Hedonisch prijsmodel voor Nederlands
winkelvastgoed
Voorspellingen van de huurprijs en het rendement van Nederlandse
winkelunits en objecten
H. (Hidde) Tauw
1258117
Real Estate & Housing
Faculteit Bouwkunde
Technische Universiteit Delft
MSc thesis
03/07/2014
Huurprijs en rendement van winkelvastgoed
Auteur
N:
E1:
E2:
S/N:
A:
T:
H. (Hidde) Tauw
[email protected]
[email protected]
1258117
Wilhelminastraat 162/2
1054WS
Amsterdam
+31 6 16 80 46 70
Universiteit
Universiteit:
Faculteit:
Vakgroep:
Afstudeerlab:
Datum:
Versie:
Technische Universiteit Delft
Bouwkunde
Real Estate & Housing
Retail & Leisure
Donderdag 03/07/2014
P5
Begeleiders
1ste begeleider:
2de begeleider:
Gecommitteerde:
Externe begeleiders:
Dr. Ir. D.C. (Dion) Kooijman
Drs. P.W. (Philip) Koppels
Prof. ir. E.(Erik) Luiten
Drs. J. (Joost) de Baaij MSRE
R. (Richard) Buytendijk MSRE
(TU Delft, Retail &Leisure)
(TU Delft, Building Economics)
(TU Delft)
(Syntrus Achmea Real Estate & Finance)
(Syntrus Achmea Real Estate & Finance)
Titelblad
Lego Cities: Amsterdam Keizersgracht/Utrechtsestraat, P. Bosman (01/2013)
2
Hedonisch prijsmodel voor winkelvastgoed
Inhoudsopgave
Voorwoord .............................................................................................................................................. 5
1
2
Introductie ....................................................................................................................................... 6
1.1
Aanleiding en doelstelling ....................................................................................................... 6
1.2
Onderzoeksmethode, afbakening, dataverzameling .............................................................. 7
1.3
Relevantie, uniciteit en de onderzoekspraktijk ....................................................................... 7
1.4
Praktijkdoel.............................................................................................................................. 8
1.5
Onderzoeksvragen................................................................................................................... 9
1.6
Conceptueel model en context ............................................................................................... 9
Kenmerken van de winkelvastgoedmarkt ..................................................................................... 11
2.1
2.1.1
Winkelgebieden en locaties .......................................................................................... 13
2.1.2
Huurprijs ........................................................................................................................ 13
2.1.3
Huurprijsherziening ....................................................................................................... 14
2.2
Institutionele beleggers ................................................................................................. 14
2.2.2
De relatie tussen de belegger en de retailer ................................................................. 15
2.2.3
Beleggingsresultaat ....................................................................................................... 16
2.2.4
Beleggingsrisico en beleggingsstijlen ............................................................................ 17
2.2.5
Analyseproces van winkelvastgoedbeleggers ............................................................... 18
2.2.6
Recente ontwikkelingen ................................................................................................ 18
Quantitatief onderzoek naar Nederlandse consumenten .................................................... 19
2.3.1
Consumentenbeleving................................................................................................... 19
2.3.2
Bezoekgedrag en bestedingen ...................................................................................... 20
2.4
4
Winkelvastgoedbeleggingen ................................................................................................. 14
2.2.1
2.3
3
Markt ..................................................................................................................................... 11
Conclusie ............................................................................................................................... 21
Huurprijsverklarende variabelen ................................................................................................... 22
3.1
Introductie ............................................................................................................................. 22
3.2
Huurprijsverklarende studies ................................................................................................ 23
3.3
Conclusie ............................................................................................................................... 29
Methodologie ................................................................................................................................ 32
4.1
Selectie winkelobjecten: onderzoeksveld. ............................................................................ 32
4.2
Dataverantwoording, koppeling, beschrijving variabelen en bewerking.............................. 33
4.2.1
4.3
Data: ROZ/IPD, Experian en Locatus ............................................................................. 33
Koppeling datasets ................................................................................................................ 34
Tauw, H.
3
Huurprijs en rendement van winkelvastgoed
5
6
7
8
4.4
Variabelenbeschrijving met verwachte relaties .................................................................... 35
4.5
Testen van assumpties en databewerking ............................................................................ 41
4.5.1
Assumptie van normaliteit ............................................................................................ 41
4.5.2
Bewerking variabelen .................................................................................................... 41
4.5.3
Assumptie van lineariteit............................................................................................... 42
4.5.4
Transformatie in dummy variabelen ............................................................................. 42
4.5.5
Multicollineariteit .......................................................................................................... 43
4.5.6
Construeren van het huurprijsmodel ............................................................................ 43
4.5.7
Assumptie van homoscedasticiteit ................................................................................ 44
4.5.8
Winkelvastgoed huurprijsindex ..................................................................................... 46
4.6
Beschrijvende statistiek......................................................................................................... 47
4.7
Conclusie ............................................................................................................................... 47
Empirische resultaten.................................................................................................................... 49
5.1
De relatie tussen dummy-variabelen en de huurprijs ........................................................... 49
5.2
Relatie tussen de continue variabelen en de huurprijs......................................................... 53
Huurprijsmodel.............................................................................................................................. 56
6.1
Beschrijving model ................................................................................................................ 56
6.2
Resultaten huurprijsmodel .................................................................................................... 57
Rendementsmodel ........................................................................................................................ 63
7.1
Beschrijving rendementsmodel............................................................................................. 63
7.2
Eindmodel rendement: resultaten ........................................................................................ 64
Conclusies ...................................................................................................................................... 66
8.1
9
Huurprijsmodel en rendementsmodel .................................................................................. 66
Discussie en aanbevelingen........................................................................................................... 69
9.1
Aanbevelingen voor de bestaande literatuur ....................................................................... 69
9.2
Aanbevelingen voor de Nederlandse vastgoedwereld ......................................................... 71
Bronvermelding ..................................................................................................................................... 73
Bijlagen .................................................................................................................................................. 78
4
Hedonisch prijsmodel voor winkelvastgoed
Voorwoord
Voor u ligt het P5 rapport als product van mijn afstudeeronderzoek binnen de Master Real Estate &
Housing aan de Technische Universiteit Delft. In de specialisatie is gekozen voor het laboratorium
Retail & Leisure welke aangevoerd wordt door de eerste begeleider van deze thesis: Dr. Ir. D.C.
Kooijman. Het onderzoek heeft een groot raakvlak met de financieel-economische prestatie van
vastgoed, waarvoor drs. P.W. Koppels, van de sectie Building Economics, betrokken is als tweede
begeleider.
Dit afstudeeronderzoek wordt uitgevoerd binnen de organisatie Syntrus Achmea Real Estate &
Finance (SARE&F) bij de Research & Strategy afdeling te Amsterdam. De afstudeerperiode loopt van
1 november 2013 t/m 1 juli 2014. Mijn interne begeleider binnen dit afstudeerbedrijf is de senior
onderzoeksanalist drs. J. de Baaij MSRE.
Het afstudeerbedrijf beheert het vermogen van ongeveer 40 institutionele opdrachtgevers en is
onder andere asset manager van het Achmea Dutch Retail Property Fund. Dit winkelvastgoedfonds
heeft een grootte van ongeveer 650 miljoen euro in 69 objecten. Daarnaast is SARE&F beheerder van
discretionaire portefeuilles, wat het totaal aan winkelvastgoedobjecten brengt tot een geheel van
ongeveer 400 objecten met een totale kapitaalswaarde van bijna 2,4 miljard euro.
In dit rapport wordt de zoektocht naar de verklaringen voor de huurprijs van een winkelunit en het
rendement van een winkelobject beschreven met alle achtergronden. Het combineren van reeds
onderzochte en nieuwe data van verschillende bedrijven heeft geresulteerd in dataset met 1011
winkels waaruit 2 modellen zijn voortgekomen.
Ik wens u veel leesplezier en verwijs voor het dankwoord graag naar bijlage 1.
Amsterdam, Juni 2014.
Hidde Tauw
Tauw, H.
5
Huurprijs en rendement van winkelvastgoed
1
1.1
Introductie
Aanleiding en doelstelling
Al sinds 1951 meet het Centraal Bureau voor de Statistiek (CBS) het aantal faillissementen in
Nederland, en nog nooit lag dit aantal zo hoog als in 2013. Met een totaal van 12.306 bedrijven lag
dit 10% hoger dan in het jaar ervoor. De problemen zijn het grootst in de handel; waar de
detailhandel onder valt. In combinatie met een bouwsector, die tevens hard getroffen is, heeft dit
een enorme impact op commerciële vastgoedmarkten. De problemen zijn groot; de leegstand van
winkels loopt op tot bijna 9 procent en kantoren bijna 16 procent (PBL, 2014). Ook de aanvangs- en
frictieleegstand van winkels (leegstand minder dan een jaar) neemt toe. Van de nieuwe winkels
wordt 20 procent leeg opgeleverd.
Aangezien winkel- en kantorenmarkten hoofdzakelijk beleggingsmarkten zijn, hebben die problemen
op die markten ook effect op beleggers, waaronder verzekeringsmaatschappijen en
pensioenfondsen. Zoals de publicatie van PBL en ASRE uiteen zet, zouden ontwikkelaars, gemeenten
en beleggers de risico’s onderschat hebben. Als oorzaak hiervoor wordt onder andere genoemd dat
de risico’s moeilijk in te schatten zijn, er een neiging is tot stedenbouwkundig wensdenken, er een
neiging is om zich te baseren op de financieel-economische situatie uit het verleden en de
eindgebruiker vaak buiten beeld blijft (PBL&ASRE, 2013: 10). Nog recenter nieuws van ROZ/IPD,
gebaseerd op de ramingen van het CPB in kwartaal 1, meldt dat de diepe recessie de vastgoedmarkt
hard geraakt heeft. Het afwaarderen van winkels zal nog even doorgaan, ondank dat het voorzichtige
herstel van de economie en de lage rente het vertrouwen in de markt lijkt aan te wakkeren. De
consumentenbestedingen dalen sinds medio 2011 onafgebroken in reële termen en deze krimp
houdt volgens het CPB in 2014 aan. Daling van de markthuren moet volgens IPD Nederland zelfs nog
op gang komen, en zij voorzien een langjarige daling. De aanpassingen gaan inmiddels zo snel, dat er
niet meer tijdig afscheid kan worden genomen van locaties, die zich minder goed ontwikkelen (IPD,
2014). De verkoop van winkellocaties blijft moeizaam verlopen én tegen dalende prijzen, het gevolg
is dat er sneller en meer verlies moet worden genomen bij het herstructureren van portefeuilles.
Volgens IPD moet de komende jaren gerekend worden op oplopende leegstand, lagere huurniveau’s
en voortgaande afwaarderingen. Alleen de beste locaties ontsnappen hieraan (IPD, 2014).
Leegstand was in de publicatie van PBL uiteraard een aanleiding tot hun rapport, maar leegstand
blijft het gevolg van een ontwikkeling in de markt. Een gevolg van verschillen tussen locaties,
waardoor de ene winkel wel leeg staat en de andere niet. Waarom er voor de ene winkel een hogere
huurprijs kan worden gevraagd dan voor de andere, wat zijn de beste locaties die mogelijk de dans
ontspringen?
De publicaties van IPD, PBL en ASRE, de zorgwekkende situatie op de winkelvastgoedmarkt, dalende
consumentenbestedingen en een dunne vertegenwoordiging van kwantitatieve winkelvastgoedonderzoeken gaf dan ook aanleiding tot deze thesis.
De kerndoelstelling van dit onderzoek gaat in op dit vraagstuk, welke op te splitsen in twee delen.
Allereerst wordt op zoek gegaan naar de confirmatie en bekrachtiging van variabelen die in de
literatuur worden aangemerkt als huurprijsdeterminanten van winkelvastgoed. Hieruit moet duidelijk
worden met welke redenen winkels van elkaar verschillen. Ten tweede wordt er onderbouwd welke
variabelen aan deze collectie worden toegevoegd. Hiermee wordt gepoogd om meer verklaringen te
6
Hedonisch prijsmodel voor winkelvastgoed
kunnen geven voor de verschillen tussen huurprijzen van winkels. Beide doelen gecombineerd,
streven ernaar om een hoge verklaarde variantie te behalen, waarmee de huurprijs van een
winkelunit zoveel mogelijk inhoudelijk wordt verklaard. Daarbij wordt tevens een verkenning gedaan
naar de verklaring voor het totale rendement van de winkelvastgoedbelegging. De maximaal te
bereiken waarde die behaald kan worden voor de verklaarde variantie is 100%. Deze is ruwweg te
splitsen in drie delen: een deel dat verklaard wordt, een deel dat men nog kan verklaren en een deel
dat onverklaarbaar is. Het laatste, onverklaarbare deel komt tot stand doordat menselijke
gedragingen en sociale structuren een random component kennen, wat de verklaring onmogelijk
maakt (Kalmijn & Kraaykamp, 1999).
1.2
Onderzoeksmethode, afbakening, dataverzameling
De gegevens van de totale collectie aan factoren wordt verzameld in een twee onderzoeksmodellen,
een huurprijsmodel en een rendementsmodel. Wanneer men een (huur)prijs van een marktgoed wil
verklaren, wordt dit in de methodologie een hedonisch prijsmodel genoemd. Een van de
outputvariabelen van dat model is de R2(R squared). Dit getal geeft aan in hoeverre de verschillen in
huurprijs kunnen worden toegeschreven aan individuele verschillen in de achterliggende collectie
aan variabelen.
De totale populatie aan huurprijzen van winkelunits in Nederland wordt in deze studie afgebakend
door een steekproef uit verschillende datasets. Deze datasets bevatten gegevensverzamelingen, met
elk hun eigen karakter en zijn afkomstig van verschillende bedrijven. De eerste dataset is die van
institutionele vastgoedbelegger Syntrus Achmea Real Estate & Finance (SARE&F). SARE&F is Dit
bedrijf heeft gegevensverzamelingen van specifieke vastgoedobjecten, die tot op het
winkelunitniveau gespecificeerd zijn . Een andere dataset in dit onderzoek is die van Locatus. Zij
beheren een nationale databank waarin data opgenomen is over winkels, de bijbehorende
winkeliers, winkelgebieden en consumenten. Het unieke van deze dataset is dat deze voor een groot
deel bestaat uit registratiedata, met daadwerkelijke observaties in plaats van gemodelleerde data.
Om deze dataverzamelingen gecombineerd te kunnen gebruiken in een model moeten deze op
elkaar afgestemd en aangesloten worden. Hoe dit gedaan is, wordt in het hoofdstuk methodologie
behandeld. Er zijn eerder hedonische prijsstudies gedaan met data van Locatus, maar de koppeling
aan de winkelvastgoeddata van Syntrus Achmea en consumentendata van Experian is nog niet eerder
gemaakt. Het is juist deze koppeling welke het mogelijk maakt te onderzoeken, of 1: dezelfde
verbanden worden gevonden als in voorgaande studies, en 2: nieuwe verbanden kunnen worden
gevonden.
1.3
Relevantie, uniciteit en de onderzoekspraktijk
Tot op heden is er met de winkelvastgoed dataset van SARE&F nog geen hedonische prijsstudie
gemaakt waarin de huurprijs wordt verklaard met object- markt- locatie- of consument-gerelateerde
variabelen. Om die reden is het relevant om na te gaan of deze steekproef overeenkomstig is met
bevindingen uit de literatuur. Deze studie wijkt in essentie af van voorgaande studies door welk type
huurprijs en welk type vastgoed wordt onderzocht. Onderzoeken die in het verleden zijn uitgevoerd
verklaren in de regel de gemiddelde huurprijzen per winkelcentrum, enkel de ‘tophuurprijzen’ van
een gebied, modelhuurprijzen of de huurprijs die wordt berekend voor een ‘standaard winkelunit’.
Tauw, H.
7
Huurprijs en rendement van winkelvastgoed
Dit onderzoek onderscheidt zich door daadwerkelijk gerealiseerde contracthuurprijzen per
individuele winkelunit te onderzoeken. Daarnaast onderscheidt het zich door het type vastgoed wat
wordt onderzocht. Andere studies doen in de regel onderzoek doen naar een specifiek afgebakend
onderdeel van de markt. Zo een onderdeel kan een specifiek type winkelgebied zijn, van gelijke
schaalgrootte, ten behoeve van onderlinge vergelijkbaarheid. Dit onderzoek betreft alle
winkelgebiedstypen met een geografische spreiding over heel Nederland.
Buitenlandse studies geven aan dat hedonische prijsanalyses van winkelvastgoed nog steeds
onderontwikkeld zijn wanneer dit vergeleken wordt met andere sectoren als de woningmarkt en de
kantorenmarkt (Nase et. al., 2012: 160, des Rosiers et. al., 2005: 295). In de praktijk hebben
onderzoekers moeite om de vereiste data te verzamelen. Dit feit wordt toegeschreven aan de
vertrouwelijkheid van retailtransacties. Ook in Nederland zijn dit type studies vrij zeldzaam. Daarbij
komt dat de Nederlandse vastgoedmarkt vrij klein is in vergelijking tot de markten die onderzocht
worden in bijvoorbeeld Amerikaanse studies. De praktische implicatie hiervan is dat de statistische
toetsen navenant kleiner zijn en grote datasets (benodigd voor dit type onderzoek) schaars zijn. Er is
getracht om in deze studie een eenduidig beeld te schetsen van onderling min of meer vergelijkbare
studies, om dit in het juiste theoretische kader te plaatsen.
1.4
Praktijkdoel
Een praktijkgericht doel van deze studie is dat het een bijdrage levert aan de werkzaamheden van
een institutionele belegger. De validatie van externe data zoals die van Locatus kan de
betrouwbaarheid, toepasbaarheid en operationele hanteerbaarheid hiervan vergroten. Mochten de
variabelen een significante relatie hebben met de prestatie van het vastgoed, dan is dit van grote
waarde. Voor een belegger is het essentieel om een selectie te kunnen maken uit alle mogelijke
acquisitie en dispositie-mogelijkheden. Het analyseren van winkelgebieden heeft een pluriform
karakter waardoor winkelvastgoedbeleggers met veel actoren en variabelen rekening dienen te
houden. Door te onderzoeken welke variabelen steekhoudend zijn biedt dit handvatten waarmee
beslissingen onderbouwd kunnen worden. Naar gelang de wensen van de belegger kunnen er
bijvoorbeeld winkels geselecteerd worden die stabiel presteren of juist potentie hebben om beter te
presteren in de toekomst. Dit is afhankelijk van het risicoprofiel van de belegger, waarin het
minimaliseren van leegstandrisico een voorname taak is. Zeker in een tijd waarin er voor retailers
ruim keus is in de markt voor winkelvastgoed, met hoge leegstandspercentages, is de kwantitatieve
en kwalitatieve onderbouwing van het behouden, verkopen of kopen van vastgoed essentieel.
Retail is een snel ontwikkelende industrie en met een inert product als vastgoed is een lacune tussen
de vraag en het aanbod goed mogelijk. In de ideale markt zou een winkelgebied in voortdurende
afstemming zijn met de karakteristieken van de lokale marktvraag vanuit het verzorgingsgebied en
het winkelaanbod en -vastgoed hierop afstemmen. De vraag rijst dan welke variabelen ‘bewezen’ en
‘meetbare’ invloed hebben op het succes van een winkelgebied. In theorie zou het zo moeten zijn
dan hoge bestedingen van consumenten leidt tot een goede ‘gezondheid’ van zittende huurders,
waar een goede financiële vastgoedexploitatie van het centrum uit voortkomt. Deze financiële
exploitatie is meetbaar in de huurprijs en het rendement, welke in deze studie nader worden
onderzocht.
8
Hedonisch prijsmodel voor winkelvastgoed
1.5
Onderzoeksvragen
Het eerste deel van deze studie focust op de achtergrond van de winkelvastgoedmarkt waarin dit is
geschreven. Hierin wordt een overzicht gegeven van hoe de ruimtemarkt voor winkels zich heeft
ontwikkeld, wat beleggen in vastgoed inhoudt en de stand van zaken bij de belangrijke actoren: de
(institutionele) belegger, de retailer en de consument. Met name de topische vragen (wie, wat,
waarom) komen hier aan bod. De twee te verklaren variabelen in deze studie, de huurprijs van
winkelunits en het rendement van winkelobjecten, worden hier samengevat als de
‘beleggingsprestatie’, en deze aanmerking wordt dan ook als zodanig gebruikt in de vraagstelling.
De vraagstelling voor het onderzoek luidt vervolgens;
Op basis van welke variabelen is de beleggingsprestatie van Nederlands winkelvastgoed te
voorspellen?
De centrale vraag wordt opgesplitst met de de volgende onderzoeksvragen die terloops aan bod
zullen komen:
1. Wat zijn de kenmerken van de hedendaagse winkelvastgoedmarkt ?
2. Wat kenmerkt de beleggingsprestatie?
3. Wat zijn de bekende huurprijsdeterminanten van winkelcentra?
4. Welke data en methoden worden er gebruikt om de invloed van de geselecteerde variabelen
op de beleggingsprestatie te onderzoeken?
De onderzoekseenheden zijn 301 geselecteerde winkelvastgoed beleggingsobjecten uit de
winkelvastgoedportefeuille van SARE&F. Die 301 objecten bevatten 1011 winkels die op
winkelunitniveau onderzocht worden. De gebruikte voorkeurscriteria van die selectie aan objecten
en units worden in H. 4.1 beschreven. Linaire multiple regressieanalyses zijn gebruikt om een
hedonisch prijsmodel te schatten welke een samengestelde collectie van variabelen gebruikt. Deze
methodiek wordt verder uitgelegd in hoofdstuk 4. De collectie aan variabelen die is samengesteld
voor dit onderzoek en welke relatie verwacht wordt met de beleggingsprestatie wordt beschreven in
paragraaf 4.4. Deelvraag 1 en 2 worden beantwoord in hoofdstuk 2, deelvraag 3 en 4 in hoofdstuk 3
en de hoofdvraag wordt beantwoord in hoofdstuk 8.
1.6
Conceptueel model en context
In figuur 1 is het conceptueel model afgebeeld. Hierin staan de variabelen die zijn verzameld voor
deze studie. In deze figuur staan de variabelen die de huurprijs van een winkelunit en het
rendement van een winkelobject kunnen verklaren. Deze variabelen zijn onder te verdelen in 4
typen: Marktvariabelen, Locatievariabelen, Consument aantrekkingskracht en imago variabelen en
Ontwerp & Gebouwkenmerken, zoals weergegeven in figuur 2.
Tauw, H.
9
Huurprijs en rendement van winkelvastgoed
Figuur 1: Conceptueel model
Figuur 2: Contextmodellen
10
Hedonisch prijsmodel voor winkelvastgoed
2
Kenmerken van de winkelvastgoedmarkt
In dit hoofdstuk wordt de winkelvastgoedmarkt behandeld, waar in de eerste paragraaf gestart
wordt met de ruimtemarkt. In de tweede paragraaf wordt de positie van de belegger in dit spectrum
besproken, hoe de beleggingsprestatie wordt gemeten en komt ook de relatie met de retailer aan
bod. In de derde paragraaf wordt een korte verkenning gedaan naar kwantitatief onderzoek op het
consumentenvlak.
2.1
Markt
In deze paragraaf wordt de ruimtemarkt voor winkels behandeld. Centaal hierin staat de vraag, het
aanbod en de (huur)prijs van winkelruimte. In Figuur 3 3 en
figuur 4 wordt de
voorraad(ontwikkeling) en leegstand van winkelpanden weergegeven. Zoals in figuur 3 te zien is,
heeft Nederland in totaal 30 miljoen vierkante meters aan winkelvloeroppervlak (WVO). Deze
winkelvoorraad is tussen 2004 en 2014 gestaag toegenomen, in totaal met bijna 4 miljoen vierkante
meter WVO. Er zijn lange tijd veel vierkante meters toegevoegd en aanzienlijk minder onttrokken. De
laatste jaren liggen de toevoegingen en de onttrekkingen dichter bij elkaar (PBL & ASRE, 2013), zoals
te zien is in figuur 3 Sinds 2010 is er een duidelijke trend waarneembaar van leegstandstoename
richting 7,8% in 2013, en zelfs richting 9% in 2014 (PBL, 2014). De verwachting is dat ongeveer een
derde hiervan aanvangs- of frictieleegstand (maximaal één jaar leeg) betreft en het andere deel
bestaat uit langdurige leegstand (tussen één en drie jaar) en structurele leegstand (drie of meer
achtereenvolgende jaren). De leegstand doet zich voor met duidelijke ruimtelijke verschillen. Anders
dan in de kantorenmarkt, waar de leegstand zich concentreert in de Randstad, doet de
winkelleegstand zich juist voor in ‘klassieke krimpregios´ zoals Zeeland, het zuiden van Limburg en
noord-oost Groningen (zie Figuur 5).
Figuur 3: Voorraad winkels.
Bron: Locatus, bewerking PBL.
Tauw, H.
11
Huurprijs en rendement van winkelvastgoed
Figuur 4: Leegstand oppervlakte winkels,
bron: Locatus, bewerking PBL.
Figuur 5: Aandeel leegstand vloeroppervlakte winkels per gemeente, 2013.
Bron: Locatus, bewerking PBL.
12
Hedonisch prijsmodel voor winkelvastgoed
2.1.1
Winkelgebieden en locaties
Nederland telt ruim 106.000 fysieke winkels (HBD, 2012). De trend is dat dit aantal elk jaar licht
afneemt en dat het totale winkelvloeroppervlak licht toe neemt. Het gemiddelde
winkelvloeroppervlak is 262 vierkante meter. In 2005 was dit nog 228 vierkante meter (HBD, 2012).
Winkels worden gecategoriseerd naar type winkelgebied. Dit wordt de winkelgebiedsindeling of het
winkelsegment genoemd. Deze indeling vormt het winkellandschap tot een min of meer hierarchisch
geheel. In de kern is er een tweedeling tussen centrale en ondersteunende winkelgebieden. Centrale
winkelgebieden zijn meestal de binnensteden van een stad, die bij kleinere steden
hoofdwinkelgebieden worden genoemd.
Bij de dorpen en andere kernen worden dit
kernverzorgende centra genoemd, die in hun eigen gebied als centraal aan te merken zijn.
Vervolgens zijn er winkelgebieden die niet het eerste ‘hoofdcentrum’ zijn in hun gebied en in zekere
mate ‘ondersteunend’ zijn aan het centrale winkelgebied. Dit is in rangorde uit te specificeren in een
‘binnenstedelijke winkelstraat’, een ‘stadsdeelcentrum’, een ‘wijkcentrum’en een ‘buurtcentrum’.
Een stadsdeel is in deze definitie een verzameling wijken en een wijk is een verzameling buurten.
Naast de ordening van winkelgebiedstypen zijn er ook verschillen in de invulling. Hiermee wordt de
branchering bedoeld welke in grote mate het koopmotief van een consument bepaald. Centrale
winkelgebieden hebben de aantrekkingskracht om in de branchering de focus te leggen op
dagelijkse, maar ook niet-dagelijkse goederen en een groot aantal winkels. Consumenten bezoeken
deze gebieden voor de niet-dagelijkse aankopen, en zien dit als een vorm van vrijetijdsbesteding
(‘funshoppen’). Aan de andere kant van het spectrum worden de dagelijkse boodschappen vaker in
de buurt gekocht. De centra die voor deze activiteiten worden bezocht zijn in oplopende in grootte;
het buurtcentrum, wijkcentrum en het stadsdeelcentrum. Allen zijn ondersteunende
winkelgebieden. Deze centra hebben een sterke orientatie op de ‘boodschappenfunctie’ en met
name het buurt- en wijkcentrum zijn meer gericht op ‘runshoppen’; een snelle vorm van functioneel
winkelen.
Binnen alle typen winkelgebieden wordt vervolgens per locatie een nog verfijnder onderscheid
gemaakt met de standplaatskwaliteit. Dit is een indeling in A1, A2, B1, B2 en C-locaties, die wordt
gemeten door de relatieve intensiteit van de passantenstromen in kaart te brengen. Op die manier
lopen 75%-100% van de passanten op een A1 locatie, 50-75% op A2, 25-50% op B1, 10-25% op B2 en
tot 10% op C-locaties (Nozeman et. al., 2013: 98).
2.1.2
Huurprijs
In Figuur 6 is weergegeven wat de benchmark is voor wat betreft de kale huur per vierkante meter
en de open markthuurwaarde per winkelgebiedstype. Deze data is verzameld door agglomeratie van
alle participerende institutionele vastgoedbeleggers aan de ROZ/IPD en mag als een accurate
afspiegeling worden gezien van wat het huurprijsniveau in Nederland momenteel is. Er is een
duidelijk verschil zichtbaar tussen de binnenstad en winkels in het stadsdeelcentrum, een
middendeel met vrijwel overeenkomstige gemiddelden en de kleine wijk en buurtcentra / PDF/GDV
locaties. De gemiddelde kale (contract)huurprijs (over alle segmenten) is € 201,20; met 265,30 is de
binnenstad koploper in huurprijsniveau en PDV/GDV sluit af met 99,9 euro. Het verschil in huurprijs
tussen de winkelgebiedstypen in het middendeel van de figuur is mogelijk niet zo groot.
Tauw, H.
