ Modellering in een markt in beweging ~

Logistiek vastgoed ~ Modellering in een markt in beweging ~

Maarten Valkenet 0565121 25 augustus 2006 Master Business Economics Real Estate Finance FEB UvA

Dr. Marcel Theebe (UvA) Drs. Gerjan Vos (UvA)

Ir. Nico Harkes (ECORYS) Paul van de Lande (ECORYS) 0

Voorwoord Deze scriptie is geschreven ter afsluiting van de masteropleiding (MSc) Business Economics, variant Real Estate Finance. Bij de totstandkoming van de scriptie hebben meerdere mensen mij gesteund, die ik allen dan ook zeer erkentelijk ben. Bij deze wil ik met name Nico Harkes, Maj-Britt van der Horst, Hans van Kippersluis, Paul van de Lande, Nic Roest, Marcel Theebe en Bart Vink bedanken voor begeleiding, input, hulp en ontspanning. Verder is een woord van dank op zijn plaats voor ECORYS B.V. voor de stage en mogelijkheid om ervaring op te doen. Maarten Valkenet

Logistiek vastgoed: Modellering in een markt in beweging

1

Inhoudsopgave Inleiding ..................................................................................................................................4

Hoofdstuk 1: Introductie in logistiek vastgoed....................................................................6 2.1. Definitie.....................................................................................................6 2.2. Soorten logistiek vastgoed.........................................................................7 2.3. De gebruikersmarkt voor logistiek vastgoed .............................................8 2.4. De beleggersmarkt voor logistiek vastgoed ............................................11

Hoofdstuk 2: Perspectief voor logistiek vastgoed..............................................................15 2.1. Kansen voor logistiek vastgoed...............................................................15 2.2. Bedreigingen voor logistiek vastgoed .....................................................17 2.3. Afweging .................................................................................................18

Hoofdstuk 3: Factoren die van invloed zijn op de waarde van logistiek vastgoed ........19 3.1. Locatie .....................................................................................................20 3.2. Fysieke karakteristieken ..........................................................................22 3.3. Marktspecifieke eigenschappen ..............................................................26

Hoofdstuk 4: Praktische toepassingen van regressiemodellen: mass appraisal en kwantificering van bepalende factoren.......................................................28

Hoofdstuk 5: Onderzoeksmodel..........................................................................................34 5.1. Selectie van variabelen ............................................................................34 5.2. Methodologie...........................................................................................37 5.3. Uitkomsten ..............................................................................................41 5.4. Conclusies en aanbevelingen...................................................................43

Hoofdstuk 6: Variaties in het standaardmodel..................................................................46 6.1 Logaritmische functie voor procentuele waardeveranderingen ...............46 6.2 Stapsgewijze regressie..............................................................................47 6.3 Regressie met prijs per m2 als afhankelijke variabele..............................49 6.4 Een andere benadering van de kantooroppervlakte..................................50 Logistiek vastgoed: Modellering in een markt in beweging

2

Hoofdstuk 7: Algemene conclusies en aanbevelingen .......................................................52 7.1. Conclusies ...............................................................................................52 7.2. Tekortkomingen en aanbevelingen .........................................................52

Referentielijst........................................................................................................................54

Bijlage 1: Aantrekkelijkheid van locaties voor logistiek vastgoed in Nederland ...........57

Bijlage 2: Indeling van Nederland in 40 COROP-gebieden per 1 januari 2005 ............58

Bijlage 3: Parial Regression Plots van alle variabelen......................................................61

Bijlage 4: Voorbeeld van het gebruik van de regressieuitkomsten .................................68

Bijlage 5: Uitkomsten van de stapsgewijze regressie ........................................................70 Bijlage 6: Uitkomsten van de regressies met prijs per m2 als afhankelijke variabele ...71

Bijlage 7: Uitkomsten van de regressies met variabele: kantoor /totaal oppervlak.......73


3

Inleiding Beleggers in de traditionele vastgoedcategorieën hebben tegenwoordig steeds vaker te maken met lagere rendementen dan ze gewend zijn. Als gevolg van de hoge leegstand en forse concurrentie op met name de Nederlandse kantorenmarkt, zoeken beleggers hun heil meer en meer

in

andere

sectoren,

daarnaast

is

er

überhaupt

een

grotere

vraag

naar

vastgoedbeleggingen gevormd. Het is dan ook niet verwonderlijk dat er de laatste jaren een alsmaar groter wordende belangstelling is ontstaan voor een andere vorm van bedrijfsmatig onroerend goed: logistiek vastgoed. Ook vanaf de gebruikersmarkt is er een groeiende interesse in logistiek onroerend goed. Trends als Sale en Leaseback en de globalisering van de wereldhandel houden de markt in beweging, wat voor volop uitermate interessante kansen zorgt.

Door de eeuwen heen heeft Nederland altijd een vooraanstaande rol gespeeld in de internationale handel. In de tijden van de VOC en de Gouden Eeuw was Nederland, met koloniën in zowel West-Indië als Oost-Indië letterlijk en figuurlijk een wereldmacht op handelsgebied. Door de gunstige ligging van Nederland en de ondernemersgeest van de Nederlanders, kunnen een groot aantal Europese vrachtvervoerders ook vandaag nog altijd niet om Nederland heen. Mede door deze expertise in wereldhandel door de jaren heen, wordt niet alleen de handel met Nederlanders geroemd, ook het Nederlandse logistieke vastgoed kan kwalitatief als zeer hoogwaardig beschouwd worden. Gesterkt door een bijzonder goede infrastructuur is Nederland voor tal van Amerikaanse en Aziatische bedrijven de logische uitvalsbasis.

Met zoveel positieve indicatoren voor een vastgoedsector in opkomst, is het verrassend om te constateren dat men deze categorie in de academische literatuur bijna volledig links laat liggen. Terwijl er een overdaad aan informatie over de drie traditionele vastgoedcategorieën is, blijkt er over logistiek vastgoed nog maar weinig academische informatie beschikbaar te zijn. Vaak wordt het als ‘industrieel vastgoed’ op een grote stapel gegooid. Dit lijkt onterecht, want door de groeiende interesse in logistiek vastgoed, kunnen we hier heel goed met een nieuwe grote beleggingscategorie te maken hebben. Al met al zijn er redenen te over om logistiek vastgoed nu eens niet te generaliseren, maar om juist specifiek onderzoek te doen naar een voor Nederland zeer interessante sector.


4

Probleemstelling In deze scriptie zal onderzocht worden wat de huidige prijsbepalende factoren van logistiek vastgoed in Nederland zijn. Die factoren zullen in een model gekwantificeerd worden. Voor zowel gebruikers als beleggers is dit interessant, omdat zij zo een ‘faire’ prijs voor nieuw aan te schaffen of nieuw te gebruiken vastgoed kunnen bepalen. Hierdoor kunnen ook veel te laag of veel te hoog geprijsde panden snel herkend worden. Door de scriptie heen zal naar het model ‘toegewerkt’ worden, door in elk hoofdstuk dieper op het onderwerp in te gaan. Om te beginnen zal in hoofdstuk 1 de markt voor logistiek vastgoed worden geïntroduceerd. In dit hoofdstuk zullen de vraag, het aanbod en belangrijke kengetallen worden gebruikt om een goed beeld van de markt te krijgen. Hoofdstuk 2 gaat nader in op de toekomst van logistiek vastgoed: Als de huidige ontwikkelingen wat betreft Europese integratie en de wereldeconomie aanhouden, wat kunnen dan de gevolgen zijn voor de aantrekkelijkheid van het logistieke vastgoed. In het derde hoofdstuk wordt uiteengezet welke factoren mogelijk als waardebepalers voor logistiek vastgoed kunnen fungeren. Hierbij wordt informatie ‘uit de markt’ en bronnen over industrieel vastgoed uit de academische wereld in ogenschouw genomen. Naast vanzelfsprekende zaken (zoals metrage), komen hier ook meer specifieke elementen aan bod, waarbij te denken valt aan: draagkracht van de vloer, loading docks en de aanwezigheid van sprinklerinstallaties. Een deel van de in dit hoofdstuk beschreven factoren zullen uiteindelijk ook in het model worden opgenomen. Voordat het daadwerkelijke model gevormd wordt, zal in hoofdstuk 4 beschreven worden waarvoor de toe te passen technieken gebruikt kunnen worden. Multiple Regression Analysis (MRA) en mass appraisal worden hierin uitvoerig besproken. In hoofdstuk 5 zal, door middel van een regressie, een model gevormd worden waarin de waardebepalers aan het licht moeten komen en gekwantificeerd worden. In dat hoofdstuk zal tevens een conclusie aan de uitkomsten verbonden worden. Voor een breder inzicht in het model, worden in het afsluitende hoofdstuk 6 enkele variaties op het standaardmodel getoond. Het geheel wordt afgesloten met een conclusie en een bespreking van de tekortkomingen.


5

Hoofdstuk 1: Introductie in logistiek vastgoed Vaak wordt logistiek vastgoed niet als een aparte vastgoedklasse gezien. Uiteenlopende soorten onroerend goed worden onder de noemer ‘industrieel’ of ‘bedrijfsmatig vastgoed’ regelmatig over één kam geschoren. Zeer verwonderlijk, omdat een distributiecentrum behoorlijk verschilt van bijvoorbeeld een olieraffinaderij. In de academische literatuur zijn fundamentele artikelen over logistiek vastgoed als individuele categorie dan ook zeer schaars (zie hiervoor ook hoofdstuk 3: Factoren die van invloed zijn op de waarde van logistiek vastgoed). Dit hoofdstuk heeft daarom als doel het omschrijven van logistiek onroerend goed, om een beter inzicht te krijgen in een vastgoedcategorie die meer is dan slechts een ‘deel van de industrie’. Vervolgens zal gekeken worden naar de gebruikers en beleggingsmarkt voor logistiek vastgoed.

1.1. Definitie Uit onderzoek van Van Toor (2004) blijkt dat een algemeen geaccepteerde definitie van logistiek vastgoed nog niet bestaat. Van Toor zelf gebruikt voor zijn onderzoek een gespecificeerde definitie, te weten:

“Logistiek vastgoed is bedrijfsruime ten behoeve van opslag en distributie, met een minimale oppervlakte van 5.000m2, betonvloeren met een minimale vloerbelasting van 3.000kg/m2, een vrije hoogte van minimaal 8 meter, voorzien van goede laad- en losmogelijkheden met loadingdocks en gelegen in de nabijheid van transportassen” (p. 29)

Hoewel deze omschrijving voor het onderzoek van Van Toor inderdaad volstaat, is de definitie toch erg specifiek te noemen. De bouwkundige grenzen die worden gesteld lijken willekeurig gekozen te zijn. Minder grote distributiecentra en groothandels vallen hierdoor buiten de boot, bijvoorbeeld omdat ze een kleiner vloeroppervlak hebben. De Bedrijfsruimtemarktspecial (2005) van Jones Lang LaSalle omschrijft logistiek vastgoed als: ‘bedrijfsruimte waarin logistieke bedrijfsvoering plaatsvindt’ (p.1). Aan duidelijkheid laat deze definiëring zeer te wensen over, omdat logistieke bedrijfsvoering niet nader omschreven wordt. Voor dit onderzoek zal een aangepaste (bredere) versie van de definitie van Van Toor en Jones Lang LaSalle gebruikt worden, namelijk: ‘bedrijfsruimte ten behoeve van opslag, distributie en Value Added Logistics.’ De relatief nieuwe term Value Added Logistics (VAL) Logistiek vastgoed: Modellering in een markt in beweging

6

is de verzamelnaam voor bezigheden die door de toename van outsourcing door de logistieke dienstverleners verzorgd worden. In figuur 1 is aangegeven welke activiteiten binnen Value Added Logistics vallen.

Value Added Services Value Added Logistics General Logistic Services -

Other Value Added Services

Chain Integrating Logistic Services

loading/unloading stripping/stuffing bulk storage tank storage general warehousing conditioned warehousing distribution centers

-

quality control repacking customizing assembly testing repair re-use

-

parking facilities weighbridges customs facilities maintenance and repair facilities cleaning facilities tanking facilities trailer renting and leasing information and communication safety and security services offices hotels, restaurants, shops

Figuur 1: Value Added Logistics bron: ECORYS Transport

Het gaat bij de in dit onderzoek gebruikte definitie van logistiek vastgoed dus meer om het gebruik van het pand dan dat er gekeken wordt naar panden die binnen vooraf gespecificeerde bouwkundige grenzen vallen.

1.2. Soorten logistiek vastgoed Hoewel de bovenstaande definitie al enige duidelijkheid verschaft over logistiek vastgoed, is nog niet geheel helder vastgesteld of dit één type vastgoed omhelst, of dat er meerdere soorten logistiek vastgoed bestaan. Het Duitse Bankgesellschaft Berlin biedt hierin een inzicht in hun Marktbericht (2001). Hierin wordt gesteld dat verdeeld naar logistieke functie vier typen van logistiek vastgoed onderscheiden kunnen worden: •

Het inkoopmagazijn verzorgt de aanvoer van goederen en wordt gekenmerkt door een hoog concentratievermogen. Hier worden goederen van verschillende aanvoerders verzameld en over meerdere locaties gedistribueerd.

•

Het productiemagazijn levert grond-, hulp,- en brandstoffen en halffabrikaten aan producenten. Vaak staan deze magazijnen op een bedrijventerrein in de buurt of op het


7

terrein van de productieplaats. In Nederland is dit soort vastgoed bijvoorbeeld te vinden in de omgeving van Rotterdam, waar veel zware industrie gevestigd is. •

Het distributiemagazijn verzorgt de verbinding tussen producenten en de uiteindelijke bestemming. Het wordt gekenmerkt door een grote variëteit in mogelijkheden (bijvoorbeeld: commisionering, verpakking, routeplanning, overdrachtsafwikkeling). In centraal Nederland (omgeving Woerden-Utrecht-Nieuwegein), zijn veel van dit soort bedrijven gevestigd vanwege de centrale ligging.

•

Het overslagmagazijn kan op zeer korte termijn de overslag van transportmiddel naar transportmiddel verzorgen, om een zo groot mogelijke efficiëntie en een zo kort mogelijke wachttijd nodig is.

Hoewel er enkele nuanceverschillen aan het licht komen, zijn de kernactiviteiten van de vier typen uiteindelijk wel hetzelfde: de opslag van goederen(1) en het verdelen van goederen over transportmiddelen(2), om het proces van distributie naar de klant(en) zo probleemloos mogelijk te laten verlopen. Een minimum aan metrage of hoogte wordt niet gemaakt, wat de definiëring van voorgaande paragraaf ondersteunt.

1.3. De gebruikersmarkt voor logistiek vastgoed De laatste jaren is er een groeiende interesse ontstaan in hoogwaardig logistiek vastgoed. Van Toor (2004) stelt dat deze gebruikermarkt uiteraard reeds langer aanwezig was, in de vorm van een grond- en bouwmarkt. Toch kan er geconstateerd worden dat deze zich steeds meer ontwikkelt als een separate markt binnen de vastgoedmarkt, en dat meer en meer sprake is van een huurdersmarkt. In zijn relaas, citeert Van Toor ook Hesse (2002) die het ontstaan van een ‘nieuwe’ markt ook ondervonden heeft. De totstandkoming van een nieuwe onroerende goederenmarkt die specifiek aan opslagen distributiegebruik wordt gewijd kan volgens Hesse geassocieerd met twee ontwikkelingen: •

Kwantitatief: De groei van logistiek in het algemeen drijft eenvoudigweg de vraag naar meer distributieruimte aan. Toen producenten en winkeliers zelf stopten met distributie en opslagactiviteiten, moest dit verlies door logistieke dienstverleners worden gecompenseerd. Daarom zal een stijgend aantal faciliteiten en plaatsen worden vereist om de verdere economische groei bij te houden.

•

Kwalitatief: Logistieke ondernemingen laten een toenemende vraag naar een nieuw type van vastgoed zien. Deze is verschillend van het traditionele pakhuis, namelijk het distributiecentrum


8

1.3.1 Vraag en aanbod naar het vastgoed De hierboven beschreven interesse in logistiek vastgoed is in 2005 nog altijd onverminderd doorgegaan. De opname van distributiecentra in dat jaar bedroeg namelijk 550.000m2, anderhalf keer zoveel als het gemiddelde van de voorgaande vijf jaar (DTZ Zadelhoff, 2006). Wanneer iets verder terug in de tijd gekeken wordt, blijkt dat in 2003 de vraag naar logistiek vastgoed al explosief was gestegen met 70% ten opzichte van het jaar ervoor, wat in lijn is met een trend die over heel Europa zichtbaar is (Jones Lang LaSalle, 2005). Zoals in het vorige hoofdstuk beschreven is, zijn de Brabantse Stedenrij en de omgeving van Venlo zeer populair onder internationale transporteurs. Uit de opnamecijfers van Jones Lang LaSalle (2005) uit 2004 Logistieke vastgoedmarkt Nederland

blijkt

Opname en aanbod van distributieruimte op de vrije markt (x 1000 m2 v.v.o)

hetzelfde:

Noord-Brabant en Limburg

2000

nemen

1600

respectievelijk

1200

35% en 20% van

800

de totale opname

400

van dat jaar voor

0 2000

2001 Aanbod

2002

2003

2004

2005

Opname

hun rekening. In figuur 2 zijn het totale aanbod en de opname van de laatste

Figuur 2: Aanbod en opname van Nederlands logistiek vastgoed bron: DTZ Zadelhoff, 2006

6

jaar

weergegeven. Duidelijk mag zijn

dat de opwaartse lijn van de opname wordt overtroffen door het stijgende aanbod. Jones Lang LaSalle (2005) constateren dit ook en geven een zeer aannemelijke uitleg. Er wordt namelijk gesteld dat de mismatch tussen vraag en aanbod veroorzaakt wordt door het feit dat logistiek vastgoed erg gebruikersafhankelijk is. De vraag naar vastgoed richt zich vaak op (op maat gemaakte) nieuwbouw, waarbij de bestaande huisvesting wordt achtergelaten. Het achtergelaten pand is vaak verouderd en speciaal gebouwd voor de gebruiker die er in zat. De wederverhuurbaarheid van deze achtergelaten panden is dus beperkt. Bij andere vastgoedcategorieën is dit veel minder het geval. Men zou, met andere woorden kunnen zeggen dat er kwalitatieve schaarste heerst op de gebruikermarkt voor logistiek onroerend goed. Dit heeft als gevolg dat er in de markt een tweedeling is ontstaan, met aan de ene kant


9

schaarste aan hoogwaardige distributiecentra, en aan de andere kant een verruiming van het aanbod verouderde, deels incourante panden. De cijfers liegen er dan ook niet om: in 2003 werd 23% als ‘niet meer volstaand’ aangemerkt, terwijl dit aantal in 2005 al gestegen was tot 40%. Een groot probleem hoeft dit echter niet te zijn, want er worden op deze manier ook kansen gecreëerd voor herontwikkeling of uitbreiding van bedrijventerreinen (DTZ Zadelhoff, 2006).

