Masterthesis Business Economics Richting Real Estate Finance. Davy van den Berg

De invloed van contractexpiratie op de performance van kantoorbeleggingen “Where short leases are relevant, the key variable is the probability of lease renewal”

Davy van den Berg

0546585

Masterthesis Business Economics Richting Real Estate Finance

Universiteit van Amsterdam Faculteit der Economische Wetenschappen en Econometrie Business Economics Variant Real Estate Finance

Datum: 12-07-2006

De invloed van contractexpiratie op de performance van kantoorbeleggingen “Where short leases are relevant, the key variable is the probability of lease renewal”

Naam: D.A.J.G. van den Berg MSc Studentnummer: 0546585 Straat: Valckenierstraat 61 C-6.4 Postcode en plaats: 1018 XE Amsterdam E-mail: [email protected] Begeleider UVA: Drs. G.A. Vos Roeterstraat 11, kamer 4.30 Amsterdam Tweede lezer: Prof. dr. P. van Gool Begeleider DTZ: Drs. G.J.H. Boeve MRE RT Maliebaan 50B Utrecht

Voorwoord Voor het afronden van het masterprogramma Business Economics, variant Real Estate Finance aan de UVA, heb ik in opdracht van DTZ Zadelhoff onderzoek gedaan naar het effect van contractexpiratie op de performance van kantoorbeleggingen. Voor u ligt de afstudeerthesis waarin de resultaten van dit onderzoek staan beschreven. Graag wil ik DTZ Zadelhoff bedanken voor het beschikbaar stellen van een afstudeerplaats. DTZ Zadelhoff heeft mij in staat gesteld om onder perfecte omstandigheden deze thesis te schrijven. In het bijzonder wil ik Jacques Boeve bedanken dat hij mij, ondanks zijn drukke werkzaamheden, uitstekend heeft begeleid. Daarnaast wil ik alle collega’s van de Centrale Afdeling Taxaties en de Centrale Afdeling Research bedanken voor de adviezen en, vooral, voor de gezellige, informele sfeer. Verder een speciaal woord van dank aan Alfred van ’t Hof en Robert Kat voor hun ‘formule-inhoudelijke’ adviezen en aan mijn medestagiairs voor hun pogingen me te verslaan met tafelvoetbal. Deze potjes zorgden voor de broodnodige afwisseling. Tot slot wil ik mijn begeleider van de UVA, Gerjan Vos, bedanken voor zijn kritische blik en literatuursuggesties. Ik hoop dat dit onderzoek bijdraagt aan het krijgen van meer grip op de performance van beleggingsvastgoed en dat DTZ Zadelhoff de uitkomsten daadwerkelijk kan gebruiken in het kader van portefeuilleen verhuurstrategie-advisering. Utrecht, juli 2006 Davy van den Berg

Samenvatting In deze thesis is onderzocht in hoeverre contractexpiratie van invloed is op de performance van kantoorbeleggingen. Hierbij is wat betreft contractexpiratie gekeken naar de kans op vertrek en de kans op een nieuwe huurder. Centraal staat in hoeverre deze twee variabelen goede indicatoren zijn voor de performance van kantoren. Dit kan grafisch als volgt worden weergegeven: Kans op vertrek Leegstand

Rendement

Kans op nieuwe huurder Het feit dat de leegstand sterk van invloed is op het rendement blijkt duidelijk wanneer gekeken wordt naar het DCF-model: het niet genereren van huurinkomsten betekent een lager rendement. De leasing option theory van Grenadier (1995) laat zien waarom overbuilding rationeel kan zijn. Om te voorkomen dat deze overbuilding tot leegstand leidt moeten verhuurders hun verhuurstrategie aanpassen aan de marktsituatie. Goede indicatoren om de ontwikkeling van deze marktsituatie te voorspellen kunnen hierbij erg bruikbaar zijn. In het empirische deel is daarom onderzocht in hoeverre de kans op vertrek en de kans op een nieuwe huurder goede indicatoren zijn. Om als indicator dienst te kunnen doen dient zowel de kans op vertrek als de kans op een nieuwe huurder kwantitatief gemaakt te worden. Dit is wat betreft de kans op vertrek met behulp van de volgende formule gebeurd: De hoeveelheid achtergelaten kantoorruimte / de hoeveelheid aflopende huurcontracten De kans op een nieuwe huurder is bepaald door middel van: Opname gedurende het jaar / aanbod gedurende het jaar De uitkomsten uit deze formules zijn vervolgens, op landelijk niveau, geanalyseerd. Uit de correlatie-analyse komt naar voren dat zowel de kans op vertrek als de kans op een nieuwe huurder een hoge samenhang vertoont met leegstand en rendement. Dit gaat echter alleen op voor de laatste tien jaar. De leegstand vertoont daarnaast een hoge correlatie met de netto-absorptie, terwijl er ook sprake is van een sterke samenhang tussen het rendement enerzijds en de opname/aanbod ratio en het leegstandspercentage ten opzichte van het natuurlijke leegstandspercentage anderzijds.

Uit de regressie-analyse blijkt dat de meeste variatie in het rendement verklaard kan worden door de variatie in de kans op een nieuwe huurder. De leegstand kan het beste verklaard worden door de combinatie van kans op vertrek en de kans op een nieuwe huurder. Om de kans op vertrek en de kans op een nieuwe huurder te voorspellen kan gebruik gemaakt worden van macro-economische variabelen. De landelijke uitkomsten zijn vervolgens op lokaal niveau, Amsterdam, getest. De gevonden correlaties blijken een stuk lager te zijn. Wellicht spelen op dit niveau andere (micro-) factoren ook een grote rol. Niettemin is de correlatie tussen de kans op een nieuwe huurder enerzijds, en leegstand (-0,76) en rendement (0,72) anderzijds, redelijk hoog. De kans op vertrek hangt lokaal gezien echter niet samen met het rendement en de leegstand. De centrale vraag luidde: In hoeverre zijn de kans op vertrek van huurders bij contractexpiratie en de kans op een nieuwe huurder goede indicatoren voor de performance van commercieel beleggingsvastgoed? Als algemeen antwoord kan gegeven worden dat wanneer naar de correlaties gekeken wordt beiden op landelijk niveau goede indicatoren zijn. Wordt ook naar de regressie-uitkomsten gekeken dan is de kans op een nieuwe huurder de beste indicator voor het rendement en voldoet de combinatie van kans op vertrek en kans op een nieuwe huurder het beste om de leegstand te voorspellen. Op lokaal niveau voldoet alleen de kans op een nieuwe huurder redelijk, zowel voor de leegstand als het rendement.

Inhoudsopgave Voorwoord Samenvatting

1.

Inleiding

8

1.1

Aanleiding

8

1.2

Probleemstelling en conceptueel model

10

1.3

Plan van aanpak

13

2.

Rendement en leegstand

15

2.1

Inleiding

15

2.2

De discounted cashflow (DCF) methode

15

3.

Kwantificering van de marktsituatie en verhuurstrategieën

19

3.1

Inleiding

19

3.2

Kwantificeren van de marktsituatie

19

3.3

Overbuilding en het belang van huurcontractanalyse

21

3.4

De kans op vertrek en de kans op een nieuwe huurder

27

4.

De kans op vertrek

29

4.1

Inleiding

29

4.2

De hoeveelheid achtergelaten kantoorruimte (I)

31

4.2.1

Opname (A)

31

4.2.2

Netto absorptie (B)

33

4.2.3

Leegstand (a)

34

4.2.4

Voorraad (c)

35

4.2.5

Nieuwbouw (e)

35

4.2.6

Onttrekkingen

36

4.2.7

Voorraad in gebruik (C)

36

4.2.8

Verschillende netto absorptieberekeningen vergeleken

38

4.3

De hoeveelheid aflopende huurcontracten (II)

40

4.3.1

Voorraad in gebruik op tijdstip t-1

40

4.3.2

Gemiddelde lengte van huurcontracten (D)

40

5.

De kans op een nieuwe huurder

43

5.1

Inleiding

43

5.2

Formule

43

6.

Analyse van de resultaten

45

6.1

Inleiding

45

6.2


45

6.3

De kans op vertrek

46

6.4

Regressie

51

6.5

Voorspellen van vastgoedvariabelen

52

6.6

Samenvattend

55

7.

De uitkomsten teruggekoppeld op de Amsterdamse situatie

56

7.1

Inleiding

56

7.2

De kans op vertrek

56

7.3


58

7.4

De verhouding betrokken/ te betrekken kantoorruimte

59

8.

Conclusies en aanbevelingen

60

8.1

Algemene conclusies en aanbevelingen

60

8.2

Bruikbaarheid voor DTZ Zadelhoff

62

Literatuur

Bijlage I:

Rendement en commercieel vastgoed

Bijlage II:

Kans op vertrek: micro-niveau (gebruikers, gebouw)

Bijlage III:

Gemiddelde lengte van het huurcontract

Bijlage IV:

Data landelijk

Bijlage V:

Data Amsterdam

Bijlage VI:

SPSS

1. Inleiding

1. Inleiding 1.1 Aanleiding Volgens Geltner en Miller (2001) zijn vastgoedmarkten niet zo informatie-efficiënt als de publieke markten waarop aandelen en obligaties worden verhandeld. Zij onderscheiden twee belangrijke aspecten aan deze informatie-inefficiëntie, te weten ‘valuation noise’ en ‘vastgoedmarktvoorspelbaarheid’.

Door

de

informatie-inefficiëntie

veranderen

de

rendementen van vastgoed langzamer dan van andere ‘asset classes’ zoals aandelen en obligaties. Hierdoor zouden vastgoedmarktrendementen beter voorspelbaar moeten zijn en zouden dus hogere winsten behaald kunnen worden. Dat vastgoedrendementen toch niet perfect zijn te voorspellen heeft volgens de auteurs verschillende oorzaken. Ten eerste is er sprake van ‘valuation noise’ en hoge transactiekosten. Verder zouden ‘supernormal profits’ veel investeerders trekken, wat de

prijzen van vastgoed ten opzichte van andere

beleggingscategorieën op zou drijven. Toch kunnen modellen waarmee vastgoedrendementen voorspeld kunnen worden erg nuttig zijn. Dit onderzoek tracht een bijdrage te leveren aan een model om toekomstige vastgoedrendementen beter te voorspellen. Deze ‘voorkennis’ zou kunnen leiden tot hogere winsten. De uitkomsten van een dergelijk model kunnen op twee niveau’s gebruikt worden (Van Gool et al, 2001): 1. Tactisch niveau: dispositie-advies en performance analyse van de objecten. 2. Strategisch niveau: performance analyse van de portefeuille. Verschillende

onderzoeken

hebben

getracht

modellen

op

te

stellen

die

de

vastgoedrendementen en risico’s voorspellen. Zo deed Scholten (2004) onderzoek naar het kwantificeren van rendementen en risico’s van woningbeleggingsportefeuilles. Om zijn model ook geschikt te maken voor commercieel vastgoed moeten er volgens hem uitspraken gedaan worden over rendementen en risico’s specifiek voor commercieel vastgoed. Chaplin (2000) heeft onderzoek gedaan naar voorspellende modellen en stelt dat er relatief weinig aandacht is verricht naar prestatie-indicatoren voor de huurinkomsten van winkelen bedrijfsruimten. Vooral een specifiek segment van het commercieel vastgoed, namelijk winkelhuren op nationaal niveau, zijn volgens hem onderbelicht. Aangezien winkels vaak een aanzienlijk deel van de institutionele portefeuille vormen, is het volgens Brooks en Tsolacos (2000) van belang de ‘drivers’ van de ‘retail property market’ te achterhalen. Een model dat inzicht kan geven in de rendementen van commercieel vastgoed is dus zeker wenselijk.

8

1. Inleiding

Geltner en Miller (2001) stellen dat: “The fundamental nature of real estate assets is income oriented.” Dit geldt zeker voor commercieel vastgoed. Daarom is vooral de voorspelbaarheid van de huurinkomsten van belang bij het bepalen van het rendement. Deze huurinkomsten zijn niet alleen belangrijk voor het directe rendement, maar ook voor het indirecte rendement, aangezien dit in feite niks anders is dan de contante waarde van de toekomstige kasstromen. Een belangrijk aspect wat betreft de huurinkomsten is of een pand ook in de toekomst inkomsten blijft genereren. Dit hangt mede af van het feit of de huidige huurders hun contract verlengen. Volgens Baum (2003) is deze huurcontractverlenging vooral wanneer er sprake is van relatief kortlopende contracten een erg belangrijke variabele, hij zegt hier het volgende over: “where short leases are relevant, the key variable is the probability of renewal.” Onder kortlopende contracten worden contracten met een looptijd korter dan tien jaar verstaan (Crosby et al, 1998). Zoals in onderstaande figuur te zien is vallen steeds meer huurcontracten in de categorie kortlopend, en hierdoor neemt het belang van de kans op huurcontractverlenging alleen maar toe. Contractlengte nieuw afgesloten contracten 70% 60% 50% Kort (<10 jaar)

40%

Medium (10-20) Lang (>20)

30% 20% 10% 0% 1992

1993

1994

1995

1996

1997

Figuur 1: de contractlengte van nieuw afgesloten contracten (gebaseerd op: Crosby et al, 1998)

In het kader van dit onderzoek is vooral van belang dat het aantal contracten dat in de categorie kortlopend valt sterk is gestegen. Hierbij dient wel vermeld te worden dat gekeken is naar het aantal contracten en niet naar de waarde van de contracten. De grafiek hierboven heeft betrekking op de situatie in het Verenigd Koninkrijk en beslaat slechts een korte

9

1. Inleiding

periode. Zoals later in deze thesis naar voren zal komen laten andere onderzoeken over een langere periode (Baum, 2003) en in Nederland (Laning, 2005; PropertyNL, 19 september 2003) eveneens een verschuiving naar kortere huurcontracten zien. Ook in het Verenigd Koninkrijk, dat een traditie heeft van lange huurcontracten, vind een verschuiving plaats wat betreft de lengte van het huurcontract. Ondanks deze verschuiving is er volgens Baum (2003) weinig empirisch onderzoek gedaan naar de kans op huurcontractverlenging. Een van de weinige onderzoeken waarin dit wel is gebeurd is dat van Asser (2004). Het betreft slechts een afstudeerscriptie waarbij kantoren, in de Verenigde Staten, zijn bekeken. Net als Baum geeft deze auteur aan dat er nauwelijks onderzoek is gedaan naar de kans op contractverlenging. Meer kennis hierover is ook voor taxateurs essentieel. Volgens Van Gool en Ten Have (2006) brengt contractexpiratie verschillende onzekerheden met zich mee. Hierbij valt te denken aan de vraag of de huurder blijft huren en zo nee, hoe lang de eventuele leegstand zal duren en tegen welke huurprijs een nieuwe huurder zal gaan huren. Om bij taxaties tot gefundeerde veronderstellingen te komen zijn goede indicatoren, zoals bijvoorbeeld de kans op leegstand, noodzakelijk. Crosby et al (1998) geven met betrekking tot de steeds korter geworden huurcontracten aan dat: “shorter and more diverse lease lengths present the major problem in valuation.” Tot slot kunnen volgens Sirmans en Miller (1997) institutionele investeerders met toegang tot gedetailleerde ‘lease-by-lease data’ een beter inzicht krijgen in de risico’s van een portefeuille, door bijvoorbeeld te kijken naar de factoren die de kans op ‘renewal’ bepalen. Marktpartijen als DTZ Zadelhoff geven eveneens aan nog onvoldoende grip te hebben op de performance van beleggingsvastgoed. Meer inzicht in de kans op leegstand als gevolg van expirerende contracten is daarom ook erg gewenst. Dit laatste vormde ook de directe aanleiding voor deze thesis.

1.2 Probleemstelling en conceptueel model Het te onderzoeken probleem is hierboven reeds aan bod gekomen. Vastgoedmarkten zijn relatief informatie-inefficiënt en hierdoor is er sprake van onzekerheid. Goede informatie ten behoeve van portefeuilleen objectanalyses is daarom van belang. Hierbij gaat het bij commercieel vastgoed vooral om de cashflows, aangezien deze beleggingscategorie sterk ‘income oriented’ is. Om die reden zijn de huuropbrengsten erg belangrijk. Een aspect dat bij deze huurinkomsten onzekerheid met zich mee brengt is de vraag of objecten ook in de toekomst inkomsten blijven generen. Aangezien huurcontracten steeds meer in de categorie

10

1. Inleiding

kortlopend vallen, is de vraag of een pand ook in de toekomst inkomsten blijft genereren sterk afhankelijk van het al dan niet verlengen van het huurcontract van de huidige huurders. Daarom tracht dit onderzoek meer inzicht te verschaffen in de kans op vertrek van huurders bij contractexpiratie. Dit leidt tot de volgende doel- en vraagstelling: Doelstelling: Meer inzicht krijgen in de kans op vertrek van huurders bij expiratie van het huurcontract en de kans op een nieuwe huurder, teneinde meer grip te krijgen op de performance van beleggingsvastgoed. Uit deze doelstelling vloeit de volgende centrale vraag voort: In hoeverre zijn de kans op vertrek van huurders bij contractexpiratie en de kans op een nieuwe

huurder

goede

indicatoren

voor

de

performance

van

commercieel

beleggingsvastgoed? Hierbij zal gekeken worden naar kantoren aangezien de performance van deze beleggingscategorie erg gevoelig is voor veranderingen in het leegstandspercentage, hetgeen ook blijkt uit onderstaande tabel. Het betreft hier de correlatie tussen het ROZ rendement en de leegstand gemeten als percentage van de totale markthuurwaarde, over de periode 1995-2005, voor heel Nederland. Een ander argument, meer praktisch van aard, is dat er voor kantoren meer data beschikbaar zijn. Dit komt de ‘onderzoekbaarheid’ ten goede. Kantoren

-0,90

Bedrijfsruimten -0,67 Winkels

-0,04

Tabel 1: correlatie ROZ rendement en leegstand (als % van de markthuurwaarde)

In eerste instantie zal op landelijk niveau gekeken worden naar de kans op vertrek en de kans op een nieuwe huurder door de jaren heen, waarna deze landelijke bevindingen op lokaal niveau worden getest. Overigens hebben onderzoeken naar vastgoedrendementen op landelijk niveau weinig zin. Dit concludeert althans de Amerikaanse vastgoedexpert Ling (2005). Kennis over de performance van kantoren in heel de Verenigde Staten heeft volgens hem geen toegevoegde waarde bij de acquisitie van een bepaald kantoor in een specifieke lokale markt. Alhoewel Nederland qua grootte en aantal deelmarkten niet vergelijkbaar is met de Verenigde Staten, is een model dat vastgoed rendementen op nationaal niveau voorspelt

11

1. Inleiding

ook hier niet afdoende, aangezien ook lokale informatie erg belangrijk is (locatie, locatie, locatie…). Het vormt echter wel een goed startpunt: trends en ontwikkelingen op landelijk niveau kunnen voor specifieke markten en panden worden bijgesteld. Het aankopen van een pand puur op basis van landelijke gegevens is natuurlijk niet verstandig, maar deze landelijke informatie kan wel van toegevoegde waarde zijn. In feite kan de kans op leegstand vanuit verschillende invalshoeken worden bekeken, namelijk gebieds-, gebouwen gebruikersniveau. Met het gebiedsniveau worden factoren bedoeld als leegstand en opname, oftewel variabelen die de toestand van de vastgoedmarkt weergeven. Het gebouwniveau heeft bijvoorbeeld betrekking op de kwaliteit van het pand en het aantal parkeerplaatsen. Op het gebruikersniveau speelt onder andere de solvabiliteitsrating van huurders een rol. Zo is de kans waarschijnlijk groter dat een ICT bedrijf vertrekt dan dat een overheidsinstelling dit doet. De insteek van deze thesis is echter alleen het gebiedsniveau. In bovenstaand artikel (Ling, 2005) komt verder naar voren dat de voorspellingen van experts, op nationaal niveau, niet tot hogere rendementen leiden. De voorspellingen blijken een verband te vertonen met de rendementen van twee jaar geleden. In plaats van forecasting is er veelal sprake van backcasting! Op grond van dit artikel zou geconcludeerd kunnen worden dat voorspellen, zeker op landelijk niveau, weinig zin heeft. Er is echter nog een andere conclusie mogelijk. Wellicht ontbraken goede indicatoren om goede voorspellingen te doen. Doel van dit onderzoek is een bijdrage te leveren aan het ontwikkelen van goede indicatoren om uiteindelijk het rendement beter te voorspellen. De centrale vraag kan schematisch als volgt worden weergegeven: Kans op vertrek Performance kantoren Kans op nieuwe huurder Figuur 2: conceptueel model

Gezien de hoge correlatie tussen leegstand en rendement zullen bovenstaande relaties ook door middel van de volgende tussenstap onderzocht worden:

Kans op vertrek Leegstand

Rendement

Kans op nieuwe huurder Figuur 3: conceptueel model met tussenstap

12

1. Inleiding

De performance wordt dus zowel door middel van de leegstand als door middel van het rendement bekeken. De relatie tussen rendement en leegstand komt in komend hoofdstuk aan bod. Er wordt in dit onderzoek gekeken in hoeverre de kans op vertrek en de kans op een nieuwe huurder goede indicatoren zijn voor de performance van beleggingsvastgoed. Daarnaast worden enkele andere, sterk verwante indicatoren, waaronder de opname/aanbod ratio en de natuurlijke leegstand, nader bekeken. Er wordt hierbij onder een indicator verstaan: “een meetbaar fenomeen (meestal een getal) dat een signalerende functie heeft” (www.cbo.nl). Het is dus van belang dat een variabele kwantitatief te maken is om als indicator te kunnen dienen. Niet alle indicatoren zijn voor het doel van dit onderzoek geschikt. In de management accounting en control literatuur met betrekking tot de balanced scorecard, wordt een onderscheid gemaakt tussen ‘leading’ en ‘lagging’ indicatoren (Jager en Koster, 2005). Leading indicatoren geven informatie over de factoren die de toekomstige prestaties beïnvloeden, terwijl lagging indicatoren informatie geven over de prestaties in de afgelopen periode. In deze thesis wordt gezocht naar leading indicatoren. Of er sprake is van leading indicatoren zal beredeneerd worden. Met andere woorden, er moet een logisch verband zijn tussen de indicatoren en de te verklaren variabelen. De ‘sterkte’ van indicatoren zal met behulp van de samenhang tussen de indicator en de te verklaren variabele worden bepaald.

1.3 Plan van aanpak In dit onderzoek zullen verschillende stappen ondernomen worden om tot de beantwoording van de hoofdvraag te komen. Hiertoe zal de ‘positivist approach’ van House (in Smith, 2003) min of meer worden doorlopen. In deze benadering worden verschillende stappen genomen om tot een gedegen onderzoek te komen, waarbij het startpunt het constateren van een probleem is. In paragraaf 1.2 is reeds duidelijk geworden wat het probleem is waar deze thesis tracht een (gedeeltelijke) oplossing voor te vinden: participanten op de markt voor commercieel beleggingsvastgoed, waaronder DTZ Zadelhoff, hebben te weinig grip op de performance van commercieel beleggingsvastgoed. In de ‘positivist approach’ worden vervolgens literatuur en verschillende theorieën bekeken om aan de hand daarvan enkele hypothesen op te stellen. In het theoretische deel van dit onderzoek zal allereerst naar de relatie tussen leegstand en rendement worden gekeken. Daarna komt de kwantificering van (een deel van) vastgoedmarkten aan bod en wordt het belang van verhuurstrategieën verduidelijkt. Vervolgens worden in het empirische gedeelte in plaats van hypothesen twee research questions onderzocht, namelijk:

13

1. Inleiding

-

In hoeverre is de kans op vertrek een goede indicator voor de performance van kantoren?

-

In hoeverre is de kans op een nieuwe huurder een goede indicator voor de performance van kantoren.

Hierbij zal getracht worden deze beide kansen op landelijk niveau kwantitatief te maken. Vervolgens zal gekeken worden hoe sterk de samenhang is tussen deze indicatoren en de performance. Hierbij zal voor de performance gekeken worden naar de leegstand en het totale rendement volgens de ROZ/IPD. De gevonden samenhang zal vergeleken worden met enkele soortgelijke indicatoren. De gevonden uitkomsten op landelijk niveau worden daarna op lokaal niveau, Amsterdam, getoetst. Tot slot zullen in het laatste hoofdstuk conclusies worden getrokken en enkele aanbevelingen worden gedaan.

14

2. Rendement en leegstand

2. Rendement en leegstand 2.1 Inleiding In deze thesis wordt onderzocht in hoeverre de kans op vertrek van huurders en de kans op een nieuwe huurder goede indicatoren zijn voor de ontwikkeling van de leegstand en, via deze leegstand, voor de performance van commercieel beleggingsvastgoed. Dit hoofdstuk zal de tussenstap in het conceptuele model, het verband tussen leegstand en rendement, nader toelichten. Het gaat in dit hoofdstuk dus vooral om onderstaand deel van het conceptuele model:

Leegstand

Rendement kantoren

Figuur 4: de relatie tussen leegstand en rendement

Bij commercieel beleggingsvastgoed draait het eigenlijk om twee zaken, namelijk huurinkomsten en waardegroei van het beleggingsobject. Wat dit betreft is deze beleggingscategorie goed vergelijkbaar met bijvoorbeeld aandelen. De huurinkomsten komen overeen met het dividend en de waardegroei van een pand is vergelijkbaar met de koersstijging van aandelen (Geltner en Miller, 2001). De waarde van een aandeel is gelijk aan de contante waarde van de toekomstige dividenden. Dat ook voor beleggingsvastgoed de kasstromen de waarde van de belegging bepalen zal in komend hoofdstuk nader worden uitgewerkt. Het onderzoek heeft betrekking op beleggingen in direct vastgoed. Directe beleggingen zijn waarbij de belegger zowel een meerderheidsbelang heeft over het onroerend goed én de zeggenschap heeft over het management (Van Gool et al, 2001). Indirect vastgoed waarbij die

zeggenschap

over

het

management

niet

direct

beïnvloedbaar

is,

zoals

vastgoedaandelen, wordt buiten beschouwing gelaten.