13
Huurprijs en rendement van winkelvastgoed
Figuur 6: Inkomenskarakteristieken direct vastgoed standing investments, bewerkt uit: IPD/ROZ Winkel
Benchmark, december 2013.
2.1.3
Huurprijsherziening
In winkelvastgoed is het steeds gebruikelijker dat huurders tussentijds of bij verlenging van een
contract een huurprijsherziening aanvragen. De huur wordt dan mogelijk opnieuw vastgesteld op
basis van meestal vijf vergelijkbare panden in de omgeving. Hierbij wordt een referentieperiode van
5 jaar gehanteerd. Zo is de huurder in een opwaarts bewegende huurmarkt beschermd tegen
onredelijk stijgende huurprijzen (NRW, 2014). Een landelijke waarderingsmethodiek ontbreekt echter
om de herzieningshuur vast te stellen, ‘dat is nu een grote wirwar aan lokale methodieken en
subjectieve benaderingswijzen’(NRW,2014). In dit proces wordt de gang naar de rechter niet zelden
gemaakt, en het gevolg is dat er een winkelhuurprijs wordt gerealiseerd die is gebaseerd op de
herzieningshuren volgens artikel 7:303BW. Bij een dispuut over de huurprijs hebben beide partijen
(huurder en verhuurder) advies ingewonnen bij een ter zake deskundige en wordt gezamenlijk een
adviesprijs vastgesteld.
Met deze wetenschap is het mogelijk dat een huurprijs niet tot stand is gekomen door een minnelijke
overeenstemming tussen twee partijen. De huurprijs wordt als het ware beinvloed door externe
factoren (referentiehuurprijzen) die het schatten van de efficiente gerealiseerde huurprijs onmogelijk
maakt. De huurprijsherziening maakt dus in essentie onderdeel uit van het onverklaarbare deel van
de variantie (zoals beschreven in paragraaf 1.1) waar geen variabele voor beschikbaar is.
2.2
Winkelvastgoedbeleggingen
2.2.1 Institutionele beleggers
Institutionele beleggers zijn in Nederland verreweg de grootste partij in beheerd vermogen, welke
gealloceerd is in vastgoed en de belangrijkste verhuurder van commercieel onroerend goed. Onder
institutionele beleggers worden de pensioenfondsen, verzekeraars en beleggingsinstellingen
gerekend. Het vermogen (assets under management) aan vastgoedbeleggingen had in 2012 een
totaalvolume van 168 miljard euro (CBS Statline 2012). Hiervan wordt 44,7 miljard belegd in direct
14
Hedonisch prijsmodel voor winkelvastgoed
vastgoed en 123,3 miljard indirect vastgoed. Tot direct vastgoed wordt het onroerend goed gerekend
waarover de instelling zeggenschap heeft. Indirect vastgoed bestaat uit minderheidsaandelen in
zowel Nederlandse als buitenlandse vastgoedbeleggingsinstellingen.
2.2.2 De relatie tussen de belegger en de retailer
De huidige relatie tussen de belegger en de retailer is een huurrelatie, die ten eerste is vormgegeven
door middel van een huurovereenkomst. De omgeving waarin beide partijen opereren is het
winkelcentrum. Het winkelcentrum vormt de setting waarbinnen de retailer zijn winkel exploiteert
en de consument winkelt (Sybertsma, 2011:4). Het eigendom van het winkelcentrum en het
management zijn in handen van de belegger. Het management van de belegger kan deze omgeving
door middel van sturing en controle beïnvloeden en levert daarmee in principe een bijdrage aan de
omzet van de retailer. De onmogelijkheid van juist management of het nalaten daarvan kan
negatieve gevolgen hebben. Dit wordt door BNP Paribas weergegeven in het schema van figuur 7; de
betaalbaarheid van de huur door de retailer kan dalen wat uiteindelijk een achteruitgang van het
winkelgebied kan veroorzaken.
Figuur 7: Het Retail Domino Effect, vertaald en bewerkt uit: BNP Paribas Real Estate
Dit laat zien dat ook indirect, beleggers betrokken zijn bij de consument. De belangrijkste indirecte
relatie tussen de consument en de belegger zijn de uitgaven van de consument. Dit bepaalt namelijk
de omzet van de retailer, wat de waarschijnlijkheid verhoogt dat de huur betaald kan worden aan de
belegger en het rendement van de belegger beinvloedt. Uiteraard is dit indirect ook van invloed op
de leegstand van winkelvastgoed.
Figuur 8: Overzicht relaties winkelvastgoed
Unibail-Rodamco, een van de grootste beursgenoteerde beleggers in regionaal dominante
winkelcentra ter wereld, verwoordt de relatie met de huurder op de volgende manier:
`Outperformance is not about receiving the highest rent, but is creating value for the tenant as well
Tauw, H.
15
Huurprijs en rendement van winkelvastgoed
as the landlord´ (Kempen Capital Management, 2012). Hieruit komt naar voren dat waardecreatie in
retail niet per definitie een financieel begrip is maar een bredere toepassing kent.
2.2.3
Beleggingsresultaat
We spreken van beleggen wanneer we geld uitzetten tegenover een financiële vergoeding. De
bedoeling ervan is om hieruit inkomsten en eventueel vermogensopbouw te verwerven (Nozeman
et. al., 2013: 228). Beleggen in onroerend goed definiëren van Gool et. al. (2007:20) als ‘het
vastleggen van vermogen in vastgoed, direct danwel indirect, met het doel om uit de exploitatie van
het vastgoed en de eventuele verkoop een stroom geldelijke opbrengsten te realisereren’. Hierbij
moet bedacht worden dat beleggen het nemen van beslissingen is onder onzekere omstandigheden.
Er wordt immers een bedrag geinvesteerd in ruil voor een onzeker bedrag in de toekomst. Deze
onzekerheid is het verschil tussen beleggen en sparen en maakt dat er bij vastgoedbeleggingen naar
gestreeft dient te worden dat de geldelijke opbrengst hoger ligt dan wanneer het vermogen in een
spaarproduct is vastgelegd (Nozeman et. al., 2013:228). Een manier om dit risico te minimaliseren is
om sectorale en geografische spreidingen aan te brengen. Die spreiding kan zowel in de breedte als
in de diepte gaan: met verschillende vastgoedmarkten, verschillende soorten onroerend goed, over
verschillende objecten (klein, groot, nieuw, oud, single tenant, multi tenant)) over verschillende
eigendomssituaties (wel of geen erfpacht) over huurders uit verschillende sectoren, over
verschillende contractlooptijden, enzovoort (van Gool et.al., 2007: 53). Het inschatten van deze
risico’s is een strategisch vraagstuk waar beleggers hun eigen invulling aan geven. Iedere belegger
heeft hierdoor ook een eigen focus qua risico en rendement met veschillende beleggingsprofielen en
beleggingsmarktposities. Het rendement is dus een vergoeding voor het risico wat een belegger
loopt; een hoger risico zou een hoger rendement moeten betekenen.
Iedere belegger zal periodiek de resultaten van zijn belegging meten (een zogeheten
performancemeting). Het gaat daarbij niet alleen om de opbrengsten in euro’s, zoals die komen in de
resultatenrekening, maar ook de rendementen, waarbij het dan gaat om resultaten over een
bepaalde periode uitgedrukt als een percentage van het geïnvesteerde vermogen (van Gool et. al.,
2007:55). De resultatenrekening van vastgoedbedrijven gaat uit van de in beginsel te realiseren
brutohuuropbrengsten, waarna in mindering wordt gebracht de eventuele huurderving, de
exploitatiekosten, de kosten van vreemd vermogen, de bedrijfslasten (kosten eigen / externe
managementapparaat) en eventuele belastingen. Dan resulteert het direct beleggingsresultaat, en
het meten hiervan levert in de praktijk niet al te veel problemen op.
Het indirect beleggingsresultaat, welke bestaat uit de waardeverandering van het onroerend goed,
alsmede eventuele valutaresultaten, levert dit wel op. De reden is dat er bij periodiek waarderen
(taxeren) veel komt kijken. De waardebegrippen zijn niet altijd consciëntieus, en de methode voor
waardebepaling is ook niet altijd overeenkomstig met die van andere taxaties (van Gool et. al., 2007).
Echter, de ROZ/IPD heeft taxatierichtlijnen voorgeschreven die gevolgd dienen te worden en de
kwaliteit van de data, gebruikt in deze studie, waarborgt.
De definitie voor de beleggingsprestatie bestaat in deze studie, zoals omschreven in van Gool et. al.
uit de bruto huuropbrengsten en het totaalrendement van het onderliggende vastgoed. Waarvoor de
onderstaande (deel)definities worden aangehouden:
16
Hedonisch prijsmodel voor winkelvastgoed
De bruto huuropbrengsten zijn de gefactureerde huren gedurende het kalenderjaar exclusief
(voorschot)servicekosten, BTW, compensatie, ontvangen bedragen voor de afkoop van
huurcontract(en) en huurgaranties (ROZ/IPD,2007:18).
Het totaal rendement is de som van de waardegroei en netto inkomsten in een periode uitgedrukt
als percentage van het gemiddeld geïnvesteerd vermogen (ROZ/IPD, 2007: 5).
Het direct rendement, ook cashflow rendement en exploitatierendement genoemd, bestaat uit de
feitelijke netto-huuropbrengsten gedurende een bepaalde periode, afgezet tegen het gemiddeld
geinvesteerd vermogen van de onderliggende vastgoed objecten cq. portefeuilles (ROZ/IPD, 2007: 5).
Het indirect rendement, ook waardegroei genoemd, geeft de waardeveranderingen weer gedurende
een bepaalde periode, afgezet tegen het gemiddeld geïnvesteerd vermogen van de onderliggende
vastgoedobjecten c.q. portefeuilles over de meetperiode (ROZ/IPD, 2007:5).
2.2.4
Beleggingsrisico en beleggingsstijlen
In de werkgroep ´Professionaliseren´ van de Vereniging van Institutionele Beleggers in Vastgoed
Nederland (IVBN), staat het onderwerp risk management al enige tijd op de kaart. Er wordt veel
gediscussieerd over de definitie van risico alsmede de organisatorische en instrumentele invulling
van dit onderwerp. De werkgroep ‘Risk management’ van de IVBN ziet dat er nog vele uitdagingen
zijn op het gebied van verdere standaardisatie en meer eenduidige en operationeel goed
hanteerbare definities betreffende risk management en risk management instrumentarium (IVBN,
2010). Er is sprake van een grote verscheidenheid aan risico’s met verschillen in aard, complexiteit,
intensiteit en potentiële omvang van financiële en niet-financiële gevolgen (IVBN, 2010).
Risico: is de (in kansen uitgedrukte) mogelijkheid dat de realisatie van de strategische, tactische,
en/of operationele doelstellingen van een organisatie negatief worden beïnvloed, waarbij de kans op
realisatie ook daadwerkelijk verlaagd wordt door onzekere tijdelijke en/of structurele (gevolgen van)
gebeurtenissen binnen en/of buiten de organisatie. (IVBN, 2010).
Het risico wat een belegger wil nemen is per belegger verschillend. De beleggingsstijl is inherent aan
het risicoprofiel wat een belegger wenst na te streven. Hierin zijn grofweg 3 stijlen te onderscheiden
die de belegger typeert (Nozeman, 2014: 248):
Core: beleggingen in volwassen (bewezen) winkelsegmenten en markten, met weinig vreemd
vermogen gefinancierd, weinig projectontwikkelingsactiviteiten en totaalrendementen die
hoofdzakelijk worden gegenereerd door inkomsten: directe rendementen (IRR= 7%)
Value added: beleggingen in ieder winkelsegment of markt, met bescheiden eigen vermogen (laag
geleveraged), met projectontwikkelingsacitiviteiten en actief asset management. Het
totaalrendement komt met name door waardecreatie:indirect rendement (IRR= 11%).
Opportunity: Beleggen met een hoog niveau aan vreemd vermogen financieringen, nog meer
projectontwikkeling, asset management of anderszins waardecreërende activiteiten (IRR = 15%).
De objectselectie, met andere woorden in welke winkelobjecten (individuele winkelpanden of
winkelcentra) wordt belegd, wordt vooral bepaald door het volume in geld van de individuele
Tauw, H.
17
Huurprijs en rendement van winkelvastgoed
winkelobjecten en de invloed die de belegger wenst te hebben in de aansturing van de performance
van die winkelobjecten (Nozeman, 2014: 249).
2.2.5 Analyseproces van winkelvastgoedbeleggers
Bij (institutionele) vastgoedbeleggers is het gebruikelijk om bij een heroverwegingsmoment
complexen met behulp van een hold-sell model te beoordelen op een tweetal factoren: de netto
kasstroom uit de exploitatie (direct rendement) en de verwachte waardeontwikkeling (indirect
rendement). Beleggers gebruiken hun eigen (interne) modellen of modellen van externe partijen om
hier periodiek inzicht in te verkrijgen. De verdiencapaciteit van de objecten wordt hierin meestal ook
berekend. Er zijn meerdere strategieën te volgen voor complexen; doorexploiteren, renoveren,
deelverkopen en complexgewijze verkoop (Finance Ideas, 2012). Voor elk van deze mogelijke
strategieën dient dan een berekening te worden gemaakt van de bijbehorende contante waarde van
de kasstromen. De hold -of sell-strategie wordt bepaald aan de hand van de exploitatiestrategie met
de hoogste contante waarde. Daarbij dient rekening gehouden te worden met specifieke
marktomstandigheden.
2.2.6 Recente ontwikkelingen
De afgelopen jaren zijn verschillende vastgoedbeleggers bezig met de dispositie van non-core assets.
De verkoopprogramma´s resulteren meestal in een herpositionering van de portefeuilles, een
toename van de bezettingsgraad en de afname van leverage. Een belegger denkt traditioneel gezien
vanuit de aanbodkant; het bieden van goede kwaliteit winkels en dit invullen met een stabiele
huurder. Deze traditionele rol is aan het verschuiven richting de vraagkant, waardoor de belegger
steeds meer gaat denken als een retailer en aan hoe de prestatie van die retailer zo optimaal
mogelijk wordt. Die verschuiving van aanbod naar vraaggericht denken is bijvooorbeeld zichtbaar in
de opkomst van andere verhuursituaties zoals omzetgerelateerde huur. Volgens het rapport
´Retailing beyond borders´ van de Rabobank (2014: 27) kunnen winkelgebieden alleen nog
consumenten trekken wanneer beleggers en retailers meer gaan samenwerken.
De toekomst van retail is zodanig onzeker, dat retailers tegenwoordig gebaat zijn bij korte
huurcontracten, geen vastgoedbezittingen meer hebben en snel kunnen reageren op veranderende
fysieke behoeften (Rabobank, 2014). Het winkelgedrag verandert in rap tempo. Vond 71% in 1989
shoppen nog leuk, in 2013 is dat gekelderd naar 56%. De fundamentele veranderingen in de
bevolkingssamenstelling, economie en technologie zullen diepgaande veranderingen teweeg
brengen. De bevolking verandert door onder mee vergrijzing, urbanisatie en een explosieve groei van
eenpersoonshuishoudens. Deze ontwikkeling, gepaard met hogere uitgaven voor ziektekosten,
energiekosten en voedsel, heeft invloed op winkelgebieden. Net als retailers moeten ook gebieden
zich op de kaart zetten (Rabobank, 2014). Vastgoedeigenaar en retailer zullen moeten samenwerken
om passantenstromen vast te houden of the vergroten. Omzetgerelateerde huur is daar volgens de
Rabobank een goed instrument voor (Rabobank, 2014). Onder omzetgerelateerde huur wordt
verstaan, de situatie waarbij de retailer de verhuurder/belegger een (gedeeltelijk) aan de behaalde
omzet gerelateerde huurvergoeding betaalt (Buvelot, 2007). De omzetgerelateerde huurvergoeding
bestaat uit een bepaald percentage van de door de retailer gerealiseerde omzet. Dit percentage
verschilt per branche, aangezien de marges per branche verschillend zijn. Dit maakt het een
ingewikkeld en ondoorzichtig systeem. Het zorgt er even goed voor dat de verhuurder/belegger
direct mee kan profiteren van de door haar gedane investeringen ter verbetering van het
18
Hedonisch prijsmodel voor winkelvastgoed
functioneren van het winkelcentrum. Om beleggen in winkelvastgoed rendabel te houden, zegt ook
JLL dat partijen nu eens echt moeten gaan samenwerken (JLL, 2011). Om voldoende retail omzet te
maken en consumenten te trekken, gaat de belegger vaker op de stoel van de retailer zitten en is
bereid meer risico te nemen om de waarde van zijn belegging te vergroten en voor de toekomst te
waarborgen. De belegger wijkt af van de standaardhuurcontracten en realiseert zich dat het belang
van het winkelgebied groter is dan dat van een individuele winkel (Jones Lang Lasalle, 2011).
Marktpartijen onderschrijven dan ook het toenemende belang van actief en intern (asset)
management in winkelvastgoed (Kempen Capital Management, 2012:2). Actief asset management
wordt steeds nadrukkelijker ingezet als actief instrument om de waarde van portefeuilles zeker te
stellen (Jones Lang Lasalle, 2012: 25-26).
2.3
2.3.1
Quantitatief onderzoek naar Nederlandse consumenten
Consumentenbeleving
In 2012 concludeerde de NRW taskforce Consumentenbeleving haar studie Consumentenbeleving in
winkelgebieden dat binnenstedelijke winkelgebieden meer beleving moeten gaan bieden om voor de
consument aantrekkelijk te blijven. De wetenschappelijke toegevoegde waarde van (een
kwantificeerbare) beleving was hiermee echter nog niet bepaald. Vanaf 2012 zijn tot nu toe 5
studies, met in totaal 9 studenten in een onderzoeksprogramma (samen) gewerkt aan een onderzoek
over beleving in binnenstedelijke winkelgebieden. Deze komen in deze paragraaf aan bod.
Wetenschappelijke, doorgaans internationale, studies over consumentengedrag en
consumentenvoorkeuren zijn talrijk. Bij een beperkt aantal studies ligt de focus echter op de
waardering van winkelgebieden. Het (winkel)aanbod en de bereikbaarheid blijken steeds weer de
lijst met belangrijkste aspecten van winkelgebieden aan te voeren (Borgers, Kemperman en Janssen,
2013). Maar ook blijken zogenaamde atmospherics een rol te spelen. Atmospherics (vrij vertaald:
‘sfeerbrengers’) zijn eigenschappen van winkelgebieden die invloed hebben op de sfeer in het
winkelgebied.
Gegevens over deze eigenschappen bleken voor aanvang van deze studies nog niet aanwezig. Uit een
beperkte inventarisatie van nieuw verzamelde data, heeft een studie van Raijmakers (2012)
uitgewezen dat slechts enkele atmospherics een beperkte rol spelen in de keuze van het
binnenstedelijk winkelgebied met betrekking tot recreatief winkelen. Geslacht- en
leeftijdscategorieën blijken in dit onderzoek ambivalente uitkomsten te geven waardoor de rol van
atmospherics geen doorslaggevende uitkomsten heeft gegenereerd.
In opvolgende studies bleek wederom het winkelaanbod een belangrijke variabele voor wat betreft
de keuze van de favoriete locatie (Dijkman, 2012; Op Heij, 2012; Willems, 2012). Meerdere mode- en
luxezaken, een winkel voor dagelijkse artikelen en enkele horecagelegenheden maken een locatie
meer favoriet. Echter, de invloed van de (25-tal) atmospherics blijken ook hier van beperkte invloed
te zijn op de voorkeur voor een bepaalde locatie. Hier blijken wederom aanzienlijke smaakverschillen
tussen respondenten in verschillende leeftijdscategorieën te zijn, wat een eenduidige relatie
achterwege laat.
Locaties die goed worden bezocht zouden evenwel verklaard kunnen worden door een emotionele
band met de locatie. Ook dit is onderzocht en hier blijkt een zwakke, zelfs negatieve relatie tussen de
emotionele band en het daadwerkelijke ´bezoeken´ van een winkelgebied te bestaan (Boerebach,
2012). Een grotere emotionele band met een winkelgebied zou dan correleren met een lagere
Tauw, H.
19
Huurprijs en rendement van winkelvastgoed
bezoekfrequentie. Met de uitgevoerde onderzoeken kan gesteld worden dat het nog te vroeg is om
harde uitspraken te doen over de relatie tussen atmospherics enerzijds en waardering anderzijds
(Borgers et al, 2013). De veronderstelde relatie in de hypothesen worden niet terug gevonden in
kwantitatief onderzoek, wat de betrouwbaarheid van de variabelen ondermijnt. Concluderend kan
gezegd worden dat er op basis van de huidige beschikbare kennis, middelen en technische inzichten
op het gebied van consumentenbeleving voor dit onderzoek onvoldoende aanleiding is om
desbetreffende data te verzamelen danwel op te nemen. Momenteel biedt het nog te weinig
perspectief om deze data op te nemen in een hedonisch prijsmodel.
2.3.2
Bezoekgedrag en bestedingen
In een recent onderzoek van Hoven (2013) wordt gesteld dat de langetermijneffecten, te weten de
economische malaise, internetverkoop en een veranderend koopgedrag (meer efficiënt winkelen),
leiden tot een structurele daling van het aantal bezoekers in winkelgebieden. Daarnaast leiden korte
termijneffecten, zoals het weer en bereikbaarheid, soms tot grote fluctuaties in de
bezoekersaantallen. Over het algemeen blijven de bezoekersaantallen in de echt grote steden op
peil, terwijl de bezoekersaantallen in de middelgrote en kleinere steden harder dalen. Ook de
wijkwinkelcentra, gericht op de dagelijkse boodschappen, blijven redelijk op peil als het gaat om
bezoekersaantallen. Een meer grillig patroon doet zich voor in de grotere winkelcentra met een
groter aanbod gericht op het recreatieve winkelen (Hoven, 2013).
In diverse studies komt naar voren dat de differentiatie van het aanbod van winkels een van de
belangrijkste factoren is om voor een winkelgebied te kiezen. Hier wordt ook wel de term
branchering voor gebruikt, ´tenant mix´of ´retail mix´.
Uit recent onderzoek van markt- consumentenonderzoeker GfK retail (2013) blijkt deze keuze voor
een winkelgebied met name af te hangen van de diversiteit aan winkels. Een diversiteit aan winkels is
met 31% het belangrijkst, gevolgd door de bereikbaarheid/afstand naar de winkels (18%), de
parkeergelegenheid (14%), de hoeveelheid winkels (9%) en de sfeer van het winkelgebied (7%).
Er wordt vanuit gegaan dat een consument kiest voor een breed en diep aanbod van winkels,
assortiment en segment. In de ideale marktomstandigheid zou een winkelcentrum dan ook naadloos
aansluiten bij de wens van de gemiddelde consument in datzelfde verzorgingsgebied. Om te bepalen
welk type winkels cruciaal zijn voor bepaalde typen centra moet vooral gekeken worden naar het
dominante winkelgedrag aldaar (DTNP, 2010). Vanuit dit perspectief is het zinvol centrumgebieden
niet in te delen naar omvang of branchering, maar naar (overwegend) bezoekmotief. Op basis van
diverse criteria kan het niettemin zinvol zijn om in beeld te brengen welke kenmerken en
winkeltypen centra (zouden moeten) hebben als zij zich willen richten op een specifiek bezoekmotief.
Conflicterende combinaties van bezoekmotieven zouden zo inzichtelijk kunnen worden (DTNP,
2010). Tot op heden ontbreken voor een dergelijke benadering de benodigde statistische gegevens.
Dit vraagt immers om een totaal andere manier van definiëren en registreren van winkelaanbod dan
de huidige branche-indelingen op basis van traditionele sbi-codes (Standaard Bedrijfsindeling).
Het hebben van veel bezoekers lijkt positief voor het functioneren van een winkelcentrum, maar
belangrijker is of consumenten daadwerkelijk iets besteden. Over het algemeen kan gesteld worden
dat de bestedingen van consumenten per bezoek aan een winkelcentrum toenemen (Hoven, 2013).
20
Hedonisch prijsmodel voor winkelvastgoed
Dit hangt tegelijkertijd samen met een lagere bezoekfrequentie. Dit komt er op neer dat
consumenten minder vaak, maar per bezoek meer aankopen doen. Desondanks daalt over het
algemeen de koopkracht en vervolgens de consumentenbestedingen als gevolg van de economische
crisis. Landelijk dekkende onderzoeken naar consumentenvoorkeuren of een instrument om de
aansluiting van branchering op consumenten te meten zijn echter niet aanwezig. Dit beperkt de
mogelijkheden van het gebruik van consumentenvoorkeuren binnen deze studie. Het is wel mogelijk
gebleken om koopkracht, de woningwaarde, populatiegrootte en het aantal huishoudens van
potentiële consumenten in het gebied rondom de winkel mee te nemen in dit onderzoek.
2.4
Conclusie
In dit hoofdstuk is duidelijkheid verschaft hoe de markt zich de afgelopen 10 jaar heeft ontwikkeld;
het winkelvloeroppervlak is jaar op jaar toegenomen, maar ook de leegstand. Deze leegstand is per
provincie verschillend, wat mogelijk laat zien dat de relatie tussen provincies en beleggingsprestatie
gelegd kan worden. De huurprijs voor winkels komt door huurprijsherzieningen niet altijd
evenwichtig tot stand, maar verschillen tussen winkelgebiedstypen blijven zichtbaar. Ook kan het
verschil in huurprijzen tussen segmenten gezocht worden, of het aantal passanten dat langs een
winkel loopt. De consument is uiteindelijk degene die het heft in handen heeft; met dalende
consumentenbestedingen staat de omzet van winkeliers onder druk wat effect heeft op de
betaalbaarheid van de huur. De huurprijs staat onder druk, wat direct gevolgen heeft voor de
activiteiten van de vastgoedbelegger. De belegger kan met verschillende stijlen op de markt actief
zijn, en zo op verschillende manieren waarde creëren voor zichzelf, als voor de huurder van
winkelgebieden. Om het voortbestaan van de vastgoedbelegging te kunnen waarborgen zijn er
verschuivingen van de aanbodkant naar de vraagkant zichtbaar die vroeger niet denkbaar waren.
Actief management wordt steeds belangrijker om retailers vast te houden, en voor consumenten
aantrekkelijk te blijven. Beleving toevoegen is makkelijker gezegd dan gedaan en ook de
meetbaarheid hiervan is lastig gebleken. Het aantal bezoekers van winkelgebieden is dalende, terwijl
de aankopen per bezoek wel omhoog zijn gegaan. Het afstemmen van het winkelgebied (op zowel
micro- als macroniveau) op de wensen, de vraag en het gedrag van consumenten aldaar lijkt
belangrijker dan ooit.
Tauw, H.
21
Huurprijs en rendement van winkelvastgoed
3
3.1
Huurprijsverklarende variabelen
Introductie
In dit hoofdstuk zullen de belangrijkste bevinden uit de literatuur worden beschreven, teneinde de
rendement- en/ of huurprijsverklarende variabelen inzichtelijk te maken. Hierin zijn zoveel mogelijk
Nederlandse studies meegenomen aangevuld met internationale literatuur die aansluit bij de
centrale vraagstelling. Bij het overgrote deel van deze geraadpleegde studies is getracht om dezelfde
onderzoekseenheid aan te houden. Het is hierbij van belang het onderscheid te zien tussen de twee
te verklaren variabelen en de daarbij behorende aggregatieniveaus ; huurprijs op winkelunitniveau
en het rendement op winkelobjectniveau.
Er zijn in het verleden veel onderzoeken geweest die in meer of minder mate vooral fysieke, meer
functionele kenmerken als huurprijsverklarende variabelen hebben aangedragen (Vink, 2012:28). Dit
type variabelen vallen onder te brengen in de ruimtelijke factoren. Minder studies zijn gericht op
niet-ruimtelijke factoren, vaak omdat de meetbaarheid en vergelijkbaarheid van die factoren
ingewikkelder ligt en de relaties met huurprijsniveaus minder scherp zijn. Het argument dat nietruimtelijke factoren minstens zo belangrijk zijn, heeft bijval gekregen in een onderzoek van Mejia en
Benjamin (2002), waarin de relatie met de winkelcentrumomzet werd gelegd.
Het merendeel van de studies heeft zich ten doel gesteld de eerdere empirische bevindingen te
beoordelen betreffende de determinanten van de huurprijs in winkelgebieden en winkelcentra.
Hiermee wordt gepoogd bij te dragen aan de inhoudelijke robuustheid van hedonische prijsmodellen
en het valideren ervan met nieuwe data. Over het algemeen kan gezegd worden dat huurprijzen zich
gedragen zoals voorspeld door de theorie, al kunnen er per land, en dus huurmarkt kleine verschillen
zijn (Yuo et. al.,2004). Er zijn verschillende benaderingen voor het verklaren van de huurprijs; de
invloed van branchering of de concentratie ervan (Des Rosiers et. al, 2009), de huurdersmix (Finn &
Louviere, 1996), het verlies van trekkers in een winkelgebied of ‘anchor tenants’ (Gerbrich, 1998) of
de winkelomzet (Chun et. al, 2001, Meija en Benjamin, 2002). Het overgrote deel van de studies is
echter van de klassieke aanpak, waarin een zo breed mogelijk scala aan potentieel verklarende
variabelen wordt opgenomen om bij de huurprijs in de buurt te komen. Hieronder wordt op een
aantal van die studies op gelijkwaardige basis ingegaan, waarin met name de onderzoekskenmerken
de aandacht krijgen; de onderzoekseenheid, het aantal eenheden (N-value), de ‘goodness of fit’ van
het model (R2) en de significante variabelen. Deze sterke positieve en negatieve significante
variabelen zijn namelijk in de eerste plaats interessant om op te nemen in de eigen empirische
toetsen.
