ONTWIKKELENDE BELEGGERS VAN LEEGSTAANDE KANTOREN

ONTWIKKELENDE BELEGGERS VAN LEEGSTAANDE KANTOREN Hoe om te gaan met onzekerheden bij besluitvorming

Amsterdam School of Real Estate Master of Real Estate Masterscriptie Amsterdam, oktober 2012 ir. F.R. Veen MRE jaargang 2010-2012 [email protected] 06-28957861 Begeleider Prof. dr. P. van Gool FRICS

VOORWOORD Mijn laatste scriptie, afgerond in 2004, ging over de financiële haalbaarheid van herontwikkeling van industrieel erfgoed. Ook deze scriptie gaat over herontwikkeling, alleen nu gericht op de financiële haalbaarheid en risico’s van herontwikkeling van kantoren. Mijn persoonlijke interesse voor herontwikkelingsprojecten is sinds 2004 verder gegroeid en gezien de actualiteit van dit thema was het voor mij een logische keuze mij hierin verder te verdiepen. In mijn werk word ik dagelijks geconfronteerd met het vraagstuk hoe om te gaan met leegstand en wat de best mogelijke oplossing is van een bepaalde casus. De vastgoed sector is zich er inmiddels van bewust dat de periode van grootschalige nieuwbouw voorbij is en dat nieuwe projecten vaker herontwikkelingsprojecten zijn dan nieuwbouwprojecten. Met dit onderzoek hoop ik een steentje bij te dragen aan de herontwikkeling van leegstaande kantoren. Na twee jaar MRE sluit ik met de afronding van voorliggend onderzoek een intensieve periode af. Daar waar colleges, tentames, groepsopdrachten, studiereizen, etc. min of meer ‘vanzelf’ werden doorlopen doordat ik werd geënthousiasmeerd en gestimuleerd door klasgenoten en docenten, vergt onderzoek en schrijven een behoorlijke dosis zelfdiscipline. Maar ook deze hobbel heb ik weten te nemen. De combinatie tussen studie, werk en alles wat het leven nog meer heeft te bieden heb ik soms lastig ervaren. Keuzes maken is lastig, maar soms was dat noodzakelijk. Het zit er echter nu op en ik kijk met zeer veel plezier en tevredenheid terug op deze periode. Graag wil ik mijn werkgever Lingotto bedanken voor de mogelijkheid die zij mij hebben geboden dat ik de tijd en energie in deze opleiding kon stoppen. Ook wil ik Peter van Gool bedanken voor zijn begeleiding en Wendy Bult en Janneke Schreuder van de ASRE voor hun inzet om de afgelopen twee jaar vlot te laten verlopen. Last but not least, wil ik Lies bedanken. Niet alleen voor de ruimte die je mij hebt gegeven om deze opleiding te kunnen doen, maar meer nog om het feit dat je mij altijd stimuleert om het maximale uit mijzelf te halen.

Amsterdam, oktober 2012 Frank Veen

Ontwikkelende beleggers van leegstaande kantoren – Frank Veen

-I-

MANAGEMENTSAMENVATTING Eén van de oplossingen om het huidige overaanbod van kantoren en de hiermee gepaard gaande leegstand op te lossen is herontwikkeling. Traditioneel ligt deze taak bij de projectontwikkelaar. Verkoop door de eigenaar van het leegstaande vastgoed aan de ontwikkelaar komt echter zelden tot stand door de (te) hoge boekwaardes die op de gebouwen rusten en de onzekerheden en ontwikkelrisico’s die de aankoopprijs drukken. Kortom, wil de gebouweigenaar alsnog een ontwikkeling los trekken, dan zal het zelf de ontwikkeling moeten uitvoeren. In dit kader wordt in voorliggend onderzoek onderzocht in hoeverre risicokwantificeringstechnieken het inzicht in de financiële risico’s voor de belegger bij herontwikkelingsprojecten vergroten, met als doel de besluitvorming te bevorderen. De veronderstelling die hieraan ten grondslag ligt, is dat beleggers over het algemeen beter bekend kan zijn met kwantitatieve risicoanalyses en hierdoor deze technieken sneller zullen toepassen op haalbaarheidsstudies van herontwikkelingsprojecten. Een techniek met veel potentie, maar die vooralsnog weinig wordt toegepast in de vastgoedpraktijk, is de Monte Carlo simulatie. De centrale vraag van dit onderzoek luidt dan ook of kan worden aangetoond dat de Monte Carlo simulatie een aanvulling kan zijn op investeringsbeslissingen van beleggers in de haalbaarheidsfase bij herontwikkelingsprojecten. Het voordeel van de Monte Carlo analyse ten opzichte van traditionele risicoanalyse technieken (zoals gevoeligheids- en scenarioanalyses) is dat onzekerheid in de investeringsbegroting wordt verwerkt. Niet alleen de slechte scenario’s (risico’s) worden doorgerekend, maar de opwaartse potentie van een project wordt ook meegenomen. De uitkomst is een kansverdeling van het resultaat (het IRR) van een project. Het gaat echter niet specifiek om de uitkomsten van het model, maar nog meer om het gebruik van het model. De uitkomsten van de simulatie geven namelijk geen helder afgebakende keuzemogelijkheden, maar inzicht in de uitkomsten zodat de besluitvormer een mening kan vormen over de risico’s van het project (ook wel een prescriptieve analyse genoemd). In dit onderzoek is een Monte Carlo toegepast op een exemplarische herontwikkelingscasus. Via de software @Risk is een analyse uitgevoerd op basis van een traditioneel IRR begroting en de uitkomsten zijn vergeleken met een gevoeligheids- en (kansgewogen) scenarioanalyse. De resultaten van deze haalbaarheidsanalyse zijn vervolgens besproken gedurende een expertmeeting aan de hand van een vijftal stellingen. De conclusie van deze expertmeeting is dat de toepassing van de Monte Carlo simulatie op een herontwikkelingscasus aanvullende inzichten geeft ten aanzien van de risico’s ten opzichte van de gevoeligheids- en (kansgewogen) scenarioanalyse. Met de name de waarschijnlijkheidscomponent van het resultaat en de gevoeligheidsanalyse van wijzigingen van de invoervariabelen heeft toegevoegde waarde. Ook kan de Monte Carlo simulatie de keuze tussen meerdere herontwikkelings varianten van een project vereenvoudigen doordat rendementen en risico’s naast elkaar kunnen worden gezet. De betrouwbaarheid van de invoer blijft echter een aandachtspunt. Specifiek gaat het dan om de kansverdelingfuncties van en de correlaties tussen de variabelen. Via een combinatie van expliciete kennis (marktinformatie, data) en impliciete kennis (kennis en arvaring) is het mogelijk een zekere mate van betrouwbaarheid te genereren. 100% betrouwbare invoerdata is onmogelijk, maar dat geldt voor alle technieken van risicokwantificering. Met dit onderzoek kan worden aangetoond dat het gebruik van de Monte Carlo simulatie wel degelijk van toegevoegde waarde kan zijn bij investeringsbeslissingen. Anderzijds moet worden geconcludeerd dat er nog een weg is te gaan om het gebruik ervan te incorporeren in de vastgoedpraktijk. Met name de precieze betekenis en de toegevoegde waarde van de Monte Carlo simulatie moet bij besluitvormers worden uitgelegd en onderbouwd, wil de techniek in de toekomst werkelijk bruikbaar worden. De toegevoegde waarde zal sterk toenemen indien de inputvariabelen, zijnde de kansverdeling van en de correlaties tussen de variabelen, aan betrouwbaarheid winnen.


-II-

INHOUDSOPGAVE

VOORWOORD ............................................................................................................................... I MANAGEMENTSAMENVATTING ................................................................................................... II

1

2

3

4

INLEIDING ............................................................................................................................. 1 1.1

Aanleiding ................................................................................................................................ 1

1.2

Probleemstelling...................................................................................................................... 2

1.3

Doel- en vraagstelling .............................................................................................................. 2

1.4

Onderzoeksopzet en methodiek ............................................................................................. 3

1.5

Afbakening............................................................................................................................... 4

1.6

Relevantie ................................................................................................................................ 4

RISICO’S BIJ HERONTWIKKELING ............................................................................................ 5 2.1

Risico........................................................................................................................................ 5

2.2

Risicomanagement .................................................................................................................. 6

2.3

Ontwikkelingsrisico’s ............................................................................................................... 8

2.4

Conclusie ............................................................................................................................... 10

RISICOKWANTIFICERINGSTECHNIEKEN ................................................................................. 11 3.1

Haalbaarheidsberekeningen ................................................................................................. 11

3.2

Rendementseisen .................................................................................................................. 13

3.3

Risicoanalysetechnieken ....................................................................................................... 14

3.4

Risicoanalysetechnieken in relatie tot besluitvorming ......................................................... 18

3.5

Conclusie ............................................................................................................................... 19

MONTE CARLO SIMULATIE................................................................................................... 20 4.1

Achtergrond........................................................................................................................... 20

4.2

Besluitvorming bij Monte Carlo simulatie ............................................................................. 20

4.3

Werking bij (her)ontwikkeling ............................................................................................... 21

4.4

Voor- en nadelen bij (her)ontwikkeling................................................................................. 23

4.5

Toepassing via software ........................................................................................................ 24

4.6

Conclusie ............................................................................................................................... 25


-III-

5

6

7

CASUS ................................................................................................................................. 26 5.1

Introductie casus: Helmholtzstraat ....................................................................................... 26

5.2

Besluitvormingscriteria.......................................................................................................... 27

5.3

Investeringsbegroting............................................................................................................ 28

5.4

Risicokwantificering toegepast op de casus .......................................................................... 29

5.4.1

Gevoeligheidanalyse ...................................................................................................... 29

5.4.2

Kansgewogen scenarioanalyse ...................................................................................... 29

5.4.3

Monte Carlo simulatie via @Risk ................................................................................... 30

5.5

Analyseren en vergelijken methodieken ............................................................................... 33

5.6

Conclusie ............................................................................................................................... 33

PRAKTIJKTOETS ................................................................................................................... 34 6.1

Expertmeeting ....................................................................................................................... 34

6.2

Resultaten.............................................................................................................................. 35

6.3

Verbreding casus ................................................................................................................... 37

6.4

Conclusie ............................................................................................................................... 39

CONCLUSIES EN AANBEVELINGEN ........................................................................................ 40 7.1

Conclusies .............................................................................................................................. 40

7.2

Aanbevelingen voor vervolgonderzoek ................................................................................. 42

7.3

Reflectie ................................................................................................................................. 42

LITERATUURLIJST BIJLAGEN


-IV-

1

INLEIDING

1.1

Aanleiding

Op 26 juni 2012 hebben overheden en marktpartijen –verenigd in de Kantorentop– een convenant ondertekend om de leegstand in kantoren te bestrijden en te stimuleren, zodat een beter functionerende kantorenmarkt wordt bereikt. Zowel landelijke, regionale en lokale overheden, kantoorgebruikers, beleggers1, ontwikkelaars en financiers nemen deel aan de Kantorentop. Iedere partij heeft zich gecommitteerd bepaalde maatregelen uit te voeren. De eigenaren van het vastgoed, de partijen met het grootste probleem, hebben onder andere als opgave te investeren in kwaliteitsverbetering en verduurzaming van kantoren en concrete transformatieplannen te maken voor kantoorpanden vanaf 5.000 m² die drie jaar of langer voor meer dan 80% leeg staan (www.rijksoverheid.nl). De huidige leegstand is momenteel 6,9 mln. m² (14% van de totale voorraad) en hiervan is naar schatting 4 mln. m² structureel. De verwachting is dat de structurele leegstand tot 2020 iets zal teruglopen, maar na dat deze daarna, door onder andere de veroudering van de huidige voorraad en een afnemende ruimtevraag, weer zal toenemen (EIB, 2012). Waar traditioneel de uitvoering van (her)ontwikkelingsprojecten bij projectontwikkelaars ligt, worden beleggers door de leegstand ‘gedwongen’ zelf na te denken over herontwikkeling en tot uitvoering over te gaan. Veel projectontwikkelaars willen het leegstaande vastgoed namelijk niet kopen, omdat de residuele waardepaling veelal een lagere waarde geeft dan de boekwaarde van de belegger. De belangrijkste reden dat transformaties dan ook niet tot stand komen, is omdat de financiële marges te smal zijn en de ontwikkelrisico’s te hoog (Gelinck, 2011). Doordat de financiële haalbaarheid niet kan worden aangetoond, komt er geen verkooptransactie tot stand en zal de belegger zelf tot actie moeten overgaan. Het herontwikkelen van vastgoedprojecten vergt echter een heel andere manier van ondernemen dan beleggen in vastgoed. Bij herontwikkelingsprojecten horen andere rendementseisen, andere risico’s, andere vorm van management etc. Projectontwikkelaars baseren hun besluiten om een potentiële herontwikkeling wel of niet uit te voeren grotendeels op basis van subjectieve risicoinschatting (Van Denzen, 2009). Dit is een wonderlijke constatering gezien het kapitaalintensieve karakter van herontwikkeling in combinatie met de huidige tijdgeest waar beheersing van risico’s meer dan ooit van belang is. Risicokwantificeringstechnieken staan echter nog steeds in de kinderschoenen en worden door projectontwikkelaars sporadisch gebruikt (Gehner, 2011). Van Denzen (2009) constateert dat ontwikkelaars eenvoudige kwantificeringstechnieken zoals gevoeligheids- en scenarioanalyse wel gebruiken. Deze technieken blijken echter niet verder te gaan dan het beoordelen van ‘what-if’ risico’s, waardoor men inzicht krijgt in het maximaal neerwaartse risico. Indien dit maximale risico te groot is, waardoor het beoogde rendement verdampt, dan zal dit risico niet worden genomen. Beleggers zijn echter veel beter bekend met risicokwantificering. Door bepaalde risicokwantificeringstechnieken bij transformatieprojecten toe te passen die projectontwikkelaars niet gebruiken, maar waar beleggers wel bekend mee zijn, is het wellicht mogelijk beter inzicht te krijgen in de financiële haalbaarheid van projecten. Dit verbeterde inzicht zal de besluitvorming omtrent transformatie dienen te vereenvoudigen.

1

Met beleggers wordt bedoeld beleggers/eigenaren van het vastgoed.


-1-

1.2

Probleemstelling

Beleggers staan voor de, voor hen nieuwe, taak van herontwikkeling van kantoren. Hoewel het startpunt anders is dan bij ontwikkelaars (er is immers vastgoed in eigendom dat in veel gevallen al jaren in exploitatie is geweest en nu leeg staat), is de opgave niet anders. Ook de beleggger zal de risico’s van transformatie moeten inventariseren, kwantificeren en verwerken in de financiële haalbaarheidsanalyse. Het kwantificeren van risico’s van (her))ontwikkelingsprojecten is echter niet eenvoudig. Beleggers zijn verder in het kwantificeren van risico’s dan ontwikkelaars omdat zij beschikken over lange datareeksen van rendementen horend bij een bepaald type vastgoed. Ook de aard van de investering is eenvoudiger; het gaat om verhuurd vastgoed, waarbij de risico’s eenvoudiger zijn te overzien. Bij projectontwikkeling zijn er echter talloze verschillende risico’s, die per project anders zijn, waardoor ieder project een eigen uniek risicoprofiel heeft. Beleggers hanteren meestal een IRR en specificeren dit per object, afhankelijk van de sector, de kwaliteit van de huurder, het gebouw, etc. De netto contante waarde van de toekomstige huurinkomsten, de exploitatiekosten en de eindwaarde van een gebouw verdisconteerd tegen de vereiste IRR moet minimaal even hoog zijn als de investering –inclusief de boekwaarde!– die vandaag de dag gedaan moet worden. Door het unieke karakter van projectontwikkeling is risicokwantificering ingewikkelder dan bij beleggen in vastgoed. Zoals hierboven aangegeven, blijkt vanuit de praktijk dat er maar beperkte technieken worden toegepast. Toch kunnen kwantitatieve risicoanalysetechnieken een bijdrage leveren aan de besluitvorming. Eén van de technieken is de Monte Carlo simulatie. Het grote voordeel van deze techniek is dat iedere invoervariabele van een investeringsbegroting een bepaalde kansverdeling toegewezen krijgt en op basis hiervan het resultaat ook een kansverdeling krijgt. Dit betekent dat er niet één harde waarde wordt gecalculeerd zoals bij een standaard investeringsbegroting, maar dat de kans van optreden van een bepaalde waarde wordt berekend. Het biedt ook de mogelijkheid positieve gevolgen te modelleren en berekenen, zodat een nauwkeuriger beeld van de verwachtingswaarden wordt verkregen (de Groot, 2009). 1.3

Doel- en vraagstelling

Vanuit de literatuur is er beperkt onderzoek gedaan naar risicokwantificering bij projectontwikkeling met behulp van een Monte Carlo-simulatie. De conclusies zijn vooralsnog niet eenduidig of een dergelijk model wel of niet goed toepasbaar is bij projectontwikkeling. De trend dat beleggers vaker zelfstandig herontwikkelingsprojecten uitvoeren (partijen die dus ervaring hebben met risicokwantificering) en de huidige, meer risicobewuste tijdgeest is echter aanleiding om te onderzoeken hoe en wanneer Monte Carlo simulaties wel goed te gebruiken zijn. De doelstelling van dit onderzoek is dan ook om met behulp van een eenvoudig toepasbaar risicokwantificeringmodel het inzicht in de financiële risico’s voor de belegger bij herontwikkelingsprojecten te vergroten en hiermee de besluitvorming te bevorderen. Centrale vraag Kan worden aangetoond dat de Monte Carlo simulatie een aanvulling kan zijn op investeringsbeslissingen van beleggers in de haalbaarheidsfase bij herontwikkelingsprojecten? Onderzoeksvragen 1. Welke risico’s zijn te benoemen bij herontwikkelingsprojecten (hfst 2)? 2. Hoe worden deze risico’s vertaald naar rendementen? (hfst 3) 3. Welke risicokwantificatie methodieken worden gebruikt bij herontwikkelingsprojecten? (hfst 3) 4. Hoe kan een Monte Carlo simulatie op praktische en betrouwbare wijze worden ingepast in financiële haalbaarheidsonderzoeken bij herontwikkelingsprojecten? (hfst 4)


-2-

5. Hoe verhoudt een Monte Carlo simulatie zich tot andere risicokwantificeringstechnieken bij investeringsbeslissingen in de haalbaarheidsfase van herontwikkelingsprojecten? (hfst 5) 6. Hoe waarderen experts de Monte Carlo simulatie ten opzichte van andere risicokwantificeringstechnieken? (hfst 6) 1.4

Onderzoeksopzet en methodiek

Het onderzoeksmodel is hieronder schematisch weergegeven. FASE I – deskresearch & literatuuronderzoek (theorie) HFST 2

Risico’s bij herontwikkeling

HFST 3

Risicokwantificeringstechnieken

HFST 4

Monte Carlo simulatie bij herontwikkeling

FASE II – exploratief onderzoek (praktijk) HFST 5

Vergelijking risicokwantificerings technieken op een casus

HFST 6

Expertmeeting

FASE III – conclusies en aanbevelingen

Fase I – deskresearch & literatuuronderzoek Het eerste deel van dit onderzoek beslaat het theoretische deel en is een beschrijvend onderzoek (Baarda en de Goede, 2006). Dit deel wordt uitgevoerd middels deskresearch en literatuuronderzoek. In hoofdstuk 2 wordt ingegaan op de risico’s die spelen bij herontwikkeling, hoe deze risico’s vertaald worden naar rendementen en op welke wijze risicomanagement wordt uitgevoerd. Welke risicokwantificeringstechnieken er voorhanden zijn wordt in hoofdstuk 3 behandeld. Het laatste deel van het theoretische deel, hoofdstuk 4, bespreekt de werking van de Monte Carlo simulatie in relatie tot projectontwikkeling. Fase II – exploratief onderzoek Het tweede deel van dit onderzoek is een exploratief onderzoek waarbij de werking van de Monte Carlo simulatie wordt vergeleken met andere risicokwantificeringstechnieken. Dit gebeurt aan de hand van een toepassing van de technieken op een casus. Besproken wordt wat de uitkomsten zijn en of deze uitkomsten kunnen leiden tot andere investeringsbeslissingen in de haalbaarheidsfase van een herontwikkeling. Tot slot worden de resultaten voorgelegd en besproken tijdens een expertmeeting. Deze intersubjectieve methodiek wordt toegepast om te onderzoeken of experts uit de praktijk de Monte Carlo simulatie van toegevoegde waarde vinden bij investeringsbesluiten. Fase III – conclusies en aanbevelingen In het laatste hoofdstuk (7) worden conclusies getrokken uit de bevindingen van het onderzoek en wordt antwoord gegeven op de hoofd- en subvragen.