2.2 De discounted cashflow (DCF) methode Er zijn verschillende methoden om de waarde van een pand te bepalen. Er kan een onderscheid gemaakt worden tussen de kostenbenadering, de comparatieve benadering en inkomstenbenadering (Lusht, 2001). In de praktijk wordt indien mogelijk vaak gebruik gemaakt van de inkomstenbenadering, waarin ook elementen van de comparatieve benadering zijn terug te vinden.

15


De inkomstenbenadering kan worden opgesplitst in modellen waarbij met behulp van ratio’s wordt gewerkt en modellen waarbij de inkomsten voor de gehele ‘holding period’ moeten worden ingeschat. Deze laatste methode wordt ook wel de contante waardemethode genoemd. De meest gangbare benaming is echter de ‘discounted cashflow’ (DCF) methode. Aangezien dit onderzoek zich richt op de Nederlandse markt wordt gekeken naar deze in ons land meest gebruikte waarderingsmethode. Volgens de Stichting ROZ vastgoedindex (in Van Gool en Ten Have, 2006) werd in 2004 bij institutionele beleggers zo’n 60 á 70 procent van de woningen kantoorbeleggingen gewaardeerd met behulp van de DCF methode. Bij winkels was dit aandeel 50 procent. Daarnaast is deze methode volgens Van Gool et al (2001) geschikt voor het bepalen van de beleggingswaarde van beleggingsobjecten, wat aansluit op de insteek van dit onderzoek. Verder is het voordeel van deze methode dat deze er rekening mee houdt dat de waarde van een belegging in de toekomst ligt en niet in het verleden, Bij de DCF methode wordt de waarde van een object bepaald door geraamde toekomstige netto-kasstromen van een object contant te maken naar de taxatiedatum. De methode wordt door beleggers veel gebruikt voor het bepalen van zowel de beleggings- als de marktwaarde. Bij de beleggingswaarde wordt de disconteringsvoet afgeleid uit een intern vereist rendement, terwijl bij de marktwaarde gebruik wordt gemaakt van een disconteringsvoet die is afgeleid uit recente transacties van vergelijkbare objecten (Van Gool et al, 2001). Op deze manier gebruikt bevat de DCF methode dus ook comparatieve elementen. Naast

de

DCF

methode

aanvangsrendement

staat

de

stichting

ROZ

vastgoedindex

ook

de

netto

methode (NAR) toe (Van Gool en Ten Have, 2006). Deze NAR

methode komt overigens net als de DCF methode neer op het contant maken van toekomstige (huur)inkomsten. Volgens Van Gool en Ten Have (2006) leiden leegstand en wijzigingen van de effectieve markthuren bij gebruik van de DCF methode in beginsel automatisch tot een verandering van de marktwaarde. Dit komt doordat het ontbreken van huurinkomsten door leegstand, huurvrije perioden, bijdragen aan inrichtingskosten en andere incentives voor lagere cashflows zorgen. Dit leidt bij een gelijkblijvende disconteringsvoet tot een lagere marktwaarde. In geval van contractexpiratie dient de taxateur te schatten of, en tegen welke voorwaarden, de huurder blijft huren (contractverlenging). Van Gool en Ten Have geven aan dat er sprake is van een mutatiekans en dat deze in de cashflowvoorspelling kan worden opgenomen als huurderving wegens (tijdelijke) leegstand. De huurderving hangt weer af van de verwachte duur van de mutatieleegstand en de huurwaarde van het complex. Ook bij

16


verlenging moeten aannames worden gedaan over de hoogte van de huurprijs en de overige condities. De auteurs geven aan dat onzekerheid een probleem vormt, aangezien taxateurs niet weten hoe lang de leegstand zal duren en hoe hoog de nieuwe huurprijs zal zijn. Doel van dit onderzoek is taxateurs wat dit betreft betere handvatten te geven. Als aanbeveling geven Van Gool en Ten Have onderwerpen aan die nadere aandacht vragen, waarbij onder andere genoemd wordt: “Het inbouwen van waarborgen voor het hanteren van realistische veronderstellingen, bijvoorbeeld ten aanzien van (weder)verhuurtijd, huurvrije perioden, andere verhuurincentives, en (weder)verhuurprijzen.” Om tot realistische veronderstellingen te komen tracht dit onderzoek indicatoren op te stellen die enkele van bovenstaande factoren kunnen voorspellen. Volgens Van Gool en Ten Have hebben leegstand en wijziging van de effectieve markthuur dus een direct effect op de marktwaarde. Dit komt doordat beiden input vormen voor de DCF berekening. In de figuur hieronder (Van Gool et al, 2001) is te zien wat de overige input is van DCF modellen en wat de invloed op de marktwaarde is van veranderingen in deze inputvariabelen. Hoe meer sterretjes, des te groter deze invloed. Naar voren komt dat de disconteringsvoet, de veronderstelde ontwikkeling van de leegstand en de exit-yield de grootste invloed hebben op de waarde van een pand. -

-

disconteringsvoet (in %) *** veronderstelde exploitatieperiode ** markthuurstijging (in % per jaar) ** contracthuurstijging (in % per jaar) * veronderstelde ontwikkeling van de leegstand *** exploitatielasten ** kosten van groot onderhoud/ renovatie ** veronderstelde lengte van de huurcontracten bij wederverhuur * mate waarin aan niet BTW-plichtige huurders wordt verhuurd ** eindwaarde/ exit-yield *** en de verkoopkosten

Figuur 5: Input DCF methode (bron: Van Gool et al, 2001)

Door naar een of meer van deze variabelen te kijken kan op een heel directe manier naar de invloed op de performance gekeken worden. Veranderingen in deze variabelen resulteren namelijk direct in veranderingen in de marktwaarde. Het analyseren van

DCF

inputvariabelen om een uitspraak te kunnen doen over de performance is niet nieuw. Langens (2002) onderzocht welke input variabelen beleggers hanteren en welke invloed deze hebben op het aanvangsrendement. Zijn op deze manier opgestelde ‘theoretische BAR’ is echter te simplistisch en benadert hierdoor de werkelijkheid niet.

17


In zowel bovenstaande figuur als het artikel van Van Gool en Ten Have (2006) komt naar voren dat de onzekerheid over de leegstand, alsook de disconteringsvoet en de eindwaarde een aanzienlijke invloed hebben op de waarde van een belegging. Dit onderzoek zal zich, mede gezien de beschikbare tijd, slechts richten op een deel van deze variabelen, namelijk op de cashflowkant. Sirmans (In: Sirmans en Miller, 1997) stelt dat het cashflow risico een van de belangrijkste aspecten is van investeren in vastgoed. Onder dit risico verstaat hij de kans dat de inkomsten die uit een investering voortvloeien in de toekomst zullen fluctueren. Ook Langens (2002) onderkent het belang van de cashflowkant. Dit is volgens hem één van de twee kanten waarin risico in een DCF model kan worden verwerkt. Het gaat bij de cashflowkant volgens deze auteur voor een belangrijk deel om leegstandprognoses. Samenvattend kan gesteld worden dat commercieel beleggingsvastgoed vergelijkbaar is met andere beleggingscategorieën, vooral wat betreft het belang van inkomstenstromen. Leegstand blijkt een belangrijke invloed te hebben op de waarde van een belegging. Zowel het directe rendement, door het mislopen van huurinkomsten, als het indirecte rendement, doordat dit de contante waarde is van de toekomstige kasstromen, hangen negatief samen met de leegstand. Hierdoor is het van belang, wanneer gezocht wordt naar meer grip op het rendement, deze leegstand goed te kunnen voorspellen. De twee indicatoren die in deze thesis centraal staan beogen dan ook via de leegstand het toekomstig rendement beter te voorspellen.

18

3. Kwantificering van de marktsituatie en verhuurstrategieën

3. Kwantificering van de marktsituatie en verhuurstrategieën 3.1 Inleiding De insteek van dit onderzoek is de kans op vertrek bij contractexpiratie en de kans op een nieuwe huurder kwantitatief te maken, met als doel meer grip te krijgen op de performance van een beleggingsobject of -portefeuille. Vertrekkende huurders brengen mutatiekosten, maar nog belangrijker, de kans op leegstand met zich mee. In dit hoofdstuk wordt gekeken naar eerdere kwantitatieve benaderingen waarbij rekening is gehouden met de leegstand. Daarnaast wordt ingegaan op het belang van verhuurstrategieën voor de performance van vastgoed. Ook wordt de optimale lengte van huurcontracten nader belicht.

3.2 Kwantificeren van de marktsituatie Grootendorst (1994) promoveerde met een onderzoek naar de prijsbewegingen op de kantorenmarkt. Hij keek vooral naar de gemiddelde markthuur, op regionaal niveau, omdat deze zowel van invloed is op de contracthuur als op de marktwaarde van een pand. Met andere woorden, deze markthuur is op deze manier zowel van invloed op het directe als het indirecte rendement. Een van de determinanten van de markthuur is volgens hem de situatie op de kantorenmarkt. In zijn onderzoek heeft hij getracht deze marktsituatie op een kwantitatieve manier te beschrijven. Grootendorst concludeert dat de situatie op de kantorenmarkt wel van invloed is op de procentuele verandering in de markthuur, maar dat dit slechts op korte termijn het geval is. De verandering in de markthuur op lange termijn wordt vooral bepaald door veranderingen in de bouwkosten. De situatie op de regionale kantorenmarkt beïnvloedt dus op korte termijn de markthuur. Deze situatie kan volgens hem als volgt in kaart gebracht worden: “als het werkelijke leegstandspercentage het frictie-leegstandspercentage van boven (onder) nadert dan zal de procentuele verandering in de markthuur de komende twee à drie jaar groter (kleiner) zijn dan de procentuele verandering in de bouwkosten.” Wanneer bekend is wat het frictieleegstandspercentage is, kan dus iets gezegd worden over de toekomstige ontwikkeling van de huurinkomsten. Onder frictieleegstand wordt verstaan: “het percentage van de voorraad kantoorruimte dat nodig is om de verhuisbewegingen mogelijk te maken” (Grootendorst, 1994). Ook Sirmans en Miller (1997) komen met een soortgelijk concept, de natuurlijke leegstand. Huurprijzen veranderen door de tijd heen precies tegengesteld aan de verandering in de leegstand. Vooral voor kantoren en appartementen is dit het geval. Ze noemen dit het ‘basic equilibrium concept’ waarbij huurprijzen fluctueren rondom een ‘natuurlijk leegstandspercentage’. De hoogte van dit

19


percentage

hangt

onder

meer

af

van

de

mobiliteit

van

de

huurders.

Bij

appartementencomplexen is deze mobiliteit voor bijvoorbeeld studenten veel hoger dan voor bejaarden. Een hogere mobiliteit brengt een grotere leegstand of grotere ‘turnover costs’ met zich mee. Dit moet gecompenseerd worden door middel van hogere bruto huurprijzen. Volgens de auteurs is het wel de vraag hoe goed de markt te segmenteren is naar hoogte van de mobiliteit en hoe goed mobiliteitsverschillen daadwerkelijk in de prijsvorming tot uitdrukking komen. Ze stellen dat dit slechts enkele van de vele belangrijke, nog onbeantwoorde, ‘lease rate questions’ zijn met consequenties voor taxaties. Geltner en Miller (2001) definiëren het natuurlijke leegstandspercentage als volgt: “the vacancy rate that tends to prevail on average over the long run in the market, and which indicates that the market is approximately in balance between supply and demand.” Oftewel, het lange termijn gemiddelde waarbij de markt in evenwicht is. Wanneer de huidige leegstand lager is dan de natuurlijke zullen volgens bovenstaande auteurs de huurprijzen stijgen, terwijl een hogere leegstand dan het natuurlijke percentage een huurprijsdaling tot gevolg heeft. Verder stellen de auteurs, net als hierboven reeds naar voren kwam, dat de natuurlijke leegstand niet gelijk is voor alle markten. In volatiele, snelgroeiende markten is dit percentage hoger. Een bepaald percentage leegstand is normaal, omdat het tijd kost een optimale huurder te zoeken en er doorstroommogelijkheden moeten zijn. Beide begrippen, frictie- en natuurlijke leegstand, vertonen veel overeenkomsten. Probleem is echter dat niet bekend is wat het frictie- en het natuurlijke leegstandpercentage is. Wheaton (in Grootendorst, 1994) veronderstelt dat het frictieleegstandspercentage constant in de tijd is, terwijl Dokko et al (in Grootendorst, 1994) stellen dat dit percentage in de tijd en over kantorenmarkten fluctueert. Dit laatste lijkt een betere afspiegeling van de werkelijkheid. Aangezien de frictieleegstand niet bekend is, zal deze benaderd moeten worden. Grootendorst doet dit aan de hand van het vervangingspercentage: Frictieleegstand ≈ vervangingspercentage = (Vervangingsvraag / voorraad in gebruik) Oftewel: het percentage kantoorgebruikers (in m²) dat in een jaar wil verhuizen. Daarnaast stelt de auteur dat de reciproke van het vervangingspercentage gelijk is aan de verhuisfrequentie: Verhuisfrequentie = 1 / (Vervangingsvraag / voorraad in gebruik) De uitkomst hiervan laat dus zien eens in de hoeveel jaar kantoorgebruikers gemiddeld verhuizen. Een voorbeeld van bovenstaande is in de volgende tabel te zien:

20


Plaats

Vervangingspercentage

Verhuisfrequentie

Amsterdam

8,23 %

eens per 12,2 jaar

Rotterdam

6,89 %

eens per 14,5 jaar

Den Haag

4,84 %

eens per 20,7 jaar  waarschijnlijk door hoge percentage overheid

Tabel 2: Gemiddelde verhuisfrequentie in de periode 1981-1990 (bron: Grootendorst, 1994)

Wanneer bepaald wordt hoe lang huurders in een bepaalde portefeuille gemiddeld hun huidige pand huren en dit vergeleken wordt met de gemiddelde verhuisfrequentie, zou wellicht ook iets gezegd kunnen worden over de kans dat huurders vertrekken. Naar de relatie tussen de natuurlijke leegstand en de netto markthuur zijn verschillende studies verricht, waarbij uitgegaan wordt van de volgende relatie (McDonald, 2000): Verandering in de markthuur in een jaar = α (leegstandspercentage begin van het jaar – natuurlijke leegstandspercentage) Dit komt eigenlijk neer op hetgeen hierboven al gezegd is: de huurprijzen zullen stijgen als de leegstand onder het natuurlijke leegstandspercentage komt en andersom. Volgens Wheaton en Torto (1994) en Hendershott (1996) ontbreekt het echter aan een goede theoretische onderbouwing voor bovenstaande formule. In deze formule blijft de huur namelijk stijgen zolang de leegstand zich onder het natuurlijke leegstandspercentage blijft bevinden, terwijl wellicht na verloop van tijd een nieuwe evenwichtshuur bereikt zou moeten worden. Samenvattend kan gesteld worden dat de mate waarin de werkelijke leegstand afwijkt van de frictieleegstand een goede indicator voor de toestand van de markt zou kunnen zijn.

3.3 Overbuilding en het belang van huurcontractanalyse “…ook in economisch mindere tijden wordt nog steeds nieuwe kantoorruimte verhuurd en, vanwege de lange doorlooptijd, toegevoegd, waardoor de bestaande leegstand toeneemt. Projectontwikkelaars houden weinig rekening met het collectieve effect van hun individuele investeringsbeslissingen; ook bij leegstand worden nieuwe kantoorlocaties in ontwikkeling genomen, mede omdat er geen huurverlagingen waarneembaar zijn. Deze leegstand kan een tijdelijk overaanbod representeren: pas ná het aantrekken van de economie wordt

21


duidelijk of de markt het overaanbod weer opneemt”, aldus het ruimtelijk planbureau (Van der Wouden et al, 2006). Grenadier (1995) laat zien waarom ‘overbuilding’ rationeel kan zijn. Hij ontwikkelde een ‘option valuation theory (OVT)’ model om het fenomeen ‘overbuilding’ te verklaren, waarbij de nadruk ligt op het begrip constructietijd. ‘Overbuilding’ kan volgens Geltner en Miller (2001) gezien worden als het produceren van meer ruimte dan dat er gebruikersvraag is op het moment dat het pand klaar is. Dit komt vooral voor bij grotere gebouwen waarbij het langer duurt deze te bouwen. Volgens Grenadier is ‘overbuilding’ een rationele reactie op de ‘leasing option’ welke in het bezit is van de eigenaar. Als de vraag hoger is dan verwacht kan deze eigenaar hogere huren voor langere tijd vastzetten door langdurige contracten af te sluiten. Is er sprake van minder vraag dan verwacht, dan hoeft de eigenaar geen lange termijn contracten af te sluiten. Hij kan ook wachten totdat de marktsituatie gunstiger is. Wat dit betreft is het, zoals later nog aan bod zal komen, opvallend dat de gemiddelde contractlengte tussen 1995 en 2000 constant bleef, terwijl er sprake was van een krappe markt. Dit lijkt in tegenspraak met de leasing option van Grenadier (1995). Op krappere markten, met hogere huurprijzen, kunnen huurders deze hogere prijzen voor langere tijd ‘vastzetten’ door langdurige contracten af te sluiten. Hiervan is in de genoemde periode echter geen sprake geweest. Vanaf 2001 was er volgens Baum (2003) in sommige sectoren sprake van een afnemende vraag en dus een ruimere markt. Ook in deze periode lijkt de marktsituatie geen invloed te hebben op de lengte van de huurcontracten, wat op grond van de theorie van Grenadier wel de verwachting was. In plaats van langere contracten zorgde deze ruimere markt wel voor een stijging van het aantal huurvrije perioden. De stijging van de incentives was ook in Nederland het geval. Een eigen mini enquête onder makelaars verspreid over het land laat zien dat het aantal maanden huurvrij op een 5 jarig contract tussen 2000 en 2003 sterk is gestegen. Tussen 2003 en 2006 is het moeilijker om algemene uitspraken te doen. Sommige makelaars gaven aan dat er sprake was van een daling, andere namen nog steeds een stijging van het aantal maanden huurvrij waar. Omwille van de vertrouwelijkheid van de gegevens zullen de exacte cijfers van deze enquête niet gepubliceerd worden. Wel lijkt het er op dat de hoogte van de incentives een betere afspiegeling geeft van de marktsituatie dan de lengte van de afgesloten contracten en de hoogte van de huurprijs. Dit laatste komt ook in Van der Wouden et al (2006) naar voren: “Leegstand leidt in de regel niet (direct) tot een lagere huurprijs per vierkante meter; vaak wordt ervoor gekozen om eventuele huurders een korting op de huurprijs te bieden door een gegeven periode geen huur te vragen.” Aangezien informatie over incentives vaak niet zomaar gepubliceerd wordt blijft de markt relatief ontransparant. Naast deze bewuste

22


ontransparantheid kunnen incentives ook worden ingezet om de cashflow ontvangsten strategisch te timen. Lagere inkomsten op dit moment en hogere inkomsten in de toekomst kunnen eraan bijdragen dat een hogere verkoopprijs voor het pand kan worden gevraagd (Geltner en Miller, 2001). Huurovereenkomsten

zijn

volgens

Sirmans

en

Miller

(1997)

essentieel

voor

de

vastgoedbedrijfstak, aangezien deze de relatie tussen huurder en eigenaar vaststellen. Ze gaan zelfs zo ver dat ze het volgende stellen: “real estate investment is fundamentally about lease valuations.” Volgens dezelfde auteurs is meer informatie nodig, om optimale onderhandelingsstrategieën met betrekking tot het afsluiten van huurcontracten te ontwikkelen. Het belang van een goede verhuurstrategie komt ook in Geltner en Miller (2001) naar voren: “the major considerations in leasing strategy are important fundamental determinants of the investment performance and value of commercial properties”. Ze geven aan dat onder andere de lengte van het huurcontract een belangrijke waardebepalende factor is. Eigenaren geven over het algemeen de voorkeur aan langere huurcontracten óf contracten die niet tegelijk met een groot aantal andere contracten in hetzelfde gebouw aflopen. Het is volgens dezelfde auteurs niet wenselijk dat contracten allemaal op hetzelfde punt in de tijd aflopen. Er zou echter ook ingeschat kunnen worden waar de huurcyclus zich bevindt op het moment dat veel contracten aflopen. Wanneer dit met relatieve zekerheid bekend is, hoeft het niet altijd uit te maken dat er veel contracten tegelijk niet verlengd worden. Deze thesis kan een bijdrage leveren aan het optimaliseren van de verhuurstrategie voor de eigenaar. Meer inzicht in de kans op vertrek van huurders door de jaren heen kan nuttig zijn bij het bepalen van de optimale contractlengte. Door deze kans te koppelen aan de huurcyclus kan getracht worden de kans te verkleinen dat huurders op relatief ongunstige momenten vertrekken. Dit laatste zal zodadelijk worden toegelicht. Eerst zal echter worden aangegeven waarom niet eenvoudig te zeggen is wat precies de optimale contractlengte is. Volgens Tse (1999) is de relatie tussen de lengte van het contract en de huurinkomsten namelijk niet eenduidig. Wanneer er sprake is van langlopende contracten kunnen deze niet aan de markthuur aangepast worden (als hierover niks in het contract staat). Kortlopende contracten brengen zeker in markten met veel concurrentie de kans op leegstand met zich mee. Daarnaast zijn de transactie- en informatiekosten voor kortlopende contracten relatief hoger. Verder stelt de auteur dat de lengte van het huurcontract afhankelijk is van het verwachte huurgroeipercentage, het aantal huurvrije periodes (incentives) en de verwachte tijdelijke leegstand (lag vacancy). De lengte van een commercieel vastgoedcontract hangt

23


volgens Baum (2003) onder meer af van de sector. Zo is de gemiddelde contractlengte van winkelruimten hoger dan van kantoren en bedrijfsruimten. Daarnaast stelt hij dat de gemiddelde lengte van huurcontracten lager is bij huurcontractverlenging dan bij het afsluiten van nieuwe huurcontracten. Wellicht wegen de opbrengsten van een langer huurcontract met een nieuwe huurder wel op tegen de kosten die met het niet verlengen van het huurcontract gepaard gaan. Overigens willen volgens Geltner en Miller (2001) tot op zekere hoogte zowel huurder als verhuurder dat het huurcontract verlengd wordt, vanwege de releasing costs. Dit zijn voor de verhuurder onder andere zoekkosten naar andere huurders en eventuele leegstand. Voor huurders gaat het om verhuiskosten en eventuele tijdelijke inactiviteit van het bedrijfsproces. Wanneer naar onderstaande figuur wordt gekeken lijkt, wat eigenaren betreft, een voorkeur voor langere contracten voor de hand te liggen:

Figuur 6: relatie tussen hoogte BAR en looptijd huurcontracten

De figuur is niet op concrete cijfers gebaseerd, maar geeft waarschijnlijk wel de feitelijke situatie

weer.

Naarmate

een

pand

langere

huurcontracten

heeft

zal

het

bruto

aanvangsrendement afnemen en de waarde toenemen. Hierboven is aangegeven wat redenen kunnen zijn voor verhuurders om in de contractonderhandelingen te kiezen voor een bepaalde contractduur. Onder andere kwam naar voren dat, ondanks de theorie van Grenadier, vaak niet met contractlengtes wordt geschoven, maar eerder met de hoogte van de incentives. Alhoewel deze bewuste troebelheid (incentives worden vaak niet naar buiten gebracht) vanuit het oogpunt van

24


verhuurders rationeel kan zijn, kan ook de lengte van het huurcontract tijdens contractonderhandelingen strategisch gekozen worden. Dit onderzoek tracht eraan bij te dragen dat verhuurders de contractlengten tijdens contractonderhandelingen strategisch kunnen bepalen. Het is wenselijk dat zo min mogelijk contracten aflopen op relatief ongunstige momenten. Met andere woorden, er wordt een bijdrage geleverd aan een betere huurcontractanalyse. Volgens Sirmans en Miller (1997) resulteert dit in betere panden portefeuillewaarderingen. Dit heeft vervolgens weer aanzienlijke consequenties voor de risico- en opbrengstenkarakteristieken van de portefeuille. Hierdoor kan een beter onderbouwd advies gegeven worden. Naast betere waarderingen kan een goede huurcontractanalyse beleggers ook helpen een betere match te vinden tussen de huurcyclus en het moment dat de kans groter is dat huurders vertrekken. Er wordt dus getracht beleggers cq verhuurders een betere onderhandelingspositie te verschaffen in relatie tot het marktsentiment. Dit kan met behulp van onderstaande figuur worden toegelicht. Hierbij dient vermeld te worden dat deze figuur op fictieve cijfers berust.

Kans op vertrek

Cyclus reële kantoorhuur

Figuur 7: de kans op vertrek en de huurcyclus

Te zien is dat in 2008 de kans op vertrek erg hoog is, terwijl op dat moment de huurcyclus zich in een dal bevindt. Dit is erg ongunstig, aangezien op een markt waar relatief lage huurprijzen betaald worden nieuwe huurders gezocht moeten worden. Wanneer een

25


belegger dit aan ziet komen zou besloten kunnen worden het huidige huurcontract open te breken en te verlengen tot 2014. De huurder wil hier wellicht aan meewerken als enkele maanden huurvrij wordt geboden. In plaats van het openbreken van het contract kan (mede) op basis van deze figuur ook besloten worden het pand te verkopen. De te onderzoeken kansen kunnen uitstekend dienst doen bij een ‘buy, hold or sell’ analyse. Daarnaast kan wanneer nieuwe contracten worden afgesloten, bij het bepalen van de lengte van deze contracten, rekening worden gehouden met bovenstaand plaatje. De situatie in 2014 is wel gunstig te noemen: een hoge kans op vertrek, terwijl de huurcyclus zich bijna op een maximumniveau bevindt. De plaats van bovenstaande in het groter geheel van portefeuilleadvisering is hieronder weergegeven (figuur 8). Hierbij zijn de onderdelen die in deze scriptie aan bod komen in het (bordeaux) rood aangegeven.