22
Hedonisch prijsmodel voor winkelvastgoed
3.2
Huurprijsverklarende studies
In een studie van Koot uit 2006 wordt onderzocht welke factoren van invloed zijn op het huurniveau
van 105 planmatige wijkwinkelcentra in Nederland. Hierin zijn de factoren onderverdeeld in markt-,
site, gebouw- en imagofactoren. Er is een algemeen regressiemodel gemaakt en voor elk van deze 4
onderverdelingen zijn 4 afzonderlijke lineaire regressievergelijkingen opgesteld met elk hun eigen
variabelen (tabel 1)
Tabel 1: Empirische kenmerken uit: Koot (2006), eigen bewerking
Koot (2006)
Y (afhankelijke variabele)
Onderzoekseenheid (#,land)
N (steekproefgrootte)
R2/Adj. R Square (lineair)
R2/Adj. R Square (LN)
Totaal aantal β-variabelen
Marktfactoren
Gemiddelde huur (m2/vvo) van de onderzoekseenheid
Wijkwinkelcentrum (105,NL)
105
0,609 / 0,534
0,623/ 0,551
16
Inwoners 2km, Inwoners 5km, Inkomen p.p., %65+,
concurrentie laag, concurrentie hoog.
Site-factoren
Parkeren slecht, parkeren goed, betaald parkeren.
Gebouw-factoren
Grootte centrum, Units aantal, Bouwjaar, Renovatie
recent, Overdekt.
Imago-factoren
Units trekkers aantal, brancheconcentratie.
Significante variabelen
Inwoners 2 km., Inkomen p.p., Concurrentie laag/hoog,
Slechte parkeergelegenheid, Betaald parkeren, Grootte
centrum (m2 bvo), Bouwjaar, Aantal units van trekkers.
Uit het marktfactorenmodel komt naar voren dat het inwonersaantal in een straal van 2 kilometer
een positief significant effect heeft op het huurniveau (β :+0,262). Een hoger besteedbaar inkomen
per persoon in het verzorgingsgebied blijkt ook wel degelijk invloed te hebben op de vierkante meter
prijs (Koot, 2006: 45). De mate van concurrentie is op tamelijk subjectieve wijze tot stand gekomen
door data uit 3 bronnen te koppelen. Dit zijn de inschattingen van lokale makelaars, een verhouding
tussen het m2 bvo van het winkelcentrum ten opzichte van het m2 bvo van het totaal aan dagelijkse
goederen in de gehele woonplaats en informatie uit de digitale Gouden Gids. Een centrum met lage
concurrentie heeft een significant hoger huurniveau en voor een centrum met een hoge concurrentie
wordt een significant lager huurniveau gevonden. De methodiek hierachter is echter niet nauwkeurig
genoeg beschreven om deze te repliceren, een concurrentiescore lijkt echter wel zeer relevant.
Koot concludeert zowel in het algemene logaritmische regressiemodel als het lineaire regressiemodel
dat er een negatieve significante relatie aan te wijzen is tussen een slechte parkeergelegenheid en
het huurniveau. Een goede parkeergelegenheid is niet significant positief, maar betaald parkeren
heeft een positief significante relatie met de huurprijs. De verwachting was dat betaald parkeren een
drukkend effect zou hebben op de huurprijs maar het tegenovergestelde blijkt hier het geval. De
verklaring die hiervoor wordt aangedragen is dat meestal de grotere winkelcentra met betaald
parkeren juist de eigenschap hebben hogere huren te voeren.
Bij microfactoren (gebouw-factoren) blijkt de grootte van een winkelcentrum (in m2 bvo) een
overduidelijk significant positief effect te hebben op het huurniveau. Deze mag zelfs gezien worden
als een van de grootste ‘drivers’ achter de huurprijs (Koot, 2006:47). Zoals verwacht is een negatieve
significante relatie bewezen met het bouwjaar. Het aantal units blijkt een multicollineairiteit te
Tauw, H.
23
Huurprijs en rendement van winkelvastgoed
vertonen met het de grootte van het winkelcentrum en is daarom achterwege gelaten. Of er recent
een renovatie heeft plaatsgevonden of dat het winkelcentrum overdekt is blijkt niet van invloed te
zijn. Het imago is in deze studie gemeten door het aantal trekkers in kaart te brengen en de
evenwichtigheid van de brancheconcentratie te meten (Koot, 2006:37). In het algemene
regressiemodel word de relatie met het aantal trekkers niet gevonden, maar in het deelmodel wel,
en ook significant. Een negatief bevonden relatie tussen de concentratiemaatstaf en het huurniveau
bleek volgens deze studie niet significant.
De studie van Majoor uit 2009 kiest voor een andere invalshoek. De vragen die gesteld worden zijn:
wat zijn de determinanten van het winkelhuurniveau/huurgroei in binnenstedelijke locaties en wat
is de invloed van fashion retail hier vervolgens op. Deze studie verklaart de maximaal haalbare huur
(die behaald zou kunnen worden) van een standaardunit in een straat, zoals vastgesteld door de
retailmakelaar (Majoor, 2009:34), anders dan in studies waar gerekend wordt met gerealiseerde
huurprijzen.
Tabel 2: Empirische kenmerken uit: Majoor (2009), eigen bewerking
Majoor (2009)
Y1 (afhankelijke variabele)
Y2 (afhankelijke variabele)
Onderzoekseenheid (land)
N (steekproefgrootte)
R2/Adj. R Square (Y1)
R2/Adj. R Square (Y2)
Totaal aantal β-variabelen
Significante
factoren
huurmodel
Significante
factoren
huurgroeimodel
Gemiddelde ‘prime’ markthuurniveau / m2 /standaard unit
Markthuurniveau-groei
Standaard winkelunit in betreffende straat (NL)
2156(Y1)/ 1239(Y2)
0,6666 (Majoor, 2009:47) huurprijs
0,3675 (Majoor, 2009:53) huurprijsstijging
9(Y1)/ 8(Y2)
in Inwoners 2km, % mode retail in GOAD gebied, Passanten, #
trekkers totaal, A1-,A2-,B1-, B2-, C-segment (dummy variabelen).
in Het % mode retail in GOAD gebied, m2 retail in winkelgebied, #
traditionele trekkers, A1-,A2-,B1-, B2-segment (dummy
variabele).
De meest significante variabele in deze studie is het aantal passanten. Deze bevinding is in lijn met
andere studies (Bolt, 2003; Lucas, 2005; Yuo et. al.,2003). Dit onderbouwd de hypothese dat er een
positieve relatie bestaat tussen het aantal passanten en de huurprijs (per m2/jaar) van een
winkelunit. Een interessante vondst is dat het percentage ´Fashion´(of Mode & Luxe winkels) een
sterke relatie heeft met de hoogte van de huurprijs. Dit duidt op het feit dat winkeliers in de
modebranche op een hoger huurniveau zitten dan andere branches. In lijn met de studie van Koot
(2006), komt ook hier een significante relatie met het aantal inwoners binnen 2 kilometer naar
voren. De studie vult verder aan dat het totaal aantal ´anchor stores´(trekkers) een positieve relatie
heeft met de huurprijs.
24
Hedonisch prijsmodel voor winkelvastgoed
Bakker (2011) stelt een semi-logaritmisch regressiemodel op, waar het natuurlijk logaritme is
genomen van de afhankelijke variabele ´huurprijs per m2 vvo´. Hier worden in totaal 16 planmatige
binnenstedelijke winkelcentra in Nederland onderzocht met een totaaloppervlak van 290.000 m 2
(Bakker, 2011: 52-53). De specifieke onderzoeksvraag richtte zich op het effect van de aanwezigheid
van zelfstandige ondernemers in een binnenstedelijk winkelcentrum.
Tabel 3: Empirische kenmerken uit: Bakker (2011), eigen bewerking
Bakker (2011)
Y (afhankelijke variabele)
Onderzoekseenheid (#,land)
N (steekproefgrootte)
R2/Adj. R Square (Ln)
Totaal aantal β-variabelen
Marktfactoren
Huurprijs (€/ m2/ jaar)
Planmatige winkelcentra (16)
798
0,659
20
Inwoners <10km, totaal x winkels in gebied, besteedbaar
inkomen.
Marktfactoren
Aantal inwoners: plaats, <2km, <10km.Totaal aantal winkels in
centraal winkelgebied, besteedbaar inkomen/ inwoner.
Locatie-factoren
Aantal passanten, standplaatskwaliteiten (A2,B1,B2)
Gebouw-factoren
Ln oppervlakte winkelunit (m2), bouwjaar, aantal units totaal,
grootte centrum, gemiddelde winkelunitgrootte.
Branche- en huurdersmix
Brand/merknaamconcentratie, hoofdbranche concentratie
Hoofdbranches
Levensmiddelen, Persoonlijke verzorging, Mode&Luxe,
Vrije tijd, In-en-om-het-huis, Overig en Horeca/ Leisure.
Retailer
Anchor/trekker, zelfstandige ondernemer, % zelfstandig in
object.
Ook hier blijken het aantal inwoners in een directe straal van 10 kilometer rondom het winkelgebied
(positief effect) en het oppervlak van een winkelunit (negatief effect) sterke variabelen om op te
nemen in het huurprijsmodel. Zoals Koot in 2006 ook concludeert is het inkomen, in dit geval
´besteedbaar inkomen´ tevens significant ten opzichte van de huurprijs. Het effect van het aantal
winkels in een winkelgebied is volgens Bakker deels verdisconteerd in de factor aantal inwoners,
gezien hier deze onafhankelijke variabelen een sterk onderling verband vertonen (R= 0,771). De
verwachting van deze auteur was dat alle zelfstandige ondernemers in elke branche een lagere huur
betalen, maar dit blijkt in de praktijk te kloppen, echter zijn alleen de branches ´Mode en Luxe´ en
´In-en-om het huis´ significant. Er zijn geen relaties gevonden tussen de huurprijs respectievelijk het
aantal units in een winkelcentrum of het bouwjaar van het winkelcentrum. Deze laatste werd echter
wel gevonden in een studie van Koot (2006). Een verwachtte negatieve relatie tussen de huurprijs en
‘trekkers’ werd tevens niet gevonden in deze studie, die wel wordt gevonden in andere studies (Koot,
2006; Sirmans et. al., 1993; Majoor, 2009).
Een onderzoek van Yuo et. al. (2004) richtte zich op de analyse van 148 regionale winkelcentra in het
Verenigd Koninkrijk, waar ze de beschikking hadden over informatie van 1924 contracten. Deze 148
winkelcentra zijn teruggebracht van in totaal 214 winkelcentra, na een correctie voor de grootte
(>27000 m2), objecten in (her)ontwikkeling en werden winkelsegmenten als themaparken buiten
beschouwing gelaten.
Tauw, H.
25
Huurprijs en rendement van winkelvastgoed
In deze studie zijn in totaal 7 modellen ontwikkeld die het effect op de huurprijs berekenen, met een
speciale focus op de varieteit van de huurdersmix (‘tenant variety’). Tenant variety is gedefinieerd in
5 afzonderlijke variabelen met 5 bijbehorende modellen (Model 1- Model 5).
Eerder onderzoek van Yuo et. al. in 2003 had uitgewezen dat de unitgrootte per huurder de meest
significante variabele is in relatie tot de huur. Om die reden wordt de unitgrootte in deze studie als
aanpassingsvariabele gebruikt om de verklaringswaarde in de modellen te verbeteren. Model 6 en
Model 7 zijn de zogeheten ‘Herfindahl’ modellen. De veronderstellingen van Yuo et. al zijn dat niet
alleen het aantal merken, het aantal units en de grootte ervan relevant is voor de huurdersmix, maar
ook de samenstelling ervan. Deze samenstelling wordt gemeten in de ‘Herfindahl’-index welke
berekent in hoeverre branches (Model 6) of ‘Merken’(Model 7) geconcentreerd of juist verspreid zijn
in een winkelcentrum. Dit wordt berekend als de som van de kwadraten van het marktaandeel van
elke ‘branche’ of elk ‘merk’( Yuo et. al., 2004:10). In de methodologie wordt verder ingegaan op deze
indexeringsmethode.
Tabel 4: Empirische kenmerken uit: Yuo et. al. (2004), eigen bewerking
Yuo, Crosby, Liziery & McCann (2004)
Y (afhankelijke variabele)
Onderzoekseenheid
N (steekproefgrootte)
R2/Adj. R Square (Ln)
Totaal aantal β-variabelen
Model 1
Model 2
Model 3
Model 4
Model 5
Model 6
Model 7
Natuurlijk logaritme van de gecorrigeerde huurprijs / m
Regionale winkelcentra (148)
1924 (huurcontracten in jaar 2002)
Variabel per factor
+/2
Grootte van een winkelcentrum
Aantal units in een winkelcentrum
Gemiddelde unitgrootte in een winkelcentrum
Aantal retail- en/of servicecategorieën in een winkelcentrum
Aantal ‘merken’ in een winkelcentrum
‘Herfindahl’-index: retail categorieën in winkelcentrum x
‘Herfindahl’-index : retailmerken in winkelcentrum x
+/+
+/+
+/+
+/+
+/+
+/+
+/+
Uit de empirische resultaten van het onderzoek naar huurdersmix-variëteit kan het volgende
geconcludeerd worden. Hoe groter het winkelcentrum / winkelunit en hoe meer units,
retailcategorieën, merken, concentratie en diversiteit, hoe hoger de huur. Daarnaast is er een factoranalyse 7 factoren (groepen met categorieën) op de hoogte van de huur. In deze 7 factoren zijn 28
retail/ service-categorieën opgenomen. Hieruit kwam naar voren dat winkelcentra met hogere
concentraties van categorieën in Factor 1 en Factor 2 (Yuo et. al., 2004) van significante invloed
waren op de huurprijs.
Des Rosiers et. al. (2003) maken ook meerdere modellen voor het onderzoeken van 10 verschillende
winkelcentra in Quebec City, Canada. Hier niet een model voor de individuele variabelen (zoals in
Yuo et. al., 2004) maar een stapsgewijze aanpak om de verschillende hypothesen te kunnen toetsen.
De studie maakt gebruik van een telefonisch onderzoek waarin informatie over 174,000 bezoeken
aan Quebec in kaart is gebracht. Twee ruimtelijke indexen zijn hiermee ontwikkeld, de EPI (economic
Potential Index) en de CAI (Center Attraction Index). In een drie-stappenplan wordt de basishuurprijs
in model 1 geregresseerd met het winkelgrootte (GLA) en de voornaamste retailcategorieën. In
model 2 wordt getoetst of de huurprijs afhankelijk is van het type producten wat er verkocht wordt
26
Hedonisch prijsmodel voor winkelvastgoed
(product line) en het type winkelcentrum. Vervolgens wordt in model 3 aangevuld met de toets of de
CAI en EPI van invloed zijn.
Tabel 5: Empirische kenmerken uit: Des Rosiers et. al. (2005), eigen bewerking
Des Rosiers, Thériault, Ménétrier (2005)
Y (afhankelijke variabele)
Onderzoekseenheid (#,land)
N (steekproefgrootte)
SEE (Std. Error of Est.)
R2/Adj. R Square (LN)
Totaal aantal β-variabelen
Size, Retail mix attributes,
Center image attributes
Space related indices (EPI &
CAI)
Basishuur in een natuurlijk logaritme (LnBaseRent/sq.ft.)
(Supra)Regional and community shopping centers. (8, CA)
1007 (winkelunits)
0.536
0.583
11 (Model 4c)
Ln_bruto WVO (+/-), Juwelier, Kleding, Schoenwinkel, FastFood,
Dienstverlening, Bank, Specialiteiten, Kiosk,
Economic Potential Index (+/+) en Center Attraction Index (+/-).
De resultaten van het laatste model (4c) laten zien dat het bruto winkelvloeroppervlak de sterkste en
negatieve relatie heeft met de basishuur, die als zodanig vermeld is in het huurcontract. De bruto
WVO-parameter kan worden geïnterpreteerd als een elasticiteitscoëfficient, en suggereert dat een
10% toename van het het bruto winkelvloeroppervlak van een unit resulteert in een daling van de
winkelhuurprijs met 4,18% (Des Rosiers et. al., 2005). Net als in andere studies (Yuo, et. al., 2004,
Bakker, 2011), komt dus ook hier een negatieve relatie tussen de huurprijs en de unitgrootte terug.
De volgende sterkste relatie is gevonden met de categorie kiosken. Naast deze kiosken dragen
juweliers, kledingwinkels, schoenwinkels, fastfood restaurants en banken aanzienlijk bij aan de
rentabiliteit van winkelcentra en compenseren voor een groot deel voor de lage huuropbrengsten uit
´Anchor stores´(trekkers). Zoals eerder beschreven bij Majoor (2009) komt hier de relatie tussen de
huurprijs en het aandeel fashion-winkels weer terug. De derde meest significante factor is de EPI.
Het Economic Potential Index-cijfer geeft aan wat het verkooppotentieel is van een winkelcentrum
en is opgebouwd uit de variabelen: ´jaarlijks persoonlijk inkomen´en het ´aantal daadwerkelijke
klanten per winkelcentrum´. Elke verhoging van deze EPI met 1 punt verhoogt de huur met 3,5%. Een
andere factor waar in deze studie de aandacht naar uit gaat is de CAI (Center Attraction Index). Deze
index, gebaseerd op de gravitatietheorie van Reilly (1929/1931), meet de gecombineerde invloed van
de winkelcentrumgrootte en het kwadraat van de afstand van een consument tot datzelfde
winkelcentrum. De gevonden relatie van de CAI met de huurprijs is zeer zwak en ook negatief, terwijl
de verwachtte relatie positief was. Dit wordt verklaard doordat in Quebec een hogere
populatiedichtheid zou samenhangen met lagere inkomens, met een bijkomstig drukkend effect op
de huurprijs.
Een index gebaseerd op daadwerkelijke winkelbewegingen en het
huishoudensinkomen (EPI) biedt in deze studie een beter inzicht in het marktpotentieel en de impact
op commerciële huurprijsniveaus dan de index op basis van het meer klassieke Graviteitsmodel CAI.
In een recente studie van Nase en Adair (2012), onderzoeken zij een unieke dataset met 301
transacties van binnenstedelijke winkelunits in Belfast, Noord-Ierland (VK). Ze overbruggen een
aanzienlijke kloof in de literatuur over hedonische prijsstudies door de toegevoegde waarde van
ontwerpkwaliteit mee te nemen. Ontwerpkwaliteiten, zoals onder andere: gevelkwaliteit,
frontbreedte, pandligging (hoekpand, tussenpand, en dergelijke) en plattegrondindeling zijn vrij
onconventionele variabelen in datasets. De onderzoekseenheid verschilt van de eigen empirische
Tauw, H.
27
Huurprijs en rendement van winkelvastgoed
studie, maar vanwege het unieke karakter van deze (nieuwe) studie, is deze toch opgenomen in het
overzicht van de literatuur.
Tabel 6: Empirische kenmerken uit: Nase et.al. (2012), eigen bewerking
Nase & Adair (2012)
Y (afhankelijke variabele)
Onderzoekseenheid
N (steekproefgrootte)
R2 (Ln)
R2 Adjusted (Ln)
Totaal aantal β-variabelen
Fysieke karakteristieken
Marktkarakteristieken
Ruimtelijke variabelen
Tijdsafhankelijke variabelen
Kwaliteits & ontwerpvariabelen
Natuurlijk logaritme van de winkelunit huurprijs in £/m2
A1 kerngebied winkelunits/ High street retail properties (Belfast,
VK)
301
0,719
0,699
20
Age, Zoned, Return, Corner, Connect, Front, AttIndex1,
AttIndex2, Dist_centre, Vacancy, MQ, Fenestration, Massing,
National, International, Review, Lease, Transaction year; 19982001, 2002-2005 and 2006-2009.
Wat de algemene voorspellingskracht (R2) van het model betreft, verklaart dit model 72 procent van
de variantie in de eenheid huurprijs. De toetsen voor normaliteit, multicollineairiteit en
heteroskedasticiteit worden ook goed doorstaan. De variabelen, weergegeven in tabel 6 zijn allemaal
minimaal tot op 95% niveau significant.
In dit uiteindelijke regressiemodel blijkt de variabele Dist_centre (afstand tot een gekozen centraal
punt in Belfast) de belangrijkste bijdrage te leveren. Ten tweede is Zoned een belangrijke variabele,
dit is een dummyvariabele waarin is opgenomen of de huurprijs via de ITZA-methode (In Terms of
Zone A) is berekend (=1) of de NIA (Net Internal Area) methode (=0). De vraag is dus gesteld of de
huurprijs is gecorrigeerd voor de kwaliteit van de ruimte in termen van breedte, diepte en
verdiepingshoogte van de winkelunit. Ten derde MQ, de mate van inpassing van de winkelfacadein
het straatbeeld, is tevens van significante invloed. Ten vierde was hier de karakteristiek van de
huurder significant: International of National. Internationale en nationale huurders betalen volgens
deze studie een hogere huurprijs ten opzichte van de lokale huurders. Een onverwachte vondst is dat
de leeftijd van een winkelunit (variabele Age) van positieve invloed is op de huurprijs (+/+). De
omgekeerde relatie (+/-) was verwacht door de auteurs. Een andere onverwachte vondst was dat het
leegstandscijfer (gemeten als het aantal lege units in 100 meter omliggende winkelgevel) een
positieve relatie had met de huurprijs. Hier worden geen verklaringen voor gegeven.
Een van de vroegere studies naar de huurprijsdeterminanten is ´The Determinants of Shopping
Center Rents´ van Sirmans en Krisandra A. Guidry. Zij hebben empirisch onderzoek verricht naar de
determinanten die de variantie verklaren van gemiddelde winkelhuurprijzen van 55 winkelcentra in
de stad Baton Rouge, Louisiana, Verenigde Staten. De te verklaren variabele is de gemiddelde
huurprijs per winkelcentrum. De veronderstelde relaties met deze huurprijs zijn (tabel 7):
DRAW:
DESIGN:
LOC:
MKT:
een vectorgetal van de klant-aantrekkingskracht van het betreffende winkelcentrum.
eigenschappen van het ontwerp van het gebouw.
locatiekarakteristieken.
marktkarakteristieken.
28
Hedonisch prijsmodel voor winkelvastgoed
Tabel 7 Empirische kenmerken uit Sirmans et al. (1993), eigen bewerking
Sirmans & Krisandra A. Guidry (1993)
Y (afhankelijke variabele)
Onderzoekseenheid
N (steekproefgrootte)
R2/Adj. R Square
Totaal aantal β-variabelen
DRAW-variabele
DESIGN-variabele
LOC-variabele
MKT-variabele
Ln Average Rent / sq. ft. per shopping centre
Shopping centres (VS, Louisiana)
55
0,85 (WLS)
14
Size, Age, Type of anchor tenant.
Mall shape, Cluster shape, L-shape, U-shape
Location 1, Location 2, Location 3, Traffic count
Vacant space, Population, Capita Income.
De parameter coefficient voor de grootte (m2) van een shopping mall is positief significant , wat
aantoont dat grote winkelcentra hogere huurprijzen voeren in de markt.. De studie bewijst dat een
toename van 10,000 square feet (929 m2) een huurprijsstijging van 1 procent bewerkstelligd. Zoals
ook in andere studies is aangetoond (Bakker, 2011: Koot , 2009, Nase & Adair, 2012) wordt een
negatieve relatie gevonden tussen het bouwjaar (Age) en de huurprijs. De reden die hiervoor
opgegeven wordt is dat nieuwere centra een grotere aantrekkingskracht hebben op consumenten,
en retailers om die reden bereid zijn om hogere huurprijzen te betalen. Net als nationale retailers
(anchor tenants) overigens , gezien deze huurders statistisch gezien ook hogere huren betalen.
(Sirmans et. al. , 1993, 113). De ruimtelijke indeling van een winkelcentrum is ook belangrijk, deze
studie toont aan dat mall-shaped winkelcentra hogere huurprijzen hebben dan de andere vormen; Lvorm, U-vorm en clustervorm.
De drie locaties, allen in oudere delen van de stad met lagere inkomensgroepen, laten een negatieve
relatie zien met de huurprijs. Wanneer de locatie aan een drukke weg ligt (meer dan 20,000 autos
per dag) dan zien Sirmans et. al. een positieve relatie met de huurprijs.
De marktkarakteristieken laten zien dat centra met een hoger leegstandscijfer, lagere huurprijzen
hebben. De coëfficienten voor ‘bevolking’ (Population) en inkomen per inwoner (Capita Income) zijn
beide positief en significant tot op het 10% niveau (**).
3.3
Conclusie
Op de volgende 2 pagina’s is de concluderende variabelentabel weergegeven, waarin de variabelen
die in de literatuur en huurprijsverklarende studies voorkomen, zijn opgenomen. De variabelen zijn
naar inzicht van de auteur gerangschikt in 4 categorieën: 1: Consument, aantrekkingskracht en
imago, 2: Ontwerp- en gebouwkenmerken, 3: Locatie en 4: Markt. Bij elk van de variabelen is het
significantieniveau weergegeven, welke is gevonden in de corresponderende studie. Deze staan
respectievelijk ten opzichte van de volgorde van auteurs in de tabel. Dan is ook weergegeven welke
relatie er in deze studies is gevonden met de afhankelijke variabele. Na de empirische toetsing in dit
onderzoek zal er weer teruggegrepenen worden naar deze variabelentabel om die zien welke
verschillen en overeenkomsten er gevonden zijn.
Tauw, H.
29
Huurprijs en rendement van winkelvastgoed
Tabel 8: Huurprijsbepalende variabelentabel
Statistische significantie: * = 0,05 **=0,01 ***=0,001
Huurprijs (onafhankelijke variabele)
Variabele
Significantie
(*/**/***)
Auteurs
Teken
(Inter)nationale retailer / Trekkers
**/ */ **/*
Sirmans et. al. (1993), Koot (2006),
Majoor (2009), Nase et. al. (2012)
+/-
Concurrentie laag/ hoog
*
Koot (2006).
+/-
Percentage mode in gebied
**
Majoor(2009).
+
Passanten (aantallen)
**/***/ ***
Majoor (2009), Bakker (2011), Nase
et. al. (2012)
+
Standplaatskwaliteit
**/ **
Majoor (2009), Bakker (2011)
+/-
Winkelgebiedsgrootte
**
Majoor (2009)
+
Merknaamconcentratie/ Aantal merken
***/***
Bakker (2011), Yuo, et. al.(2004).
+
Branchering van de winkelunit/ Aantal
branches in het winkelgebied en
brancheconcentratie
***/ ***/***
Bakker (2011), Yuo et. al. (2004),
Des Rosiers et. al. (2005).
+/-
Zelfstandige ondernemer
***
Bakker (2011).
-
Type winkelsegmentatie
***
Des Rosiers et. al.
+/-
Ruimtelijke structuur/
**
Sirmans et. al. (1993)
+/-
Winkelcentrumgrootte (m2/ units)
**/***/***/***
Sirmans et. al. (1993), Koot (2006),
Bakker (2011), Yuo et. al. (2004)
+
Leeftijd/ Bouwjaar (winkelcentrum)
**/ **
Sirmans et. al. (1993), Koot (2006)
-
Winkelunitgrootte (m2)
***/ ***/ ***
Bakker (2011), Yuo et. al. (2004),
Des Rosiers et. al. (2005),
-
Ligging van unit in object/winkelgebied
***
Nase et. al. (2012)
+/-
Consument, aantrekkingskracht en imago.
Ontwerp- en gebouwkenmerken
30
Hedonisch prijsmodel voor winkelvastgoed
Locatie
In slechte wijk (inkomen)
***
Sirmans et. al. (1993)
-
Ligging t.o.v. verkeersweg
**
Sirmans et. al. (1993)
+
Parkeergelegenheid slecht
**
Koot (2006)
-
Betaald parkeren
**
Koot (2006)
+
Afstand tot het centrum
***
Nase et. al. (2012)
-
Leegstand
**/***
Sirmans et. al. (1993), Nase et. al.
(2012),
+/-
Bevolking/Aantal inwoners 2 km/ 10 km
***/
***
**/
Sirmans et. al. (1993), Majoor
(2009), Bakker (2011) Des Rosiers
et. al. (2005)
+
(Besteedbaar) Inkomen inwoner
***/**/***/***
Sirmans et. al. (1993), Koot (2006),
Bakker (2011), Des Rosiers et. al.
(2005)
+
Methode huurprijsbepaling
***
Nase et. al. (2012)
+/-
Transactiedatum huurcontract
***
Nase et. al. (2012)
+/-
Markt
**/
Tauw, H.
31
Huurprijs en rendement van winkelvastgoed
4
Methodologie
In dit hoofdstuk wordt de methodologie achter het onderzoek behandeld, waarin alleereerst de
selectie van het onderzoeksveld wordt uitgelegd. Gezien er gebruik wordt gemaakt van data uit
verschillende bronnen wordt de afkomst en koppeling besproken in respectievelijk paragraaf 2 en 3.