1.3.2 Het top-segment van Nederlands logistiek vastgoed Wanneer de gebruikersmarkt geanalyseerd wordt, blijkt dat de Nederlandse logistieke ‘hotspots’ internationaal georiënteerd zijn. Alleen de regio Utrecht valt wat dat betreft uit de toon, omdat daar door de ligging in het midden van Nederland vooral binnenlandse distributie plaats vindt. Figuur 3: Logistieke hotspots in Nederland bron: DTZ Zadelhoff, 2006

Figuur 3 laat de vijf logistieke hotspots in Nederland en hun functies zien. Ruim meer dan de helft van het totale oppervlak van logistieke centra zijn te vinden in deze regio’s. Verder wordt in het bijbehorende artikel vermeld dat Arnhem en Den Haag in opkomst zijn als hotspot. Samen met de vijf eerder genoemde regio’s huisvesten zij meer dan drie kwart van de totale voorraad distributieruimte.


10

1.4. De beleggersmarkt voor logistiek vastgoed De vastgoedportfolio van een traditionele belegger bestaat al sinds jaar en dag uit winkels, kantoren en woningen. Hoewel Nederland een vooraanstaande rol als distributieland speelt, wordt toch duidelijk, dat

Dekkingsgraad 2005 Aantal objecten Winkels Kantoren Bedrijfsruimten Woningen Overig/gemengd gebruik Alle objecten

Waarde

Als % van totale waarde

1.806

11.106

27.2%

922

10.068

24.6%

171

1.010

2.5%

2.465

17.706

43.4%

267

929

2.3%

5.631

40.819

100%

ook

de

belegger

Nederlandse de

logistieke

vastgoedcategorie

nog

altijd niet echt serieus neemt. Uit de Nederlandse

Figuur 4: Beleggingen in Nederlands direct vastgoed

ROZ benchmark1 (Figuur

bron: ROZ/IPD Nederlandse Vastgoedindex 2005

4) blijkt dat slechts een

krappe 2,5% van de totale waarde van vastgoedbeleggingen in Nederland, in bedrijfsruimten wordt geïnvesteerd. Ofschoon dit aandeel als percentage van het totaal wel groeiende is (groei van 9% over 2005, aldus DTZ), valt het nog altijd in het niet bij de drie gebruikelijke categorieën, dit komt natuurlijk ook doordat er minder bedrijfsruimte zijn dan bijvoorbeeld woningnen. Niet-genoteerde vastgoedfondsen per categorie 2004-2006 60 50 40

jul-04

30

apr-05

20

mei-06

10 0 Ander

Industrieel

Kantoren

Woningen

Winkels

Figuur 5: Niet-genoteerde vastgoedfondsen per categorie 2004-2006 bron: INREV: Europese Associatie voor beleggers in niet-genoteerde vastgoedfondsen

Uit figuur 5 blijkt echter dat die situatie onder niet-genoteerde vastgoedfondsen al aan het veranderen is: in slechts 2 jaar tijd is het aantal industriële vastgoedfondsen met bijna 45% gestegen. Een groei die slechts overtroffen wordt door beleggingsfondsen in woningen. In het vervolg van dit hoofdstuk zal de beleggersmarkt van logistiek vastgoed verder besproken worden.

1

De ROZ/IPD Benchmark vertegenwoordigde in 2005 naar schatting 85% van het door pensioenfondsen, verzekeraars en vastgoedfondsen belegde vermogen in direct in Nederland gelegen vastgoed


11

1.4.1 Rendementen Beleggers met een aversie voor risico zijn over het algemeen huiverig voor hoge aanvangsrendementen. Vaak gaan deze hoge rendementen namelijk gepaard met een groter risico.

De

aanvangs-

rendementen zoals vermeld door

ROZ/IPD

in

het

Bruto aanvangsrendementen DC’s Nederland, ultimo 2005 (in %) Regio Amsterdam

BAR v.o.n DC nieuw

BAR v.o.n DC bestaand

Ondergrens Bovengrens

Ondergrens

bovengrens

7.50

8.00

7.25

7.50

Haarlemmermeer

7.25

7.75

7.75

8.40

Limburg

7.25

7.50

7.75

8.15

jaarcijfers van 2005, laten

Rotterdam

7.25

7.60

7.75

8.15

zien

Utrecht

7.25

7.75

8.00

8.50

Arnhem – Nijmegen

7.50

7.75

8.00

8.40

Breda

7.50

8.00

8.00

8.50

Den Bosch – Tilburg

7.50

7.75

7.75

8.15

Den Haag

7.50

7.75

7.90

8.40

persbericht

over

dat

de

bedrijfsruimten

(waaronder

logistiek

vastgoed)

het

hoogste

aanvangsrendement hebben

van

genoemde categorieën.

(8.3%)

de

vijf

beleggingsLogischerwijs

zou dit een negatief effect op

Eindhoven

7.50

8.00

7.75

8.15

Enschede

7.75

8.00

8.00

8.50

Zwolle

8.00

8.25

8.25

8.75

Groningen

8.25

8.50

8.50

9.00

Figuur 6: BARs voor distributiecentra in Nederland bron: DTZ Zadelhoff, 2006

de aantrekkelijkheid van de categorie bedrijfsruimten kunnen hebben. Ook het rapport van DTZ Zadelhoff (2006) geeft informatie over aanvangsrendementen, echter specifiek voor de logistieke vastgoedmarkt. De resultaten zijn weergegeven in de tabel figuur 6. In vergelijking met de andere sectoren (kantoren: Verwachting logistiek vastgoedmarkt 2006 2006

7.8%, gemengd gebruik: 7.4%, winkels: 6.9% en woningen: 5%) zijn de aanvangsrendementen van logistiek vastgoed dus

Beleggingsvolume

►▼

aan de hoge kant (ROZ/IPD, 2005). Volgens DTZ heeft dit

BAR

▼

echter niet direct tot gevolg dat logistiek vastgoed daarmee ook meteen als risicovoller moet worden beschouwd.

bron: DTZ Zadelhoff, 2006

Hoogwaardige distributiecentra zijn schaars en bovendien

zijn er een aantal voordelen van logistiek vastgoed die door de markt extra geapprecieerd worden. Het gaat daarbij om goede vooruitzichten als gevolg van de professionalisering van logistieke dienstverleners en het courante karakter van hoogwaardige distributiecentra ten opzichte van andere soorten bedrijfsruimte. Bovendien leidt de toegenomen activiteit in de logistieke sector en de verwachte groei van de wereldgoederenstroom tot grote belangstelling voor logistiek vastgoed bij beleggers.


12

Ook op het gebied van huurrendement laten bedrijfsruimten het hoogste percentage noteren (zie figuur 7). De waardegroei van logistiek vastgoed is, het laagste van alle categorieën gebleken.

Overall presteren

Winkels

7,6

Kantoren

7,8

3,1

8,9

Bedrijfsruimten

0,0

2,0

4,0

Netto huurrendement

8,0

en

doen

niet veel onder voor

4,6 6,0

rendementen

gemiddeld 4,3

6,5

Alle Objecten

wat

betreft, dus ongeveer

6,7 7,4

Overig/gemengd gebruik

deze 2,1

5,2

Woningen

bedrijfsruimten

2,2

de aloude beleggings10,0

12,0

14,0

Waardegroei

categorieën

als

kantoren, winkels en woningen.

Figuur 7: Rendement en waardegroei per vastgoedcategorie bron: ROZ/IPD Volledige historische reeks, 11-jarig gemiddelde van jaarcijfers (1995-2005)

1.4.2 Ontwikkelingen op de beleggersmarkt voor logistiek vastgoed Een trend die de laatste tijd steeds meer aan populariteit wint, is dat ondernemingen zich weer gaan richten op de ‘core competencies’ van het bedrijf. Hierbij worden zaken die beter of goedkoper door andere bedrijven kunnen worden uitgevoerd, uitbesteed aan specialisten. Producenten kunnen hun activiteiten op die manier beperken en concentreren zich met name op R&D, sales en productie. Inherent aan deze ontwikkeling, is dat de logistieke activiteiten ook steeds meer uitbesteed zullen worden. Logistieke dienstverleners zullen op hun beurt ook een focus op ‘core competencies’ leggen: het verlenen van logistieke diensten. Het beheren van het eigen vastgoed behoort niet tot de kernactiviteiten, wat als gevolg heeft dat de logistieke vastgoedmarkt een steeds groter aandeel huurders zal gaan krijgen. Op dit moment wordt de markt nog altijd gedomineerd door eigenaargebruikers, het percentage huurders ligt namelijk tussen de 10% en 20%. De verwachting is dat dit percentage in de komende vijf jaar zal groeien tot boven de 30%: een verdubbeling. Deze groei wordt veroorzaakt door twee factoren die de markt fundamenteel kunnen veranderen. Enerzijds zullen logistieke spelers voor nieuwe panden op zoek gaan naar huurnieuwbouw, anderzijds zal worden geprobeerd om illiquide kapitaal (het huidige vastgoed in eigendom) te liquideren. Door middel van een zogenaamde ‘sale and leaseback’ transactie wordt een bestaand eigendom verkocht, waarna het zelfde pand wordt gehuurd van de kopende partij. Op deze manier wordt de liquiditeit van de onderneming aanzienlijk


13

vergroot, terwijl ook de flexibiliteit toe neemt. Het vrijgekomen kapitaal kan geïnvesteerd worden in de kernactiviteiten van het bedrijf, en de kosten van vastgoedbeheer behoren tot het verleden (Bruil & Driesen, 2006). Ook de bedrijfsruimtemarkt special van Jones Lang LaSalle (2005) maakt melding van de groeiende interesse in sale en leaseback constructies, en verwacht dat de populariteit ervan de komende jaren alleen maar zal toenemen.

Bruil en Driesen (2006) komen tot een treffend geformuleerde samenvatting over de aantrekkelijkheid van beleggen in logistiek vastgoed:

“Veel seinen staan dus op groen: de vraag neemt toe, schaarste wordt verwacht en het risicoprofiel op lange termijn is relatief beperkt. De verwachting is daarom dat de beleggingen in logistiek vastgoed de komende jaren nog meer aandacht krijgen van vastgoedpartijen.

Over

tien

jaar

heeft

logistiek

vastgoed

een

plaats

in

de

vastgoedportefeuilles veroverd die weliswaar minder omvangrijk is dan die van kantoren, maar ongetwijfeld net zo vanzelfsprekend.”

Dit hoofdstuk beschreef de gebruikers- en beleggersmarkt van logistiek vastgoed. Er kan geconcludeerd worden dat er op beide markten nog veel potentie is om tot een vastgoedsector van topformaat uit te groeien. De gebruikersmarkt kan in kwalitatieve zin nog veel progressie boeken, terwijl beleggers kansen ruiken na enigszins tegenvallende resultaten in andere categorieën. Nu vastgesteld is dat logistiek vastgoed voor vele partijen wel degelijk interessant is, wordt in het volgende hoofdstuk gekeken naar de daadwerkelijke kansen en bedreigingen die kunnen ontstaan voor het Nederlandse logistieke vastgoed.


14

Hoofdstuk 2: Perspectief voor logistiek vastgoed Als vastgoedmarkt is de logistieke sector behoorlijk afhankelijk van de wereldhandel. Op zijn beurt is die wereldhandel weer afhankelijk van velerlei (politieke) zaken. Enerzijds kan dit kansen beiden voor Nederland als logistieke grootmacht, aan de andere kant kunnen er ook bedreigingen ontstaan in de vorm van nieuwe concurrenten. In dit hoofdstuk zullen de belangrijkste kansen en bedreigingen van Nederlands logistiek vastgoed beschreven worden.

2.1 Kansen voor logistiek vastgoed In deze paragraaf worden de belangrijkste kansen, die op vrij korte termijn kunnen ontstaan, besproken. Voorwaarde is wel, dat huidige trends als de opkomende economieën in Azië en de integratie in Europa zich blijven ontwikkelen.

2.1.1 Verdergaande integratie Met het toetreden van 10 nieuwe lidstaten op 1 mei 2004, heeft de Europese Unie een nieuwe, belangrijke stap gezet richting Europese integratie. Niet alleen op politiek niveau is deze eenwording meer en meer waarneembaar, ook economisch vindt er constante verandering plaats. Voor de ontwikkeling van de transportmarkt heeft economische integratie voor significante veranderingen gezorgd. Al sinds 1986, toen de Europese Acte werd getekend door de toenmalige twaalf lidstaten van de EU, is men bezig om het verkeer van goederen zo vrijelijk mogelijk te laten verlopen. Dit resulteerde in 1993 uiteindelijk in een grote interne Europese markt waarin vrij verkeer van goederen, kapitaal en diensten een feit werd. De landen die op dit moment al meedoen aan deze zogenaamde

Schengen

Akkoorden,

staan in figuur 8 in het donkerblauw

Figuur 8: Huidige en toekomstige Schengen-gebied

afgedrukt. De lichtblauw gekleurde

bron: http://nl.wikipedia.org/wiki/Akkoorden_van_Schengen


15

landen zullen naar alle waarschijnlijkheid in 2007 volgen, een uitbereiding van 14 naar 25 participanten. Wellicht dat op termijn ook landen als Roemenië, Bulgarije en Turkije zullen toetreden tot de EU en Schengen, waardoor de interne markt nog groter wordt. Een dergelijke ontwikkeling heeft uiteraard een positieve invloed op de intra-Europese goederenstromingen, die toch al voor een groot gedeelte de totale logistieke markt voor Nederland bepalen. In 2004 was 75% van de totale importwaarde van de Europese Unie afkomstig van binnen de EU lidstaten zelf (DTZ Zadelhoff, 2006). Invoer- en uitvoerwaarde Nederland

Logistieke vastgoedmarkt Nederland

Jaar

Invoerwaarde (mln. Euro)

Uitvoerwaarde (mln. Euro)

1993

121.265

128.678

1994

132.434 (+9.21%)

141.709 (+10.1%)

1995

148.390 (+12.0%)

153.111 (+8.05%)

2000

1996

159.559 (+7.53%)

162.884 (+6.38%)

1600

1997

172.323 (+8.00%)

177.543 (+9.00%)

1200

1998

188.279 (+9.26%)

188.945 (+6.42%)

1999

204.235 (+8.47%)

201.976 (+6.90%)

2000

212.213 (+3.91%)

216.635 (+7.26%)

2001

205.831 (-3.01%)

219.893 (+1.50%)

2002

201.044 (-2.33%)

223.151 (+1.47%)

2003

210.617 (+4.76%)

232.924 (+4.38%)

2004

228.169 (+8.33%)

255.727`(+9.79%)

2005

249.845 (+9.50%)

281.300 (+10.0%)

Opname en aanbod van distributieruimte op de vrije markt (x 1000 m2 v.v.o)

800 400 0 2000

2001

Aanbod

2002

2003

2004

2005

Opname

Figuur 9: Aanbod en opname van logistiek vastgoed in combinatie met invoer- en uitvoerwaarde Bron: www.cbs.nl (2006) & DTZ Zadelhoff (2006)

Uit de bovenstaande figuur 9 blijkt dat de opname van logistiek vastgoed een zelfde patroon laat zien als de totale invoer- en uitvoerwaarde in Nederland. In jaren van een zwakke groei of zelfs een dalende import en export (2001 en 2002) laat ook de opname van het vastgoed een daling zien, terwijl de twee volgende jaren alweer een stijgende opname laten zien bij een groeiende handelswaarde. Aannemelijk is dus, dat een groeiende intra-Europese goederenstroom als gevolg van de integratie in de toekomst een grotere opname van het vastgoed tot gevolg heeft. De bedreigingen die verdergaande integratie met zich mee kan brengen zullen in sectie 2.2 aan bod komen.


16

2.1.2 Een groeiende wereldhandel De wereldhandel vindt voornamelijk plaats tussen drie continenten: Noord-Amerika (lees: de VS), Europa (de EU) en Azië (de oude en nieuwe ‘tijgers’), andere continenten spelen een marginale rol. Hoewel de VS de voornaamste handelspartner is van de meeste Aziatische landen, en (zoals reeds vermeld) de meeste Europese handel vanuit de lidstaten zelf komt, liggen er in de toekomst wel degelijk kansen voor een explosieve groei van de handel met Azië. Dit heeft met name te maken met de uitstekende groeicijfers die de laatste jaren in Azië gehaald worden. Waar in Europa, de VS en Japan de economie met ‘slechts’ 2,5% gemiddeld groeide, stak China met kop en schouders boven de rest van de wereld uit (groei van 9,5%). Verder lijkt er met India (groei van 6,5% van BBP) weer een nieuwe ‘tijger’ aan te komen. Al met al kan gesteld worden dat er door de wereldwijd aantrekkende economie nieuwe impulsen aan de transportsector worden gegeven. De EU zou hiervan kunnen profiteren door goede handelscontracten te sluiten met de ‘reuzen’ (India en China) die in Azië aan het ontwaken zijn (DTZ Zadelhoff, 2006). Net als de verdergaande Europese integratie kan de groeiende wereldhandel zorgen voor een verhoging van de opnamen van het vastgoed. Dezelfde figuur (9) is in dat geval van toepassing.

2.2 Bedreigingen voor logistiek vastgoed Naast de bovengenoemde kansen, kunnen er uiteraard ook bedreigingen ontstaan door de toetreding van goedkoper arbeidspotentieel tot de Europese Unie en kwalitatieve concurrentie uit de omringende landen.

2.2.1 Integratie In Europa zullen de komende jaren twee soorten markten worden onderscheiden: het ‘nieuwe’ en het ‘oude’ Europa. Het nieuwe Europa (bijvoorbeeld Polen, Tsjechië en Hongarije) zal zeer attractief worden voor buitenlandse bedrijven doordat de welvaart naar verwachting in snel tempo toe neemt. In combinatie met de (nog) lage lonen zullen logistieke dienstverleners steeds vaker kiezen voor een distributiecentrum in een van de nieuwe landen, om de markt van dat land en omringende landen (zoals Duitsland en Oostenrijk) te bedienen. Dit wordt mede gestimuleerd door de integratie zoals beschreven in sectie 2.1.1, waarbij een vrij verkeer van goederen met het ‘oude’ Europa ook voor het ‘nieuwe’ Europa tot de mogelijkheden gaat behoren.


17

Een verdere bedreiging kan tevens gevormd worden met de toetreding van de eerdergenoemde landen (Roemenië, Bulgarije en Turkije) tot EU en Schengen. Deze landen hebben immers voor Aziatische mogendheden een veel gemakkelijkere bereikbaarheid over zee (de zwarte zee). Wanneer deze landen inderdaad zijn toegetreden en de benodigde logistieke en infrastructurele expertise hebben opgebouwd, kan er zeker een geduchte concurrentie voor de Nederlandse zeehavens verwacht worden. In dat geval zullen er voor het vastgoed ook consequenties kunnen volgen, een dalende waarde van de inen uitvoer kan immers geassocieerd worden met een lagere opname (figuur 9).