Macro-economische invloeden

Vastgoed-economische invloeden

Kans op vertrek

Bevolkingsgroei Kapitaal/Beleggingsmarkt Binnenlands product Werkgelegenheid Rente/ inflatie

Key Performance indicators

Gebied Gebouw Gebruiker

Kans op nieuwe huurder BAR Huurwaarde ontwikkeling Incentives

Performance beleggingsvastgoed

Vastgoedstrategie Portefeuille Dispositie advies Benchmarking Effect op Portefeuille

Analyse opties

Figuur 8: strategisch portefeuille-advies

Implementatie

Er wordt dus op gebiedsniveau (lokaal en nationaal) gekeken naar de kans op vertrek en de kans dat vervolgens een nieuwe huurder gevonden wordt. Voor beide variabelen wordt

26


gekeken in hoeverre het goede indicatoren zijn voor de performance van commercieel beleggingsvastgoed. Wanneer bekend is hoe sterk de relatie tussen deze indicatoren en de performance is, kan op basis van de indicatoren een beter onderbouwd advies gegeven worden aan bijvoorbeeld institutionele beleggers. Om een voorspelling van de toekomstige kans op vertrek en kans op nieuwe huurder te bepalen, dienen de vastgoedeconomische variabelen, zoals de voorraad en de voorraad in gebruik, voorspeld te worden. Dit kan gebeuren aan de hand van macro-economische variabelen. Deze relatie tussen macro- en vastgoedeconomische variabelen zal in deze scriptie slechts kort, in paragraaf 6.4, behandeld worden.

3.4 De kans op vertrek en de kans op een nieuwe huurder Zoals hierboven is aangetoond is de kans op contractverlenging, en dus ook de kans op vertrek, erg belangrijk. De kosten die met het vertrek van de huurder gepaard gaan bestaan volgens Baum (2003) uit twee onderdelen. De kans dat het huurcontract beëindigd wordt en hoe lang het vervolgens duurt totdat er een nieuwe huurder gevonden wordt. Volgens Baum zijn verschillende factoren van invloed op de verwachte kosten van en kans op vertrek van de huurder. Hij noemt er enkele, zonder deze overigens verder toe te lichten. De opzegtermijn en de hoogte van de boete bij opzeggen zijn in het kader van deze thesis minder relevant aangezien gekeken wordt naar de kans op vertrek bij expiratie. Ook is er bij deze factoren sprake van factoren op objectniveau, terwijl de insteek van deze scriptie juist het nationale niveau is. De overige factoren die hij noemt zijn de onderhouds-/ afschrijvingskosten, de kosten die geïnvesteerd zijn om het pand ‘gebruiksklaar te maken’, de beschikbaarheid van alternatieve panden, de verhuiskosten, groei/krimp in de bedrijfstak van de huurder en de verwachte huurgroei. Deze factoren kijken eveneens naar het gebruikers-/objectniveau en kunnen gezien worden als pushen pullfactoren. In bijlage II wordt een samenvatting gegeven van deze pushen pullfactoren die in enkele Nederlandse onderzoeken aan bod komen. Ondanks dat de kans op contractverlenging volgens Baum (2003) belangrijk is, zijn er volgens hem weinig data beschikbaar over de kans op deze verlenging. Zelfs als deze data wel beschikbaar waren, zouden gemiddelde waarden echter relatief weinig zeggen. Volgens de auteur spelen namelijk panden objecteigenschappen alsmede economische factoren eveneens een belangrijke rol. Toch zal in deze scriptie op zoek gegaan worden naar een landelijke (en lokale) kwantificering van de kans op vertrek. Uiteraard kan niet alléén op basis van deze cijfers besloten worden het contract van een bepaald pand open te breken en te verlengen (om de kans op vertrek beter te laten matchen met de huurcyclus, ten koste van een aantal maanden huurvrij), dan wel een pand te verkopen. De al eerder genoemde push-

27


en pull factoren op objectniveau dienen ook uitvoerig bekeken te worden. Deze gebouwen gebruikerskarakteristieken kunnen ook meegenomen worden door gebruik te maken van de Real Estate Norm. Dit is een methode om de kwaliteit van locaties en gebouwen gestructureerd en nauwkeurig te kunnen beoordelen. Deze is voor kantoren onder andere ontwikkeld door Geldof (2003). Desondanks zijn cijfers op landelijk en lokaal niveau een prima startpunt bij een portefeuilleen pand-analyse. Overigens, zoals net naar voren kwam worden economische factoren wél meegenomen in dit onderzoek. Hieruit blijkt onder andere dat er een hoge correlatie is tussen de groei van de kantoorwerkgelegenheid en de voorraad in gebruik. De insteek van Baum, waarbij hij de kosten van het vertrek van huurders opsplitst in kans op vertrek en lengte van de leegstand is erg bruikbaar voor deze thesis. Beide variabelen zullen daarom in de komende twee hoofdstukken op landelijk niveau verder uitgewerkt worden. Hierbij wordt niet expliciet naar de lengte van de leegstand gekeken. Echter, wanneer de kans op een nieuwe huurder lager is, zal de lengte van de leegstand waarschijnlijk langer zijn.

28

4. De kans op vertrek

4. De kans op vertrek 4.1 Inleiding Zoals uit de DCF-input figuur van Van Gool et al (2001) en ook uit het artikel van Van Gool en Ten Have (2006) naar voren kwam, heeft de veronderstelde ontwikkeling van de leegstand een belangrijke invloed op de waarde van een belegging. Deze leegstand zal daarom in dit hoofdstuk verder worden uitgespit. Voor beleggers is hierbij de kans van belang dat huurcontracten niet verlengd worden. Deze kans kan zowel op individueel (object, gebruiker) niveau (gebouw, gebruiker) worden bekeken, alsmede op portefeuille of landelijk niveau (gebiedsniveau). In deze thesis wordt vooral dit laatste niveau onderzocht. Er zal nu op landelijk niveau getracht worden een formule op te stellen waarmee de kans op vertrek van de huurder bij expiratie van het contract kwantitatief wordt gemaakt. Deze kans kan ook wel gezien worden als de kans dat voorraad in gebruik verandert in aanbod. Dit zal gebeuren met behulp van de beschikbare databases. Deze beperking zorgt ervoor dat concessies gedaan moeten worden, aangezien waarschijnlijk niet alle gewenste data aanwezig zijn. Er is voor deze insteek gekozen, omdat ook de praktische toepasbaarheid van belang is. Sirmans en Miller (1997) geven aan dat ondanks dat er steeds betere data beschikbaar komen, academici altijd behoefte hebben aan meer dan hetgeen beschikbaar is. Wanneer de kans op vertrek en de kans op een nieuwe huurder kwantitatief

gemaakt

worden dient dus rekening te worden gehouden met deze databeperkingen. De in dit en komend hoofdstuk genoemde cijfers en correlaties hebben, tenzij anders vermeld, betrekking op het landelijke niveau. Bij de kwantificering van de kans op vertrek wordt gebruik gemaakt van hoofdstuk zes in het boek van Geltner en Miller (2001), het proefschrift van Grootendorst (1994) en artikelen van Vos (1993) en Van Gool en Vos (2002). In Geltner en Miller (2001) wordt aan de hand van een beperkt aantal variabelen, oftewel indicatoren, de vraag- en aanbodzijde van de vastgoed ruimtemarkt, en het evenwicht tussen beide kanten, kwantitatief gemaakt. Zij noemen dit het “formal forecasting model of space market equilibrium dynamics and cyclicality”. Grootendorst (1994) heeft de situatie op de Nederlandse kantorenmarkt kwantitatief gemaakt, met als doel bewegingen in de gemiddelde markthuur beter te voorspellen. Vos (1993) en Van Gool en Vos (2002) gaan beiden in op het belang en de kwantificering van netto absorptie. In onderstaande figuur staat de formule weergeven aan de hand waarvan de kans op vertrek bij contractexpiratie bepaald zal worden.

29


Kans op vertrek = (I) Hoeveelheid achtergelaten kantoorruimte (m²) (= vervangingsvraag) (A) Opname

-

(vervangingsvraag + uitbreidingsvraag)

/

(B) Netto absorptie -

(II) Hoeveelheid aflopende huurcontracten (m²) voorraad in gebruik (t-1)

/

(D) gemiddeld lengte van huurcontracten

(uitbreidingsvraag) = Voorraad in gebruik (t) – voorraad in gebruik op (t-1)

(C) Voorraad in gebruik = (c) Voorraad – (a) leegstand = Gewenste voorraad op tijdstip t-1

= Begin leegstand + nieuwbouw - onttrekkingen - eindleegstand (a) Leegstand = Leegstandspercentage als percentage van de voorraad * voorraad = Voorraad – voorraad in gebruik (b) Leegstandspercentage als percentage van de voorraad = (Voorraad - voorraad in gebruik) / (voorraad) (c) Voorraad = (Voorraad op tijdstip t-1) + (opgeleverde nieuwbouw) (d) Gewenste voorraad = α - (η * huidige huurniveau + τ * kantoorwerkgelegenheid) (e) Opgeleverde nieuwbouw = ε * {(Huurniveau op tijdstip (t-constructietijd nieuwbouw) – Triggerhuur} als groter dan 0, anders geen nieuwbouw

Figuur 9: de formule

Hieronder zijn schematisch de belangrijkste formules weergegeven: I / I=A–B B = C(t) - C(t-1)

II II = C(t-1) / D C=c–a

Figuur 10: de formules schematisch weergegeven

Deze figuur zal in de loop van komend hoofdstuk gebruikt worden om aan te geven wat de plaats van bepaalde zaken in het grotere geheel, de hoofdformule, is. Zoals in bovenstaande figuren naar voren komt is de hoofdformule: Hoeveelheid achtergelaten kantoorruimte (I) / hoeveelheid aflopende contracten (II).

30


Hieronder zal deze formule eerst worden uitgelegd, waarna in de volgende paragrafen de verschillende onderdelen nader bekeken zullen worden. In deze formule wordt gekeken naar de hoeveelheid contracten die daadwerkelijk niet verlengd worden (in m²). Door deze hoeveelheid te delen door het aantal expirerende contracten (eveneens in m²) ontstaat de kans op vertrek: in feite wordt gemeten welk percentage van de aflopende contracten niet verlengd wordt. Eerder in deze thesis kwam het belang van de kans op contractverlenging al naar voren. Door de hoeveelheid niet verlengde contracten te delen door het aantal contracten dat in een jaar afloopt, wordt de kans bepaald dat contracten niet verlengd worden. De formule bestaat uit twee onderdelen, namelijk de hoeveelheid achtergelaten kantoorruimte en de hoeveelheid aflopende contracten. Deze twee onderdelen zullen in dit hoofdstuk stap voor stap uitgelegd wordt en er zal worden aangegeven hoe de verschillende onderdelen kwantitatief gemaakt kunnen worden. Allereerst zal nu de hoeveelheid achtergelaten kantoorruimte aan bod komen.

4.2 De hoeveelheid achtergelaten kantoorruimte (I) I / I=A–B B = C(t) - C(t-1)

II II = C(t-1) / D C=c-a

De hoeveelheid achtergelaten kantoorruimte zal op de volgende manier bepaald worden:

Hoeveelheid achtergelaten kantoorruimte (I) = opname (A) –netto absorptie (B) Op beide onderdelen van deze formule zal hieronder uitvoerig worden ingegaan.

4.2.1 Opname (A) De opname kan gezien worden als een weergave van het transactievolume op de vrije markt en omvat het aantal vierkante meter kantoorruimte dat in een bepaalde periode contractueel op deze vrije markt verhuurd wordt (Van Gool en Vos, 2002). In plaats van opname wordt tevens over bruto opname of bruto absorptie gesproken, maar in deze scriptie is gekozen voor de term opname. De opname bevat zowel de verhuisbewegingen, onderverhuur en de toe- of afname van het aantal vierkante meter kantoorruimte. Er wordt in dit onderzoek gezocht naar de kans dat verhuurders die op dit moment huren en waarvan het huurcontract afloopt, besluiten weg te gaan. Deze vertrekkers zorgen er dus voor dat de achtergelaten ruimte

wordt

toegevoegd

aan

het

aanbod.

Aangezien

de

opname

naast

de

verhuisbewegingen ook andere elementen bevat, dienen deze eruit gefilterd te worden. Dit komt in onderstaande formule tot uitdrukking:

31


Opname = vervangingsvraag + uitbreidingsvraag De uitbreidingsvraag kan gelijk gesteld worden aan de netto absorptie. Bij deze

netto

absorptie wordt volgens Van Gool en Vos (2002) de opname verminderd met de verhuisbewegingen die per saldo niet leiden tot een grotere ruimtebehoefte. Juist deze bewegingen die niet tot een grotere ruimtebehoefte leiden worden in dit onderzoek bekeken. Wanneer bovenstaande gecombineerd wordt komt naar voren dat de hoeveelheid achtergelaten kantoorruimte gelijk gesteld wordt aan de vervangingsvraag. Deze vervangingsvraag is sowieso steeds belangrijker. Brounen en Eichholtz (2004) geven aan dat demografische veranderingen, en hiermee gepaard gaande veranderingen in de werkgelegenheid, tot stagnatie of zelfs krimp in de kantorenmarkt kunnen leiden. Hierdoor wordt de vervangingsvraag belangrijker dan de uitbreidingsvraag Aangezien deze vervangingsvraag bepaald wordt door de opname te verminderen met de netto absorptie, zijn data over zowel de opname als de netto absorptie noodzakelijk. Opnamecijfers worden onder andere door DTZ Zadelhoff, PropertyNL en VGM gepubliceerd. Voor de exacte cijfers wordt verwezen naar bijlage IV. Er is bij de berekeningen gekozen om de cijfers van DTZ Zadelhoff te gebruiken (zie hiervoor de verschillende versies van ‘Cijfers in perspectief’), omdat deze cijfers gecontroleerd worden door de lokale makelaars van DTZ Zadelhoff1. Aangezien DTZ een landelijk dekkend netwerk heeft en een gemiddeld marktaandeel van 25%, is zij minimaal bij één op de vier transacties betrokken en heeft daardoor actuele marktkennis. Er moet wel rekening gehouden worden met het feit dat slechts transacties vanaf 500 m² zijn meegenomen in de cijfers van DTZ Zadelhoff. In bovenstaande berekening is overigens geen rekening gehouden met onderverhuur. Uit de cijfers van DTZ Zadelhoff blijkt dat dit ongeveer vijf procent is van de totale opname. Echter, deze zijn slechts voor de laatste vijf jaar beschikbaar. Wat de invloed is van onderhuur is niet helemaal duidelijk. Waarschijnlijk verlaten huidige huurders niet het pand met als doel een ander pand te gaan onderhuren. Dit zou betekenen dat onderhuur ook van de opname cijfers dient te worden afgetrokken om de vervangingsvraag te bepalen. Gezien de korte periode waarover onderhuurdata beschikbaar is wordt hier in dit onderzoek verder geen rekening mee gehouden.

1

Voor de periode 1985-2004 is de correlatie tussen de opname cijfers van bijv. DTZ Zadelhoff en VGM hoog, namelijk 0,93. Daarom zou bij de kans op vertrek berekening ook van deze VGM cijfers gebuik gemaakt kunnen worden. Het gaat in de onderzoek vooral om tendensen, en niet zozeer om het berekenen van de exacte kans.

32


4.2.2 Netto absorptie (B) I / I=A–B B = C(t) - C(t-1)

II II = C(t-1) / D C=c-a

Cijfers

over

de

netto

absorptie

worden

nauwelijks

gepubliceerd. Van Gool en Vos (2002) pleiten ervoor om dit wel te doen. Ten eerste omdat er volgens hen een directe

relatie aanwezig is tussen de netto absorptie en de ontwikkeling van de leegstand van de kantorenmarkt als geheel. Daarnaast bevindt volgens dezelfde auteurs de opname zich structureel op een aanzienlijk hoger niveau dan de netto absorptie. Hierdoor zouden gemeenten en projectontwikkelaars op het verkeerde been gezet kunnen worden bij het plannen van nieuwbouw en projectontwikkeling, waardoor de varkenscyclus versterkt kan worden. Overigens concluderen de auteurs dat de nieuwbouw beter de ontwikkeling van de netto absorptie dan van de opname volgt. Hierdoor blijft het varkenscyclus versterkende effect waarschijnlijk beperkt. Naast netto absorptie wordt ook de term netto opname gebruikt, maar er wordt hier gekozen voor netto absorptie. De hoeveelheid achtergelaten kantoorruimte wordt bepaald door de opname te verminderen met de netto absorptie. Aangezien netto absorptiecijfers nauwelijks gepubliceerd worden zullen deze op een andere manier verkregen dan wel benaderd moeten worden. Hiervoor worden hieronder drie berekenwijzen behandeld: (1) Netto absorptie = opname door ruimte uitbreiding van huurders + opname door verhuisbewegingen van huurders – aanbod door organisatiekrimp van huurders – aanbod door verhuisbewegingen van huurders (2) Netto absorptie (B) = leegstand aan het begin van het jaar (a) + nieuwbouw (e) – onttrekkingen - leegstand aan het eind van het jaar

(3) Netto absorptie = Voorraad in gebruik op tijdstip t – Voorraad in gebruik op tijdstip t-1 Deze drie zullen nu nader toegelicht worden. Eerste aanknopingspunt hierbij is een artikel van Vos (1993). Hij stelt dat de netto absorptie op verschillende manieren bepaald kan worden, waaronder: (1) Netto absorptie = opname door ruimte uitbreiding van huurders + opname door verhuisbewegingen van huurders – aanbod door organisatiekrimp van huurders – aanbod door verhuisbewegingen van huurders

Het nadeel van deze manier is dat er geen gegevens beschikbaar zijn waarin de opname- en aanbodcijfers

worden opgesplitst naar verhuismotief, namelijk vervangings- dan wel

uitbreidings(krimp)vraag. Daarnaast kunnen verhuisbewegingen die uitbreiding niet als belangrijkste motief hebben er toch voor zorgen dat het aantal vierkante meter verhuurd kantooroppervlak toeneemt. Vos (1993) noemt dit het ‘relocation surplus’. Al met al is deze

33


manier van berekenen door de specifieke databenodigdheden lastig. Daarom is de tweede manier waar Vos mee komt in het kader van dit onderzoek beter bruikbaar: (2) Netto absorptie = leegstand aan het begin van het jaar + nieuwbouw – onttrekkingen + leegstand aan het eind van het jaar

Er zijn bij deze berekenwijze data nodig over de nieuwbouw en onttrekkingen, en over de hoogte van de leegstand in vierkante meters. Deze worden hieronder nader bekeken.

4.2.3 Leegstand (a) I / I=A–B B = C(t) - C(t-1) C=c–a

II II = C(t-1) / D

Er zijn verschillende manieren om de hoogte van de leegstand te bepalen, waarbij aan vrijwel alle alternatieven nadelen kleven. De ROZ/IPD publiceert de leegstand als percentage

van de markthuurwaarde. Als voorspeller van het toekomstig rendement is dit leegstandscijfer zeker bruikbaar. Wanneer de correlatie tussen dit leegstandspercentage en het totale rendement op kantoren berekend wordt, komt namelijk een waarde van –0,90 naar voren (periode 1995-2005). Voor de bepaling van de netto absorptie is echter een cijfer nodig dat de leegstand in vierkante meters in plaats van in geld uitdrukt. De leegstand in vierkante meters kan bepaald worden door de volgende formule: Leegstand (a) = voorraad (c) – voorraad in gebruik (C) Zoals verderop naar voren zal komen is het nadeel hiervan dat de voorraad in gebruik niet heel nauwkeurig bekend is. Verder is het zo dat om de voorraad in gebruik te bepalen, eigenlijk cijfers over de leegstand nodig zijn. Wanneer de leegstand vervolgens bepaald wordt door gebruik te maken van voorraad in gebruik, is er sprake van een soort cirkelredenering. Er wordt, door de onnauwkeurigheid van de voorraad in gebruik, bij deze berekenwijze impliciet verondersteld dat het aanbod gelijk is aan de leegstand. Als alternatief zou daarom gebruik gemaakt kunnen worden van het leegstandspercentage. Hieronder verstaan Geltner en Miller (2001): Leegstandspercentage = (voorraad – voorraad in gebruik) / voorraad Met andere woorden, dit is het percentage van de voorraad dat niet in gebruik is. DTZ Zadelhoff is onlangs gestart met het publiceren van dit leegstandspercentage. In de jaarlijkse publicatie ‘Cijfers in perspectief’ wordt de leegstand als percentage van de voorraad weergegeven. Wanneer dit leegstandspercentage vermenigvuldigd wordt met de voorraad, kan de leegstand in vierkante meters bepaald worden.

34


4.2.4 Voorraad (c) I / I=A–B B = C (t) – C (t-1) C=c-a

II II = C (t-1) / D

Om de leegstand op bovenstaande manier te bereken zijn voorraadcijfers benodigd. Deze worden vooral gepubliceerd door Bak (2005): kantoren in cijfers. Als alternatief kan ook

gebruik gemaakt worden van de volgende formule (Geltner en Miller, 2001): Voorraad = voorraad op tijdstip t-1 + opgeleverde nieuwbouw Aangezien de cijfers van Bak echter ter beschikking staan, wordt in deze thesis voor deze cijfers gekozen. Door deze voorraadcijfers vervolgens te vermenigvuldigen met het ‘DTZ leegstandspercentage’ kan zoals gezegd de leegstand in vierkante meters worden berekend. Nadeel hiervan is dat DTZ deze cijfers pas sinds 2003 publiceert. Aangezien dit onderzoek meer inzicht wil geven over de ontwikkeling van de kans op vertrek door de jaren heen, is dit leegstandscijfer vooralsnog niet erg geschikt.

4.2.5 Nieuwbouw (e) Wanneer de netto absorptie met behulp van formule (2) bepaald wordt, is naast de hierboven behandelde leegstand ook meer informatie nodig over de opgeleverde nieuwbouw. Bak (2005) publiceert hier cijfers over, maar doet dit niet op jaarlijkse basis. Een schatting van de nieuwbouw zou met behulp van onderstaande formule bepaald kunnen worden (Geltner en Miller, 2001): Opgeleverde nieuwbouw = ε * (verschil tussen hoogte huurprijs op tijdstip t – L en de triggerhuur), als groter dan 0, anders geen nieuwbouw Waarbij ε de hoeveelheid nieuwbouw is die gestart wordt per dollar dat de huurprijs (t-L) boven de triggerhuur uitkomt. Hierbij is L de constructietijd van een bepaald object in de markt. Naarmate het langer duurt om een pand te bouwen, is de beslissing ook gebaseerd op de huurprijs verder terug in de tijd. Deze huurprijs op tijdstip t-L wordt vervolgens vergeleken met de triggerhuur. Deze triggerhuur kan gezien worden als een breakevenhuur, beneden deze huur is het niet meer winstgevend om te gaan bouwen. Deze formule, gecombineerd met de ‘leasing option’ theorie van Grenadier (1995) kan een verklaring geven voor de ‘overbuilding’ waarvan in de kantorenmarkt regelmatig sprake is. Grenadier geeft aan dat zijn theorie vooral opgaat voor grote panden. Dit komt doordat deze een langere constructietijd hebben. Met andere woorden, de L uit bovenstaande formule is groter. Hierdoor wordt verder van tevoren besloten om te gaan bouwen. Het kan met de

35


huurprijs op dat moment wellicht een rationele beslissing zijn. Verder is het zo, dat ook als op het moment van het bouwbesluit de huurprijs onder of dicht bij de triggerhuur zit, toch besloten wordt te bouwen. Het duurt immers bij grote projecten nog enige tijd voordat het pand gebouwd is. Als verwacht wordt dat de markthuur in de tussentijd zal stijgen wordt soms toch met bouwen begonnen. Een ‘leading indicator’ om de hoeveelheid kantoorruimte in het komende en de daarop volgende jaren te verklaren is volgens Grootendorst (1994) het aantal verleende bouwvergunningen voor kantoorruimte. Volgens deze auteur is het aantal bouwvergunningen dat ook daadwerkelijk gerealiseerd wordt 77%. Dit onderzoek is echter in 1994 afgerond en in de tussentijd kan er veel veranderd zijn.

4.2.6 Onttrekkingen Net als bij de nieuwbouw publiceert Bak (2005) ook cijfers over de hoogte van de onttrekkingen, maar wederom niet jaarlijks. Aangezien de onttrekkingen slechts een erg klein percentage (0,01% in 2004) van de totale voorraad vormen wordt hier verder geen rekening mee gehouden.