-3-

1.5

Afbakening

De afbakening van dit onderzoek is als volgt vormgegeven: − Herontwikkeling: met herontwikkeling wordt bedoeld gebouwen die van functie veranderen of dezelfde functie houden, maar waarbij in ieder geval grote bouwkundige aanpassingen gedaan worden. Dit onderzoek is van toepassing op objecten en niet op gebieden. De objecten hebben een minimale omvang van circa 5.000 m² b.v.o. en geen maximum. Het criterium is dat het één gebouw of aaneengesloten bouweenheden moet zijn. − Haalbaarheidsfase: dit onderzoek richt zich op risicokwantificatie in de (financiële) haalbaarheidsfase van een herontwikkeling omdat in deze fase veelal de keuze wordt gemaakt een herontwikkelingsplan verder te brengen. Risicomanagement en kwantificatie zijn na dat moment uiteraard nog steeds van belang, de belangrijkste hobbel -het investeringsbesluit- is dan echter al achter de rug. − Perspectief van de belegger: dit onderzoek gaat er vanuit dat de risico’s van een herontwikkeling worden bekeken vanuit het perspectief van de belegger. De feitelijk risico’s en onzekerheden zullen niet anders zijn, maar een belegger zal deze waarschijnlijk wel anders waarderen. − Samenwerking: er wordt in dit onderzoek niet ingegaan op mogelijke juridische samenwerkingsvormen tussen ontwikkelaars en beleggers bij herontwikkelingsprojecten. De focus ligt op de financiële haalbaarheid van een herontwikkeling, afgezien van de verantwoordelijkheden en verplichtingen van de betrokken partijen. Het uitgangspunt dat in dit onderzoek wordt gehanteerd, is dat een project haalbaar is wanneer de belegger de risicorendementsverhouding accetabel vindt en hiermee het project financieel haalbaar is. 1.6

Relevantie

Dit onderzoek is voor het vakgebied relevant omdat er in beperkte mate gebruik wordt gemaakt van kwantitatieve risicoanalyse. De kwalitatieve onderbouwing en het ‘onderbuik gevoel’ zijn op dit moment overheersend en zullen altijd wel belangrijk blijven, maar een verschuiving van inzicht naar meer kwantitatieve onderbouwingen van investeringsbesluiten ligt voor de hand. De wetenschappelijke relevantie ligt hoofdzakelijk in de koppeling tussen de Monte Carlo analyse en vastgoedontwikkeling. De Monte Carlo analyse is in de wetenschap veelvuldig besproken, met name in de bouwen procesindustrie. De koppeling met vastgoedontwikkeling, waar in tegenstelling tot de bouwen bouwprocesindustrie ook de opbrengstenkant een risico-item is, is wetenschappelijk beperkt uitgediept. Tot slot is het onderzoek maatschappelijk relevant omdat de huidige leegstand in Nederland inmiddels een veel groter probleem is dan alleen dat van de eigenaren. De verwachting is zelfs dat de leegstand verder zal toenemen door de invloed van ‘het nieuwe werken’ en een teruglopende beroepsbevolking. De urgentie tot herontwikkeling wordt breed gedragen door alle betrokken actoren zoals overheden (landelijk en lokaal), eigenaren en banken. Vanuit de laatste groep, de financiële sector (de banken cq. hypotheeknemers), wordt inmiddels veel druk uitgeoefend op eigenaren van leegstaand vastgoed om het probleem aan te pakken. Bij herfinancieringen worden overigens strengere eisen gesteld die herontwikkeling er niet eenvoudiger op maakt (dit heeft een aantal redenen, o.a. wijziging van regelgeving aan de zijde van de bank, leegstandsrisico, solvabiliteit van de eigenaar etc.). En tot slot de maatschappelijke druk die ontstaat, doordat leegstand op sommige plekken tot verloedering van de omgeving leidt. De troosteloze leegstand van vastgoed met talrijke huurborden begint simpelweg op te vallen en ergernis op te wekken in het land.


-4-

2

RISICO’S BIJ HERONTWIKKELING

In dit hoofdstuk wordt het kader geschetst van risicoanalyse binnen projectontwikkeling; noodzakelijk om later in het onderzoek de stap naar risicokwantificering te kunnen maken. In paragraaf 2.1 wordt de definitie van risico omschreven. Paragraaf 2.2 gaat over risicomanagement en hoe risicokwantificering zich hiertoe verhoudt. In de laatste paragraaf wordt ingegaan op de risico’s van projectontwikkeling, waarbij ook specifiek herontwikkelingsrisico’s worden besproken. 2.1

Risico

Wat is risico precies? Men spreekt wel over risicovolle ontwikkelingen, risicoaverse beleggers of ‘een risico’tje nemen’. Maar de precieze betekenis ervan is niet eenvoudig te geven. In de literatuur is veel geschreven over risico, waarbij verschillende definities worden gehanteerd. Gehner (2011) geeft een compleet overzicht van de verschillende definities die in de literatuur wordt gebruikt voor risico. Een veel gebruikte definitie die zij noemt is die van Stichting Bouw Research (2000): Risico = Kans op falen x gevolg Zoals uit deze formule blijkt, maar dit geldt eveneens voor de andere definities die Gehner noemt, bestaat het risicobegrip uit een waarde- en waarschijnlijkheidscomponent. De waardecomponent is het effect of gevolg van een gebeurtenis uitgedrukt in afwijking van het gewenste resultaat. Ieder risico heeft dus een bepaalde kans of waarschijnlijkheid in zich waar de risiconemer onzeker over is. Risico en onzekerheid hebben dan ook veel met elkaar van doen, maar toch zit er een verschil tussen beide begrippen. Risico en onzekerheid De term onzekerheid wordt vaak gebruikt als men het over risico heeft en wordt soms zelfs als synoniem gebruikt (Van Dijk, 2006). Byrne (1984) zegt dat onzekerheid alles is dat nog niet zeker is over de uitkomst van een project op het moment van het nemen van een besluit. Risico is het tegenovergestelde, namelijk het mogelijke verlies dat wordt gelopen bij verschillende uitkomsten van een besluit. Anders gezegd, een risico kan bewust worden genomen, kan zelfs worden beïnvloed en men weet wat de (financiële) gevolgen kunnen zijn. Ook een besluit op basis van onzekerheden kan weloverwogen genomen worden, echter de uitkomst is ondefinieërbaar. Risico in projectontwikkeling De definities van risico zijn echter niet één op één op toepasbaar op de praktijk van projectontwikkeling (Gehner, 2011). Ten eerste omdat de waarschijnlijkheidscomponent slecht toepasbaar is, omdat projectontwikkeling opereert in een onzekere omgeving met een beperkte hoeveelheid historische data en referentiemateriaal, aangezien elk project uniek is. Het is echter wel mogelijk een kansinschatting te maken van onzekere gebeurtenissen op basis van kennis en ervaring. Alle gebeurtenissen die voorspelbaar en stochastisch2 modelleerbaar zijn worden dan beschouwd als een risico. Het tweede waarin de algemene term risico bij projectontwikkeling afwijkt, is dat de waardecomponent van het risico bij projectontwikkeling te maken heeft met de afwijking op het gewenste rendement van een project. Gehner (2011) formuleert dan ook de specifieke definitie voor risico tot het vakgebied projectontwikkeling als volgt: Een risico is een voorspelbare en stochastische modelleerbare gebeurtenis die leidt tot een negatieve afwijking van de rendementseis van een project. 2

Stochastisch: een numerieke waarde die afhankelijk is van een bepaalde kans of toeval, of gebonden aan een waarschijnlijkheidsverdeling.


-5-

Risico en rendement Ontwikkelaars zijn alleen bereid risico te lopen, indien daar een beloning tegenover staat; het rendement. Risico en rendement zijn communicerende vaten. Hoe lager het risico, hoe lager het rendement en vice versa (Van Denzen, 2009). Xu (2002) stelt dat bij potentiële investeringen het te lopen risico moet worden aangegeven, zodat kan worden bepaald of het beoogde rendement wel binnen een acceptabele grens zit. Zoals hiervoor omschreven kan risico worden uitgedrukt in een range van mogelijke uitkomsten van het rendement (Geltner, 2007) die afwijken van het beoogde rendement. De meest gebruikte statistische methode om risico te kwantificeren is de standaarddeviatie van de kansverdeling van de toekomstige rendementen, ook wel volatiliteit genoemd. Hoe groter de standaarddeviatie van het rendement, hoe groter het risico. A. Kans

B.

C. Rendement Figuur 1: drie type kansverdelingen

In figuur 1 zijn drie verschillende kansverdelingen van een project aangegeven waarvoor alle drie een verwacht rendement van 10% geldt. Toch zijn de risico’s wezenlijk anders: A. Geen risico, het rendement kan met 100% zekerheid worden bepaald. B. Beperkt risico door een kleine standaarddeviatie, het rendement kan met een redelijke zekerheid worden voorspeld. C. Veel risico door een grote standaarddeviatie, de kans op onderschrijding van het beoogd rendement is aanzienlijk. Bij bovenstaande uitleg geldt als uitgangspunt dat de ontwikkelaar vooraf weet of kan bepalen wat het beoogde rendement dient te zijn. Het blijkt echter dat de projectontwikkelaar geen adequate techniek of methodiek kent en gebruikt om een risico-opslag te bepalen. Het lijkt erop dat de hoogte van de opslag die wordt gebruikt, gebaseerd is op historisch bewezen risico-opslagen in combinatie met marktgemiddelden (Van Denzen, 2009). In paragraaf 3.2 wordt nader ingegaan op de wijze van rendementsberekeningen. 2.2

Risicomanagement

Risicokwantificering is een onderdeel van risicomanagement. Onder risicomanagement wordt verstaan het geheel van activiteiten en maatregelen gericht op het omgaan met risico’s ter beheersing van een project (Van Well, 2010). In onderstaand model is te zien dat risicomanagement grofweg is te delen in drie stappen, namelijk risicoanalyse, risicorespons en risicobeheersing (Gehner, 2011). Kenmerkend van het model is dat het een cyclisch karakter heeft, aangezien risico’s gedurende de voortgang van een project kunnen veranderen.


-6-

Stap 1 is het analyseren van de risico’s. Met behulp van de risicoanalyse wordt op systematische wijze inzicht verkregen in de risico’s binnen een project en kunnen de maatregelen met hun effecten worden bepaald om deze risico’s aan te pakken (Van Well, 2010). Het onderdeel risicokwantificering gaat over het toekennen van een kans en een effect aan de geïdentificeerde risico’s met behulp van een geschikte risicoanalysetechniek. Hier raken we de kern van dit onderzoek en hier zal ook in de volgende hoofdstukken nader op worden ingegaan. Risico-identificatie Risicoanalyse Risicokwantificering

Risicorespons Analyse beheersmaatregelen

Risicobeheersing

Implementatie beheersmaatregelen

Evaluatie beheersmaatregelen Figuur 2. Risicomanagementcyclus (Gehner, 2011)

Stap 2 van de cyclus is de respons van de besluitvormer op de geïdentificeerde risico’s. De respons is grotendeels afhankelijk van de risicoattide van de besluitvormer. Met andere woorden, hoeveel risico is de besluitvormer bereid te nemen? Op basis hiervan kan worden besloten het risico te vermijden, reduceren, overdragen of accepteren (Gehner, 2011). Bij stap 3 wordt de gekozen beheersmaatregel geanalyseerd en op basis hiervan wordt door de besluitvormer een keuze gemaakt om wel of niet tot implementatie over te gaan. Na verloop van tijd dient de maatregel te worden geëvalueerd en indien nodig begint de cyclus weer bovenaan. Risicomanagement in relatie tot de fase van het project Gedurende de voortgang van een project zullen de zekerheden en informatievoorzieningen toenemen. Hierdoor neemt de nauwkeurigheid en betrouwbaarheid van de risicoanalyse gedurende de rit toe (Van Denzen, 2009). Het belang van de risicoanalyse is daarom groot met name in de haalbaarheidsfase omdat juist in deze fase het nemen van beheersmaatregelen nog mogelijk zijn (zie ook figuur 3). Gehner (2011) geeft aan dat in deze fase de risicoanalyse meer kwalitatief van aard zal zijn gezien de beperkte informatievoorziening.

RISICOANALYSE

Acquisitie

Planontwikkeling

Realisatie/verkoop

Exploitatie/beheer

Figuur 3: Fasen en risicoanalyse (van Denzen, 2009)


-7-

2.3

Ontwikkelingsrisico’s

In de literatuur worden diverse overzichten gegeven van risico’s die bij projectontwikkeling spelen. Er is echter geen eenduidige, gestructureerde en uitputtende lijst te vinden van ontwikkelrisico’s (Van Denzen, 2009). Een onderscheid dat dient te worden gemaakt, is het onderscheid tussen specifieke en systematische risico’s. Het belangrijkste verschil is dat specifieke risico’s, ook wel zuivere risico’s, beïnvloedbaar zijn. Systematische risico’s, ook wel speculatieve risico’s genoemd, zijn autonoom en dus nauwelijks beïnvloedbaar (Huysmans, 2011). Projectontwikkelaars zien de systematische risico’s als de belangrijkste omdat deze niet te besturen zijn en veel indirecte effecten kunnen hebben (Gehner, 2011). Zowel Huysmans (2011) als Dekkers (2010) verdelen de risicosoorten in drie niveaus, namelijk omgevingsrisico’s, projectrisico’s en organisatierisico’s. In onderstaand schema zijn de risico’s onderverdeeld naar systematische en specifieke risico’s. Systematische risico’s (speculatieve risico’s)

Omgevingsrisico’s

Specifieke risico’s (zuivere risico’s)

Projectrisico’s

Organisatierisico’s

Figuur 4: beïnvloedbare en niet beïnvloedbare risico’s (bron: Huysmans, 2011)

Hieronder is een korte opsomming gegeven welke risico’s horen bij de drie risicogroepen waarbij gebruik is gemaakt van Huysmans (2011), Dekkers (2010), Van Denzen (2009) en Lesmeister (1997). Omgevingsrisico’s Dit zijn risico’s die buiten de invloedssfeer van het project liggen. − Economie of markt Dit is een risico waar een ontwikkelaar geen invloed op heeft, maar waar wel voor een belangrijk deel de haalbaarheid van een project van afhankelijk is. Denk hierbij aan de ontwikkeling van de verschillende deelmarkten (woning, kantoor, etc.) of het verloop van grondprijzen. − Financiële parameters Wijziging in parameters zoals inflatie en rentestand hebben een aanzienlijke impact op de financiële haalbaarheid van een project. − Wet- en regelgeving Wijzigingen in wet-en regelgeving kunnen grote consequenties hebben voor de randvoorwaarden waarbinnen het project gerealiseerd moet worden. Ten aanzien van herontwikkeling is dit een actueel thema omdat overheden transformaties willen stimuleren door weten regelgeving te vereenvoudigen. − Politiek, bestuurlijke en maatschappelijke risico’s Dit heeft te maken met het politieke en maatschappelijke draagvlak (denk bijvoorbeeld aan belangengroeperingen) van het project. Met name na gemeentelijke of landelijke verkiezingen is dit een risico omdat standpunten of inzichten volledig anders kunnen zijn wat weer tot vertraging of afbreuk kan leiden.


-8-

Projectrisico’s Projectrisico’s zijn gevolgen die direct te maken hebben met de uitvoering van het project. − Planontwikkeling Gedurende het traject kunnen zich wijzigingen voordoen die ongewenste gevolgen hebben voor het oorspronkelijke plan. Deze wijzigingen kunnen leiden tot vertragingen en kostenverhogingen en/of opbrengstverlagingen. Denk hierbij het afbreukrisico (verlies van alle geïnvesteerde gelden), planwijzigingsrisico (kan tot meerkosten of minderopbrengsten leiden) of het begrotingsrisico van de bijkomende kosten (door prijswijzigingen of meerwerk). − Grondexploitatie cq. verwerving Bij herontwikkeling is er geen grondexploitatie omdat er immers geen grond bewerkt of bouwrijp gemaakt moet worden. Wel bestaat er een risico dat na verwerving van een gebouw blijkt dat de bouwkundige kwaliteit anders is dan gedacht of dat de opbrengsten uit tijdelijke exploitatie afwijken van dat wat begroot is. − Bouw Het bouwproces is een complex proces en brengt zodoende allerlei risico’s met zich mee. Een typisch risico voor herontwikkelingsprojecten is de onzekerheid over de bouwkundige kwaliteit van het bestaande gebouw. Dit kan tot prijsverhogingen leiden. Andere bouwrisico’s zijn het aanbestedingsrisico (feitelijke bouwkosten hoger dan begroot), het ontwerprisico (fouten of onvolledigheden die tot meerkosten leiden) en bouwtijdvertraging (afwijking van de planning kan tot renteverliezen en claims leiden). − Afzet Dit gaat over de onzekerheid van de verkoopopbrengst in relatie tot de begrote opbrengsten. Indien op risico wordt gestart met een ontwikkeling, dan is dit een groot risico (en staat hier zodoende een grote risicoreservering tegenover). De invloed van de ontwikkelaar is overigens beperkt omdat succesvolle verkoop grotendeels afhankelijk is van marktomstandigheden. Het afzetrisico kan ook beperkt zijn, indien er met de kopende partij reeds afspraken zijn gemaakt over de aankoop prijs aan het begin van de ontwikkeling. − Publiekrechtelijk Afhankelijk van de beoogde ontwikkeling kan het vergunningentraject grote risico’s met zich mee brengen. Met name bij herontwikkeling, veelal in een stedelijke context waarbij veel belanghebbende partijen aanwezig zijn, kan er vertraging optreden in de procedures door bezwaarmakers. De ontwikkelaar heeft hier maar in beperkte mate invloed op. − Samenwerking- en contractering Tegengestelde belangen kunnen ontstaan waardoor een samenwerking onder druk kan komen te staan. Zeker bij herontwikkelingen waarbij ontwikkelaar en belegger samenwerken is een dergelijk risico denkbaar. Maar ook de samenwerking tussen publiek en privaat kan door andere belangen stroef lopen en tot vertraging leiden. Organisatierisico’s Deze risico’s vloeien voort uit het functioneren van een organisatie en uit de kwaliteiten van werknemers die een bijdrage leveren aan de organisatie. − Structuur Hier gaat het om de juiste verdeling van taken, bevoegdheden en verantwoordelijkheden binnen de projectorganisatie en de deelnemende partijen zodat het proces vloeiend en zonder vertraging kan worden doorlopen. − Proces De kwaliteit van het projectmanagement moet up-to-date zijn zodat een goede administratie, communicatie, informatievoorzieningen en planning gewaarborgd is. − Cultuur Bij samenwerkende partijen kunnen er verschillende normen en waarden en/of managementstijl aanwezig zijn, waardoor de voortgang en kwaliteit van een project in gevaar zou kunnen komen.


-9-

De Groot (2009) heeft de risicocategorieën zodanig georganiseerd dat het is gebaseerd op de fasering van het vastgoedontwikkelingsproces en de opstalexploitatie (zie figuur 5). Het voordeel van deze indeling is dat de risico’s kunnen worden gekwantificeerd als de mate van afwijking op het proces (∆t, ∆€), kosten (∆€) en opbrengsten (∆€). Logischerwijs hebben deze afwijkingen weer invloed op het resultaat cq. rendement. Proces (∆t, ∆€)

A. B. C. D. E. F. G. H.

Samenwerking Politiek (Plan)ontwerp Ruimtelijk / technisch RO-procedure Vergunningen Aanbesteding Planning

Kosten (∆€)

I. Hoeveelheden J. Kosten K. Economisch (indexen)

Opbrengsten (∆€)

L. Aantallen M. Opbrengsten N. Economisch (indexen)

Figuur 5: risicocategorieën vastgoedontwikkeling (bron: de Groot, 2009)

Interessant aan het onderzoek van De Groot (2009) is dat de risico’s in mate van belangrijkheid zijn gerangschikt door middel van een questionnaire onder 24 respondenten. Het resultaat van deze enquête is dat het procesrisico als belangrijkste wordt beoordeeld, gevolgd door opbrengsten- en kostenrisico’s. De Groot geeft aan dat de risico-prioritering gebruikt kan worden als checklist voor een kwalitatieve risicoanalyse en tevens kan worden bekeken welke risico’s een bepalende invloed hebben op het project. 2.4

Conclusie

Dit hoofdstuk geeft antwoord op de onderzoeksvraag welke risico’s er zijn te benoemen bij herontwikkelingsprojecten. Om hier antwoord op te kunnen geven is allereerst de definitie van risico in relatie tot projectontwikkeling geformuleerd: een voorspelbare en stochastische modelleerbare gebeurtenis die leidt tot een negatieve afwijking van de rendementseis van een project. In het volgende hoofdstuk wordt nader ingegaan op de verhouding risico en rendementen van (her)ontwikkelingsprojecten. Het kwantificeren van risico’s is onderdeel van risicomanagement en hoort bij stap 1 ‘de risicoanalyse’. De risicoanalyse is in de haalbaarheidsfase het belangrijkst omdat in deze fase het nemen van beheersmaatregelen nog goed mogelijk zijn. De risico’s binnen projectontwikkeling zijn op te delen in systematische en specifieke risico’s. De systematische risico’s zijn nauwelijks beïnvloedbaar en worden daarom door ontwikkelaars als meest belangrijk gezien. Denk hierbij aan marktrisico’s of politieke risico’s. De specifieke risico’s zijn over het algemeen beter te beheersen en zijn onderverdeeld naar projectrisico’s en organisatierisico’s.