Het
4.1
Selectie winkelobjecten: onderzoeksveld.
In deze paragraaf wordt beschreven aan de hand van welke selectiecriteria de gegevensverzameling
voor de steekproef zal voldoen. Hierin zijn een aantal onderwerpen weergegeven; de operationele
status van een object, het winkelsegment, de rendementsperiode en de eigendomssituatie.
Status – jaar: de status van een object geeft aan of dit object in dat jaar aangekocht is, in
(her)ontwikkeling is, in verkoop, er deeltransacties hebben plaatsgevonden of geclassificeerd kan
worden als ´standing investment´. In alle andere gevallen dan een standing investment (een geheel
jaar in normale exploitatie) zou dat de huuropbrengstgegevens en rendementsgegevens kunnen
beïnvloeden. Om die reden is hier een filter op toegepast.
Segment en Winkelsegmentatie: in beginsel worden winkels uit alle segmenten meegenomen in dit
onderzoek: de centra van grote steden, middelgrote steden, kleine steden en ondersteunende
winkelgebieden daarvan. Vervolgens dient er rekening gehouden te worden met de inventarisaties
van onderzoeksbureau Locatus. Met uitsluiting van de winkelsegmenten: verspreide bewinkeling,
grootschalige concentratie en speciale winkelgebieden worden in alle andere winkelsegmenten
jaarlijkse metingen verricht en kunnen worden opgenomen in het onderzoek.
Totaal rendement (3/5jrs gemiddeld): vervolgens is het van belang om het direct, indirect en
totaalrendement te kunnen onderzoeken. De IPD geeft aan welke objecten een totaalrendement
hebben wat over de afgelopen 5 jaar gemeten is, waarop een filter is aangebracht. Op die manier zijn
er rendementsgegevens van 2010-2014 beschikbaar en kan de onafhankelijke variabele van het
rendementsmodel zowel het rendement in jaar 2013 zijn, het gemiddelde van de afgelopen 3 jaar als
het gemiddelde van de afgelopen 5 jaar.
Eigendomssituatie (klantnummer): Winkelbeleggingsobjecten worden in sommige situaties verdeeld
onder verschillende eigenaren (participaties genoemd). Zo kan het bijvoorbeeld voorkomen dat 1/3de
van een object in bezit is van een partij, wat er in de praktijk op neerkomt dat deze objecten geen
heel getal aan winkels bevatten. In een object met 10 winkels zouden dit bijvoorbeeld 3,33 winkels
zijn. Om een zo zuiver mogelijke dataset te creeëren is ervoor gekozen om deze participaties weg te
laten uit de dataset en volledige participaties mee te nemen.
U_VerhuurdStatus / Huurprijs
In de administratie van de winkelunits wordt er een theoretische jaarhuurprijs gerapporteerd. Deze
bestaat voor verhuurde units uit een daadwerkelijk gerealiseerde contracthuurprijs en voor de
leegstaande objecten wordt hier de (door de taxateur vastgestelde) markthuurprijs gerapporteerd.
Ten behoeve van de zuiverheid van de data is er in dit onderzoek alleen gebruik gemaakt van de
32
Hedonisch prijsmodel voor winkelvastgoed
contracthuurprijzen uit de winkelunits met een lopend huurcontract of een opgezegd maar (nog)
lopend huurcontracten.
4.2
4.2.1
Dataverantwoording, koppeling, beschrijving variabelen en bewerking
Data: ROZ/IPD, Experian en Locatus
ROZ/IPD (codering U of O)
IPD is een mondiale leverancier van vastgoedprestaties en risico-analyse en biedt essentiële
marktinformatie aan onder andere vastgoedbeleggers wereldwijd. Deze partij controleert de door
Syntrus Achmea RE&F aangeleverde data en berekent hiermee (in samenwerking met ROZ) als
onafhankelijke partij de performance van een vastgoedportefeuille. Deze performance houdt de
uitkomst in van de vergelijking van de resultaten van (bijvoorbeeld) een vastgoedportefeuille van
belegger x met de Benchmark (IPD, 2007: 4). De Benchmark betreft vervolgens het gemiddelde
beleggingsresultaat van de deelnemers aan de perfomancemeting. Wanneer het resultaat beter is
dan de Benchmark wordt er gesproken over een zogenaamde out-performance en wanneer er
slechter wordt gescoord dan de benchmark is er sprake van underperformance. De gebruikte
begrippen in deze thesis zijn overeenkomstig met die in de ROZ/IPD Vastgoedindex. Alle financiele
objectdata in deze thesis is door IPD aangeleverd, welke een kwaliteitsgarantie biedt voor het
onderzoek.
Experian (codering EX)
Experian is een wereldwijd toonaangevende informatieleverancier voor het leveren van data en
analytische instrumenten aan hun klanten. Voor deze thesis zijn twee databanken van Experian
aangesproken: ‘Consumerview’ en ‘Modellenbank’. Consumerview is de database die inzicht geeft in
specifieke kenmerken op sociaal-economisch gebied en in de levensstijl van alle huishoudens in
Nederland. Consumerview bevat 40 demografische kenmerken per huishouden, waaruit 5 variabelen
zijn gekozen om op te nemen: koopkracht, huishoudens met een bepaalde woningwaarde (WOZ),
het aantal huishoudens, het totale populatieaantal en inkomensgroepen. Deze variabelen zijn
allemaal gekoppeld aan de bereikbaarheid van het winkelgebied, omdat er rekening is gehouden met
de reistijd van een ‘potentiele consument’ van de eigen voordeur tot de winkel. Modellenbank is
verzameling modellen die gemaakt zijn op basis van bestaande data die voorspellingen doen van een
veelzijdig spectrum aan thema’s, hier is gekozen voor een fictieve supermarkt en een fictieve drogist.
Locatus (codering LU, LU_RRI of LO_RRI)
Locatus is als onafhankelijke bron de marktleider op het gebied van winkelinformatie in de Benelux.
Locatus verzamelt informatie over alle winkels en consumentgerichte, diensverlenende partijen. De
verzamelde gegevens, zoals winkel(naam), winkelvloeroppervlak en branche worden geregistreerd in
de database. Naast gegevens op pandniveau bevat de database ook gegevens over winkelgebieden
(typen), verzorgingsgebieden en winkelpassanten.
Tauw, H.
33
Huurprijs en rendement van winkelvastgoed
4.3
Koppeling datasets
Zoals eerder beschreven worden meerdere databronnen geraadpleegd om een database te
creeëren. Deze verschillende datasets dienen aan elkaar gekoppeld te worden om op hetzelfde
aggregatieniveau dezelfde onderzoekseenheden te kunnen onderzoeken.
In figuur 9 hieronder is schematisch weergegeven hoe de dataverzameling eruit ziet.
Figuur 9 Schematische weergave dataset
De figuur visualiseert dat winkelgebieden uit 1 of meer winkelobjecten bestaat. Elk object kan
vervolgens één of meerdere winkelunits hebben. Een winkelobject is in deze studie gelijkwaardig aan
een beleggingsobject, zoals klanten van vermogensbeheerders deze in portefeuille hebben. Een
voorstelling van een object is bijvoorbeeld een fysiek afgebakend bouwblok binnen een
winkelgebied, waarin meerdere winkelunits gehuisvest zijn. De beleggingsprestatie van een
winkelobject is om die reden een totaalresultaat van de winkelunit(s) welke zich in het object
bevindt/bevinden. Kosten die een belegger maakt zijn vaak van toepassing op het gehele object, en
worden dus over het object gedeeld. Voor de inkomsten uit een beleggingsobject geldt hier
hetzelfde. De belegger berekent op die manier het rendement op winkelobject-niveau. De
afzonderlijke units binnen een object worden echter verhuurd aan verschillende huurders, met elk
een eigen contracthuurprijs.
De dataset waarin de huurprijs is opgenomen is een compleet andere dataset dan die van Locatus.
Om deze data te kunnen koppelen aan de winkeldata van Locatus, dient er een overeenkomstige ID
aanwezig te zijn tussen de administratie van de huurprijzen van de winkelunits en de . Locatus heeft
het model zo gemaakt dat er op basis van de postcode (een 4 cijfer- en 2 lettercombinatie) en
adresnummer RRI gegevens opgevraagd kunnen worden. Deze bij lange na niet overeenkomstig met
34
Hedonisch prijsmodel voor winkelvastgoed
de dataset van Syntrus Achmea RE&F, waardoor deze gematched dienden te worden. Deze matching
is gedaan in het database programma Microsoft Access.
Op het niveau van het winkelobject, verzorgt de bijbehorende postcode (PC6) de koppeling met de
variabelen die geleverd zijn door Experian. Door een postcode aan te leveren was het voor Experian
mogelijk om reistijden tot een winkel mee te nemen. Reistijden zijn gespecificeerd van 5, 10,15,30 en
45 minuten tot de winkel. Op die manier is het mogelijk om het aantal mensen (de populatie of
huishoudens) in een reistijd van 5 minuten mee te kunnen nemen in dit onderzoek.
4.4
Variabelenbeschrijving met verwachte relaties
De variabelen hebben betrekking op twee meetniveaus; het winkelunitniveau met 1011 winkels en
het objectniveau met daarin 301 objecten. De winkelunits zijn allemaal gelegen in elk van de
objecten, wat betekent dat een gemiddeld winkelobject bijna 4 winkelunits bevat.
Allereerst de afhankelijke variabelen, te beginnen met de afhankelijke variabele van de winkelunit en
vervolgens de afhankelijke variabele van het object:
Unit_Ln_Th_huurprijs_m2: is de variabele die verklaard dient te worden in het huurprijsmodel op
winkelunitniveau. Dit is de jaarhuurprijs die afgesloten is met de huurder, en in theorie de huur is van
de winkelunit per m2 per jaar. Voor de leegstaande objecten is de markthuur opgenomen. Deze
variabele is logaritmisch getransformeerd, vandaar de ‘Ln’ (natuurlijk logaritme) in de codering.
Object_Totaal_rendement_2013: is de variabele die verklaard dient te worden in het
rendementsmodel op objectniveau. Dit is het totaalrendement van een object welke in 2013 is
gerealiseerd. Er kan mogelijk gekozen worden voor het verklaren van het 3jaars/5jaars rendement,
wanneer dit een betere afspiegeling van de werkelijkheid biedt (minder fluctuatie bijvoorbeeld).
Vervolgens de onafhankelijke variabelen:
U_Energielabel: Van alle winkels hebben er 1026 een energielabel (87%), welke uiteenlopen in 9
categorieën (A++, A+, A, B, C, D, E, F, en G). Van elk van deze units is tevens het Energie-index cijfer
beschikbaar.
Verwachte relatie: uit een studie van Vlasveld (2012:33) komt naar voren dat het energielabel in het
uiteindelijke model (7) geen significante relatie met het direct rendement (huurrendement) heeft.
Echter de onafhankelijke variabelen in deze studie zijn verschillend (totaalrendement en huurprijs).
De verwachting is dat winkels met een beter label een lagere huurprijs hebben, gezien veelal
historische panden op A1 locaties lage labels hebben en hoge huurwaarden. De verwachting voor de
invloed op het totaalrendement is dat een beter label een lager rendement biedt. Daarbij wordt de
energie-index te gebruikt (Vlasveld, 2012: 26) gezien deze data normaler verdeeld is en continue data
is in tegenstelling tot de categorale data van de energielabels.
U_Verhuurd_status: De status van een object kan verschillen. Verreweg het grootste deel van de
dataset bevat winkelunits die verhuurd zijn met een lopend huurcontract (1011:85%). In 163 winkels
is het contract opgezegd door de huurder (15%). Dit wil echter niet zeggen dat het pand al leeg staat.
Tauw, H.
35
Huurprijs en rendement van winkelvastgoed
Verwachte relatie: Wanneer een winkelunit leeg staat is het evident dat de contracthuurprijs gelijk is
aan nul. Er wordt dan ook geen relatie gezocht tussen leegstand en de huurprijs. In dit onderzoek
worden daarom alleen de lopende contracten en opgezegde (maar nog lopende) huurcontracten
meegenomen.
U_huurder: Van alle winkels staan er 111 leeg, de huurder is dan aangegeven als LEEGSTAND. Dit
betekent een leegstandspercentage in verkooppunten van 9,5% voor deze dataset.
Verwachte relatie: Wanneer een winkelunit leeg staat is het evident dat de contracthuurprijs gelijk is
aan nul. Het type huurder kan echter van belang zijn en dit wordt onderzocht in de variabele
LU_FORMULE, welke verderop beschreven wordt.
U_oppervlakte: Deze variabele geeft de verhuurbare vloeroppervlakte (VVO: NEN2580) van een unit
weer. Wanneer men de Theoretische jaarhuur deelt door het VVO levert dit de theoretische
huurprijs per vierkante meter (U_Th_Jaarhuur_m2) op. De leegstand betekent een onverhuurd
oppervlak van 26.388 vierkante meter, welke vervolgens 5,7% behelst van het totaaloppervlak in
deze dataset van 463.210 vierkante meter.
Verwachte relatie: hoe groter de winkelunit hoe lager de huur. Voor het totaalrendement is de
verwachting dat een groter object een hoger rendement geeft.
U_contractingangsjaar_lopend_en_opgezegd: geeft weer in welk jaar in het verleden het allereerste
contract met een huurder is aangegaan. Deze data zijn verspreid tussen 1974 en 2013. Voor de
lopende huurcontracten (ook contracten die opgezegd zijn en nog lopen) is het mogelijk te
berekenen hoe lang er reeds een huurovereenkomst is met dezelfde huurder.
Verwachte relatie: in beginsel is het de verwachting dat langere looptijden corresponderen met
lagere huurprijzen en lagere rendementen. Het is echter mogelijk dat fluctuaties in de economische
trend hebben kunnen leiden tot hoger of lager afgesloten contracthuurprijzen in het verleden. Dit
effect zal dan ook gemodelleerd worden in het empirische deel.
U_Contractduur Door het contractingangsjaar af te trekken van het contractexpiratiejaar wordt een
variabele voor de contractduur gemaakt. De contractexpiratiejaren zijn verspreid tussen 2013 en
2026.
Verwachte relatie: wanneer een retailer bereid is om een lang huurcontract af te sluiten, en/of al een
lange tijd in dezelfde winkelunit operationeel is, zal dit een lagere huurprijs en een lager rendement
moeten opleveren.
U_Markthuur: is de huur die opgegeven is door de taxateur als zijnde de markthuur op het moment
van de laatste taxatie.
Verwachte relatie: deze variabele wordt niet onderzocht in dit onderzoek, gezien contracthuurprijzen
de meest zuivere benadering zijn van een prijs die is overeengekomen tussen huurder en verhuurder
van een winkelunit.
LU_FORMULE: deze variabele geeft aan of een winkel gehuurd wordt door een formulebedrijf
(nationale/internationale keten) of een zelfstandige ondernemer. In deze dataset zijn 715/1173
(61%) ketens en het overige deel (39%) ofwel zelfstandige winkeliers danwel leegstand.
36
Hedonisch prijsmodel voor winkelvastgoed
Verwachte relatie: de verwachting is dat formulebedrijven hogere huren betalen dan zelfstandig
ondernemers en dat er op ketenbedrijven lagere rendementen kunnen worden behaald.
LU_BRANCHE: Deze variabele heeft informatie over in welke branche een winkel actief is. In totaal
zijn er 119 verschillende branches uitgesplitst. Hieronder bevallen bijvoorbeeld delicatessen,
pinautomaten, slagerij en optiek.
Verwachte relatie: gezien de verscheidenheid aan branches wordt in deze studie de volgende
variabele meegenomen (LU_HOOFDBRANCHE) waar een duidelijkere relatie verwacht wordt.
LU_HOOFDBRANCHE: Een minder gedetailleerd maar overzichtelijk beeld geeft de hoofdbranche
waarin een winkel geclassificeerd kan worden. Hierin worden 25 hoofdbranches onderscheiden. Een
kapper en een schoonheidssalon zijn hierin bijvoorbeeld beiden een ‘ambacht’-branche geworden.
Verwachte relatie: zoals in de literatuurstudie wordt aangegeven bij Rosiers et. al (2005) worden er
met bepaalde branches significante relaties verwacht met de hoogte van de huur. Deze verwachting
wordt geadopteerd naar het rendement.
LU_GROEP: In deze variabelen worden branches gegroepeerd in 9 groepen die te maken hebben met
het koopmotief. Hier wordt bijvoorbeeld uitgesorteerd welke winkels dienstverlenend zijn, leisure
activiteiten bevatten of dat consumenten hier voor de dagelijkse benodigdheden terecht kunnen.
Verwachte relatie: wanneer er aanleiding toe is wordt deze variabele gebruikt in plaats van de
LU_HOOFDBRANCHE variabele. Dan wordt dezelfde relatie verwacht.
LU_PASSANTEN: Dit is de variabele die een indicatie geeft van de passanten bij een winkel. Deze
variabele is voor 517 winkels afwezig (44%), waar deze niet gemeten zijn. Bij 656 winkels is deze
echter wel aanwezig. Deze variabele is weergegeven in absolute getallen.
Verwachte relatie: hoe hoger het passantenaantal hoe hoger de huur, en hoe lager het rendement.
LU_STANDPLAATSKWALITEIT: Deze variabele geeft de standplaatskwaliteit van een winkel, en is een
vertaling van de passantenvariabele in verschillende categorieën, maar relatief ten opzichte van
andere winkels(traten) in het gebied. Dit levert een classificatie op, die relatief moet worden
geinterpreteerd, van A1-locaties (goed), naar A2, B1, B2 naar C-locaties (slecht).
Verwachte relatie: op goede locaties worden hogere huurprijzen betaald, maar is het risico lager en
wordt een navenant lager rendement verwacht.
LU_WINKELGEBIEDSHOOFDTYPE: Het hoofdtype van een winkelgebied valt een in twee
mogelijkheden. Het is een centraal winkelgebied (eerste binnen haar gebied) of het is een
ondersteunend winkelgebied, welke nooit het hoofdcentrum is in de omgeving.
Verwachte relatie: in centrale winkelgebieden worden statistisch significante hogere huren betaald
dan in ondersteunende winkelgebieden. De totaalrendementen in centrale locaties zijn lager.
LU_WINKELGEBIEDSTYPERING: Zoals beschreven in hoofdstuk 1 zijn er meerdere typen
winkelgebieden. Deze variabele geeft aan in welke van de 13 typen winkelgebieden deze ligt. Er
wordt verondersteld dat er een hierarchische opbouw is van deze winkeltypen.
Tauw, H.
37
Huurprijs en rendement van winkelvastgoed
Verwachte relatie: in winkelgebieden van een ‘hogere orde’ worden statistisch significante hogere
huurprijzen behaald dan in die in een ‘lagere orde’. De totaalrendementen zijn lager in een hogere
orde.
LU_PROVINCIE: De dataset beschikt ook over een provincie variabele, wat het mogelijk maakt om in
grove lijnen het effect de ligging binnen Nederland op te nemen. Een Randstad- niet-Randstad
dummy variabele is ook mogelijk. Uit de frequentietabel komt naar voren dat het grootste aantal
units in e dataset gelegen is in Zuid-Holland (24 %), gevolgd door Noord-Holland (17%), Gelderland
(15%), Noord-Brabant (14%) en de overige provincies (<10%).
Verwachte relatie: de verwachting is dat in gebieden waar de leegstand laag is en/of in de Randstad,
de huurprijs hoger is dan daarbuiten en de rendementen lager zijn.
LU_INW_02/05/10 en LU_INW: Deze 3 variabelen bevatten het aantal inwoners vanaf de
desbetreffende postcode van het object waar de unit in ligt, in een straal van 2km, 5km en 10km. De
4de variabele is het aantal inwoners van de gemeente waarin de winkel zich bevindt.
Verwachte relatie: ondanks dat deze variabele in andere studies significant wordt bewezen, wordt in
deze studie aangenomen dat het nemen van een straal rondom een winkel een minder accuraat
beeld geeft van het aantal inwoners dan een variabele die de daadwerkelijke reistijd berekent Om
die reden wordt de variabele EX_5/10/15/30/45Minuten_POP ook meegenomen in de regressie.
EX_5/10/15/30/45Minuten_HHS: Dit zijn 5 variabelen met elk een andere reistijd vanaf de
desbetreffende postcode van het object waar de unit in ligt. Hierin is berekend hoeveel huishoudens
(HHS) binnen 5, 10, 15, 30 en 45 minuten reizen vanaf die postcode liggen.
Verwachte relatie: hoe meer huishoudens in een reistijd van 5/10/15/30/45 minuten hoe hoger de
huurprijs en hoe lager het rendement.
EX_5/10/15/30/45Minuten_POP: Dit zijn 5 variabelen met elk een andere reistijd vanaf de
desbetreffende postcode van het object waar de unit in ligt. Hierin is berekend hoe groot de
populatie (POP) is binnen 5, 10, 15, 30 en 45 minuten reizen vanaf die postcode.
Verwachte relatie: hoe groter de populatie in een reistijd van 5/10/15/30/45 minuten hoe hoger de
huurprijs en hoe lager het rendement.
EX_5/10/15/30/45Minuten_Income1/2/3/4/5: Dit zijn 5 variabelen met elk een andere reistijd vanaf
de desbetreffende postcode van het object waar de unit in ligt. Hierin is berekend hoe groot de
populatie (POP) is binnen 5, 10, 15, 30 en 45 minuten reizen vanaf die postcode, met een beneden
modaal (1), modaal (2), 1,5 keer modaal(3), 2 keer modaal (4) en meer dan 2 keer modaal (5)
inkomen. Een modaal inkomen (2) is tussen de 26.000 en 40.000 euro.
Verwachte relatie: hoe groter de populatie in een gebied met een hoog inkomen, hoe hoger de
huurprijs en hoe lager de rendementen.
EX_5/10/15/30/45Minuten_KKR_deciel_1-10: Dit zijn 50 ‘dezelfde’ variabelen met elk een andere
reistijd vanaf de desbetreffende postcode van het object waar de unit in ligt. Hierin is berekend hoe
groot de populatie is met een koopkracht (van 1=laag tot 10=hoog) binnen 5, 10, 15, 30 en 45
minuten reizen vanaf de postcode van het object.
Verwachte relatie: hoe groter de koopkracht hoe hoger de huurprijs en hoe lager het rendement.
38
Hedonisch prijsmodel voor winkelvastgoed
10Minuten_WOZ_0-10: WOZ staat voor Waardering onroerende zaken en betreft de waarde van een
woonhuis voor de belasting. Dit zijn 11 ‘dezelfde’ variabelen op 10 minuten reizen van de
desbetreffende postcode van het object waar de unit in ligt. Hierin is berekend hoe groot de
populatie is met een lage tot hoge WOZ waarde (van 0=geen en 1=laag tot 10=hoog) binnen 10
minuten reizen vanaf de postcode van het object.
Verwachte relatie: hoe hoger de WOZ waarde van de woonhuizen van de huishoudens binnen 10
minuten reizen van de winkel hoe hoger de huur, en hoe lager het rendement.
G163_Etos: Deze gemodelleerde variabele wordt beschreven als ‘Zaak kopen
drogisterijartikelen/parfum: ‘Etos’: Geregeld’. Dit is een “estimated market size” variabele, een
geschatte marktgrootte voor een fictieve vestiging van een drogisterij genaamd: ‘Etos’. Hier is
gekozen voor een drogisterij, aangzezien dit een van de meest voorkomende branches is en voor
zowel kleine als grote verzorgingsgebieden draagvlak heeft omdat het voorziet in een dagelijkse
behoefte. Deze variabele schat het aantal mensen dat deze winkel in een hypothetische situatie zou
bezoeken.
Verwachte relatie: de hypothese is hier dat er in een fictief winkelgebied een lage drempel is om een
drogist te starten, gezien dit in de eerste levensbehoefte voorziet. Wanneer er een grote geschatte
marktgrootte (estimated market size) is voor een drogist, zal dit betekenen dat er veel
consumentenvraag is en hier hoge huurprijzen gerealiseerd kunnen worden. Dit zou vervolgens
moeten corresponderen met een lager risico en lagere totaalrendementen.
G243_AlbertHeijn: Deze gemodelleerde variabele wordt beschreven als ‘Winkel dagelijkse
boodschappen: Albert Heijn: Geregeld’ . Dit is een ‘estimated market size’ variabele, een geschatte
marktgrootte voor een hypothetische vestiging van een supermarkt genaamd: ‘Albert Heijn’. Hier is
gekozen voor een Albert Heijn, aangzezien dit een van de meest voorkomende branches is en voor
zowel kleine als grote verzorgingsgebieden draagvlak heeft omdat het voorziet in een dagelijkse
behoefte.
Verwachte relatie: de hypothese is hier dat er in een fictief winkelgebied een lage drempel is om een
supermarkt te starten, gezien dit in de eerste levensbehoefte voorziet. Wanneer er een grote
geschatte marktgrootte (estimated market size) is voor een supermarkt, zal dit betekenen dat er veel
consumentenvraag is en hier hoge huurprijzen gerealiseerd kunnen worden. Dit zou vervolgens
moeten corresponderen met een lager risico en lagere totaalrendementen.
O_Aantal_eenheden: Deze variabele geeft weer per unit hoeveel units haar eigen object bevat.
Verwachte relatie: hoe meer units in een object hoe hoger de huurprijs. Ervanuitgaande dat objecten
met meer eenheden efficiënter kunnen worden gemanaged, en er dus minder kosten worden
gemaakt, zouden deze objecten mogelijk hogere rendementen kunnen behalen.
O_Netto/Bruto_inkomsten: Deze variabelen geven de netto/bruto inkomsten van het object weer in
het jaar 2013.
Verwachte relatie: deze variabele is niet opgenomen in deze studie gezien dit het product vormt van
de onafhankelijke variabele.
Tauw, H.
39
Huurprijs en rendement van winkelvastgoed
O_Indirect_rendement 2013/3jr/5jr: Deze 3 variabelen geven het indirecte rendement (waardegroei)
weer van het object in 2013, het gemiddelde van de afgelopen 3 jaar en 5 jaar.
Verwachte relatie: wanneer er aanleiding toe is kunnen deze deelvariabelen van het
totaalrendement (direct en indirect rendement) als afhankelijke variabele worden opgenomen ter
vervanging van de variabele O_totaalrendement_2013
O_Direct_rendement 2013/ 3jr/ 5jr.: Deze variabele geeft het directe rendement (rendement uit
kasstroom) van het object weer van 2013, de afgelopen 3 jaar en 5 jaar.
Verwachte relatie: wanneer er aanleiding toe is kunnen deze deelvariabelen van het
totaalrendement (direct en indirect rendement) als afhankelijke variabele worden opgenomen ter
vervanging van het totaalrendement.
O_Initial Yield: Bruto Aanvangsrendement (BAR) bij aankoop van het object.
Verwachte relatie: de BAR is een outputvariabele, waar geen relatie mee wordt gezien in de context
van dit onderzoek.
O_Actuele huur_2013/ per_m2_2013/ huurgroei: Deze drie variabelen geven de totale actuele ( en
dus gerealiseerde) huur van 2013, per vierkante meter en de huurgroei die ten opzichte van het jaar
ervoor (2012) heeft plaatsgevonden.
Verwachte relatie: de gerealiseerde actuele huur is een outputvariabele, waar geen relatie mee
wordt gezien in de context van dit onderzoek.
O_leegstands-percentage (t)_2013: Deze variabele geeft het percentage leegstand van het object.
Wanneer bijvoorbeeld 1 van de 4 winkels leeg staat en deze exact even groot zijn, heeft deze
variabele de waarde 0,25.
Verwachte relatie: Wanneer er winkelunits in een object leeg staan is het evident dat de actuele huur
lager is en het rendement lager is. Een statistisch verband tussen beide toont om die reden geen
verklaring aan.
O_Huurvrije perioden cq huurkortingen: Huurdervingen gedurende het kalenderjaar, ook wel
huurincentives genoemd. Een huurvrije periode of korting voor een retailer.
Verwachte relatie: Huurkortingen op jaarlijkse basis zijn inherent aan de hoogte van de huur en een
inputvariabele voor het rendement, deze relatie aantonen is arbitrair en daarom uitgesloten voor dit
onderzoek.
O_Vaste_Kosten/Beheerkosten/Verhuur-en-Marketingkosten/Overig: 4 variabelen voor alle
kostengerelateerde zaken van een object.
Verwachte relatie: wanneer er hogere kosten gemaakt worden in een object, is het de verwachting
dat de verhuurder dit terug ziet in een hogere huurprijs. Hogere kosten kunnen echter wel een
voorbode zijn van een lager rendement.
O_Vloeroppervlak: Verhuurd gedeelte van verhuurbaar vloeroppervlak (VVO: NEN2580) van het
object met als functie winkelruimte.
Verwachte relatie: hoe groter het totaal vloeroppervlak van een object hoe lager de huur en hoe
lager het rendement.