2.2.2 Concurrentie dichter bij huis Buck Consultants International (2005) rapporteren dat steeds meer buitenlandse bedrijven kiezen voor een distributiecentrum buiten de Nederlandse landsgrenzen (België). Veel gehoorde klachten bij deze bedrijven zijn: •

Toenemende congestie in Nederland

•

Lagere grondprijzen in België

•

België is dichter bij de Franse markt

•

Minder gunstige douaneregelingen in Nederland dan in het verleden

Het congestieprobleem wordt al van diverse kanten aangepakt, door bijvoorbeeld de aanleg van extra spitsstroken, de Betuwelijn en beprijzing. Toch zullen er constant vooruitstrevende ontwikkelingen op de Nederlandse markt gebracht moeten worden, om een positieve concurrentiepositie ten opzichte van de omringende landen te behouden.

2.3 Afweging De beschreven kansen en bedreigingen kunnen voor het vastgoed natuurlijk zowel positieve als negatieve effecten hebben. Op kort termijn lijkt er bijna geen vuiltje aan de lucht. Het ‘nieuwe’ Europa kan qua kosten met Nederland concurreren, maar het kwalitatief hoogstaande vastgoed (zoals in Nederland) zal voorlopig nog niet aangeboden worden. Op lange termijn kan er vanuit het Oost-Europa echter wel meer kwalitatieve concurrentie verwacht worden. Vlak over de landsgrenzen is dat nu al het geval; gebruikers zullen dus nog meer interesse hebben voor beste hoogstaande logistieke vastgoed voor de beste prijs. In dat licht zal in het volgende hoofdstuk, aan de hand van zowel markt- als academische bronnen, onderzocht worden welke factoren de waarde van logistiek vastgoed bepalen.


18

Hoofdstuk 3: Factoren die van invloed zijn op de waarde van logistiek vastgoed In de meeste literatuur wordt logistiek vastgoed ingedeeld als subcategorie van industrieel vastgoed, aangezien transport onder de noemer tertiaire industrie valt. In grote lijnen is de waarde van logistiek vastgoed (uitgedrukt in huurprijs per m2 of marktwaarde van het pand) daarom onderhevig aan factoren die ook als waardebepalers voor industrieel vastgoed als overkoepelende groep gelden. De meeste academische onderzoeken specialiseren zich echter niet op een subcategorie maar analyseren de industriële vastgoedmarkt als geheel, waardoor enige voorzichtigheid geboden is voor onderzoekers naar één van de subcategorieën. Toch is het merendeel van de artikelen afdoende geschikt om de waardebepalers van logistiek vastgoed te analyseren en zo een goed beeld te vormen van deze submarkt. In dit hoofdstuk zullen de verschillende waardebepalers van industrieel vastgoed beschreven worden vanuit een logistiek perspectief, waar mogelijk aangevuld met praktijkvoorbeelden en empirische onderbouwing.

Over het algemeen wordt de waarde van logistiek vastgoed bepaald door pandspecifieke fysieke karakteristieken, de locatie van het pand en marktspecifieke factoren. Door Richard Buttimer, Ronald Rutherford & Ron Witten (1997) wordt die relatie in de volgende modelvorm weergegeven. RENT jt = ∫ ( PHYCHAR j , LOC j , MKTt )

In dat onderzoek is de huur per square foot van gebouw j in tijd t (RENTjt) uitgedrukt als een functie van de fysieke eigenschappen van het gebouw (PHYCHARj), de locationele eigenschappen van het gebouw (LOCj) en de markteigenschappen in een bepaalde tijdsperiode (MKTt). Hoewel het hier om huurwaarde gaat, zal de waarde van een pand aan ongeveer dezelfde factoren onderhevig zijn. Larry Lockwood en Ronald Rutherford (1996) komen tot dezelfde bevindingen in een gelijksoortig onderzoek. Ook zij schrijven dat de primaire waardebepalers van industrieel vastgoed in deze drie groepen onder te verdelen zijn. In het vervolg van dit hoofdstuk zullen de drie verschillende categorieën afzonderlijk behandeld worden.


19

3.1. Locatie Voor vrijwel alle types vastgoed geldt dat locatie de meest uitgesproken waardebepaler is. Voor logistiek vastgoed is dit uiteraard des te meer van toepassing, omdat er een constante inen uitstroom van goederen is. De factor ‘locatie’ is dan ook terug te vinden in de waarde van het onroerend goed.

3.1.1 ‘Macro locatie’ In Nederland zijn de vijf belangrijkste logistieke regio’s die kunnen worden onderscheiden: Mainport Schiphol/ Amsterdam, Mainport Rotterdam, Provincie Utrecht, Noord-Brabant en Venlo. De functie van Nederland als poort naar het Europese achterland vindt voornamelijk haar neerslag in deze vijf logistieke hot spots (DTZ Zadelhoff, 2006). Over het algemeen heeft logistiek vastgoed op één van deze locaties een hogere waarde dan elders in het land. Figuur 10 geeft de huurprijs van logistiek vastgoed weer in tien gebieden die binnen de Nederlandse hotspots vallen. De in de tabel opgenomen

huurprijzen

representeren

de

tophuur van representatieve nieuwbouw op een

Figuur 10: Huurprijs van logistiek vastgoed Locatie

2

(in € per m per jaar;

eersteklas locatie. Zoals uit de figuur valt op te maken wordt voor een locatie nabij Schiphol

Huurprijs logistiek vastgoed 2

>5000m ) Amsterdam

55 – 65

Schiphol

65 – 87

in de buurt van bijvoorbeeld Tilburg. In

Rotterdam

55 – 60

vergelijking met andere delen van Nederland is

Utrecht

het verschil in jaarlijkse huurprijzen echter nog

Den Haag

--

groter; voor een distributiecentrum in Friesland

Eindhoven

50 – 57.5

wordt tussen €27.5 en €40 per m2 vvo per jaar

Moerdijk

47.5 – 55

gevraagd, ruim de helft minder dan bij Schiphol.

Breda

47.5 – 55

De enigszins perifere ligging van Friesland ten

Tilburg

47.5 – 55

Venlo

47.5 – 55

behoorlijk wat meer betaald dan voor een locatie

opzichte van het achterland van Nederlandse lucht- en zeehavens, komt dus zeer duidelijk tot

47.5 – 55

bron: Jones Lang LaSalle 2006

uiting in de huurprijzen van logistieke centra in die regio. Ook de waarde van het vastgoed zal een evenredig patroon laten zien, hoewel duidelijke informatie hierover niet voorhanden blijkt te zijn


20

3.1.2 ‘Micro locatie’ Naast de ligging binnen een land, is ook de ligging op regionale schaal van belang. Dit wordt onderkend door het Bankgesellschaft Berlin in het Immobilienmarkt-Reseach van 2001. Zij schrijven dat naast ‘macro’ locatie ook de ‘micro’ locatie belangrijk is. Voor een goed functionerend logistiek centrum zijn naast een verkeershindernisvrije inen uitrit (zonder storende verkeerslichten), ook uitstekende rangeermogelijkheden en expnasiemogelijkheden van belang. Omdat een logistiek centrum dag en nacht bereikbaar moet zijn, speelt ook de mogelijkheid hiertoe een rol binnen de ‘micro’ locatie

Ook in een studie van Fehribach, Rutherford en Eakin (1993) wordt locatie, uitgedrukt in afstand tot de luchthaven van Dallas/Fort Worth, als een belangrijke factor omschreven. Meer recent heeft ook een Engels onderzoek van McGough, Tsolacos en Thompson (2001) uitgewezen dat ‘being close to the market’ leidt tot hogere prijzen. Microlocatie kan, behalve in afstand, ook op vele manieren uitgedrukt worden. Voorbeelden hiervan komen hieronder aan bod: •

Niet alleen de afstand naar een (lucht)haven of knooppunt is belangrijk, minstens zo belangrijk is de tijd die men erover doet om tot het knooppunt of vliegveld te komen. Een object op één kilometer van een snelweg kan minder interessant zijn dan een object op twee kilometer afstand, wanneer er elke dag congestie is op die ene kilometer.

•

Daarnaast is ook van belang aan welke snelweg het object is gelegen. Jaarlijks wordt er een file top-20 gemaakt, hieruit valt een soort ‘congestiekans’ te berekenen. Uiteraard zal een hogere congestiekans een vermindering van de aantrekkelijk tot gevolg hebben.

•

Verder kan ook de aanwezigheid van ondersteunende activiteiten een tol spelen voor de vestigingsplaats. Wanneer op een bedrijventerrein een pompstation of een weegbrug aanwezig is, zal dit de aantrekkelijkheid aanzienlijk vergroten.

Alle bovenstaande voorbeelden worden ondersteund door een studie van Henry Entreken Jr. (1984). Volgens Entreken is de factor ‘locatie’ de meest belangrijke factor voor de waarde van bedrijfspanden (logistiek vastgoed), boven alle tastbare eigenschappen van een pand, hoewel dit niet empirisch wordt onderbouwd.


21

3.2. Fysieke karakteristieken Hoewel de locatiefactor een vooraanstaande rol speelt in de waardebepaling van alle soorten vastgoed, is dit niet de enige factor waar rekening mee gehouden dient te worden. Zoals door James W. Hoag reeds ontdekt in 1980 is het geheel van tastbare, pandspecifieke karakteristieken minstens zo belangrijk, een goed onderhouden pand is immers meer waard dan een bouwval. De bundel van fysieke karakteristieken kan opgesplitst worden in een aantal onderdelen die in eerdere onderzoeken als bepalend naar voren zijn gekomen. Deze onderdelen worden hieronder uiteengezet.

3.2.1 Metrage Het vloeroppervlak is uiteraard van groot belang voor de verkoopwaarde van een pand, voor ruimte moet immers betaald worden. Fehribach et al. (1993) toonden aan dat de waarde van industrieel en logistiek vastgoed sterk afhankelijk is van de oppervlakte. De invloed van grootte op hoogte van de prijs per m2 is onduidelijk. Ambrose (1990) en Buttimer et al. (1997) vonden geen bewijs voor enige positieve invloed van oppervlakte op huurprijzen per square foot. Uit beide onderzoeken wordt kan geconcludeerd worden dat logistieke en industriële gebruikers niet bijzonder veel waarde hechten aan extra ruimte. De auteurs verklaren dit door het feit dat deze dienstverleners wat kleiner in omvang zijn en meer baat hebben bij kleinere gestandaardiseerde ruimtes, dit in tegenstelling tot bedrijven die zelf een pand bezitten.

3.2.2 Leeftijd Zoals bij de meeste tastbare objecten geldt ook voor vastgoed dat de economische en functionele levensduur niet oneindig is. Logistiek vastgoed is hierop geen uitzondering. Over het algemeen geldt dat de waarde van een gebouw daalt naarmate de leeftijd (het aantal verstreken jaren sinds de bouw) toeneemt. Verschillende studies leveren hiervoor het ondersteunende bewijs. Van de 11 verschillende variabelen die onderzocht worden door Buttimer et al. (1997) is de variabele ‘leeftijd’ het meest significant, met zoals verwacht een negatieve regressiecoëfficiënt. Negatieve coëfficiënten zijn ook te vinden bij Ambrose (1990) en Fehribach et al. (1993) met significantie niveaus van 5% en 10% respectievelijk.


22

3.2.3 Kantooroppervlak Bij industrieel vastgoed zoals pakhuizen en distributiecentra is het gebruikelijk dat een deel van het pand wordt gebruikt als kantoorruimte. Tot op zekere hoogte worden dergelijke administratieruimtes als positief beschouwd. Rees en Hayward (2000) constateren dat er nog geen optimale ratio kantoor/totale oppervlakte is gevonden, maar melden wel dat een benutting van 10% van de totale oppervlakte als kantoorruimte beschouwd wordt als de reguliere norm, hoewel een lagere ratio niet ongebruikelijk is voor de wat grotere bouwwerken. Ook in de academische literatuur wordt het toevoegen van kantoorruimte positief beoordeeld. Fehribach et al. (1993), Ambrose (1990), Buttimer et al. (1997) en Lockwood & Rutherford (1996) vinden een positieve invloed van het aantal m2 kantooroppervlak op marktwaarde of huurprijs in hun onderzoeken. In alle onderzoeken is de prijs van kantoor per m2 hoger dan de prijs van bedrijfsruimte per m2.

3.2.4 Plafondhoogte Om een zo groot mogelijke hoeveelheid van goederen in een magazijn op te slaan, is de hoogte van een pand uitermate belangrijk. Een lager plafond betekend immers dat de opslaglimiet eerder bereikt is. Zowel Ambrose (1990) en Buttimer et al. (1997) vinden echter een negatieve coëfficiënt voor de variabele ‘plafondhoogte’ in hun modellen, wat betekent dat prijzen dalen bij elke toename in plafondhoogte. Ambrose verklaart dit door te stellen dat een negatieve coëfficiënt voor de hoogte van het plafond equivalent is aan een premium voor kantoorruimte, waarvan de plafonds over het algemeen lager zijn. Deze uitleg wordt ondersteund en bevestigd door Buttimer et al. Uit het onderzoek van Fehribach et al. (1993) komt wel een positieve relatie tussen plafondhoogte en marktwaarde van een pand. Derhalve kan hoogte van het plafond beschouwd worden als een belangrijke waardedeterminant. Verder is het zo, dat de meest voorkomende heftrucks meer verticale dan horizontale snelheid kunnen voortbrengen. Een hoger plafond zou wat dat betreft dus ook meer tijdsefficiënt zijn.

3.2.5 Aantal loading docks Een loading dock laat zich het beste vertalen als laadperron. Laadperrons maken het snel laden en lossen van vrachtwagens, bij bijvoorbeeld een pakhuis, mogelijk. De grotere distributiecentra hebben vaak meerdere loading docks voor een snelle doorstroming.


23

In de meeste modellen van academische onderzoeken is het aantal loading docks de enige puur logistieke factor. Ambrose (1990) en Fehribach et al. (1993) vinden beiden een positieve relatie tussen het aantal laadperrons en de waarde van een pand.

3.2.6 Sprinklerinstallatie Uit de onderzoeken van Ambrose (1990) en Buttimer et al. (1997) is gebleken dat de aanwezigheid van sprinklerinstallaties een significante invloed heeft op de huurprijs van een logistiek pand. Opmerkelijk is echter dat Ambrose een meerwaarde ontdekt voor dit soort installaties (+$0.35 per square foot), terwijl Buttimer juist een prijsdaling vindt (-$0.10 per square foot). Logischerwijs zou men een positieve huurprijsverandering verwachten wanneer een sprinklerinstallatie wordt aangebracht. In Valuation: Principles into practice (2000) van Rees en Hayward (p.436) wordt voor modern sprinklersysteem inderdaad gewaardeerd met een premium van 2.5% over de totale waarde van een pand. Ook Hesse (2002, p.6) noemt sprinklerinstallaties één van de belangrijkste onderdelen van een hedendaags distributiecentrum.

3.2.7 Vloerbelasting Opvallend genoeg wordt in de academische literatuur weinig aandacht besteed aan de vloerbelasting van industrieel onroerend goed. Dit is opmerkelijk, omdat hier in de markt wel als belangrijk ervaren wordt. Neddex Vastgoedfondsen NV schrijft bijvoorbeeld op de website www.neddex.nl, dat een vloerbelasting van 2000 tot 3000 kg/m2 geldt als investeringsvoorwaarde voor hun portfolio. Ook diverse makelaars2 melden dat een vloerbelasting van 1000 kg/m2 een minimale vereiste is voor bedrijfspanden, er moeten immers voertuigen als heftrucks kunnen rijden en goederen kunnen worden opgeslagen. Een draagkracht die vandaag de dag als competitief beschouwd kan worden ligt rond de 2500 kg/m2. Wanneer bij constructie de draagkracht van de vloer van een pand zo groot mogelijk wordt gemaakt, zal er een breder scala aan potentiële gebruikers aangeboord kunnen worden. Vrijwel zeker heeft dit een toegevoegde positieve invloed op de waarde van het pand, naast de extra kosten die gemaakt worden om de vloer te versterken. Naast de draagkracht in kilogrammen per m2, wordt ook regelmatig de draagkracht in kiloNewton (kN) per m2 uitgedrukt (1kN = 100 kilogram).

2

COG makelaars, Van Dijk en Ten Cate vastgoedadviseurs, Port Real Estate, Van Herk Groep, Jenka


24

De factor ‘vloerbelasting’ kan enigszins gekoppeld worden aan de factor ‘leeftijd’. Met de jaren is de vraag -en daarmee ook het aanbod- naar een hogere vloerbelasting voor magazijnen toegenomen. Oudere panden hebben vaak een wat lagere draagkracht. Verwacht wordt dat de vraag naar een nog grotere draagkracht blijft aanhouden.

3.2.8 Vlakheid van de vloer Aan de vlakheid van de vloer worden door bepaalde typen gebruikers nogal wat eisen gesteld. Hoogwaardige logistieke centra (nieuwbouw) hebben de laatste jaren standaard een vlakheid die voldoet aan de DIN 15185 normering3. Een dergelijke vloer wordt aangemerkt als ‘supervlak’ en heeft een onvlakheid van minder dan 2 mm. Het verkrijgen van gegevens over de vlakheid van de vloer is moeilijk en tijdsintensief, omdat met alle panden met landmeetapparatuur moeten worden opgemeten. In de meeste academische literatuur wordt de vloervlakheid dan ook niet opgenomen. Andere eigenschappen waardoor een vloer waarde wint of verliest zijn: de hardheid, de dikte en het geleidingsvermogen ervan. Ook de informatie over deze kenmerken is schaars en zeer lastig te meten.

3.2.9 Vrije overspanning In de bouwkunde wordt vrije overspanning gedefinieerd als: ‘afstand tussen twee steunpunten van een kap, een gewelf, een brug enz.’ 4. Voor bepaalde typen gebruikers kan een grote vrije overspanning zeer belangrijk zijn, omdat pilaren midden in een bedrijfshal ten koste gaan van de opslagcapaciteit en het transport binnenin de hal.