-10-

3

RISICOKWANTIFICERINGSTECHNIEKEN

Nu in het vorige hoofdstuk de definitie van risico in relatie tot projectontwikkelingen is behandeld, wordt in dit hoofdstuk besproken op basis van welke rendementscriteria projecten worden beoordeeld (paragraaf 3.1 en 3.2) en welke risico analysetechnieken gebruikt kunnen worden (paragraaf 3.3). 3.1

Haalbaarheidsberekeningen

De financiële haalbaarheid van een herontwikkelingsproject kan op meerdere manieren worden berekend. Dit onderzoek richt zich op de acquisitiefase, de fase waarin wordt onderzocht of en zo ja onder welke condities een herontwikkeling haalbaar is. De haalbaarheidsanalyse is een iteratief proces van tekenen, rekenen en ondertekenen (Salemi, 2010). Ontwerpingrepen in een gebouw, keuze voor specifieke functies, contractuele uitgangspunten, etcetera hebben allemaal invloed op de financiële haalbaarheid. Ondertekenen

Rekenen

Tekenen

Figuur 6: positionering vastgoedrekenen (bron: Salemi, 2010)

Bij herontwikkeling komen de werelden van de belegger en ontwikkelaar samen. Het verschil tussen deze actoren is aan te duiden in de wijze waarop de cashflow schema’s voor beide partijen eruit zien (zie figuur 7). De belegger gaat uit van een eenmalige investering en periodieke ontvangsten over een langere periode. De ontwikkelaar daarentegen heeft een kortere investeringshorizon, namelijk de looptijd van het project. De cashflow bestaat zodoende uit een reeks van niet-constante uitgaven verspreid over de ontwikkelingsperiode en wordt gecompenseerd door de verkoopwaarde (Gehner, 2011). De koppeling tussen ontwikkeling en belegging zit in de verkoopwaarde, onafhankelijk of aan een externe partij wordt verkocht of dat er sprake is van een interne verkoop aan een andere afdeling. Vastgoedontwikkelingsproces

Verkoop

Cash flow ontwikkelaar

Verkoop

Cash flow belegger

Vastgoedrekenproces Figuur 7: cash flow schema (bron: Salemi 2010 en Gehner, 2011; eigen bewerking)


-11-

Door de verschillende risico’s en doorlooptijd van ontwikkelen en beleggen, hanteren de ontwikkelaar en de belegger andere rendementseisen. Een belegger gebruikt vaak een contante waardeberekening waarbij een bepaald rendement behaald moet worden op het ingelegde eigen vermogen. Een projectontwikkelaar maakt veelal gebruik van een eindwaardeberekening en streeft naar een positief saldo aan het einde van de investeringsperiode (Salemi, 2010). Dat maakt het lastig om de risico’s en rendementen tussen ontwikkelen en beleggen goed met elkaar te vergelijken. In het kader van dit onderzoek wordt het uitgangspunt van de ontwikkelaar gehanteerd omdat bij herontwikkeling de risico’s spelen die bij projectontwikkeling horen (ook al ontwikkelt de belegger). Vanuit de literatuur worden verschillende rendementsberekeningen besproken, die globaal samengevat kunnen in twee stromingen; de nominale methodiek en de contante waarde methodiek. Nominale methodiek De nominale methodiek, ofwel de eindwaardeberekening, wordt veelal toegepast bij de meer traditionele cq. minder complexe ontwikkelingen (Lesmeister, 1997 en Salemi, 2010). Maar ook voor complexere waardebepalingen kan de nominale methodiek worden toegepast (French, 2006). Het principe van de rekensom is eenvoudig; alle projectgerelateerde kosten (inclusief rentekosten) en opbrengsten worden tegen nominale waarden opgenomen en geïndexeerd naar eindwaarde. Het verschil tussen de eindwaarde van alle opbrengsten en de kosten is de vergoeding voor het te lopen risico, namelijk de winst cq. risico-opslag. Winst = verkoopopbrengst – kosten Winst als % = winst / kosten

Het voordeel van deze methodiek is de grote mate van inzichtelijkheid doordat de rentekosten apart worden opgenomen in de begroting. Vertragingen worden zodoende goed inzichtelijk (Lesmeister, 1997). Uitgangspunt bij deze methode is dat de inkomsten en uitgaven beschouwd worden als het saldo op een rekening courant en dat het negatieve saldo vreemd wordt gefinancierd. In werkelijkheid kan dit saldo natuurlijk ook door eigen vermogen van de ontwikkelaar worden gefinancierd (Van Denzen, 2009). Nadeel van de methode is dat het rendement niet is gekoppeld aan de tijd en projecten daarom slecht met elkaar vergelijkbaar zijn. Een winst van een project dat binnen 1 jaar wordt gerealiseerd, geeft een stuk beter rendement dan een zelfde winst (zowel absoluut als procentueel) van een ander project dat een doorlooptijd heeft van drie jaar (Gehner, 2011). Contante waarde methodiek Bij deze methodiek worden alle inkomsten en uitgaven van een project contant gemaakt naar een bepaald tijdstip. Voor het contant maken wordt een rentevoet gebruikt. Deze rentevoet bestaat enerzijds uit de compensatie voor de financieringskosten en anderzijds uit een vergoeding voor het risico dat gelopen wordt. De netto contante waarde (NCW) kan worden beschouwd als ontwikkelingswinst. Bij een NCW van 0 wordt het beoogde rendement behaald (Gehner, 2011).

NCW CF r

= netto contante waarde = geldstroom op tijdstip t = rentevoet

t n t=0

= tijdstip van uitgave = totale ontwikkeltermijn = start ontwikkelproces

Net als bij de nominale methodiek geldt ook hier dat de tijdfactor niet tot uitdrukking komt in de NCW (in 1 jaar dezelfde NCW behalen is beter dan in 3 jaar). Alleen door middel van het berekenen van een jaarlijks rendement kunnen projecten onderling met elkaar worden vergeleken, maar ook de


-12-

effecten van risico’s. Dit wordt ook wel het intern rendement van een project genoemd (IRR) en kan worden berekend door de NCW van alle geldstromen op 0 te stellen. In het kader van risicoanalyse concludeert Gehner (2011) dat de IRR berekening de enige geschikte methode is bij projectontwikkeling in relatie tot risicoanalyse. Nadeel aan de methode is dat de hoogte van de posten niet meer overeenkomen met de werkelijke uitgaven en zodoende niet goed meer herkenbaar zijn. 3.2

Rendementseisen

In paragraaf 2.1 is de relatie tussen risico en rendement reeds kort besproken en dit wordt hieronder nader uitgewerkt voor de twee rekenmethodieken. Het rendentsperspectief is vanuit de belegger. Nominale methodiek Bij de nominale methodiek wordt gebruik gemaakt van een standaard post ‘winst’ die als kostenpost in de investeringsbegroting is opgenomen (Salemi, 2011). De winst is het geëiste rendement op de investering dat minimaal behaald moet worden (zie figuur 8). Voor de onzekerheden die er in het project zitten wordt, naast de post risico, vaak een post ‘onvoorzien’ toegepast. Zeker in de haalbaarheidsfase zal dit een aanzienlijke post zijn omdat het project nog vele onzekerheden kent. Investeringsbegroting Grond/gebouwkosten Bouwkosten Bijkomende kosten: - Directe bijkomende kosten (adviseurs, aansluitkosten, leges, verkoopkosten en promotiekosten) - Onvoorzien - Incentives / huurgaranties - Financieringskosten - Algemene kosten - Winst +/+ Investeringskosten Verkoopopbrengst Investeringskosten Saldo

-/-

Figuur 8: Investeringsbegroting (her)ontwikkelingsproject (bron: eigen bewerking)

Van Denzen (2009) heeft bij Nederlandse ontwikkelaars onderzoek gedaan naar de afweging tussen risico en rendement en hoe zij dit vertalen naar een risico-opslag. De resultaten geven een eenduidig beeld; bijna alle ontwikkelaars leunen sterk op subjectieve risico-inschatting en waarderen deze allemaal anders. Voornamelijk op basis van strategische belangen worden risico’s lager of anders gewaardeerd. Er wordt geen adequate techniek gebruikt om een opslag te onderbouwen, veelal wordt het maximaal neerwaartse risico bepaald. Omdat veel risico’s onderhandelbaar zijn in de tijd, worden projecten sterk vanuit ondernemergevoel benaderd. Voor de posten ‘onvoorzien’ en ‘winst’ worden bij de nominale methodiek dan ook standaard percentages toegepast, sterk variërend per project van 5% tot 20%. Contante waarde methodiek De rendementseis bij deze methodiek zit verwerkt in de rentevoet waartegen de kasstromen van het project contact worden gemaakt. Uit het onderzoek van Van Denzen (2009) blijkt dat ontwikkelaars voor het bepalen van deze rendementseis geen adequate kwantificeringstechniek voor handen


-13-

hebben. Beleggers zijn hiermee echter beter bekend en hanteren verschillende methoden om tot een rendementseis te komen die mogelijk ook toepasbaar kunnen zijn voor ontwikkelingsprojecten. In beginsel zijn er twee methoden om de rendementseis te bepalen, namelijk (1) het gebruik van de WACC (Weighted Average Cost of Capital) en (2) het risico vrije rendement te verhogen met een risico-opslag of verschillende risico-opslagen (Van Gool, 2011). De WACC wordt berekend aan de hand van de verhouding tussen vreemd en eigen vermogen en de bijbehorende vereiste rendementen.

WACC = Rp = Rd (LTV) + Re (1 – LTV)

Rp Rd

= rendement project = rendement debt

Re LTV

= rendement equity = Loan to Value

Figuur 9: Weighted Average Cost of Capital (bron: Geltner, 2007)

Het rendement van de schuld (Rd) is gelijk aan de financieringsrente en het rendement op eigen vermogen (Re) is opgebouwd uit een risicovrij rendement en een risicopremie. Het risicovrije rendement is gerelateerd aan risicovrije beleggingen, zoals staatsobligaties. De risicopremie is de vergoeding voor het investeren van het eigen vermogen in het project. De WACC kan hiermee echter nog niet gehanteerd worden als IRR, omdat het slechts een kostenpost is en de risicocomponent van het project er nog niet in is verwerkt (Gehner, 2011). Om wel tot een juiste rendementseis voor projectontwikkeling te komen, dient er bij zowel het rendement op vreemd als op eigen vermogen een zelfde project-risicopremie opgeteld te worden conform onderstaande formule.

IRReis = Rp = Rd (LTV) + Re (1 – LTV) + Rr

Rp Rd


Re LTV Rr

= rendement equity = Loan to Value = project-risicopremie

Figuur 10: IRR projectontwikkeling (bron: Gehner, 2011: eigen bewerking)

Het bepalen van de project-risicopremie (Rr) is, vanzelfsprekend, zeer projectspecifiek. Zoals eerder vermeld, zijn er geen historische datareeksen beschikbaar voor projectontwikkeling en zal er dus voor de definiëring hiervan gebruik gemaakt moeten worden van experts, ervaringscijfers, eigen inschatting of kan er simpelweg vanuit bedrijfsoogpunt een bepaalde rendementsdoelstelling toegepast worden. De nominale methodiek is een typische methodiek voor projectontwikkelaars. Beleggers zijn beter bekend met de contante waarde methodiek en de rendementseis IRR, dus het ligt voor de hand dat beleggers de contante waarde methodiek toepassen bij haalbaarheidsanalyses voor herontwikkeling. 3.3

Risicoanalysetechnieken

In deze paragraaf worden de belangrijkste kwantitatieve risicoanalyse technieken besproken in relatie tot projectontwikkeling. Kwalitatieve analysetechnieken zoals de SWOT analyse of risicomatrix worden niet behandeld. Het doel van kwantitatieve risicoanalyse is het afwegen van risico’s op basis van kwantitatieve inschattingen. Er kan een onderscheid worden gemaakt tussen deterministische en probabilistisch technieken. Bij de eerste wordt alleen het effect van een risico gekwantificeerd en bij de tweede wordt zowel het effect als de kans erop gekwantificeerd (Gehner, 2011). De kans is hierbij een stochastische variabele en het effect betreft het gevolg van het opgetreden risico uitgedrukt in geld, score of afwijking in termen van rendement (Huysmans, 2011). In de literatuur worden vele vormen van risicokwantificering besproken, echter in relatie tot het vakgebied projectontwikkeling is er beperkt onderzoek gedaan (Gehner, 2009). Ook in de praktijk


-14-

worden kwantitatieve probabilistische risicoanalyse technieken maar beperkt toegepast (zie figuur 11). De voornaamste redenen hiervoor zijn de beperkte beschikbaarheid van objectieve en statistische data en dat ontwikkelaars zich liever richten op risico-controlemaatregelen in plaats van kwantificeringstechnieken (Gehner, 2006). Risicoanalysetechniek

Respondenten

Percentage

Intuïtie / ervaring Kwalitatieve identificatie Scenario/gevoeligheidsanalyse Risicopremie Checklist Kwantificering risicokapitaal Probabilistische technieken (zoals Monte Carlo simulatie)

15 15 12 4 3 2 0

100% 100% 80% 27% 20% 13% 0%

Figuur 11: Gebruik risicoanalysetechnieken bij vastgoedontwikkelaars (bron: Gehner, Halmal, 2006)

In deze paragraaf wordt een aantal technieken toegelicht die veel gebruikt ofwel in potentie goed bruikbaar zijn voor (her)ontwikkelingsprojecten. A. Risicopremie Deze methode is niets anders dan een bedrag reserveren voor onvoorziene omstandigheden zonder dat de risico’s van een project expliciet worden gedefinieerd. Vaak wordt er een standaard percentage van de totale stichtingskosten voor gebruikt op basis van de kennis- en ervaring en risicoattitude van de besluitvormer. In feite wordt met deze methode niet het effect van risico’s gekwantificeerd, maar wordt er in de begroting rekening gehouden met onzekerheden (Gehner, 2011). Door de eenvoud van de techniek, wordt het in de praktijk vaak toegepast. B. Gevoeligheidsanalyses Bij deze techniek wordt het effect op het rendement berekend door de investeringsbegroting met verschillende investeringsvariabelen meerdere malen door te rekenen. Per één of twee invoerwaardes, waarbij de overige variabelen gelijk worden gehouden, wordt het rendement en het effect en gevoeligheid ten op zichte van het geëiste rendement berekend. Het nadeel van de gevoeligheidsanalyse is dat het geen indicatie geeft van de waarschijnlijkheid van de verschillende uitkomsten. Ook wordt er geen uitspraak gedaan over de correlatie tussen invoervariabelen (Atherton, 20008). Toch is het een techniek die in de praktijk veel wordt gebruikt door de eenvoudige toepasbaarheid. De besluitvormer zal zelf in staat moeten zijn om de waarschijnlijkheid van bepaalde analyses in te schatten. C. Kansgewogen scenarioanalyse (Expected Monetary Value) De scenarioanalyse is een afgeleide van de gevoeligheidsanalyse. Bij deze methode worden veelal drie verschillende scenario’s doorgerekend, meestal een pessimistisch, realistisch en optimistisch scenario. Bij ieder scenario leiden meervoudige invoerwaarden tot één uitvoerwaarde. Deze methode kent een grote bandbreedte van mogelijke uitkomsten omdat in het pessimistische scenario alle negatieve waarden van inputvariabelen worden gestapeld en bij het optimistische scenario alle positieve waarden van inputvariabelen worden gestapeld (De Groot, 2009). Indien de besluitvormer voldoende inzicht heeft hoe de scenario’s zijn opgebouwd en welke inputvariabelen zijn gehanteerd, dan kan het voor hem ook mogelijk zijn de waarschijnlijk in te schatten van de scenario’s. In dat geval is sprake van kansgewogen scenario analyse, ofwel de Expected Monetary Value (EMV) methode.


-15-

Huuropbrengst Waarde Kans EMV-1 140 20% 28 120 50% 60 100 30% 30 118

Optimistisch Verwacht Pessimistisch Totaal

Bouwkosten Waarde Kans EMV-2 900 10% 90 1.000 60% 600 1.200 30% 360 1.050

BAR Waarde Kans EMV-3 7,5% 10% 0,8% 8,0% 70% 5,6% 8,5% 20% 1,7% 8,1%

Figuur 12: rekenvoorbeeld Expected Monetary Value

In het rekenvoorbeeld in figuur 10 is de EMV voor berekend voor drie invoerwaarden. Voor iedere EMV apart, maar ook de EMV’s gecombineerd, kan de invloed op het rendement van het project worden berekend. Het voordeel van de EMV methode is dat de kans van optreden van bepaalde waarden wordt toegevoegd en hierdoor extreme uitkomsten worden uitgevlakt. Het nadeel van de mthode is dat het slechts om één enkele uitvoerwaarde gaat zonder dat specifiek de risico’s worden benoemd (Gehner, 2011). D. Risk Mapping in combinatie met Kwadrantenmodel Bij Risk Mapping wordt het risico opgesplitst in een kans en gevolg (zie figuur 13). Er vindt echter geen absolute inschatting plaats maar door middel van categorisering in klassen. Om de klassen te concretiseren en werkbaar te maken, wordt er een waarde gekoppeld aan zowel de kans als voor het gevolg. Dit is uiteraard projectspecifiek en zal dus voor ieder project vastgesteld moeten worden. Het belang van de risico’s wordt zichtbaar nadat kans en gevolg met elkaar zijn vermenigvuldigd. Het voordeel van Risk Mapping is dat risico’s die niet uit te drukken zijn in geld, ook van een numerieke waarde worden voorzien (Well-Stam, 2010). Omschrijving risico

Kans

1. Meer ontwerpwijzigingen 2. Lagere verkoopopbrengst 3. Extra bouwkosten 4. Langere ontwikkelingstermijn

4 2 3 2

x

Gevolg

= Risico

Prioriteit

1 4 2 1

4 8 6 2

nr. 3 nr. 1 nr. 2 nr. 4

Figuur 13: Vermenigvuldiging kansen gevolgklassen (bron: Van Well-Stam, 2010; eigen bewerking)

Hoe een besluitvormer handelt, heeft te maken met de hoogte van het risico en de risicoattitude. Zowel Well-Stam (2010) als Wang (2000) tonen twee grafische modellen waarin kans en effect tegen elkaar zijn uitgezet en waarin de risicorespons van de besluitvormer is verwerkt. In de matrix van Well-Stam kan vooraf worden aangegeven welke risico’s acceptabel worden geacht (witte vlakken) en welke niet (grijze vlakken). Voor risico’s die vallen in de grijze vlakken dienen maatregelen genomen te worden. Het voordeel is dat inzichtelijk wordt gemaakt of het ‘gevaar’ in de grootte van de kans van optreden van het risico schuilt of in het gevolg.

2

4 Gevolg 3

Gevolg

3

2 4

1 1

2

1 3

4

Kans

III Alligators

IV Tigers

I Kittens

II Puppies Kans

Figuur 14: kans-en gevolg matrix inclusief risicorespons (bron: links Van Well-Stam (2010), rechts Wang (2000))


-16-

Wang hanteert een iets andere indeling, maar de matrix komt feitelijk op hetzelfde neer. Ook hier is het verschil tussen kans en gevolg inzichtelijk, alleen wordt er gebruik gemaakt van risicocategorisatie bestaande uit 4 kwadranten: lage kans en laag effect (Kittens), hoge kans en laag effect (Puppies), lage kans en hoog effect (Alligators) en hoge kans en hoog effect (Tigers). De kwadranten hoeven overigens niet noodzakelijkerwijs aan elkaar gelijk te zijn, maar worden bepaald door de risicoattitude door de besluitvormer. Een risicomijdende besluitvormer zal een klein 1e kwadrant hebben en een groot 4e kwadrant (Gehner, 2011). E. Reële optietheorie Een reële optie geeft het recht, maar niet de verplichting, om een asset te verkijgen of te ruilen voor een bepaalde prijs. In de vastgoedpraktijk worden opties toegepast bij het aankopen van grond of een gebouw (timingsoptie). Zodra de rechthebbende van de optie het asset wil kopen, dan is verkoper verplicht het asset te leveren. In ruil voor het optierecht wordt een optiepremie betaald door de optienemer (Gehner, 2008). Naast deze timingsoptie bestaan er ook andere reële opties, zoals (Nederhorst, 2009): − de groeioptie; dit is een ‘leeroptie’ waar door middel van het kopen van meer informatie onzekerheden kunnen worden weggenomen. De kosten van de informatie wordt bij de netto contante waarde opgeteld omdat het maximaal neerwaartse risico minder zal worden. − de flexibiliteitsoptie; dit geeft keuzemogelijkheden ten aanzien van het programma of ontwerp en hoe later in het planproces deze genomen kunnen worden, hoe hoger de waarde van de optie. − of afsteloptie; deze optie zorgt ervoor dat bij beëindiging het project nog steeds een bepaalde ondergrens heeft. Ook hier geldt dat de waarde van de optie bij de netto contante waarde kan worden opgeteld, omdat het neerwaarts risico wordt verminderd. De reële optiemethodiek gaat er vanuit dat bedrijven in staat zijn om de koers van een project te verleggen gedurende een ontwikkelingstraject. In standaard haalbaarheidstudies wordt deze mogelijkheid echter nooit meegenomen. Onderstaande kansverdelingen illustreren de waarde van een optie (de optie premie). Door flexibiliteit in te bouwen in een project is een ontwikkelaar in staat de normaalverdeling van het resultaat van het project a-symetrisch te maken door de downside af te dekken en mogelijke upside in de toekomst uit te kunnen buiten. In onderstaand figuur is te zien dat hierdoor de normaalverdeling een hoger gemiddelde krijgt (Nederhorst, 2009).

Optie premie Verwacht rendement

Statisch rendement

Verwacht rendement

Figuur 15: Verandering van de normaalverdeling door flexibiliteit (resultaat een optie premie (bron: Nederhorst, 2009)

Het voordeel van het gebruik van reële optie waarderingsmethoden is dat onzekerheid, en dus ook in potentiële upside van een project, meegenomen kan worden in de waardepaling van een project ten behoeve van een investeringsbesluit. De toepassing van deze methode bij projectontwikkeling is echter nog zeer beperkt door de complexiteit van de methode en het feit dat de input veelal gebaseerd is op aannames (Nederhorst, 2009). De meerwaarde van reële opties als aanvulling op traditionele methoden als netto contante waarde berekeningen is vooral groot bij kapitaalintensieve projecten met een lange looptijd en veel onzekerheid (Reitsma, 2010).