4.2.7 Voorraad in gebruik (C) I / I=A–B B = C (t) – C (t-1) C=c-a

II II = C (t-1) / D

Er zijn hierboven reeds twee van de drie vermelde manieren om de netto absorptie te bepalen uitgewerkt. De derde manier kijkt naar de verandering in de voorraad in gebruik:

(3) Netto absorptie = Voorraad in gebruik op tijdstip t – Voorraad in gebruik op tijdstip t-1

Ook de voorraad in gebruik kan weer op verschillende manieren benaderd dan wel bepaald worden. Deze zullen weer een voor een bekeken worden. Voorraad in gebruik = voorraad – aanbod DTZ Zadelhoff hanteert voor haar jaarlijkse rapportage ‘Cijfers in perspectief’ bovenstaande berekening. Nadeel hiervan is dat dit een vrij ruwe benadering is. Het feit dat een pand wordt aangeboden wil niet altijd zeggen dat dit pand ook daadwerkelijk leeg staat. Een pand kan dus best in gebruik zijn en toch tot het aanbod behoren. In feite wordt in bovenstaande formule aanbod gelijk gesteld aan leegstand. In tijden van een ruime markt, waarvan nu sprake is, zal het percentage van het aanbod dat echt leegstaat waarschijnlijk groter zijn dan wanneer er sprake is van een krappe markt. Daardoor zal het gebruik van de formule vooral in krappe markten tot onnauwkeurigere uitkomsten leiden. De werkelijke voorraad in gebruik

36


zal hoger zijn dan met deze formule wordt aangenomen. Ook de samenstellers van ‘Cijfers in perspectief’ zijn zich bewust van het feit dat in werkelijkheid niet al het aanbod ook leeg staat. Ze stellen echter, dat dit het beste beschikbare alternatief is. Theoretisch juister is de volgende formule: Voorraad in gebruik = voorraad - leegstand Zoals hierboven echter al aan bod kwam, zijn leegstandscijfers niet voor een langere tijdsperiode voorhanden. De manier die DTZ hanteert, namelijk ‘voorraad min aanbod’, lijkt daarom vooralsnog de beste benadering. Aangezien leegstandcijfers de laatste jaren wel beter worden bijgehouden, zal in de toekomst echter voor ‘voorraad min leegstand’ gekozen moeten worden. In onderstaande tabel is te zien dat de voorraad in gebruik daadwerkelijk hoger is wanneer naar de leegstand in plaats van het aanbod gekeken wordt:

Voorraad - aanbod

Voorraad – leegstand Verschil

2003

37.818.231

38.385.321

567.090 (1,5%)

2004

37.383.100

37.959.615

576.515 (1,5%)

2005

37.181.318

37.476.140

294.822 (0,8%)

Tabel 3: De berekening van de voorraad in gebruik2

Het verschil tussen de ‘beste’ methode (voorraad min leegstand) en de benadering is de laatste jaren dus niet meer dan 1,5 % van de totale voorraad in gebruik. Alleen voor deze drie jaren zijn de benodigde data voor beide methoden beschikbaar. In deze thesis zal daarom de benadering gebruikt worden, bij gebrek aan een voor een langere periode bruikbaar alternatief. Theoretisch zou de voorraad in gebruik echter ook op de volgende manier bepaald kunnen worden (Geltner en Miller, 2001): Voorraad in gebruik = gewenste voorraad op tijdstip t-1 De auteurs kiezen ervoor te kijken naar tijdstip t-1, aangezien het enige tijd kost om de huisvestingswensen in te willigen. In dit geval veronderstellen ze dus dat dit een jaar duurt.

2

De voorraadcijfers zijn gebaseerd op Bak (2005), de aanbodcijfers op ‘Cijfers in perspectief’. De leegstand is bepaald door het leegstandspercentage (‘Cijfers in perspectief’) te vermenigvuldigen met de voorraadcijfers van Bak (2005).

37


Nadeel van deze methode is dat bepaald dient te worden wat gewenst is. Hiervoor stellen ze het volgende voor: Gewenste voorraad (t) = α – (ŋ* huidige huurniveau + τ * kantoorwerkgelegenheid) Het mooie aan deze formule is dat er kennelijk een verband is tussen de hoogte van de huur en de kantoorwerkgelegenheid enerzijds, en de gewenste voorraad (de vraag) anderzijds. Knelpunt hierbij is echter dat waarden gekozen moeten worden voor α, ŋ en τ. Deze zouden met behulp van lineaire regressie bepaald kunnen worden, maar dan dient wel bekend te zijn wat de gewenste voorraad door de tijd heen was. Volgens bovenstaande, theoretische, formule zijn zowel het huidige huurniveau als de kantoorwerkgelegenheid van invloed op de gewenste voorraad en zo indirect ook op de voorraad in gebruik. Daarom is van beiden de correlatie bepaald met de voorraad in gebruik. Hieruit blijkt dat de kantoorwerkgelegenheid een correlatie van wel 0,99 (!) vertoont met de voorraad in gebruik (uitgaande van de benadering, voorraad in gebruik = voorraad - aanbod). De kantoorwerkgelegenheid is dus waarschijnlijk een erg goede indicator voor de voorraad in gebruik. Hierop zal in paragraaf 6.5 worden teruggekomen. Aangezien de netto absorptie bepaald kan worden door de voorraad in gebruik van twee opeenvolgende jaren van elkaar af te trekken, is de kantoorwerkgelegenheid waarschijnlijk ook een erg goede indicator voor deze netto absorptie. Aangezien bij netto absorptie gekeken wordt naar de verandering in de voorraad in gebruik is ook gekeken naar de verandering in de kantoorwerkgelegenheid. De correlatie tussen de netto absorptie en de verandering in de kantoorwerkgelegenheid is 0,86. Waarschijnlijk is de verandering in de kantoorwerkgelegenheid dus een goede indicator voor de netto absorptie. De indicator voldoet aan de twee eisen die eerder werden gesteld: meetbaar en een signalerende functie. Wanneer de kantoorwerkgelegenheid voorspeld kan worden kunnen ook uitspraken gedaan worden over de voorraad in gebruik, de netto absorptie en zo dus ook over de kans op vertrek. Het huidige huurniveau is volgens bovenstaande formule eveneens van invloed op de gewenste voorraad en zo op de voorraad in gebruik. De samenhang tussen beiden is echter minder sterk, namelijk 0,78.

4.2.8 Verschillende netto absorptieberekeningen vergeleken Hierboven zijn verschillende manieren naar voren gekomen om de netto absorptie te bepalen. Er kwamen echter ook enkele knelpunten aan het licht: er zijn niet voor elk jaar cijfers

bekend

over

de

hoeveelheid

nieuwbouw

van

kantoorruimte,

historische

leegstandcijfers zijn niet erg nauwkeurig beschikbaar en de bepaling van de voorraad in

38


gebruik is hierdoor ook lastiger. In onderstaande tabel zijn drie berekenwijzen weergegeven om de netto absorptie te bepalen.

Berekenwijze 2A 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004

Berekenwijze 2B

1.175.012 1.363.892 1.969.157 399.882 -376.131

Berekenwijze 3 850.714 824.514 1.136.095 1.269.025 1.260.365 1.135.405 633.470 278.896 815.960 656.751 1.070.012 1.405.816 1.243.892 1.258.406 1.861.157 930.525 349.882 -221.091 -366.706 -435.131

Berekenwijze 2A: Leegstand begin + nieuwbouw – leegstand eind Leegstand = voorraad – voorraad in gebruik, impliciete aanname: aanbod=leegstand Berekenwijze 2B: Leegstand begin + nieuwbouw – leegstand eind Leegstand = leegstand als % vd voorraad*voorraad Berekenwijze 3: Voorraad in gebruik op tijdstip t - voorraad in gebruik op tijdstip t-1

Tabel 4: vergelijking netto absorptieberekeningen3

Uit de methode waar wel voor een langere periode data beschikbaar zijn, methode drie, komt voor 2004 als waarde voor de netto absorptie naar voren: - 435.131 m². Ook wanneer de netto absorptie op berekenwijze twee wordt berekend (zowel A als B), ligt de waarde in de buurt van methode drie. Voor het doel van dit onderzoek, het ontwikkelen van een indicator, voldoet methode drie. Ondanks de verschillen geven de methoden dezelfde trend weer. Samenvattend wordt de hoeveelheid achtergelaten kantoorruimte in dit onderzoek bepaald door de netto absorptie van de opname af te trekken. Voor de opname wordt gebruik gemaakt van de cijfers van DTZ Zadelhoff, ‘Cijfers in perspectief’. De netto absorptie wordt berekend door de voorraad in gebruik op tijdstip t te verminderen met de voorraad in gebruik op tijdstip t-1. Deze voorraad in gebruik wordt benaderd door van de totale voorraad, gebaseerd op Bak (2005) het aanbod af te trekken. Ook de aanbodcijfers zijn hierbij gebaseerd op ‘Cijfers in perspectief’. 3

Voor berekening 2A zijn de nieuwbouw en voorraadcijfers gebaseerd op Bak (2005), terwijl de voorraad in gebruik gebaseerd is op ‘Cijfers in perspectief’. 2B: Nieuwbouw en voorraad gebaseerd op Bak (2005), leegstandspercentage op ‘Cijfers in perspectief’. 3: Voorraad in gebruik gebaseerd op ‘Cijfers in perspectief’.

39


4.3 De hoeveelheid aflopende huurcontracten (II) I / I=A–B B = C (t) – C (t-1)

II II = C (t-1) / D C=c-a

In dit hoofdstuk wordt de kans bepaald dat huurders, bij contractexpiratie, besluiten te vertrekken. Hiervoor is in paragraaf 4.1 de volgende formule opgesteld:

Kans op vertrek = Hoeveelheid achtergelaten kantoorruimte / hoeveelheid aflopende huurcontracten In voorgaande paragraaf is het eerste deel van deze formule, namelijk de hoeveelheid achtergelaten kantoorruimte, verder uitgewerkt. In de komende paragraaf wordt ingegaan op de hoeveelheid aflopende contracten, in vierkante meters. Deze kan als volgt bepaald worden: (Voorraad in gebruik op tijdstip t-1) / (gemiddelde lengte van huurcontracten) Door te kijken naar de totale in gebruik zijnde voorraad een jaar geleden en dit te delen door de gemiddelde looptijd van contracten, kan een schatting gemaakt worden van de hoeveelheid aflopende contracten. Als alle contracten een looptijd van één jaar zouden hebben zouden al deze contracten gedurende het jaar af moeten lopen. In deze paragraaf zal op beide onderdelen van deze ratio apart worden ingegaan.

4.3.1 Voorraad in gebruik op tijdstip t-1 In de vorige paragraaf is de voorraad in gebruik reeds aan bod gekomen. Ook voor de berekening van de hoeveelheid aflopende contracten wordt hiernaar gekeken, wederom op basis van ‘Cijfers in perspectief’, van DTZ Zadelhoff.

4.3.2 Gemiddelde lengte van huurcontracten (D) Zoals in hoofdstuk één al naar voren kwam is er meer en meer sprake van kortlopende huurcontracten (zie bijvoorbeeld PropertyNL, 19 september 2003). Hierdoor wordt de kans op vertrek (of de kans op verlenging) steeds belangrijker (Baum, 2003). Om deze kans te berekenen wordt onder meer gekeken naar de hoeveelheid aflopende huurcontracten. Bij de berekening hiervan zijn ook cijfers nodig over de gemiddelde lengte van huurcontracten. Hiervoor wordt een onderzoek van Laning (2005) gebruikt (zie ook bijlage III). Hierin komt naar voren dat sinds 1990 de gemiddelde looptijd van kantoorhuurcontracten meer dan gehalveerd is. Het gaat hierbij om de lengte van nieuwe contracten, zonder optiejaren. Laning is tot deze cijfers gekomen door een langjarige reeks van ruim 2700 huurcontracten te analyseren. Deze trend naar kortere huurcontracten blijkt ook uit de vastgoedmonitor van

40


de gemeente Utrecht (2005). Door deze trend wordt er volgens deze monitor minder specifiek voor een bepaalde gebruiker gebouwd.

Gemiddelde looptijd huurcontract kantoren (in jaren)

12 10 8 6 4 2 0 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 gemiddelde looptijd per contract

Figuur 11: de gemiddelde looptijd van nieuw afgesloten huurcontracten (bron: Laning, 2005)

Zoals in bovenstaande figuur naar voren komt, is de gemiddelde lengte van huurcontracten sinds 1990 flink afgenomen. Dit wordt volgens Laning (2005) vooral veroorzaakt door een streven naar flexibiliteit van veel kantoren. De cijfers van Laning zullen hieronder worden vergeleken met de uitkomsten uit andere onderzoeken. Geltner en Miller (2001) geven aan dat de lengte van huurcontracten voor kantoren in de laatste helft van de twintigste eeuw tussen de drie en tien jaar lag. De door Laning gesignaleerde trend naar kortlopende huurcontracten komt overeen met een onderzoek van Baum (2003). Volgens hem is de gemiddelde lengte van huurcontracten in het Verenigd Koninkrijk sinds 1990 significant gedaald. Vooral tussen 1990 en 1995 was er volgens hem sprake van een sterke daling, terwijl deze lengte tussen 1996 en 2000 nagenoeg constant bleef. Dit lijkt aardig overeen te komen met bovenstaande figuur, de stabilisatie vond in Nederland echter ongeveer twee jaar later plaats. Naast Baum en Laning onderzochten ook Crosby et al (1998) de lengte van huurcontracten. Zij laten eveneens een daling van de gemiddelde lengte van huurcontracten zien en doen dit, in tegenstelling tot Baum, met concrete cijfers. Vooral de lengte van ongewogen (groot, ‘duur’ pand telt net zo waar mee als klein pand) is sterk gedaald. Ook de gewogen reeks laat over het algemeen een daling zien, dit gaat echter met meer schommelingen gepaard. Dit

41


komt wellicht doordat enkele grotere deals in een jaar een sterke invloed kunnen hebben op het gemiddelde. 1987

1988

1989

1990

1991

1992

1993

1994

1995

1996

1997

Huurgewogen

17,3

10,8

20,8

20,9

15,6

12,4

17,5

12,2

9,0

6,2

12,3

Ongewogen

14,7

10,5

16,6

16,4

14,8

8,9

11,2

7,6

7,0

6,2

5,0

Tabel 5: de gemiddelde lengte van het huurcontract voor kantoren (bron: Crosby et al, 1998)

Vervolgens zijn er ook bij de lengte van het huurcontract weer factoren die op objectniveau een rol spelen. De factoren die de lengte van het huurcontract voor kantoren bepalen zijn volgens Baum (2003) de ouderdom, kwaliteit en waarde van het pand. Verder maakt het bij ‘prime’ panden voor de lengte van het contract niet uit of het pand in de stad of daarbuiten is gevestigd. De panden met de beste kwaliteit hebben de langste huurcontracten en grote bedrijven sluiten over het algemeen langere contracten af. De verschillende cijfers brengen allen nadelen met zich mee. Zo kijkt het onderzoek van Laning (2005) naar de gemiddelde contractlengte van nieuw afgesloten contracten. Voor deze thesis zijn echter alle contracten van belang, niet alleen de nieuw afgesloten contracten. De overige onderzoeken hebben geen betrekking op de Nederlandse situatie en zijn minder recent. Samenvattend kan gesteld worden dat alle onderzoeken een daling van de gemiddelde lengte van het huurcontract laten zien. Aangezien Laning (2005) naar de Nederlandse situatie heeft gekeken en een grote hoeveelheid contracten heeft onderzocht, zullen deze cijfers in deze thesis worden gebruikt.

42

5. De kans op een nieuwe huurder

5. De kans op een nieuwe huurder 5.1 Inleiding De kans op vertrek van de huurder zegt op zich nog weinig over de eventuele huurderving. Het vertrek van een huurder brengt weliswaar mutatiekosten met zich mee, maar de grootste invloed op het rendement heeft het echter wanneer er niet gelijk aansluitend een nieuwe huurder gevonden wordt. Daarom zal nu gekeken worden wat de kans is dat een nieuwe huurder gevonden wordt. Hoe kleiner deze kans, hoe langer het waarschijnlijk zal duren totdat er weer een huurder in het pand zit en hoe langer het dus zal duren totdat er weer huurinkomsten binnenkomen. De kans op een nieuwe huurder zal daarom ook kwantitatief gemaakt worden.

5.2 Formule Om deze kans op een nieuwe huurder te bepalen, is onderstaande formule opgesteld: Opname gedurende het jaar / aanbod gedurende het jaar. De opname gedurende het jaar kan, zoals gezegd, gezien worden als het totale aantal contracten dat in een jaar afgesloten is. Door dit aantal te delen door het totale aanbod dat gedurende het jaar beschikbaar was kan bepaald worden welk deel van dit totale aanbod ook daadwerkelijk verhuurd is. Het aandeel van dit totale aanbod dat niet verhuurd wordt staat waarschijnlijk grotendeels leeg (al hoeft een pand dat aangeboden wordt niet perse leeg te staan). Het probleem met aanbodcijfers die gewoonlijk gepubliceerd worden is dat het aanbod gemeten wordt als een standcijfer: slechts één of twee keer per jaar wordt gekeken wat het aanbod is op dat moment. Echter, het aanbod verandert voortdurend en als het aanbod zich aan het eind van het jaar op hetzelfde niveau bevindt als aan het begin zegt dit niks over de dynamiek gedurende het jaar. Panden die nu te huur staan worden verhuurd en andere panden worden toegevoegd aan het aanbod. In bovenstaande formule is hiermee rekening gehouden door te kijken naar ‘aanbod gedurende het jaar’. Hierbij is een correctie aangebracht op het ‘aanbod standcijfer’. Dit gebeurt op de volgende manier: Aanbod gedurende het jaar = Aanbod op tijdstip t + opname De gedachte hierachter is dat elk pand dat wordt opgenomen ook aanbod moet zijn geweest. Met deze manier van berekenen wordt getracht de dynamiek van het aanbod mee te nemen. De formule is eigenlijk een benadering voor alle panden waar een huurder, die op zoek is naar een pand, uit kan kiezen in een bepaald jaar.

43

5. De kans op een nieuwe huurder

De opname gedurende een jaar, dus in feite alle afgesloten contracten, wordt vervolgens door dit ‘totaal aanbod’ gedeeld. Hoe groter deze ratio, des te groter de kans dat een verhuurder zijn pand verhuurd krijgt en dus niet te maken krijgt met leegstand. Bovenstaande is met de beschikbare databases gedaan en de volgende kansen kwamen hieruit naar voren:

18%

60%

16% 14% 12%

40%

10% 30% 8% 6%

20%

Rendement

Kans op nieuwe huurder, leegstand

50%

4% 10% 2%

Kans op nieuwe huurder

Leegstandspercentage

20 05

20 03

20 01

19 99

19 97

19 95

93 19

91 19

19 89

0%

19 87

19 85

0%

Rendement

Figuur 12: de kans op een nieuwe huurder grafisch weergegeven4

In komend hoofdstuk zullen zowel de kans op vertrek als de kans op een nieuwe huurder nader worden geanalyseerd.

4

Leegstandspercentage = (voorraad – voorraad in gebruik)/(voorraad). Hierbij is de voorraad gebaseerd op Bak (2005) en de voorraad in gebruik op ‘Cijfers in perspectief’. Het rendement is het ROZ vastgoedindex rendement, over de periode 1995-2005.

44

6. Analyse van de resultaten

6. Analyse van de resultaten 6.1 Inleiding In de twee voorgaande hoofdstukken is uitgelegd hoe in deze scriptie de kans op vertrek en de kans op een nieuwe huurder berekend worden. In dit hoofdstuk zullen de uitkomsten uit deze berekeningen nader geanalyseerd worden. Daarnaast wordt gekeken wat de samenhang is tussen beide indicatoren enerzijds en de leegstand en het rendement anderzijds. Verder zullen enkele regressie-analyses gedaan worden en wordt er kort ingegaan op het voorspellen van vastgoedvariabelen met behulp van regressie-technieken.

6.2 De kans op een nieuwe huurder Voorgaand hoofdstuk werd afgesloten met een figuur (figuur 12) waarin de ontwikkeling van het totale rendement, de leegstand en de kans op een nieuwe huurder grafisch waren weergegeven. Zoals te zien is in deze figuur volgen de kans op een nieuwe huurder en het ROZ rendement vanaf 1995 elkaar op de voet. Wat de leegstand betreft is het op basis van de figuur moeilijker conclusies te trekken. In onderstaande tabel zijn de correlaties weergegeven. Totaal rendement vanaf 1995 Totaal historisch rendement vanaf 1985 Leegstand vanaf 1995 Leegstand vanaf 1985

Kans op nieuwe huurder 0,93 0,66 -0,89 -0,66

Tabel 10: correlaties met kans op nieuwe huurder5

Vanaf 1995 blijken zowel het totale rendement als de leegstand een sterke samenhang te vertonen met de kans op de nieuwe huurder. Op basis hiervan kan dus gesteld worden dat deze kans waarschijnlijk goed kan dienen als indicator voor de performance van commercieel vastgoed. Het verband over de gehele periode vanaf 1985 blijkt minder sterk. In feite is de hierboven berekende kans op vertrek slechts een correctie op de reeds genoemde opname/aanbod ratio. Wat betreft voorspellende kracht is het daarom wellicht niet echt een toevoeging, zeker wanneer gekeken wordt naar de correlatie tussen beiden variabelen. De kans op een nieuwe huurder en de opname/aanbod ratio vertonen in de periode 1986-2005 een samenhang van 0,99! Het voordeel van de kans op een nieuwe huurder formule is dat deze beter uitlegbaar is aan niet-vastgoedmensen dan bijvoorbeeld de 5

Totaal rendement voor de periode 1995-2005 is gebaseerd op de cijfers van de ROZ vastgoedindex. Het totaal historisch rendement op Hordijk et al (2004). De leegstand is bepaald door de voorraad in gebruik (‘Cijfers in perspectief’) af te trekken van de voorraad (Bak, 2005).

45


opname/aanbod ratio, hetgeen echter vooral komt door de naam die aan de formule is gegeven: het kopje ‘kans op nieuwe huurder’ spreekt meer tot de verbeelding dan opname/aanbod ratio. Theoretisch gezien is de kans op een nieuwe huurder berekening echter wel juister. Zoals ook later nog zal blijken kunnen zowel de kans op een nieuwe huurder als de opname/aanbod ratio prima dienst doen als indicatoren voor zowel rendement als leegstand. Er is sprake van meetbaar fenomenen, met wederom een verklarende functie. Dit laatste is vooral voor de laatste tien jaar het geval, gezien de hoge correlaties met het rendement en de leegstand.

6.3 De kans op vertrek In hoofdstuk vier is uitgewerkt hoe de kans op vertrek in deze scriptie kwantitatief gemaakt wordt. In onderstaande figuur is te zien hoe de kans op vertrek bij contractexpiratie zich in Nederland sinds half jaren ’80 heeft ontwikkeld. Voor de exacte cijfers wordt verwezen naar bijlage IV.

35%

7.000.000

30%

6.000.000

25% 5.000.000

20% 15%

4.000.000

10%

3.000.000

5%

2.000.000

0% 1985

1987

1989

1991

1993

1995

1997

1999

2001

-5%

2003

2005 1.000.000 0

-10% Kans op vertrek

Leegstand (m²)

Figuur 13: de kans op vertrek6

6

Ook hier is de leegstand bepaald door de voorraad (Bak, 2005) te verminderen met de voorraad in gebruik (‘Cijfers in perspectief’)

46


De eerste jaren is er niet echt een patroon in de cijfers te ontwaren. Het is mogelijk dat dit komt doordat vastgoeddata pas rond die tijd meer en meer beschikbaar kwamen. Het vermoeden dat de data wellicht nog niet erg betrouwbaar waren wordt verder bevestigd door te kijken naar de hoeveelheid achtergelaten vierkante meters. Zoals vermeld wordt deze hoeveelheid berekend door de bruto opname te verminderen met de netto opname. In de periode 1985-1991 komt hier echter vier keer een negatieve waarde uit: dit zou betekenen dat de totale hoeveelheid afgesloten contracten, inclusief verhuisbewegingen, kleiner is dan alleen de uitbreiding van kantoorruimte. Oftewel, het totale transactievolume is kleiner dan het saldo waarmee de totale hoeveelheid kantooroppervlakte toe- of afneemt. Dit is echter onmogelijk. Waarschijnlijk komt dit door onvolledige data, mede gezien het feit dat vanaf begin van de jaren ’90 dit probleem zich niet meer voor doet. In de voorgaande paragrafen is uitgelegd welke afwegingen er gemaakt zijn om voor bepaalde databases te kiezen. Voor de periode vóór begin jaren ’90 zijn er weinig beschikbare alternatieven. Indicatoren leegstand Rond 1992 was de kans op vertrek erg groot, tegelijk met een piek in de leegstand. Vanaf dat moment hangen beiden bijna perfect samen, in de laatste periode, van 1995 tot 2005 is de correlatie zelfs 0,97. Over de gehele periode gezien is deze samenhang tussen de kans op vertrek en de leegstand 0,66. Gezien de hoge samenhang in de laatste tien jaar is de kans op vertrek bij contractexpiratie wellicht een goede indicator om de leegstand te voorspellen. Zoals vermeld kwam in Van Gool en Vos (2002) naar voren dat ook de netto-absorptie een directe relatie vertoont met de leegstand. Daarom is tevens naar deze correlatie gekeken, welke een waarde heeft van – 0,83 over de hele periode en zelfs –0,93 over de laatste tien jaar. Van Gool en Vos (2003) stelden dat vooral cijfers bekend worden gemaakt over de bruto absorptie (= opname). Een maatstaf die hiermee samenhangt is de opname/aanbod ratio. Ook deze vertoont over de gehele periode een vrij sterke samenhang met de leegstand van –0,82. Over de laatste tien jaar bekeken is deze correlatie een stuk lager. De verschillende maatstaven die als indicator voor de leegstand kunnen dienen zijn hieronder samengevat, waarbij de indicator met de hoogste correlatie voor de desbetreffende periode gearceerd is:

47


Netto absorptie 1985-2004 Netto absorptie 1995-2004 Opname/aanbod ratio (hele periode) Opname/aanbod ratio (vanaf 1995) Kans op vertrek (hele periode) Kans op vertrek (vanaf 1995) Kans op nieuwe huurder (hele periode) . Kans op nieuwe huurder (vanaf 1995)

Leegstand -0,83 -0,93 -0,82 -0,68 0,66 0,97 -0,66 -0,89

Tabel 6: correlatie tussen verschillende indicatoren en de leegstand7

Indicatoren rendement Uiteindelijk doel van dit onderzoek is meer inzicht te krijgen in de totale performance van beleggingsvastgoed. Daarom zal nu gekeken worden of er ook sprake is van samenhang tussen het totale rendement, op basis van ROZ/IPD data, en de kans op vertrek. Er blijkt een negatieve correlatie van 0,84 tussen beiden te bestaan. De kans op vertrek lijkt dus een redelijk goede indicator voor het totale rendement. In hoofdstuk vier werd aangegeven dat de kans dat huurders vertrekken ook bekeken kan worden door te bepalen hoe lang huurders in een bepaalde portefeuille gemiddeld hun huidige panden huren en dit te vergelijken met de gemiddelde verhuisfrequentie. Deze frequentie kan volgens Grootendorst (1994) benaderd worden door de reciproke van de frictieleegstand. Dit kan voor de landelijke dataset als volgt bepaald worden: 1/

(

frictieleegstand

1/

(

{vervangingsvraag}

)= /

{voorraad in gebruik} ) =

Wat overeenkomt met de volgende formules die in deze thesis zijn gebruikt: 1/

(

{bruto opname – netto absorptie}

/

{voorraad – aanbod} )

In de periode 1995-2004 is het vervangingspercentage op deze manier berekend gelijk aan 2,25%, wat neerkomt op een gemiddelde verhuisfrequentie van eens in de 44 jaar. De uitkomsten uit deze analyse lijken daarom niet erg realistisch. Dit wordt waarschijnlijk veroorzaakt doordat het berekende frictieleegstandcijfer, dat benaderd is door de vervangingsvraag te delen door de voorraad in gebruik, te laag uitvalt. Het idee achter het 7

Netto absorptie: gebaseerd op verandering voorraad in gebruik (‘Cijfers in perspectief’), ook de opname- en aanbodcijfers gebaseerd op ‘Cijfers in perspectief’.