3.2.10 Uitbereidingsmogelijkheden Wanneer een stuk logistiek onroerend goed vergroot kan worden zal dit de waarde van het onroerend goed behoorlijk verhogen. Een pand met uitbereidingsmogelijkheden op het terrein zal dus in principe meer waard zijn dan hetzelfde pand ergens in een hoekje zonder verdere mogelijkheden.5

3

Gegevens gevonden bij: Van Der Wiel Infra en Milieu B.V., Ruys Vloeren en Ir. Gerard Hol bron: Van Dale Groot Woordenboek der Nederlandsche taal, Versie 1.4 CD-ROM uitvoering 5 Aangegeven door Paul van de Lande (ECORYS) en Bart Vink (DTZ) 4


25

3.3. Marktspecifieke eigenschappen Marktspecifieke eigenschappen zijn economische kengetallen die een markt karakteriseren. Omdat de kengetallen typerend zijn voor de markt waarin een bedrijf gevestigd is, hangen marktspecifieke factoren vaak nauw samen met de factor ‘locatie’. De twee groepen onderscheiden zich van elkaar door de achterliggende gedachten die aan beide soorten ten grondslag liggen. Waar locatie wordt bepaald door geografische indicatoren zoals de afstand tot een snelweg op/afrit, zijn de marktspecifieke eigenschappen puur economisch gericht.

Hoag (1980), Miles, Cole & Guilkey (1990) en Buttimer et al. (1997) hebben dit type kenmerken allen in hun onderzoek opgenomen. De resultaten zullen hieronder aan bod komen. Hoag (1980, p.576) beschrijft onder de noemer ‘Regional Economic Concomitants of Asset Value of Industrial Properties’, drie soorten van regionale economische waardebepalers voor industrieel vastgoed: 1. De waarde van uitstaande leningen in de regio 2. Kapitalisatie ratio’s 3. Omvang van de geldwaarde van verkocht industrieel vastgoed in de regio. Verder beschrijft Hoag expliciet dat voor logistiek vastgoed de uitgaven aan transport in de regio ook van belang zijn. Miles et al. (1990) doen onderzoek naar rendementen van direct vastgoed ten einde een optimale allocatie van vier types commercieel vastgoed in de totale beleggingsportefeuille te verkrijgen. Hierbij wordt ook gekeken naar factoren die de hoogte van taxaties van direct vastgoed beïnvloeden. Voor ‘industrial warehouses’ blijkt naast de omvang van verkochte panden van dit type (zoals Hoag ook beschrijft), de werkgelegenheid in de wholesale sector in de regio ook van belang te zijn. Buttimer et al. (1997) meten de aantrekkelijkheid van een vestigingsplaats van logistiek vastgoed af aan de leegstand van hetzelfde type vastgoed in de regio (submarkt). Submarkten worden in het onderzoek gedefinieerd als verschillende ‘counties in the Dallas/Fort Worth Area’. Een significante invloed van leegstand op huurprijzen kan echter niet worden aangetoond. Een andere factor die door Buttimer et al. wordt onderzocht is werkgelegenheid in de niet-agrarische sector. Vanzelfsprekend zal een toenemende werkgelegenheid moeten leiden tot hogere huurprijzen, omdat de vraag naar ruimte vergroot wordt. Geheel in lijn met de verwachting wordt een positieve relatie tussen huurprijsstijgingen en een toename van de werkgelegenheid in het onderzoek bewezen.


26

Een element dat (vooral bij beleggers) te boek staat als belangrijk voor de waarde, is het type gebruiker wat momenteel het pand benut. Vaak wordt onderscheid gemaakt tussen ‘singletenant’ en ‘multi-tenant’ gebruikers. Fehribach et al. (1993) hebben hier onderzoek naar gedaan en schrijven hierover, dat veel single-tenant industriële panden eigenaar-gebruiker zijn. Daarom verschillen de achterliggende redenen van een aankoop van een multi-tenant pand, wat bijna altijd een huuropbrengst voor een belegger oplevert. De belangrijkheid van deze variabele is om te bepalen of het design van een industrieel pand (dus multi-tenant of single-tenant) de waarde van het pand beïnvloed. Er zou een positieve relatie tussen deze variabele en de verkoopprijs van een industrieel pand moeten zijn, want over het algemeen wordt onder taxateurs aangenomen dat een eigenaar-gebruiker sneller bereid is om een hogere prijs te betalen.

Uit dit hoofdstuk is gebleken dat de waarde van industrieel/logistiek vastgoed onderhevig is aan een grote variëteit van factoren. Ofschoon niet alle auteurs tot dezelfde uitkomsten komen, kan (met behulp van ‘geluiden uit de markt’) toch een vrij duidelijk beeld geschetst worden om welke waardebepalers het waarschijnlijk gaat. In de het resterende deel van de scriptie zal onderzoek gedaan worden naar een aantal van de in dit hoofdstuk beschreven factoren. Ook zal worden uitgelegd waarom regressietechnieken hiervoor geschikt zijn en hoe deze in de praktijk gebruikt kunnen worden.


27

Hoofdstuk 4: Praktische toepassingen van regressiemodellen: mass appraisal en kwantificering van bepalende factoren Voordat modellen gecreëerd worden, is het altijd verstandig om te kijken naar de bruikbaarheid van het te ontwerpen model. Wanneer een theorie in de praktijk niet op enige wijze bruikbaar zal zijn, is het nut van het ontwikkelen ervan beperkt. Dit hoofdstuk geeft de relevantie van het (in hoofdstuk 5) te ontwikkelen regressiemodel aan. Om te beginnen kunnen de waarden van de verschillende afzonderlijke eigenschappen van een pand bepaald worden, waardoor potentiële kopers of gebruikers een indicatie krijgen welke factoren van belang zijn. De meest praktijkgerichte toepassing van een dergelijk model is echter het bepalen van de waarde van een pand. Hieronder wordt aangegeven waarom waardebepalingen van belang zijn en er zal een opkomende trend worden besproken die voor logistiek vastgoed wellicht interessant is.

Iedere bedrijfsmatige of particuliere eigenaar of gebruiker van een pand heeft door middel van de Wet WOZ (Waardering Onroerende Zaken) regelmatig te maken met taxaties en waardebepalingen. De hoogte van bepaalde belastingen is wordt immers berekend aan de hand van de waarde van onroerend goed. Op de website http://www.woz.nl (publicatie 14-12005) staat over het bepalen van de waarde van vastgoed geschreven dat bij het taxeren wordt vastgesteld wat de vrije verkoopwaarde van de onroerende zaak is, beoordeeld naar de marktsituatie op de betreffende waardepeildatum. Hierbij wordt uitgegaan van het bedrag dat het pand zou opbrengen wanneer het leeg verkocht zou zijn en onmiddelijk in gebruik zou kunnen worden genomen. Met huur, verhuur, hypotheken en andere zakelijke rechten (zoals erfpacht) wordt bij de WOZ-waardering geen rekening gehouden. Aan de hand van bouwkundige gegevens en marktgegevens bepaalt de gemeente de waarde. De waarde wordt aan de hand van de taxatie door de gemeente vastgesteld op de WOZ-beschikking Doordat er voor elk pand een dergelijke waardering gemaakt moet worden, is er de laatste jaren een grote interesse ontstaan in het taxeren van grotere hoeveelheden panden in een zo kort mogelijke tijd. Met name bij belastinginstanties is het hebben van een snelle en geldbesparende vorm van taxeren een noodzakelijkheid geworden, omdat het taxeren van individuele panden een tijdsintensieve en dus kostbare aangelegenheid is. Ook is een


28

dergelijke methode objectiever te noemen en is de kans op bijvoorbeeld ‘anchoring6’ kleiner Methodes als Discounted Cashflow (DCF) en de Cost Approach vergen veel aandacht en zijn onvoldoende tijdsefficiënt, terwijl de Sales Comparison Approach het meest betrouwbaar is wanneer volledig identieke panden als input worden genomen; iets wat moeilijk te realiseren is. Toch is de Sales Comparison Approach (het baseren van de waarde van een pand op de geobserveerde marktwaarde van vergelijkbare panden) het best bruikbaar voor een snelle taxatie van grotere hoeveelheden panden. Wanneer niet geheel identieke panden als vergelijkingmateriaal genomen worden en er de nodige aanpassingen worden verricht voor verschillen in bijvoorbeeld grootte en ligging, kan alsnog een redelijk accurate waardebepaling plaatsvinden. Volgens Joseph Lipscomb en Brian Gray (1995) zijn de twee meest gebruikte methodes voor marktgedreven aanpassingen in de Sales Comparison Approach de ‘Paired Data Analysis’ (PDA) en de ‘Multiple Regression Analysis’ (MRA). In hun onderzoek naar de verschillen tussen de twee methoden op het gebeid van correcties die gemaakt moeten worden om een pand te taxeren, merken Lipscomb en Gray de volgende zaken op: 1. Paired Data Analysis maakt gebruik van paren van panden; de panden moeten op alle fronten identiek zijn, op één front (de primary attribute) na. Aan de hand van deze paren kan dus vrij eenvoudig de waarde van die ene factor bepaald worden. Door meerdere paren te maken kan met een regressie een standaard model gemaakt worden. In theorie is hier inderdaad geen speld tussen te krijgen, in de praktijk blijkt echter dat perfecte paren niet of nauwelijks te maken zijn, doordat identieke panden maar zeer zeldzaam voorkomen. Multiple Regression Analysis maakt eveneens gebruik van een regressie om een model te vormen, maar is anders onderbouwd. In tegenstelling tot PDA draait het bij MRA niet om het vinden van perfect vergelijkbare panden, min of meer vergelijkbare (comparable) panden volstaan ook. Dit maakt het selecteren van gegevens aanmerkelijk makkelijker, omdat er een breder scala aan beschikbare panden in aanmerking komt, om in het model te worden opgenomen. Hoewel in de regel geldt dat voor het schatten van het model een hoeveelheid van twee meer dan het aantal te onderzoeken waardebepalers nodig is, moet voor een optimale accuraatheid gestreefd worden naar een zo groot mogelijk aantal comparables.

6

Veel taxateurs baseren nieuwe taxaties op taxaties uit het verleden: anchoring


29

2. Bij een Paired Data Analysis moeten vrijwel altijd nog correcties plaatsvinden om overgebleven verschillen in waarde tussen de panden in één paar, toe te schrijven aan de zogenaamde secondary attributes. Het is aan de onderzoeker om zelf te bepalen bij welke ‘attributes’ de verschillen thuis horen. Een MRA model verdeelt de waarde wel over de verschillende factoren. Door middel van regressiecoëfficiënten wordt de invloed van de diverse factoren op de eindwaarde vastgesteld. Dit is exact de reden waarom veel onderzoekers en bedrijven deze methode graag en vaak gebruiken (Lipscomb & Gray, 1995).

Zoals Lusht (2001) opmerkte, heeft het taxeren van een grote hoeveelheid vastgoed (mass appraisal) bij belastinginspecteurs in de Verenigde Staten inmiddels een ongekende populariteit bereikt. Het gebruikersgemak van een Multiple Regression Analysis heeft dit mede in de kaart gespeeld. Door middel van moderne regressietechnieken kunnen immers, op een redelijk eenvoudige manier, hele straten of wijken van een homogeen type vastgoed (zoals logistiek vastgoed) tegelijk gewaardeerd worden. Dit wordt ook ondersteund door Jonathan Mark en Michael Goldberg (1988), wanneer zij stellen dat het standaard waarderingsproces kostbaar is en de uiteindelijke waarde kan worden beïnvloed door nieteconomische factoren. Multiple Regression Analysis is een statistisch hulpmiddel dat de tekortkomingen van het standaard waarderingsproces kan verkleinen Verder geven zij een belangrijk voordeel van het gebruik van MRA in het waarderingsproces aan. Dit voordeel is de mogelijkheid om gegevens meerdere keren te analyseren en veranderen, waardoor comparables gemaakt kunnen worden. De veranderingen kunnen tegen relatief lage kosten worden doorgevoerd, wanneer het systeem eenmaal is geïnstalleerd.

Een bijkomend voordeel is, in tegenstelling tot de wat meer ‘basic’ statistieke hulpmiddelen, dat bij mass appraisal door regressies niet allen waarde bepaald, maar ook waarde verklaard kan worden (Lusht, 2001). Het proces van waardeverklaring van MRA wordt beschreven door Sherwin Rosen (1974). Volgens Rosen is de prijs van een goed gelijk aan de som van de prijzen alle eigenschappen van het goed. Wanneer dit vertaald wordt naar de vastgoedmarkt zou men dus kunnen veronderstellen dat de waarde van een pand gelijk is aan de waarde van alle kenmerken ervan. Deze kenmerken kunnen niet van het pand gescheiden worden en niet los verhandeld worden (Brown, Fraser, Dunse & Jones, 2000). Brown et al. (2000) maken een MRA model, aan de hand van de bevindingen van Rosen uit 1974, waarbij getracht wordt om de huurwaarde van


30

industrieel onroerend goed te bepalen. Hoewel het in dit onderzoek dus om huurprijs bepaling gaat en niet om waardebepaling, is de opzet van het model gelijk aan een waardebepalingsmodel, omdat de kwantificering van variabelen op dezelfde wijze plaats vindt, uiteindelijk zullen uitsluitend de coëfficiënten van de variabelen verschillend zijn. Het huurprijsmodel wordt door de schrijvers als volgt bepaald (p.17): Elk industrieel pand bestaat uit een vector van karakteristieken die locationele en tastbare pandspecifieke eigenschappen beschrijft. Veronderstel industrieel terrein z met n eigenschappen:

( z1 , z 2 , z 3 ,........., z n )

(4.1)

De vector van eigenschappen wordt weergegeven in vergelijking (4.1). Deze eigenschappen bepalen uiteindelijk de waarde van het terrein of, in dit geval, de hoogte van de huur. Derhalve kan huur worden uitgedrukt als een functie van het aantal eigenschappen, ofwel:

R ( z ) = ∫ ( z1 , z 2 , z 3 ,......, z n )

(4.2)

Hierin is R(z) de huurhoogte en alle zi’s zijn de verschillende eigenschappen. Door R(z) te differentiëren voor eigenschap zi, kan de marktwaarde of huurwaarde van die eigenschap zi in R(z) bepaald worden:

Ri =

δR ( z ) δz i

(4.3)

Een empirische test hiervan omhelst het verkrijgen van een prijswaarde R(zk) en bijbehorende eigenschappen zi voor pand k op het terrein. Door middel van de volgende regressievergelijking kan dit bereikt worden:

R ( z k ) = β 0 + β1 z1k + β 2 z 2 k + ......... + β n z nk + ε

(4.4)

Kortweg:


31

n

R ( z k ) = β 0 + ∑ β i zik + ε i

(4.5)

i =1

De bovenstaande vergelijking (4.5) is een zeer eenvoudige weergave van het type model dat voor mass appraisal gebruikt wordt. Het model kan uiteraard uitgebreid worden met een dummyvariabele voor de primary attribute. Een dergelijk model is ook weer terug te vinden in Lipscomb en Gray (1995):

n

R ( z ) = β 0 + ∑ β i zik + β wW + ε

(4.6)

i =1

Hierin is W de dummyvariabele en βw de bijbehorende coëfficiënt. Stel dat de W staat voor het gebied waarin het pand gelegen is. Dan is W ‘1’ wanneer het pand daadwerkelijk in dat gebied ligt en ‘0’ wanneer het pand in een ander gebied ligt. βw geeft het bedrag aan dat aan de huur moet worden toegevoegd in het geval dat W ‘1’ is. De error term wordt weergegeven door ε.

Hoewel het soort modellen als vergelijking (4.6) in de regel zeer bruikbaar zijn, dient wel in acht te worden genomen dat zij een ondersteunende functie hebben; geenszins mogen ze ter complete vervanging van de taxateur gebruikt worden. Verder moet altijd geverifieerd worden of het model wel voldoende geschikt is door te kijken naar grootte en significantie van de coëfficiënten en naar de R2. Verder moet ook opgepast worden voor bijvoorbeeld heteroscedasticiteit (onconstante variantie in ε) en multicollineariteit (nauwe samenhang tussen meerdere predictoren van het regressiemodel), aldus Mark en Goldberg (1988). Andere nadelen van dergelijke modellen worden beschreven door David Geltner en Norman Miller (2001). Om te beginnen stellen zij vast dat voor de totstandkoming van een betrouwbaar model zeer veel informatie nodig is. Verder moeten er constant updates gemaakt worden, omdat nieuwe (markt)informatie alle coëfficiënten kan veranderen.

Dit hoofdstuk toonde aan dat een model voor waardebepaling bruikbaar kan zijn voor homogene types onroerend goed (zoals logistiek vastgoed). De kwantificering van afzonderlijke variabelen geeft aan welke factoren van invloed zijn op de uiteindelijke waarde van een pand. Wanneer de waarden van de verschillende variabelen worden opgeteld kan een


32

totale waarde van een pand gegeven worden, wat interessant is voor bijvoorbeeld de belastingdienst, vanwege de effectiviteit en efficiëntie van een dergelijke toepassing. In het volgende hoofdstuk zal een regressiemodel, zoals beschreven in dit hoofdstuk worden gecreëerd voor logistiek vastgoed.


33

Hoofdstuk 5: Onderzoeksmodel Omdat uit de voorgaande hoofdstukken bleek dat er vooralsnog slechts zeer beperkt onderzoek is gedaan naar logistiek vastgoed, terwijl dit juist wel een categorie is die op alle markten behoorlijk in beweging is, zal in dit hoofdstuk een model gevormd worden naar de waardebepalende factoren van logistiek vastgoed. Tevens kan hiermee een aanzet gegeven wordt naar verder onderzoek. Zoals beschreven in hoofdstuk 4 kan de studie uiteindelijk bruikbaar zijn voor bijvoorbeeld overheidsinstanties of eigenaren die een indicatie willen van de huidige waarde van een pand. Om tot het model te komen zal allereerst uitgelegd worden welke variabelen zullen worden opgenomen en wat de verwachtingen voor elk van de variabelen zijn. Daarna zal de gebruikte methodologie uiteengezet worden tezamen met een uitleg van het dataverzamelingsproces. Tot slot worden de uitkomsten van het model gepresenteerd, vergezeld door de bijbehorende conclusies.

5.1 Selectie van variabelen De verschillende variabelen (die in vergelijking 4.6 in z en W genoemd worden) zullen voor een zo accuraat mogelijk model uitvoerig geanalyseerd worden. Hoewel hoofdstuk 3 al een inzicht in de potentiële waardebepalers van logistiek onroerend goed verschafte, zal in deze sectie besloten worden welke factoren ook daadwerkelijk in het model worden opgenomen en hoe deze getoetst zullen worden. Opnieuw wordt er onderscheid gemaakt tussen de locationele eigenschappen, de pandspecifieke eigenschappen en de marktspecifieke eigenschappen.

5.1.1 Locationele eigenschappen Hoewel de factor locatie, zeker voor logistiek vastgoed, vaak gezien wordt als het meest bepalende kenmerk van een pand, is het lastig om deze variabele uit te drukken in een bepaalde waarde. In dit onderzoek is gekozen om de locatie van vastgoed op twee manieren te testen. Om te beginnen wordt als eenheid voor ‘micro locatie’ de afstand tot de dichtst bijzijnde snelwegoprit genomen. Deze gegevens, uitgedrukt in meters, zijn nog betrekkelijk eenvoudig te verkrijgen en bepalen dus de ligging van een pand binnen een provincie of regio. Vanzelfsprekend kan verwacht worden dat een grotere afstand tot de snelweg een lagere waarde voor het vastgoed tot gevolg heeft.