40
Hedonisch prijsmodel voor winkelvastgoed
4.5
Testen van assumpties en databewerking
4.5.1 Assumptie van normaliteit
Figuur 10: Histogram Ln_U_th_Huurprijs_m2
Allereerst is de normaliteit van de
afhankelijke variabelen onderzocht, te
beginnen
met
de
huurprijs
(U_th_Huurprijs_m2). Bij de toets voor
normaliteit is naar voren gekomen dat de
Mean (298,58) erg afwijkt van de Median
(234,31), deze horen idealiter gezien
dichter bij elkaar te liggen. De Skewness
(symmetrie) geeft een waarde van 2,356 en
de Kurtosis = 7,667. Deze waarden dienen
beide tussen de -1, en de 1 te liggen.
Daarbij was in de histogram duidelijk te
zien dat de data niet normaal verdeeld is.
Om aan de assumptie van normaliteit te
kunnen voldoen, wordt U_th_huurprijs_m2
logaritmisch getransformeerd. Na deze
transformatie heeft de afhankelijke variabele (Ln_U_Th_Huurprijs_m2) een Mean van 5,57, Median
een waarde van 5,46, Skewness een waarde van 0,380 en Kurtosis een waarde van 0,623. Daarmee
voldoet het aan de assumptie voor normaliteit, wat te zien is aan de normaalverdeling in de
histogram (Figuur 10).
Figuur 11: Histogram Ln_O_totaalrendement_2013
Vervolgens de andere onafhankelijke
variabele voor het rendementsmodel:
Ln_O_totaalrendement_2013 (Figuur 11).
De toets voor normaliteit laat zien dat de
variabele een mean heeft van 3,47, een
median van 3,59, de skewness is -7,245 en
een Kurtosis van 73,57.
De mean en de median liggen dicht bij
elkaar, wat een goed teken is. De waarde
voor de skewness en Kurtosis dienen beide
echter veel dichter bij 0 te liggen. Met deze
informatie kan niet per definitie de
assumptie van normaliteit worden bevestigd
en zal de plot van de residuen in paragraaf
4.5.7. meer duidelijkheid kunnen verschaffen.
4.5.2 Bewerking variabelen
Om een betere interpretatie te krijgen van de Bèta-coefficienten in de outputtabellen zijn een aantal
variabelen met hoge waarden (populatie, huishoudens, passanten, koopkracht, woz waarde,
Tauw, H.
41
Huurprijs en rendement van winkelvastgoed
inwoners, etc) gedeeld door 1000 of 10. Deze transformatie heeft de meeteenheden veranderd. Dit
betekent bijvoorbeeld dat het effect gemeten is op stappen van 10 vierkante meter. Wanneer men
dan het oppervlak van een winkel met 10m2 verhoogt, heeft dat een €x effect op de huurprijs.
4.5.3
Assumptie van lineariteit
De assumptie van lineariteit neemt aan de dat de onderliggende relatie tussen y en x een rechte lijn
volgt. Om een lineaire multiple regressie uit te kunnen voeren is dit voorwaarde, gezien de
voorspellingen hierop berusten. In bijlage 4a en 4b zijn de scatterplots van de relaties tussen de
afhankelijke variabele en de continue variabelen te zien. Uit de plots is te zien dat een rechte lijn
aannemelijk is voor de variabelen, waarmee de assumptie van lineariteit is aangenomen voor de
volgende variabelen:
1.
2.
3.
4.
5.
6.
7.
Energieindex: positief lineair verband.
U_contractduur_resterend: negatief lineair verband.
LU_passanten: positief lineair verband.
LU_inwoners_2km: positief lineair verband.
U_oppervlak: negatief lineair verband.
WOZ_klassen 2-5 en WOZ klassen 6-10: beiden een positief lineair verband.
Koopkrachtklassen deciel 1-4, 5-7 en 8-10. Alle drie een positief lineair verband.
De relaties tussen de continue variabelen en de afhankelijke variabelen wordt verder uitgewerkt in
paragraaf 5.2. In deze paragraaf zal door toetsing van de verklaarde variantie blijken, dat het
opnemen kwadratische vergelijkingen voor sommige variabelen een gunstige uitwerking heeft op de
kwaliteit van het model.
4.5.4
Transformatie in dummy variabelen
Er is reeds vastgesteld dat de afhankelijke variabele continue is. Een multiple regressieanalyse kan nu
uitgevoerd worden mits de de onafhankelijke variabelen continue of dichotoom (binair) zijn. Gezien
een deel van de verzamelde variabelen zijn nominaal en ordinaal zijn, zijn deze omgevormd tot
dummy variabelen. Een dummy variabele neemt de waarde 1 of 0 aan om respectievelijk de aan- of
afwezigheid van een categoraal effect te kunnen modelleren. De onderstaande variabelen zijn
getransformeerd in dummy-variabelen:





LU_winkelgebied_type (6 dummy’s waarvan 1 referentiecategorie: wijkcentrum_klein_groot)
LU_groepen branches (8 dummy’s waarvan 1 referentiecategorie: dummy Leisure)
LU_standplaatskwaliteit (4 dummy’s en 1 referentiecategorie: standplaatskwaliteit C)
LU_winkelgebied_centraal_ondersteunend (ondersteunend winkelgebied =0, centraal=1)
LU_Formule_Zelfstandig (zelfstandige ondernemers = 0, formulewinkel =1)
De dummy-groep moet echter wel groot genoeg zijn, ongeveer 10% van het totaal. Groepen
winkelgebiedtypen die kleiner waren zijn samengevoegd (zoals wijkcentrum_klein en
wijkcentrum_groot & kernverzorgend centrum_klein en _groot) of uit de regressie gelaten
(supermarktcentrum en grootschalige concentratie). Nu deze variabelen zijn getransformeerd in
42
Hedonisch prijsmodel voor winkelvastgoed
dummy’s, kunnen deze worden opgenomen met een referentiecategorie waartegen de variabelen
a.h.w. ‘gespiegeld’ worden. In paragraaf 5.1 wordt verder ingegaan op de toetsing van de dummy
variabelen.
4.5.5
Multicollineariteit
Bij meervoudige regressie kan multicolineairiteit optreden. De onafhankelijke variabelen, die in dat
geval sterk correleren, verklaren dan vrijwel dezelfde variantie in de afhankelijke variabele. Om dit te
voorkomen is er gecontroleerd voor multicolineairiteit (collinearity diagnostics).
Uit deze correlatietabel blijkt dat LU_INW, LU_INW_02, LU_INW_05 en LU_INW_10, sterk met elkaar
correleren. Al deze variabelen correleren vervolgens hoog met de estimated market size van de Etos
en de Albert Heijn, met alle inkomensgroepen (Income), en vrijwel alle koopkrachtgroepen (KKR). Dit
betekent dat deze variabelen in het geheel of deels hetzelfde effect verklaren en dat er een keuze
gemaakt moet worden uit deze variabelen. Hoe deze afweging is gemaakt is beschreven in de
volgende paragraaf.
4.5.6
Construeren van het huurprijsmodel
Het aantal inwoners binnen 2 kilometer blijkt ten opzichte van het totaalaantal inwoners en het
aantal inwoners binnen 5/10 kilometer de grootste correlatie te hebben. Het aantal inwoners in een
straal van 5 en 10 kilometer vallen daarom als variabelen af.
De fictieve Albert Heijn/Etos-variabele, het aantal huishoudens, de populatie, koopkracht en WOZ
klasse-variabelen bleken allemaal binnen een reistijd van 10 minuten is de sterkste relatie te hebben
met de huurprijs. Vervolgens bleek het aantal inwoners in een straal van 2km, hoog te correleren
met andere variabelen (AH, Etos, aantal huishoudens, populatieaantal). Om die reden moet er een
keuze gemaakt worden uit deze variabelen. Verdere analyse wees uit dat de correlatie tussen de
huuurprijs en het aantal inwoners binnen 2 kilometer het sterkste was. De overige variabelen vielen
daarom af, en blijven koopkracht, inkomen, inwoners binnen 2km en WOZ over. Door een
aanvullende analyse te maken waarin de variabelen in een lineaire regressie waren opgenomen met
de huurprijs, bleken wederom de koopkracht, inkomen, aantal inwoners in 2km en de WOZvariabelen de meeste variantie (R2 adjusted) te verklaren.
Deze WOZ variabele had echter wel een sterke onderlinge correlatie. Dit betekende dat er
bijvoorbeeld veel mensen in een huis tussen de 0 en 112.500 euro in de buurt wonen van mensen in
huizen van 112.500-137.500 euro. Deze correlatie is op gelet, en door de WOZ-klassen op te delen in
2 groepen; minimale WOZ-waarde tot €187.500 en 187.500 tot maximale WOZ-waarde is dit
opgelost.
De inkomensvariabelen correleren te hoog met elkaar. Het inkomen correleerde ook hoog met de
koopkracht variabelen, WOZ-variabelen en het aantal inwoners binnen 2km. Dit houdt in dat ze
operationalisaties zijn van hetzelfde concept en dus hetzelfde verklaren. Daarbij verklaart inkomen
minder variantie van de huurprijs ten opzichte van het aantal mensen binnen 2 km. De toegevoegde
waarde van de variabel inkomen valt nog verder weg omdat de WOZ-variabele ook inkomen
verklaart, en de WOZ-waarde een betere voorspeller van de huurprijs is. Om deze redenen is
inkomen als voorspeller uit het model gehaald.
Tauw, H.
43
Huurprijs en rendement van winkelvastgoed
De koopkracht was tevens een variabele die sterk onderling correleerde. Dit had te maken met dat
mensen bijvoorbeeld koopkracht 4 hebben, mogelijk in de buurt wonen van mensen die koopkracht
5 hebben, enzovoort. Om die reden is ervoor gekozen om de koopkrachtvariabelen op te delen in 3
groepen: 1-2-3-4, 5-6-7 en 8-9-10. Deze 3 nieuwe variabelen correleerden vervolgens niet meer met
elkaar (op een variabele na), of met andere variabelen, waardoor ze toch opgenomen konden
worden in het model.
Deze bewerkingen hebben ertoe geleid dat de volgende variabelen niet meer met elkaar correleren,
danwel onderling correleren: 2 WOZ-klassen, 3 koopkracht klassen en het inwoners in 2km. Omdat
deze variabelen niet onderling correleren verklaren ze verschillende onderdelen van de variantie van
de huurprijs.
Voorbeeld: het is denkbaar dat er in een rijke buurt met grotere huizen minder huishoudens wonen
in een straal van 2 kiliometer. Hierdoor zouden er minder huishoudens zijn wat duidt op een lage
marktvraag en een lagere markthuur, wat vreemd zou zijn in een rijke buurt. Dit onjuiste effect kan
afgezwakt worden door de WOZ variabele, die hoger zal zijn in een rijke buurt, en een hogere
koopkracht in die buurt. Op die manier is het mogelijk om eigenschappen van huishoudens uit te
splitsen in verschillende parameters, die het effect op de huurprijs van winkels kan meten. Op deze
manier zijn er talloze situaties denkbaar waarin het opnemen van meerdere variabelen die het
welzijn/welvaart van huishoudens meet, te onderbouwen is.
Deze bewerkingen in deze paragraaf hebben er toe geleid dat er geen correlatie meer is tussen de
onafhankelijke variabelen en er geen multicollinairiteit meer optreedt. Daarmee is voor deze studie
voldaan aan de assumptie van onafhankelijke waarnemingen.
Voor het construeren van een eindmodel voor de huurprijs en het rendement is de ‘Stepwise
Forward Selection Procedure’ gebruikt. In deze methode wordt stap voor stap de hoogst verklarende
variabele toegevoegd aan het model, en wanneer de adjusted R2 toeneemt, wordt de variabele erin
gelaten, zoniet dan wordt deze uit het model gelaten. Voor deze methode is het essentieel om te
weten welke onafhankelijke variabele los van de andere variabelen van grote invloed is op de
afhankelijke variabele. Dit is verderop in deze thesis weergegeven in tabel 12. Hierin komen de
eerder beschreven verwachtingen van de relaties, die in paragraaf 4.4 zijn beschreven weer terug.
4.5.7
Assumptie van homoscedasticiteit
In figuur 12 is de scatterplot weergegeven die na het ontwikkelen van het eindmodel is gemaakt voor
de homoscedasticiteit. Om gerechtvaardigde conclusies te kunnen trekken uit de resultaten van een
analyse over de populatie waaruit de steekproef getrokken is, is het nodig dat ook aan deze aanname
voldaan is. Homoscedasticiteit betekent dat de variantie van de residuen gelijk is voor alle mogelijke
waarden van de onafhankelijke variabelen, ook wel de homogeniteit van variantie genoemd. Dit laat
zich zien in een patroon (vogelnest) op de plot, waar geen andere patronen in te ontdekken moeten
zijn.
44
Hedonisch prijsmodel voor winkelvastgoed
Figuur 12: Homoscedasticiteit van het huurprijsmodel
Op basis van de visuele output in deze plot mag de assumptie van homoscedasticiteit worden
aangenomen.
Figuur 13: Homoscedasticiteit van het rendementsmodel
In figuur 13 is de scatterplot van de residuen weergegeven die na het ontwikkelen van het
rendementsmodel is gemaakt voor de homoscedasticiteit. Deze plot is een stuk minder overtuigend
dan die van de huurprijs. Er zit een licht dalend, mogelijk trechtervormig patroon in, wat erop kan
duiden dat er niet wordt voldaan aan de aanname voor homoscedasticiteit. Wat dit in de praktijk
betekent voor dit model is dat de voorspelling voor het rendement mogelijk te veel afwijkt van het
daadwerkelijk behaalde rendement, wat de uitkomsten van dit model onbetrouwbaar maakt.
Tauw, H.
45
Huurprijs en rendement van winkelvastgoed
4.5.8
Winkelvastgoed huurprijsindex
Door alleen de winkelunits in de analyse mee te nemen die een lopend huurcontract hebben, is het
mogelijk om niet alleen de contractduur (totale lengte contract inclusief verlengingen) mee te nemen
in de analyse, maar ook de economische trend of tijdsdimensie. De startdata (in jaren) van de
contracten bevatten mogelijk waardevolle informatie, aangezien huurprijzen jaarlijks worden
verhoogd (geïndexeerd); huurprijzen van 20 jaar geleden zullen zonder andere effecten dus lager
hebben gelegen dan 10 jaar geleden. Echter, er kunnen periodes geweest kunnen zijn waarin de
huurprijzen van winkelvastgoed structureel lager of hoger hebben gelegen door macro-economische
of financiële omstandigheden. Allereerst is getracht om per jaar van het contract een dummy op te
nemen, hieruit kwam naar voren dat de dataset te weinig waarnemingen had voor deze oplossing. Er
is daarom voor gekozen om dit tijdseffect in 1 variabele te modelleren (U_Contractlooptijd), welke
als hogere orde polynoom wordt opgenomen als variabele. Daarvoor dient onderzocht te worden
hoeveel termen er dienen te worden opgenomen in de polynoom en de hoogste verklaarde variantie
behaalt. Echter heeft het ook de voorkeur dat de gevonden trend onderbouwd en beredeneerd kan
worden.
De eerste, tweede, derde, vierde en vijfdemachts polynoomfuncties zijn onderzocht in een lineaire
regressie met de huurprijs.
Tabel 9: Polynomische functie voor economische trend
Adjusted R2
Polynoom (economische trend)
huurprijs=C+a*t1
huurprijs =C+ a*t1+bt2
huurprijs = C+ a*t1+bt2 +c*t3
huurprijs = C+ a*t1+bt2 +c*t3+d*t4
huurprijs = C+ a*t1+bt2 +c*t3+d*t4+e*t5
0,001
0,013
0,018
0,019
0,019
Uit tabel 9 is op te maken dat de vierde en vijfde machtswortel van de tijd in jaren het beste de trend
voorspelt (hoogste adj. R2). De keuze is gemaakt om trend te modelleren in de vierde machtswortel,
gezien de omslagpunten hiervan goed overeenkwamen met macro-economische trends. Een andere
reden reden voor deze keuze is het minimaliseren van het aantal variabelen in de regressieanalyse.
Dit heeft geresulteerd in de volgende formule voor de economische trend:
(3) modelhuurprijs= 228,55+ 0,07*t1-0,007t2 +0,00028*t3-3,5*10^-6*t4
Modelhuurprijs_unit
Tabel 10: Economische trend vanaf 2013 (modelhuurprijs)
300
250
200
150
modelhuurprijs y
100
Poly. (modelhuurprijs y)
50
Kredietcrisis
0
0
5
10
15
Oliecrisis
20
25
30
35
40
45
Aantal jaren geleden vanaf 2013 (U_Contractlooptijd)
46
Hedonisch prijsmodel voor winkelvastgoed
In het geheel is een stijgende lijn in de huurprijs zichtbaar vanaf 1973. Vanaf 6 jaar voor 2013 is een
duidelijke daling zichtbaar, en er is een afzwakking van de trend zichtbaar rond 33 jaar geleden (tabel
10)De eerste afzwakking van de trend van rond 1980 is te verklaren met de oliecrisis in 1979, welke
een economische terugval in de hele wereld heeft veroorzaakt. De tweede daling van de trend is
zichtbaar omstreeks 2007, het jaar van de kredietcrisis, waarin de financiële markten onder druk
kwamen te staan. Gevolgd door de Europese staatsschuldencrisis eind 2009 heeft dit de onrust
verder verslechterd, met onder andere de gevolgen voor de consumptieve bestedingen van dien. Dit
is een goed mogelijke verklaring voor de zeer sterke daling van de trendlijn de afgelopen paar jaar.
4.6
Beschrijvende statistiek
De beschrijvende statistiek in tabel 11 geeft inzicht in de variabelen die zijn onderzocht bij het
veldwerk van deze studie. De gemiddelde huurprijs van de winkelunits is 307,77 euro, uit huurprijzen
die uiteenlopen tussen de 32,70 en 1621,39 euro. Variabelen zoals het passantenaantal en het aantal
inwoners binnen 2 kilometer zijn getransformeerd en dienen met 10 of 1000 vermenigvuldigd te
worden om de oorspronkelijke waarde te achterhalen.
Met name geeft deze tabel inzicht in de continue variabelen. Dit kan gebruikt worden om inzicht te
krijgen in de selectie van de vastgoedportefeuille welke onderzocht is. Zo is bijvoorbeeld gemiddelde
restduur van het huurcontract 3,9 jaar, het gemiddelde oppervlak van een winkel 410,2 vierkante
meter, is het meerendeel van de units gehuurd door een formulewinkel (0,67) en sluiten huurders
gemiddeld een huurcontract af van 13 jaar inclusief verlengingen. Het overgrote deel van de winkels
is gelegen in de centrale winkelgebieden (79%) en een gemiddelde winkelunit heeft een
passantenaantal van 14.570.
Voor aanvullend inzicht kan er in de tekst gerefereerd worden naar deze tabel.
4.7
Conclusie
Waar in het vorige hoofdstuk op zoek is gegaan naar de variabelen in de literatuur, zijn de variabelen
in dit hoofdstuk in de praktijk gezocht. Hiermee worden de in deelvraag 4 beschreven variabelen
gevonden en komen de methoden aan bod om dit onderzoek te kunnen uitvoeren. Allereerst is
ingegaan op de selectie van de onderzoekseenheden die geschikt waren om de toetsing te kunnen
laten plaatsvinden. Vervolgens is de afkomst in de dataverantwoording besproken, opgevolgd door
het antwoord op de vraag hoe de datasets aan elkaar gekoppeld zijn. Elke variabele heeft
verschillende kenmerken, waardoor er verschillende relaties gelegd kunnen worden met de
afhankelijke variabelen. Dit is uitgewerkt in de variabelenbeschrijving. Het valideren van de data is
een belangrijke voorwaarde voor statistisch onderzoek, welke in paragraaf 5 verder is uitgewerkt. In
deze paragraaf bleken tevens een flink aantal variabelen onderlinge relaties te hebben, welke
moesten worden uitgesloten worden voor dit onderzoek. Door sommige variabelen te
transformeren, bleken deze meer waarde te krijgen en kwamen relaties met de huurprijs sterker
naar voren.
Tauw, H.
47
Huurprijs en rendement van winkelvastgoed
Tabel 11: Beschrijvende statistiek
Beschrijvende statistiek huurprijsmodel
N
Minimum
Maximum
Mean
Std.
Deviation
U_Th_Huurprijs_M2
1011
32,70
1621,39
307,77
205,37
Ln van de th huurprijs/ m2/ unit
1011
3,49
7,39
5,57
0,55
Energieindex van de winkelunit
Restduur van het contract.
886
1008
0,29
0,00
4,33
13,00
1,04
3,90
0,41
2,04
standplaatskwaliteit A1
standplaatskwaliteit A2
573
573
0,00
0,00
1,00
1,00
0,26
0,28
0,44
0,45
standplaatskwaliteit B1
standplaatskwaliteit B2
573
573
0,00
0,00
1,00
1,00
0,28
0,14
0,45
0,35
standplaatskwaliteit C
dummy voor wijkcentrum klein en groot
573
1011
0,00
0,00
1,00
1,00
0,03
0,12
0,17
0,33
dummy voor kernverzorgend centrum klein groot
dummy voor hoofdwinkelgebied_groot
1011
1011
0,00
0,00
1,00
1,00
0,26
0,17
0,44
0,37
dummy voor hoofdwinkelgebied_klein
dummy voor stadsdeelcentrum
1011
0,00
1,00
0,16
0,37
1011
1011
0,00
0,00
1,00
1,00
0,09
0,20
0,28
0,40
dummy_dagelijkse branches
dummy_mode&luxe
987
987
0,00
0,00
1,00
1,00
0,20
0,43
0,40
0,50
dummy_vrije_tijd
dummy_in_en_om_huis
987
987
0,00
0,00
1,00
1,00
0,07
0,09
0,26
0,29
dummy_detailh_overig
dummy_Diensten
987
987
0,00
0,00
1,00
1,00
0,01
0,11
0,10
0,31
dummy_ATM_automaten
987
573
0,00
0,50
1,00
58,20
0,01
14,57
0,10
10,61
LU_inwoners binnen 2km per 1000
U_Oppervlak / 10 vierkante meter
1011
1011
5,33
0,10
160,85
1278,16
42,95
41,02
30,01
90,39
d_LU_Zelfstandig=0_Formule=1
d_LU_WINKELGEBIED_centraal= 1_ondersteunend=0
1011
0,00
1,00
0,67
0,47
1009
1011
0,00
0,00
1,00
145,87
0,79
21,28
0,41
23,48
EX_10MinutenWOZ_klasse_6_7_8_9_10_1000
EX_10MinutenKKR_Deciel1_2_3_4_1000
1011
0,00
74,95
16,65
11,54
1011
2,31
130,46
27,24
33,28
EX_10MinutenKKR_Deciel5_6_7_1000
1011
1011
2,29
0,77
68,57
63,00
11,13
14,13
8,44
14,52
Populatie binnen 10 minuten per 1000
1011
1011
5,86
12,84
211,39
409,11
52,51
103,82
51,72
94,72
Estimated market size Etos 5mns per 1000
Estimated market size AH 5 mns per 1000
1011
1011
0,37
0,86
15,34
37,17
2,75
6,43
2,71
6,37
LU_inwoners gemeente per 1000
1011
1011
4,86
13,86
707,23
515,58
142,43
141,19
191,89
124,08
LU_inwoners binnen 10km per 1000
De totaalduur van het contract.
1011
28,84
903,13
343,06
261,71
1008
0,00
41,00
12,88
6,57
De looptijd van het contract tot aan 2013.
1011
0,00
39,00
8,99
6,68
Provincie_Drenthe
Provincie_Flevoland
1011
0,00
1,00
0,04
0,20
1011
0,00
1,00
0,02
0,13
Provincie_Friesland
Provincie_Gelderland
1011
1011
0,00
0,00
1,00
1,00
0,05
0,15
0,21
0,36
Provincie_Groningen
Provincie_Limburg
1011
1011
0,00
0,00
1,00
1,00
0,00
0,03
0,05
0,16
Provincie_Noord_Brabant
Provincie_Noord_Holland
1011
1011
0,00
0,00
1,00
1,00
0,13
0,18
0,34
0,38
Provincie_Overijssel
Provincie_Utrecht
1011
1011
0,00
0,00
1,00
1,00
0,07
0,10
0,25
0,30
Provincie_Zeeland
1011
0,00
1,00
0,01
0,11
Provincie_Zuid_Holland
1011
0,00
1,00
0,23
0,42
dummy voor binnenstad
LU_passanten per 1000
EX_10MinutenWOZ_klasse_2_3_4_5_1000
EX_10MinutenKKR_Deciel8_9_10_1000
Aantal huishoudens binnen 10 mns per 1000
LU_inwoners binnen 5km per 1000
48
Hedonisch prijsmodel voor winkelvastgoed
5
Empirische resultaten
Na het controleren en beschrijven van de data, worden in dit hoofdstuk de eerste empirische
resultaten gepresenteerd. Dit hoofdstuk is verdeeld in twee delen. Allereerst wordt de relatie met
de dummy-variabelen uiteengezet in paragraaf 5.1, waarna in paragraaf 5.2 de relatie met de
continue variabelen wordt beschreven. Dit is de opmaat voor het ontwikkelen van het uiteindelijke
huurprijsmodel en het rendementsmodel. Deze modellen worden in hoofdstuk 6 en 7 gepresenteerd.
5.1
De relatie tussen dummy-variabelen en de huurprijs
Om de verwachte relaties uit paragraaf 4.4 te kunnen toetsen zijn de dummy-variabelen opgenomen
in een regressie met de huurprijs. Hier zouden dan duidelijke verbanden naar voren kunnen komen
die de karakteristieken van winkelvastgoed definiëren. Wanneer deze variabelen niet significant
worden bevonden, sluit dit niet meteen uit dat deze in een multiple regressieanalyse dat ook niet
zijn. In dit krachtenveld zou zelfs het teken van de relatie (+ of -) en zelfs de significantie van de
variabelen aanzienlijk kunnen veranderen.
Allereerst wordt begonnen met het type winkelgebied waar de winkel in ligt. Vanwege het lage
aantal waarnemingen zijn de binnenstedelijke winkelstraat en het buurtcentrum hier uitgefilterd.
Winkelgebiedstype
Unstandardized Coefficients
Model
1
B
Std. Error
(Constant)
5,386
,045
dummy voor kernverzorgend centrum klein groot
-,103
,054
dummy voor hoofdwinkelgebied_groot
,289
,059
dummy voor hoofdwinkelgebied_klein
,128
dummy voor stadsdeelcentrum
dummy voor binnenstad
Standardized Coefficients
Beta
t
Sig.
120,221
0,000
-,082
-1,900
,058
,195
4,882
,000
,060
,085
2,141
,033
,599
,070
,306
8,591
,000
,428
,057
,311
7,518
,000
a. Afhankelijke variabele: Ln van de th huurprijs/ m2/ unit
b. Referentiecategorie: d_winkelgebied_wijkcentrum_klein_groot
De gekozen referentiecategorie zijn de kleine en grote wijkcentra in de dataset. Uit deze resultaten is
op te maken dat er in kernverzorgende centra lagere huurprijzen worden gerealiseerd, deze relatie is
echter niet significant (Sig./P-waarde >0,05). De overige relaties zijn in deze enkelvoudige lineaire
regressie wel significant. Dit betekent dat er in alle andere typen winkelgebieden significant hogere
huurprijzen worden behaald, met als hoogste het stadsdeelcentrum, gevolgd door de binnenstad. Dit
is tegen de verwachting in, gezien de binnenstad hierarchisch gezien een hoger plek in neemt. Een
mogelijke verklaring is dat een groot deel van de binnenstedelijke winkelunits in de dataset in
kleinere steden gelegen is, wat de kwalificatie binnenstad justificeert, maar de huurprijs drukt.
Stadsdeelcentra zijn bij voorbaat gelegen in steden die groter zijn (welke stadsdeelcentra hebben),
wat een opwaarts effect op de huurprijs kan hebben. Dit effect kan in een multivariate omgeving
veranderen, als andere variabelen toegevoegd worden.
De winkelgebiedstypen samen, verklaren 17,7% van de variantie van de huurprijs (R2 adjusted
=0,177)
Tauw, H.
49
Huurprijs en rendement van winkelvastgoed
Vervolgens wordt er bekeken wat het effect van de standplaatskwaliteit is op de huurprijs. De
standplaatskwaliteit is in de basis een lokale maatstaf; relatief ten opzichte van units in de eigen
omgeving wordt de standplaats bepaald.
Standplaatskwaliteit
Unstandardized Coefficients
Model
Standardized Coefficients
t
Sig.
120,969
0,000
,531
,596
-,005
-,091
,928
-,102
-2,178
,030
-,197
-4,644
,000
B
Std. Error
(Constant)
5,798
,048
standplaatskwaliteit A2
,035
,067
,026
standplaatskwaliteit B1
-,006
,067
standplaatskwaliteit B2
-,176
,081
standplaatskwaliteit C
-,700
,151
a. Afhankelijke variabele: Ln van de th huurprijs/ m2/ unit
1
Beta
b. Referentiecategorie: dummy voor de standplaatskwaliteit A1.
Hier is een duidelijk verschil in hierarchie zichtbaar, met een kleine uitzondering voor A2
winkelvastgoed, waar hogere huurprijzen worden gerealiseerd dan op A1 locaties (de
referentiecategorie). De huurprijs is lager op B1 locaties, nog lager op B2 locaties en het laagst op Clocaties. Het verschil tekent sterk af wanneer men realiseert dat de huurprijzen op C-locaties 70%
lager liggen dan op A1 locaties (Bèta = -0,700).