48


frictieleegstandscijfer is namelijk dat de leegstand zich in de loop van de tijd om dit cijfer heen beweegt. Het berekende frictieleegstandcijfer is echter gedurende de gehele periode structureel lager dan het leegstandscijfer. De door Grootendorst voorgestelde benadering van de frictieleegstand voldoet in dit geval dus niet. Wellicht komt de in dit onderzoek gehanteerde manier om de vervangingsvraag te bepalen, namelijk door de netto absorptie van de opname af te trekken, niet overeen met hetgeen Grootendorst onder de vervangingsvraag verstaat. De hierboven gehanteerde kwantificering van de marktsituatie lijkt in ieder geval niet bruikbaar in het kader van dit onderzoek. De frictieleegstand kan, zoals naar voren kwam, op verschillende manieren worden gedefinieerd, waaronder het leegstandspercentage dat op lange termijn in de markt ‘heerst’ en waarbij er sprake is van evenwicht tussen vraag en aanbod (Geltner en Miller, 2001). Een benadering hiervan is het gemiddelde leegstandspercentage in de periode 1985-2005. Dit percentage bedraagt 7,9%8. Wanneer dit reciproke van dit percentage berekend wordt, komt dit neer op een gemiddelde verhuisfrequentie van eens in de 12,7 jaar. Dit getal lijkt een stuk realistischer dan de eerder genoemde 44 jaar. Deze 12,7 jaar zou als extra maatstaf gebruikt kunnen worden bij de bepaling van de kans op vertrek. Waarschijnlijk kunnen op basis van deze indicator echter niet écht harde uitspraken gedaan worden. Hierboven is gekeken naar de frictieleegstand/ natuurlijke leegstand. Volgens Geltner en Miller (2001) kan de hoogte van de huur (en dus een deel van het rendement) als volgt worden bepaald: (hoogte van de huur op tijdstip t-1) * (1-λ {[leegstandspercentage -natuurlijk leegstandspercentage]/natuurlijk leegstandspercentage}). Zowel de huur in de voorafgaande periode als het leegstandspercentage in verhouding tot het natuurlijke leegstandspercentage zijn dus van invloed op de hoogte van de huur. Er zou dus onder andere een hoge correlatie moeten zijn tussen de huur en een deel van bovenstaande

formule,

namelijk

{(leegstandspercentage

-natuurlijk

leegstandspercentage)/natuurlijk leegstandspercentage}. Tussen beiden komt in de periode 1995-2005 een correlatie van 0,02 naar voren, oftewel geen samenhang. Het zou echter zo kunnen zijn dat de hoogte van de huur vertraagd reageert op veranderingen in de leegstand ten opzichte van de natuurlijke leegstand. Dit is in onderstaande tabel weergegeven waarbij de verandering in de leegstand ten opzichte van de natuurlijke leegstand is afgekort als Δleeg.

8

Leegstandspercentage = [Voorraad (Bak, 2005) - voorraad in gebruik (‘Cijfers in perspectief’) ] / voorraad .

49


Correlatie tussen hoogte van de huur op tijdstip t en: Δleeg op tijdstip t Δleeg op tijdstip t-1 Δleeg op tijdstip t-2 Δleeg op tijdstip t-3 Δleeg op tijdstip t-4 Δleeg op tijdstip t-5

0,02 -0,27 -0,60 -0,79 -0,62 -0,15

Tabel 7: correlatie rendement en leegstandspercentage t.o.v. natuurlijke leegstandspercentage, periode 1995-2005.

Wanneer naar de correlatie tussen het huidige huurniveau en het leegstandspercentage ten opzichte van het natuurlijke leegstandspercentage enkele jaren daarvoor wordt gekeken, blijkt er wel een hogere samenhang aanwezig te zijn. Hieruit zou geconcludeerd kunnen worden dat de huur vertraagd, met drie jaar, reageert op veranderingen in het leegstandspercentage ten opzichte van het natuurlijke leegstandspercentage. Al met al is bovenstaande vrij ingewikkeld en daarom wellicht niet erg geschikt als indicator. Indien direct gekeken wordt naar het leegstandspercentage ten opzichte van het natuurlijke leegstandspercentage en het totale rendement dan komt een sterker, niet vertraagd verband naar voren van –0,85. De leegstand ten opzichte van de natuurlijke leegstand lijkt dus een vrij sterke indicator voor het totale rendement. Een andere veelgebruikte indicator voor de toestand van de markt is de opname/aanbod ratio. Uit de correlatie analyse blijkt dat deze terecht veel gebruikt wordt, aangezien er sprake is van een samenhang met het totale rendement van 0,93. Bovenstaande correlaties zijn in tabel 8 samengevat: Kans op vertrek Opname/aanbod ratio (Leegstand%-natuurlijke leegstands%)/(natuurlijk leegstands%) Leegstand Leegstand als percentage van de markthuurwaarde Kans op nieuwe huurder

Totaal rendement -0,85 0,93 -0,85 -0,79 -0,90 0,93

Tabel 8: Correlatie tussen verschillende indicatoren en het totale rendement op kantoren, periode 1995-2005

Er is hierboven slechts gekeken naar de periode 1995 tot en met 2005 omdat het IPD pas vanaf toen, onder auspiciën van de Raad voor Onroerend Zaken, deze rendementen is gaan bijhouden. De gegevens voor deze index worden aangeleverd door vrijwel alle middelgrote

50


en grote institutionele beleggers. Volgens Van Gool et al (2001) zijn er voor Nederland verder maar weinig historische tijdreeksen met betrekking tot het rendement op vastgoed beschikbaar. Hordijk et al (2004) hebben, omdat er geen lange dataseries voor Nederland beschikbaar zijn, drie 25-jarige tijdreeksen voor kantoren, winkels en woningen geconstrueerd. De samenhang tussen bovenstaande indicatoren en deze langere tijdreeks is eveneens berekend: Kans op vertrek Opname/aanbod ratio Leegstand%-natuurlijke leegstand% Leegstand Kans op nieuwe huurder

Totaal historisch rendement -0,48 0,66 -0,36 -0,16 0,66

Tabel 9: correlatie tussen verschillende indicatoren en het geconstrueerde rendement voor de periode 1985-2005

Geen van de genoemde indicatoren blijkt een écht sterke samenhang te vertonen met het geconstrueerde rendement vanaf 1985. Dit zou weer door databeperkingen verklaard kunnen worden. Al met al was er, net als bij de kans op een nieuwe huurder, een vrij hoge correlatie waarneembaar tussen de kans op vertrek en het totale rendement respectievelijk de leegstand. Dit gaat vooral op voor de periode 1995-2005. Voldoet de kans op vertrek ratio ook aan de eisen van een indicator? Er is nu sprake van een meetbaar fenomeen. Daarnaast lijkt er gezien de redelijk hoge correlaties, sprake van een signalerende functie. Dit onderzoek tracht leading indicatoren te vinden. Zoals gezegd geven leading indicatoren informatie over factoren die toekomstige prestaties beïnvloeden. Of een indicator echt leading is, is moeilijk kwantitatief aan te tonen. Rationeel gezien is de kans op vertrek een leading indicator: een hogere kans op vertrek leidt hoogstwaarschijnlijk tot meer leegstand en dit leidt weer tot een lager rendement.

6.4 Regressie In bovenstaande analyse is voornamelijk naar correlaties gekeken. De verklarende kracht van indicatoren kan ook met behulp van lineaire regressie worden bekeken. De hieruit voortkomende determinatiecoëfficiënt, R², is in feite niks anders dan het kwadraat van de correlatiemaatstaf, R (Brace et al, 2003). Wanneer het totale rendement als afhankelijke variabele wordt gekozen en de beide indicatoren uit dit onderzoek, de kans op vertrek en de kans op een nieuwe huurder, als onafhankelijke variabelen, komt hieruit een R² van 0,858 (adjusted R²= 0,817). Van de variatie in het rendement kan dus 85,8% verklaard worden

51


door middel van de variatie in de kans op vertrek en de variatie in de kans op een nieuwe huurder. De ‘overall’ significantie (ANOVA) is significant (evenals voor de overige hier genoemde regressies), met p waarden kleiner dan 0,05. De afzonderlijke variabelen zijn echter niet allebei significant. De kans op vertrek heeft een lage t waarde en een hoge p waarde. Daarom is vervolgens met behulp van enkelvoudige lineaire regressie gekeken wat de impact is van alleen de kans op een nieuwe huurder op het rendement. Hieruit blijkt dat 86,4% van de variatie in het rendement verklaard kan worden door de variatie in de kans op een nieuwe huurder. Dit is hoger dan de sterk verwante opname/aanbod ratio (R² van 0,852) en de kans op vertrek (R² van 0,734). Op basis hiervan lijkt de kans op een nieuwe huurder dus de beste indicator voor het totale rendement volgens de ROZ/IPD. Wanneer naar het leegstandspercentage wordt gekeken lijkt de kans op vertrek opnieuw een relatief zwakke indicator, afgaande op de determinatiecoëfficiënt van 0,417. De kans op een nieuwe huurder lijkt eveneens geen sterke indicator voor dit leegstandspercentage, met een R² van 0,649. Wanneer beide indicatoren echter gecombineerd worden kan toch nog 81,6% van de variatie in het rendement verklaard worden. Dit is ook wat gevoelsmatig verwacht kon worden. Wanneer contracten niet verlengd worden heeft dit in principe geen grote invloed op de leegstand, zolang er maar weer snel nieuwe huurders gevonden worden. En een hoge kans op een nieuwe huurder beïnvloedt de leegstand nauwelijks, als er weinig huurders vertrekken. De wisselwerking tussen beide kansen komt in deze vrij hoge R² goed tot uitdrukking. Daarnaast blijkt ook de ‘tolerance’ waarde vrij hoog te zijn, namelijk 0,75. Hoe hoger deze waarde bij 1 zit, des te minder sprake er is van collineariteit. Verder zijn ook beide afzonderlijke indicatoren significant.

6.5 Voorspellen van vastgoedvariabelen Om de toekomstige kans op vertrek en kans op een nieuwe huurder te voorspellen wordt gebruik gemaakt van vastgoed variabelen, zoals voorraad, voorraad in gebruik en opname. Om deze data te voorspellen kan weer gebruik gemaakt worden van macro-economische variabelen (zie hiervoor ook figuur 8). Onder andere het Centraal Planbureau, maar ook DTZ Londen, doen voorspellingen over het toekomstige verloop van deze macro-economische variabelen. In deze paragraaf zal de relatie tussen enkele vastgoed- en macro-economische variabelen kort worden bekeken. Voorraad Aangezien er geen bronnen zijn die de voorraadontwikkeling op de lange termijn voorspellen wordt gebruik gemaakt van macro-economische variabelen. Door middel van correlatie- en regressie-analyse kan een verband gelegd worden tussen macro-economische variabelen

52


enerzijds en de toename in de voorraad anderzijds. Uit de lineaire regressie komt naar voren dat maar liefst 99,6% in de variatie van de voorraad verklaard worden door variatie in de consumentenbestedingen, inflatie en kantoorwerkgelegenheid. Wanneer gekeken wordt naar de significantie van de afzonderlijke variabelen blijkt dat alleen de consumentenbestedingen significant zijn. Met behulp van enkelvoudige lineaire regressie komt voor deze bestedingen een R² naar voren van 0,995. Nadeel is wel dat beide variabelen stijgen en dat het daardoor logisch is dat er een vrij hoge correlatie aanwezig is. Door beide variabelen is met behulp van Excel ook een lineaire trendlijn (met bijbehorende formule) te trekken. Het is interessant te kijken of afwijkingen van deze trendlijnen ook samenhangen. Met andere woorden, wanneer de consumptieve bestedingen in een bepaald jaar sterker zijn gestegen dan de trend, is in datzelfde jaar de voorraad ook harder gestegen dan de trend? Hieronder zijn zowel de consumptieve bestedingen als de voorraad grafisch weergegeven.

300.000

Consumptieve bestedingen in miljoenen euro's

250.000 y = 11001x + 125770 200.000

150.000

Consumptieve bestedingen Trendlijn

100.000

50.000

19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03 20 04

0

Figuur 14: de consumptieve bestedingen t.o.v. de trendlijn (gebaseerd op www.cbs.nl)

53


Voorraad kantoorruimte (*1000 m²) 50.000

y = 1276,6x + 29816

45.000 40.000 35.000 30.000 Voorraad

25.000

Trendlijn 20.000 15.000 10.000 5.000

2004

2003

2002

2001

2000

1999

1998

1997

1996

1995

1994

0

Figuur 15: de voorraad kantoorruimte t.o.v. de trendlijn (gebaseerd op Bak, 2005)

Voor zowel de consumptieve bestedingen en de voorraad kantoorruimte kan nu per jaar het verschil met de trendlijn worden berekend. Vervolgens kan gekeken worden of deze verschillen met elkaar samenhangen. Hieruit komt een sterke correlatie naar voren van 0,91. Oftewel, wanneer de consumptieve bestedingen in een bepaald jaar minder hard stegen dan de trend, steeg de voorraad ook minder hard dan de trend (en andersom). De vraag is nu waarom dit verband juist met consumptieve bestedingen zo sterk is. Consumptieve bestedingen zouden gezien kunnen worden als een indicator voor het marktsentiment. Wellicht

reageren

economische

deze

variabelen.

bestedingen Ook

de

enigszins

voorraad

vertraagd

reageert

op

bijvoorbeeld

vertraagd

op

andere

economische

ontwikkelingen, het kost immers enige tijd op een pand te bouwen. Het is mogelijk dat de samenhang tussen beide variabelen mede daardoor aanzienlijk is. Voorraad in gebruik De kantoorwerkgelegenheid lijkt, zoals gevoelsmatig ook logisch is, een goede voorspeller te zijn van de voorraad in gebruik. Uit de lineaire regressie komt een R² van 98,2% naar voren. Net als bij de voorraad kan ook gekeken worden naar de afwijkingen ten opzichte van de trend. In onderstaande figuur staan deze afwijkingen grafisch weergeven. Zoals te zien is, lopen beiden vrij goed samen. Dit blijkt ook uit de correlatie tussen beiden, 0,91.

54


150

2000000

100

1500000 50

1000000 500000

0

0 1987

-500000

1989

1991

1993

1995 1997

1999

2001

2003

-1000000

-50

-100

-1500000 -150

-2000000

-200

-2500000 verschil VIG en trend

Figuur

16:

Verschil tussen VIG en de trend (m²)

Verschil tussen kantoorwerkgelegenheid en trend (*1000)

2500000

De

afwijking

tussen

VIG

Verschil kantoorwerkgelegenheid en trend

(Cijfers

in

perspectief)

en

de

trendlijn

en

de

kantoorwerkgelegenheid (STOGO) en de trendlijn

6.6 Samenvattend In dit hoofdstuk werd bekeken in hoeverre de twee variabelen die in deze thesis bekeken worden goede indicatoren zijn voor de leegstand en het rendement. Uit de correlatie-analyse kwam naar voren dat zowel de kans op vertrek als de kans op een nieuwe huurder een hoge samenhang vertonen met leegstand en rendement. Dit bleek echter alleen op te gaan voor de laatste tien jaar. Uit de regressie-analyse blijkt dat de meeste variatie in het rendement verklaard kan worden door de variatie in de kans op een nieuwe huurder. De leegstand kan het beste verklaard worden door de combinatie van kans op vertrek en de kans op een nieuwe huurder. Of deze bevindingen ook op lokaal niveau opgaan wordt in komend hoofdstuk bekeken.

55

7. De uitkomsten teruggekoppeld op de Amsterdamse situatie

7. De uitkomsten teruggekoppeld op de Amsterdamse situatie 7.1 Inleiding In dit hoofdstuk zullen enkele van de hiervoor genoemde indicatoren bekeken worden op lokaal niveau, namelijk voor Amsterdam. Er is gekozen voor een nadere analyse op lokaal niveau, omdat, zoals aangegeven, vastgoeddata op dit niveau wellicht meer zeggen dan op landelijk niveau. Er is gekozen voor Amsterdam, aangezien dit de belangrijkste kantorenstad is van Nederland (naar grootte van de voorraad gemeten, Bak, 2005). De in dit hoofdstuk gebruikte data zijn terug te vinden in bijlage V.

7.2 De kans op vertrek Onderdeel van de kans op vertrek formule is de hoeveelheid achtergelaten kantoorruimte. Deze wordt in dit onderzoek benaderd door de opname te verminderen met de netto absorptie. De dienst ruimtelijke ordening Amsterdam (DRO) publiceert echter ook direct de hoeveelheid vrijgekomen vierkante meters (vanaf 2005 zijn deze cijfers gepubliceerd door Kantorenmonitor BV). Hieronder wordt de benadering vergeleken met de werkelijke hoeveelheid vrijgekomen vierkante meters:

1993 1993 1994 1995 1996 1997 1998 1999 2000 2001

Hoeveelheid achtergelaten m² bepaald dmv formule

Vrijgekomen hoeveel m² volgens DRO

215.000 55.750 131.500 231.750 72.600 255.050 98.300 263.400 163.100

243.800 320.900 246.000 321.600 273.800 281.000 229.600 401.200 490.100

Tabel 11: vergelijking achtergelaten en vrijgekomen meters9 Beide hoeveelheden blijken niet echt overeen te komen. Dit zou kunnen komen doordat DTZ niet naar exact hetzelfde gebied kijkt als DRO. Beiden geven echter wel aan te kijken naar de cijfers op gemeenteniveau. Naast het feit dat de cijfers niet met elkaar overeenkomen blijkt ook de richting waarin ze veranderen en de mate van verandering niet samen te lopen, gezien de lage correlatie van 0,24. Dit kan gezien worden als een zwak punt met betrekking tot de juistheid van de in hoofdstuk vier opgestelde formule. Probleem van de cijfers op

9

De opname is gebaseerd op ‘Cijfers in perspectief’, de netto absorptie is afkomstig van DRO (Wagemakers, 2004).

56


Amsterdams niveau is dat er cijfers uit veel verschillende bronnen worden gecombineerd, terwijl er bijvoorbeeld sprake is van net iets afwijkende definities. Wanneer de kans op vertrek van kantoorhuurders voor de Amsterdamse situatie bekeken

50%

20%

45%

18%

40%

16%

35%

14%

30%

12%

25%

10%

20%

8%

15%

6%

10%

4%

5%

2%

0%

0% 1985

1987

1989

1991

Kans op vertrek

1993

1995

1997

Totaal rendement

1999

2001

2003

Leegstand, rendement

Kans op vertrek

wordt komt het volgende beeld naar voren:

2005

Leegstandspercentage

Figuur 17: kans op vertrek, leegstands-, en rendementsontwikkeling in Amsterdam10

Wat opvalt is dat de kans op vertrek in Amsterdam erg grillig verloopt. Wellicht is de invloed van enkele individuele transacties op lokaal niveau te groot om op jaarbasis uitspraken te kunnen doen. Dit ondanks dat Amsterdam de grootste kantorenmarkt is van Nederland. Het grillige verloop van de kans op vertrek komt ook in de correlaties naar voren: Kans op vertrek Kans op vertrek (berekend m.b.v. vrijgekomen i.p.v. achtergelaten)11

Rendement (’95-’05) -0,15 -0,56

Leegstand (’85-’05) -0,06

Leegstand (’95-’05) -0,12 0,51

Tabel 12: correlatietabel kans op vertrek 10

Totaal rendement is het rendement volgens het ROZ/IPD, het leegstandspercentage is als volgt bepaald: leegstand (DRO) / voorraad (Dienst onderzoek en statistiek Amsterdam). 11 Het betreft hier slechts de periode ’95-’03 aangezien maar tot 2003 cijfers bekend zijn over de hoeveelheid vrijgekomen vierkante meters. Leegstand is hier gebaseerd op cijfers van de DRO (Wagemakers, 2004).

57


Zoals te zien is vertoont de kans op vertrek, berekend met behulp van de methode die in voorgaande hoofdstukken uitgewerkt is, op het niveau van Amsterdam geen samenhang met rendement en leegstand. In het geval van de leegstand is er sprake van een lichte negatieve correlatie. Dit zou betekenen dat wanneer de kans op vertrek groter wordt, de leegstand af zou nemen. Dit lijkt niet erg realistisch. Wanneer in plaats van naar de cijfers op jaarbasis naar het driejarige gemiddelde wordt gekeken, kunnen schommelingen als gevolg van grotere transacties eruit worden gefilterd. Ook de correlatie tussen dit driejarige gemiddelde met rendement en leegstand is echter erg laag. Aan het begin van deze paragraaf werd al aangetoond dat er een groot verschil bestaat tussen de hoeveelheid vrijgekomen vierkante meters volgens de Dienst Ruimtelijke Ordening (DRO) en de hoeveelheid achtergelaten vierkante meters berekend met behulp van de eerder uitgewerkte formule. Wanneer deze berekende hoeveelheid achtergelaten vierkante meters in de kans op vertrekformule vervangen wordt door de door DRO gepubliceerde cijfers blijken de correlaties met rendement en leegstand toe te nemen. Toch zijn deze correlaties vergeleken met de landelijke cijfers nog steeds vrij laag. Bijkomend nadeel is dat deze hoeveelheid vrijgekomen vierkante meters voor andere gebieden en ook landelijk niet gepubliceerd worden.

7.3 De kans op een nieuwe huurder Hierboven is de kans op vertrek op lokaal niveau nader bekeken. Dit zal nu ook met de kans op een nieuwe huurder gebeuren: Totaal rendement ('95-'05) Leegstand (’85-’05) -0,55 Kans op nieuwe huurder 0,72 -0,46 Opname/aanbod ratio 0,67

Leegstand (’95-’05) -0,76 -0,68

Tabel 13: Correlatietabel12

Zoals in tabel naar voren komt is er sprake van een redelijke correlatie tussen de kans op een nieuwe huurder en het totale rendement. Echter, de samenhang met het rendement is op landelijk niveau voor zowel de kans op een nieuwe huurder als de opname/aanbod ratio aanzienlijk hoger (beiden 0,93) dan voor de Amsterdamse situatie. Of hieruit geconcludeerd moet worden dat de formule minder goed toepasbaar is op lokaal niveau is niet te zeggen. 12

Opname en aanbod zijn gebaseerd op ‘Cijfers in perspectief’, de leegstand op cijfers van de DRO (Wagemakers, 2004).

58


Dit zal in eventueel vervolgonderzoek nader bekeken dienen te worden, door te kijken naar andere steden. Het zou zo kunnen zijn dat op lokaal niveau de gebieds- en gebouwkarakteristieken een belangrijkere rol spelen dan landelijk het geval is. De correlatie tussen de kans op een nieuwe huurder en de leegstand, in de periode ’95-’05, was op landelijk niveau aanzienlijk, namelijk -0,89. Net als bij het rendement is de samenhang op lokaal niveau een stuk lager. Het is wel weer opvallend dat de kans op een nieuwe huurder op lokaal niveau hoger scoort dan de opname/aanbod ratio.

7.4 De verhouding betrokken/ te betrekken kantoorruimte Wat betreft Amsterdam zijn er andere, soms diepgaandere cijfers beschikbaar, bijvoorbeeld in het rapport ‘De Amsterdamse kantorenmarkt 2004’ (Wagemakers, 2004). Zo worden zowel de in de loop van het jaar te betrekken kantoorruimte als de hoeveelheid ruimte die daadwerkelijk betrokken is weergegeven. De totaal als kantoor te betrekken ruimte vertoont veel gelijkenissen met wat hierboven aanbod gedurende het jaar werd genoemd en deze wordt als volgt bepaald: Leegstand per januari – deel van deze leegstand dat bestemd is voor sloop/ herbestemming + opgeleverde nieuwbouw + vrijgekomen ruimte – deel van deze vrijgekomen ruimte die bestemd is voor sloop/ herbestemming Daarnaast wordt zoals gezegd de hoeveelheid betrokken kantoorruimte weergegeven. De verhouding betrokken/ te betrekken. is wellicht een goede indicator om de kans op een nieuwe huurder in een jaar te bepalen. Indien dit het geval is, dient er een negatieve correlatie te bestaan tussen de hierboven genoemde ratio en de leegstand. Hoe groter de kans namelijk is dat er een nieuwe huurder gevonden wordt, des te minder panden waarschijnlijk leeg komen te staan. Uit de correlatieanalyse komt inderdaad een negatieve, vrij sterke samenhang naar voren: -0,85. De verhouding betrokken/ te betrekken is een minder goede indicator voor het rendement, gezien de correlatie van 0,76. Het betreft hier het totale rendement voor kantoren, voor Amsterdam én omgeving. De overige cijfers hebben overigens alleen betrekking op de gemeente Amsterdam. Al met al komt het er op neer dat de in hoofdstuk zes gevonden hoge correlaties tussen de kans op vertrek en de kans op een nieuwe huurder enerzijds en het rendement en de leegstand anderzijds, op lokaal niveau niet bevestigd kunnen worden. Vooral de kans op vertrek blijkt op dit niveau geen goede indicator te zijn voor de performance van kantoren.