-17-

F. Monte Carlo simulatie Waar bij de reële optietheorie de waarde van één of enkele opties wordt berekend, wordt bij de Monte Carlo simulatie de waarde gecalculeerd van meerdere opties in één model. Een Monte Carlo simulatie is een techniek die kansverdelingen gebruikt voor de kosten en opbrengsten zodat het mogelijk wordt een kansverdeling te calculeren van het rendement van een project (Loizou, 2012). De simulatie bestaat grofweg uit drie stappen. De eerste stap is het opstellen van een deterministische investeringsbegroting. De tweede stap is het definiëren van de onzekerheid in de begroting door een mogelijke range van uitkomsten van de invoervariabelen vast te leggen in de vorm van kansverdelingfuncties. Ook de onderlinge afhankelijkheden tussen invoervariabelen kunnen bepaald worden. De derde en laatste stap is het model veelvuldig de range en kansverdeling van de mogelijke uitkomsten te laten calculeren. Het resultaat verschaft een objectief inzicht in de mogelijke afwijkingen van het gewenste rendement van een project (Gehner, 2011). Het voordeel van deze techniek is dat positieve en negatieve gevolgen per risico-item met elkaar worden gecombineerd en dat afhankelijke en onafhankelijke risico-items via een correlatiematrix aan elkaar gekoppeld worden (De Groot, 2009). Een Monte Carlo simulatie geeft een ontwikkelaar inzicht in welke mogelijke veranderingen doorgevoerd kunnen worden om het niet alleen het project beter rendabel te maken, maar ook om beter inzicht te krijgen in de risico’s. Hiermee kan de ontwikkelaar gerichter acties uitvoeren om de risico’s te verkleinen of elimineren (Loizou, 2012). Toch is de Monte Carlo simulatie nog geen beproefde techniek binnen de projectontwikkeling. De oorzaak hiervan ligt voor een belangrijk deel in het gebrek aan historische en objectieve data over de risico’s. Door het unieke en projectmatige karakter van projectontwikkeling is het lastig betrouwbare invoerdata te generen en dat geeft zijn weerslag op de resultaten. Een ander kritiekpunt is de complexiteit van de techniek (Van Denzen, 2009). Toch is er al een aantal jaar software beschikbaar (zoals @Risk en Crystall Ball) die eenvoudig zijn te gebruiken in bestaande investeringbegrotingen in Excel. Dit wordt door projectontwikkelaars echter zelden toegepast. 3.4

Risicoanalysetechnieken in relatie tot besluitvorming

De beschreven technieken in paragraaf 3.3 verschillen sterk in opzet en in praktische toepasbaarheid. Om te bepalen welke techniek een besluitvormer wenst te gebruiken, is het van belang te formuleren welk resultaat de analyse moet bereiken, zodat het doel van de besluitvormer overeenkomt met de mogelijkheden van de risicoanalysetechniek. In het geval van herontwikkeling in de haalbaarheidsfase moet de risicoanalyse objectieve, beslissingsondersteunende informatie bieden. Belangrijk hierbij is dat de uitvoerwaarden zowel de kans als het effect weergeven van de afzonderlijke risico’s. De risicoattidude van de besluitvormer speelt pas achteraf een rol en niet al bij het opstellen van de invoervariabelen (Gehner, 2011). De keuze welke techniek te gebruiken heeft te maken met de beschikbare hoeveelheid middelen; tijd & geld, informatie en kennis. Gehner (2011) concludeert hierover het volgende: − Tijd & geld: de complexiteit van de techniek moet beperkt zijn, aangezien er een beperkte hoeveelheid tijd aan risicoanalyse wordt besteed bij herontwikkelingsprojecten met een maximale looptijd van 2 tot 3 jaar. − Informatie: het belang van de invoervariabelen is essentieel omdat deze bepalend zijn voor de betrouwbaarheid en accuraatheid van de resultaten. De invoer bestaat uit informatie over (1) de effecten van en (2) de kansen op risico’s. De informatie over de effecten bestaat uit expliciete kennis (marktinformatie, data) en impliciete kennis (ervaring). 100% betrouwbare informatie is nooit te krijgen, maar de combinatie van de expliciete en impliciete kennis geeft voldoende betrouwbare input. De kansen op risico’s zijn moeilijker te bepalen. Dit zal hoofdzakelijk bepaald worden op basis van impliciete kennis door middel van expertmeetings.


-18-

−

Kennis: de resultaten moeten inzichtelijk zijn en eenvoudig te interpreteren, zodat het voor besluitvormers begrijpelijk is en voldoende vetrouwen geeft besluitvorming op de resultaten te baseren.

Indien bovenstaande criteria getoetst worden op de omschreven risicoanalysetechnieken kan het volgende geconcludeerd worden ten aanzien van de toepasbaarheid van de technieken op haalbaarheidstudies bij herontwikkeling: − Risicopremie: simpel toepasbaar, maar doet geen uitspraak over de afzonderlijke invoervariabelen en over de waarschijnlijkheid van optreden van risico’s. − Gevoeligheidsanalyse: de kans op afzonderlijke risico’s wordt niet gekwantificeerd. De populariteit van de analyse is echter groot omdat het eenvoudig toepasbaar is en het de besluitvormer wel inzicht geeft in de variabelen met de grootste invloed op het resultaat. − Kansgewogen scenarioanalyse (EMV) : de resultaten zijn alleen te beoordelen indien de besluitvormer inzicht heeft in de opbouw van de scenario’s. Het resultaat is immers de optelsom van meerdere aangepaste variabelen. De toevoeging van kans per scenario vlakt de extremen van de scenario’s uit. De toepasbaarheid is eenvoudig en wordt veel gebruikt in de praktijk. − Risk mapping in combinatie met Kwadrantenmodel: positief aan deze methodiek is het onderscheid tussen de kans en het effect van risico’s. De inschatting van het optreden van een kans is echter subjectief. − Reële optietheorie: de meerwaarde van deze methodiek geldt vooral bij kapitaalintensieve projecten met een lange looptijd. Voor herontwikkelingsprojecten uit dit onderzoek is de methodiek daarom minder geschikt. Daarnaast is het waarderen en intepreteren van opties ingewikkeld, waardoor besluitvormers vooralsnog weinig gebruik maken van deze methodiek. − Monte Carlo Simulatie: door de betrouwbaarheid van invoerdata en de complexiteit van de techniek wordt de methode zelden in de praktijk van herontwikkeling toegepast. De Monte Carlo simulatie biedt in potentie echter de meeste mogelijkheden. Ondanks het bestaan van eenvoudig toepasbare software wordt deze potentie nog niet uitgenut. 3.5

Conclusie

Dit hoofdstuk geeft antwoord op de onderzoeksvragen hoe risico’s vertaald kunnen worden naar rendementen en welke risicokwantificatie methodieken worden gebruikt bij herontwikkelingsprojecten. Het antwoord op de eerst vraag is niet eenvoudig omdat blijkt dat de koppeling tussen risico en rendement bij projectontwikkeling met name gebaseerd is op ervaring, intuïtie en ondernemerschap. De wijze waarop risicoposten in haalbaarheidsberekeningen worden verwerkt, is grofweg opgedeeld in twee manieren. Bij de eerste manier wordt de nominale rekenmethodiek toegepast, waarbij gebruik wordt gemaakt van de posten ‘onvoorzien’ (=risico) en ‘winst’ (=rendement) als percentage van (een deel van) de stichtingskosten. De tweede manier is het gebruik van een rendementseis (IRR) waartegen toekomstige kasstromen contant worden gemaakt. Projectontwikkelaars maken veel gebruik van gevoeligheids- en scenarioanalyses (deterministische technieken) bij haalbaarheidsanalyses. Het nadeel van deze techniek is dat slechts de effecten worden gemeten, in plaats van het werkelijk kwantificeren of verklaren van risico’s. Probabilistische modellen doen dat wel en om die reden is het aan te bevelen deze modellen te gebruiken bij risicoanalyses. In dit hoofdstuk zijn drie probabilistische modellen besproken, Risk Mapping in combinatie met het kwadrantenmodel, de Reële optietheorie en de Monte Carlo simulatie. De mogelijkheden van met name de laatste methodiek worden echter bij herontwikkeling nauwelijks uitgenut, terwijl hiertoe zeker mogelijkheden zijn in combinatie met eenvoudige toepasbare sofware.


-19-

4

MONTE CARLO SIMULATIE

In hoofdstuk drie zijn verschillende risicokwantificeringsmodellen besproken waaronder de Monte Carlo simulatie. Deze methode biedt vele mogelijkheden voor risicoanalyse bij projectontwikkeling, maar vanuit de literatuur worden ook beperkingen gesignaleerd. In dit hoofdstuk wordt daarom nader ingegaan op de karakteristieken van de Monte Carlo simulatie en hoe de methodiek praktisch toepasbaar zou kunnen worden gemaakt voor de praktijk van (her)ontwikkeling. 4.1

Achtergrond

De Monte Carlo simulatie heet zo omdat het een verwijzing is naar de ‘gokstad’ Monte Carlo. De methode wordt vergeleken met de werking van sommige spelen uit het casino, bijvoorbeeld het roulette spel. Bij roulette stopt het balletje op een theoretisch willekeurige plaats om het winnende nummer te bepalen. Door het roulette meerdere malen te laten draaien is het mogelijk de frequentie van uitkomsten te voorspellen. Bij de Monte Carlo simulatie wordt eveneens een willekeurig cijfer gekozen binnen een bepaalde range om een uitkomst te bepalen. Door het gebruik van een computermodel is het mogelijk een range van uitkomsten te berekenen in combinatie met de kans van optreden van die uitkomsten (Byrne, 1984). Bij het opstellen van een haalbaarheidsstudie is het belangrijk om te weten wat de onderliggende aannames zijn van de analyse omdat dat de belangrijkste onderdelen zijn die de onzekerheid van een project bepalen. Zodra er inzicht is welke variabelen het grootste effect hebben op het rendement, dan kan ook bepaald worden waar de grootste risico’s schuilen, waardoor het proces hierop aangepast/aangestuurd kan worden. Met de introductie van de Monte Carlo simulatie is het mogelijk geworden de onzekerheden in een model te benoemen. Door computersoftware zoals Crystal Ball of @Risk zijn simulaties betrekkelijk eenvoudig uit te voeren (Loizou, 2012). 4.2

Besluitvorming bij Monte Carlo simulatie

Alvorens de precieze werking toe te lichten, is het van belang de Monte Carlo simulatie te plaatsen in het kader van besluitvorming. Atherton (2008) geeft aan dat er veel theoriën zijn over de wijze waarop besluitvorming is te rationaliseren, terwijl in de praktijk besluitvorming vaak afwijkt van de theorie. Atherton onderscheidt drie verschillende besluitvormingsmodellen: − Beschrijvende analyses: modellen die beschrijven hoe we besluiten. Deze modellen zijn echter slecht toepasbaar op herontwikkeling omdat in de praktijk besluitvormers vaak anders handelen dan de theorie. − Normatieve analyses: modellen die beschrijven hoe we zouden kunnen besluiten. Deze modellen gaan uit van rationeel gedrag en houden dus geen rekening met inconsequenties van de besluitvormers zoals persoonlijke of professionele voorkeuren ten aanzien van een project. − Prescriptieve (voorschrijven) analyses: modellen die gebruik maken van de normatieve analyse, maar daarnaast de besluitvormer begeleidt tot het maken van consistente, rationele keuzes, rekeninghoudend met de beperkte hoeveelheid kennnis die een besluitvormer heeft of kan opdoen. Het besluitvormingsmodel dat bij de Monte Carlo simulatie aansluit is de prescriptieve analyse. De uitkomsten van de simulatie geven namelijk geen helder afgebakende keuzemogelijkheden (zoals bij de normatieve analyse), maar de uitkomsten geven de besluitvormer inzicht in de uitkomsten zodat het helpt een mening te vormen over de risico’s van het project. Het model is een cyclisch proces. Allereerst wordt de input van de besluitvormers gebruikt in het model en worden de resultaten geanalyseerd. Vervolgens geeft dit nieuwe inzichten wat weer leidt tot aanpassingen in de input. Dit


-20-

proces duurt net zo lang totdat er geen nieuwe inzichten meer zijn. De gehanteerde input ontwikkelt zich gedurende het proces zodat de besluitvormer meer inzicht heeft in het project en zijn eigen voorkeuren, zodat het eenvoudiger is om goed geïnformeerde, rationele en consistente keuzes te maken. 4.3

Werking bij (her)ontwikkeling

Het toepassen van een Monte Carlo simulatie bij projectontwikkeling is voor het eerst toegepast door Byrne (1984). Byrne onderscheid het volgende stappenplan om een tot een waardering van een bepaalde vastgoedontwikkeling te komen waarbij rekening wordt gehouden met onzekerheden. 1. Opstellen investeringsbegroting 2. Bepalen probabilistische variabelen 3. Correlaties tussen variabelen bepalen 4. Simulatie uitvoeren 5. Analyseren uitkomst Figuur 16: Stappenplan Monte Carlo simulatie (bron: Byrne (1984); eigen bewerking)

1. Opstellen van een investeringsbegroting Allereerst wordt een discounted cashflow model opgesteld waar voor de verschillende invoervariabelen aannames worden gedaan. De uitgaven en inkomsten worden contact gemaakt tegen de IRR eis die de ontwikkelaar stelt. Indien de netto contante waarde positief is, dan is sprake van een haalbaar project (zie ook paragraaf 3.2). 2. Bepalen probabilistische variabelen De tweede stap is bepalen welke probabilistische variabelen in de investeringsbegroting aanwezig zijn. Er kan onderscheid gemaakt worden tussen variabelen die wel en niet controleerbaar zijn. Dit zal uiteraard per project verschillen. De ‘oncontroleerbare variabelen’ zoals huurprijs, inflatie of BAR kunnen volgens Byrne (1984) uitgedrukt worden in kansverdeling functies. Het is zaak het aantal variabelen tot de meest belangrijke en meest significante te beperken conform het Pareto principe. Dit principe gaat uit van focus op beheersing van risico’s met grote gevolgen en grote kans van optreden. De regel omschrijft dat 80 procent van de uitkomsten veroorzaakt wordt door 20% van de oorzaken (Huysmans, 2011). Het identificeren van de statistische variabelen en de relaties tussen de variabelen (zie stap 3) is het belangrijkste en meeste werk van de Monte Carlo simulatie (Gimpelevich, 2010). Hoe betrouwbaarder de input van het model, hoe betrouwbaarder de resultaten. Maar zelfs wanneer er voldoende historische data beschikbaar is, dan nog zal een groot deel van het bepalen van de kansverdelingsfuncties gestuurd worden door subjectiviteit op basis van ervaring en redelijkheid (Kelliher, 2000). Voor de kansverdelingsfuncties zijn er vier types te onderscheiden: de normale verdeling, de lognormale, de uniforme en de driehoekige verdeling (zie figuur 17). De som van alle kansen is altijd gelijk aan één, ofwel het oppervlak onder de kansverdelingsfunctie is ook één. De driehoekige en uniforme verdelingen zijn altijd begrenst met een onder-en bovenwaarde. Ook de (log)normale verdeling kan begrenst zijn (Vose, 1996), maar dat hoeft niet. Echter in de praktijk van vastgoedontwikkeling wordt er vaak gewerkt met begrenste kansverdelingen omdat dit extreme en dus onrealistische uitkomsten uitsluit.


-21-

Als de kans op over- of onderschreiding van het gemiddelde even groot is, dan is de kansverdeling symetrisch. In de ‘echte’ wereld, en zeker in de vastgoedmarkt, zijn de kansverdelingen van markthuren, rentes, leegstand en eventueel andere variabelen veelal a-sysmetrisch (lognormaal of een scheve driehoekige verdeling). De keuze welke verdeling te gebruiken is afhankelijk van de beschikbare hoeveelheid informatie en de ervaring van de projectmanager deze informatie goed te gebruiken.

Normale verdeling

Lognormale verdeling

Driehoekige verdeling

Uniforme verdeling

Figuur 17: kansverdelingsfuncties (bron: Kelliher, 2000; eigen bewerking bewerking)

Per project en ook de fase waarin het project zich bevindt, zullen de variabelen en de onzekerheid per variabele verschillen. Bij het opstellen van de investeringsbegroting voor herontwikkelingsprojecten gaat het om variabelen zoals de huurprijs na oplevering, de BAR ten behoeve van verkoop, de ontwikkelingstijd, de inflatie, de bouwkosten en de bijkomende kosten. Het opstellen van de kansverdelingsfuncties van deze variabelen kan op verschillende manieren (Byrne, 1984): 1. Op basis van historische reeksen. Dit is alleen mogelijk als er voldoende informatie beschikbaar is. Voor de variabelen zoals hierboven genoemd, is dit alleen voorhanden bij de inflatieindex. De overige variabelen zijn zeer projectspecifiek en het is niet verstandig de verdelingen te baseren op historische reeksen (zoals huurprijzen of BAR). 2. Op basis van subjectieve inschattingen. Byrne (1984) omschrijft hoe op basis van een systematisch opgezet interview van een eerlijke en consistente expert een kansverdeling kan worden opgesteld van de toekomstige huurprijs van een ontwikkeling (deze methode wordt de Variable Fractile Method genoemd). Aan de hand van experts of eigen kennis en ervaring kan het voor andere variabelen eveneens mogelijk zijn een kansverdeling op te stellen. 3. Correlaties tussen variabelen bepalen Meerdere variabelen in een investeringsbegroting van een vastgoedproject zijn aan elkaar gecorreleerd. Bijvoorbeeld de rentestand en de hypotheekrente zijn positief aan elkaar gecorreleerd. Andersom zijn de huuropbrengsten en de BAR negatief gecorreleerd (een hogere huur geeft veelal een lagere BAR). Indien deze correlaties niet zijn gedefinieërd, krijgt het model andere uitkomsten dan wanneer deze wel zijn bepaald. Het opnemen van correlaties in de Monte Carlo simulatie zorgt ervoor dat er geen onrealistische scenario’s worden berekend; bijvoorbeeld een hele hoge hypotheekrente bij een lage rente (Vose, 1996). Het bepalen van de correlatie tussen variabelen is niet eenvoudig. Net als bij bepaling van de kansverdelingsfuncties kan dit op basis historische cijfers, ervaring en eigen inschatting (Kelliher, 2000). Door de specifieke kenmerken van herontwikkelingsprojecten is historische data echter beperkt toepasbaar en dit maakt het bepalen van correlaties subjectief.


-22-

Van Helvoirt (2008) heeft een kwalitatief relatienetwerk en stappenplan ontwikkeld, dat als basis kan dienen voor de bepaling van relaties en correlaties tussen risico-items en inputvariabelen. Echter Van Helvoirt maakt ook gebruik in- en/of externe expert judgements om de correlaties tussen variabelen op het niveau van grond- en vastgoedexploitatie. Alleen op het niveau van macro-economie en de vastgoedmarkt wordt in haar model gebruik gemaakt van historische datatreeksen. 4. Simulatie uitvoeren Na het vastleggen van het model, het bepalen van de kansverdelingsfuncties van de belangrijkste variabelen en hun onderlinge correlaties, dient bepaald te worden hoeveel scenario’s worden doorgerekend. Ieder scenario is eigenlijk een aparte ‘what-if’ analyse. In ieder scenario krijgen alle variabelen random een waarde toegekend, waarbij de onderlinge correlaties in acht genomen worden. Met de computer is het mogelijk om binnen een paar seconden duizenden simulaties uit te voeren. 5. Analyseren uitkomst Alle uitkomsten tezamen worden gebundeld in statistieken en grafieken. De belangrijkste grafiek is de kansverdeling van de gekozen uitkomst. De uitkomst is in het geval van herontwikkeling veelal de IRR of in sommige gevallen de residuele gebouwwaarde. Uit de kansverdeling zijn onder andere de volgende waarden te herleiden: − de meest waarschijnlijke uitkomst; ofwel het gemiddelde. − de standaarddeviatie; deze geeft de mate van spreiding (risico) aan van de uitkomsten. − de kans van optreden van uitkomsten; het is bijvoorbeeld mogelijk te berekenen wat de kans is van het behalen van een bepaalde minimale uitkomst. − de gevoeligheid / correlatie van inputvariabelen ten opzichte van de uitkomst. De uitkomsten geven de besluitvormer meer inzicht in de gevoeligheden, onzekerheden en dus risico’s van het project. Indien wenselijk, kan input door nieuwe inzichten worden gewijzigd, waardoor dit de kansverdeling van het resultaat zal beïnvloeden. Zoals Atherton (2008) benadrukt, is niet de Monte Carlo simulatie zelf, maar juist het proces van gebruik en de interpretatie van de uitkomsten het belangrijkste. 4.4

Voor- en nadelen bij (her)ontwikkeling

Waar bij traditionele deterministische modellen geen onzekerheden van input worden meegenomen, geeft een Monte Carlo simulatie beter inzicht in de impact van onzekerheid (Kelliher, 2000). Het toepassen van simulatie geeft de besluitvormer meer inzicht en begrip in het te lopen risico in combinatie met het beoogde rendement. Besluiten kunnen zodoende beter gerationaliseerd worden. Het resultaat van de analyse kan van invloed zijn op de beheersmaatregelen (bijvoorbeeld het aanpassen van het programma, andere planning aanhouden, organisatie anders inrichten, etc.) die een besluitvormer kan nemen om risico’s te verkeinen of uitsluiten (Loizou, 2012). Een Monte Carlo simulatie heeft met name toegevoegde waarde bij projecten waar de input betrekkelijke grote onzekerheden heeft (en dus grote risico’s spelen) en de invoervariabelen aan elkaar gecorreleerd zijn. Daarnaast geeft de simulatie inzicht in de inputvariabelen die de meeste invloed hebben op het rendement (Kelliher, 2000). In de haalbaarheidsfase van herontwikkeling, daar waar nog vele onzekerheden zijn, is de Monte Carlo simulatie dus goed bruikbaar. De belangrijkste kritieken op de Monte Carlo simulatie hebben hoofdzakelijk te maken met het feit dat de calculatie gebaseerd is op gelimiteerde aannames en dat deze aannames grotendeels gebaseerd zijn op subjectieve inschattingen (Loizou, 2012). Zolang de subjectiviteit echter inzichtelijk


-23-

is en goed onderbouwd door onafhankelijk experts dan hoeft dit niet ten koste te gaan van de betrouwbaarheid van de uitkomsten. Goed gebruik van de Monte Carlo simulatie ten behoeve van besluitvorming vergt meer dan alleen de resultaten beoordelen. Lizou (2012) bevestigt dit en zegt dat de werkelijk toegevoegde waarde van het model alleen tot uiting komt indien het als een prescriptief model wordt gebruikt (zie ook Atherton (2008) in paragraaf 4.2). Dit betekent dat de menselijke beoordeling en besluitvorming gedurende het model constant gebruikt moet worden om inputvariabelen aan te passen naar aanleiding van eerste resultaten om zodoende tot weloverwogen keuzes te komen. 4.5

Toepassing via software

Het toepassen van een Monte Carlo simulatie is met de huidige software en computers zeer eenvoudig. Veel gebruikte modellen zijn de Excel plug-ins Crystal Ball en @Risk. In dit onderzoek wordt gewerkt met @Risk. Het stappenplan van Byrne (1984) wordt hieronder nogmaals kort besproken aan de hand van @Risk. 1. Opstellen van een investeringsbegroting Investeringsbegrotingen worden in het algemeen in Excel opsteld, waardoor de plug-in simpelweg in het bestaande Excel model kan worden geactiveerd. Het ‘standaard’ investeringsmodel hoeft zodoende niet te worden aangepast om een Monte Carlo simulatie uit te kunnen voeren. 2. Bepalen probabilistische variabelen Het bepalen van de kansverdeling van de variabelen is een belangrijk onderdeel van de simulatie (‘garbage in, is garbage out!’). De input hiervoor is gebaseerd op expliciete kennis (marktinformatie, data) en impliciete kennis (ervaring). Vervolgens kan met behulp van @Risk op twee manieren een kansverdelingsfunctie worden opgesteld: − ‘Distributing fitting’: dit wordt gebruikt wanneer er betrouwbare historische data beschikbaar is. De software vergelijkt de beschikbare datareeks met alle type kansverdelingsfuncties. De kansverdelingsfunctie die het beste past bij de datareeks, wordt vervolgens gebruikt voor de variabele. − ‘Define distributions’: bij gebrek aan historische data, of in het geval historische data niet van toepassing is (wat veelal het geval is bij herontwikkeling), beschikt @Risk over de mogelijkheid zelf een kansverdelingsfunctie te kiezen en deze te definiëren op basis van een minimale, verwachte en maximale waarde (zie figuur 18).