De dummy’s voor de standplaatskwaliteit verklaren samen 4,3% van de variantie van de huurprijs (R2
adjusted =0,043).
De derde set met dummy variabelen zijn de groepen branches (LU_groep). Dit zijn in totaal 7 dummy
variabelen en een referentie dummy variabele: de branche ‘Leisure’.
LU_groep Branches
Unstandardized Coefficients
Model
1
Standardized Coefficients
t
Sig.
91,683
0,000
-,734
,463
,100
1,703
,089
,088
,018
,444
,657
,084
,083
,043
1,011
,312
dummy_detailh_overig
-,368
,189
-,063
-1,947
,052
dummy_Diensten
-,076
,080
-,043
-,954
,340
dummy_ATM_automaten
1,127
,181
,204
6,246
,000
B
Std. Error
Beta
(Constant)
5,517
,060
dummy_dagelijkse branches
-,052
,071
-,038
dummy_mode&luxe
,112
,066
dummy_vrije_tijd
,039
dummy_in_en_om_huis
a. Afhankelijke variabele: Ln van de th huurprijs/ m2/ unit
b. Referentiecategorie: dummy voor Leisure
Ten opzichte van de categorie Leisure, worden alleen in de categorie Diensten, Overige branches en
Dagelijkse branches, lagere huurprijzen gerealiseerd. In de winkels die vallen in de Mode & Luxe
branches worden er hogere huurprijzen betaald, net als de winkels in de groep In en Om het Huis en
de Vrije Tijd categorie. De hoogste huurprijzen worden zoals verwacht behaald door de units van
banken, waar pinautomaten in gerealiseerd zijn (ATM_automaten).
De groepen branches verklaren samen 5,6% van de variantie van de huurprijs (R2 adj. =0,056), iets
meer dan de standplaatskwaliteit (0,043).
50
Hedonisch prijsmodel voor winkelvastgoed
Uit eerdere studies kwam al naar voren dat formulewinkels een hogere huurprijs zouden betalen dan
zelfstandige retailers met een winkel. Dit komt ook in deze studie naar voren in de volgende dummy
die wordt onderzocht.
Zelfstandige winkel of Formulewinkel
Unstandardized Coefficients
B
Std. Error
5,533
,030
d_LU_Zelfstandig_Formule(=1)
,047
a. Afhankelijke variabele: Ln van de th huurprijs/ m2/ unit
,037
Model
1
(Constant)
Standardized Coefficients
Beta
,040
t
Sig.
182,975
0,000
1,283
,200
b. Referentiecategorie: Zelfstandige winkel (=0)
De analyse spitst zich hier toe tot wat voor type winkel dit is, niet in branches, maar de aard van de
ondernemer die de winkel exploiteert. De winkel is van een zelfstandige ondernemer of van een
formulewinkel, daarmee wordt een ketenbedrijf bedoeld met 5 of meer vestigingen in Nederland.
Hier is te zien dat formulewinkels een huurprijs betalen die 4,7% hoger ligt dan zelfstandige winkels.
Dit verband is echter niet significant bevonden (Sig.>0,05).
De variabele d_LU_Zelfstandig_Formule verklaart in dit model 0,1% van de variantie van de huurprijs
(R2 adj. =0,001).
Vervolgens is de vraag gesteld of de winkel gelegen is in een centraal of een ondersteunend
winkelgebied, het hoofdtype.
Centraal of Ondersteunend winkelgebied
Unstandardized Coefficients
Model
1
(Constant)
d_LU_WINKELGEBIED_centraal= 1
_ondersteunend=0
a. Dependent Variable: Ln van de th huurprijs/ m2/ unit
B
Std. Error
5,643
,038
-,095
,043
Standardized Coefficients
Beta
-,070
t
Sig.
149,069
0,000
-2,242
,025
b. Referentiecategorie: Ondersteunend winkelgebied (=0).
Deze relatie was niet verwacht, hieruit is namelijk op te maken dat in centrale winkelgebieden (1)
9,5% lagere huurprijzen worden gevoerd dan in ondersteunende winkelgebieden (de
referentiecategorie. Deze relatie is tevens significant (Sig. <0,05). De dummy variabel
Winkelgebied_centraal_ondersteunend verklaart 0,4% van de variantie van de huurprijs (R2 adj.
=0,004).
De laatste dummy variabele die wordt toegevoegd is een variabele voor de provincie waar de winkel
in ligt. Buurten beinvloedt worden door wijken, wijken door stadsdelen, stadsdelen door steden en
steden door provincies, kan het locatie-effect nog beter gemodelleerd worden door de provincie toe
te voegen. Analyse van de dataset laat zien dat de gemiddelde huurprijzen in Groningen, Zeeland en
Noord-Brabant het laagst liggen, en de Flevoland de lijst aanvoert met de hoogste gemiddelde
huurprijzen, gevolgd door Zuid-Holland en Noord-Holland.
Tauw, H.
51
Huurprijs en rendement van winkelvastgoed
Provincie
Unstandardized Coefficients
Model
1
Standardized Coefficients
t
Sig.
114,026
0,000
2,840
,005
,110
3,365
,001
,092
,041
1,156
,248
,065
,061
1,462
,144
-,401
,316
-,040
-1,271
,204
Provincie_Limburg
-,020
,113
-,006
-,179
,858
Provincie_Noord_Holland
,223
,062
,153
3,572
,000
Provincie_Overijssel
,141
,081
,064
1,738
,083
Provincie_Utrecht
,158
,072
,086
2,205
,028
Provincie_Zeeland
,040
,163
,008
,248
,805
Provincie_Zuid_Holland
,334
,059
,255
5,660
,000
B
Std. Error
Beta
(Constant)
5,387
,047
Provincie_Drenthe
,272
,096
,098
Provincie_Flevoland
,457
,136
Provincie_Friesland
,106
Provincie_Gelderland
,094
Provincie_Groningen
a. Afhankelijke variabele: Ln van de th huurprijs/ m2/ unit
b. Referentiecategorie: Noord-Brabant
Alleen in Limburg en Groningen worden lagere
huurprijzen gerealiseerd dan in Noord-Brabant. De
provincie Flevoland behaalt 45% hogere huren, gevolgd
door Zuid Holland, Drenthe, en Noord-Holland. De
frequentietabel hiernaast laat echter zien dat sommige
provincies sterk ondervertegenwoordigd zijn wat de
resultaten aanzienlijk kan ‘kleuren’. De dataset blijkt
voornamelijk te bestaan uit winkelunits in Zuid-Holland,
Noord-Holland, Gelderland en Noord-Brabant.
De provincies verklaren samen 4,1% van de variantie van
de huurprijs (R2 adjusted= 0,041). Daarmee verklaren
deze iets minder dan de standplaatskwaliteit (R2
adjusted= 0,043).
LU_Provincie
Va l i d
Frequency
Percent
Drenthe
42
4,2
Fl evol a nd
18
1,8
Fri es l a nd
47
4,6
Gel derl a nd
151
14,9
Groni ngen
3
,3
Li mburg
28
2,8
131
13,0
177
17,5
NoordBra ba nt
NoordHol l a nd
Overi js s el
67
6,6
Utrecht
101
10,0
Zeel a nd
12
1,2
Zui d-Hol l a nd
234
23,1
Tota l
1011
100,0
52
Hedonisch prijsmodel voor winkelvastgoed
5.2
Relatie tussen de continue variabelen en de huurprijs
In de vorige paragraaf is de univariate relatie tussen de dummy-variabelen en de huurprijs getoetst.
Deze toets wordt in deze paragraaf voortgezet met de continue variabelen. Beide typen variabelen
worden vervolgens samen in de relatietabel weergegeven waar de veronderstelde relaties van de
variabelen met de huurprijs (uit paragraaf 4.4.) getoetst worden. Dit vormt de aanloop naar de
multivariate analyses in het huurprijs en rendementsmodel in hoofdstuk 6 en 7 waar de ‘stabiliteit’
van de variabelen in het hele krachtenveld zal moeten blijken.
In paragraaf 4.4. wordt de verwachting uitgesproken dat een hogere energieindex gerelateerd zal zijn
aan een hogere huurprijs. Deze hypothese blijkt juist te zijn, deze data wijst uit dat een slechtere
(hogere) energieindex een positieve significante relatie heeft met de huurprijs.
Dit blijkt uit de bèta coefficiënt van +0,165 en significantie tot op het 1% niveau met een P-waarde
van 0,00. Enkel de impact van de Energieindex verklaart deze 1,5% van de variantie in de huurprijs
(tabel 12).
Vervolgens de variabele voor de resterende contractduur (U_contractduur_resterend). Tegen de
verwachting in heeft een langere contractduur een positieve relatie met de huurprijs en verklaart
0,3% van de variantie ervan. Deze relatie is beter meetbaar gemaakt met de variabele
U_Contractduur, waarin de totale looptijd en de resterende jaren van het huurcontract in een
variabele zijn opgenomen. Deze variabele blijkt een negatieve relatie te hebben met de huurprijs
(bèta= -0,005) en verklaart opnieuw 0,3% van de huurprijs. Deze relatie is echter niet significant
gebleken met een P-waarde van 0,053.
Uit de studie naar huurprijsverklarende variabelen bleken meerdere auteurs een sterke relatie
gevonden te hebben tussen het aantal passanten en de huurprijs. Ook uit de passantencijfers van
Locatus (LU_PASSANTEN) blijkt er een sterk positief significant verband tussen de hoogte van het
aantal passanten en de huurprijs. De passantenvariabele verklaart hier 12,7% van de variantie van de
huurprijs in een lineair verband. Uit de scatterplot in bijlage 4a is af te lezen dat er mogelijk een nietlineair verband bestaat. Wanneer er een niet-lineair verband wordt verondersteld, wordt er een
gekwadrateerde variabele aan de collectie toegevoegd, en verklaart de variabele LU_PASSANTEN
13,3% van de variantie van de huurprijs. Een niet-lineair verband verklaart dus beter de huurprijs dan
een lineair verband.
Er waren verschillende variabelen beschikbaar om de invloed van het aantal inwoners te meten. De
variabele LU_INW_02_KM_1000 bleek een goede variabele om dit effect te operationaliseren. Het
aantal inwoners in een straal van 2 kilometer rondom de winkel verklaart 17,7% van de variantie en
is positief significant. Ook hier blijkt het ideale verband niet linair te zijn en geeft een kwadratische
vergelijking een betere fit, met 18,4% (R2 adjusted). Een kleine toename van 0,7%.
U_Oppervlakte_10: is een andere sterke variabele gebleken, hoe groter het oppervlak hoe lager de
huur, terug te zien in de negatieve relatie met de huurprijs, en verklaart 5,9% van de variantie in deze
een-op-een relatie. Echter wanneer er een niet-lineair verband wordt verondersteld, verklaart de
oppervlakte variabele 9,7% van de variantie van de huurprijs (adjusted).
EX_10MinutenWOZ_Klasse_2_3_4_5/ Klasse 6_7_8_9_10: meer mensen met een woning uit een
lagere WOZ klasse_2_3_4_5 (0 – 187.500 euro) blijkt hier een positieve relatie te hebben, de hogere
klasse heeft echter ook een positieve relatie en heeft een steilere functie (bijlage 4b). Dit betekent
dat een toename in een hogere WOZ- klasse een snellere huurprijsstijging teweegbrengt. De
Tauw, H.
53
Huurprijs en rendement van winkelvastgoed
constanten van deze beiden variabele. De lagere WOZ-groep verklaart 14,0% van de variantie en de
hogere verklaart 5,8% van de variantie.
EX_10Minuten_KKR_Deciel1_2_3_4_5/ Deciel 6_7 / Deciel 8/9/10: De koopkracht is in 3 groepen
opgedeeld. Een hogere koopkracht zo moeten overeenkomen met een hogere huurprijs. Dit komt
overeen wanneer de lage groep (1-4) met de middelste groep wordt vergeleken (6-7), een hogere
koopkracht geeft een nog hogere huurprijs. De hoogste koopkrachtgroep heeft ook een positieve
relatie met de huurprijs maar niet zo sterk als de middelste groep. De groepen verklaren
respectievelijk 9,4%, 8,5% en 5,6% van de variantie van de huurprijs.
De relaties tussen alle onafhankelijke variabelen zijn concluderend weergegeven in tabel 12. Naar
oplopende volgorde van hoogste verklaarde variantie worden in het volgende hoofdstuk variabelen
toegevoegd aan het multivariate model, waar het uiteindelijke huurprijsmodel uit voortvloeit.
Hieruit zal blijken welke variabelen ook in een multivariabele regressie significant blijven of zelfs
significant worden.
Tabel 12: Relatie onafhankelijke variabelen en de huurprijs.
R adj./
huurprijs
Verwachte
relatie
huurprijs
Gevonden
relatie
Significantie in
univariate
regressie
0,015
positief
positief
ja
0,003
negatief
positief
ja
d_A2
0,048
negatief
positief
nee
d_B1
0,048
negatief
negatief
nee
d_B2
0,048
negatief
negatief
ja
d_C
0,048
negatief
negatief
ja
0,156
negatief
negatief
ja
0,156
negatief
negatief
ja
0,156
negatief
negatief
ja
0,156
negatief
positief
ja
0,156
negatief
negatief
ja
d_LU_groep_mode_en_luxe
0,063
positief
positief
ja
d_LU_groep_vrije_tijd
d_LU_groep_in_en_om_huis
0,063
positief
positief
nee
0,063
positief
positief
nee
d_LU_groep_detailh_overig
0,063
negatief
negatief
ja
0,063
negatief
positief
nee
0,063
negatief
negatief
nee
0,063
positief
positief
ja
0,127
positief
positief
ja
2
Huurprijsmodel variabelen
U_EnergieIndex
U_contractduur_resterend
d_winkelgebied_hoofdwinkelgebied_groot
d_winkelgebied_hoofdwinkelgebied_klein
d_winkelgebied_kernverzorgend_centrum_klein_groot
d_winkelgebied_stadsdeelcentrum
d_winkelgebied_wijkcentrum_klein_groot
d_LU_groep_Leisure
d_LU_groep_Diensten
d_LU_groep_ATM
LUPASSANTEN_1000
54
Hedonisch prijsmodel voor winkelvastgoed
0,177
positief
positief
ja
0,059
negatief
negatief
ja
0,001
positief
positief
nee
0,001
positief
negatief
nee
0,14
negatief
positief
ja
0,058
positief
positief
ja
0,094
negatief
positief
ja
0,085
positief
positief
ja
0,056
positief
positief
ja
U_Contractduur
0,003
negatief
negatief
nee
U_ContractLooptijd_2013_1ste
0,005
negatief
negatief
ja
d_Provincie_Noord__Brabant
0,041
-
-
d_Provincie_Drenthe
0,041
positief
negatief
ja
d_Provincie_Flevoland
0,041
positief
negatief
ja
d_Provincie_Friesland
0,041
positief
negatief
nee
d_Provincie_Gelderland
0,041
positief
positief
nee
d_Provincie_Groningen
0,041
negatief
negatief
nee
d_Provincie_Limburg
0,041
negatief
negatief
nee
d_Provincie_Noord_Holland
0,041
positief
positief
ja
d_Provincie_Overijssel
0,041
positief
negatief
nee
d_Provincie_Utrecht
0,041
positief
positief
ja
d_Provincie_Zeeland
0,041
positief
negatief
nee
d_Provincie_Zuid_Holland
0,041
positief
positief
ja
LU_INW_02_KM_1000
U_Oppervlakte_10
d_LU_Formule_Zelfstandig
d_LU_WINKELGEBIED_centraal_ondersteunend
EX_10MinutenWOZ_klasse_2_3_4_5_1000
EX_10MinutenWOZ_klasse_6_7_8_9_10_1000
EX_10MinutenKKR_Deciel1_2_3_4_1000
EX_10MinutenKKR_Deciel5_6_7_1000
EX_10MinutenKKR_Deciel8_9_10_1000
* Significant op het 10% niveau ** Significant op het 5% niveau *** Significant op het 1% niveau
Tauw, H.
55
Huurprijs en rendement van winkelvastgoed
6 Huurprijsmodel
In dit hoofdstuk wordt gestart met het beschrijven van het algemene model om de huurprijs te
schatten, waarna de resultaten in diepte besproken zullen worden in de tweede paragraaf. De
resultaten uit dit model zullen uiteindelijk de basis vormen van de conclusies in hoofdstuk 8 en de
discussie met aanbevelingen in hoofdstuk 9.
6.1
Beschrijving model
In deze hedonische prijsstudie van Nederlands winkelvastgoed, kunnen 4 groepen met regressoren
worden onderscheiden. Dit zijn de markt-, locatie, consument aantrekkingskracht & imago en de
ontwerp & gebouwkenmerken- groepen. Het verhuurbare vloeroppervlak van de winkelunit en de
contracthuurprijs zijn gebruikt om de afhankelijke variabele ‘Ln_U_Th_huurprijs’ (logaritmisch
getransformeerde jaarhuurprijs per vierkante meter van de winkelunit) te berekenen. De algemene
vorm van het regressiemodel ziet er dan als volgt uit:
(1)
Ln_U_Th_huurprijs_m2 = a + b1*markt +
b2*locatie + b3*consument, aantrekkingskracht en imago +
b4 *ontwerp- en gebouwkenmerken + ε (error).
Hierin zijn markt (X1) , locatie(X2), consument/ aantrekkingskracht/ imago (X3), ontwerp &
gebouwkenmerken (X4) vectoren van de onafhankelijke/voorspellende variabelen, en b1-b4 duiden
respectievelijk de vectoren van hun regressiecoefficiënten. Deze vector geeft de richting en kracht
aan de variabele. In deze formule is a de parameter voor het snijpunt (intercept) van de regressielijn
met de vertikale as en staat e (error) voor de foutterm.
Gezien we in dit model te maken hebben met meerdere verklarende variabelen, wordt het
gecompliceerder om de regressielijn te berekenen dan in de univariate regressieanalyses . Men moet
rekening houden met de voorspellende kracht van andere variabelen. Zodra men een variabele
toevoegt of verwijdert, verandert het hele ‘krachtenveld’. Een term die maatgevend is in multiple
regressieanalyses, welke besproken is in de literatuurstudie is het percentage verklaarde variantie;
de R2.
Bij het toevoegen van variabelen is het mogelijk dat er meer variantie van de huurprijs verklaard
wordt en de determinatiecoëfficient (R2) omhoog gaat. Het determinatiecoëfficient is het kwadraat
van de multiple correlatiecoëfficient en geeft aan welk gedeelte van de variatie in de ene variabele
(hier de huurprijs) door de andere variabelen (X1-X4) wordt verklaard: de ‘verklaarde variantie’.
De bedoeling is om zoveel mogelijk variantie van de huurprijs te verklaren uit de bovenstaande 4
groepen variabelen: X1,2,3,4.
56
Hedonisch prijsmodel voor winkelvastgoed
6.2
Resultaten huurprijsmodel
Nu van elke variabele bekend is wat de univariate relatie is met de huurprijs, kan deze gesorteerd
worden van hoge impact naar lage impact. Deze volgorde is weergegeven in bijlage 5a. In deze
volgorde worden de variabelen toegevoegd aan het multiple regressiemodel, wat kenmerkend is
voor de Stepwise Forward Selection Procedure. De variabelen worden geselecteerd wanneer ze
bijdragen aan de verklaringskracht van het model en eruit gelaten wanneer de desbetreffende
variabele dit niet doet.
Figuur 14: Ontwikkeling van de verklaarde variantie
In figuur 14 is gevisualiseerd hoe het model is geconstrueerd. Van links naar rechts over de X-as zijn
variabelen toegevoegd aan de regressie, met op de Y-as de verandering in de verklaringskracht (R2
adjusted). Er is voor gekozen om in totaal 18 variabelen (inclusief dummy variabelen) te
onderzoeken, wat betekent dat er 18 modellen zijn gemaakt. Bij het toevoegen van de vierde
variabele (LU_PASSANTEN_1000) is een daling te zien. Dit betekent dat het passantenaantal als
variabele geen toegevoegde verklaring geeft voor de variantie van de huurprijs in dit model. Gevolg
hiervan is dat deze variabele niet opgenomen is in het eindmodel van de huurprijs, de variabele
verklaart immers niets aanvullends. Andere variabelen die in het model geen toegevoegde variantie
verklaren zijn een middelhoge koopkracht (EX_10Minuten_KKR_Deciel_5_6_7_1000), en of het een
formulewinkel betreft danwel een zelfstandig ondernemer (d_LU_Formule_Zelfstandig).
Van de 18 variabelen zijn nu 15 variabelen over die samen de huurprijs verklaren (groene pijlen).
Tussen model 8 en 18 zijn er geen grote stappen meer zichtbaar, model 8 verklaart 41,5% en model
18 verklaart 44,6%. Ook zijn niet alle variabelen significant, wat kan betekenen dat de verkregen
resultaten bij die variabelen op toeval berust.
Om de betrouwbaarheid van het model te verhogen, worden een aantal variabelen verwijderd,
ditmaal van ‘rechts naar links’ en met name de niet significante variabelen.
De totaalduur van het contract heeft een significante relatie (0,012) en de restduur van het contract
ook (0,035), dus deze variabelen blijven in de collectie. Zoals beschreven in paragraaf 4,4, verklaren
de Contractlooptijd-variabelen de huurprijstrend, wat een goede afspiegeling lijkt te zijn van de
Tauw, H.
57
Huurprijs en rendement van winkelvastgoed
werkelijkheid. Om die reden blijven die specifieke niet-significante variabelen in het model. Door de
aanvullende tests (tabel 10), is het risico dat deze variabelen een toevallige relatie hebben, verkleind.
De Energieindex blijkt ook geen significante relatie te hebben, ook het kwadrateren van deze
variabele heeft geen goede uitwerking. Door het verwijderen van deze niet-significante variabele
daalt de verklaarde variantie met 0,2% licht naar 44,4%.
Bijna alle Provincie variabelen zijn ook niet-significant. De toegevoegde waarde van deze variabelen
daalt nog meer wanneer uitwijst dat het verwijderen geen grote impact heeft (R2 adj. Daalt naar
43,8%). Bijkomend voordeel is dat de huurprijstrend variabelen nu wel significant zijn geworden.
Vervolgens zijn alle standplaatskwaliteit-variabelen significant. De relatie is sterk en duidelijk
aanwezig. De verklaarde variantie blijft hetzelfde (43,8%) wanneer de niet-significante koopkrachthoog (Deciel 8_9_10) wordt verwijderd. Een hoge WOZ waarde blijft een sterke positieve
significante relatie houden met de huurprijs.
Het oppervlak van een winkel (U_Oppervlakte_10 en U_Oppervlakte_10_kwadraat) hebben ook
beide een sterke negatieve significante relatie met de huurprijs. Niet alle branchegroep variabelen
zijn significant, maar wanneer deze verwijderd wordt daalt de R2 aanzienlijk, om die reden blijft de
branche van de winkel een belangrijke variabele. Een lage koopkracht heeft ook een niet significante
relatie, het verwijderen ervan leidt tot een verhoging van de R2, dus deze variabele gaat uit de
collectie. De lage WOZ waarde blijkt net als een hoge WOZ waarde, ook een goede voorspeller van
de huurprijs, deze is significant en blijft in het model.
Net als de Branche groepen zijn ook niet alle winkelgebiedstypen significant. Wanneer deze variabele
is verwijderd, daalt de R2 maar met 0,9%. Een bijkomend effect hiervan is dat andere variabelen,
zoals het aantal inwoners in een straal van 2 km en Mode&Luxe, significant worden.
Hier moet een keuze gemaakt worden tussen het kwadratisch opnemen van het aantal inwoners in
een straal van 2 kilometer en de winkelgebiedstypen. De bèta coëfficienten van de
winkelgebiedstypen zijn niet overtuigend. Enkel de grote verschillen (tussen binnenstad en
wijkcentrum klein_en_groot) zijn significant. Het lijkt er daarom op dat het winkelgebiedstype op
zichzelf geen goede variabele is om de variantie van de huurprijs te verklaren. Om die reden is de
winkelgebiedstype-variabele uit de collectie gehaald.
Het aantal inwoners binnen 2 kilometer blijft significant. De kwadratische functie is overtuigend maar
niet significant (Sig. 0,085). De verklaarde variantie is echter hoger met inbehoud van deze variabele
en om die reden blijft de kwadratische functie in het model.
58
Tauw, H.
4,428
558
0,673
0,452
0,430
4,5
558
0,620
0,384
0,374
4,692
558
0,655
0,430
0,412
5,096
986
0,613
0,375
0,367
5,104
986
0,612
0,374
0,367
c. b. Dummy s tandpl a a ts kwa l i tei t: referentieca tegori e= s tandpl a a ts kwa l i tei t C. Coëffi ci enten res pectievel i jk; A1 (***), A2 (***), B1 (***), B2 (*)
b. Dummy LU_groepen: referentieca tegori e= Lei s ure. Coeffi ci enten res pectievel i jk; da gel i jks e bra nches (*), mode&l uxe (*), i n-en_om_hui s (**), detai l h.overi g (ni et s i g.), ATM a utoma ten (***), Di ens ten (ni et s i g.), Vri je_tijd (ni et s i g.)
a . * Si gni fi ca nt op het 10% ni vea u ** Si gni fi ca nt op het 5% ni vea u *** Si gni fi ca nt op het 1% ni vea u
5,194
1010
0,454
0,206
0,204
5,043
986
0,507
0,257
0,250
5,141
1010
0,428
0,183
0,181
div.
-0,005 (***)
0,005 (*)
div.
0,015 (-)
div.
-0,005 (***)
0,005 (*)
div.
-
div.
-0,005 (***)
0,004 (*)
div.
div.
-0,004 (***)
0,002 (-)
div.
-0,004 (***)
div.
0,008 (**)
0,004 (***)
0,215/ 0,161/ 0,068/ 0,277/ 0,360/ 0,073/ 0,905
-0,005 (***)
0,005 (*)
0,574/ 0,673/ 0,538/ 0,341
-0,126 (***)
0,141 (***)
4,428
558
0,673
0,452
0,430
Contractduur totaal
(in jaren)
Model 4
Model 5
Model 6
Model 7
Model 8
Model 9
Constante
N (sample size)
R
R2
adjusted R2
Huurprijstrend
Model 3
4 dummies
0,008 (**)
0,004 (***)
hoge WOZ waarde
0,008 (**)
0,004 (***)
Oppervlak v/d winkelunit
0,008 (**)
0,004 (***)
Branche groep (7 dummies)
0,008 (***)
0,005 (***)
0,007 (***)
0,005 (***)
lage WOZ waarde
0,008 (***)
0,005 (***)
0,012 (***)
Inwoners binnen 2 km
9
De totaalduur van het
contract.
8
Restduur van
het contract.
Tabel 13: Eindmodel huurprijs
0,007 (***)
0,005 (***)
Coefficienten
Model 1
Model 2
Huurprijsmodel (ln_th_huurprijs_m2_unit)
7
6
5
4
3
2
1
Inw_02 km & Inw_02_km² EX_10MinutenWOZ_klasse_2_3_4_ LU_groepen (branches) U_Oppervlak / 10 vierkante EX_10MinutenWOZ_klas Standplaatskwaliteit U_ContractLooptijd_2013
se_6_7_8_9_10_1000
meter & Opp²
5_1000
Toegevoegde variabele:
Hedonisch prijsmodel voor winkelvastgoed
59
,161
,068
,277
-,360
,073
,905
-,005
dummy_mode&luxe
dummy_vrije_tijd
dummy_in_en_om_huis
dummy_detailh_overig
dummy_Diensten
dummy_ATM_automaten
U_Oppervlak / 10 vierkante meter
,341
-,020
,001
-1,952E-05
standplaatskwaliteit B2
U_ContractLooptijd_2013_tweemacht
U_ContractLooptijd_2013_driemacht
U_ContractLooptijd_2013_viermacht
,141
,538
standplaatskwaliteit B1
De totaalduur van het contract.
,673
standplaatskwaliteit A2
-,126
,574
standplaatskwaliteit A1
Restduur van het contract.
,005
EX_10MinutenWOZ_klasse_6_7_8_9_10_1000
3,633E-06
,215
dummy_dagelijkse branches
U_Oppervlakte_10_kwadraat
,004
LU_INW_02_KM_1000_kwadraat
EX_10MinutenWOZ_klasse_2_3_4_5_1000
,008
-3,020E-05
LU_inwoners binnen 2km per 1000
1,398
-,450
-2,644
6,049
-4,841
,199
,402
,503
,423
,094
,656
-,960
,127
,033
-,062
,137
,031
,134
,123
,202
-,242
,451
Beta
Standardized Coefficients
t
4,060
-3,502
-2,975
3,195
-3,559
2,565
4,176
5,164
4,381
2,481
7,766
-11,122
3,759
,725
-1,790
2,855
,675
2,063
2,346
4,886
-1,727
2,958
26,730
Sig.