34

‘Macro locatie’ (de ligging van een pand binnen Nederland) is lastiger te benaderen. Wanneer er gekozen wordt om onderscheid te maken naar verschillende provincies, moeten voor alle provincies voldoende observaties beschikbaar zijn voor een nauwkeurige toetsing. Verder zijn er in sommige gevallen behoorlijk grote verschillen tussen bepaalde subregio’s binnen de provincie. Hierbij valt te denken aan bijvoorbeeld de provincie Noord-Holland, waarin zowel de locaties Schiphol als Lutjewinkel vallen. Qua aantrekkelijkheid zijn beiden natuurlijk niet met elkaar te vergelijken. Om dit soort gevallen te vermijden is gekozen om Nederland in te delen naar aantrekkelijkheid van locaties. Uit de marktrapporten van DTZ (2006) en Jones Lang LaSalle (2005 & 2006) bleek al dat er duidelijke logistieke hotspots in Nederland zijn. Die hotpots zijn onderverdeeld in drie typen, terwijl de rest van Nederland tot het vierde (het onaantrekkelijke) type behoort. Voor de onderverdeling naar aantrekkelijkheid van de hotspots is gekeken naar de hoogte van huren, de aanwezigheid van belangrijke transportassen en mainports, en de mate waarin logistiek vastgoed in die regio gesitueerd is. Aantrekkelijkheid van locaties voor logistiek vastgoed in Nederland Type

Omschrijving

Regio

Type 1

Superlocatie

Schiphol

Type 2

Zeer aantrekkelijk

Amsterdam-IJmuiden (m.u.v Schiphol), Rotterdam-Dordrecht, Utrecht-WoerdenGouda, Brabantse Stedenrij (Moerdijk, Breda, Tilburg, Den Bosch, Eindhoven, Venlo)

Type 3

Aantrekkelijk

Vlissingen, Zuid-Limburg, Roermond, Arnhem-Nijmegen, overig Randstad, Almere, Enschede, Coevorden

Type 4

Minder aantrekkelijk

Rest van Nederland

Figuur 11: Aantrekkelijkheid van logistiek vastgoed locaties Figuur 11 geeft aan hoe de precieze onderverdeling naar locatietype eruit ziet. Verder wordt deze indeling in bijlage 1 grafisch verduidelijkt. Hoe de macro locatie van vastgoed uiteindelijk gekwantificeerd wordt in de regressie is moeilijk te voorspellen. Het meest waarschijnlijk lijkt dat type 1, 2 en 3 een positieve coëfficiënt toebedeeld krijgen, waarbij deze voor type 1 het hoogste zal zijn en voor type 3 het laagste. Type 4 wordt als nulmeting aangehouden, type 1, 2 en 3 geven dus een premium over type 4 aan.

5.1.2 Pandspecifieke eigenschappen Bijna alle pandspecifieke eigenschappen die naar voren zijn gekomen uit eerder onderzoek of die in de markt als belangrijk worden beschouwd komen ook in dit model als toestsingsvariabele terug.


35

Om te beginnen worden zowel bedrijfsruimte oppervlak als kantooroppervlak van een pand opgenomen. Dit zijn waarschijnlijk de meest belangrijke factoren van alle pandspecifieke eigenschappen. Een positieve relatie tussen waarde en oppervlakte wordt (uiteraard) verwacht. Positieve relaties met totale waarde worden ook verwacht voor de variabelen hoogte (in meter), aantal loading docks, vloerbelasing (kg/m2) en de dummy variabele voor de aanwezigheid van een sprinklerinstallatie. De enige factor die de waarde van een pand zeer waarschijnlijk zal doen dalen, is de leeftijd ervan. Deze factor wordt uitgedrukt in het aantal verstreken jaren sinds het pand gebouwd is. Vanwege de extreme moeilijkheid om gegevens over vloervlakheid te verkrijgen, zal deze variabele niet in het model worden opgenomen. Makelaars en (de meeste) gebruikers beschikken doorgaans niet over de benodigde informatie, wat het dataverzamelingsproces zeer lastig maakt. Ook over vrije overspanning is niet veel informatie bekend, deze variabele zal dus evenmin worden getoetst in dit onderzoek.

5.1.3 Marktspecifieke eigenschappen De non-transparantie van de vastgoedmarkt maakt het verkrijgen van gegevens in deze categorie uiterst lastig. Daarom is gekozen voor data die wel vrij toegankelijk is, te weten: de werkgelegenheid in de vervoer en communicatiesector per regio. Deze variabele zal het arbeidspotentieel voor logistieke dienstverleners in een vestigingsplaats (regio) kunnen benaderen. Onderzoeksinstellingen, zoals het CBS en RIVM houden gegevens omtrent werkgelegenheid per COROP7 gebied bij:

‘De indeling van Nederland in 40 COROP-gebieden is omstreeks 1970 ontworpen door de Coördinatie Commissie Regionaal Onderzoeksprogramma, waaraan de indeling haar naam dankt. COROP-gebieden zijn optelbaar tot provincies.’ (www.cbs.nl)

Verwacht kan worden dat er een positieve relatie is tussen de prijs van een pand en het arbeidspotentieel in de transportsector in de regio. Plaatsen met een hoger arbeidspotentieel zijn immers aantrekkelijker als vestigingsplaats.

7

Zie bijlage 2


36

Ook het (in sectie 3.3 genoemde) verschil tussen single-tenant en multi-tenant zal gekwantificeerd proberen te worden. Een dummy variabele in de regressievergelijking moet hiervoor gaan zorgen. De dummy zal ‘1’ worden wanneer het pand single-tenant is en ‘0’ voor multi-tenant gebouwen. Waarschijnlijk is, dat single-tenant gebouwen een hogere waarde hebben dan gelijkwaardige multi-tenant panden.

Al met al zullen er 14 variabelen getoetst worden. Figuur 12 geeft een overzicht van deze variabelen en de bijbehorende verwachtingen. Figuur 12: Onderzoeksvariabelen en bijbehorende verwachtingen Overzicht van de verwachtingen per variabele Variabele

Verwachting Toetsingseenheid

Oppervlakte bedrijfsvloer

+

Vierkante meter (m2)

Oppervlakte kantoorvloer

+

Vierkante meter (m2)

Hoogte

+

Meter

Loading docks

+

Aantal

Vloerbelasting

+

Kilogram per vierkante meter (kg/m2)

Leeftijd

-

Jaren sinds bouw

Sprinkler

+

Dummy: 1=aanwezig, 0=afwezig

Afstand tot snelweg oprit

-

Meter

Locatie type 1

+

Dummy: 1=locatie type 1, 0=ander locatie type

Locatie type 2

+


Locatie type 3

+


Locatie type 4

0


Tenant

+

Dummy: 1=single-tenant, 0=multi-tenant

Werkpotentieel

+

Banen (x1000) in de vervoers- en communicatiesector in het COROP gebied

5.2 Methodologie Na het vaststellen van de te toetsen variabelen is het belangrijk om te bepalen hoe de benodigde gegevens verkregen kunnen worden en hoe de toetsing gaat plaatsvinden. Deze sectie gaat nader in op beide vraagstukken. Eerst wordt het dataverzamelingsproces beschreven, gevolgd door de gebruikte onderzoeksmethode.

5.2.1 Dataverzamelingsproces Vele onderzoekers naar vastgoed ondervinden problemen met het verzamelen van betrouwbare gegevens. Dit, omdat de benodigde informatie (zoals waarde) niet duidelijk te observeren is en verschillende partijen soms een andere perceptie van het begrip waarde hebben. Dit onderzoek is hierop geen uitzondering: ‘vastgoed partijen kijken vaak alleen naar


37

de waarde van de stenen, terwijl gebruikers vooral op gebruikersgemak letten’ aldus Nic Roest van Warehousematch8. Makelaars zijn vaak niet gul in het verstrekken van informatie, omdat ze als vertrouwelijk aangemerkt wordt, dit geldt met name voor transactie gegevens. Aan de andere kant is het interviewen van gebruikers een tijdrovende bezigheid en kunnen dit soort bedrijven bovendien vaak niet precies zeggen wat de waarde van een pand is. Enig soelaas tegen de moeilijkheden van dataverzameling biedt de interactieve database van RealNext. Dit is de meest complete verzameling van beschikbare bedrijfsobjecten (kantoren, winkels en bedrijfsruimten) in Nederland. De RealNext database is toegankelijk via de websites van de bedrijfsmakelaars die zich aan RealNext hebben verbonden. Het aanbod bestaat momenteel uit circa 13.000 gecontroleerde objecten. (RealNext website, 2006)

Voor dit onderzoek is in eerste instantie gebruik gemaakt van de interactieve database van RealNext. Wanneer gegevens uit de database niet volledig bleken te zijn is er contact opgenomen met de makelaar die het betreffende pand aanbiedt om aanvullende informatie te verkrijgen. Makelaars die bij RealNext zijn aangesloten zijn onder andere: CB Richard Ellis, Boer Hartog Hooft, DTZ Zadelhoff en Jones Lang LaSalle. Wanneer ook de aanvullende informatie niet toereikend bleek te zijn, is er een aantal aannames gemaakt: •

Voor waarde wordt, indien deze niet expliciet genoemd wordt, de gevraagde aankoopprijs genomen. Dit omdat transactiegegevens (marktwaarde op een bepaald moment) niet ruimschoots aanwezig zijn.

•

De afstand tot de snelweg wordt in sommige gevallen uitgedrukt in minuten, om toch tot een uniforme toetsingseenheid te komen is in die gevallen de afstand tot de snelweg berekend met behulp van de routeplanner op www.routenet.nl.

Andere aannames worden besproken in sectie 5.4, bij het presenteren van de conclusies.

Naast gegevens van RealNext is ook gebruik gemaakt van informatie van andere makelaars, zoals Troostwijk en de gegevens van www.fundainbusiness.nl. Al met al zijn er 83 bruikbare panden in de sample opgenomen.

8

Nic Roest is directeur van Warehousematch, een bedrijf dat ruimtezoekende partijen ‘matcht’ met leegstaand logistiek vastgoed


38

Overzicht van basisinformatie per variabele Variabele Oppervlakte bedrijfsvloer

N

Gemiddeld

Min

Max

17.362

10.035

26.965

0

3.280

5

12

2

62

Oppervlakte kantoorvloer

83 83

Hoogte

83

Loading docks

83

Vloerbelasting

83

Leeftijd

83

Sprinkler

83 (49)

Afstand tot snelweg oprit

83

Locatie type 1

83 (9)

1.690 0,108

Locatie type 2

83 (27)

Locatie type 3

83 (20)

Locatie type 4 Tenant Werkpotentieel

1.363 8 20 3.262 8 0,590

1.250

10.000

1

30

0

1

100

10.000

0

1

0,337

0

1

0,241

0

1

83 (26)

0,313

0

1

83 (32)

0,386

0

1

83

23,77

2,50

83,20

Figuur 13: Basisinformatie per variabele

Figuur 13 geeft de statistische basisinformatie van de observaties weer. Duidelijk mag zijn dat alleen gekozen is voor panden waarvan zeker is dat ze gebruikt worden voor logistieke (opslag en/of distributie) doeleinden. Dit komt vooral tot uiting in de grootte van het oppervlakte bedrijfsvloer, met een minimum van 10.035 m2. Hiervoor is gekozen omdat kleinere bedrijfsruimten vaak afwijkende eigenschappen hebben. Die panden beschikken bijvoorbeeld over een (te) hoge ratio kantooroppervlak/totale oppervlak, een showroom of slechte laad- en losmogelijkheden. De weinige kleinere panden die wel in het model zouden opgenomen kunnen worden, zijn uiteindelijk toch niet gebruikt, omdat zij de uitkomsten drastisch veranderden. Dit onderzoek is derhalve alleen bruikbaar voor panden vanaf ongeveer 10.000 m2.

5.2.2 Onderzoeksmethode Aangenomen wordt dat er een lineaire relatie bestaat tussen de 14 onafhankelijke variabelen en de afhankelijke variabele ‘waarde’. Om dit te onderzoeken wordt er gebruik gemaakt van een Multiple (Linear) Regression Analysis, zoals ook al beschreven in hoofdstuk 4. De relatie wordt weergegeven in de volgende functie:9

9

Op dezelfde wijze als Fehribach et al. (1993)


39

Waarde (W) =

f(Oppervlakte bedrijfsvloer (OPB), Oppervlakte kantoor (OPK), Hoogte (H),

Aantal loading docks (LD), Vloerbelasting (VLB), Leeftijd (LTD), Sprinkler (SPR), Afstand tot snelweg (AFS), Locatie type1 (LOC1), Locatie type2 (LOC2), Locatie type3 (LOC3), Locatie typ0e4 (LOC4), Tenant (TEN), Arbeidspotentieel (ARB))

Of in modelvorm:

W = β 1 + β 2 (OPB) + β 3 (OPK ) + β 4 ( H ) + β 5 ( LD) + β 6 (VLB ) + β 7 ( LTD) + β 8 ( SPR) + β 9 ( AFS ) + β 10 ( LOC1) + β 11 ( LOC 2) + β12 ( LOC 3) + β 13 ( LOC 4) + β 14 (TEN ) + β 15 ( ARB) + ε Om te testen voor multicollineariteit en heteroscedasticiteit in de data zullen er twee testen uitgevoerd worden: 1. Multicollineariteit De gebruikte methode om te onderzoeken of de data te lijden heeft onder multicollineariteit is de Variance Inflation Factor (VIF). Deze test meet de impact van eventuele collineariteit tussen de onafhankelijke variabelen in een regressie model op de precisie van de uitkomsten. De resultaten kunnen namelijk anders lijken als twee variabelen sterk met elkaar samenhangen. De individuele effecten worden dan slecht gemeten en de uiteindelijke uitkomst klopt evenmin. Als vuistregel wordt aangenomen dat bij een VIF van 10 of hoger, de uitkomsten dermate ‘aangetast’ worden, dat ze onbetrouwbaar zijn. In de volgende sectie worden de uitkomsten van de VIF-test gepresenteerd. (iSixSigma dictionary: www.isixsigma.com) 2. Heteroscedasticiteit Aan het maken van een (Ordinary Least Squares) regressie is een aantal aannames onderhevig. Eén van deze aannames is dat de standaardfout een constante variantie heeft. Bij heteroscedasticiteit is dit niet het geval, en zijn er verklarende variabelen die voor een structureel hogere variantie zorgen in bepaalde delen van de observaties. Als ten onrechte wordt verondersteld dat de variantie voor iedere waarneming hetzelfde is, introduceert dit een “bias” in de schatting van de variantie. Om te bepalen of er bij dit onderzoek ook sprake is van heteroscedasticiteit wordt er gebruik gemaakt van de Breusch-Pagan test. Voor die methode worden de residuen van de originele regressie nog een keer geregresseerd tegen één van de variabelen uit de eerste regressie waarvan vermoed wordt dat zij de oorzaak zijn van de Logistiek vastgoed: Modellering in een markt in beweging

40

heteroscedasticiteit. Wanneer er bij die regressie een hoge R2 uitkomt, is er sprake van heteroscedasticiteit (Heij, De Boer, Franses, Kloek en Van Dijk, 2004). Ook van deze test zullen de uitkomsten aan bod komen in de volgende sectie.

5.3 Uitkomsten In deze sectie worden de uitkomsten van de berekeningen gepresenteerd, voordat er conclusies getrokken worden in de volgende sectie.

5.3.1 Uitkomsten van de regressie Uit de regressie is de locationale variabele ‘locatie type 4’ weggelaten. Deze variabele dient

als nulmeting voor de andere loactionele dummies, omdat er anders multicollineariteit zou kunnen ontstaan.

Model Summaryb Model 1

R ,924a

Adjusted R Square ,826

R Square ,854

Std. Error of the Estimate 2068429,150

a. Predictors: (Constant), arbeid, sprink, hoogte, loc2, afst, tenant, opp.bedr, loaddock, lftd, loc3, vloerbel, opp.kant, loc1

Een

samenvatting

van

de

regressiegegevens met de overige 13 variabelen en de constante is terug te vinden in de figuren 14 en 15. Zoals

b. Dependent Variable: prijs

Figuur 14: Samenvatting regressiegegevens

blijkt uit de Adjusted R2 verklaren de 13 variabelen samen 82.6% van de

waarde van een logistiek vastgoedobject bepalen. Verder blijkt dat de F-statistiek significant is op een niveau van minder dan 1%. De F-statistiek is de verklaarde variantie van het model gedeeld door de restvariantie. Er is dus een kans van minder dan 1% dat deze waarde op toeval berust. ANOVA b Model 1

Regression Residual Total

Sum of Squares 1,7E+015 3,0E+014 2,0E+015

df 13 69 82

Mean Square 1,323E+014 4,278E+012

F 30,924

Sig. ,000a

a. Predictors: (Constant), arbeid, sprink, hoogte, loc2, afst, tenant, opp.bedr, loaddock, lftd, loc3, vloerbel, opp.kant, loc1 b. Dependent Variable: prijs

Figuur 15: ANOVA-test met F-statistiek

In figuur 16 worden de verschillende variabelen weergegeven vergezeld door de bijbehorende coëfficiënten. Daarnaast zijn ook de t-statistieken en significantiegegevens in de tabel opgenomen. Logistiek vastgoed: Modellering in een markt in beweging

41

Uit de gegevens blijkt, dat 7 van de 13 getoetste variabelen significant zijn op een niveau van meer dan 95%: Oppervlakte bedrijfsvloer, oppervlakte kantoor, aantal loading docks, leeftijd, afstand tot snelweg, locatie type 1 en locatie type 2. De t-statistiek van deze 7 variabelen is namelijk ofwel lager dan -1.96 of hoger dan 1.96. Een verdere interpretatie van de coëfficiënten is te vinden in paragraaf 5.4. Coefficientsa

Model 1

(Constant) opp.bedr opp.kant hoogte loaddock vloerbel lftd sprink afst loc1 loc2 loc3 tenant arbeid

Unstandardized Coefficients B Std. Error 929529,8 1596266 416,520 56,665 1435,613 274,453 163104,2 141021,5 43420,645 19426,170 137,713 193,568 -252728 39561,273 428601,6 500100,4 -797,529 141,387 6140738 998696,4 2419862 657975,9 716544,9 648566,7 271270,1 502628,3 1489,850 14536,308

Standardized Coefficients Beta ,393 ,311 ,066 ,119 ,040 -,345 ,043 -,327 ,387 ,232 ,062 ,027 ,007

t ,582 7,351 5,231 1,157 2,235 ,711 -6,388 ,857 -5,641 6,149 3,678 1,105 ,540 ,102

Sig. ,562 ,000 ,000 ,251 ,029 ,479 ,000 ,394 ,000 ,000 ,000 ,273 ,591 ,919

Collinearity Statistics Tolerance VIF ,742 ,599 ,654 ,750 ,678 ,728 ,852 ,632 ,535 ,533 ,670 ,861 ,474

1,347 1,670 1,529 1,333 1,476 1,375 1,173 1,582 1,871 1,878 1,493 1,161 2,109

a. Dependent Variable: prijs

Figuur 16: Uitkomsten per onderzochte variabele 5.3.2 Uitkomsten van het multicollineariteits-onderzoek In de rechterkolom van figuur 16 staan de Variance Inflation Factors per variabele gegeven. Zoals beschreven in paragraaf 5.2.2 geldt als vuistregel dat een VIF van boven de 10 als bedreigend geldt. Geen van de variabelen uit dit onderzoek heeft een VIF van meer dan 10, multicollineariteit is derhalve geen probleem in dit onderzoek.