Figuur 18: links: keuze type kansverdeling, rechts:invoerwaarden kansverdeling (bron: @Risk)


-24-

3. Correlaties tussen variabelen bepalen Het toevoegen van de correlaties in @Risk is eenvoudig te doen middels de functie ‘Define correlations’. Zoals in paragraaf 4.3 aangegeven is de onderbouwing van de correlaties belangrijk om de betrouwbaarheid van de resultaten te waarborgen. 4. Simulatie uitvoeren Het uitvoeren van de simulatie is een simpele druk op de knop. Vooraf dient bepaald te worden hoeveel scenario’s uitgevoerd moeten worden. Dit is onder andere afhankelijk van de hoeveelheid variabelen. In de praktijk is een aantal van 10.000 zeer gebruikelijk (De Groot, 2009). 5. Analyseren uitkomst Met behulp van @Risk worden de uitkomsten op overzichtelijke wijze gepresenteerd. De functie ‘Excel Reports’ zet alle relevante input en output (zie 4.3 punt 5) op een rij. Daarnaast is het mogelijk specifieke analyses uit te voeren. 4.6

Conclusie

In dit hoofdstuk is antwoord gegeven op de vraag hoe een Monte Carlo simulatie op praktische en betrouwbare wijze kan worden ingepast in financiële haalbaarheidsonderzoeken bij herontwikkelingsprojecten. De betrouwbaarheid van de uitkomsten van een Monte Carlo simulatie heeft hoofdzakelijk te maken met de betrouwbaarheid van de input. Per input variabele dient de opsteller van het model te onderzoeken welke informatie beschikbaar is. De informatie over de effecten en kansen van optreden van variabelen bestaat uit expliciete kennis (marktinformatie, data) en impliciete kennis (ervaring, experts). Met behulp van software zoals @Risk is het eenvoudig kansverdelingsfuncties op te stellen op basis van de opgedane kennis. Een Monte Carlo analyse geeft beter inzicht in de risico’s van een project ten opzichte van deterministische analyses. Benadrukt moet worden dat het niet specifiek om de uitkomsten van het model gaat, maar om het gebruik van het model. De uitkomsten van de simulatie geven namelijk geen helder afgebakende keuzemogelijkheden, maar de uitkomsten geven de besluitvormer inzicht in de uitkomsten zodat het helpt een mening te vormen over de risico’s van het project (ook wel een prescriptieve analyse genoemd).


-25-

5

CASUS

In dit hoofdstuk worden de veel gebruikte deterministische risicokwantificeringstechnieken gevoeligheidsanalyse en scenarioanalyse vergeleken met de probabilistische techniek Monte Carlo simulatie. De technieken worden toegepast op een exemplarische casus; de herontwikkeling van een leegstaand kantoorgebouw in Amsterdam3. De keuze voor deze casus is conform de definitie van herontwikkeling in paragraaf 1.5 ‘Afbakening’: − Er is sprake van grote bouwkundige aanpassingen. − Er is sprake van een aaneengesloten object (geen gebied) dat groter is dan 5.000 m² b.v.o. De uitkomsten van de analyses worden met elkaar vergeleken en in het volgende hoofstuk besproken middels de resultaten van een expertmeeting. Dit hoofdstuk geeft antwoord op de deelvraag hoe een Monte Carlo simulatie zich verhoudt tot andere risicokwantificeringstechnieken. Deterministische techniek − Gevoeligheidsanalyse − Scenarioanalyse Probabilistische techniek − Monte Carlo Simulatie

EXEMPLARISCHE CASUS

− − − −

Uitkomsten per techniek Vergelijken uitkomsten Expertmeeting Conclusie

Figuur 19: toepassing risicokwantificeringstechnieken op casus

5.1

Introductie casus: Helmholtzstraat

Op de Helmholtzstraat 61 te Amsterdam is het voormalig stadsdeelkantoor Watergraafsmeer gelegen. De 1e en 2e verdieping is in eigendom van een belegger, circa 6.500 m² b.v.o. groot. Deze verdiepingen waren voorheen verhuurd aan het, reeds opgeheven, Stadsdeel Watergraafsmeer, de lokale bibliotheek en enkele welzijnorganisaties. De begane grond en kelder worden buiten beschouwing gelaten, aangezien dit in eigendom is van een andere belegger. De plint is overigens goed verhuurd en wordt gebruikt als winkelruimte met onder ander een Albert Heijn en een Blokker. In de kelder is een stallinggarage.

Impressies Helmholtzstraat 61 voor verbouwing

Sinds begin 2009 is het stadsdeel vertrokken en staat het gebouw leeg. Mede door de leegstand, maar meer nog door het achterstallig onderhoud, heeft het gebouw een vervallen uitstraling. De eigenaar zou het uiteraard graag opnieuw willen verhuren, maar de huidige staat en ook de 3

De casus is een werkelijke casus, maar is voor dit onderzoek vereenvoudigd en op sommige uitgangspunten aangepast omwille van een goede toepasbaarheid en tevens waarborging van de vertrouwelijkheid.


-26-

marktomstandigheden maken het niet eenvoudig. Een alternatief is verkoop aan een derde partij, maar de ervaring heeft geleerd dat het alternatief weinig kans van slagen heeft omdat de biedingen allen lager zijn dan de boekwaarde van het gebouw. Een leegstaand kantoorgebouw blijkt moeilijk te verkopen, althans, voor een prijs die niet leidt tot afboeking van het gebouw. Een verlies nemen is voor de eigenaar echter onacceptabel, waardoor de zoektocht naar nieuwe verhuur of herontwikkeling wordt voortgezet. Op een goed moment presenteert een ontwikkelaar, gecharmeerd van de potentie van het gebouw, een herontwikkelingsplan. Het plan behelst een grondige verbouwing waarbij het gebouw verduurzaamd wordt en waarbij de kantoorfunctie grotendeels behouden blijft. De financiële haalbaarheid lijkt zo op het eerste gezicht haalbaar, er zitten echter flink wat onzekerheden in het plan. Zo is de verhuur niet zeker gesteld, zijn de investeringskosten nog niet definitief en ook de verkoopopbrengst na herontwikkeling is nog maar een inschatting. Door deze onzekerheden calculeert de ontwikkelaar een residuele gebouwwaarde die lager is dan de boekwaarde; verkoop is dus geen optie. Maar herontwikkeling in eigen beheer zou mogelijk wel interessant kunnen zijn. De vraag die de belegger zich dan ook stelt: moet het herontwikkelingsplan wel of niet uitgevoerd worden? 5.2

Besluitvormingscriteria

De besluitvorming van de belegger is gebaseerd op zowel kwalitatieve als kwantitieve criteria. Ten aanzien van deze casus wordt er vanuit gegaan dat de kwalitatieve criteria allen voldoen. Belangrijke kwalitatieve criteria zijn bijvoorbeeld de omgevingsvergunning voor de verbouw, past het project na oplevering bij het profiel van het bedrijf, de betrouwbaarheid van de partners, etc. Er zijn twee kwantitatieve criteria waaraan moet worden voldaan. Het eerste criterium is dat de bestaande boekwaarde, € 6,- mln., minimaal kan worden gerealiseerd na herontwikkeling ofwel door ‘interne verkoop’ of door verkoop aan een derde. In dit onderzoek wordt uitgegaan van interne verkoop omdat het vastgoed dan niet van eigenaar verandert en de overdrachtsbelasting zodoende de verkoopopbrengst niet omlaag brengt. Dit verbetert de haalbaarheid aanzienlijk. De belegger dient vooraf aan te geven tegen welk bruto aanvangsrendement (BAR) het object na herontwikkeling ingekocht wordt. In dit geval is uitgegaan van een BAR van 8,0%. Het andere criterium is dat het minimaal vereiste ontwikkelingsrendement dient te worden behaald. Zoals in hoofdstuk 3 is beschreven, is de wijze waarop het vereiste rendement is gedefinieërd, afhankelijk van de rekenmethodiek. Projectontwikkelaars maken veelal gebruik van een nominale (deterministische) investeringsbegroting, waarbij het rendement is uitgedrukt in een post ‘winst’ en het risico van het project wordt uitgedrukt in een ‘risicopremie’ percentage. De bepaling van een risicopremie en de winst zijn gebaseerd op referentieprojecten. De meest ‘eerlijke’ manier is echter de IRR methodiek inclusief risico-opslag voor het project (zie paragraaf 3.3).

IRReis = Rp = Rd (LTV) + Re (1 – LTV) + Rr

Rp Rd


Re LTV Rr

= rendement equity = Loan to Value = project-risicopremie

Figuur 20: IRR projectontwikkeling (bron: Gehner, 2011: eigen bewerking)

Het voordeel van de IRR methodiek is dat rendementen van projecten met elkaar kunnen worden vergeleken. Daarnaast zijn beleggers vetrouwd met de IRR methode. Op basis hiervan, in combinatie met het feit dat voorliggende casus vanuit het perspectief van de belegger wordt behandeld, wordt er uitgegaan van de IRR methodiek.


-27-

Anders dan bij de nominale investeringsbegroting techniek worden de posten ‘financiering’ (=rendement debt), ‘risk premium’ (project-risicopremie) en ‘winst’ (rendement equity) samengevat in de IRReis. Voor de herontwikkeling van voorliggende casus dient financieringing geregeld te worden voor de bouwen bijkomende kosten. Dit is € 5 mln, circa 45% van de totale investeringskosten. Deze kosten dient met eigen vermogen gefinancierd te worden. Het vereiste rendement op eigen vermogen is 10%. Er wordt uitgegaan van een bestaande hypotheek (rente 5%) op het gebouw zo hoog als de boekwaarde. De project-risicopremie wordt gesteld op 3%. De IRReis is dan als volgt: 5% x 55% + 10% x 45% + 3% = 10,25%. De bepaling van de hoogte van de percentages is uiteraard subjectief en zal verschillen per bedrijf en per project. Het rentepercentage van het vreemd vermogen is simpel, dit is immers een vast gegeven. Het rendement op eigen vermogen dient in principe ook vast te staan, want dit is project onafhankelijk. De project-risicopremie is het moeilijkste om te bepalen. Dit is een inschatting van de besluitvormers in hoeverre het noodzakelijk is een opslag op de IRR te hanteren om de extra risico’s te compenseren. 5.3

Investeringsbegroting

De invoervariabelen uit onderstaande investeringsbegroting zijn bepaald op basis van een zo goed mogelijke inschatting van de opsteller van de begroting. Hierbij wordt gebruik gemaakt van expliciete kennis (marktinformatie, data) en impliciete kennis (ervaring, interne expertmeeting). PROGRAMMA, HUUR & INVESTERINGSBEGROTING Programma & huur Fitness - 1e Kantoor - 1e Horeca - 1e Kantoor 2e Totaal Investeringsbegroting Boekwaarde Bouwkosten Bijkomende kosten: Architect Constructeur Bouwfysisch/installatie adviseur Projectmanagement & directievoering Incentives / huurgaranties (50% vd bruto jaarhuur) Verhuurkosten (15% vd bruto jaarhuur) Promotiekosten Leges Totaal investeringskosten

prijspeil 1-1-2013 m2 VVO huur / m2 VVO 1.500 140 2.000 155 250 120 2.750 155 6.500 150

600

huur / jaar 210.000 310.000 30.000 426.250 976.250

6.000.000 3.900.000 80.000 20.000 30.000 300.000 488.125 146.438 20.000 100.000 11.084.563

Figuur 21: overzicht programma, huur en investeringskosten

Om de haalbaarheid van het project te toetsen wordt, conform de contante waarde methodiek, de IRR van de kasstromen bereken. Deze IRR dient minimaal zo hoog te zijn als de vooraf gestelde IRReis van 10,25% van de belegger. Op basis van een ontwikkeltermijn van 8 kwartalen (zie bijlage 1 voor de contante waarde berekening), wordt een IRR berekend van 10,83%. De BAR ten behoeve van de exitwaarde wordt overigens door de belegger zelf bepaald; bij een lage BAR ontstaat er een aanzienlijk betere IRR van het project, maar een hogere BAR (en dus lagere inkoop) zal de exploitatie beter renderen. Dit is een afweging die het bedrijf moet maken.


-28-

5.4

Risicokwantificering toegepast op de casus

De berekende IRR is vanzelfsprekend het resultaat van de gehanteerde invoervariabelen. Besluitvormers willen echter inzicht hebben in de stand koming van de gecalculeerde rendementen en de gevoeligheden van invoervariabelen op het resultaat om hiermee inzicht te krijgen in de risico’s. In deze paragraaf worden de gevoeligheidsanalyse, de kansgewogen scenarioanalyse en de Monte Carlo simulatie toegepast op de casus. 5.4.1

Gevoeligheidanalyse

In figuur 22 worden de resultaten getoond van een gevoeligheidsanalyse van enkele invoerwaarden op het IRR. Het schema toont de invloed van één gewijzigde variabele op het resultaat waarbij de overige variabelen gelijk worden gehouden. Te zien is dat de verandering in de huuropbrengsten de grootste invloed heeft.

Huuropbrengst IRR bij wijziging huur

-20% 120 -8,07%

Invloed op IRR per wijziging van een enkele inputvariabele -10% -5% 0% 5% 10% 135 143 150 158 165 1,58% 6,21% 10,83% 15,12% 19,42%

20% 180 27,75%

Bouwkosten IRR bij wijzigingen bouwkosten

480 17,06%

540 13,94%

570 12,38%

600 10,83%

630 9,28%

660 7,74%

720 4,66%

Ontwikkelingstijd (in kwartalen) IRR bij wijziging ontwikkelingstijd

5,0 16,47%

6,0 13,93%

7,0 12,15%

8,0 10,83%

9,0 9,81%

10,0 9,00%

11,0 8,35%

Figuur 22: gevoeligheidsanalyse; veranderingen in input en gevolg voor het IRR

Zoals eerder in dit onderzoek is geconstateerd, is het nadeel van deze methodiek dat er geen waarschijnlijkheidsfactor aan de variabelen is gekoppeld. Een 20% hogere huur verbetert het rendement aanzienlijk, maar de kans hierop is niet erg groot. Een methode om meer inzicht te krijgen, is om meerdere inputvariabelen tegelijkertijd te veranderen. Dit vereist echter een aanzienlijk hoeveelheid werk omdat alle variabelen handmatig aangepast moeten worden en er tientallen combinaties mogelijk zijn. Welke combinaties doorgevoerd worden is aan de uitvoerder van de analyse en de besluitvormer moet er vanuit gaan dat de meest kritische combinaties zijn onderzocht. Aangezien er dus meer enkele combinaties doorgerekend worden om enigzins overzicht te houden, gaat dit ten koste van de betrouwbaarheid van de analyse. 5.4.2

Kansgewogen scenarioanalyse

De scenario analyse is een uitwerking van de gevoeligheidsanalyse waarbij meerdere variabelen gewijzigd worden en het effect op het rendement wordt berekend. Voor het opstellen van scenario’s kan bijvoorbeeld gebruik worden gemaakt van scenario’s van het Centraal Plan Bureau. Voor deze casus zijn echter drie scenario’s opgesteld die in de praktijk veelal worden toegepast: − Optimistisch: in dit scenario is sprake van economische groei, zal de vraag naar kantoorruimte toenemen en hiermee de huurprijzen. De aanvangsrendementen gaan eveneens omlaag waardoor de prijzen voor commercieel onroerend goed stijgen. − Realistisch: hierbij wordt uitgegaan van een zo goed mogelijke inschatting van de toekomst op basis van de kennis van vandaag. − Pessimistisch: de economische groei is nihil, er is overaanbod in kantorenmarkt en de verwachting is dat dat niet op korte termijn zal verbeteren.


-29-

Huuropbrengst Bouwkosten Ontwikkelingstermijn IRR Kans Kansgewogen IRR

I - Optimistisch 165 500 7 28,24% 10%

II - Verwacht 150 600 8 10,72% 70%

III - Pessimistisch 130 750 10 -7,40% 20% 8,85%

Figuur 23: kansgewogen scenarioanalyse; variabelen en output

Door de stapeling van positieve en negatieve variabelen ontstaat er bij het optimitische scenario een zeer hoge IRR en bij het pessimistische scenario zelfs een negatieve IRR (een verlies). Door aan de scenario’s een waarschijnlijkheid te koppelen kan een kansgewogen IRR worden berekend, in dit geval 8,85%. De aanname welke kans te gebruiken voor het optreden van scenario’s is subjectief en gebeurt aan de hand van inschatting van de opsteller, experts en/of besluitvormers. 5.4.3

Monte Carlo simulatie via @Risk

Voor het toepassen van de Monte Carlo simulatie op de casus met behulp van de Excel add-in @Risk, zal het stappenplan uit paragraaf 4.5 doorlopen moeten worden: A. Opstellen investeringsbegroting In bijlage 1 is de begroting weergegeven conform de contante waardemethodiek. De gecalculeerde IRR is 10,83% bij de statische invoervariabelen. B. Bepalen probabilistische variabelen De volgende inputvariabelen kennen bij het opstellen van de haalbaarheidsanalyse onzekerheid in zich: de huuropbrengst, de bouwkosten, de bijkomende kosten, de plannning en de inflatie. Voor het gebruik van de Monte Carlo analyse worden echter alleen variabelen gebruikt die de grootste invloed hebben op het resultaat (conform het Pareto principe). Voor ieder van deze variabelen wordt een kansverdeling bepaald met behulp van de functie ‘Define distributions’ in @Risk. In dit onderzoek wordt gemaakt van een PERT verdeling; dit is een combinatie van een normale en driehoekige verdeling. Net als bij de driehoekige verdeling wordt de PERT verdeling samengesteld op basis van een minimale, meest waarschijnlijke en maximale waarde. Extreme, onrealistische waarden worden dus uitgesloten. De PERT verdeling lijkt technisch gezien echter meer op een normaal verdeling. Ten opzichte van de driehoeksverdeling heeft het namelijk als voordeel dat de scheefheid van de verdeling wordt uitgevlakt door de ronde curve. In onderstaande tabel staan de invoervariabelen die gebruikt zijn in het model.

Huuropbrengst Bouwkosten Ontwikkelingstijd (in kwartalen)

Invoervariabelen Monte Carlo analyse Minimaal Waarschijnlijk Maximaal 130 150 165 500 600 700 7 8 10

Figuur 24: invoervariabelen Monte Carlo analyse

− − −

Huuropbrengst: hiervoor is een licht scheve verdeling aangehouden omdat de verwachting is dat, zeker in de huidige tijd, de kans groter is dat de huurinkomsten lager uitvallen dan hoger. Bouwkosten: de kans van onder- of overschrijding is gelijkwaardig ingeschat. Aanbestedingen kunnen immers onder budget uit komen. Plannning: hier is ook een scheve verdeling voor aangehouden, gezien het feit dat de looptijd van dergelijke projecten vaker uitloopt dan sneller gaat.


-30-

NB. De boekwaarde en de BAR kennen geen onzekerheid, aangezien de belegger deze variabelen vooraf heeft vastgelegd. Ook wordt er van uitgegaan dat het volume gelijk blijft, het gaat immers om een bestaand gebouw. C. Correlaties tussen variabelen bepalen Correlaties Tussen de invoervariabelen zit een zekere correlatie. De Huur Bouwk aannames hiervoor zijn subjectief en gebeurt aan de hand Huuropbrengst 1,00 0,50 van inschatting van de opsteller, experts en/of Bouwkosten 1,00 besluitvormers. In dit geval is een positieve correlatie Ontwikkelingstijd tussen huurinkomsten en bouwkosten gebruikt en ook Figuur 25: correlaties invoervariabelen tussen de bouwkosten en de ontwikkelingstijd.

Tijd 0,25 1,00

D. Simulaties uitvoeren Via @Risk worden 10.000 scenario’s doorgerekend. De uitkomst van de 10.000 scenario’s resulteert in een kansverdelingsfunctie van de IRR van het project (zie figuur 26 en bijlage 2). IRR 10,11% 12

+∞

50,0%

50,0%

10

8

6

4

2

0

Figuur 26: kansverdeling IRR project

1,2

1,0

0,8

0,6

0,4

0,2

0,0

-0,2

-0,4

Uit de simulatie is de eveneens af te leiden wat de regressiecoëfficiënt is tussen de invoervariabelen en de IRR. Aan figuur 27 is duidelijk af te lezen dat de hoogte van de huur de grootste invloed heeft op het resultaat.

-0,6

E. Analyseren uitkomsten Via de @Risk software is het mogelijk verschillende analyses toe te passen. De belangrijkste is het aflezen van de meest waarschijnlijke IRR, ofwel het gemiddelde van de kansverdelingfunctie. Dit is 10,1%. De standaarddeviatie (risico) is 3,52%. Andere uitkomsten zijn: − De kans is 48,5% dat de vereiste IRR eis van 10,25% wordt gehaald. − De kans is 92,3% dat een minimale IRR behaald wordt van 5,0%. − De kans is 90% dat de IRR tussen de 4,33% en 15,94% zit.