,000
,000
,003
,001
,000
,011
,000
,000
,000
,013
,000
,000
,000
,468
,074
,004
,500
,040
,019
,000
,085
,003
,000
d. R=0,673, R2= 0,452, Adjusted R Square= 0,430, Std. Error=0,45439
c. Dummy standplaatskwaliteit: referentiecategorie= standplaatskwaliteit C. Coëfficienten respectievelijk; A1 (***), A2 (***), B1 (***),& B2 (*).
b. Dummy LU_groepen: referentiecategorie= Leisure. Coefficienten respectievelijk; dagelijkse branches (*), mode&luxe (*), in-en_om_huis (**), detailh.overig (niet sig.), ATM automaten (***), Diensten (niet
sig.), Vrije_tijd (niet sig.)
,035
,036
,000
,000
,006
,133
,129
,130
,131
,002
,000
,000
,241
,101
,201
,097
,101
,078
,092
,001
,000
,003
,166
Unstandardized Coefficients
Std. Error
4,428
B
(Constante)
a. Afhankelijke variabele: Ln van de th huurprijs/ m2/ unit
Model
9
Huurprijsmodel (model 9)
Huurprijs en rendement van winkelvastgoed
Tabel 14: Coefficiententabel eindmodel huurprijs
60
Hedonisch prijsmodel voor winkelvastgoed
Dit heeft tot gevolgd dat het eindmodel is bereikt met 9 variabelen en een verklaarde variantie (R 2
adjusted) van 43,0% (tabel 14). De Anova-tabel laat zien dat het model als geheel significant is (Pwaarde/Sig. <0,001), waarmee de nulhypothese kan worden verworpen. Dit betekent dat dit model
verklaringskracht heeft en beter presteert dan enkel de gemiddelden van een winkelunit te
rapporteren als zijnde een voorspelling.
Aangaande de variabelen in de regressie valt op te maken dat het aantal inwoners een significante
invloed heeft op de huurprijs; een hoger aantal inwoners in een straal van 2 kilometer heeft verband
met een hogere huurprijs. Deze relatie is ook gevonden in voorgaande studies (Sirmans et. al.,1993;
Majoor, 2009; Bakker, 2011 en Des Rosiers et. al.,2005), en bevestigt de verwachte relatie zoals
beschreven in paragraaf 4.3.1. De kwadratische variabele is licht negatief (-0,00003) en net niet
significant (Sig.= 0,085). Dit betekent dat het verband waarschijnlijk niet-lineair is. Wanneer het
aantal inwoners (in een straal van 2km) erg hoog wordt, heeft dit een drukkend effect op de
huurprijspremium. Dit effect is zichtbaar in de curve van figuur 15. Het ideale inwonersaantal zal
waarschijnlijk rond de 130.000á 140.000 inwoners liggen.
Figuur 15: Grafiek huurprijspremium door inwonersaantal_2km
2
Huurprijspremium(€)
1,8
1,6
1,4
1,2
1
Huurprijs premium
0,8
Poly. (Huurprijs premium)
0,6
0,4
0,2
0
10
20
30
40
50
60
70
80
90
100
110
120
130
140
150
160
170
0
Inwoners_straal_2km (x1000)
Het aantal huishoudens binnen een reisafstand van 10 minuten met een woning in een lage/hoge
WOZ-klasse blijken beide een significante relatie te hebben met de huurprijs. Dit betekent enerzijds,
meer huishoudens = een hogere huurprijs, maar ook dat winkels in een omgeving met hogere WOZ
waarden, iets hogere huurprijzen zullen kunnen realiseren. Er is geen informatie bekend betreffende
voorgaande studies voor deze WOZ waarde-variabele.
Ten opzichte van de Leisure-branche, de referentiecategorie, realiseert bijna elke andere branche
een hogere huurprijs (m.u.v. de overige detailhandel).
Zoals verwacht heeft het oppervlak een groot aandeel in de verklaringskracht van dit model. Dit is
geheel overeenkomstig met nationale studies (Bakker, 2011) als internationale literatuur (Yuo et. al.,
2004; Des Rosiers et. al.; 2005) waar ook al de relatie werd gelegd tussen de huurprijs en de
winkelunitgrootte (zie tabel 8). Een groter oppervlak heeft een negatief effect op de huurprijs. Ook
hier geldt daarentegen dat wanneer het oppervlak nog groter wordt, een andere relatie verschijnt
(6).
Tauw, H.
61
Huurprijs en rendement van winkelvastgoed
Figuur 16: Grafiek huurprijspremium door oppervlaktetoename
1,4
Huurprijspremium
1,2
1
0,8
Huurprijs premium
0,6
Poly. (Huurprijs
premium)
0,4
0,2
0,1
100
200
300
400
500
600
700
800
900
1000
1100
1200
1300
0
Winkeloppervlak/ 10
Ongeveer vanaf 6 á 7 duizend vierkante meter komt er een grotere bereidheid om weer meer te
gaan betalen per vierkante meter. Dit zijn grote oppervlakken, en een korte blik in de dataset wijst
uit dat deze vrijwel uitsluitend verhuurd zijn aan warenhuizen als de Bijenkorf, Vroom&Dreesman en
grote supermarktfilialen. Het kantelpunt wordt duidelijk zichtbaar en de relatie is significant, wat
betekent dat de kwadratische functie van het oppervlak resultaten produceert die
hoogstwaarschijnlijk niet op toeval berust zijn.
De standplaatskwaliteit komt bijna overeen met de verwachting, echter worden op A2 locaties uit
deze dataset hogere huurprijzen behaald. Overige standplaatsen (B1, B2 en C) volgen in aflopende
volgorde een lagere huurprijs. De relatie met de standplaatskwaliteit werd ook al gevonden in
studies van Majoor (2009) en Bakker (2011).
Vervolgens de restduur van het contract en de totaalduur van het contract (inclusief verlengingen).
De verwachting was dat een langere restduur een langer contract zou betekenen wat een drukkend
effect zou kunnen hebben op de huurprijs. Deze negatieve relatie wordt inderdaad zichtbaar. De
verwachting was dat een langere totaalduur van het contract een lagere huurprijs zou betekenen
gezien de huurprijs lang geleden is afgesloten. Door de huurprijsindexatie zal de contracthuurprijs
niet zo hard gestegen zijn als de markthuurprijs. Deze relatie wordt niet gevonden. Hoe langer
geleden het contract afgesloten, hoe hoger de huurprijs.
Op basis van dit model een schatting gemaakt kan worden van huurprijs per vierkante meter per jaar
van een fictieve winkelunit, mits de benodigde informatie over deze variabelen bij een onderzoeker
aanwezig is.
62
Hedonisch prijsmodel voor winkelvastgoed
7 Rendementsmodel
De opgedane kennis bij het ontwikkelen van het huurprijsmodel wordt in dit hoofdstuk voortgezet in
het rendementsmodel. Zoals in het vorige hoofdstuk wordt eerst de algemene vorm van het
rendementsmodel beschreven, waarna de resultaten uit het empirische deel worden behandeld in
paragraaf 7.2.
7.1
Beschrijving rendementsmodel
Voor het rendementsmodel wordt volstaan met dezelfde methodiek als in het huurprijsmodel. In dit
model wordt de afhankelijke variabele: ‘Ln_O_Totaalrendement_2013’ (het totaalrendement van het
winkelobject van 2013) aan de regressie onderworpen. Dit levert de volgende algemene formule op:
(2)
Object_Totaal_rendement_2013 = b0 + b1 markt + b2 locatie + b3 consument,
aantrekkingskracht
en imago +
b4 ontwerp- en gebouwkenmerken + ε (error)
Om dit model te kunnen ontwikkelen is opnieuw de univariate relaties tussen de onafhankelijke
variabelen (continue en categorale dummies) enerzijds en de afhankelijke variabele (rendement). De
resultaten hiervan zijn te zien in table 15.
Opmerkelijke afwijkingen van de verwachting zijn de positieve relaties van het rendement met het
stadsdeelcentrum en het hoofdwinkelgebied. Men zou verwachten dat ten opzichte van het
wijkcentrum er lagere rendementen behaald zouden worden in winkelgebiedstypen die een lager
risico hebben. Ook de relatie tussen het rendement en het aantal passanten / inwoners binnen 2
kilometer is positief, waar een negatieve relatie was verwacht.
Tabel 15: Relatietabel rendementsmodel
Rendementsmodel Variabelen
2
R adj./ rendement
Verwachte relatie
rendement
Gevonden
relatie
Enkelvoudig Sig.
Eindmodel (Sig.)
nee
O_eenheden i n het object
-0,003
nega tief
nega tief
nee
O_vl oeroppervl a k va n het object
-0,003
nega tief
nega tief
nee
nee
d_A2
-0,011
pos i tief
pos i tief
nee
ja (**)
d_B1
-0,011
pos i tief
nega tief
nee
nee
d_B2
-0,011
pos i tief
pos i tief
nee
ja (**)
d_C
-0,011
pos i tief
pos i tief
nee
ja (*)
d_wi nkel gebi ed_hoofdwi nkel gebi ed_groot
0,007
nega tief
nega tief
nee
nee
d_wi nkel gebi ed_hoofdwi nkel gebi ed_kl ei n
0,007
nega tief
nega tief
nee
nee
d_wi nkel gebi ed_kernverzorgend_centrum_kl ei n_gro
ot nkel gebi ed_s tads deel centrum
d_wi
0,007
nega tief
pos i tief
nee
nee
0,007
nega tief
nega tief
nee
nee
d_wi nkel gebi ed_bi nnens tad
0,007
nega tief
pos i tief
nee
nee
O_expl oi tatiekos ten per m2
0,005
nega tief
nega tief
nee
ja (***)
LUPASSANTEN_1000
0,124
nega tief
pos i tief
ja
ja (***)
LU_INW_02_KM_1000
0,027
nega tief
pos i tief
ja
nee
d_LU_WINKELGEBIED_centra a l _onders teunend
-0,002
pos i tief
pos i tief
nee
nee
EX_10Mi nutenWOZ_kl a s s e_2_3_4_5_1000
0,004
pos i tief
pos i tief
nee
nee
EX_10Mi nutenWOZ_kl a s s e_6_7_8_9_10_1000
0,006
pos i tief
pos i tief
nee
nee
EX_10Mi nutenKKR_Deci el 1_2_3_4_1000
0,002
pos i tief
pos i tief
nee
nee
EX_10Mi nutenKKR_Deci el 5_6_7_1000
0,013
pos i tief
pos i tief
ja
nee
EX_10Mi nutenKKR_Deci el 8_9_10_1000
0,004
pos i tief
pos i tief
nee
nee
* Si gni fi ca nt op het 10% ni vea u, ** Si gni fi ca nt op het 5% ni vea u, *** Si gni fi ca nt op het 1% ni vea u
Tauw, H.
63
Huurprijs en rendement van winkelvastgoed
7.2
Eindmodel rendement: resultaten
Voor het ontwikkelen van het rendementsmodel zijn dezelfde uitgangspunten genomen als voor het
huurprijsmodel. In de studie naar determinanten van de huurprijs en het rendement zijn er geen
studies gevonden die op deze manier onderzoek doen naar de verklaring voor het rendement. De
verwachtingen van de relatie tussen de onafhankelijke variabelen en het totaalrendement was
daardoor onzeker.
Voor het construeren van het rendementsmodel is dezelfde methodiek gebruikt als voor het
huurprijsmodel. Eerst zijn de een-op-een relaties tussen de afhankelijke variabele en de
onafhankelijke variabelen getoest in een univariate regressie, en in volgorde van hoogste R2 naar
laagste R2 zijn er stapsgewijs variabelen toegevoegd aan het multiple regressiemodel. Duidelijk mag
zijn dat variabelen als bijvoorbeeld LU_Groep (waar de branches in zitten) niet meegenomen zijn
gezien objecten meestal verschillende winkels met andere winkelbranches bevatten.
In tabel 16 wordt de invloed per variabele weergegeven. Allereerst moet gemeld worden dat niet alle
variabelen een significante relatie hebben met het rendement. Er is voor gekozen om deze
variabelen toch in het model te laten omdat ze bijdragen aan de verklaringskracht van het model.
Dit model verklaart in totaal 22,4% van de variantie van het rendement, met een steekproefgrootte
van 209 winkelobjecten.
Tegen de verwachting in is er wederom een positieve relatie gevonden tussen het aantal passanten
en het rendement, en zelfs significant. Het hebben van meer passanten zal volgens dit model dus
leiden tot een hoger rendement. Dit effect blijft als de standplaatskwaliteit variabelen worden
verwijderd, een verklaring voor dit gegeven is nog niet te geven. Ook het aantal inwoners draagt bij
aan een hogere verklaringskracht en heeft een positieve relatie. Deze relatie is echter niet significant.
Drie van de vier standplaatskwaliteit-dummies zijn significant. Er worden significant hogere
rendementen behaald op slechtere locaties, ten gevolge van het hogere risico op de slechtere
locaties. Opmerkelijk is dat de coëfficient van B1 lager is dan A2, wat zou duiden op een lager
rendement, en mogelijk lager risico op B1 locaties dan op A2 locaties.
Hoge exploitatielasten hebben een significante negatieve relatie met het rendement, hoge kosten
drukken het rendement en gezien dit een puntmeting is in de tijd, kan dit effect anders uitpakken in
een longitudinale studie. Net als in het huurprijsmodel is er een relatie gevonden met de lage WOZ
klassen binnen 10 minuten, deze relatie is echter niet significant. De verklaring hiervoor is mogelijk
dat er in een gebied met lage WOZ waarden, lagere huurprijzen worden gerealiseerd en daardoor
ook lagere rendementen worden behaald. In het huurprijsmodel wordt daarentegen een positieve
relatie gevonden met de huurprijs, dus hier kan geen eenduidige relatie gelegd worden. Een hoge
koopkracht zou duiden op hogere huurprijzen en navenant lagere rendementen, maar ook deze
variabele is niet signiifcant.
64
Tauw, H.
,160
,143
,333
,507
-,001
-,002
-,003
d_standplaatskwaliteit A2
d_standplaatskwaliteit B1
d_standplaatskwaliteit B2
d_standplaatskwaliteit C
O_Exploitatie-kosten / m2 2013
EX_10MinutenWOZ_klasse_2_3_4_5_1000
EX_10MinutenKKR_Deciel8_9_10_1000
d. R=0,508, R2= 0,258, Adjusted R Square= 0,224, Std. Error=0,34089, N=209
b. Dummy standplaatskwaliteit: referentiecategorie= standplaatskwaliteit A1.
a. Afhankelijke variabele: Ln O_Totaal_rendement_2013
,002
LU_inwoners binnen 2km per 1000
,002
,001
,000
,218
,108
,078
,060
,001
,003
,070
3,124
,017
Std. Error
B
LU_passanten per 1000
Model
1 (Constante)
Unstandardized Coefficients
Rendementsmodel
-,090
-,147
-,227
,156
,235
,146
,192
,184
,513
Beta
Standardized Coefficients
-1,073
-1,955
-3,666
2,325
3,071
1,838
2,673
1,942
,284
,052
,000
,021
,002
,067
,008
,054
,000
,000
44,423
5,399
Sig.
t
***
**
**
*
***
-
(*/**/***/-)
Hedonisch prijsmodel voor winkelvastgoed
Tabel 16: Eindmodel rendement
65
Huurprijs en rendement van winkelvastgoed
8 Conclusies
8.1
Huurprijsmodel en rendementsmodel
Het doel van dit onderzoek, zoals geformuleerd in de introductie van deze thesis, is om een
hedonisch huurprijsmodel te ontwikkelen met de variabelen die in de literatuur worden aangemerkt
als determinanten van de huurprijs per vierkante meter. Dit wordt opgevolgd met de ontwikkeling
van een rendementsmodel. Door het maken van deze twee modellen wordt gepoogd om bij te
dragen aan de inhoudelijke robuustheid van hedonische prijsmodellen door het valideren ervan met
nieuwe data en het toevoegen van nieuwe variabelen. Hiermee wordt antwoord gegeven op de
vraagstelling: Op basis van welke variabelen is de beleggingsprestatie van Nederlands winkelvastgoed
te voorspellen?
De uitgevoerde analyses hebben geleid tot een huurprijsmodel waar in eerste instantie 1011
winkelunits in opgenomen zijn. Wegens een tekort aan waarnemingen van branche-variabelen en
met name de standplaatskwaliteit heeft het huurprijsschattingsmodel een steekproefgrootte van 558
winkelunits. De te verklaren variabelen zijn daadwerkelijk gerealiseerde winkelhuurprijzen uit de
vastgoedpraktijk. Hiervoor zijn 9 variabelen gebruikt, die een significante relatie met de huurprijs
bleken te hebben, te weten: het aantal inwoners in een straal van 2km, een lage of hoge WOZwaarde van huishoudens binnen 10 minuten reizen, de branchegroep (dummies), het oppervlak, de
standplaatskwaliteit (dummies), de huurprijstrend, de restduur van het huurcontract en de
totaalduur van het huurcontract.
Additionele variabelen zijn gevonden, echter droegen die niet bij aan een hogere verklaringswaarde,
en dus niet aan de kwaliteit van het model, of werden niet-significant in een multiple regressie.
De algehele prestatie van het huurprijsmodel in termen van de verklaringskracht (R2 adjusted van
43%) is in vergelijking met andere studies gemiddeld te noemen. Huurprijsmodellen over 1 specifiek
winkelgebiedstype; zoals wijkwinkelcentra door Koot (2006), 16 planmatige winkelcentra van Bakker
(2011) of binnenstedelijk winkelvastgoed van Majoor (2009), laten aanzienlijk hogere R2 waarden
zien. Deze studies wijken beduidend af van dit onderzoek, omdat deze vergelijkbare
onderzoekseenheden hebben. Men zou dat kunnen omschrijven als een homogene dataset. De
samenstelling van de dataset in dit onderzoek is niet homogeen maar heterogeen; een ‘bonte’
verzameling van verschillende winkelgebiedstypen, in verschillende afmetingen steden, verspreid
over heel Nederland.
Een eerste reden voor de lagere verklaringswaarde is waarschijnlijk de heterogeniteit van de dataset.
De heterogeniteit maakt het lastiger om onderlinge verschillen tusen winkelunits goed meetbaar te
maken met een beperkt aantal variabelen. Deelstudies met homogene modellen slagen er beter in
om de invloeden van factoren op de huurprijs te vatten in een model. In de aanbeveling worden nog
een aantal suggesties gemaakt om hedonische prijsstudies op een nog andere manier te benaderen.
Een tweede reden, dat huurprijsmodellen met homogene datasets hogere verklaringswaarden
behalen, is mogelijk dat de afhankelijke variabele in die studies afwijkt van de afhankelijke variabele
in deze studie. Het verklaren van een gemiddelde huurprijs per straat of per winkelcentrum is iets
anders dan de huurprijzen van elke winkel individueel. Ook zit er een verschil in het verklaren van
contracthuurprijzen en markthuurprijzen. Mogelijk zijn markthuurprijzen beter te verklaren, omdat
66
Hedonisch prijsmodel voor winkelvastgoed
ze gebaseerd zijn op courante informatie (uit modellen van) de makelaar of taxateur. Er zijn dus
verschillende typen huurprijzen die men kan verklaren, waardoor niet elk hedonische studie per
definitie met elkaar te vergelijken is.
Zoals beschreven in de resultaten blijkt het winkelgebiedstype in deze analyse geen overtuigende
variabele te zijn voor het verklaren van de huurprijs. Hieruit zou men kunnen concluderen dat (voor
wat betreft de beleggingsprestatie)het classificeren van winkelgebieden meer een administratieve
functie heeft dan het ordenen van een hiërarchisch stelsel. Verschillen tussen bijvoorbeeld een klein
kernverzorgend centrum en een groot wijkcentrum geven te weinig kracht om onderscheid te
kunnen bieden.
Uit de literatuur bleek dat het aantal inwoners in een straal rondom een winkel een zeer sterke
relatie met de huurprijs heeft. De verwachting was dat wanneer dit niet in een straal rondom de
winkel gemeten zou zijn, maar met daadwerkelijke reistijden, deze variabele nog beter zou
presteren. Het aantal inwoners in een reistijd van 10 minuten blijkt echter toch onder te doen voor
het aantal inwoners in een straal van 2 kilometer. Een hogere dichtheid van inwoners rondom de
winkel is blijkbaar nog belangrijker dan een goede bereikbaarheid. Wel blijkt uit dit onderzoek dat
het aantal inwoners in een straal van 2 kilometer geen rechte lijn volgt met de huurprijs, de
maximale huurprijs zal behaald worden bij 130.000-140.000 inwoners, waarna de huurprijs weer
daalt.
Een variabele die nog niet in de literatuur aanwezig was zijn de WOZ-waarde klassen. Waar werd
verwacht dat er een relatie zichtbaar zou worden tussen de inkomensklassen en de huurprijs, kwam
juist de relatie met de WOZ-klassen naar voren. Hieruit is te concluderen dat in een gebied met
hogere WOZ waarden, de huurprijs net iets sneller stijgt dan in gebieden met lagere WOZ waarden.
Ook de koopkracht-variabelen blijken sterke variabelen, en ook al was deze in het eindmodel nietsignificant, bleek deze variabele wel sterker te zijn dan de inkomensvariabele.
Zoals verwacht kwam er een vrij sterke relatie met de groepen branches naar voren. Uit de literatuur
bleek ook dat beleggers weten dat winkels uit sommige branches nou eenmaal een lagere
vloerproductiviteit hebben, waardoor minder huur opgebracht kan worden door de retailer. Om toch
een goede retail mix te creeëren in een gebied, betalen retailers verschillende huren en heeft
diversiteit meer waarde dan eenzijdig aanbod en huuromzetmaximalisatie.
Het oppervlak van een winkel is weer een sterke variabele voor de huurprijs gebleken. Een groter
oppervlak zorgt voor een lagere huurprijs, die relatie werd ook al gezien in studies van Bakker (2011),
Yuo et. al. (2004) en Des Rosiers et. al. (2005). In aanvulling hierop kan geconcludeerd worden dat
ook hier een niet-lineaire relatie beter werkt. Dit betekent net als bij het aantal inwoners, dat er een
omslagpunt zit in het moment dat retailers weer bereid zijn om meer te gaan betalen. Dit
omslagpunt betreft de extreem grote (en zeldzame) winkels met hoge vloeroppervlakken vanaf 7.000
vierkante meter en groter.
De relatie met standplaatskwaliteit blijkt in deze studie sterker te zijn dan de relatie met het aantal
passanten. Ondanks dat de standplaatskwaliteit afhankelijk is van het aantal passanten, zijn het wel
twee verschillende variabelen. De passantenvariabele is continue, en landelijk vergelijkbaar. De
standplaatskwaliteit is een lokale vergelijking tussen passantenstromen. Op die manier zit een A1
winkel in een kleine stad in dezelfde categorie als een A1-winkel uit een grote stad. Desalniettemin is
de standplaatskwaliteit variabele significant. De passantenvariabele bljkt wel degelijk een zeer sterke
en significante relatie op te leveren in de een-op-een relatie met de huurprijs. Dit effect valt echter
weg wanneer de standplaatskwaliteit wordt toegevoegd.
Tauw, H.
67
Huurprijs en rendement van winkelvastgoed
Een tweede variabele die nog niet in de literatuur was gevonden is de economische huurprijstrend
uit paragraaf 4.5.8. Huurprijzen blijken historisch gestegen te zijn, maar wel met tussentijds
oponthoud rond 1980 en 2007. De economische cyclus uit het verleden is hierbij van belang
gebleken.
Ook de restduur van het contract en de totaalduur van het contract blijken een significante relatie te
hebben. Deze relatie was eerder gevonden in een buitenlandse studie van Nase (2012), die de
transactiedatum van het contract mee nam in de regressieanalyse. Uit dit onderzoek blijkt dat een
langere restduur een negatieve relatie heeft met de huurprijs. Hieruit kan men twee dingen
concluderen: 1. wanneer men een langer huurcontract afsluit, wordt een lagere huurprijs betaald óf
2. het huurcontract is kort geleden afgesloten in een periode van recessie, waarin de huurprijzen
significant lager liggen. Welke van de twee waarheid is, is niet geheel duidelijk. Wel is duidelijk dat er
geen hoge correlatie is tussen de huurprijstrend-variabele, de looptijd van het contract en de
resterende looptijd. Dit sluit mogelijk de tweede conclusie uit.
Het verklaren van de variantie in het rendement bleek in de praktijk een moeilijke opgave. Dit was
echter wel de verwachting. Rendement is in essentie een utkomstvariabele van het verschil tussen
opbrengsten en kosten, gedeeld door de aanschafwaarde van het winkelobject. Het schatten van
rendement behoeft het ontwikkelen van modellen voor elk van die componenten, wat niet gedaan is
voor deze studie.
De uitevoegde analyse heeft geleid tot een rendementsmodel waar in eerste instantie 301
winkelobjecten in opgenomen zijn. Wegens een tekort aan waarnemingen van verschillende
variabelen heeft het rendementsmodel een steekproefgrootte van 209 winkelobjecten. Het
totaalrendement van 2013 was de te verklaren variabele, waarvan de variantie voor 22,4% verklaard
is. Hiervoor zijn 6 variabelen gebruikt, waarvan er 3 significant bleken te zijn en de andere bijdroegen
aan de verklaringswaarde. Deze significante variabelen zijn: het aantal passanten, de
standplaatskwaliteit en de exploitatiekosten. Hierbij moet met klem vermeld worden dat de
assumpties voor normaliteit en heteroscedasticiteit niet aangenomen zijn. Dit betekent dat de
uitkomsten discutabel genoemd mogen worden en mogelijk geen afspiegeling vormen van de
werkelijkheid.
De resultaten lieten zien dat er een hoger rendement wordt verwacht op locaties die meer passanten
trekken. Dit lijkt een onjuiste conclusie gezien de lagere rendementen juist op locaties worden
behaald met hoge passantenstromen. Een meer logische relatie wordt wel gezien in de
standplaatskwaliteit-variabelen. Hoe slechter de locatie, hoe significant hoger het rendement. Hier
leek het erop dat de uitkomsten voor de passantenvariabele werd beinvloed door de
standplaatskwaliteitvariabele. Dit bleek niet zo, want ook na het verwijderen van de
standplaatskwaliteit-variabele, bleef het passantenaantal een positieve relatie houden met het
rendement.
De exploitatiekosten hebben zoals verwachte een negatieve relatie, zoals hieboven omschreven is dit
een onderdeel van de formule voor het rendement en was dit voorzien. Wanneer hier een positieve
relatie uit was gekomen had dit mogelijk kunnen aantonen dat investeringen in winkelgebieden
uiteindelijk uitbetalen in een hoger rendement. In de aanbeveling wordt hier nader op ingegaan.
De hoofdconclusie van dit rapport is dat met name het ontwikkelen van een huurprijsmodel voor een
heterogene dataset veel perspectief biedt. Voor het ontwikkelen van een rendementsmodel dienen
68
Hedonisch prijsmodel voor winkelvastgoed
eerst deelstudies verricht te worden naar de afhankelijke variabelen uit de functie voor het
rendement, te weten de: opbrengsten, kosten en transactiewaarde van winkelvastgoed. Zoals in
deze studie getoond, is er een aanvulling gedaan voor het modelleren van de opbrengsten. Modellen
voor de kosten en de transactiewaarde van winkelvastgoed zouden hier aan toegevoegd kunnen
worden om het rendement beter te schatten.
9
9.1
Discussie en aanbevelingen
Aanbevelingen voor de bestaande literatuur
Voor de literatuur is het aan te bevelen om de significante variabelen uit deze studie op te nemen als
zijnde huurprijsverklarende variabelen. Nieuwe inzichten uit dit onderzoek zijn de huurprijstrend
variabelen, de restduur van het contract, de totale contractduur en de WOZ waarde variabelen. Het
tijdseffect, waarin te zien was dat huurprijzen in het verleden lager liggen dan in het heden, laat zien
dat het uitbreiden van deze studie aanknopingspunten biedt.
Zoals de studie nu is uitgevoerd zijn alleen huurprijzen uit 2013 verklaard, met een variabele die
corrigeert voor het tijdseffect. Dit zou aangevuld kunnen worden met huurprijzen en rendementen
uit voorgaande jaren, maar ook met onafhankelijke variabelen uit de jaren ervoor. Door deze
longitudinale methode te hanteren zou bijvoorbeeld ook het effect van kosten die in het verleden
gemaakt zijn, als voorspeller opgenomen kunnen worden van hogere of lagere
totaalrendementen/huurprijzen die later in de tijd behaald worden. Daarmee zou het effect van
kosten op toekomstige rendementen/huurprijzen onderzocht kunnen worden.
In de regel is het zo dat studies met meer waarnemingen, meer onafhankelijke variabelen kunnen
opnemen. Het is daarom zonde dat de standplaatskwaliteit-variabele en de branchegroep-variabele
de steekproefgrootte ernstig heeft verlaagd Dit heeft vrijwel zeker invloed gehad op de resultaten.
De volledigheid van het aantal waarnemingen van belangrijke variabelen is aan te bevelen voor
vervolgonderzoek. Dit is echter niet altijd voorhanden in de praktijk.
Gezien niet alle variabelen uit de literatuur in de praktijk beschikbaar bleken voor dit onderzoek, is
het aan te bevelen om dit model ‘in de breedte’of ‘in de diepte’aan te vullen met andere variabelen.