5.3.3 Uitkomsten van het heteroscedasticiteits-onderzoek Wanneer er sprake is van heteroscedasticiteit, laten de Partial Regression (scatter-)Plots10 een trechter- of bolvormig patroon zien11. In Bijlage 3 zijn de Partial Regression Plots van dit onderzoek te vinden. Twee van de onderzochte variabelen komen op voorhand in aanmerking voor het veroorzaken van heteroscedasticiteit: aantal loading docks (vage trechtervorm), en

10

De Partial Regression (scatter-) Plot is een scatterplot van de residuelen van een onafhankeleijke variabele en de residuelen van de afhankelijke variabele wanneer beide variabelen apart geregresseerd worden tegen de rest van de onafhankelijke variabelen (SPSS 10.0) 11 Universiteit Utrecht, department of Information and Computing Sciences


42

vloerbelasting (min of meer bolvormig). In figuur 17 is dit grafisch verduidelijkt. De BreuschPagan test wijst echter uit dat beide variabelen geen heteroscedasticiteit veroorzaken, omdat de aangepaste R2 van de regressies die gepaard gaan bij deze test bij beiden negatief (ongeveer -1,25% voor beiden) is. Dit kan kloppen, omdat de ‘gewone’ R2 voor beiden 0 is, terwijl voor de aangepaste R2 nog een correctie plaats vindt voor het feit dat de relatie tussen afhankelijke variabele en onafhankelijke variabele op toeval kan berusten. Figuur 17: Partial Plots voor ‘aantal loadingdocks’ en ‘vloerbelasting’

5.4 Conclusies en aanbevelingen In deze paragraaf zal een verdere interpretatie van de berekeningen gegeven worden. Tevens wordt onderzocht waar en waarom dit onderzoek tekort zou kunnen schieten. In de vorige sectie bleek al uit de tabel figuur 16 dat 7 van de variabelen significant zijn op een ‘confidence interval’ van 95 %. Alle 7 variabelen hebben de verwachte relatie zoals omschreven in figuur 12. Uit de verschillende bèta’s kan geconcludeerd worden welke invloed een verhoging van één eenheid van een bepaalde eigenschap heeft op de totale waarde. Zo zal het toevoegen van één loading dock de waarde verhogen met € 43.420,65. De bèta’s lijken ook allemaal binnen redelijk proporties te vallen, en uit de gegevens kan logischerwijs geconcludeerd worden dat locatie type 1 de waarde veel meer verhoogd dan locatie type 2. Wat op zijn minst opvallend is te noemen is de in-significantie van de andere variabelen. Hoewel de variabelen ‘hoogte’ en ‘locatie type 3’ wel de verwachtte coëfficiënten hebben, zijn ze niet significant op een niveau van 95%, terwijl bij deze twee karakteristieken zeker significantie verwacht werd. De overige variabelen: vloerbelasting, sprinkler, type tenant en arbeidspotentieel bleken het minst significant van alle variabelen, hoewel de relatie verwachtingen wel uitgekomen zijn. De in-significantie van deze variabelen is echter wel te verklaren: Logistiek vastgoed: Modellering in een markt in beweging

43

•

De vloerbelasting is bij sommige objecten in de sample variërend binnenin het object, wanneer een pand uit verschillende hallen bestaat, zijn er soms verschillende vloerdraagkrachten voor de verschillende hallen. In die gevallen is een gewogen gemiddelde genomen. De waarneming kan hierdoor echter onnauwkeurig geworden zijn.

•

Wanneer bij een object niet expliciet vermeld was dat er een sprinklerinstallatie aanwezig was, is aangenomen dat er ook echt geen sprinkler aanwezig is. Als als eigenschap ‘brandblusvoorzieningen’ aangegeven wordt, is aangenomen dat sprinklers hier niet onder vallen. Ook hier kunnen onnauwkeurigheden veroorzaakt zijn.

•

Als er momenteel geen huurder/gebruiker van het pand gebruikt maakt, wordt een pand als single-tenant aangemerkt, tenzij het zogenaamde ‘geschakelde hallen’ betreft. Geschakelde hallen maken deelverhuur zeer eenvoudig te realiseren. Het is mogelijk dat hierdoor een ‘bias’ veroorzaakt is.

•

De gegevens van het Centraal Bureau voor de Statistiek over de werkgelegenheid in de sector zijn uit het jaar 2004, omdat recentere gegevens (nog) niet beschikbaar waren. Hoewel enige spectaculaire veranderingen sinds die tijd niet heel erg waarschijnlijk zijn, is het mogelijk dat ook hierdoor een soort van bias is geïntroduceerd.

Uit figuur 14 blijkt verder nog dat de standard error zeer groot is, namelijk 2.068.429,15. De gemiddelde waarde van panden in de sample bedroeg ongeveer 12.000.000, deze standard error is derhalve erg groot te noemen. In combinatie met de adjusted R2 kan dus geconcludeerd worden dat er blijkbaar een aantal variabelen zijn, die de waarde van het pand behoorlijk doen veranderen, die niet in het model zitten. Dit kan als een verassing gezien worden, omdat eerdere onderzoeken geen structureel andere variabelen getoetst hebben (zie hoofdstuk 3) en tot een hogere R2 komen. Van de andere kant is het logisch dat bijvoorbeeld het algehele onderhoud van het pand van invloed kan zijn op de totale waarde. Een dergelijke variabele zou echter zeer lastig te toetsten zijn en bovendien extreem tijdintensief om te meten.

Voor de toekomst is het wellicht interessant om het model uit te bereidden met een variabele zoals hierboven beschreven. Interessant is om te zien hoe waarde, adjusted R2 en standard error hierdoor beïnvloed worden.


44

Om het model voor intensief gebruik (belastingdienst) interessant te maken zal nog wel gestreefd moeten worden naar een iets nauwkeuriger model, door bijvoorbeeld een betere toegang tot gegevens van makelaars.

In bijlage 4 staat een rekenvoorbeeld om het model te verduidelijken en de toepassingsmanieren weer te geven. Aan de hand van het fictieve voorbeeld in die bijlage kan de enigszins abstracte vormgeving van het model in dit hoofdstuk makkelijker te begrijpen zijn. Het volgende hoofdstuk zal nog enkele varianten op dit standaardmodel presenteren. Daarin worden de variabelen op een andere manier getoetst, andere afhankelijke variabelen genomen en een vervangende variabele voor de huidige variabele ‘kantooroppervlak’ getoetst. Voor mass appraisal zijn deze varianten wellicht minder van belang, maar voor een completere kijk op logistiek vastgoed zijn de varianten zeker interessant.


45

Hoofdstuk 6: Variaties in het standaardmodel In dit hoofdstuk zullen enkele varianten van het standaardmodel getoond worden. Er zijn andere berekeningen mogelijk, die het model op een andere manier uitleggen en bovendien kunnen de verschillende variabelen op importantie getoetst worden. Er worden andere afhankelijke variabelen gekozen en in sectie 6.4 wordt een andere benadering voor het kantooroppervlak gekozen.

6.1 Logaritmische functie voor procentuele waardeveranderingen In plaats van een lineaire opname van de prijs van logistiek vastgoed in het model, kan er ook gekozen worden om op logaritmische schaal te werken. Er worden in dat geval andere coëfficiënten berekend, waarmee uiteindelijk de procentuele prijsverandering kan worden berekend wanneer een variabele met één eenheid toeneemt. Aan de hand van een voorbeeld kan dit eenvoudig uitgelegd worden:

Formule 4.4 zag er als volgt uit:

R ( z k ) = β 0 + β1 z1k + β 2 z 2 k + ......... + β n z nk + ε

(4.4)

Op logaritmische schaal ziet deze formule er bijna hetzelfde uit, alleen wordt het natuurlijke logaritme van R(zk) genomen:

ln( R ( z k )) = β 0 + β1 z1k + β 2 z 2 k + ......... + β n z nk + ε

(6.1)

Wanneer de uitkomsten van de regressie worden gegeven kan met de coëfficiënt βi gemakkelijk een procentuele waardeverandering gemeten worden. De basis constante e (het getal Euler = 2.71828183) ligt hieraan ten grondslag.

δ ( R( z k )) = (e β − 1) * 100% i

(6.2)

Hierin is δ(R(zk)) de procentuele verandering in de prijs, die wordt bepaald door e tot de macht βi. De uitkomsten van de regressie staan gegeven in figuur 18. Zoals te zien, zijn slechts 6 variabelen significant volgens deze berekeningen. De aangepaste R2 is bij deze regressie 82.5%, dus ongeveer gelijk met de aangepaste R2 uit het standaardmodel van hoofdstuk 5. Logistiek vastgoed: Modellering in een markt in beweging

46

Figuur 18: Uitkomsten per onderzochte variabele, Coefficientsamet LN(prijs) als afhankelijke

Model 1


Unstandardized Coefficients B Std. Error 15,467 ,147 3,60E-005 ,000 ,000 ,000 ,019 ,013 ,002 ,002 -2,2E-005 ,000 -,029 ,004 ,038 ,046 -7,7E-005 ,000 ,458 ,092 ,166 ,061 ,070 ,060 -,013 ,046 ,001 ,001

Standardized Coefficients Beta ,369 ,271 ,081 ,050 -,069 -,430 ,041 -,341 ,314 ,173 ,066 -,014 ,036

t 104,869 6,882 4,538 1,423 ,945 -1,234 -7,943 ,813 -5,875 4,968 2,734 1,176 -,274 ,539

Sig. ,000 ,000 ,000 ,159 ,348 ,221 ,000 ,419 ,000 ,000 ,008 ,244 ,785 ,592


1,347 1,670 1,529 1,333 1,476 1,375 1,173 1,582 1,871 1,878 1,493 1,161 2,109

a. Dependent Variable: lnprijs

Van de zes significante variabelen kunnen nu de coëfficiënten gebruikt worden voor de verdere berekeningen. Deze zijn gegeven in tabel figuur 19: wanneer er één vierkante meter bedrijfsoppervlak extra toegevoegd wordt aan een pand, dan zal de waarde ervan met 0.360% toenemen. De procentuele veranderingen voor de variabelen van locatie type 1 en locatie type 2 zijn zo groot, omdat deze getoetst worden als dummy’s. In die gevallen is dus sprake van ‘alles of niks’. Procentuele verandering van de prijs van een pand wanneer een variabele met één eenheid groeit Variabele

Coëfficiënt

% Verandering

Bedrijfsoppervlak in m2

3,60309E-05

0,360%

Kantooroppervlak in m2

0,00011508

1,151%

Leeftijd

-0,029032404

-286,150%

Afstand tot snelweg knooppunt

-7,67435E-05

-0,767%

locatie type1

0,458378612

5815,077%

locatie type2

0,166190966

1807,986%

Figuur 19: Prijsverandering bij één extra eenheid per variabele

6.2 Stapsgewijze regressie Een manier om te onderzoeken wat de volgorde van belangrijkheid is van alle variabelen is de stepwise regression (stapsgewijze regressie). In feite worden er bij deze techniek meerdere regressies gemaakt, waarbij steeds een variabele wordt toegevoegd12. Stap 0 is de basis van 12

Of verwijderd, afhankelijk van de methode die gekozen wordt: De ‘forward entry method’ of de ‘backward removal method’


47

het model met enkel de constante erin opgenomen, bij de volgende stap wordt de meest significante variabele aan het model toegevoegd, dit is de variabele met de hoogste F statistiek of de laagste p-waarde. Elke volgende stap volgt hetzelfde proces, totdat er geen significante Coefficientsa

Model 1 2

3

4

5

6

7

(Constant) opp.bedr (Constant) opp.bedr afst (Constant) opp.bedr afst lftd (Constant) opp.bedr afst lftd loc1 (Constant) opp.bedr afst lftd loc1 opp.kant (Constant) opp.bedr afst lftd loc1 opp.kant loc2 (Constant) opp.bedr afst lftd loc1 opp.kant loc2 loaddock

Unstandardized Coefficients B Std. Error 2221308 1835222 533,022 102,103 3245095 1521672 592,920 84,710 -1221,322 195,076 6719565 1306668 548,988 67,487 -1320,524 155,388 -323368 46595,980 6552314 1191743 533,284 61,633 -1247,450 142,739 -335613 42576,408 3806587 921039,3 4558370 1116851 491,681 54,573 -1015,432 133,287 -278993 38947,775 4893488 834898,5 1314,367 263,570 3922491 1065049 464,751 51,839 -891,643 130,362 -281778 36565,517 5812214 829512,3 1468,653 251,569 1807756 535306,9 3380569 1062470 437,920 51,758 -827,548 129,835 -274570 35708,924 6009582 811499,5 1374,803 248,098 2053907 531605,6 42739,132 18553,206

Standardized Coefficients Beta ,502 ,558 -,499 ,517 -,540 -,440 ,502 -,510 -,457 ,240 ,463 -,415 -,380 ,308 ,284 ,437 -,364 -,384 ,366 ,318 ,173 ,412 -,338 -,374 ,378 ,297 ,197 ,117

t 1,210 5,220 2,133 6,999 -6,261 5,143 8,135 -8,498 -6,940 5,498 8,653 -8,739 -7,883 4,133 4,081 9,010 -7,618 -7,163 5,861 4,987 3,683 8,965 -6,840 -7,706 7,007 5,838 3,377 3,182 8,461 -6,374 -7,689 7,406 5,541 3,864 2,304

Sig. ,230 ,000 ,036 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,002 ,000 ,000 ,000 ,000 ,000 ,000 ,024

Collinearity Statistics Tolerance VIF 1,000

1,000

,987 ,987

1,013 1,013

,979 ,979 ,981

1,022 1,022 1,020

,975 ,964 ,976 ,977

1,026 1,037 1,025 1,024

,952 ,846 ,893 ,910 ,772

1,050 1,181 1,120 1,099 1,295

,930 ,779 ,893 ,812 ,747 ,843

1,076 1,283 1,120 1,231 1,339 1,186

,882 ,744 ,886 ,803 ,727 ,809 ,816

1,133 1,345 1,129 1,245 1,376 1,236 1,226


Figuur 20: Coëfficiënten bij een stepwise regression variabelen meer over zijn (The MathWorks Inc. 1994-2006). Figuur 20 geeft de uitkomsten van de stapsgewijze regressie weer, in de linkerkolom staan steeds de genomen stappen. Bij stap 7, linksonder, staan alle variabelen op volgorde van belangrijkheid. De oppervlakte van de bedrijfsvloer is de belangrijkste prijsbepalende factor. Deze variabele alleen verklaart voor bijna 25% de waarde van het vastgoed (aangepaste R2 is 24.3%, zie bijlage 5, figuur 5.1). De afstand tot een snelweg is van bijna gelijke importantie, Logistiek vastgoed: Modellering in een markt in beweging

48

samen zijn ze goed voor een aangepaste R2 van 48,5%. Alle andere stappen en hun invloed op de aangepaste R2 zijn te vinden in bijlage 5, figuur 5.1. De coëfficiënten van de variabelen in stap 7 van de stapsgewijze regressie (figuur 20) verschillen enigszins van de coëfficiënten in het standaardmodel, omdat de coëfficiënten in het standaardmodel ook worden bepaald aan de hand van de in-significante variabelen. 6.3 Regressie met prijs per m2 als afhankelijke variabele In het standaardmodel wordt de totale waarde van een pand geregresseerd tegen de verschillende variabelen. Het is daarbij geen verrassing dat de variabelen voor bedrijfsoppervlak en kantooroppervlak zeer significant zijn. Er kan echter ook gekozen worden om de totale waarde te delen door het totale oppervlak. In dat geval wordt de kracht van de beide oppervlakte variabelen ietwat afgezwakt. De uitkomsten van een dergelijke regressie zouden behoorlijk af kunnen wijken van het standaardmodel. Er is gebruik gemaakt van een normale regressie en een stapsgewijze regressie (zie sectie 6.2) om verschillen te Coefficientsa

Model 1


Unstandardized Coefficients B Std. Error 648,970 80,405 -,008 ,003 ,038 ,014 14,033 7,103 ,991 ,979 -,002 ,010 -14,037 1,993 25,117 25,190 -,033 ,007 299,479 50,305 120,830 33,143 16,319 32,669 8,173 25,318 -,269 ,732

Standardized Coefficients Beta -,187 ,205 ,142 ,068 -,012 -,480 ,063 -,343 ,473 ,290 ,035 ,020 -,031

t 8,071 -2,767 2,729 1,976 1,013 -,174 -7,044 ,997 -4,696 5,953 3,646 ,500 ,323 -,368

Sig. ,000 ,007 ,008 ,052 ,315 ,862 ,000 ,322 ,000 ,000 ,001 ,619 ,748 ,714


1,347 1,670 1,529 1,333 1,476 1,375 1,173 1,582 1,871 1,878 1,493 1,161 2,109

a. Dependent Variable: prijsm2

Figuur 21: Uitkomsten per onderzochte variabele met prijs per m2 als afhankelijke onderzoeken. De uitkomsten van de normale regressie staan in de figuur (21) hierboven. Ook in dit geval zijn er 7 significante variabelen, echter de variabele ‘loading dock’ is niet langer significant, de variabele ‘hoogte’ nu juist wel. Een mogelijke reden voor het ontbreken van ‘loading dock’ in het rijtje significante variabelen, is dat meer loading docks geassocieerd kunnen worden met een groter oppervlakte.


49

De oppervlakte van de bedrijfsvloer blijkt (licht) negatief gerelateerd te zijn aan de prijs per m2, een extra m2 bedrijfsvloer zorgt dus voor een lagere prijs per m2. Een vrij eenvoudige uitleg voor deze constatering is dat wanneer je de totale prijs deelt door een grotere oppervlakte, de prijs per m2 logischerwijs lager wordt. Qua belangrijkheid zijn de uitkomsten zeker verschillend van het standaardmodel. In bijlage 6 staan de uitkomsten van de stapsgewijze regressie. Daaruit blijkt dat leeftijd de belangrijkste variabele is, gevolgd door: afstand, locatie type 1, locatie type 2, kantoor oppervlakte, bedrijfshal oppervlakte, en hoogte13.