Figuur 27: IRR regressiecoëfficiënt


-31-

Zoals eerder besproken, gaat het bij een Monte Carlo analyse niet alleen om de resulaten, maar juist om het gebruik van het model. Goed gebruik is een cyclisch proces. Daarom is een aantal aanpassingen in de invoer doorgevoerd, zodat geanalyseerd kan worden wat dat met de uitkomsten van de simulatie doet. De volgende aanpassingen zijn gemaakt, waarbij de overige invoervariabelen gelijk zijn gehouden. I. Voorverhuur Aangezien de huurinkomsten voor een belangrijk deel de haalbaarheid bepalen, kan worden onderzocht wat er met de resultaten van de simulatie gebeurt, indien een deel van ruimtes is voorverhuurd. In de analyse wordt uitgegaan van voorverhuur van de 1e verdieping (fitness en kantoor) van totaal 3.500 m² v.v.o. (54 % van het totaal). II. Kleinere range huuropbrengst en bouwkosten Indien nader onderzoek naar potentiële huurders en tegelijkertijd een uitgebreide bouwkosten analyse wordt gedaan, zou het mogelijk kunnen zijn de range van minimale en maximale waarden te verkleinen. Aangehouden wordt dan, in volgorde van minimaal, meest waarschijnlijk en maximaal: − Huuropbrengsten per m² v.v.o. per jaar: € 140, € 150, € 155 (dit was € 130, € 150, € 165). − Bouwkosten per m² v.v.o.: € 550, € 600, € 650 (dit was € 500, € 600, € 700). III. Geen interne maar externe verkoop In de contante waarde berekening wordt uitgegaan van interne verkoop van de belegger. Hiermee is het verkooprisico verzekerd. Indien de belegger wil besluit het project na herontwikkeling te verkopen aan een derde partij, is het interessant te onderzoeken wat er gebeurt met de resultaten van de simulatie. De verkoopwaarde is gebaseerd op de huurwaarde op het moment van verkoop gedeeld door de BAR. Net als bij de andere invoerwaarden wordt er een minimale, meest waarschijnlijke en maximale waarde ingevoerd in een PERT verdeling, in dit geval 7%, 8% en 9%. IV. Afkoop bouwkostenrisico Indien de belegger geen risico op de bouwkosten wil lopen, is het mogelijk dit risico af te kopen bij een bouwende partner. De afkoop werkt kostprijsverhogend, maar er is geen kans meer op bouwkostenoverschreiding. In dit scenario wordt uitgegaan van gefixeerde bouwkosten van € 625,per m² v.v.o. (de meest waarschijnlijke waarde die gebruikt is in de begroting is € 600,-). IRR gemiddeld Basis scenario I. Voorverhuur II. Kleinere range III. Externe verkoop IV. Afkoop bouwkosten

10,10% 10,50% 10,10% 10,72% 8,78%

Standaarddeviatie

Kans IRR > 10,25%

3,52% 2,01% 1,64% 6,21% 3,94%

48,50% 53,60% 46,20% 49,10% 37,50%

Kans IRR > 5% 92,30% 99,90% 100,00% 78,90% 81,40%

IRR min, max 90% kans 4,33% - 15,99% 7,35% - 13,98% 7,47% - 12,86% 0,22% - 20,69% 2,13% - 15,11%

Figuur 28: gewijzigde invoer scenarios en resultaten op Monte Carlo analyse

Uit figuur 28 is een aantal conclusies te trekken: − Door de voorverhuur stijgt het gemiddelde IRR naar 10,5% en tegelijkertijd daalt het risico aangezien de standaarddeviatie naar 2,01% is gezakt. De kans dat er een slechter rendement dan 5% wordt behaald is te verwaarlozen. − Een kleinere range van de huuropbrengsten en bouwkosten leidt tot een daling van meer dan de helft van het risico (de standaarddeviatie is meer dan gehalveerd). − Het wijzigen van de strategie naar externe verkoop heeft een positieve invloed op de gemiddelde IRR en ook het maximaal te behalen rendement wordt veel groter. Het risico neemt echter aanzienlijk toe gezien de bijna verdubbbeling van de standaarddeviatie. Ook is er redelijke kans,


-32-

−

5.5

21,1%, dat er een lagere IRR wordt behaald dan 5%. De afkoop van de bouwkosten lijkt niet interessant. Immers, de gemiddelde IRR daalt en het risico neemt toe. Daarnaast wordt het moeilijker het beoogde rendement van 10,25% te behalen. Met name de toename van het risico is opvallend, omdat er immers een onzekere factor is uitgesloten. De verklaring hiervoor heeft, waarschijnlijk, te maken met de correlaties tussen de variabelen, want bij doorrekening zonder correlaties neemt de standaarddeviatie wel iets af. Analyseren en vergelijken methodieken

In de voorgaande paragraaf zijn de drie kwantificering methodieken behandeld aan de hand van de casus. In deze paragraaf worden de uitkomsten van die technieken met elkaar vergeleken. De gevoeligheidsanalyse geeft inzicht in de invloed van variabelen op de IRR, onafhankelijk hoe realistisch bepaalde invoerwaarden zijn. De kansgewogen scenario analyse is hierop aanvullend omdat de extremen worden uitgevlakt er een nieuwe IRR kan worden berekend. De gecombineerde IRR van de scenario’s is 8,85%, 2 procentpunt lager dan de gecalculeerde 10,83% uit de statische begroting. Dit verschil heeft te maken met het feit dat de kans op het pessimistische scenario groter wordt ingeschat (20%) dan een optimistisch scenario (10%). De gemiddelde IRR uit de Monte Carlo analyse is 10,1%, lager dus dan de 10,83% uit de statische begroting en ook lager dan het geëiste rendement van 10,25% van de belegger. De Monte Carlo analyse laat verder zien dat er een grote kans is, 48,5%, dat het beoogde rendement wel behaald wordt. Ook laat de analyse zien dat een IRR van 5% vrijwel zeker (92,3%) wordt gehaald. Het project zal dus niet snel verlies maken, ervan uitgaande dat het hoe dan ook verhuurd wordt, ook al is het tegen een lagere huur dan de meest waarschijnlijke huur. De Monte Carlo analyse maakt het mogelijk in te zien wat aanpassingen in de invoervariabelen doen met het meest waarschijnlijke IRR en -nog belangrijker- wat het doet met het risico. Een dergelijke analyse is niet uit te voeren met de gevoeligheids- en kansgewogen scenarioanalyse. De resultaten van de Monte Caro analyse geven dus concreet aanwijzingen om beheersmaatregelen toe te passen om de rendements/risico verhouding te verbeteren. Aandachtspunt bij de Monte Carlo simulatie is de wijze waarop de invoervariabelen tot stand komen. Het is van belang dat besluitvormers inzicht hebben in (de tot stand koming) van de invoervariabelen, zodat zij de uitkomsten beter kunnen interpreteren. Dit geldt overigens net zo goed voor de investeringsbegroting en de kansgewogen scenarioanalyse. 5.6

Conclusie

Een Monte Carlo analyse kan, met behulp van handzame software als @Risk, goed toegepast worden op een herontwikkelingscasus. Van belang is dat er een keuze wordt gemaakt in de variabelen waar de grootste onzekerheid in zit en die tevens die grootste invloed hebben op het resultaat. Dat maakt het model eenvoudiger toepasbaar en begrijpelijker. Het belangrijkste onderscheidend vermogen van de Monte Carlo simulatie ten opzichte van de andere technieken is de koppeling van risico en rendement. Ook wijzigingen in strategie kunnen vertaald worden naar kwantitatieve gevolgen voor risico en rendement. Het gaat om het proces van het gebruik van het model, zodat de besluitvormer beter inzicht krijgt in het project en de risico’s en dat hij zich meer comfortabel voelt bij de besluitvorming.


-33-

6

PRAKTIJKTOETS

Dit hoofdstuk is een vervolg op de casus uit hoofdstuk 5. De casus en de uitwerking van de risicokwantificeringstechnieken hiervan wordt in dit hoofstuk getoets aan de praktijk. Dit gebeurt aan de hand van een expertmeeting waar ingegaan wordt op een aantal stellingen naar aanleiding van de resultaten van de casus. 6.1

Expertmeeting

Een expertmeeting is een zogenaamde intersubjectieve resultatenbeoordeling. Voor de expertmeeting is een aantal experts geselecteerd die werkzaam zijn op het gebied van risicokwantificering bij herontwikkelingsprojecten. Door middel van het voorleggen van stellingen die betrekking hebben op de resultaten van het onderzoek, wordt een discussie op gang gebracht. Het doel van de bijeenkomst is te achterhalen in hoeverre de stellingen worden onderschreven door de deelnemers en welke aanvullingen, op-of aanmerkingen zij hebben op het onderzoek. Ten behoeve van de selectie van deelnemers is gezocht naar een mix van kandidaten met verschillende rollen (belegger, ontwikkelaar of adviseur) en achtergronden. Tevens dient iedere expert te beschikken over substantiële kennis en ervaring over herontwikkeling en risicikwantificering. Op basis van deze criteria is het volgende expertteam samengesteld.

Deelnemers

Bedrijf

Functie

De heer Lucas Duijndam

Uni-Invest

Asset Manager

De heer Abdel Salemi

Sens Real Estate

Partner

De heer Roderik Mackay

Office-Up / BAM

Algemeen manager / projectontwikkelaar

De heer Jac Huysmans

ASR Vastgoed Ontwikkeling Manager afdeling Vastgoedeconomie & Onderzoek

De heer Sjoerd Aalbers

Brink Groep

Adviseur vastgoed en gebiedsontwikkeling

De heer Matthijs Bakker

Syntrus Achmea Vastgoed

Senior Assetmanager kantoor- en bedrijfsruimtebeleggingen

Figuur 29: deelnemerslijst expertmeeting

Ter voorbereiding is aan de deelnemers een memo gestuurd waarin de resultaten van de casus zijn samengevat (zie bijlage 3). Aan de resultaten zijn geen waardeoordelen gegeven zodat de experts niet beïnvloed worden. Ook is het van belang dat zij zich vooraf al een mening hebben kunnen vormen, aangezien de experts elkaar gedurende de expertmeeting (kunnen) beïnvloeden. De volgende stellingen zijn voorgelegd: 1. De Monte Carlo simulatie geeft nieuwe inzichten in de financiële haalbaarheid van het herontwikkelingsproject ten opzichte van de traditionele methodieken gevoeligheids- en kansgewogen scenarioanalyses. 2. De Monte Carlo simulatie suggereert te veel detail voor een relatief eenvoudig project. 3. De minimale en maximale waarde van een investeringsvariabele is goed in te schatten. 4. Indien de toepassing van de Monte Carlo simulatie eenvoudig toepasbaar en inzichtelijk is, zou het vaker gebruikt kunnen worden bij haalbaarheidsonderzoeken. 5. Indien de Monte Carlo analyse nieuwe inzichten oplevert, leidt de methode ook tot andere cq. snellere besluitvorming.


-34-

6.2

Resultaten

Gedurende de bijeenkomst verliep het gesprek dusdanig dat meerdere onderwerpen integraal werden besproken. De resultaten van de expertmeeting worden echter aan de hand van de vijf stellingen gepresenteerd en besproken.

Stelling 1: De Monte Carlo simulatie geeft nieuwe inzichten in de financiële haalbaarheid van het herontwikkelingsproject ten opzichte van de traditionele methodieken gevoeligheids- en kansgewogen scenarioanalyses. Deze stelling kan deels worden bevestigd. De deelnemers zijn unaniem van mening dat de Monte Carlo analyse van toegevoegde waarde kán zijn, mits aan de juiste voorwaarden wordt voldaan. Met name de toevoeging van de risico- cq. onzekerheids component en het feit dat waarschijnlijkheid wordt geïntroduceerd van het behalen van een bepaald rendement vindt men interessant. Ook het inbrengen van het opgaand potentieel in plaats van alleen maar het neergaand risico te benoemen, vindt men van toegevoegde waarde. De voorwaarden waaraan een project en simulatie moet voldoen om daadwerkelijk van toegevoegde waarde te zijn, komt verderop bij de behandeling van de stellingen aan de orde. Anderzijds roept de simulatie extra vragen op bij de deelnemers. Bijvoorbeeld ten aanzien van de minimale en maximale IRR die wordt berekend. In de Monte Carlo simulatie wordt namelijk een minimale IRR van -1,32% en een maximale IRR van 22,40% berekend, terwijl in de scenario analyse bij het pessimistische scenario een IRR van -7,4% en het optimitische scenario een IRR van 28,24% wordt berekend. Hoewel de kleinere uitslag bij de Monte Carlo simulatie kan worden verklaard door de correlatie tussen de variabelen en de deelnemers dit ook begrijpen, wordt er toch gesteld dat dit gegeven bij besluitvormers verwarrend kan werken. Een ander kritiekpunt van de Monte Carlo analyse is dat de ‘grip’ op de cijfers verdwijnt. Een gevoeligheids- en/of scenarioanalyse is eenvoudig te begrijpen en de gevolgen van invloed van variabelen zijn goed in te schatten. Dat geeft de beoordelaar het gevoel de financiële haalbaarheid te begrijpen. De Monte Carlo analyse is weliswaar aanvullend, maar de ‘geavanceerde’ techniek kan wellicht in de ogen van sommige besluitvormers te veel informatie opleveren en het besluitvormingstraject juist weer ingewikkelder maken.

Stelling 2: De Monte Carlo simulatie suggereert te veel detail voor een relatief eenvoudig project. Deze stelling kan niet worden bevestigd. De discussie die naar aanleiding van deze stelling werd gevoerd spitste zich toe op het feit bij welk formaat en type project een Monte Carlo simulatie goed toegepast kan worden. Gesteld werd dat traditioneel gezien Monte Carlo simulaties worden gebruikt voor grotere projecten (met name gebiedsontwikkelingen) met vele invoervariabelen. Een gevoeligheidsanalyse is bij dergelijke projecten namelijk minder goed bruikbaar, omdat bij wijziging van veel variabelen men het overzicht verliest en niet meer kan beoordelen wat de invloed is van de wijzigingen. In dat geval is een Monte Carlo analyse beter bruikbaar. Bij kleinere projecten, zoals in de case, is een Monte Carlo wel toepasbaar, maar minder noodzakelijk in relatie tot het bewaren van het overzicht van de invoervariabelen. Een ander aandachtspunt is de invloed van correlaties bij grote en kleine projecten. Bij kleine projecten en dus weinig variabelen zoals in de case, hebben de correlaties grote invloed op de waarschijnlijkheidsverdeling van de IRR. Bij grotere projecten, met veel variabelen en veel onderlinge correlaties, is de correlatie van minder


-35-

grote invloed. Indien de Monte Carlo simulatie dus wordt gebruikt bij kleinere projecten is de zekerheid van gebruik van de juiste correlaties meer van belang, dan bij grote projecten.

Stelling 3: De minimale en maximale waarde van een investeringsvariabele is goed in te schatten. Deze stelling kan worden bevestigd indien er sprake is van een project met een relatief korte looptijd (2 tot 4 jaar) zoals in de casus. Aan de hand van interne of externe expertsmeetings kunnen de uitgangspunten van de variabelen goed worden bepaald. Indien het gaat om projecten met een langere looptijd, is dit echter een stuk moeilijker te bepalen. Er wordt bijvoorbeeld gewezen op de neergaande VON prijsontwikkeling van woningbouw afgelopen jaren; met dergelijke wijzigingen werd geen rekening gehouden in de haalbaarheidstudies, zelfs niet in de pessimistische scenario’s. Het bepalen van correlaties zou eveneens middels expertmeeting vastgelegd kunnen worden. Toch is men van mening dat dit lastiger is dan het bepalen van de minimale en maximale waarden van de invoervariabelen. Dit heeft hoofdzakelijk te maken met het begrip correlatie en wat dit nou precies betekent. De veronderstelling is dat, doordat er in de dagelijkse praktijk weinig gebruik wordt gemaakt correlaties, het lastig is voor besluitvormers hier een mening over te vormen. Wel is het mogelijk om op basis van beschikbare historische reeksen correlaties uit te rekenen. Hier is men echter sceptisch over, omdat dergelijke tijdreeksen vanzelfsprekend zijn gebaseerd op historische gegevens en de praktijk heeft uitgewezen dat toekomstvoorspelling op basis van historische gegevens, slecht kunnen uitpakken.

Stelling 4: Indien de toepassing van de Monte Carlo simulatie eenvoudig toepasbaar en inzichtelijk is, zou het vaker gebruikt kunnen worden bij haalbaarheidsonderzoeken. Deze stelling kan worden onderschreven, er dient echter benadrukt te worden, dat het lang niet eenvoudig zal zijn om een Monte Carlo simulatie eenvoudig toepasbaar en inzichtelijk te maken. Over deze stelling is tijdens de bijeenkomst een tijd gesproken. De deelnemers bespraken dat de reden waarom Monte Carlo simulaties geen gemeengoed zijn in haalbaarheidstudies, ligt in het feit dat men de werking van deze simulatie (vaak) niet begrijpt. Logischerwijs is deze methodiek dan ook niet de juiste om besluitvorming op te baseren. Besluitvormers die de simulatie dus kunnen (en willen) gebruiken, dienen bekend te zijn met de term ‘standaarddeviatie’ en dat hiermee risico kan worden uitgedrukt. Ook moeten besluitvormers inzicht hebben in de meest belangrijke gehanteerde invoervariabelen die gebruikt zijn voor het opstellen van de waarschijnlijkheidsverdeling van de invoer (dus de minimale, de meest waarschijnlijke en maximale waarde). En tot slot is inzicht en grip op het samenstellen van de correlaties tussen de invoervariabelen belangrijk. De eenvoudige toepasbaarheid zou vorm gegeven kunnen worden door investeringsmodellen met Monte Carlo simulaties op een zodanige manier te bouwen en vorm te geven dat er ‘cockpit’ ontstaat. In deze cockpit worden de belangrijkste invoervariabelen en de output samengevat. Daarnaast is het van belang dat in deze cockpit de invoervariabelen kunnen worden aangepast (zoals in de casestudie ook is gedaan, zie paragraaf 5.4), zodat de besluitvormer inzicht krijgt in de invloed die invoervariabelen hebben op het resultaat en het risico. Benadrukt wordt dat in de praktijk, met name bij grootschalige projecten, in sommige gevallen Monte Carlo simulaties worden gebruikt om hiermee aan te kunnen tonen dat de risico’s goed zijn geïnventariseerd. Het gaat er in deze gevallen niet zozeer om wát de resultaten zijn van de analyse en welke invoervariabelen zijn gebruikt, maar meer om het feit dát er een dergelijke analyse is


-36-

uitgevoerd. Deze besluitvormers gebruiken de techniek dus als middel om aan te tonen hoe compleet de haalbaarheidstudie is, in plaats van de techniek te gebruiken om te sturen en keuzes te maken in het project waardoor invoervariabelen veranderen en hiermee het resultaat wijzigt (meer/minder risico, lager/hoger rendement).

Stelling 5: Indien de Monte Carlo analyse nieuwe inzichten oplevert, leidt de methode ook tot andere cq. snellere besluitvorming. Deze stelling kan worden onderschreven, maar ook hier geldt weer dat goede besluitvorming staat of valt bij inzicht in en de betrouwheid van input. Iets dat niet in het casus voorbeeld is behandeld, maar waar wel toegevoegde waarde in werd gezien ten aanzien van besluitvorming, is een analyse waarbij meerdere varianten met elkaar worden vergeleken. Hiermee wordt bedoeld dat er voor de herontwikkeling van een gebouw veelal meerdere varianten denkbaar zijn waaruit een keuze moet worden gemaakt. Bijvoorbeeld de keuze tussen herontwikkeling naar (1) kantoren, (2) studentenwoningen of (3) hotel. Op ieder van deze varianten kan vervolgens een haalbaarheidstudie inclusief Monte Carlo analyse worden uitgevoerd. De resultaten van de drie varianten kunnen nu met elkaar worden vergeleken; wat is de hoogte van het meest waarschijnlijke IRR van de varianten en welk risicoprofiel hoort daar bij? Op basis hiervan kan een keuze voor een variant of wellicht een combinatie van varianten worden gemaakt. 6.3

Verbreding casus

Naar aanleiding van de suggestie een variantenstudie uit te voeren, is dat in deze paragraaf voor de bestaande casus uitgevoerd om te kunnen analyseren wat een dergelijke analyse zou kunnen opleveren. Er is gekozen voor de volgende drie varianten: 1. Bestaande variant; mix-use met de nadruk op kantoren 2. Studentenhuisvesting; herontwikkeling naar zelfstandige studentenwoning 3. Hotel; herontwikkeling naar drie sterren hotel Om de varianten goed met elkaar te kunnen vergelijken, is in alle varianten voor het uitgangspunt gekozen dat het gebouw na herontwikkeling niet wordt verkocht. De verkoopprijs is zodoende geen risico. Daarnaast zijn er geen correlaties tussen de invoervariabelen gemaakt zodat de vergelijking eerlijk is en er geen discussie mogelijk is over de aannames van de correlaties. Alle kwalitatieve voorwaarden, zoals medewerking van de gemeente ten aanzien van de wijziging van het bestemmingsplan, vergunningen, draagvlak buurt, etc. worden positief verondersteld. Variant 1 – bestaande variant Zie hoofdstuk vijf en bijlage 1 voor de programmatische en financiële input. Variant 2 - studentenhuisvesting De programmatische en financiële input van deze variant is als volgt (zie bijlage 4): − 170 zelfstandige studentenwoningen van circa 20m² per kamer. − De herontwikkeling naar zelfstandige studentenhuisvesting vereist hogere investeringskosten dan bij variant 1. Het budget is gesteld op € 900,- per m², bijna € 35.000,- excl. BTW per kamer. De normaalverdeling is gebaseerd op een minimale waarde van € 800,- en maximale waarde van € 1.000,- per m². − De huurprijs is € 400,- per kamer per maand. Dit is gebaseerd op de puntentelling en in deze huurprijs zit dus geen marktwerking cq. risico. Indien het afwerkniveau wijzigt kan er een kleine wijziging in de huurprijs optreden. Voordeel van deze variant is dat de verhuurbaarheid geen risico kent, gezien het tekort aan studentenhuisvesting in Amsterdam in combinatie met de


-37-

goede binnenstedelijke locatie is. De exit BAR is gesteld op 6,5%; lager dan de 8% van de variant 1. De BTW op de bouwen bijkomende kosten zijn voor de belegger een (aanzienlijke!) kostenpost aangezien de huur van woningbouw geen BTW component in zich heeft.