59

8. Conclusies

8. Conclusies en aanbevelingen 8.1 Conclusies en aanbevelingen In voorgaande hoofdstukken is besproken wat het verband is tussen leegstand en rendement, wat het belang is van verhuurstrategieën en hoe de kans op vertrek en de kans op een nieuwe huurder bepaald kan worden. Vervolgens is op landelijk niveau geanalyseerd wat de correlatie is tussen deze indicatoren enerzijds en het rendement en de leegstand anderzijds. Deze uitkomsten zijn hierna op lokaal niveau getoetst. Dit alles is gedaan om de volgende centrale vraag te beantwoorden: In hoeverre zijn de kans op vertrek van huurders bij contractexpiratie en de kans op een nieuwe

huurder

goede

indicatoren

voor

de

performance

van

commercieel

beleggingsvastgoed? Hierbij moet een indicator meetbaar zijn en een signalerende functie hebben om zodoende informatie te geven over toekomstig presteren van een vastgoedportefeuille. De signalerende functie is voor beide indicatoren bepaald door middel van redenatie, er dient sprake zijn van ‘logische verbanden’. Daarvan is bij beide indicatoren sprake: hoe hoger de kans op vertrek en hoe lager de kans op een nieuwe huurder, des te groter is de kans op leegstand. Leegstand heeft vervolgens weer een grote invloed op het rendement (correlatie = -0,90). Door de opgestelde formules zijn beide kansen kwantitatief, en hierdoor meetbaar, gemaakt. De mate waarin er sprake is van sterke indicatoren is bepaald door de samenhang met het rendement en de leegstand. Daarnaast zijn regressie-analyses uitgevoerd met als afhankelijke variabelen de leegstand en het rendement en als onafhankelijke variabelen de kans op vertrek en de kans op een nieuwe huurder. Op landelijk niveau blijkt dat beide indicatoren zeker de laatste tien jaar een zeer sterke samenhang vertonen met leegstand en rendement. Er is sprake van positieve, dan wel negatieve correlaties van 0,85 of meer. Dat dit beeld niet naar voren komt wanneer gekeken wordt naar de laatste twintig jaar lijkt te komen door databeperkingen. Sterkste indicator voor de leegstand vanaf 1995 is de kans op vertrek (0,97), maar ook de netto absorptie (-0,93) en de kans op een nieuwe huurder (-0,89) laten een hoge samenhang zien. Wat betreft het rendement scoort een aantal indicatoren hoog. De opname/aanbod ratio en de hiermee sterk samenhangende kans op een nieuwe huurder hebben de hoogste correlatie met het rendement (0,93). De kans op vertrek (-0,85) en de verandering van de

60

8. Conclusies

leegstand ten opzichte van de natuurlijke leegstand (-0,85) zijn eveneens goede indicatoren voor het rendement. Op landelijk niveau kan op grond van bovenstaande gesteld worden dat zowel de kans op vertrek als de kans op een nieuwe huurder goede indicatoren zijn voor de performance van kantoorbeleggingen. Dit is echter vooral het geval voor de laatste tien jaar. Voor de periode van twintig jaar is deze correlatie een stuk lager. De netto absorptie en de opname/aanbod ratio zijn redelijke voorspellers voor de leegstand over deze langere periode, maar de overige indicatoren vertonen weinig samenhang met de leegstand. Wat betreft het rendement voldoet geen enkele indicator voor deze langere periode. Deze beperktere geschiktheid van de indicatoren voor de langere termijn hangt wellicht samen met wat Grootendorst (1994) aangeeft. Zoals gezegd is de marktsituatie volgens hem alleen op korte termijn van invloed op de markthuur. Toch lijken de lagere correlaties voor de langere periode vooral te komen door databeperkingen. Zo zijn de rendementscijfers uit het verleden slechts gereconstrueerd. Bovenstaande conclusies worden deels bevestigd door de regressie-analyse. Wat betreft het rendement is vooral de kans op een nieuwe huurder een sterk verklarende variabele. Voor de leegstand blijkt dat de combinatie van kans op vertrek en kans op een nieuwe huurder de hoogste determinatiecoëfficiënt oplevert. Vervolgens is onderzocht of de conclusies ook opgaan op lokaal niveau. Uit deze analyse is naar voren gekomen dat de kans op een nieuwe huurder het ook op lokaal niveau redelijk goed doet (correlaties van respectievelijk 0,72 en -0,76). De kans op vertrek blijkt echter voor Amsterdam zowel voor het rendement als de leegstand geen goede indicator te zijn. Wellicht spelen op lokaal niveau objects- en omgevingsspecifieke factoren een te belangrijke rol. Daarnaast zijn op dit lokale niveau data uit veel verschillende bronnen gebruikt. Dit zorgt wellicht voor een minder consistent beeld. Verder bleek dat in Amsterdam de gepubliceerde hoeveelheid vrijgekomen vierkante meters niet overeenkomt met de hoeveelheid achtergelaten vierkante meters berekend met de in hoofdstuk vier opgestelde formule. Waar dit aan ligt is niet duidelijk. Het is niet mogelijk om op landelijk niveau eenzelfde vergelijking te maken aangezien op dit niveau de hoeveelheid vrijgekomen vierkante meters niet wordt gepubliceerd. Als alternatief voor de kans op vertrek formule kan een vergelijking gemaakt worden tussen de gemiddelde contractlengte van een portefeuille en de gemiddelde verhuisfrequentie. Deze

61

8. Conclusies

gemiddelde frequentie bedroeg landelijk eens per 12,7 jaar. Deze frequentie zou ook weer op lokaal niveau bepaald kunnen worden. Voor de kans op een nieuwe huurder kan, in ieder geval in Amsterdam, ook gekeken worden naar de verhouding betrokken / te betrekken ruimte. Zeker voor de leegstand is dit een goede indicator (correlatie van –0,85). Nadeel is weer dat de benodigde informatie niet voor heel Nederland beschikbaar is. Als algemeen antwoord kan gegeven worden dat wanneer naar de correlaties gekeken wordt zowel de kans op vertrek als de kans op een nieuwe huurder op landelijk niveau goede indicatoren zijn. Wordt ook naar de regressie-uitkomsten gekeken dan is de kans op een nieuwe huurder de beste indicator voor het rendement en voldoet de combinatie van kans op vertrek en kans op een nieuwe huurder het beste om de leegstand te voorspellen. Op lokaal niveau voldoet alleen de kans op een nieuwe huurder redelijk, zowel voor het rendement als de leegstand. In eventueel vervolgonderzoek zal uitgezocht moeten worden of deze lagere correlaties komen doordat er gekeken wordt naar het lokale niveau of wellicht door databeperkingen.

8.2 Bruikbaarheid voor DTZ Zadelhoff Doel van dit onderzoek voor DTZ was om meer grip te krijgen op de performance van commercieel beleggingsvastgoed. De eerste insteek was om te kijken naar zowel kantoren als bedrijfsruimten en winkels. Gaandeweg het scriptieproces bleek echter dat deze categorieën onderling teveel verschillen om in het kader van één afstudeerthesis alle drie te onderzoeken. Winkels hebben op veel locaties bijvoorbeeld nauwelijks te kampen met leegstand. Voor winkels zal dan ook gezocht dienen te worden naar geheel andere indicatoren. In bijlage I worden bijvoorbeeld de totale toonbankbestedingen genoemd. Bedrijfsruimten komen meer overeen met kantoren, ook gezien de redelijke correlatie tussen leegstand en rendement. Probleem bij bedrijfsruimten is de geringe beschikbaarheid van data, wat de onderzoekbaarheid niet ten goede komt. Het in deze thesis uitgevoerde onderzoek zou ook voor bedrijfsruimten uitgevoerd kunnen worden, al is de verwachting wel dat de indicatoren kans op vertrek en kans op een nieuwe huurder minder verklarende kracht zullen hebben dan voor kantoren het geval is. Dit gezien de lagere correlatie tussen leegstand en rendement dan waarvan bij kantoren sprake is (-0,67 t.o.v. –0,90, zie tabel 1). De in dit onderzoek gevonden relatief hoge verklarende kracht van de indicatoren kans op vertrek en kans op een nieuwe huurder op landelijk niveau zijn, in het kader van strategisch

62

8. Conclusies

portefeuille advies, zeker bruikbaar voor DTZ Zadelhoff. Ook op het tactische niveau, te weten voor dispositie-advies en performance analyse van objecten (Van Gool et al, 2001) kunnen de bevindingen bruikbaar zijn. Er dient echter wel rekening te worden gehouden met de gevonden lagere correlaties op lokaal niveau. Landelijke ontwikkelingen kunnen niet zomaar worden doorgetrokken naar een lager aggregatieniveau. Zeker voor plaatsen waar minder informatie over beschikbaar is dan voor Amsterdam, lijkt het daarom niet zinvol verder in te zoomen dan het regionale aggregatieniveau. Concreet kunnen de uitkomsten als volgt worden gebruikt. Een vastgoedportefeuille kan op basis van de huurcontracten worden geanalyseerd. Uit deze analyse komen de data naar voren waarop de huurcontracten zullen expireren. Deze data kunnen worden vergeleken met de toekomstige kansen op vertrek en kansen op nieuwe huurders. Aan de hand hiervan kunnen uitspraken gedaan worden over de toekomstige performance van panden en portefeuilles. Als huurcontracten expireren terwijl de kans op vertrek hoog is en de kans op een nieuwe huurder laag, zal dit een negatieve invloed hebben op de performance van de portefeuille. Voor deze performance-analyse kan daarnaast op objectniveau bijvoorbeeld gebruik gemaakt worden van de Real Estate Norm (Geldof, 2003). Op basis van bovenstaande analyses kan de ‘buy, hold or sell’ beslissing beter worden onderbouwd. Daarom draagt deze thesis zeker bij aan het oorspronkelijke doel: meer grip krijgen op de performance van commercieel beleggingsvastgoed.

63

Literatuur

Literatuur Asser, R., 2004. The determinants of office tenant renewal. Afstudeerscriptie. Bak, R. L., 2005. Kantoren in cijfers 2005 – statistiek van de Nederlandse kantorenmarkt. Baum, A., 2003. Pricing the options inherent in leased commercial property - a UK case study. Research paper. Brace, N., R. Kemp en R. Snelgar, 2003. SPSS for psychologists – a guide to data analysis using SPSS for Windows. Palgrave Macmillan, Hampshire. Brooks, C. en S. Tsolacos, 2000. Forecasting models of retail rents. Environment and planning A, 32(10): 1825-1839. Brounen, D. en P. M. A. Eichholtz, 2004. Demographic contraction and European property markets: consequences for the demand for office, retail and residential space. Research paper. Chaplin, R., 1999. The predictability of real office rents. Journal of property research, 16(1): 21-49. Crosby, N., C. Lizieri, S. Murdoch en C. Ward, 1998. The cutting edge 1998 - implications of changing lease structures on the pricing of lease contracts. RICS research paper. Geldof, W. J., 2003. Het dispositievraagstuk nader beschouwd – Op welke wijze kan het dispositiebeleid van institutionele beleggers in direct vastgoed worden ondersteund? Afstudeerthesis SBV-MRE opleiding. Geltner, D. en N. M. Miller, 2001. Commercial real estate analysis and investments. South-Western, Cincinnati. Gool, P. van, P. Jager en R. M. Weisz, 2001. Onroerend goed als belegging. Stenfert Kroese, Groningen/ Houten. Gool, P. van en G. G. M. ten Have, 2006. Luchtbellen in vastgoedwaarderingen door verkeerd gebruik taxatiemethoden? Uitgebreide versie, 10 februari 2006 ASRE papers. Verkorte versie gepubliceerd in Property Research Quarterly, maart 2006. Gool, P. van en G.A. Vos, 2002. Naar rapportage over de netto opname van kantoorruimte varkenscyclus weer terug op de kantorenmarkt! SBV research paper. Grenadier, S. R., 1995. Valuing lease contracts – A real-options approach. Journal of financial economics, 38(3): 297-331. Grootendorst, J., 1994. De markthuur op kantorenmarkten in Nederland. Tinbergen institute research series, academisch proefschrift.

64

Literatuur Hendershott, P., 1996. Rental adjustment and valuation in overbuilt markets: evidence from the Sydney office market. Journal of urban economics, 39(1): 51–67. Hordijk, A. C., H. M. de Kroon en M. A. J. Theebe, 2004. Long-run return series for the European continent: 25 years of Dutch commercial real estate. Journal of real estate portfolio management, 10(3): 217-230. Jager, E. en J. Koster, 2005. De value based scorecard: integratie van BSC en VBM. Finance en control, februari 2005. Langens, 2002. Het aanvangsrendement - het aanvangsrendement benaderd vanuit drie verschillende invalshoeken: rapportages, theorie en praktijk. Afstudeerscriptie. Laning, M., 2005. Gemiddelde lengte van huurcontracten – gemiddeld huurcontract nog maar 4 jaar. Nieuwsbericht DTZ Zadelhoff research. Tevens gepubliceerd in het financieel dagblad van 10 november 2005. Ling, D. C., 2005. A random walk down main street: can experts predict returns on commercial real estate? Journal of real estate research, 27(2): 137-154. DTZ Zadelhoff, o.a. 2006. Cijfers in perspectief – de Nederlandse markt voor commercieel vastgoed. Lusht, K. M., 2001. Real estate valuation – principles and applications. KML Publishing, State college Pa. McAllister, P. en H. Tarbert, 1999. Bargaining, utility and rents - Analysing the effect of potential lease termination on rent negotiation outcomes. Journal of property investment & finance, 17(4): 353-364. McDonald, J. F., 2000. Rent, vacancy and equilibrium in real estate markets. Journal of real estate practice and education, 3(1): 55-69. Scholten, M., 2004. Een beleidsondersteunend model. PropertyNL research quarterly, 3(2): 47-52. Scholten, M. , 2003. Rendement en risico op een woningbeleggingsportefeuille – Een beleidsondersteunend model voor een institutionele belegger in woningen. Afstudeerscriptie. Gepubliceerd in: Sirmans, C. F., en N. G. Miller, 1997. Research on leases. Real estate finance, 14(1): 7883. Smith, M., 2003. Research methods in accounting. Londen: SAGE Publications. Tse, R., 1999. Lag vacancy, effective rents and optimal lease term. Journal of property investement & finance, 17(1): 75-88.

65

Literatuur Vos, G. A., 1993. International real estate portfolios. In: Berry, J., S. McGreal en B. Deddis, 1993. Urban regeneration: property, investment and development, E & FN Spon, Londen/ New York. Wagemakers, A. A. A. M., 2004. De Amsterdamse kantorenmarkt 2004 – Einde aan de nieuwbouwgolf. Dienst Ruimtelijke Ordening. Werf, Y. van der, 2004. Beëindigen huurcontracten kan tot aanzienlijke besparingen leiden – AT Osborne beëindigt 82 huurcontracten binnen twee jaar. Vastgoedmarkt, november 2004: 18. Wheaton, W. en R. Torto, 1994. Office rent indices and their behavior over time. Journal of urban economics, 35(2): 121–139. Wouden, R., F. van Dam, D. Evers, A. Hendriks, A. van Hoorn, N. Pieterse en G. Renes, 2006. Verkenning van de ruimte 2006. Ruimtelijk planbureau.

66

Bijlagen – extra literatuur gebruikt in de bijlagen: Bakker, B. M., 2002. Ontwikkeling huurprijzen en winkelpassanten in de hoofdwinkelstraten in Nederland – een onderzoek naar de invloed van winkelpassanten en de toonbankbestedingen in de grote en middelgrote steden in Nederland. Afstudeerscriptie. Beernink, B., J. Hagens en R. Buck, 1998. Locatievoorkeur en ruimtegebruik van verhuisde bedrijven. Studie uitgevoerd door Buck Consultants International, in opdracht van het CPB. Benjamin, J. D., G. S. Sirmans en E. N. Zietz, 2001. Returns and risk on real estate and other investments: more evidence. Journal of real estate portfolio management, 7(3):183214. Brooks, C. en S. Tsolacos, 2000. Forecasting models of retail rents. Environment and planning A, 32(10): 1825-1839. Buttimer Jr., R. J., R. C. Rutherford en R. Witten, 1997. Industrial warehouse rent determinants in the Dallas-Fort Worth area. Journal of real estate research, 13(1): 47-55. Chaplin, R., 1999. The predictability of real office rents. Journal of property research, 16(1): 21-49. Gallimore, P. en P. McAllister, 2004. The production and consumption of real estate market forecasts. Paper. Inbo Adviseurs Vastgoed, 2005. Kantoorgebruikers in beweging 2005. Karakozova, O., 2004. Modelling and forecasting office returns in the Helsinki area. Journal of property research, 21(1): 51-73. Mostert, J., 2004. Berekening huurprijs winkels niet te vangen in definitie – researchoverleg Vastgoedmarkt over kernwaarden retailmarkt. Vastgoedmarkt. Rietdijk, N., 2005. Thermometer winkels. NVB rapport. Rietdijk, N. en M. H. Stijnenbosch, 2004. Kantoorgebruikers in profiel: onderzoek naar huisvestingswensen van kantoorgebruikers. Onderzoek in opdracht van NVB, uitgevoerd door B&A Groep Beleidsonderzoek en Advies. Schaap, R., 2004. Vraagkarakteristieken ‘nieuwe’ kantoorgebruikers. Afstudeerscriptie. Thompson, B. en S. Tsolacos, 1999. Rent adjustments and forecasts in the industrial market. Journal of real estate research, 17(1/2): 151-167. Tsolacos, S., T. McGough en B. Thompson, 2005. Affordability and performance in the industrial property market. Journal of property investment & finance, 23(4): 2005. Topal, F., 2006. De locatiekeuzefactoren van detaillisten nader bekeken. Afstudeerscriptie. Venema, P. en J. Winters, 2004. Het nationale kantorenmarktonderzoek 2004: resultaten en visies. Twynstra Gudde. Wit, I. de en R. van Dijk, 2003. The global determinants of direct office real estate returns. Journal of real estate finance and economics, 26(1): 27-45.

Bijlage I

Rendement en commercieel vastgoed

Algemeen economische factoren Verschillende onderzoeken hebben onderzocht wat de relatie is tussen macro-economische factoren en de prestaties van vastgoed. Volgens McCue en Kling (in Benjamin et al, 2001) kan zestig procent van de variatie in vastgoedprijzen verklaard worden door de variatie in macro-economische variabelen. Bij een ander onderzoek (Eppli, in Benjamin et al, 2001) komt naar voren dat 28% van de variatie in ‘unsmoothed, delagged real estate returns’ verklaard kan worden door de variatie in macro-economische variabelen. Liang en McIntosh (1998) stellen dat op korte termijn de groei in werkgelegenheid weliswaar bijdraagt aan real estate returns, maar dat dit op lange termijn niet het geval is. De enige macro-economische variabele die volgens Ling en Naranjo (positief) van invloed is, is het ‘groeipercentage van de reële consumptie per hoofd van de bevolking. Deze laatste twee komen ook naar voren in hetzelfde overzichtsartikel van Benjamin et (2001) Indirect rendement Hieronder zullen kort enkele aspecten met betrekking tot het indirecte rendement van commercieel vastgoed besproken worden. Gallimore en McAllister (2005) stellen dat modellen om aanvangsrendementen en dus het indirecte rendement te voorspellen als veel minder betrouwbaar worden beschouwd dan modellen om huurprijzen te voorspellen. Dit komt doordat er een sterkere causale relatie is tussen veranderingen in het aanvangsrendement en (moeilijk te voorspellen) kapitaalmarktveranderingen. Daarnaast speelt volgens deze auteurs sentiment ook een belangrijke rol bij het bepalen van aanvangsrendementen. ‘Judgement’ speelt daarom een belangrijkere rol bij het voorspellen van deze aanvangsrendementen. Sommige verwachtingsmodellen gebruiken volgens dezelfde auteurs een ‘multiple regression approach’, meestal met een tijdshorizon van vijf jaar. Er wordt echter gebruik gemaakt van een grote range van datasets en inputs om deze verwachtingsmodellen op te stellen. Hierdoor is het volgens de auteurs onmogelijk om dergelijke modellen op te stellen zonder gebruik te maken van ‘human judgements’. Karakozova (2004) stelt dat in Helsinki juist het indirecte rendement erg volatiel is. Het best verklarende model om dit indirecte rendement, op kantoren, in Helsinki te bepalen bevat de volgende variabelen: de mate van groei van het indirecte rendement in het verleden, groei van de werkgelegenheid in de dienstensector en de groei in het bruto binnenlands product. Rendement en de verschillende categorieën Kantoren De Wit en Van Dijk (2003) onderzochten welke factoren het directe rendement op kantoren bepalen. Naar voren komt dat de relatie met het bruto binnenlands product positief is. Er is sprake van een negatief verband met de volgende factoren: verandering in de voorraad, werkloosheid en het leegstandspercentage. Inflatie heeft geen significant effect op het directe rendement. Twee van bovenstaande factoren zullen in dit onderzoek nader bekeken worden, namelijk verandering in de voorraad en, vooral, het leegstandspercentage. Daarnaast keken deze auteurs ook naar de determinanten die invloed hebben op het indirecte rendement van kantoren. Het bruto binnenlands product en de inflatie hebben een positieve invloed, terwijl werkloosheid en leegstand het indirect rendement juist negatief beïnvloeden. Opvallend is verder dat veranderingen in de voorraad kantoren geen significante invloed hebben op het indirecte rendement. Dobson en Goddard (in Chaplin, 1999) stelden een model op om reële kantoorhuren in het Verenigd Koninkrijk te voorspellen. Naar voren komt dat de werkgelegenheid geen significante invloed heeft. De reële rente en huizenprijzen (!) hebben een positief effect op de

reële kantoorhuren. Volgens de auteurs zijn kantoorhuren en –prijzen nauwer verbonden met huizenprijzen dan bedrijfsruimte en winkelprijzen. Kantoren

Direct Rendement

Indirect Rendement

Algemeen economisch

- GDP (+) - Werkloosheid (-)

- GDP (+) - Inflatie (+) - Werkloosheid (-)

Vastgoed specifiek

- Verandering in de voorraad (-) - Leegstandspercentage (-) - ‘Probability of renewal’ (-)  negatief want minder risico? - Lengte huurcontract (-)

- Leegstandspercentage (-) - ‘Probability of renewal’ (+) - Lengte huurcontract (+)

Tabel 14: factoren die het rendement op kantoren bepalen

Bedrijfsruimten Er is relatief weinig onderzoek gedaan naar factoren die de huur van bedrijfsruimten bepalen. Dit komt volgens Thompson en Tsolacos (1999) ten dele door het belang van de eigenaar-gebruikers in deze sector en door het lage aandeel van bedrijfsruimten in institutionele portefeuilles. Veranderingen in het ‘real GDP’ zijn volgens deze auteurs van invloed op de veranderingen in reële huurprijzen. Dit komt doordat de vraag naar bedrijfsruimten bij een aantrekkende economie toeneemt. Ze concluderen ook dat de invloed van het GDP groter is dan de invloed van de industriële werkgelegenheid (manufacturing). Verder is er sprake van een statistisch significant verband tussen de ‘availability of floor space’ (absorption rate) en de veranderingen in huurprijzen, al vindt dit effect wel enigszins vertraagd plaats. Tot slot zijn volgens deze auteurs ook huurveranderingen uit het verleden van invloed op de reële huren in de toekomst. Dezelfde auteurs aangevuld met McGough (Tsolacos et al, 2005) tonen aan dat de manufacturing output en opnieuw het GDP van belang zijn bij het verklaren van veranderingen in huurprijzen van bedrijfsruimten. Wel waarschuwen ze ervoor ook rekening te houden met signalen van indicatoren die een directer verband vertonen met de winstgevendheid en betaalbaarheid in de ‘manufacturing’ sector. Buttimer et al (1997) stellen dat de fysieke eigenschappen van een object, de locatie en de algemene marktfactoren belangrijke determinanten zijn voor de huur van bedrijfsruimten. Bij fysieke eigenschappen kan gedacht worden aan de ouderdom van het pand, plafondhoogte, percentage kantoorruimte en de aanwezigheid van een sprinklerinstallatie. Verder komt naar voren dat de relatie tussen huur en fysieke eigenschappen non-lineair is.