6.4 Een andere benadering van de kantooroppervlakte In hoofdstuk 3 (sectie 3.2.3) kwam een ratio kantooroppervlak/totaal oppervlak ter sprake. Het opnemen van deze ratio als variabele kan ter vervanging van de huidige kantooroppervlakte variabele dienen. In het standaardmodel is kantooroppervlakte nog opgenomen, een positieve relatie tussen deze variabele en de totale prijs ligt echter erg voor de hand. Immers, de prijs voor kantoren is hoger dan de prijs voor bedrijfshallen. Interessant is om te zien of de ratio kantooroppervlak/totaal oppervlak dezelfde invloed heeft op de waarde. Dit is getest met een regressie, met achtereenvolgens totale prijs, ln(prijs) en prijs per m2 als afhankelijke variabele. Samenvatting van de regressiegegevens voor ‘kantooroppervlak / totaal oppervlak’ als variabele Afhankelijke Prijs

LN(prijs)

Prijs per m2

Aangepaste R2 van het hele model

82.4%

83.1%

73.2%

T-waarde (significantie)

5.118

4.848

3.138

Coëfficiënt voor de ratio

3E+0.07

2.409

850.63

Figuur 22: Samenvatting van de regressiegegevens met de kantooroppervlak ratio als variabele Figuur 22 laat de belangrijkste uitkomsten zien, met de bovengenoemde ratio als variabele (de volledige uitkomsten zijn te vinden in bijlage 7). In vergelijking met het standaardmodel (en de twee varianten met ln(prijs) en prijs per m2 als afhankelijke) verschillende de aangepaste R2 en de t-waarden niet heel erg. De coëfficiënten zijn in dit model echter wel verschillend. Om te beginnen moeten de coëfficiënten nu anders geïnterpreteerd worden, omdat als

13

In die volgorde


50

variabele een ratio is genomen. Ratio’s worden doorgaans opgeschreven in decimalen14. De coëfficiënten bieden normaal gesproken informatie over de meerwaarde van het toevoegen van één eenheid van de variabele. In een ratio zou er dan sprake zijn van een toevoeging van 100%, omdat het getal 1 in een ratio geldt als 100%. Wanneer de coëfficiënten door 100 gedeeld worden, zeggen ze iets over het toevoegen van 1% kantooroppervlak ten opzichte van het totale oppervlak. Voor de totale prijs betekent dat een meerwaarde van 300.000€, een procentuele prijsverandering van 2,44%15 (berekend via het logaritmische model), en een prijsstijging van 8,50€ per vierkante meter. Al met al zijn de uitkomsten van de berekeningen met de nieuwe variabele niet spectaculair anders dan de uitkomsten van de berekeningen met de ‘oude’ variabele voor kantooroppervlak. De aangepaste R2 en significantie zijn gelijk, en ook de relaties met de afhankelijke is steeds positief. Dit hoofdstuk toonde enkele varianten op het standaardmodel uit hoofdstuk 5. Door de logaritmische variant is nu duidelijk wat de procentuele prijsverandering is, wanneer er wordt gekozen om een variabele met één eenheid te vergroten. Verder is dankzij de stapsgewijze regressie een volgorde van de importantie van de variabelen gemaakt. De oppervlakte van de bedrijfsvloer bleek wat dat betreft het meest belangrijk. Bij de berekeningen met prijs per m2 als afhankelijke variabele is er slechts één belangrijk verschil met het standaardmodel aangetroffen, in plaats van het aantal loading docks is de hoogte nu van significante invloed op de prijs per m2. Ook de nieuwe variabele ‘kantoor oppervlak/totaal oppervlak’ zorgde niet voor grote verschillen met het originele model, de uitkomsten zijn grotendeels overeenkomstig.

14 15

Een kantooroppervlakte van 5% van het totale oppervlak is in dit geval dus een ratio van 0.05 2,44%=(EXP((2,409/100))-1)*100%


51

Hoofdstuk 7: Algemene conclusies en aanbevelingen

7.1 Conclusies In dit onderzoek zijn de waardebepalende eigenschappen van logistiek vastgoed bepaald en berekend. De verwachte relaties tussen de te toetsen variabelen en de waarde van een pand zijn allemaal uitgekomen, hoewel niet allemaal significant. Karakteristieken die wel significant als bepalend uit het model zijn gekomen zijn: de oppervlakte van de bedrijfsvloer (in m2), de oppervlakte van de kantoorvloer (in m2), het aantal loading docks, de leeftijd van het pand (in jaren sinds bouw), de afstand tot een snelweg oprit (in meters) en variabelen over de aantrekkelijkheid van de vestigingsplaats op macro niveau. Deze laatste variabele bevestigt tevens dat Schiphol als locatie nog altijd de meest aantrekkelijke locatie is binnen Nederland. Regio’s als Rotterdam Rijnmond, de Brabantse Stedenrij en de omgeving van Utrecht blijken ook aantrekkelijk te zijn, maar toch minder dan Schiphol. Niet significante variabelen zijn de hoogte van het pand, de draagkracht van de vloer, de aanwezigheid van een sprinklerinstallatie, het type tenant en het werkpotentieel. De insignificantie van deze variabelen kan verklaard worden door de aannames die gemaakt zijn in het ontwerp van het model en tijdens het vergaren van de data. De getoetste variabelen zijn in een modelvorm weergegeven, zodat partijen die te maken hebben met het snel en kostenefficiënt taxeren van grote aantallen panden logistiek vastgoed ermee zouden kunnen werken. De variaties op het gecreëerde model boden een inzicht in de volgorde van belangrijkheid van de eigenschappen. Verder is er aangetoond wat procentuele prijsveranderingen zijn, waneer een bepaalde factor wordt vergroot of verkleind. Daarnaast is gebleken dat voor de prijs per vierkante meter grofweg dezelfde factoren van belang zijn als voor de totale waarde. Tevens kan er geconcludeerd worden dat een andere benadering van de variabele ‘kantooroppervlak’ niet tot spectaculaire verschillen leidt met het basismodel.

7.2 Aanbevelingen en tekortkomingen Zoals vermeld, was de opzet van het model om de waardebepalende factoren van logistiek vastgoed te vinden. Hoewel de verschillende onderzochte factoren wel gekwantificeerd kunnen worden, is de totale waarde nog altijd afhankelijk van andere (niet-technische) zaken. De waarde van een pand die door het model geven wordt, is daarom niet meer dan een richtlijn en mag geenszins ter vervanging dienen van taxateurs. Bovendien is de perceptie van Logistiek vastgoed: Modellering in een markt in beweging

52

het begrip ‘waarde’ verschillend voor huurders, verhuurders, kopers, verkopers, eigenaargebruikers, investeerders en alle mogelijk mixvormen hiervan. Wellicht is het interessant om hier in de toekomst onderzoek te doen, want hoewel logistiek vastgoed een homogene sector is, zijn de gebruikers ervan zeer heterogeen. Voor andere vastgoed categorieën is dit toch minder het geval; het maakt voor de waarde van kantoren bijvoorbeeld niet veel uit wat voor type bedrijf erin werkt, terwijl het voor opslagcentra wel degelijk verschil maakt of er gekoelde groente of elektronische apparatuur wordt opgeslagen. In dat opzicht is het ook verstandig dat zowel logistieke- als vastgoedpartijen tot overeenstemming komen over een duidelijke definitie van logistiek vastgoed. Beide spelers hebben namelijk steeds meer met elkaar te maken, terwijl het speelveld nog lang niet afgebakend is.


53

Referentielijst Websites •

http://ec.europa.eu/dgs/energy_transport/matthias_ruete/mission_en.html; mei 2006

•

http://informatie.binnenvaart.nl; mei 2006

•

http://nl.wikipedia.org/wiki/Akkoorden_van_Schengen; mei 2006

•

http://www.cbs.nl; juni-augustus 2006

•

http://www.ethesis.net; mei 2006

•

http://www.fundainbusiness.nl; mei-juli 2006

•

http://www.isixsigma.com; juli 2006

•

http://www.mapsofworld.com; juni 2006

•

http://www.mathworks.com/access/helpdesk/help/toolbox/stats/f13382.html; augustus 2006

•

http://www.minbuza.nl; mei 2006

•

http://www.neddex.nl; mei 2006

•

http://www.realnext.nl; mei-juli 2006

•

http://www.routenet.nl

•

http://www.ruysvloeren.nl; juni 2006

•

http://www.troostwijk.nl; juni-juli2006

•

http://www.vanderwiel.nl; juni 2006

•

http://www.woz.nl/demo/default.asp; mei 2006

Artikelen •

Ambrose B.W., An analysis of the factors affecting light industrial property valuation, The Journal of Real Estate Research, Fall 1990, 355-370

•

Bankgesellschaft

Berlin,

Logistikimmobilien:

Immobilienmarkt

Research

Marktbericht 8, Juli 2001 •

Brown J., Fraser W., Dunse N. & Jones C., The cutting edge 2000, The determinants of industrial rents., Presented at the RICS Cutting Edge Research Conference, 2000

•

Bruil P. & Driesen E., Nederland: Logistiek vastgoedland?, Building businesses, mei 2006


54

•

Buck Consultants International, Europese Distributie Centra in Nederland als doelgroep voor verladerssamenwerking., i.o.v. SenterNovem, 27 april, 2005

•

Buttimer Jr., R.J., Rutherford R.C. & Witten R., Industrial Warehouse Rent Determinants in the Dallas/Fort Worth Area, Journal of Real Estate Research, Vol.13 nr.1 1997, 47-55

•

DTZ Zadelhoff, Logistiek in perspectief 2006: Feed the Lion. De Nederlandse markt voor distributiecentra

•

Entreken Jr., H.C., Some problems facing the industrial appraiser., Real Estate Appraiser & Analyst, Winter 1984, 42-44

•

Fehribach F.A., Rutherford R.C. & Eakin M.E., An analysis of the determinants of industrial propterty valuation., The Journal of Real Estate Research, Summer 1993, 365-376

•

Hesse M., Logistics Real Estate Markets: indicators of structural change, linking land use and freight transport., Paper for the ERSA 2002-Conference “From industry to advanced services”, Dortmund, May 2002, first draft

•

Hoag J.W., Toward indices of real estate value and return, The Journal of Finance, Vol. 35, nr. 2, May 1980, 569-580

•

Hol G., Monolitisch afgewerkte betonvloeren, Betoncentrum Noord-Oost Nederland, Themadag Monoliet vloeren. Datum onbekend.

•

ING Real Estate Investment Strategy, European view, August 2005

•

INREV, Vehicle Information, Database Analysis juli 2004

•

INREV, Vehicle Information, Database Analysis april 2005

•

INREV, Vehicle Information, Database Analysis mei 2006

•

Jones Lang LaSalle, Research & Consultancy, Bedrijfsruimtemarktspecial 2005, juni 2005

•

Jones Lang LaSalle, Research & Consultancy, Bedrijfsruimtemarktspecial 2006, juni 2006

•

Lipscomb J.B. & Gray J.B., A connection between paired data analysis and regression analysis for estimating sales adjustments., The Journal of Real Estate Research, Vol. 10 Nr.2, 1995

•

Lockwood L.J. & Rutherford R.C., Determinants of Industrial Property value, Real Estate Economics, V24 2, 1996, 257-272


55

•

Mark J. & Goldberg M.A., Multiple Regression Analysis and Mass Assessment: A review of the issues. The Appraisal Journal, January 1988

•

McGough T., Tsolacos S. & Thompson B., Affordability and performance in the industrial property market., Real Estate Finance and Investment., Research paper nr. 2001.03, may 2001

•

Miles M., Cole R. & Guilkey D., A different look at commercial real estate returns, AREUEA Journal, Vol. 18 nr.4, 1990

•

Rijksuniversiteit

Groningen/TNO

Inro,

De

Ruimtelijke

spreiding

van

distributiecentra in Nederland, Groningen, 2000 •

Rosen S., Hedonic prices and implicit markets: product differentiation in pure competition. Journal of Political Economy, 82, 34-55, 1974

•

ROZ/IPD, Nederlandse vastgoedindex, 2005

•

ROZ/IPD, Historische reeks, 11-jarig gemiddelde van jaarcijfers (1995-2005)

•

Van Toor, F., Logistiek vastgoed, een analyse van de beleggingsmarkt voor opslagen distributiecentra in Nederland. ASRE Research Publications, 2004

Boeken •

Brooks C., Introductory Econometrics for Finance, Cambridge University Press, 2002

•

Geltner D. & Miller N., Commercial Real Estate Analysis & Investments, SouthWestern College Publishing Co. Cincinnati Ohio, 2001

•

Heij C., de Boer P., Franses P.H., Kloek T., van Dijk H.K., Econometric methods with applications in business and economics., Erasmus University Rotterdam, 2004

•

Lusht, K.M., Real Estate Valuation; Principles and Applications, KML Publishing Pennsylvania, 2001, Chapter 8

•

Rees W.H. & Hayward R.E.H., Valuation: Principles into practice, 5th edition, Estates Gazette London, 2000

Personen

• Nico Harkes, Partner ECORYS Research and Consulting B.V, divisie Vastgoed. • Paul van de Lande, Senior Consultant ECORYS Research and Consulting B.V, divisie Transport

• Nic Roest, directeur Warhousematch B.V • Bart Vink, afdeling Research DTZ Zadelhoff v.o.f Logistiek vastgoed: Modellering in een markt in beweging

56

Bijlage 1: Aantrekkelijkheid van locaties voor logistiek vastgoed in Nederland

Bron originele (lege) kaart: http://www.mapsofworld.com Aangepast naar: DTZ Zadelhoff (2006), Jones Lang LaSalle (2005 en 2006) en de expertise van Paul van de Lande16

16

•

Type 1 (superlocatie)

•

Type 2 (zeer aantrekkelijk)

Bijvoorbeeld Venlo

•

Type 3 (aantrekkelijk)

Bijvoorbeeld Arnhem

•

Type 4 (onaantrekkelijk)

Bijvoorbeeld Friesland

Regio Schiphol

Paul van de Lande is Senior Consultant Transport bij ECORYS Research and Consulting


57

Bijlage 2: Indeling van Nederland in 40 Corop–gebieden per 1 januari 2005 01 Oost-Groningen Bellingwedde Menterwolde Pekela Reiderland Scheemda Stadskanaal Veendam Vlagtwedde Winschoten 02 Delfzijl e.o. Appingedam Delfzijl Loppersum 03 Overig Groningen Bedum Ten Boer Eemsmond Groningen Grootegast Haren Hoogezand-Sappemeer Leek De Marne Marum Slochteren Winsum Zuidhorn 04 Noord-Frieland Achtkarspelen Ameland het Bildt Boarnsterhim Dantumadeel Dongeradeel Ferwerderadiel Franekeradeel Harlingen Kollumerland c.a. Leeuwarden Leeuwarderadeel Littenseradiel Menaldumadeel Schiermonnikoog Terschelling Tytsjerksteradiel Vlieland 05 Zuidwest-Friesland Bolsward Gaasterlân-Sleat Lemsterland Nijefurd Sneek Wûnseradiel Wymbritseradiel. 06 Zuidoost-Friesland Heerenveen Ooststellingwerf Opsterland Skarsterlân

Smallingerland Weststellingwerf 07 Noord-Drenthe Aa en Hunze Assen Midden-Drenthe Noordenveld Tynaarlo 08 Zuidoost-Drenthe Borger-Odoorn Coevorden Emmen 09 Zuidwest-Drenthe Hoogeveen Meppel Westerveld De Wolden 10 Noord-Overijssel Dalfsen Hardenberg Kampen Ommen Staphorst Steenwijkerland Zwartewaterland Zwolle 11 ZuidwestOverijssel Deventer Olst-Wijhe Raalte 12 Twente Almelo Borne Dinkelland Enschede Haaksbergen Hellendoorn Hengelo Hof van Twente Losser Oldenzaal Rijssen-Holten Tubbergen Twenterand Wierden 13 Veluwe Apeldoorn Barneveld Ede Elburg Epe Ermelo Harderwijk Hattem Heerde Nijkerk Nunspeet


Oldebroek Putten Scherpenzeel Voorst Wageningen 14 Achterhoek Aalten Berkelland Bronckhorst Brummen Doetinchem Groenlo Lochem Montferland Oude IJsselstreek Winterswijk Zutphen 15 Arnhem/Nijmegen Arnhem Beuningen Doesburg Druten Duiven Groesbeek Heumen Lingewaard Millingen aan de Rijn Nijmegen Overbetuwe Renkum Rheden Rijnwaarden Rozendaal Ubbergen Westervoort Wijchen Zevenaar 16 ZuidwestGelderland Buren Culemborg Geldermalsen Lingewaal Maasdriel Neder-Betuwe Neerijnen Tiel West Maas en Waal Zaltbommel 17 Utrecht Abcoude Amerongen Amersfoort Baarn De Bilt Breukelen Bunnik Bunschoten Doorn Driebergen-Rijsenburg Eemnes

Houten IJsselstein Leersum Leusden Loenen Lopik Maarn Maarssen Montfoort Nieuwegein Oudewater Renswoude Rhenen De Ronde Venen Soest Utrecht Veenendaal Vianen Wijk bij Duurstede Woerden Woudenberg Zeist 18 Kop van NoordHolland Andijk Anna Paulowna Drechterland Enkhuizen Harenkarspel Den Helder Hoorn Medemblik Niedorp Noorder-Koggenland Obdam Opmeer Schagen Stede Broec Texel Venhuizen Wervershoof Wester-Koggenland Wieringen Wieringermeer Wognum Zijpe 19 Alkmaar e.o. Alkmaar Bergen Heerhugowaard Heiloo Langedijk Schermer 20 IJmond Beverwijk Castricum Heemskerk Uitgeest Velsen 21 Agglomeratie Haarlem

58

Bennebroek Bloemendaal Haarlem Haarlemmerliede c.a. Heemstede Zandvoort

Zoetermeer

22 Zaanstreek Wormerland Zaanstad

28 Oost-Zuid-Holland Ter Aar Alphen aan den Rijn Bergambacht Bodegraven Boskoop Gouda Jacobswoude Liemeer Moordrecht Nieuwkoop Reeuwijk Rijnwoude Schoonhoven Vlist Waddinxveen ZevenhuizenMoerkapelle