− −

Het uitvoeren van de Monte Carlo simulatie levert onderstaande kansverdeling op van de IRR. Uit de grafiek is af te lezen dat het meest waarschijnlijke IRR 4,34% is en de standaarddeviatie 2,73%. 4,30% 47,2%

16

+∞ 52,8%

14 12 IRR

10

Minimum -4,32% Maximum 11,6% Mean 4,34% Std Dev 2,73% Values 10000

8 6 4 2 0

Figuur 30: kansverdeling IRR variant 2: Studentenhuisvesting

Variant 3 - hotel De programmatische en financiële input van deze variant is als volgt (zie bijlage 5): − 170 hotelkamers van circa 20 m² per kamer. − De bouwkosten in deze variant is het hoogst; het budget is gesteld op € 1.250,- per m², bijna € 48.000,- excl. BTW per kamer. De spreiding is € 1.150,- tot € 1.450,- per m². − De aanname voor de huurprijs is € 7.500,- excl BTW per kamer per jaar. Een hotelexploitant is echter nog niet gecontracteerd. Hierin zit dus het grootste risico en vandaar dat de normaalverdeling is gebaseerd op een brede spreiding van een minimale waarde van € 6.500,- en maximale waarde van € 8.000,- per m². − De exit BAR is gesteld op 7,5%. 14,20%

+∞

48,7%

9

51,3%

8 7 6

IRR

5

Minimum -3,59% Maximum 29,1% Mean 14,2% Std Dev 4,89% Values 10000

4 3 2 1 30%

25%

20%

15%

10%

5%

0%

-5%

0

Figuur 31: kansverdeling IRR variant 3: Hotel Ontwikkelende beleggers van leegstaande kantoren – Frank Veen

-38-

Vergelijking varianten In onderstaande tabel is de in- en output van de analyse van de drie varianten onder elkaar gezet. Variant 3, de herontwikkeling naar hotel, kent de hoogste meest waarschijnlijke IRR. Tevens is de standaarddeviatie het hoogste in deze variant. Het verwachte rendement van variant 1 is aanzienlijk lager, terwijl de standaarddeviatie niet veel lager is. Variant 2 kent het laagste risico, maar ook een veel lager verwacht rendement. Op basis van de risicoattidude van de besluitvormer kan op basis van onderstaande analyse een principe keuze voor een variant worden gemaakt. Is de besluitvormer risicoavers dan zal hij eerder voor variant 2 kiezen, hoewel dit ook niet zonder risico is. Is de besluitvormer bereid meer risico te lopen, dan zal hij waarschijnlijk kiezen voor variant 3 aangezien het verwachte rendement substantieel hoger is dan variant 1 en het risico maar beperkt groter is. Input Monte Carlo analyse Minimaal Waarschijnlijk Maximaal VARIANT 1 Huuropbrengst Bouwkosten Tijd (kwartalen)

130 500 7

150 600 8

165 700 10

VARIANT 2 Huur/maand/kamer Bouwkosten Tijd (kwartalen)

395 800 7

400 900 8

405 1.100 10

6.500 1.150 7

7.500 1.250 8

8.000 1.450 10

VARIANT 3 Huur/jaar/kamer Bouwkosten Tijd (kwartalen)

IRR

Output Monte Carlo analyse St.dev. IRR min. IRR max

10,10%

4,42%

-3,92%

25,40%

4,34%

2,73%

-4,32%

11,60%

14,20%

4,89%

-3,59%

29,10%

Figuur 32: vergelijking 3 varianten Monte Carlo analyse

De Monte Carlo analyse wordt in dit geval dus niet specifiek gebruikt om de risico’s van een project te benoemen, maar meer om de rendementen en risico’s tussen verschillende varianten te kunnen vergelijken. Op basis van de risicoattidude van de besluitvormer kan een principekeuze worden gemaakt en kunnen de specifieke risico’s van een variant nader worden onderzocht cq. beheersmaatregelen worden getroffen. 6.4

Conclusie

Naar aanleiding van de resultaten van expertmeeting kan worden geconcludeerd dat de experts toegevoegde waarde zien in het gebruik van de de Monte Carlo simulatie ten opzichte van andere risicokwantificeringstechnieken. Dat wil niet zeggen dat alle experts er van overtuigd zijn dat de methodiek ook eenvoudig kan en zal worden toegepast in de praktijk. Samengevat zijn de belangrijkste twee voorwaarden om de methodiek toe te kunnen passen als volgt: − Allereerst moet het prinicpe, de wijze van gebruik en de uitkomsten van de Monte Carlo analyse volledig worden begrepen door de besluitvormers. Men dient bekend te zijn met termen zoals normaalverdeling en standaarddeviatie om de in- en output op correcte wijze te kunnen intepreteren. De Monte Carlo analyse dient daarnaast aanvullend te zijn op bestaande methodieken en niet in de plaats stellend. − In de tweede plaats moet er inzicht zijn de invoervariabelen en de correlaties; de wijze waarop deze zijn gekozen en de betrouwbaarheid daarvan. Bij de vergelijking van meerdere herontwikkelingsvarianten kan de Monte Carlo simulatie eveneens van toegevoegde waarde zijn. Dezelfde twee voorwaarden als hierboven geschetst blijven uiteraard ook bij deze vergelijkingsanalyse van toepassing.


-39-

7

CONCLUSIES EN AANBEVELINGEN

In dit laatste hoofdstuk worden de conclusies besproken naar aanleiding van voorliggend onderzoek. Tevens worden aanbevelingen gedaan voor vervolgonderzoek en is een reflectie gemaakt op het onderzoek. 7.1

Conclusies

Daar waar projectontwikkeling cq. herontwikkeling traditioneel een taak is van de projectontwikkelaar, is in dit onderzoek gekozen voor herontwikkeling vanuit het perspectief van de gebouweigenaar. Dit om de simpele en zeer actuele reden dat gebouweigenaren vandaag de dag vaker met leegstand, en dus mogelijk herontwikkelng, worden geconfronteerd. Noodgedwongen dienen eigenaren van leegstaand vastgoed zich dus te verdiepen in de risico’s van herontwikkeling aangezien zij zelf ook de besluiten moeten nemen, investeringen wel of niet uit te voeren. Het gekozen beleggersperspectief biedt kansen om te onderzoeken in hoeverre kwantitatieve risicoanalyse technieken toepasbaar zijn op herontwikkelingsprojecten. Immers, beleggers zijn over het algemeen beter bekend met kwantitatieve risicoanalyse technieken dan projectontwikkelaars. In deze context is dan ook met dit onderzoek antwoord gegeven op onderstaande centrale vraag. Centrale vraag Kan worden aangetoond dat de Monte Carlo simulatie een aanvulling kan zijn op investeringsbeslissingen van beleggers in de haalbaarheidsfase bij herontwikkelingsprojecten? Om antwoord te kunnen geven op de centrale vraag zullen allereerst een aantal deelconclusies getrokken worden die zowel gebaseerd zijn op het theoretische als praktische deel van dit onderzoek. Systematische risico’s zijn meest van belang in relatie tot de Monte Carlo simulatie In de haalbaarheidsfase van een herontwikkelingsproject worden aannames gedaan bij het opstellen van de investeringsbegroting. In bijna alle aannames zit, gezien de vroege fase waarin het project zich bevindt, een bepaalde mate van onzekerheid. Deze onzekerheid kan worden vertaald naar risico’s. Er dient onderscheid gemaakt te worden tussen specifieke en systematische risico’s. Specifieke risico’s zijn beïnvoedbaar en kunnen gedurende een project actief worden bijgesteld. Belangrijker zijn echter de systematische risico’s (waaronder het marktrisico); daar heeft een besluitvormer geen invloed op. Het zijn deze risico’s die meegenomen dienen te worden als variabelen in een Monte Carlo analyse omdat zodoende goed inzicht verkregen kan worden in de invloed van deze risico’s op het resultaat. De IRR systematiek is de enige juiste methodiek die risico vertaald naar rendement Vanuit de praktijk van projectontwikkeling is gebleken dat er geen goede methodiek wordt gebruikt om risico’s te vertalen naar rendement. Veelal wordt er gebruikt gemaakt van standaard percentages ‘onvoorzien’ en/of ‘winst- en risico’. Verschillende projecten of varianten van projecten kunnen middels deze methodieken moeilijk worden vergeleken doordat het tijdelement en specifieke compensatie voor risico naar rendement niet is te herleiden. Het IRR, opgebouwd uit de WACC gecorrigeerd met een opslag voor de project-risicopremie, vertaald wel het te lopen projectrisico naar rendement. Uitgangspunt is dat de vergoeding op het eigen vermogen voor ieder project gelijk is, en dat de specifieke risico’s per project uitgedrukt kunnen worden in de premie.


-40-

Probabilistische risicokwantificering heeft voordelen, maar wordt nog zelden toegepast Risicokwantificering bij herontwikkeling vindt hoofdzakelijk plaats middels de deterministische technieken gevoeligheids- en of scenarioanalyses. Technieken waarbij waarschijnlijk wordt ingebouwd, de probabilistische technieken, hebben theorisch vele voordelen ten opzichte van de determinische technieken. De praktische toepassing bij projectontwikkeling cq. herontwikkeling vindt echter nog maar zelden plaats, omdat de complexiteit van de technieken de toepasbaarheid in de weg zit. Besluitvormers zijn niet bekend met de technieken en willen en kunnen hun besluitvorming dan ook niet baseren op dergelijke modellen. Daarnaast is de betrouwbaarheid van de invoer veelal te laag door het specifieke karakter van herontwikkeling en de subjectieve aannames die daaraan ten grondslag liggen. De complexiteit van de Monte Carlo simulatie is beperkt door eenvoudig toepasbare software De toepassing van een Monte Carlo simulatie op bestaande investeringsmodellen is middels Excel add-inns zoals @Risk eenvoudig uit te voeren. De belangrijkste risico’s kunnen als variabelen worden aangemerkt en aan de hand van de minimale, meest waarschijnlijke en maximale waarde kunnen van deze variabelen, met behulp van de software, kansverdelingen worden opgesteld. Door middel van het toevoegen van een ‘cockpit’ aan een investeringsmodel, krijgt de besluitvormer inzicht in de invoervariabelen en de resulaten. Tevens kan de invloed van wijzigingen in de invoer op het resultaat geanalyseerd worden. Experts zijn positief over de mogelijkheden, maar sceptisch over de betrouwbaarheid De toepassing van de Monte Carlo simulatie op een herontwikkelingscasus levert aanvullende inzichten op ten aanzien van de risico’s ten opzichte van de gevoeligheids- en (kansgewogen) scenarioanalyse. Met de name de waarschijnlijkheidscomponent van het resultaat en de gevoeligheidsanalyse van wijzigingen van de invoervariabelen heeft toegevoegde waarde. Ook kan de Monte Carlo simulatie de keuze tussen meerdere herontwikkelingsvarianten van een project vereenvoudigen, doordat rendementen en risico’s naast elkaar kunnen worden gezet. De betrouwbaarheid van de invoer in de Monte Carlo analyse blijft echter een aandachtspunt. Specifiek gaat het dan om de kansverdelingfuncties van en de correlaties tussen de variabelen. Via een combinatie van expliciete kennis (marktinformatie, data) en impliciete kennis (kennis en arvaring) is het mogelijk een zekere mate van betrouwbaarheid te genereren. 100% betrouwbare invoerdata is onmogelijk, maar dat geldt voor alle technieken van risicokwantificering.

Conclusie: deels kan worden aangetoond dat de Monte Carlo simulatie een aanvulling kan zijn op investeringsbeslissingen van beleggers in de haalbaarheidsfase bij herontwikkelingsprojecten. Met dit onderzoek kan worden aangetoond dat het gebruik van de Monte Carlo simulatie wel degelijk van toegevoegde waarde kan zijn bij investeringsbeslissingen. Anderzijds moet worden geconcludeerd dat er nog een weg is te gaan om het gebruik ervan te incorporeren in de vastgoedpraktijk. Met name de precieze betekenis en de toegevoegde waarde van de Monte Carlo simulatie moet bij besluitvormers worden uitgelegd en onderbouwd, wil de techniek in de toekomst werkelijk bruikbaar worden. De toegevoegde waarde zal sterk toenemen indien de inputvariabelen, zijnde de kansverdeling van en de correlaties tussen de variabelen, aan betrouwbaarheid winnen.


-41-

7.2

Aanbevelingen voor vervolgonderzoek

Naar aanleiding van de bevindingen van dit onderzoek, wordt in deze paragraaf een aantal aanbevelingen gedaan voor vervolgonderzoek. Ten aanzien van de betrouwbaarheid van de invoervariabelen dient er nader onderzocht te worden hoe de kansverdelingsfuncties van systematische risico’s op betrouwbare wijze kunnen worden opgesteld. In dit onderzoek wordt uitgegaan van een combinatie van impliciete en expliciete kennis; het zou interessant zijn om dit verder te concretiseren. Mogelijk kan deze methodiek gebaseerd worden op de Variable Fractile Methode (Byrne, 1984). Een andere aanbeveling is van toepassing op de correlatie tussen input variabelen, aangezien dit een aanzienlijke invloed heeft op het resultaat van de Monte Carlo simulatie. Hier zou specifiek een methodiek voor opgesteld kunnen worden gebaseerd op basis van in- en/of externe expert judgements. Bewust wordt niet voorgesteld onderzoek te doen correlaties op basis van historische datareeksen omdat juist herontwikkeling projectspecifiek is en het gevaarlijk is correlaties te bepalen op basis van historie. Indien de betrouwbaarheid van en de correlatie van variabelen in kaart is gebracht, is het zinvol om deze bevindingen te projecteren op een casus waarbij meerdere alternatieven voor herontwikkelingen mogelijk zijn. Zelfs alternatieven als niets doen en sloop-nieuwbouw kunnen in deze analyse worden vergeleken met de herontwikkelingsvarianten. Vervolgens zouden deze resultaten, net als in voorliggend onderzoek, kunnen worden besproken met experts. Mogelijk kan zelfs een bestaande, reeds herontwikkeld (of juist niet gerealiseerd) project gebruikt worden waarbij de haalbaarheidstudie nogmaals wordt uitgevoerd met de Monte Carlo simulatie om vervolgens de resultaten te bespreken met de (toenmalige) besluitvormers. Onderzocht kan dan worden of de toevoeging van de Monte Carlo simulatie tot andere besluitvorming leidt. Een laatste aanbeveling voor vervolgonderzoek is het ontwikkelen van een cockpit model voor herontwikkelingsvraagstukken waarin de Monte Carlo simulatie is geïntegreerd. Doelstelling van dit onderzoek zou moeten zijn de bruikbaarheid en toepasbaarheid van de Monte Carlo simulatie te vergroten. Onderdeel van het onderzoek kan zijn op welke typologie projecten de Monte Carlo simulatie het beste toepasbaar is. Zijn dat juiste grote projecten met vele variabelen of kleine projecten met minder variabelen? 7.3

Reflectie

De uitwerking van het theoretische naar het praktische deel van dit onderzoek is gebaseerd op slechts één casus. Beter zou het zijn om meerdere casus toe te passen, maar de bewerkelijkheid hiervan is groot en het vergt ook meer inspanningsvermogen van de experts om tot een goede beoordeling te komen van de resultaten van de casus. Hoewel het inzicht van het gebruik van de Monte Carlo simulatie voor herontwikkeling met dit onderzoek wel degelijk is vergroot, is het niet gelukt beter invulling te geven aan de achilleshiel van de methodiek en dat is de betrouwbaarheid van de invoervariabelen. Het is dus maar zeer de vraag of en wanneer de methodiek een bijdrage gaat leveren aan de herontwikkeling van de bestaand vastgoed. Pas wanneer de Monte Carlo simulatie gemeengoed gaat worden bij meerdere partijen in de sector en ook in het onderwijs als geëigende rekenmethodiek wordt opgenomen, zal de potentie van de methodiek pas benut worden. Tevens zal veel gebruik de beschikbaarheid van variabelen en dus de betrouwbaarheid vergroten, wat automatisch leidt tot beter bruikbare output.


-42-

LITERATUURLIJST Literatuur Atherton, E., French, N., Gabrielli, L. (2008), Decision theory and real estate development, Journal of European Real Estate Research, Vol. 1 Iss: 2, pp.162 - 182 Baarda, D.B. en M.P.M de Goede (2006), Basisboek Methoden en Technieken. Wolters-Noordhoff: Groningen/Houten Byrne, P., Cadman, D. (1984), Risk, uncertainty and Decision-making in Property Development Denzen, O.M. van (2009), Risicikwantificering dooor projectontwikkelaars, Discussiepaper ASRE onderzoeksseminar 2009 Denzen, O.M. van (2009), Risico-rendement afweging bij acquisitie van ontwikkelposities in bestaand bebouwd gebied, MSRE Masterthesis French, N., Gabrielli, L., (2006), Uncertainty and feasibility studies: an Italian case study, Journal of Property Investment & Finance, Vol. 24 Iss: 1, pp. 49 – 67

Gehner, E. (2011). Risicoanalyse bij projectontwikkeling, Amsterdam: Sun Gehner, E. (2006), Risk management in the dutch real estate development sector Geltner, D.M. and Miller, N.G. (2007), Commercial real estate analysis and investments, Mason: South-Western Publishing Gehner, E. (2008), Risicomanagement in de interne bedrijfsvoering van projectontwikkelaars, Discussiepaper ASRE onderzoeksseminar sept. 2008 Gehner, E. (2009), Weloverwogen risico’s, Real Estate Research Quarterly juli 2009 Gelinck, S., Benraad, J.B., TransformatieTeam (2011), Transformatie kantoren gaat niet vanzelf, SBR Gimpelevich, D.J. (2011), Simulation-Based excess Return Model for Real Estate Development, Journal of Property Investment and Finance, Vol 29, No. 2 Gool, P. Van (2011), 29 maart 2011, Actuele beleggingscriteria, valkuilen bij bepalen beleggingswaarde en IRR alsmede best practices, MRE college: Investment Appraisal.

Groot, de A.E.A. (2009), Risicokwantificering met Monte Carlo simulaties bij vastgoedontwikkeling, MRE Master Thesis Huysmans, J.M. (2011), risico aversie in stochastische onderhandelingspelen, MSRE Master Thesis. Kelliher, C.F., Mahoney, S. (2000), Using Monte Carlo Simulation to Improve Long-Term Investment Decisions, The Appraisal Journal, January 2000


-43-

Lesmeister (1997), risico-analyse bij projectontwikkeling; het kwantificeren van risico’s bij invetseringsbeslissingen, MRE Master Thesis Loizou, P., French, N. (2012), Risk and uncertainty in development, Journal of Property Investment & Finance, Vol. 30 Iss: 2, pp.198 - 210 Nederhorst, M. (2009), De meerwaarde van reële opties bij investeringsbeslissingen in de vastgoedbranche, MRE masterproof Vose, D. (1996), Quantitative Risk Analyses: A Guide to Monte Carlo Simulation Modelling, Chichester, John Wiley & Sons Ltd. Van Well-Stam, D., Lindenaar, F., Van Kinderen, S. en Van den Bunt, B.P. (2010), Risicomanagement voor projecten. De RISMAN-methode toegepast. Utrecht: Het Spectrum B.V. Xu, Q. (2002), Risk analysis on real estate investment decision making¸ Proefschrift, Arko Publishers, Nieuwegein

Websites http://www.rijksoverheid.nl/nieuws/2012/06/27/kantorentop-eensgezinde-aanpak-leegstandkantoren.html

Overig @Risk for Excel, versie 5.7.1., Palisade Corporation, licensie Erasmus Universiteit Rotterdam


-44-

BIJLAGEN Bijlage 1 – Investeringsbegroting casus Bijlage 2 – Resultaten Monte Carlo simulatie casus Bijlage 3 – Input memorandum expertmeeting Bijlage 4 – Investeringsbegroting en resultaten Monte Carlo simulatie verbreding casus variant 2 Bijlage 5 – Investeringsbegroting en resultaten Monte Carlo simulatie verbreding casus variant 3

Ontwikkelende beleggers van leegstaande kantoren - BIJLAGEN

BIJLAGE 1 – INVESTERINGSBEGROTING CASUS

Nominale investeringsbegroting waarbij nog geen financieringskosten, risicopremie en winst zijn opgenomen: PROGRAMMA, HUUR & INVESTERINGSBEGROTING Programma & huur Fitness - 1e Kantoor - 1e Horeca - 1e Kantoor 2e Huurinkomsten

prijspeil 1-1-2013 m2 VVO huur / m2 VVO 1.500 140 2.000 155 250 120 2.750 155 6.500 150

Investeringsbegroting Boekwaarde Bouwkosten 600 Bijkomende kosten: Architect Constructeur Bouwfysisch/installatie adviseur Projectmanagement & directievoering Incentives / huurgaranties (50% vd bruto jaarhuur) Verhuurkosten (15% vd bruto jaarhuur) Promotiekosten Leges Totaal investeringskosten

huur / jaar 210.000 310.000 30.000 426.250 976.250

6.000.000 3.900.000 80.000 20.000 30.000 300.000 488.125 146.438 20.000 100.000 11.084.563

Begroting conform de contante waarde methodiek waarbij financieringskosten, risicopremie en winst verdiscontreerd zijn in de IRR: 0 Inflatie per jaar Inflatie per kwartaal

Q1

Kosten Boekwaarde Bouwkosten Bijkomende kosten: Architect Constructeur Bouwfysisch/installatie adviseur Projectmanagement & directievoering Incentives / huurgaranties (50% vd bruto jaarhuur) Verhuurkosten (15% vd bruto jaarhuur) Promotiekosten Leges Totaal kosten

Nominaal 6.000.000 4.007.712 80.798 20.200 30.299 302.993 505.337 151.601 20.200 102.000 11.221.139

Verkoopwaarde (obv. exit BAR 8%)