Bedrijfsruimten

Direct Rendement

Indirect Rendement

Algemeen economisch

- Veranderingen ‘real GDP’ (+) - Manufacturing output (+)

-

Vastgoed specifiek

- Beschikbaar vloeroppervlak (-)  maar vertraagd - Huurveranderingen uit het verleden (+) - Fysieke eigenschappen object, locatie en algemene marktomstandigheden (+)  erg algemeen

-

Tabel 15: factoren die het rendement op bedrijfsruimten bepalen

Winkels Bij de hierboven genoemde categorieën kwam het belang van leegstand naar voren. De kans hierop en hoe lang het duurt totdat een nieuwe huurder gevonden is zouden daarom belangrijke indicatoren voor de waarde-ontwikkeling van commercieel vastgoed. Winkelmeters zijn echter veel moeilijker onderling uitwisselbaar dan kantoor- en bedrijfsruimtemeters. Hierdoor zeggen opname-, leegstands- en aanbodcijfers niet zoveel. Daarnaast hebben winkels op A-locaties nauwelijks te maken met leegstand. Dat leegstand geen goede indicator is voor de performance van winkelvastgoed blijkt ook wel uit de correlatie met het rendement. De correlatie tussen leegstand (als percentage van de markthuurwaarde) en het totale rendement (ROZ/IPD) is –0,04, oftewel, er is geen sprake van samenhang. Dit in tegenstelling tot bedrijfsruimten (-0,67) en vooral kantoren (-0,90). Voor winkels zal dus naar een andere indicator gekeken moeten worden. Locatie is voor winkels een erg belangrijke factor. Het verplaatsen van een winkel heeft een veel grotere impact (op de opbrengsten) dan het verplaatsen van kantoorruimte. Een goede indicator voor de kwaliteit van een locatie, op gebiedsniveau, zijn passantenstromen. Om winstgevend te kunnen zijn heeft een winkel nu eenmaal klanten nodig. ‘De passantenstromen binnen winkelgebieden’ zijn ook volgens de deelnemers aan een researchoverleg van Vastgoedmarkt hét criterium om de hoogte van de huurprijs te bepalen in A1-winkelgebieden (Mostert, 2004). Dit overleg vond eind 2004 plaats en winkelspecialisten van verschillende grote marktspelers waren hierbij aanwezig. Overigens zijn ook hier voorbeelden aan te dragen die dit criterium onderuit kunnen halen. Kroese (in Mostert, 2004) stelt dat in de PC Hooftstraat tophuren gerealiseerd worden terwijl hier geen sprake is van enorme passantenstromen. Dit kan ondervangen worden door de definitie van Locatus met betrekking tot segment indeling te hanteren. Bij deze indeling wordt de indeling in A1, A2, B1 enzovoorts gebaseerd op het aantal passanten in verhouding tot het drukste punt in een stad. Echter, Amsterdam wordt opgedeeld in verschillende delen en de typering A1, A2 is ten opzichte van het drukste punt in dat deel van de stad. Uitgaande van bovenstaande zouden passantenstromen dus een goede indicator kunnen zijn om de (toekomstige) huurontwikkeling mee te verklaren/ voorspellen. De relatie tussen huurprijzen en aantal passanten komt ook in een onderzoek van Bakker (2002) naar voren. Hij komt tot een gemiddelde huurprijs van €0,019 per passant, voor een standaardwinkelunit van 150m² met een frontbreedte van 5 à 6 meter. Dit komt er op neer dat elke passant ongeveer twee cent moet uitgeven om de winkelier aan het eind van het jaar de huur te kunnen laten betalen. Deze twee cent is echter geen vast gegeven, maar gold op het moment van onderzoek. Wanneer echter naar de ontwikkeling van de passantenstromen in

de tijd gekeken wordt, vergeleken met de ontwikkeling van de huurprijzen, blijkt er géén sprake te zijn van een statistisch significante relatie. De variabele winkelpassant, in de tijd gezien, is geen verklarende factor voor de variabele huurprijs. Dit gegeven, mits juist (het onderzoek van Bakker betreft ‘slechts’ een afstudeeronderzoek), zorgt ervoor dat ‘passantenstromen’ niet bruikbaar zijn als indicator voor de toekomstige performance van winkelvastgoed. Het uiteindelijke doel is om gefundeerde prognoses te kunnen doen over het toekomstige rendement. Hiervoor moet een variabele dus een statistisch significant verband vertonen met de huurprijsontwikkeling door de tijd heen. Bakker laat zien dat de variabele ‘totale toonbankbestedingen’ wel een dergelijk statistisch verband vertoont met de huurprijsontwikkeling. Deze relatie is vooral sterk in de grote steden. Daarnaast is de relatie toonbankbestedingen in non-food sterker dan in de food sector. Plaats

Straat

R²

Amsterdam

Kalverstraat

,819

Leidsestraat

,893

Hoogstraat

,731

Lijnbaan

,720

Lange Elisabethstraat

,752

Oudegracht

,836

Spuistraat

,542

Vlamingstraat

,627

Rotterdam Utrecht Den Haag

Tabel 16: Regressie winkelhuurprijs en totale toonbankbestedingen

Zoals hierboven te zien is kan voor de Oudegracht ruim 83% van de variatie in huurprijzen verklaard worden door de variatie in de toonbankbestedingen. Ook voor de andere grote steden is deze verklarende kracht aanzienlijk. Er zou dus meer inzicht verkregen kunnen worden in de ontwikkeling van het rendement (de huurprijzen) door beter naar de toonbankbestedingen te kijken. Wellicht hangt deze vooral af van demografische en economische factoren. Wanneer deze kunnen worden voorspeld, kunnen uitspraken gedaan worden over de toekomstige ontwikkeling van de toonbankbestedingen. Deze informatie kan weer gebruikt worden voor de voorspelling van winkelrendementen. Aangezien winkels vaak een aanzienlijk deel van de institutionele portefeuille vormen, is het volgens Brooks en Tsolacos (2000) van belang de ‘drivers’ van de ‘retail property market’ te achterhalen. Macro-economische variabelen die van invloed zijn op het winkelinvesteringsklimaat zijn consumentenvertrouwen, omzetontwikkeling Nederlandse detailhandel, rendement op staatsobligaties, vitaliteit Nederlandse detailhandel en het overheidsbeleid (Rietdijk, 2005). Een factor die ook van invloed zou kunnen zijn op de waarde van winkelruimten is de ontwikkeling van thuiswinkelen, met name via internet. Zoals in onderstaande tabel te zien is is het aandeel van thuiswinkelen als percentage van de totale detailhandel de laatste jaren flink gestegen. Ondanks dat deze stijging in relatief opzicht aanzienlijk is, is het aandeel van thuiswinkelen met ruim 3,6 % nog erg beperkt.

1999 2000 2001

2002 2003 2004

Percentage thuiswinkelen binnen de totale detailhandel

1,71

2,01 2,29

2,65 3,09

3,59

Omzet thuiswinkelen (Mld euro)

1,23

1,52 1,84

2,20 2,50

2,64

Omzet online consumentenbestedingen (Mld euro)

0,15

0,31 0,53

0,94 1,24

1,68

Tabel 17: thuiswinkelen (bron: vastgoedmonitor.nl)

Overigens komt in twee recente promotieonderzoeken (Farag, 2006; Weltevreden, 2006) aan de Universiteit van Utrecht naar voren dat internetwinkels klanten niet weghouden uit de gewone winkel. Bezoekers van internetwinkels worden juist gestimuleerd ook een bezoek te brengen aan de gewone winkel. Bouman (in Van der Kleijn, 2005), directeur van Bouman Visscher Van Limbeek, geeft aan dat door internet er wellicht verschuivingen kunnen ontstaan tussen verschillende branches, maar dat de vraag naar winkelruimte op goede locaties hierdoor niet af zal nemen. Winkelen is volgens hem een vorm van recreatie, die voor het grote publiek altijd zal blijven bestaan.

Bijlage II

Kans op vertrek: micro-niveau (gebruikers, gebouw)

In deze scriptie is aangegeven wat de kans is dat huurders weggaan. Hierbij is op landelijk en lokaal niveau gekeken naar vastgoedmarkttechnische data. Er zal nu een overzicht worden gegeven van de factoren die op micro niveau van invloed zijn op de kans dat het huurcontract niet verlengd wordt. Het overzicht omvat slechts Nederlandse onderzoeken en zou uitgebreid kunnen worden met Angelsaksische literatuur. Waar het hier echter om gaat is een globaal beeld te geven van factoren die op pandniveau een rol spelen. De kans dat huurders weggaan op landelijk of lokaal niveau kan met behulp van deze microfactoren nader worden gespecificeerd. Bij de beslissing om het huurcontract al dan niet te verlengen kunnen verschillende zaken een rol spelen. De tevredenheid over het huidige gebouw en locatie, de beschikbaarheid van alternatieven, verhuiskosten, etcetera. Verschillende onderzoeken hebben onderzocht wat de motieven zijn om te verhuizen. Hierbij wordt vaak het onderscheid gemaakt tussen pushen pull factoren. De pushfactoren hangen samen met de ontevredenheid over de huidige locatie, terwijl de pullfactoren met de aantrekkelijkheid van alternatieven te maken hebben. Overigens concluderen Beernink et al (1997) dat er sprake is van een zekere symmetrie tussen pushen pullfactoren. Dit is eigenlijk ook logisch, huurders willen dat de nieuwe locatie beschikt over kenmerken waar de huidige locatie tekortschiet. Er zal nu een samenvatting gegeven worden van enkele onderzoeken naar verhuismotieven. Het eerste onderzoek dat bekeken wordt is ‘Locatievoorkeur en ruimtegebruik van verhuisde bedrijven’ (Beernink et al, 1997). Er wordt hierbij voor zowel kantoren als bedrijfsruimten gekeken naar bedrijven die daadwerkelijk verhuisd zijn. Dit in tegenstelling tot enkele andere onderzoeken, waar gekeken is naar de verhuisgeneigdheid. Venema en Winters (2004) geven aan dat verhuisgeneigdheid niet zozeer iets zegt over daadwerkelijk verhuizen, maar vooral over de tevredenheid over de huidige huisvestingssituatie. Overigens stelt Han Machielsen, directeur van DTZ Vastgoedmanagement, dat voor de performance van kantoorruimten de gebruikstevredenheid van huurders het belangrijkste is. De pushfactoren die Beernink et al (1997) onderscheiden, in volgorde van belang, zijn de volgende: ruimtegebrek, bedrijfseconomisch, bereikbaarheid, fusies/overnames, niet functionele bedrijfsruimte, milieu-eisen/ beleid gemeente, eigendomsvorm huisvesting, hoge kosten, representativiteit, afstand woon-werklocatie, te ruime huisvesting en tot slot parkeermogelijkheden. Hierbij wordt ruimtegebrek door ruim veertig procent van de ondervraagden als belangrijkste reden aangedragen, terwijl slechts bij een kleine twee procent parkeermogelijkheden hét verhuismotief was. Pullfactoren die in ditzelfde onderzoek genoemd worden zijn, wederom in volgorde van belang: ruimte/ groeimogelijkheden, marktligging, bereikbaarheid, regiogebonden, fusies/ overnames, snel beschikbaar, woon-werkafstand, prijs-kwaliteitverhouding, representativiteit, huisvestingsfaciliteiten, nabij andere vestingen, koopmogelijkheid, tijdelijk/ geen andere alternatieven, nabij Schiphol/ Randstad, parkeermogelijkheden en medewerking overheid. Een factor als huisvestingsfaciliteiten lijkt specifiek voor bedrijfsruimten erg belangrijk. Hierbij kan gedacht worden aan passende voorzieningen voor bijvoorbeeld productie en opslag. Gezien de huidige ruime kantorenmarkt, hebben huurders ook in deze sector wellicht meer aandacht voor de faciliteiten. Er is sprake van een vragersmarkt, waarbij faciliteiten en hiermee samenhangend de prijs-kwaliteitverhouding, wellicht meer meegenomen worden bij huisvestingsbeslissingen. Met andere woorden, huurders willen een beter kantoor voor hetzelfde geld. Het tweede onderzoek dat bekeken wordt is ‘Het nationale kantorenmarktonderzoek 2004’ (Venema en Winters, 2004). De verhuisgeneigdheid bereikte in 2004 een dieptepunt. Slechts 13 procent van alle kantoorgebruikers denkt er over na te verhuizen. Ter vergelijking, in 1999 was dit percentage ruim 31 procent. Het lijkt er op dat deze geneigdheid de economie volgt. De groei van organisaties hangt sterk af van de

economie en is van grote invloed op de verhuisgeneigdheid. Dit blijkt ook uit de verhuisredenen die in dit onderzoek onderscheiden worden. Veruit de belangrijkste reden is de groei van de organisatie. Hierna volgen: kantoor slecht efficiënt indeelbaar, kantoor technisch verouderd, kantoor te duur, interne reorganisatie, te weinig parkeerplaatsen, geringe uitstraling kantoor en tot slot achterstallig onderhoud. De auteurs geven aan dat de prijs van het kantoor een vrij belangrijke factor is, terwijl dit in 2001, toen het onderzoek ook werd uitgevoerd, veel minder het geval was. Het belang van deze factor hangt waarschijnlijk ook weer af van de economische omstandigheden. Ook het rapport ‘Kantoorgebruikers in beweging 2005’ (Inbo Adviseurs Vastgoed, 2005) maakt onderscheid tussen pushfactoren (vertrekredenen) en pullfactoren (vestigingsredenen). Motieven verschillen per sector en locatie en daarom zeggen gemiddelde waarden weinig. Kantoorgebruikers blijken wat vertrekredenen het meeste belang te hechten aan functionele aspecten. Hierbij kan gedacht worden aan groei en krimp van de organisatie, fusering of de overgang naar een nieuw kantoorconcept. Ook locationele aspecten zijn van belang. Het gaat hierbij vooral om de uitstraling van de locatie, de parkeergelegenheid en de bereikbaarheid met de auto. Het gebouw zelf is ook van invloed op de verhuisbeslissing. Met name technische veroudering en flexibiliteit van het pand scoren hierbij hoog. Als minst belangrijke aspect worden financieel economische aspecten aangeduid. Belangrijkste reden in deze categorie is het aflopen van het huurcontract. Opvallend is verder dat geen van de ondervraagden aangaf verhuisd te zijn vanwege te hoge huurprijzen. ‘Kantoorgebruikers in profiel 2004’ (Rietdijk en Stijnenbosch, 2004) brachten eveneens de voornaamste verhuismotieven voor kantoorgebruikers in kaart. Het lijkt er echter sterk op dat er een verband is tussen dit onderzoek en het hiervoor aangehaalde ‘nationale kantorenmarktonderzoek 2004’. De acht belangrijkste factoren zijn in beide onderzoeken exact hetzelfde. ‘Kantoorgebruikers in profiel 2004’ noemt daarnaast nog de volgende factoren: fusies/overnames, dichter bij de klanten, aantrekkelijker voor het personeel, huidige parkeergelegenheid te duur, huidig gebouw te groot, slechte autobereikbaarheid, slechte verbinding openbaar vervoer. Tot slot deed Schaap (2004) onderzoek onder verhuisde bedrijven. Zijn uitkomsten komen grotendeels overeen met bovenstaande factoren. Dit is niet zo vreemd, aangezien deze auteur het onderzoek schreef als stagiair bij Inbo adviseurs, de auteurs van het rapport ‘kantoorgebruikers in beweging 2005’. Groei van de organisatie, representativiteit, technische veroudering en parkeergelegenheid werden al genoemd. Daarnaast noemt twintig procent van de ondervraagden het aflopende huurcontract als verhuismotief. Deze laatste factor toont het belang van dit onderzoek aan. Door middel van een goede verhuurstrategie kunnen beleggers ervoor zorgen dat contracten zoveel mogelijk aflopen op momenten dat de huurcyclus zich op een hoog niveau bevindt. Genoemde factoren uit de verschillende onderzoeken zijn hieronder schematisch weergegeven. Hierbij is geen onderscheid gemaakt tussen factoren die van invloed zijn op de verhuisgeneigdheid en factoren die ten grondslag lagen aan het daadwerkelijk handelen, namelijk verhuizen. Bij beiden gaat het er namelijk om dat de huurders kennelijk ontevreden zijn. Daarnaast is er geen onderscheid gemaakt tussen pushen pullfactoren. In grote lijnen zijn dit namelijk twee kanten van dezelfde medaille. Beiden zijn voor dit onderzoek ook van belang: pushfactoren verkleinen de kans op huurcontractverlenging, terwijl pullfactoren ook opgevat zouden kunnen worden als factoren die ervoor zorgen dat huurders blijven (normaal gaat het bij pullfactoren eigenlijk om factoren die ervoor zorgen dat huurders komen). De resultaten zijn in onderstaande tabel samengevat:

Categorie Bedrijfsmatige, functionele aspecten

Gebied/ locatie

Gebouw Bij slechts tien procent is de reden van verhuizen de kwaliteit van het gebouw. Dit was een aantal jaren geleden veel meer. De kantorenvoorraad is echter sterk verjongd.

Financieel economische aspecten

Gebruiker

Verhuisredenen -

Tabel 18: Verhuismotieven kantoorgebruikers

Organisatiegroei/ ruimtegebrek Organisatiekrimp/ gebouw te groot Fusies/ overnames Nieuw kantoorconcept Interne reorganisatie Uitstraling/ imago locatie Aantal parkeerplaatsen Bereikbaarheid met auto CBD vs SUB  kans op verlenging groter bij CBD Afstand tot klanten/ marktligging Bereikbaarheid met OV Milieueisen/ beleid gemeente Afstand tot personeel Nabijheid andere vestigingen Nabijheid vliegveld Medewerking overheid Aantrekkelijkheid voor personeel Technische veroudering Flexibiliteit van het pand Zichtbaarheid Oppervlakte Uitstraling gebouw Achterstallig onderhoud Aantrekkelijkheid voor personeel Niet functioneel/ slecht efficiënt indeelbaar Representativiteit van het pand Ruimtegebrek Ruimte overschot Faciliteiten Achterstallig onderhoud Aantrekkelijkheid voor personeel Aflopen van huurcontract Hoogte van de huur Kosten van de parkeergelegenheid Marktsituatie: beschikbare panden Hoogte van de incentives t.o.v. de concurrentie Prijs/ kwaliteitsverhouding Hoogte van de verhuiskosten Branche Locatie: imago is bepalend bij de keuze van een nieuw pand Bedrijfsmatige, functionele redenen spelen bij de keuze voor een nieuwe vestiging een minder grote rol dan voorheen.  Zachtere factoren zoals kwaliteit en imago spelen bij keuze nieuwe huisvesting een dominante rol.  trend van kwaliteitzoekers Eigendomsvorm huisvesting

Voor winkels zijn ook factoren te onderscheiden die op pandniveau van belang zijn. Hieronder is hiervan een overzicht gegeven, gebaseerd op een afstudeerscriptie van Topal (2006). Het betreft hier overigens geen pure verhuismotieven, maar locatiekeuzefactoren voor detaillisten. Wanneer een locatie/ pand niet goed scoort op deze punten is kans waarschijnlijk wel groter dat een huurder op zoek gaat naar een ander pand. Gebruiker, objectniveau De hierboven genoemde passantenstromen hebben invloed op de huurinkomsten op gebiedsniveau. Daarnaast kan ook worden gekeken naar factoren die van invloed zijn op de performance op objectniveau. Voor de volledigheid zullen een aantal van deze factoren worden aangegeven: Positie

Variabele

1 2

Hoogte huurprijs Toegankelijkheid winkelpand

3 4

Grootte verkoopvloeroppervlakte Winkelstand

5 6

Frontbreedte Aantal passanten

7 8

Uitstraling pand Alle wvo op begane grond

9 10

Parkeergelegenheid Kwaliteit omgeving

11 12

Indeelbaarheid wvo Hoogte consumptieve bestedingen

13 14

Imago Omvang wvo winkelgebied

15 16

Aanwezigheid ‘trekkers’ Bereikbaarheid pand per auto

17 18

Aanwezigheid concept-/branchegenoten Aanwezigheid secundaire ruimtes

19 20

Esthetische aantrekkingskracht winkelgebied Lengte huurtermijn

21 22

Bereikbaarheid per openbaar vervoer Gemeentelijk ontwikkelingsbeleid

23 24

Rechts-georienteerde winkelruimte Aanwezigheid horeca

25 26

Nieuwbouw Wvo verdeeld over verschillende verdiepingen

27 28

Seizoensgebondenheid plaats Aanwezigheid winkeliersvereniging

Tabel 19: de belangrijkste locatiekeuzefactoren voor detaillisten (bron: Topal, 2006)

Overigens is volgens Han Machielsen, directeur van DTZ Vastgoedmanagement, de omzetpotentie het belangrijkste performance bepalende kenmerk van winkelruimten. Deze potentie kan bepaald worden door middel van Distributie Planologisch Onderzoek, maar het gaat te ver hier in deze scriptie nader op in te gaan.

Bijlage III

Gemiddelde lengte van huurcontracten

Gemiddeld kantoorhuurcontract nog maar 4 jaar Bron: DTZ zadelhoff Research Datum: Maandag, 07-November-2005 09:19, Nieuwsberichten Kantoorgebruikers zijn op zoek naar flexibiliteit. De eerste stap in deze zoektocht is het verkopen van de eigen huisvesting en ruimte gaan huren. Een van de volgende stappen is de lengte van het huurcontract verkorten. Uit het nieuwste onderzoek van DTZ Zadelhoff blijkt dat huurders hierin inmiddels ver gevorderd zijn. Tegenwoordig committeren huurders zich gemiddeld niet voor langer dan 4 jaar aan een huurcontract. Deze trend gaat tegen de wensen van beleggers in. Zij zijn in de huidige moeilijke markt meer dan tevoren op zoek naar zekerheid. Al eerder is door DTZ Zadelhoff gewezen op de daling van de lengte van huurcontracten, maar het is voor het eerst dat een langjarige reeks van huurcontracten (ruim 2700 contracten), waarbij optiejaren buiten beschouwing zijn gelaten) met betrekking tot kantoorruimte werd geanalyseerd. Met deze analyse is aangetoond dat huurcontracten van gemiddeld 10 jaar en langer, zoals die in de vroege jaren negentig veel voorkwamen, werkelijk een schaars goed zijn geworden. Midden jaren negentig was de gemiddelde contractduur al teruggelopen tot 5 jaar. In de laatste 10 jaar is de daling in contractduur afgezwakt. In 2005 hebben nieuw afgesloten huurcontracten een gemiddelde looptijd van 4 jaar.

Bron: DTZ Zadelhoff Research 2005 Dat de daling in lengte van een gemiddeld huurcontract stagneert is logisch. Inmiddels heeft de huurder de gewenste flexibiliteit met betrekking tot de huisvesting bereikt. Immers, vaker dan eens per 4 jaar verhuizen is in financieel en bedrijfskundig opzicht onaantrekkelijk. Bovendien zullen eigenaren van traditionele kantoorhuisvesting (in tegenstelling tot eigenaren van flexibele kantoorconcepten) niet graag bereid zijn om nog kortere huurcontracten aan te gaan, daar dit de waarde van hun vastgoed direct negatief beïnvloedt. Er lijkt een balans te zijn bereikt. Wel lijkt naast deze trend van het streven naar flexibiliteit ook de marktsituatie een rol te spelen in de lengte van nieuw afgesloten huurcontracten. Zo is de lengte van nieuw

afgesloten huurcontracten weer langzaam iets gestegen ten opzichte van een paar jaar geleden. Uit de huidige cijfers blijkt dat de gemiddelde looptijd van huurcontracten in de topjaren begin deze eeuw het laagst was (3,2 jaar in 2001). Een verklaring hiervoor is dat veel gebruikers vanwege groei van de onderneming snel nieuwe ruimte nodig hadden en deze ruimtevraag probeerden in te vullen door tijdelijke contracten af te sluiten. Daarnaast waren beleggers, onder invloed van de toentertijd relatief krappe marktsituatie, waarschijnlijk eerder geneigd in te stemmen met kortere contracten. Wanneer een kantoor leeg kwam zou het immers snel weer verhuurd worden en kon misschien zelfs wel een substantiële stijging in huurniveau behaald worden. Inmiddels is de situatie anders. De kantoorwerkgelegenheid in Nederland is de laatste jaren afgenomen, terwijl de voorraad is gegroeid tot ruim 43 miljoen vierkante meter. Concentratieprocessen hebben de laatste paar jaar opnieuw geleid tot een vraag naar tijdelijke oplossingen, zij het in veel mindere mate dan in de topjaren. Vanuit het oogpunt van de belegger geredeneerd is het nu bovendien veel minder aantrekkelijk om korte huurcontracten aan te gaan. Wanneer in de huidige markt een kantoor leeg komt te staan is het relatief moeilijk om een nieuwe huurder te vinden, laat staan dat een stijging in huurniveau kan worden bewerkstelligd. Beleggers zullen daarom proberen om huurders voor een zo lang mogelijke periode aan zich te binden.