23 Groot-Amsterdam Aalsmeer Amstelveen Amsterdam Beemster Diemen Edam-Volendam Graft-De Rijp Haarlemmermeer Landsmeer Oostzaan Ouder-Amstel Purmerend Uithoorn Waterland Zeevang 24 Het Gooi en Vechtstreek Blaricum Bussum Hilversum Huizen Laren Muiden Naarden Weesp Wijdemeren 25 Agglomeratie Leiden en Bollenstreek Alkemade Hillegom Katwijk Leiden Leiderdorp Lisse Noordwijk Noordwijkerhout Oegstgeest Rijnsburg Sassenheim Valkenburg Voorhout Voorschoten Warmond Zoeterwoude 26 Agglomeratie ’s-Gravenhage ’s-Gravenhage LeidschendamVoorburg Pijnacker-Nootdorp Rijswijk Wassenaar

27 Delft en Westland Delft Midden-Delfland Westland

29 Groot-Rijnmond Albrandswaard Barendrecht Bergschenhoek Berkel en Rodenrijs Bernisse Binnenmaas Bleiswijk Brielle Capelle aan den IJssel Cromstrijen Dirksland Goedereede Hellevoetsluis Korendijk Krimpen aan den IJssel Maassluis Middelharnis Nederlek Nieuwerkerk aan den IJssel Oostflakkee Oud-Beijerland Ouderkerk Ridderkerk Rotterdam Rozenburg Schiedam Spijkenisse Strijen Vlaardingen Westvoorne 30 Zuidoost-Zuidholland Alblasserdam Dordrecht Giessenlanden Gorinchem Graafstroom ’s-Gravendeel


HardinxveldGiessendam Hendrik-Ido-Ambacht Leerdam Liesveld Nieuw-Lekkerland Papendrecht Sliedrecht Zederik Zwijndrecht 31 ZeeuwschVlaanderen Hulst Sluis Terneuzen 32 Overig Zeeland Borsele Goes Kapelle Middelburg Noord-Beveland Reimerswaal Schouwen-Duiveland Tholen Veere Vlissingen 33 West-NoordBrabant Bergen op Zoom Breda Drimmelen Etten-Leur Geertruidenberg Halderberge Moerdijk Oosterhout Roosendaal Rucphen Steenbergen Woensdrecht Zundert 34 Midden-NoordBrabant Aalburg Alphen-Chaam Baarle-Nassau Dongen Gilze en Rijen Goirle Hilvarenbeek Loon op Zand Oisterwijk Tilburg Waalwijk Werkendam Woudrichem 35 Noordoost-NoordBrabant Bernheze Boekel Boxmeer Boxtel Cuijk

Grave Haaren ’s-Hertogenbosch Heusden Landerd Lith Maasdonk Mill en Sint Hubert Oss Schijndel Sint Anthonis Sint-Michielsgestel Sint-Oedenrode Uden Veghel Vught 36 Zuidoost-Noordbrabant Asten Bergeijk Best Bladel Cranendonck Deurne Eersel Eindhoven Geldrop-Mierlo Gemert-Bakel Heeze-Leende Helmond Laarbeek Nuenen c.a. Oirschot Reusel-De Mierden Someren Son en Breugel Valkenswaard Veldhoven Waalre 37 Noord-Limburg Arcen en Velden Beesel Bergen Gennep Helden Horst aan de Maas Kessel Maasbree Meerlo-Wanssum Meijel Mook en Middelaar Sevenum Venlo Venray 38 Midden-Limburg Ambt Montfort Echt-Susteren Haelen Heel Heythuysen Hunsel Maasbracht Nederweert Roerdalen Roermond

59

Roggel en Neer Swalmen Thorn Weert 39 Zuid-Limburg Beek Brunssum Eijsden

Gulpen-Wittem Heerlen Kerkrade Landgraaf Maastricht Margraten Meerssen Nuth Onderbanken


Schinnen Simpelveld Sittard-Geleen Stein Vaals Valkenburg aan de Geul Voerendaal

40 Flevoland Almere Dronten Lelystad Noordoostpolder Urk Zeewolde

60

Bijlage 3: Partial Regression Plots van alle variabelen Bijlage 3.1: Partial Regression Plot: oppervlakte bedrijfsvloer

Bijlage 3.2: Partial Regression Plot: oppervlakte kantoor


61

Bijlage 3.3: Partial Regression Plot: hoogte

Bijlage 3.4: Partial Regression Plot: aantal loading docks


62

Bijlage 3.5: Partial Regression Plot: vloerbelasting

Bijlage 3.6: Partial Regression Plot: leeftijd


63

Bijlage 3.7: Partial Regression Plot: sprinkler

Bijlage 3.8: Partial Regression Plot: afstand tot de snelweg


64

Bijlage 3.9: Partial Regression Plot: locatie type 1



65


Bijlage 3.12: Partial Regression Plot: type tenant


66

Bijlage 3.13: Partial Regression Plot: arbeidspotentieel


67

Bijlage 4: Voorbeeld van het gebruik van de regressieuitkomsten Nu de uitkomsten van de berekeningen bekend zijn, kan het gebruik in de praktijk uiteengezet worden. Een fictief voorbeeld biedt hiervoor uitkomst.

Veronderstel een logistiek vastgoedobject met de volgende karakteristieken: •

15.500 m2 oppervlakte bedrijfsvloer

•

750 m2 oppervlakte kantoorvloer

•

7,5 m vrije hoogte

•

15 loadingdocks

•

2.500 kg/m2 vloerbelasting

•

Gebouwd in 1995, dus 11 jaar oud

•

Geen sprinklerinstallatie

•

1.500 meter van de snelweg gelegen

•

Gelegen in de omgeving van Eindhoven (locatie type 2)

•

Single-tenant

•

Arbeidpotentieel 15,80 (x1000) banen in de vervoers- en communicatiesector in het COROP gebied. Coefficientsa

Model 1


Unstandardized Coefficients B Std. Error 929529,8 1596266 416,520 56,665 1435,613 274,453 163104,2 141021,5 43420,645 19426,170 137,713 193,568 -252728 39561,273 428601,6 500100,4 -797,529 141,387 6140738 998696,4 2419862 657975,9 716544,9 648566,7 271270,1 502628,3 1489,850 14536,308


t ,582 7,351 5,231 1,157 2,235 ,711 -6,388 ,857 -5,641 6,149 3,678 1,105 ,540 ,102

Sig. ,562 ,000 ,000 ,251 ,029 ,479 ,000 ,394 ,000 ,000 ,000 ,273 ,591 ,919


1,347 1,670 1,529 1,333 1,476 1,375 1,173 1,582 1,871 1,878 1,493 1,161 2,109


In de bovenstaande tabel staan de coëfficiënten nogmaals gegeven. Met behulp van de in hoofdstuk 5 gedefinieerde vergelijking kan er nu een schatting van de waarde van het betreffende pand gemaakt worden: Logistiek vastgoed: Modellering in een markt in beweging

68

W = β 1 + β 2 (OPB) + β 3 (OPK ) + β 4 ( H ) + β 5 ( LD) + β 6 (VLB ) + β 7 ( LTD) + β 8 ( SPR) + β 9 ( AFS ) + β 10 ( LOC1) + β11 ( LOC 2) + β12 ( LOC 3) + β13 ( LOC 4) + β14 (TEN ) + β 15 ( ARB) + ε

Dus: W = 929.529,8 + 416,52(15.500) + 1.435,61(750) + 163.104,2(7,5) + 43.420,65(15) + 137,71( 2.500) − 252.728(11) + 428.601,60(0) − 797.53(1.500) + 6.140.738(0) + 2.419.862(1) + 716.544,9(0) + 271.270,1(1) + 1489,85(15,80)

De in-significante variabelen dienen niet meegenomen te worden, deze hebben immers geen invloed op de waarde: W = 929.529,8 + 416,52(15.500) + 1.435,61(750) + 43.420,65(15) − 252.728(11) − 797.53(1.500) + 6.140.738(0) + 2.419.862(1)

De geschatte waarde van het pand is volgens het model dus: W = 929.529,8 + 6.456.060 + 1.076.707,5 + 651.309,75 − 2.780.008 − 1.196.295 + 0 + 2.419.862

= € 7.557.166,05

Er vanuit gaande dat het pand niet exceptioneel goed of slecht onderhouden is, en dat er geen andere abnormaliteiten zijn (geen correctie door middel van standaard error) is het pand dus ongeveer € 7.500.000,- waard.


69

Bijlage 5: Uitkomsten van de stapsgewijze regressie Model Summaryh Model 1 2 3 4 5 6 7

R R Square ,502a ,252 ,706b ,498 ,829c ,688 ,863d ,744 ,898e ,807 ,912f ,832 ,918g ,843

Adjusted R Square ,243 ,485 ,676 ,731 ,794 ,819 ,828

Std. Error of the Estimate 4326150,003 3566249,227 2828651,595 2578374,310 2256182,815 2117643,727 2060080,387

← Figuur 5.1: Ontwikkeling van de (aangepaste) R2 bij stapsgewijze regressie

a. Predictors: (Constant), opp.bedr b. Predictors: (Constant), opp.bedr, afst c. Predictors: (Constant), opp.bedr, afst, lftd d. Predictors: (Constant), opp.bedr, afst, lftd, loc1 e. Predictors: (Constant), opp.bedr, afst, lftd, loc1, opp. kant

Figuur 5.2: ANOVA-gegevens bij stapsgewijze regressie

f. Predictors: (Constant), opp.bedr, afst, lftd, loc1, opp. kant, loc2 g. Predictors: (Constant), opp.bedr, afst, lftd, loc1, opp. kant, loc2, loaddock

↓

h. Dependent Variable: prijs

ANOVAh Model 1

2

3

4

5

6

7

Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total

Sum of Squares 5,1E+014 1,5E+015 2,0E+015 1,0E+015 1,0E+015 2,0E+015 1,4E+015 6,3E+014 2,0E+015 1,5E+015 5,2E+014 2,0E+015 1,6E+015 3,9E+014 2,0E+015 1,7E+015 3,4E+014 2,0E+015 1,7E+015 3,2E+014 2,0E+015

df 1 81 82 2 80 82 3 79 82 4 78 82 5 77 82 6 76 82 7 75 82

Mean Square 5,101E+014 1,872E+013

F 27,253

Sig. ,000a

5,043E+014 1,272E+013

39,651

,000b

4,646E+014 8,001E+012

58,071

,000c

3,769E+014 6,648E+012

56,689

,000d

3,268E+014 5,090E+012

64,202

,000e

2,809E+014 4,484E+012

62,632

,000f

2,440E+014 4,244E+012

57,485

,000g

a. Predictors: (Constant), opp.bedr b. Predictors: (Constant), opp.bedr, afst c. Predictors: (Constant), opp.bedr, afst, lftd d. Predictors: (Constant), opp.bedr, afst, lftd, loc1 e. Predictors: (Constant), opp.bedr, afst, lftd, loc1, opp.kant f. Predictors: (Constant), opp.bedr, afst, lftd, loc1, opp.kant, loc2 g. Predictors: (Constant), opp.bedr, afst, lftd, loc1, opp.kant, loc2, loaddock h. Dependent Variable: prijs Logistiek vastgoed: Modellering in een markt in beweging

70

Bijlage 6: Uitkomsten van de regressies met prijs per m2 als afhankelijke variabele Model Summary Model 1

R ,876a

R Square ,767



a. Predictors: (Constant), arbeid, sprink, hoogte, loc2, afst, tenant, opp.bedr, loaddock, lftd, loc3, vloerbel, opp.kant, loc1

← Figuur 6.1: R2 bij normale regressie met prijs per m2 als afhankelijke variabele

Coefficientsa

Model 1 2

3

4

5

6

7

(Constant) lftd (Constant) lftd afst (Constant) lftd afst loc1 (Constant) lftd afst loc1 loc2 (Constant) lftd afst loc1 loc2 opp.kant (Constant) lftd afst loc1 loc2 opp.kant opp.bedr (Constant) lftd afst loc1 loc2 opp.kant opp.bedr hoogte

Unstandardized Coefficients B Std. Error 729,515 29,017 -14,840 2,803 832,081 26,790 -16,476 2,206 -,053 ,007 808,088 24,122 -17,086 1,949 -,049 ,007 206,819 42,281 772,835 26,058 -17,443 1,867 -,045 ,006 241,454 42,141 81,226 27,957 688,685 37,361 -15,781 1,861 -,038 ,007 277,276 41,842 94,121 26,956 ,038 ,013 780,212 52,682 -16,001 1,809 -,035 ,006 291,290 41,031 103,876 26,478 ,043 ,012 -,006 ,003 668,487 70,597 -14,525 1,873 -,035 ,006 285,633 39,994 105,557 25,771 ,043 ,012 -,007 ,003 14,109 6,131

Standardized Coefficients Beta -,507 -,563 -,544 -,584 -,506 ,327 -,596 -,464 ,381 ,195 -,539 -,392 ,438 ,226 ,206 -,547 -,361 ,460 ,249 ,235 -,145 -,496 -,362 ,451 ,253 ,232 -,164 ,143

t 25,141 -5,294 31,059 -7,469 -7,222 33,499 -8,767 -7,558 4,892 29,658 -9,342 -7,073 5,730 2,905 18,433 -8,480 -5,853 6,627 3,492 3,012 14,810 -8,847 -5,464 7,099 3,923 3,477 -2,395 9,469 -7,756 -5,630 7,142 4,096 3,530 -2,751 2,301

Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,005 ,000 ,000 ,000 ,000 ,001 ,004 ,000 ,000 ,000 ,000 ,000 ,001 ,019 ,000 ,000 ,000 ,000 ,000 ,001 ,007 ,024

← Figuur 6.2: Coëfficiënten bij een stapsgewijze regressie met prijs per m2 als afhankelijke variabele



71

Model Summary Model 1 2 3 4 5 6 7

R R Square ,507a ,257 ,742b ,550 c ,809 ,655 ,830d ,689 ,849e ,721 ,861f ,741 g ,871 ,758

Adjusted R Square ,248 ,539 ,642 ,673 ,703 ,720 ,735

Std. Error of the Estimate 171,817 134,511 118,587 113,368 107,920 104,747 101,907

← Figuur 6.3: Ontwikkeling van de (aangepaste) R2 bij stapsgewijze regressie met prijs per m2 als afhankelijke variabele

a. Predictors: (Constant), lftd b. Predictors: (Constant), lftd, afst c. Predictors: (Constant), lftd, afst, loc1 d. Predictors: (Constant), lftd, afst, loc1, loc2 e. Predictors: (Constant), lftd, afst, loc1, loc2, opp.kant f. Predictors: (Constant), lftd, afst, loc1, loc2, opp.kant, opp.bedr g. Predictors: (Constant), lftd, afst, loc1, loc2, opp.kant, opp.bedr, hoogte


72

Bijlage 7: Uitkomsten van de regressies met variabele: ratio kantoor/totaal oppervlak

Model Summary Model 1

R R Square ,923a ,852



a. Predictors: (Constant), arbeid, sprink, hoogte, loc2, afst, tenant, opp.bedr, loaddock, lftd, loc3, vloerbel, ratiokant, loc1

← Figuur 7.1: R2 bij normale regressie met prijs als afhankelijke en ratio kantooroppervlak/totaal oppervlak als één van de variabelen

Coefficientsa

Model 1

(Constant) opp.bedr ratiokant hoogte loaddock vloerbel lftd sprink afst loc1 loc2 loc3 tenant arbeid

Unstandardized Coefficients B Std. Error -1257815 1795050 506,115 56,781 3E+007 5502978 194458,9 141835,2 55634,533 19551,979 150,787 196,404 -246180 40150,295 380980,4 503770,4 -813,320 141,695 6323746 1010799 2439342 663006,5 867993,3 652313,1 219626,6 506209,6 1423,013 14508,516


t -,701 8,914 5,118 1,371 2,845 ,768 -6,131 ,756 -5,740 6,256 3,679 1,331 ,434 ,098

Sig. ,486 ,000 ,000 ,175 ,006 ,445 ,000 ,452 ,000 ,000 ,000 ,188 ,666 ,922


1,334 1,643 1,525 1,332 1,498 1,396 1,174 1,567 1,890 1,880 1,489 1,161 2,072


↑ Figuur 7.2: Coëfficiënten bij normale regressie met prijs als afhankelijke en ratio kantooroppervlak/totaal oppervlak als één van de variabelen


73


R ,926a

R Square ,857


Std. Error of the Estimate ,1880850


← Figuur 7.3: R2 bij normale regressie met ln(prijs) als afhankelijke en ratio kantooroppervlak/totaal oppervlak als één van de variabelen

Coefficientsa

Model 1


Unstandardized Coefficients B Std. Error 15,265 ,162 4,34E-005 ,000 2,409 ,497 ,020 ,013 ,003 ,002 -1,8E-005 ,000 -,028 ,004 ,034 ,045 -7,7E-005 ,000 ,486 ,091 ,171 ,060 ,086 ,059 -,012 ,046 ,001 ,001

Standardized Coefficients Beta ,444 ,282 ,089 ,080 -,058 -,418 ,037 -,341 ,333 ,178 ,081 -,012 ,032

t 94,174 8,458 4,848 1,582 1,525 -1,033 -7,783 ,749 -5,985 5,330 2,855 1,455 -,254 ,487

Sig. ,000 ,000 ,000 ,118 ,132 ,305 ,000 ,456 ,000 ,000 ,006 ,150 ,800 ,627


1,334 1,643 1,525 1,332 1,498 1,396 1,174 1,567 1,890 1,880 1,489 1,161 2,072

a. Dependent Variable: lnprijs

↑ Figuur 7.4: Coëfficiënten bij normale regressie met ln(prijs) als afhankelijke en ratio kantooroppervlak/totaal oppervlak als één van de variabelen


74


R R Square ,880a ,774



← Figuur 7.5: R2 bij normale regressie met prijs per m2 als afhankelijke en ratio kantooroppervlak/totaal oppervlak als één van de variabelen


Coefficientsa

Model 1


Unstandardized Coefficients B Std. Error 572,296 88,412 -,005 ,003 850,631 271,040 14,557 6,986 1,330 ,963 5,50E-005 ,010 -13,668 1,978 23,807 24,812 -,033 ,007 309,962 49,785 122,760 32,655 21,366 32,129 8,805 24,933 -,250 ,715

Standardized Coefficients Beta -,128 ,230 ,147 ,091 ,000 -,467 ,059 -,337 ,489 ,295 ,046 ,022 -,029

t 6,473 -1,934 3,138 2,084 1,381 ,006 -6,912 ,959 -4,709 6,226 3,759 ,665 ,353 -,350

Sig. ,000 ,057 ,002 ,041 ,172 ,995 ,000 ,341 ,000 ,000 ,000 ,508 ,725 ,727


1,334 1,643 1,525 1,332 1,498 1,396 1,174 1,567 1,890 1,880 1,489 1,161 2,072


↑ Figuur 7.6: Coëfficiënten bij normale regressie met prijs per m2 als afhankelijke en ratio kantooroppervlak/totaal oppervlak als één van de variabelen


75

Logistiek vastgoed. ~ Modellering in een markt in beweging ~

Recommend Documents