12.633.432

Saldo nominaal Netto contante waarde saldo IRR eis IRR

1

2

3

4

5

2013

2,00% 0,50%

Q2

Q3

Q4

Q1

6.000.000 -

-

-

-

16.000 4.000 6.000 60.000 4.000 6.090.000

16.079 4.020 6.030 60.298 4.020 90.447

16.159 4.040 6.060 60.597 4.040 90.896

16.239 4.060 6.090 60.898 4.060 91.347

-

-

-

-

1.412.293 -6.090.000 64.043 10,25% 2,47% 10,83% 2,60%

-90.447


6

7

Q3

Q4

2014

-90.896

-91.347

Q2

994.500

999.436

1.004.396

1.009.381

16.320 4.080 6.120 61.200 4.080 102.000 1.188.300

999.436

1.004.396

505.337 151.601 1.666.319

-1.188.300

-999.436

-1.004.396

12.633.432 10.967.113

BIJLAGE 2 – MONTE CARLO SIMULATIE CASUS

@RISK Output Report for IRR Performed By: F&L Date: zondag 14 oktober 2012 22:09:02

Simulation Summary Information Workbook Name

Rekenmodel herontwikkeling Helmholtzstraat.x

Number of Simulations

1

Number of Iterations

10000

Number of Inputs

3

Number of Outputs

1

Sampling Type

Latin Hypercube

Simulation Start Time

10-14-12 22:08:28

Simulation Duration

00:00:10

Random # Generator

Mersenne Twister

Random Seed

1518476499

Summary Statistics for IRR Statistics Minimum

-1,48%

Percentile 5% 4,32%

Maximum

21,94%

10% 5,59%

Mean

10,10%

15% 6,36%

Std Dev

3,53%

20% 7,03%

Variance

0,001244959

25% 7,60%

Skewness

0,055419786

30% 8,14%

Kurtosis

2,757046483

35% 8,63%

Median

10,12%

40% 9,13%

Mode

10,23%

45% 9,63%

Left X

4,32%

50% 10,12%

Left P

5%

55% 10,57%

Right X

15,94%

60% 11,03%

Right P

95%

65% 11,52%

Diff X

11,62%

70% 12,00%

Diff P

90%

75% 12,53%

#Errors

0

80% 13,14%

Filter Min

0%

85% 13,85%

Filter Max

100%

90% 14,69%

#Filtered

0

95% 15,94%

Regression and Rank Information for IRR


Rank 1

Name Regr Corr Huurinkomsten / huur 1,100/ m20,833 VVO

2

Bouwkosten / m2 -0,551 VVO -0,028

3

Ontwikkelingstijd-0,161 -0,282

@RISK Model Inputs Performed By: F&L Date: zondag 14 oktober 2012 22:09:08 Name

Worksheet Cell

Ontwikkelingstijd

DCF

C3

RiskPert(7;8;10;RiskStatic(8);RiskCorrmat(N -∞ ewMatrix5;3))

8,17 +∞

Nominaal

C13

RiskPert(500;600;700;RiskStatic(600);RiskC -∞ orrmat(NewMatrix5;2))

600

+∞

Nominaal

D9

RiskPert(130;150;165;RiskStatic(150,19230 -∞ 7692308);RiskCorrmat(NewMatrix5;1))

149

+∞

Graph

Function

Min

Mean

Max

Category: Bouwkosten Bouwkosten / m2 VVO Category: Huurinkomsten Huurinkomsten / huur / m2 VVO


BIJLAGE 3 – INPUT EXPERTMEETING Expertmeeting ‘Toepassing Monte Carlo simulatie bij herontwikkeling’ Onderzoek in het kader van MRE scriptie Frank Veen Datum: 19 oktober 2012, 16.00uur – 18.00uur Locatie: Lingotto, Kauwgomballenfabriek, Paul van Vlissingenstraat 8b, Amsterdam Deelnemers

Bedrijf

Functie

De heer Lucas Duijndam

Uni-Invest

Asset Manager

De heer Abdel Salemi

Sens Real Estate

Partner

De heer Roderik Mackay

Office-Up

Algemeen manager / projectontwikkelaar

De heer Martijn Boerkoel

BAM U-Bouw

Financial Engineer

De heer Jac Huysmans

ASR Vastgoed Ontwikkeling Manager afdeling Vastgoedeconomie & Onderzoek

De heer Sjoerd Aalbers

Brink Groep

Adviseur vastgoed en gebiedsontwikkeling

De heer Matthijs Bakker

Syntrus Achmea Vastgoed

Senior Assetmanager kantoor- en bedrijfsruimtebeleggingen

Aanleiding De huidige risicobewuste tijdgeest maakt het niet eenvoudig de leegstandproblematiek op te lossen middels herontwikkeling. In het onderzoek in het kader van mijn MRE- scriptie veronderstel ik dat kwantitatieve risicoanalysetechnieken, zoals de Monte Carlo simulatie, een positieve bijdrage kan leveren aan de besluitvorming bij herontwikkelingsopgaven. Dit is aanleiding om te onderzoeken hoe Monte Carlo simulaties te gebruiken zijn bij herontwikkelingsopgaven. Doelstelling onderzoek Met behulp van een eenvoudig toepasbare Monte Carlo simulatie, het inzicht in de financiële risico’s bij herontwikkelingsprojecten vergroten en hiermee de besluitvorming bevorderen. Doelstelling expertmeeting Via de intersubjectieve methodiek ‘expertmeeting’ onderzoeken of experts uit de herontwikkelingspraktijk de Monte Carlo simulatie van toegevoegde waarde vinden bij investeringsbesluiten. Hiertoe worden de resultaten van een haalbaarheidsonderzoek van een exemplarische casus voorgelegd aan experts en de resultaten worden besproken aan de hand van een vijftal stellingen. Casus De casus die gebruikt wordt voor het onderzoek is een leegstaand kantoorgebouw in Amsterdam Watergraafsmeer van 6.500 m² v.v.o. Het volgende scenario is van toepassing: − De herontwikkeling is voor eigen rekening en risico en voor eigen portefeuille van de eigenaar. De verkoopwaarde na herontwikkeling is dus een interne verkoop binnen het bedrijf, maar het uitgangspunt is dat deze verkoop marktconform dient te zijn. − De verhuurbaarheid in de huidige staat is zeer matig. − Er is een plan tot verduurzaming waarbij het gebouw wordt opgedeeld in meerdere units met grotendeels behoud van de kantoorfunctie, maar ook fitness en horeca wordt toegevoegd. − Er zijn nog geen huurders gecontracteerd, maar makelaars hebben vertrouwen in de verhuurbaarheid na herontwikkeling. − Het plan past binnen het bestemmingsplan en de gemeente staat zeer positief tegenover de verbouwing omdat de uitstraling van de buurt sterk wordt verbeterd. − Er is een studie gedaan naar de financiële haalbaarheid. De besluitvormercriteria zijn als volgt:


o o

De huidige boekwaarde moet minimaal worden terugverdiend na herontwikkeling. De IRR van het project dient minimaal 10,25% te zijn (berekend op basis van een WACC + projectrisico-opslag).

Analyse financiële haalbaarheid In deze memo is analyse van de financiële haalbaarheid als volgt samengevat: 1. De IRR van het project; 2. Een gevoeligheidsanalyse van de belangrijkste inputvariabelen (conform het Pareto principe; focus op beheersing van risico’s met grote gevolgen en grote kans van optreden); 3. Een kansgewogen scenarioanalyse; 4. Een Monte Carlo analyse. Aan de uitkomsten van de analyse is bewust geen oordeel gehangen, dat wordt overgelaten aan de deelnemers van de expertmeeting. 1. Internal Rate of Return (IRR) Het IRR van het project is 10,83%. In bijlage 1 zijn de inputvariabelen terug te vinden op basis waarvan deze IRR is berekend. 2. Een gevoeligheidsanalyse van enkele belangrijke inputvariabelen Onderstaande tabel is een gevoeligheidsanalyse van de drie input variabelen die het meeste invloed hebben op het IRR. Per variabele zijn drie hogere of lagere waarden aangenomen dan de standaard en vervolgens is het IRR berekend waarbij alle overige variabelen gelijk zijn gebleven. -20% 120 -8,07%

Huuropbrengst IRR bij wijziging huur

Invloed op IRR per wijziging van een enkele inputvariabele -10% -5% 0% 5% 10% 135 143 150 158 165 1,58% 6,21% 10,83% 15,12% 19,42%

20% 180 27,75%

Bouwkosten IRR bij wijzigingen bouwkosten

480 17,06%

540 13,94%

570 12,38%

600 10,83%

630 9,28%

660 7,74%

720 4,66%

Ontwikkelingstijd (in kwartalen) IRR bij wijziging ontwikkelingstijd

5,0 16,47%

6,0 13,93%

7,0 12,15%

8,0 10,83%

9,0 9,81%

10,0 9,00%

11,0 8,35%

3. Kansgewogen scenarioanalyse (Expected Monetary Value = EMV) In onderstaand kansgewogen scenarioanalyse zijn dezelfde drie variabelen als bij de gevoeligheidsanalyse onderverdeeld naar een optimistisch, een verwacht en een pessimistisch scenario. Aan ieder scenario is een waarschijnlijkheid (een kans) gekoppeld. Uitgangspunt is dat de keuze voor de waarden en kansen gebaseerd zijn op interne en externe experts.

Huuropbrengst Bouwkosten Ontwikkelingstermijn IRR Kans Kansgewogen IRR

I - Optimistisch 165 500 7 28,24% 10%

II - Verwacht 150 600 8 10,72% 70%

III - Pessimistisch 130 750 10 -7,40% 20% 8,85%

4. Monte Carlo simulatie De laatste analyse is de Monte Carlo analyse. Een Monte Carlo simulatie is een techniek die kansverdelingen gebruikt voor de kosten en opbrengsten zodat het mogelijk wordt een kansverdeling samen te stellen van het rendement van een project. Inzicht in de input van de Monte Carlo simulatie is minstens zo belangrijk als de output (garbage in, is garbage out), maar dit geldt net zo goed ook


voor de andere methodieken. Dezelfde input variabelen als bij methodiek 2 en 3 worden gebruikt bij deze analyse. Stap 1 – kansverdeling van de invoervariabelen bepalen Om dit te kunnen doen wordt gebruikt gemaakt van eenvoudig toepasbare software ‘@Risk’. Per invoervariabele wordt aangegeven wat de minimale, de meest waarschijnlijke en de maximale waarde is (zie onderstaande tabel). Stap 2 – correlaties tussen de invoer variabelen bepalen De hoogte van variabelen zijn nooit volledig onafhankelijk van elkaar. Daarom worden in de Monte Carlo simulatie correlaties opgenomen zodat dat er geen onrealistische scenario’s worden berekend. In onderstaande tabel staan de input variabelen die gebruikt zijn voor de Monte Carlo simulatie.

Huuropbrengst Bouwkosten Ontwikkelingstijd (in kwartalen)

Invoervariabelen Monte Carlo analyse Minimaal Waarschijnlijk Maximaal 130 150 165 500 600 700 7 8 10

Correlaties Huur Bouwk Huuropbrengst 1,00 0,50 Bouwkosten 1,00 Ontwikkelingstijd

Tijd 0,25 1,00

Stap 3 – simulatie uitvoeren Van het financiële model worden 10.000 simulaties uitgevoerd, waarbij voor ieder van de drie variabelen random waarden worden gegenereerd door de computer (waarbij de correlaties in acht wordt genomen). Iedere simulatie is eigenlijk een aparte scenarioanalyse. De uitkomst van de simulatie is een kansverdeling van het rendement (zie onderstaande grafiek). IRR 10,11% 12

50,0%

+∞ 50,0%

10

8

6

4

2

0

Stap 4 – analyseren uitkomsten − Het gemiddelde IRR is 10,1% met een standaarddeviatie van 3,52%. − De kans is 48,5% dat de vereiste IRR eis van 10,25% wordt gehaald. − De kans is 92,3% dat een minimale IRR behaald wordt van 5,0%. − De kans is 90% dat de IRR tussen de 4,33% en 15,99% zit. Het besluitvormingsmodel dat bij de Monte Carlo simulatie aansluit is de prescriptieve analyse. De uitkomsten van de simulatie geven namelijk geen helder afgebakende keuzemogelijkheden (zoals bij de normatieve analyse), maar de uitkomsten geven de besluitvormer inzicht in de uitkomsten zodat het helpt een mening te vormen over de risico’s van het project. Het model is een cyclisch proces. Allereerst wordt de input van de besluitvormers gebruikt in het model en worden de resultaten geanalyseerd. Vervolgens geeft dit nieuwe inzichten wat weer leidt tot aanpassingen in de input.


Daarom wordt er voor gekozen om te onderzoeken wat er met het resultaat gebeurt als bepaalde invoervariabelen wijzigen. De volgende aanpassingen zijn gemaakt, waarbij de overige invoervariabelen gelijk zijn gehouden. I. Voorverhuur van totaal 3.500 m² v.v.o. (54 % van het totaal). II. Kleinere range huuropbrengst en bouwkosten − Huuropbrengsten per m² v.v.o. per jaar: € 140, € 150, € 155 (dit was € 130, € 150, € 165). − Bouwkosten per m² v.v.o.: € 550, € 600, € 650 (dit was € 500, € 600, € 700). III. Geen interne maar externe verkoop, dus variabele verkoopwaarde, uitgaande van een minimale, meest waarschijnlijke en maximale waarde van 7%, 8% en 9%. IV. Afkoop bouwkosten, uitgangspunt gefixeerde bouwkosten van € 625,- per m² v.v.o. (de meest waarschijnlijke waarde die gebruikt is in de begroting is € 600,-). Hieronder zijn de resultaten per aanpassing van een invoerwaarde. IRR gemiddeld Basis scenario I. Voorverhuur II. Kleinere range III. Externe verkoop IV. Afkoop bouwkosten

10,10% 10,50% 10,10% 10,72% 8,78%

Standaarddeviatie

Kans IRR > 10,25%

3,52% 2,01% 1,64% 6,21% 3,94%

48,50% 53,60% 46,20% 49,10% 37,50%

Kans IRR > 5% 92,30% 99,90% 100,00% 78,90% 81,40%

IRR min, max 90% kans 4,33% - 15,99% 7,35% - 13,98% 7,47% - 12,86% 0,22% - 20,69% 2,13% - 15,11%

Expertmeeting Op basis van bovenstaande financiële haalbaarheidsanalyse worden de volgende stellingen besproken tijdens de expertmeeting. Stelling 1 De Monte Carlo simulatie geeft nieuwe inzichten in de financiële haalbaarheid van het herontwikkelingsproject ten opzichte van de traditionele methodieken gevoeligheids- en kansgewogen scenarioanalyses. Stelling 2 De Monte Carlo simulatie suggereert te veel detail voor een relatief eenvoudig project. Stelling 3 Indien de Monte Carlo analyse nieuwe inzichten oplevert, leidt de methode ook tot andere cq. snellere besluitvorming. Stelling 4 De minimale en maximale waarde van een investeringsvariabele is goed in te schatten. Stelling 5 Indien de toepassing van de Monte Carlo simulatie eenvoudig toepasbaar en inzichtelijk is, zou het vaker gebruikt kunnen worden bij haalbaarheidsonderzoeken.


BIJLAGE 1 EXPERTMEETING – INVESTERINGSBEGROTING EN PLANNING

PROGRAMMA, HUUR & INVESTERINGSBEGROTING

prijspeil 1-1-2013

Programma & huur Fitness - 1e Kantoor - 1e Horeca - 1e Kantoor 2e Huurinkomsten

m2 VVO huur / m2 VVO 1.500 140 2.000 155 250 120 2.750 155 6.500 150

Investeringsbegroting Boekwaarde Bouwkosten Bijkomende kosten: Architect Constructeur Bouwfysisch/installatie adviseur Projectmanagement & directievoering Incentives / huurgaranties (50% vd bruto jaarhuur) Verhuurkosten (15% vd bruto jaarhuur) Promotiekosten Leges Totaal investeringskosten

0 Inflatie per jaar Inflatie per kwartaal

6.000.000 3.900.000

600

80.000 20.000 30.000 300.000 488.125 146.438 20.000 100.000 11.084.563

1

2

3

4

5

2013

2,00% 0,50%

Q1

Kosten Boekwaarde Bouwkosten Bijkomende kosten: Architect Constructeur Bouwfysisch/installatie adviseur Projectmanagement & directievoering Incentives / huurgaranties (50% vd bruto jaarhuur) Verhuurkosten (15% vd bruto jaarhuur) Promotiekosten Leges Totaal kosten

Nominaal 6.000.000 4.007.712 80.798 20.200 30.299 302.993 505.337 151.601 20.200 102.000 11.221.139

Verkoopwaarde (obv. exit BAR 8%)

12.633.432

Saldo nominaal Netto contante waarde saldo IRR eis IRR

huur / jaar 210.000 310.000 30.000 426.250 976.250

Q2

Q3

Q4

Q1

6.000.000 -

-

-

-

16.000 4.000 6.000 60.000 4.000 6.090.000

16.079 4.020 6.030 60.298 4.020 90.447

16.159 4.040 6.060 60.597 4.040 90.896

16.239 4.060 6.090 60.898 4.060 91.347

-

-

-

-

1.412.293 -6.090.000 64.043 10,25% 2,47% 10,83% 2,60%

-90.447


6

7

Q3

Q4

2014

-90.896

-91.347

Q2

994.500

999.436

1.004.396

1.009.381

16.320 4.080 6.120 61.200 4.080 102.000 1.188.300

999.436

1.004.396

505.337 151.601 1.666.319

-1.188.300

-999.436

-1.004.396

12.633.432 10.967.113

Bijlage 4 – Investeringsbegroting en resultaten MCS variant 2

VARIANT 2 - PROGRAMMA, HUUR & INVESTERINGSBEGROTING Programma & huur Oppervlak in m2 Zelfstandige studentenwoningen à 20m2 Huur / maand 1 woning Studiecafé Huurinkomsten totaal

prijspeil 1-1-2013

aantal huur / m2 VVO 6.500 170 400 incl BTW 200 100

Investeringsbegroting Boekwaarde Bouwkosten 900 Bijkomende kosten: Architect Constructeur Bouwfysisch/installatie adviseur Projectmanagement & directievoering Incentives / huurgaranties (50% vd bruto jaarhuur) Verhuurkosten (15% vd bruto jaarhuur) Promotiekosten Leges BTW schade Totaal investeringskosten


huur / jaar

816.000 20.000 836.000

6.000.000 5.850.000 120.000 20.000 30.000 300.000 20.000 100.000 1.352.400 13.792.400

@RISK Output Report for IRR Performed By: F&L Date: woensdag 24 oktober 2012 21:08:47


Variant 2 herontwikkeling Helmholtzstraat.xlsx


1


10000

Number of Inputs

3

Number of Outputs

1

Sampling Type

Latin Hypercube


10-24-12 21:06:11

Simulation Duration

00:00:12

Random # Generator

Mersenne Twister

Random Seed

1059912965


-4,59%

Percentile 5% -0,42%

Maximum

11,07%

10% 0,61%

Mean

4,33%

15% 1,31%

Std Dev

2,72%

20% 1,93%

Variance

0,00074141

25% 2,41%

Skewness

-0,262037387

30% 2,88%

Kurtosis

2,514302655

35% 3,30%

Median

4,51%

40% 3,73%

Mode

4,63%

45% 4,14%

Left X

-0,42%

50% 4,51%

Left P

5%

55% 4,89%

Right X

8,49%

60% 5,26%

Right P

95%

65% 5,63%

Diff X

8,91%

70% 5,99%

Diff P

90%

75% 6,39%

#Errors

0

80% 6,81%

Filter Min

0%

85% 7,28%

Filter Max

100%

90% 7,79%

#Filtered

0

95% 8,49%



Rank 1

Name Regr Corr Bouwkosten / aantal -0,984 -0,983

2

Huur / maand 1 woning 0,160 / aantal 0,151

3


Bijlage 5 – Investeringsbegroting en resultaten MCS variant 3

VARIANT 3 - PROGRAMMA, HUUR & INVESTERINGSBEGROTING Programma & huur Oppervlak in m2 Hotel kamers à 20m2 Huur / jaar 1 kamer Huurinkomsten totaal

prijspeil 1-1-2013

aantal huur / m2 VVO 6.500 170 7.500

Investeringsbegroting Boekwaarde Bouwkosten 1.250 Bijkomende kosten: Architect Constructeur Bouwfysisch/installatie adviseur Projectmanagement & directievoering Incentives / huurgaranties (50% vd bruto jaarhuur) Verhuurkosten (15% vd bruto jaarhuur) Promotiekosten Leges Totaal investeringskosten


huur / jaar

1.275.000 1.275.000

6.000.000 8.125.000 150.000 20.000 30.000 400.000 20.000 150.000 14.895.000

@RISK Output Report for IRR Performed By: F&L Date: woensdag 24 oktober 2012 21:16:36


Variant 3 herontwikkeling Helmholtzstraat.xlsx


1


10000

Number of Inputs

3

Number of Outputs

1

Sampling Type

Latin Hypercube


10-24-12 21:15:42

Simulation Duration

00:00:08

Random # Generator

Mersenne Twister

Random Seed

1669368515


-3,64%

Percentile 5% 5,73%

Maximum

29,64%

10% 7,61%

Mean

14,18%

15% 8,87%

Std Dev

4,92%

20% 9,93%

Variance

0,002420248

25% 10,82%

Skewness

-0,156832709

30% 11,56%

Kurtosis

2,729890194

35% 12,32%

Median

14,37%

40% 13,05%

Mode

13,90%

45% 13,72%

Left X

5,73%

50% 14,37%

Left P

5%

55% 15,01%

Right X

21,87%

60% 15,65%

Right P

95%

65% 16,31%

Diff X

16,14%

70% 16,96%

Diff P

90%

75% 17,74%

#Errors

0

80% 18,49%

Filter Min

Off

85% 19,41%

Filter Max

Off

90% 20,47%

#Filtered

0

95% 21,87%



Rank 1

Name Regr Corr Huur / jaar 1 kamer 0,838 / aantal 0,837

2

Bouwkosten / aantal -0,501 -0,491

3


ONTWIKKELENDE BELEGGERS VAN LEEGSTAANDE KANTOREN

Recommend Documents