Voor meer informatie kunt u contact opnemen met: Marrit Laning, DTZ Zadelhoff Research

Bijlage IV Data landelijk Voor de analyse op landelijk niveau is veelvuldig gebruik gemaakt van de databank van DTZ Zadelhoff. Deze cijfers zijn ook terug te vinden in de uitgaven van ‘Cijfers in perspectief’ door de jaren heen. Voorraadcijfers op landelijk niveau zijn afkomstig uit de verschillende publicaties ‘Kantoren in cijfers’, samengesteld door Bak. Rendementscijfers voor de laatste tien jaar (1995-2005) zijn gebaseerd op de ROZ/IPD vastgoedindex, terwijl voor de periode 1985-2005 gebruik gemaakt is van Hordijk et al (2004). De laatste vier jaar van deze historische reeks zijn gebaseerd op de ROZ/IPD index, aangezien de reeks van Hordijk et al maar tot en met 2001 loopt. Opname Eenheid Bron Berekenwijze Opmerkingen

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

m2/jaar DTZ databank

Opname m² VGM Niet up-to-date

Cijfer voor 2005 al in oktober/november bepaald: /11*12 Vanaf 500m² Minder data maar betrouwbaar 514.130 530.000 733.182 782.000 868.785 971.000 1.050.095 1.164.000 1.259.710 1.243.000 1.292.395 1.395.000 1.115.410 1.248.000 1.134.320 1.272.000 1.308.126 1.275.000 1.145.255 1.099.000 1.097.865 1.155.000 1.533.070 1.537.000 1.467.985 1.775.000 1.627.276 1.704.000 1.766.049 1.654.000 2.244.018 2.300.000 1.939.506 1.837.000 1.565.600 1.403.000 1.588.032 1.219.000 1.465.830 1.395.000 1.953.764

Voorraad Aanbod in m² ultimo van het jaar m² ultimo van het jaar Bak DTZ databank Standcijfer, 2x per jaar gemeten: per definitie vertraagd Vanaf 500 m² 22.609.000 1.550.563 23.401.000 1.491.849 24.241.000 1.507.335 25.536.000 1.666.240 26.856.000 1.717.215 28.393.000 1.993.850 29.844.000 2.309.445 30.706.000 2.537.975 31.235.000 2.788.079 31.916.000 2.653.119 32.584.000 2.664.368 33.385.000 2.395.356 34.109.000 1.713.540 35.282.000 1.642.648 37.065.000 2.167.242 39.017.000 2.258.085 40.793.000 3.103.560 42.100.000 4.060.678 42.793.000 4.974.769 43.185.000 5.801.900 43.475.800 6.294.482

Aanbod Voorraad in gebruik m² ultimo van het jaar VGM Voorraad - aanbod Niet up-to-date DTZ aanbod gebruikt

1.604.000 1.516.000 1.531.000 1.664.000 1.771.000 2.148.000 2.525.000 2.614.000 2.917.000 2.831.000 2.769.000 2.388.000 2.026.000 1.971.000 2.539.000 2.371.000 3.532.000 4.652.000 5.297.000 5.755.000

21.058.437 21.909.151 22.733.665 23.869.760 25.138.785 26.399.150 27.534.555 28.168.025 28.446.921 29.262.881 29.919.632 30.989.644 32.395.460 33.639.352 34.897.758 36.758.915 37.689.440 38.039.322 37.818.231 37.383.100 37.181.318

Voorraad in gebruik Voorraad in gebruik Verschil VIG methoden Gemiddelde lengte huurcontracten Eenheid jaar Bron DTZ: Laning Berekenwijze Voorraad - aanbod Voorraad - leegstand DTZ aanbod gebruikt Opmerkingen DTZ leegstand Jaren voor 1990 niet bekend, geschat op 10 jaar. Bak voorraad Lengte bij afsluiten contract, optiejaren niet meegenomen Op dit moment geschat mbv grafiek 1985 21.058.437 10 1986 21.909.151 10 1987 22.733.665 10 1988 23.869.760 10 1989 25.138.785 10 1990 26.399.150 10,31 1991 27.534.555 9,77 1992 28.168.025 9,67 1993 28.446.921 8,72 1994 29.262.881 7,06 1995 29.919.632 6,21 1996 30.989.644 5,22 1997 32.395.460 4,42 1998 33.639.352 3,62 1999 34.897.758 3,64 2000 36.758.915 3,67 2001 37.689.440 3,24 2002 38.039.322 3,69 2003 37.818.231 38.385.321 567.090 3,29 2004 37.383.100 37.959.615 576.515 3,56 2005 37.181.318 37.476.140 294.822 4,10

Hoeveelheid aflopende contracten m²

Netto absorptie

Voorraad in gebruik tijdstip t-1 / Voorraad in gebruik op tijdstip t gemiddelde lengte huurcontracten voorraad in gebruik t-1

2.105.844 2.190.915 2.273.367 2.386.976 2.438.506 2.702.275 2.848.402 3.230.611 4.027.235 4.714.187 5.728.245 7.006.931 8.958.521 9.232.251 9.520.225 11.331.696 10.206.167 11.545.810 10.617.003 9.120.963

824.514 1.136.095 1.269.025 1.260.365 1.135.405 633.470 278.896 815.960 656.751 1.070.012 1.405.816 1.243.892 1.258.406 1.861.157 930.525 349.882 -221.091 -435.131 -201.782

Nieuwbouw Onttrekkingen Leegstand Eenheid m² m² % van de voorraad Bron Bak Bak Cijfers in perspectief Berekenwijze

Leegstand m² leegstand als percentage van de voorraad * voorraad

Leegstand Leegstand % van de markthuurwaarde m² ROZ/IPD Voorraad - voorraad in gebruik

Opmerkingen

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

906.000

104.000

1.293.000

116.000

2.060.000

109.000

1.357.000

45.000

451.000

59.000

10,3% 12,1% 13,8%

4.407.679 5.225.385 5.999.660

6,7% 5,4% 3,2% 2,0% 1,1% 0,9% 1,7% 3,6% 6,9% 10,4%

Ruwe benadering: je zegt dan in feite dat het aanbod ook leeg staat W erkelijke leegstand is lager: in voorraad zit bijvoorbeeld ook nog in aanbouwzijnde kantoren 1.550.563 1.491.849 1.507.335 1.666.240 1.717.215 1.993.850 2.309.445 2.537.975 2.788.079 2.653.119 2.664.368 2.395.356 1.713.540 1.642.648 2.167.242 2.258.085 3.103.560 4.060.678 4.974.769 5.801.900 6.294.482

Verandering in de leegstand Leegstandspercentage Eenheid Bron Berekenwijze

(voorraad-vig)/voorraad

Opmerkingen Gebaseerd op de formule: voorraad - voorraad in gebruik 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

-58.714 15.486 158.905 50.975 276.635 315.595 228.530 250.104 -134.960 11.249 -269.012 -681.816 -70.892 524.594 90.843 845.475 957.118 914.091 827.131

Gemiddelde verhuisfrequentie leegstands% - natuurlijke leegstands%

Netto absorptie

1/(frictieleegstand)

Nieuwbouw (m²) - toename leegstand (m²)

leegstands% - natuurlijke leegstands%

Formule Grootendorst

6,9% 6,4% 6,2% 6,5% 6,4% 7,0% 7,7% 8,3% 8,9% 8,3% 8,2% 7,2% 5,0% 4,7% 5,8% 5,8% 7,6% 9,6% 11,6% 13,4% 14,5% 7,9%

Alternatieve berekenwijze: Van Gool & Vos

-1,1% -1,5% -1,7% -1,4% -1,5% -0,9% -0,2% 0,4% 1,0% 0,4% 0,3% -0,7% -2,9% -3,3% -2,1% -2,1% -0,3% 1,7% 3,7% 5,5% 6,6% 12,6

1.175.012 1.363.892 1.969.157 399.882 -366.706 -376.131

Onderhuur Eenheid Bron Berekenwijze

Aandeel onderhuur tov opname Hoeveelheid achtergelaten m²

DTZ databank Dtz databank onderhuur/opname

45.423 93.577 93.182 75.333 45.137

Opname/aanbod ratio Totaal rendement ROZ/IPD

(Bruto) opname - netto absorptie Hoeveelheid achtergelaten vierkante meter/ hoeveelheid aflopende vierkante meter is gelijk aan de vervangingsvraag

Opmerkingen

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Kans op vertrek (expiratie)

2,3% 6,0% 5,9% 5,1% 2,3%

731.196 866.798 1.048.107 1.257.721 1.290.405 1.113.419 1.132.328 1.306.133 1.143.261 1.095.870 1.531.074 1.465.988 1.625.278 1.764.050 2.242.018 1.937.505 1.563.598 1.586.029 1.463.826

34,72% 39,56% 46,10% 52,69% 52,92% 41,20% 39,75% 40,43% 28,39% 23,25% 26,73% 20,92% 18,14% 19,11% 23,55% 17,10% 15,32% 13,74% 13,79%

Opname/aanbod Gebaseerd op taxaties

0,49 0,58 0,63 0,73 0,65 0,48 0,45 0,47 0,43 0,41 0,64 0,86 0,99 0,81 0,99 0,62 0,39 0,32 0,25 0,31

8,46 8,59 11,80 14,32 15,48 15,09 11,89 8,35 4,94 5,38 7,01

Totaal rendement historisch Aanbod gedurende het jaar Eenheid m² Bron Hordijk, de Kroon, Theebe Berekenwijze Aanbod + opname Opmerkingen

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Kans op nieuwe huurder (lengte leegstand) Vervangingspercentage

Opname gedurende het jaar/ aanbod gedurende het jaar

Vervangingsvraag / voorraad in gebruik

Aanbod=Voorraad - voorraad in gebruik

-2,9 9,4 7,7 8,4 3,7 13,2 8,4 -4,7 3,8 6,1 8,5 8,6 11,8 15,4 16,5 16,0 11,5 8,4 4,9 5,4 7,0

2.064.693 2.225.031 2.376.120 2.716.335 2.976.925 3.286.245 3.424.855 3.672.295 4.096.205 3.798.374 3.762.233 3.928.426 3.181.525 3.269.924 3.933.291 4.502.103 5.043.066 5.626.278 6.562.801 7.267.730 8.248.246

is een benadering voor de frictieleegstand

24,90% 32,95% 36,56% 38,66% 42,32% 39,33% 32,57% 30,89% 31,94% 30,15% 29,18% 39,03% 46,14% 49,76% 44,90% 49,84% 38,46% 27,83% 24,20% 20,17% 23,69%

-0,54% 0,19% -0,36% -0,04% 0,12% -0,07% 1,78% 3,62% 1,13% 1,47% 1,49% 0,19% 1,14% 1,45% 1,04% 2,68% 3,20% 4,78% 5,09% 2,25%

Huurfrequentie Inflatie Consumptieve bestedingen in miljoenen euro's Eenheid Bron Berekenwijze 1/vervangingspercentage

Kantoorwerkgelegenheid Verandering kantoorwerkgelegenheid GGGH www.vastgoedmonitor.nl --> STOGO DTZ bestand GGGH per gemeente

Opmerkingen

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

-186,41 513,51 -277,56 -2698,74 824,20 -1377,07 56,24 27,64 88,87 67,83 66,92 521,09 87,74 68,74 96,01 37,35 31,29 20,90 19,67

2,3 0,2 -0,5 0,7 1,1 2,5 3,9 3,7 2,1 2,7 2 2,1 2,2 2 2,2 2,6 4,5 3,4 2,1 1,2 1,7

142.011 148.238 157.064 164.996 175.977 187.593 200.642 224.244 233.043 236.548 239.156

2.343.400 2.423.900 2.538.500 2.646.200 2.786.200 2.890.600 2.966.300 3.034.000 3.047.900 3.034.800 2.983.500

80.500 114.600 107.700 140.000 104.400 75.700 67.700 13.900 -13.100 -51.300

139 140 140 147 155 164 170 161 153 145 153

Bijlage V

Data Amsterdam

Voor Amsterdam is eveneens veelvuldig gebruik gemaakt van de databank van DTZ Zadelhoff, met name voor de opname-, aanbod- en voorraad in gebruikcijfers. De voorraad is gebaseerd op de dienst onderzoek en statistiek Amsterdam. Bak publiceert deze voorraadcijfers niet jaarlijks. Wat opvalt is, zoals ook in de hoofdstekst al ter sprake kwam, dat de voorraadcijfers van Bak aanzienlijk lager zijn dan van de dienst onderzoek en statistiek Amsterdam.

Eenheid Bron Berekenwijze Opmerkingen

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Opname

Opname

Voorraad

Dynamis

DTZ databank

Voorraad

Dienst onderzoek en statistiek amsterdam Bak

Gemeente Amsterdam

156.500 184.500 134.750 225.250 322.250 230.000 169.500 205.000 218.000 188.750 185.500 300.750 228.600 375.050 313.300 420.600 295.200

112.175 175.515 131.140 137.470 260.300 163.300 174.230 178.865 220.510 219.420 167.580 306.800 214.010 322.901 278.238 409.872 330.207 223.999 252.844 180.177 369.546

Aanbod DTZ databank

Aanzienlijk lager dan DRO 3.783.500 3.828.500 3.828.500 3.961.000 4.048.500 4.203.500 4.371.000 4.568.500 4.738.500 4.781.000 4.853.500 4.883.500 4.803.500 4.836.000 4.893.000 5.080.000 5.415.000 5.644.000 6.123.000 6.354.000 6.598.000 6.695.000

Voorraad in gebruik Gemiddelde lengte huurcontracten

4.032.000 4.156.000 4.805.000 5.402.000 5.497.000

266.605 282.145 253.890 307.240 266.080 420.370 486.270 520.890 472.850 428.400 413.960 287.922 180.797 145.455 234.622 330.643 494.694 898.070 901.247 1.013.808 1.181.736

Voorraad-leegstand Vooralsnog op basis van landelijke contractlengte, bij gebrek aan beter alternatief 3.536.500 10,0 3.571.500 10,0 3.626.500 10,0 3.748.000 10,0 3.790.500 10,0 4.009.500 10,3 4.082.000 9,8 4.148.500 9,7 4.218.700 8,7 4.221.800 7,1 4.356.300 6,2 4.409.100 5,2 4.480.700 4,4 4.635.400 3,6 4.755.200 3,6 4.969.000 3,7 5.126.500 3,2 5.258.200 3,7 5.312.900 3,3 5.286.900 3,6 5.400.000 4,1 5.465.000

Hoeveelheid aflopende contracten Nieuwbouw Leegstand Leegstand% Leegstand% Netto absorptie Eenheid per begin Bron Vos en Van Gool: DRO DRO Dienst onderzoek en statistiek DRO Berekenwijze Voorraad in gebruik tijdstip t-1 / gemiddelde lengte huurcontracten leegstand DRO/voorraad Opmerkingen

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

353.650 357.150 362.650 374.800 367.685 410.421 422.276 475.794 597.242 680.123 834.033 996.922 1.239.076 1.272.176 1.297.234 1.531.797 1.388.238 1.595.985 1.491.531 1.289.931

114.000 33.000 181.000 124.000 207.000 185.000 204.000 187.000 82.400 126.300 52.900 13.500 38.900 59.200 168.600 272.600 204.000 491.300 217.200 248.000 140.000

247.000 257.000 202.000 213.000 258.000 194.000 289.000 420.000 519.800 559.200 497.200 474.400 322.800 200.600 137.800 111.000 288.500 385.800 810.100 1.067.100 1.198.000 1.230.000

6,8% 13,2% 16,8% 18,2% 18,4%

6,5% 6,7% 5,3% 5,4% 6,4% 4,6% 6,6% 9,2% 11,0% 11,7% 10,2% 9,7% 6,7% 4,1% 2,8% 2,2% 5,3% 6,8% 13,2% 16,8% 18,2%

34000 58.000 120.000 44.000 216.000 70.000 63.000 68.000 3.000 133.000 54.000 69.000 156.000 120.000 215.000 157.200 132.100 54.700 -26.000 113.100

Netto absorptie Hoeveelheid aflopende vierkante meters Eenheid Bron Berekenwijze Opmerkingen

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

VIG-VIG (t-1)

35.000 55.000 121.500 42.500 219.000 72.500 66.500 70.200 3.100 134.500 52.800 71.600 154.700 119.800 213.800 157.500 131.700 54.700 -26.000 113.100

Hoeveelheid achtergelaten m²

Te betrekken

DRO A'dam 2004 Voorraad in gebruik (t-1)/ gemiddelde lengte huurcontract (Bruto) opname - netto absorptie leegstand per jan - herbest/sloop + nieuwbouw + vrijgekomen - herbest/sloop

353.650 357.150 362.650 374.800 367.685 410.421 422.276 475.794 597.242 680.123 834.033 996.922 1.239.076 1.272.176 1.297.234 1.531.797 1.388.238 1.595.985 1.491.531

78.175 117.515 11.140 93.470 44.300 93.300 111.230 110.865 217.510 86.420 113.580 237.800 58.010 202.901 63.238 252.672 198.107 169.299 278.844 67.077

798.400 936.000 756.100 708.100 590.800 504.600 520.100 773.900 967.500 1.305.200 1.464.600 1.717.000 1.716.000

Vrijgekomen m² Eenheid Bron DRO A'dam 2004 Berekenwijze Opmerkingen Gemeente Amsterdam

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

243.800 320.900 246.000 321.600 273.800 281.000 229.600 401.200 490.100 475.000 452.900

Betrokken

Betrokken/te betrekken Kans op vertrek (expiratie)

DRO A'dam 2004 DRO A'dam 2004 Hoeveelheid achtergelaten vierkante meter/hoeveelheid aflopende vierkante meter

239.200 438.800 281.700 385.300 390.200 366.800 409.100 485.400 581.700 495.100 397.000 518.000 486.000

30,0% 46,9% 37,3% 54,4% 66,0% 72,7% 78,7% 62,7% 60,1% 37,9% 27,1% 30,2% 28,3%

33,23% 3,12% 25,77% 11,82% 25,37% 27,10% 26,25% 45,72% 14,47% 16,70% 28,51% 5,82% 16,38% 4,97% 19,48% 12,93% 12,20% 17,47% 4,50%

Kans op vertrek II Eenheid Bron Berekenwijze Hoeveelheid vrijgekomen / hoeveelheid aflopend Opmerkingen

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

51,24% 53,73% 36,17% 38,56% 27,46% 22,68% 18,05% 30,93% 32,00% 34,22% 28,38%

Opname/aanbod ratio Totaal rendement Aanbod gedurende het jaar Kans op nieuwe huurder (lengte leegstand)

Aanbod + opname

0,42 0,62 0,52 0,45 0,98 0,39 0,36 0,34 0,47 0,51 0,40 1,07 1,18 2,22 1,19 1,24 0,67 0,25 0,28 0,18 0,31

8,6 5,0 12,2 15,6 16,9 20,5 13,5 8,7 4,5 4,7 6,9

378.780 457.660 385.030 444.710 526.380 583.670 660.500 699.755 693.360 647.820 581.540 594.722 394.807 468.356 512.860 740.515 824.901 1.122.069 1.154.091 1.193.985 1.551.282

Opname gedurende het jaar/aanbod gedurende het jaar

29,61% 38,35% 34,06% 30,91% 49,45% 27,98% 26,38% 25,56% 31,80% 33,87% 28,82% 51,59% 54,21% 68,94% 54,25% 55,35% 40,03% 19,96% 21,91% 15,09% 23,82%

Bijlage VI SPSS Afhankelijke variabele: Totaal rendement Onafhankelijke variabelen: Kans op vertrek en kans op nieuwe huurder

Model Summaryb Change Statistics Model 1

R R Square ,926a ,858

Adjusted R Square ,817

Std. Error of the Estimate 1,64710

R Square Change ,858

F Change 21,122

df1

df2 2

7

Sig. F Change ,001

Durbin-W atson 1,829

a. Predictors: (Constant), KNSVERTR, KNWHUUR b. Dependent Variable: TOTRENDE ANOVAb Model 1

Regression Residual Total

Sum of Squares 114,604 18,991 133,594

df 2 7 9

Mean Square 57,302 2,713

F 21,122

Sig. ,001a

a. Predictors: (Constant), KNSVERTR, KNWHUUR b. Dependent Variable: TOTRENDE

Coefficientsa

Model 1

(Constant) KNWHUUR KNSVERTR

Unstandardized Coefficients B Std. Error -3,244 7,697 35,500 14,354 6,683 28,938

a. Dependent Variable: TOTRENDE

Standardized Coefficients Beta 1,014 ,095

t -,422 2,473 ,231

Sig. ,686 ,043 ,824

95% Confidence Interval for B Lower Bound Upper Bound -21,444 14,955 1,559 69,441 -61,744 75,109

Zero-order ,926 -,857

Correlations Partial ,683 ,087

Part ,352 ,033

Collinearity Statistics Tolerance VIF ,121 ,121

8,285 8,285

Afhankelijke variabele: Totaal rendement Onafhankelijke variabele: Kans op nieuwe huurder Model Summaryb Change Statistics Model 1





F Change 57,245

a. Predictors: (Constant), KNWHUUR b. Dependent Variable: TOTRENDE

ANOVAb Model 1


Sum of Squares 124,633 19,595 144,227

df 1 9 10


F 57,245

a. Predictors: (Constant), KNWHUUR b. Dependent Variable: TOTRENDE Coefficientsa

Model 1

(Constant) KNWHUUR

Unstandardized Coefficients B Std. Error -1,198 1,560 31,675 4,187


Standardized Coefficients Beta ,930

t -,768 7,566

Sig. ,462 ,000

Sig. ,000a

df1

df2 1

9

Sig. F Change ,000

Durbin-W atson 1,600

Afhankelijke variabele: Totaal rendement Onafhankelijke variabele: Opname/aanbod ratio Model Summary Model 1




a. Predictors: (Constant), OPNMAANB ANOVAb Model 1


Sum of Squares 122,925 21,302 144,227

df 1 9 10


F 51,934

Sig. ,000a

a. Predictors: (Constant), OPNMAANB b. Dependent Variable: TOTRENDE

Coefficientsa

Model 1

(Constant) OPNMAANB

Unstandardized Coefficients B Std. Error 2,613 1,140 12,529 1,739



t 2,292 7,207

Sig. ,048 ,000

Afhankelijke variabele: Totaal rendement Onafhankelijke variabele: Kans op vertrek Model Summaryb Change Statistics Model 1





F Change 22,034

df1

df2 1

8

Sig. F Change ,002

Durbin-W atson ,867

a. Predictors: (Constant), KNSVERTR b. Dependent Variable: TOTRENDE ANOVAb Model 1


Sum of Squares 98,009 35,585 133,594

df 1 8 9


F 22,034

Sig. ,002a

a. Predictors: (Constant), KNSVERTR b. Dependent Variable: TOTRENDE Coefficientsa

Model 1

(Constant) KNSVERTR

Unstandardized Coefficients B Std. Error 15,627 1,292 -60,428 12,874


Standardized Coefficients Beta -,857

t 12,090 -4,694

Sig. ,000 ,002

95% Confidence Interval for B Lower Bound Upper Bound 12,646 18,607 -90,115 -30,742

Zero-order -,857

Correlations Partial -,857

Part -,857

Collinearity Statistics Tolerance VIF 1,000

1,000

Afhankelijke variabele: Leegstandspercentage Onafhankelijke variabele: Kans op vertrek




Std. Error of the Estimate ,01702


F Change 12,153

df1

df2 1

17

Sig. F Change ,003

Durbin-W atson ,730

a. Predictors: (Constant), KNSVERTR b. Dependent Variable: LEEGPERC

ANOVAb Model 1


Sum of Squares ,004 ,005 ,008

df 1 17 18

Mean Square ,004 ,000

F 12,153

Sig. ,003a

a. Predictors: (Constant), KNSVERTR b. Dependent Variable: LEEGPERC Coefficientsa

Model 1

(Constant) KNSVERTR

Unstandardized Coefficients B Std. Error 6,537E-02 ,005 ,153 ,044

a. Dependent Variable: LEEGPERC


t 13,047 3,486

Sig. ,000 ,003

95% Confidence Interval for B Lower Bound Upper Bound ,055 ,076 ,060 ,246

Zero-order ,646

Correlations Partial ,646

Part ,646


1,000

Afhankelijke variabele: Leegstandspercentage Onafhankelijke variabele: Kans op nieuwe huurder






F Change 35,115

a. Predictors: (Constant), KNWHUUR b. Dependent Variable: LEEGPERC

ANOVAb Model 1


Sum of Squares 124,633 19,595 144,227

df 1 9 10


F 57,245

Sig. ,000a

a. Predictors: (Constant), KNWHUUR b. Dependent Variable: TOTRENDE Coefficientsa

Model 1

(Constant) KNWHUUR

Unstandardized Coefficients B Std. Error -1,198 1,560 31,675 4,187



t -,768 7,566

Sig. ,462 ,000

df1

df2 1

19

Sig. F Change ,000

Durbin-W atson ,408

Afhankelijke variabele: Leegstandspercentage Onafhankelijke variabelen: Kans op nieuwe huurder en kans op vertrek Model Summaryb Change Statistics Model 1





F Change 35,371

df1

df2 2

16

Sig. F Change ,000

Durbin-W atson ,664

a. Predictors: (Constant), KNSVERTR, KNWHUUR b. Dependent Variable: LEEGPERC ANOVAb Model 1


Sum of Squares ,007 ,002 ,008

df 2 16 18

Mean Square ,003 ,000

F 35,371

Sig. ,000a

a. Predictors: (Constant), KNSVERTR, KNWHUUR b. Dependent Variable: LEEGPERC Coefficientsa

Model 1

Unstandardized Coefficients B Std. Error (Constant) ,140 ,013 KNWHUUR -,190 ,032 KNSVERTR 6,596E-02 ,029

a. Dependent Variable: LEEGPERC

Standardized Coefficients Beta -,730 ,278

t 10,750 -5,881 2,242

Sig. ,000 ,000 ,040

95% Confidence Interval for B Lower Bound Upper Bound ,112 ,168 -,258 -,121 ,004 ,128

Zero-order -,870 ,646

Correlations Partial -,827 ,489

Part -,631 ,241

Collinearity Statistics Tolerance VIF ,747 ,747

1,338 1,338

Afhankelijke variabele: Voorraad Onafhankelijke variabelen: consumentenbestedingen, inflatie en kantoorwerkgelegenheid Model Summary Model 1

R ,998a

R Square ,996



a. Predictors: (Constant), INFLATIE, CONSBEST, KANTWERK

ANOVAb Model 1


Sum of Squares 1,83E+14 6,57E+11 1,84E+14

df 3 7 10

Mean Square 6,096E+13 9,380E+10

F 649,855

Sig. ,000a

a. Predictors: (Constant), INFLATIE, CONSBEST, KANTWERK b. Dependent Variable: VOORRAAD Coefficientsa

Model 1

(Constant) CONSBEST KANTWERK INFLATIE

Unstandardized Coefficients B Std. Error 1,6E+07 1728374 119,008 7,714 -,394 1,107 -140633 116622,5

a. Dependent Variable: VOORRAAD

Standardized Coefficients Beta 1,026 -,024 -,028

t 9,314 15,427 -,356 -1,206

Sig. ,000 ,000 ,732 ,267

Afhankelijke variabele: Voorraad Onafhankelijke variabele: consumentenbestedingen

Model Summary Model 1

R ,998a

R Square ,995



a. Predictors: (Constant), CONSBEST ANOVAb Model 1



df 1 9 10

Mean Square 1,827E+14 9,210E+10

F 1983,560

Sig. ,000a

a. Predictors: (Constant), CONSBEST b. Dependent Variable: VOORRAAD

Coefficientsa

Model 1

(Constant) CONSBEST

Unstandardized Coefficients B Std. Error 1,5E+07 506550,2 115,705 2,598

a. Dependent Variable: VOORRAAD


t 30,177 44,537

Sig. ,000 ,000

Afhankelijke variabele: Verschil ten opzichte van trend voorraad Onafhankelijke variabele: Verschil ten opzichte van trend consumentenbestedingen

Model Summary Model 1




a. Predictors: (Constant), TRENDCON ANOVAb Model 1


Sum of Squares 3483400 763796,6 4247196

df 1 9 10

Mean Square 3483399,541 84866,293

F 41,046

Sig. ,000a

a. Predictors: (Constant), TRENDCON b. Dependent Variable: TRENDVOO Coefficientsa

Model 1

(Constant) TRENDCON

Unstandardized Coefficients B Std. Error -5,03E-02 87,836 ,102 ,016

a. Dependent Variable: TRENDVOO


t -,001 6,407

Sig. 1,000 ,000

Afhankelijke variabele: Voorraad in gebruik Onafhankelijke variabele: Kantoorwerkgelegenheid






F Change 487,313

df1

df2 1

9

Sig. F Change ,000

Durbin-W atson ,721

a. Predictors: (Constant), KANTWERK b. Dependent Variable: VIG ANOVAb Model 1



df 1 9 10

Mean Square 1,111E+14 2,280E+11

F 487,313

Sig. ,000a

a. Predictors: (Constant), KANTWERK b. Dependent Variable: VIG Coefficientsa

Model 1

(Constant) KANTWERK

Unstandardized Coefficients B Std. Error -1176714 1619649 12,762 ,578

a. Dependent Variable: VIG


t -,727 22,075

Sig. ,486 ,000

95% Confidence Interval for B Lower Bound Upper Bound -4840613,618 2487185,449 11,454 14,070

Zero-order ,991

Correlations Partial ,991

Part ,991


1,000

Masterthesis Business Economics Richting Real Estate Finance. Davy van den Berg

Recommend Documents