Hierdoor stijgt mogelijk de verklaarde variantie van het model. De grootte van het winkelgebied (in
verkooppunten of in vierkante meters) zou een aanvullende verklaring kunnen opleveren. Echter,
zoals Bakker (2011) redeneert, zou dit al verdisconteerd kunnen zijn in de variabel aantal inwoners
binnen 2 km. Een andere toe te voegen variabele is het percentage mode in het gebied, een
variabele die significant bleek in het model van Majoor (2009). Over het bouwjaar zoals in de studies
van Koot (2009) en Sirmans et. al. (1993), was geen informatie bekend en zou toegevoegd kunnen
worden aan dit model.
In een Nederlandse studie van Koot (2006) was ook de parkeergelegenheid een significante variabele
die invloed had op de huurprijs. Ook de diversiteit aan winkels in een winkelgebied, of juist de
concentratie van merknamen zoals gevonden in studies van Yuo et. al (2004) en Bakker (2011)
zouden als voorspeller van de huurprijs kunnen worden opgenomen.
Het model zou ook in de diepte verrijkt kunnen worden met hoogwaardige data over de winkelunits
zelf, hierbij zou men bijvoorbeeld kunnen denken aan variabelen die de attentiewaarde verhogen: de
Tauw, H.
69
Huurprijs en rendement van winkelvastgoed
frontbreedte, het oppervlak aan etalage, de verdiepingshoogte, het aantal verdiepingen, de vorm
van de ruimte en de indeling. Dit zijn kenmerken die de aantrekkingskracht van de fysieke winkel op
de consument kunnen verhogen (attentie).
Ook zijn er variabelen die niet in de literatuur zijn gevonden, en vermoedelijk een sterke relatie
hebben met de huurprijs. Zo zouden bijvoorbeeld het verzamelen van omzetgegevens van retailers
of bestedingspatronen van consumenten mooie variabelen kunnen opleveren om mee te nemen in
onderzoek. Deze data is echter zeer beperkt beschikbaar voor enkele winkelgebieden en heeft
daarom limitaties. Landelijk onderzoek hiernaar is vanwege de privacygevoeligheid van de burger, als
de confidentiële cultuur binnen retailers, niet aanwezig. Het is nog maar kort geleden dat de
Nederlandse bank ING in opspraak raakte omdat deze klantgegevens op commerciële wijze wilde
exploiteren. Mogelijk zouden er wel verbanden gevonden kunnen worden tussen leefstijl van een
consument en de branchemix/huurdersmix van een winkelgebied; deze informatie is wel bekend bij
Nederlandse bedrijven als Experian en Locatus. Een nieuw product van laatstgenoemde is de Retail
Risk Index, een model waarmee de slagingskans van een ondernemer in een winkelpand wordt
gemeten met 4 variabelen. Modellen als deze kunnen ook geintegreerd worden in een hedonisch
prijsmodel, mogelijk worden de schattingen van de huurprijs hierdoor nog zuiverder.
Voorgaande studies hebben laten zien dat huurprijsmodellen per winkelgebiedstype, de homogene
modellen, hoge verklaringswaarden behalen. Een heterogeen totaalmodel voor alle typen is niet
onmogelijk gebleken, maar doet wel afbreuk aan de verklaringswaarde. Tijdens het
onderzoeksproces is het idee gerezen dat huurprijsmodellen op verschillende manieren ingericht
kunnen worden. Het lijkt bijvoorbeeld ook goed mogelijk om een huurprijsmodel per branchegroep
te ontwikkelen. In deze studie zijn in totaal 8 groepen onderscheiden, wat zou betekenen dat het
ontwikkelen van 8 modellen afdoende zou zijn. Het grote voordeel hieraan is dat je branchegericht
op zoek kunt gaan naar verklarende variabelen. Tijdens dit proces is meermalen genoemd dat
sommige variabelen voor de ene winkel sterker gelden dan voor de andere. Het is bijvoorbeeld voor
een kledingwinkel veel belangrijker dat er een ‘kritieke massa’ aan andere kledingwinkels aanwezig is
in een winkelgebied dan voor een supermarkt. Een supermarkt agglomereert zelf genoeg
consumenten, terwijl een kledingwinkel andere kledingwinkels nodig heeft om genoeg agglomeratieeffect te ontwikkelen en klanten te trekken.
Een andere optie is om winkelgebieden in te delen naar het overwegende bezoekmotief; runshoppen, fun-shoppen en doelmatig shoppen. Dit zou tevens aanvullende inzichten kunnen
opleveren voor huurprijsonderzoek.
De algehele prestatie van het rendementsmodel was niet voldoenend. Dit heeft te maken met de
totstandkoming van het totaalrendement. Het rendement is in grote lijnen afhankelijk van de
huurprijs, de kapitaalswaarde bij aankoop van het object en de kosten die gemaakt worden in het
object. Deze zijn gespecificeerd in vaste kosten, beheerskosten, verhuur- en marketingkosten en
overige kosten. Het verklaren van de kapitaalswaarde en/of de marktwaarde, is mogelijk een
onderwerp wat beter geschikt is voor een hedonische prijsstudie. Als opnieuw een model gemaakt
zou worden om het rendement te schatten, zouden hier deelmodellen moeten worden gemaakt die
de opbrengsten (huurinkomsten), de bovenstaande kosten en de kapitaalswaarde van
winkelvastgoed voorspellen. Het lastige aan het verklaren van het rendement van deze dataset is dat
het een rendement betreft van meerdere winkels in 1 object. Hierdoor gaat veel unitniveau
70
Hedonisch prijsmodel voor winkelvastgoed
informatie verloren omdat op een hogere schaal (objectniveau) wordt onderzocht. Zo is het
bijvoorbeeld niet meer mogelijk om de invloed van de branchegroep op het rendement te meten als
er in een object verschillende branches gevestigd zijn. Om die reden is het aan te bevelen om een
dataset te ontwikkelen met objecten waarin 1 unit is gevestigd. In de praktijk zal dit echter een kleine
dataset opleveren, tenzij er veel vastgoedbeleggers meewerken aan het onderzoek.
9.2
Aanbevelingen voor de Nederlandse vastgoedwereld
Wanneer er een aanbeveling gedaan zou mogen worden aan de vastgoedwereld, en dan met name
de vastgoedbelegger, dan heeft dit betrekking op een tweetal zaken. Ten eerste zijn dit de conclusies
die een belegger aan de resultaten kan verbinden met betrekking tot de acquisitie of dispositie van
winkelvastgoed of het vormen van een strategie daaromtrent. Ten tweede zijn dit aanbevelingen ten
behoeve van het zodanig inrichten van de bedrijfsvoering, dat beschikbare informatie over
winkelobjecten en winkelunits beter bereikbaar wordt. Dit zou kunnen leiden tot meer handvatten
die vanuit winkelunit-niveau bottom up inzichten kunnen geven in de portefeuille.
Uit dit onderzoek is gebleken dat een belegger de beste kansen op een goede vastgoedexploitatie
heeft met een specifiek type winkelunit. Hieronder wordt een hypothetische situatie geschetst
waarin er een ‘carte blanche’ gegeven zou worden om ‘een winkelunit’ aan te kopen, en welke
specifieke aanbevelingen er uit dit onderzoek gemaakt zouden kunnen worden:
Een belegger zou op zoek moeten gaan naar een winkelunit in een binnenstad of een
stadsdeelcentrum van een Nederlandse stad, bij voorkeur in de provincie Zuid-Holland of Flevoland.
De standplaatskwaliteit van deze winkel zou A2 moeten zijn, waar ongeveer 50-75% van de
passanten lopen ten opzichte van de beste winkelstraat in het gebied. Gezien de trend dat grotere
vloeroppervlakken steeds meer in trek zijn, zou een oppervlak tot 1000 m2 aan te bevelen zijn. Bij
winkels die veel groter worden dan dit, daalt namelijk de bereidheid om hier een hogere huurprijs
voor te betalen. Mocht er echter een heel groot vloeroppervlak te koop zijn (>11.000m2), en er is
vraag naar een warenhuis of grote supermarkt, dan kan dit ook potentie bieden. In de betreffende
stad zou er in een straal van 2 kilometer ongeveer 130.000 inwoners moeten wonen, met een
woning uit een hoge WOZ-klasse. Voor wat betreft het verhuren van de winkel zou men allereerst uit
moeten kijken naar een retailer met een formulewinkel. Zelfstandige ondernemers betalen historisch
gezien namelijk lagere huurprijzen. Een klein oppervlak zou het beste aan een bank verhuurd kunnen
worden, en een groot oppervlak idealiter aan een winkel actief in de dagelijkse branche, in-en-omhet-huis branche of mode&luxe branche. Deze retailer kan vervolgens het beste op zoek gaan naar
een verzorgingsgebied binnen een straal van 2 kilometer of binnen een reistijd van 10 minuten.
Gezien de lage huurprijzen momenteel is het overdenken waard om kortere huurcontracten af te
sluiten. Mocht de huurprijs op korte termijn dan weer gestegen zijn dan kan deze bij
huurprijsherziening weer opwaarts bijgesteld worden.
De administratie van de institutionele belegger uit dit onderzoek was zeer goed op orde, de
aansluiting tussen de objectinformatie en de unitinformatie (huurlijsten) is vrijwel probleemloos
verlopen. De aansluiting met externe data is daarentegen lastiger. Veel van de informatie uit de
markt wordt extern ingekocht, en het is zonde om te zien dat die koppeling niet op een hoge orde
Tauw, H.
71
Huurprijs en rendement van winkelvastgoed
integraal gemaakt wordt. De analyse van de totale portefeuille zou op die manier veel efficiënter
ingericht kunnen worden, zonder dat hier veel organisatorische lastenverzwaring tegenover staat.
Voor wat betreft de datakoppeling naar consumentendata volstaat de postcode van een winkel. Voor
de koppeling aan objectspecifieke data, zoals die van Locatus, is geen overeenkomstige ID aanwezig.
Enkel het opnemen van de Locatus UnitID in de huurlijsten van de winkelunits zou hier oplossing
kunnen bieden.
De huurlijsten zouden eventueel ook aangevuld kunnen worden met data over de laatste
grootschalige renovatie of andere unitspecifieke data die de attractiewaarde bepalen. Ook het
opnemen van het bouwjaar, welke in veel andere studies interessante significante relaties oplevert,
zou hieraan toegevoegd kunnen worden.
72
Hedonisch prijsmodel voor winkelvastgoed
Bronvermelding
Benjamin, J, Boyle, G, & Sirmans, C 1990, 'Retail Leasing: The Determinants of Shopping Center
Rents', /Journal Of The American Real Estate & Urban Economics Association/, 18, 3, pp. 302-312,
Business Source Complete, EBSCO/host/, viewed 5 March 2014.
Boerebach, J.J.(2012). Sense of place: attachment to, identity with and dependence of shopping
locations. Master thesis: Eindhoven: Eindhoven University of Technology,
Bolt, E. (2003). Winkelvoorzieningen op waarde geschat, Theorie en Praktijk, Bolt: Merkelbeek.
Borgers, A., Kemperman, A. en Janssen, A. (2013). Op zoek naar de atmospherics van de binnenstad,
in: SCN/NRW special 2013, uitgave 40: p.72-75.
BNP Paribas (2012). Retail Risk Index, the health of our town within a weakening retail economy
2012,Paris (FR): BNP Research.
Bryman, A. (2008) Social Research Methods. Oxford (VK): Oxford University Press, Incorporated,
2008: 3rd edition.
Buvelot (2007). Omzethuur en de waarde van winkelcentra, Amsterdam: Amsterdam School of Real
Estate: p. 4.
CBS Statline (2013) Institutionele beleggers; vastgoedbeleggingen (statline.cbs.nl) 27-09-2013,
bezocht op 03-04-2014.
Dijkman, W.K. (2012). Improving the shopping experience: the atmospherics within an inner-city
shopping area. MSc Thesis, University of Technology, Eindhoven.
Field, A. P. (2013). Discovering statistics using IBM SPSS statistics: And sex and drugs and rock 'n' roll.
Los Angeles: Sage.
Finance Ideas (2013). Gefundeerd de verkoopstrategie bepalen, Utrecht: Finance Ideas.
Gatzlaff, D, Sirmans, G, & Diskin, B 1994, 'The Effect of Anchor Tenant Loss on Shopping Center
Rents', /Journal Of Real Estate Research/, 9, 1, p. 99, Business Source Complete, EBSCO/host/,
viewed 5 March 2014.
Gerbich, M 1998, 'Shopping Center Rentals: An Empirical Analysis of the Retail Tenant Mix', /Journal
Of Real Estate Research/, 15, 3, p. 283, Business Source Complete, EBSCO/host/, viewed 5 March
2014.
GfK Retail (2013) What’s going on in retailing, veranderend koopgedrag WGOIR. Panel Services
Benelux: Amstelveen: p.18.
Gool, P. van, D. Brounen, P. Jager & R.M. Weisz (2007), Onroerend goed als belegging. Groningen /
Houten: Wolters-Noordhoff: pp. 20, 53, 55.
Tauw, H.
73
Huurprijs en rendement van winkelvastgoed
Gregory H., C, Eppli, M, & Shilling, J 2001, 'A Simulation Analysis of the Relationship between Retail
Sales and Shopping Center Rents', /Journal Of Real Estate Research/, 21, 3, p. 163, Business Source
Complete, EBSCO/host/, viewed 5 March 2014.
Hoven (2013)Uitdagingen voor de vastgoedbelegger in een turbulent retaillandschap, In: Tijdschrift
huurrecht in de praktijk, nummer 8, december 2013. Den Haag: SDU uitgevers: 224-227
HBD (2013) Omzet kengetallen 2011/2012, ten behoeve van ruimtelijke economisch onderzoek, Den
Haag: Hoofd Bedrijfschap Detailhandel.
IPD (2013) Definitielijst input- en outputparameters, IPD Nederlandse Vastgoedindex maart 2013.
Almere: IPD: pp. 4, 5, 18, 30.
IVBN (2010). Het risk management van institutionele vastgoedbeleggers, Voorburg: IVBN: 11.
Jones Lang Lasalle (2011) Retailmarktspecial 2011, samen winnen, Amsterdam: JLL National
Research.
Jones Lang Lasalle (2012) Dutch Real Estate Market Bulletin, On.Point: destination core, Amsterdam:
JLL National Research: 25-26
Jongejan, P. (1992), ‘Cyclische fluctuaties bij het beleggen in onroerend goed’, in VOGON Journaal,
nummer 1: 11-15.
Kalmijn, M. & Kraaykamp, G. (1999). Databank Sociologische onderzoeksartikelen 1975-1998
[DS0798] {databestand}. Universiteit Utrecht/ Katholieke Universiteit Nijmegen: p.166.
Kempen Capital Management (2012) Dynamiek winkelvastgoed seminar, opinie artikel 06/12/12:
Amsterdam: Kempen CM: 1.
Locatus (2012) Retail Risk Index, kansen en risico´s voor winkels scherp in beeld, Woerden: Locatus.
Mejia, L, & Benjamin, J 2002, 'What Do We Know About the Determinants of Shopping Center Sales?
Spatial vs. Non-Spatial Factors', /Journal Of Real Estate Literature/, 10, 1, pp. 3-26, Business Source
Complete, EBSCO/host/, viewed 5 March 2014.
Nase, I, Berry, J, & Adair, A 2013, 'Hedonic modelling of high street retail properties: a quality design
perspective', /Journal Of Property Investment & Finance/, 31, 2, pp. 160-178, Business Source
Complete, EBSCO/host/, viewed 5 March 2014.
Nozeman, E., W. van der Post & M. Langendoen (2012), Het Nederlandse winkellandschap in
transitie, Den Haag: Sdu Uitgevers: p. 98, 227-253.
Op Heij, T.J.P. (2012). Environmental influences on shopping behaviour: an empirical study into the
contribution of environmental characteristics to the experiental value of the consumer,
differentiated by age. MSc Thesis, University of Technology, Eindhoven.
PBL en ASRE (2013) Gebiedsontwikkeling en commerciële vastgoedmarkten, een institutionele
analyse van het (over)aanbod van winkels en kantoren, Amsterdam: ASRE en Planbureau voor de
Leefomgeving (PBL). P. 49-54.
Rabobank (2014) Retailing beyond borders: Disruption? Recharge!, Utrecht: Rabobank International:
pp. 27.
74
Hedonisch prijsmodel voor winkelvastgoed
Raijmakers, P.G. (2012). Simulation of recreational consumer visits in downtown shopping centers.
MSc Thesis, University of Technology, Eindhoven.
Rosiers, F, Thériault, M, & Lavoie, C 2009, 'Retail Concentration and Shopping Center Rents--A
Comparison of Two Cities', /Journal Of Real Estate Research/, 31, 2, pp. 165-207, Business Source
Complete, EBSCO/host/, viewed 5 March 2014.
ROZ (2014) Prognoses op basis Cpb juniraming en IPD 2014 Q1, Almere, p1.
SCN NRW (2014) NRW special, Retail leeft! Huizen, P.6-9
Sirmans, C, & Guidry, K 1993, 'The Determinants of Shopping Center Rents', /Journal Of Real Estate
Research/, 8, 1, p. 107, 113, Business Source Complete, EBSCO/host/, viewed 5 March 2014.
Sybertsma (2011). Omzethuur als managementtool, de werkelijke kracht van omzethuur, Amsterdam
School of Real Estate, Amsterdam, 03/2011, p. 4.
Vink (2012) Van belevingswaarde naar beleggingswaarde, het bezit van de onroerende zaak begint
bij het vermaak, thesis ASRE, Amsterdam: p.28
Vlasveld (2012). Sustainable retail performance, sustainability and the performance of a retail
property investment portfolio. Amsterdam School of Real Estate, Amsterdam: p.26, 33.
Willems, H.J.H.M. (2012). Shopping behaviour; an empirical study into the appreciation of
atmospheric characters of inner-city shopping area’s given the shoppers’motivational orientation,
MSc Thesis, University of Technology, Eindhoven.
Yuo, T, Lizieri, C, McCann, P, & Crosby, N 2011, 'Rental Values in UK Shopping Malls', /Urban Studies
(Sage Publications, Ltd.)/, 48, 8, pp. 1667-1679, Business Source Complete, EBSCO/host/, viewed 5
March 2014.
Tauw, H.
75
Huurprijs en rendement van winkelvastgoed
Begrippenlijst
Dispositie
Het afstoten van vastgoed kan gebeuren door de verkoop of sloop van het
onroerend goed. Meestal besluiten vastgoedbezitters panden af te stoten
omwille de rendement-risicoverhouding die niet past binnen de huidige
vastgoedportefeuille.
Direct rendement:
De feitelijke netto-huuropbrengsten gedurende een bepaalde periode,
afgezet tegen het gemiddeld geinvesteerd vermogen van de onderliggende
vastgoed objecten (cq. portefeuilles) over de meetperiode (ROZ/IPD, 2007:5).
Het direct rendement wordt berekend met behulp van de volgende formule:
IR
NI
CV
Cexp
Exploitatiekosten
=Income Return
=Net Income
=Capital Value
=Capital Expenditure
=Direct rendement
=Netto opbrengsten
=Kapitaalswaarde
=Kapitaalsuitgaven
Kosten die gemaakt worden voor onderhoud, leegstand, verzekering, beheer
e.d. van het onroerend goed, uitgedrukt in een percentage van de huur.
Hedonische prijsmodel Een model wat de prijsbepalende factoren identificeert, welke zijn bepaald
door zowel door interne karakteristieken van het te verkopen goed, als
externe factoren die daarop van invloed zijn. (investopedia.com)
Huurindexatie
De jaarlijkse aanpassing van de huur aan het CBS-prijsindexcijfer. Hiervoor
worden ook de termen index of indexering gebruikt.
Indirect rendement:
Ook waardegroei genoemd, geeft de waardeveranderingen weer gedurende
een bepaalde periode, afgezet tegen het gemiddeld geïnvesteerd vermogen
van de onderliggende vastgoedobjecten c.q. portefeuilles over de
meetperiode (ROZ/IPD, 2007: 5). Het indirect rendement wordt berekend
met de volgende formule:
CVG
CV
Cexp
=Capital Growth
=Capital Value
=Capital Expenditure
=Waardegroei of indirect rendement
=Kapitaalswaarde
=Kapitaalsuitgaven
76
Hedonisch prijsmodel voor winkelvastgoed
Crec =Capital Receipts
Kapitaalsontvangsten
Indirect
IRR rendement
=Verkoopontvangsten en andere
Een calculatiemethode waarbij het geprognosticeerde rendement wordt
berekend, rekening houdend met de hoogte en het tijdstip van alle uitgaven
voor en opbrengsten van de belegging (tijdswaarde van geld), inclusief de
teruggave door de fiscus, uitgaande van de veronderstelling dat op de
uitgekeerde som een vergelijkbaar rendement kan worden behaald
gedurende de looptijd van de investering. Bij een vergelijking tussen
verschillende projecten op basis van het te behalen rendement is het
derhalve beter dat te doen op basis van het IRR-rendement. Bij
vastgoed-beleggingen is het IRR-rendement altijd lager dan het enkelvoudig
rendement.
Leverage
Vreemd vermogen in verhouding tot de totale fondsinvestering, uitgedrukt in
een percentage
Multicollineairiteit
een verschijnsel in de statistiek waarbij twee sterk gerelateerde verklarende
variabelen worden meegenomen in een analyse om een verschijnsel te
verklaren
Risico
is de (in kansen uitgedrukte) mogelijkheid dat de realisatie van de
strategische, tactische, en/of operationele doelstellingen van een organisatie
negatief worden beïnvloed, waarbij de kans op realisatie ook daadwerkelijk
verlaagd wordt door onzekere tijdelijke en/of structurele (gevolgen van)
gebeurtenissen binnen en/of buiten de organisatie. (IVBN, 2010).
Totaal rendement:
Het totaal rendement is de som van de waardegroei en netto inkomsten in
een periode uitgedrukt alspercentage van het gemiddeld geïnvesteerd
vermogen. De formule om de maandelijkse totaal
rendementen te berekenen is:
CV
=Capital Value
Cexp =Capital Expenditure
Crec =Capital Receipts
Kapitaalsontvangsten
NI
=Net Income
TR
=Total Return
Tauw, H.
=Kapitaalswaarde
=Kapitaalsuitgaven
=Verkoopontvangsten en andere
=Netto huuropbrengsten
=Totaal Rendement.
77
Huurprijs en rendement van winkelvastgoed
Bijlagen
Bijlage 1: Dankwoord
Mijn dank gaat allereerst uit naar mijn twee begeleiders van het afstudeeronderzoek, Dion en Philip.
Jullie hebben mijnsinziens als het ware als een ‘twee componenten-kit’ gefunctioneerd in deze
thesis. Dion als de retail expert, en Philip als expert op het gebied van hedonische prijsstudies. Ik heb
van jullie beiden veel geleerd, in verschillende fasen van het onderzoek, en ben jullie hier zeer
dankbaar voor. Ik heb de bijeenkomsten, het proces en de samenwerking als zeer prettig ervaren en
er zijn weinig zaken die ik in retrospectief opzicht anders had gedaan.
Vervolgens gaat mijn dank uit naar Joost, vanaf het begin mijn begeleider binnen het
afstudeerbedrijf. Gezien je zelf ook pas 2 maanden in dienst was, hebben we in het begin zelfs wat
kennismakingsgesprekken met collega’s samen gedaan waardoor ook ik snel op de rails zat. Ik vond
het erg fijn om mijn eigen weg te zoeken in de loop van het onderzoeksproces, en ben je dankbaar
dat dit ook mogelijk was. Ook al is de dataverzameling niet altijd gemakkelijk gebleken, is er toch een
totaalmodel gekomen met wat er intern wél beschikbaar was. Ik was altijd zeer blij met jouw
oprechte, genuanceerde houding bij kritiek, op- en aanmerkingen of aanvullingen. Ik heb geprobeerd
om deze thesis ook voor de ‘leek’ begrijpelijk te houden, echter is dit op sommige vlakken nou
eenmaal niet gemakkelijk.
Vervolgens wil ik graag Elise van Pieterson bedanken van de businessunit winkels, voor de ingang bij
het afstudeerbedrijf. Bedankt voor de lamp nog ;-), en ook het locatiebezoek was erg gezellig. Een
belangrijk persoon in de dataverstrekking voor deze thesis is Leon Lasker geweest. Enorm veel dank
voor het meedenken, het opbouwen van de dataset en jouw flitsende reactie op mijn emails. Ik heb
vernomen dat je de Alpes d’Huzes hebt gereden, prachtig dat je dat gedaan hebt! Tijdens het
afstudeerproces heb ik ook meermalen contact gehad met Marco Mosselman, een goede
sparringpartner, ook aan jou bedankt voor de opbouwende kritiek.
Voor wat de externe bedrijven betreft spreek ik mijn dank uit naar Experian, en met name Mark
Oost, voor het verlenen van de consumentendata. Ook Mattijn Bezemer van Insights4Action; ook al
heeft het toevoegen van de Retail Risk Index-variabelen geen doorgang kunnen vinden, wellicht komt
dit in de toekomst nog. Bedankt voor jouw op- en aanmerkingen op mijn thesis en ik wens je veel
succes in het zakenleven.
Afsluitend veel dank aan mijn 3 broers en mijn ouders, die altijd achter mij hebben gestaan, in
slechte en goede tijden. Zonder jullie lieve steun had ik een aanzienlijk moeilijker jaar gehad. Boven
alles, mijn lieve vriendin Charlotte; heel veel dank lieverd! Deze zomer gaan we weer lekker genieten
van het leven in een mooie reis naar Vietnam, een nieuw huis in Amsterdam en wellicht zit er ook
nog een nieuwe baan voor mij in het verschiet :-)
Hidde
78
Hedonisch prijsmodel voor winkelvastgoed
Bijlage 2: Variabelenstudie d.d. 03/2014
Codering
Unit_RRI
Unit_pand
Unit_straat
Unit_branche
Unit_Markt
Object_RRI
Object_pand
Object_straat
Object_branche
Object_markt
Unit_passant
Unit_spk
Gebied_VKP
Gebied_OPP
Unit_branche
Gebied_branche
Gebied_VZ
Gebied_2km
Gebied_Ink
Gebied_leeg
Unit_leeg
Object_leeg
Gebied_trek
Gebied_mode
Onafhankelijke variabelen
Winkelunit
Beleggingsobject
Meeteenheid
Huurprijs (€)
Rendement (%)
[getal]
x
[getal]
x
[getal]
x
[getal]
x
[getal]
x
[getal]
x
[getal]
x
[getal]
x
[getal]
x
[getal]
x
[getal]
x
x
[A1, A2, B1, B2, C1,
x C2]
[getal]
x
x
[m2 getal]
x
x
[branche x, branche
x y]
[getal per branche]
x
x
[getal]
x
x
[getal]
x
x
[€ getal]
x
x
[%]
x
x
[%]
x
[%]
x
x
[getal]
x
x
[%]
x
x
Gebied_EMS
Gebied_Bereik
Gebied_15mns
Gebied_best
[getal]
[getal]
[getal]
[€ getal]
x
x
x
x
x
x
x
x
Unit_jaar
Object_grootte
Unit_grootte
[jaartal]
[m2 getal]
[m2 getal]
x
x
x
x
Locatus
Unit_Retail Risk Index
Unit_Pandscore
Unit_Straatscore
Unit_Branchescore
Unit_Marktscore
Object_Retail Risk Index
Object_Pandscore
Object_Straatscore
Object_Branchescore
Object_Marktscore
Unit_Passanten/ standaardconsumenten
Unit_Standplaatskwaliieit
Winkelgebiedsgrootte aantal verkooppunten
Winkelgebiedsgrootte in oppervlak totaal
Unit_Branche
Brancheringsconcentratie (Herfinadahl)
Inwoners binnen het verzorgingsgebied
Inwoners binnen 2km
Besteedbaar inkomen (verzorgingsgebied)
Leegstand in winkelgebied
Unit_leegstand
Object_leegstand
Aantal trekkers in het winkelgebied
Percentage mode in het winkelgebied
Experian
Estimated market size_standaardunit
Bereikbaarheidscijfers_winkelgebied
Consumenten binnen 15m reistijd_winkelgebied
Gemiddelde besteding van consumenten_winkelgebied
IPD / SARE&F
Unit_Leeftijd/ Bouwjaar
Object_Grootte
Unit_Grootte
Tauw, H.
79
Huurprijs en rendement van winkelvastgoed
Bijlage 3- Correlatietabellen onafhankelijke variabelen
Tabel 17: Estimated market size -correlaties met de huurprijs
Correlations
Ln va n de
th
huurpri js /
m2/ uni t
Ln va n de
th
huurpri js /
m2/ uni t
Pea rs on
Correl a tio
n
Si g. (2ta i l ed)
N
Es tima ted
ma rket
s i ze Etos
5mns per
1000
Pea rs on
Correl a tio
n
Si g. (2ta i l ed)
N
Es tima ted
ma rket
s i ze AH 5
mns per
1000
Pea rs on
Correl a tio
n
Si g. (2ta i l ed)
N
1
Es tima ted Es tima ted
ma rket
ma rket
s i ze Etos s i ze AH 5
5mns per mns per
1000
1000
**
,252
**
,254
,000
,000
1168
1168
1168
,252**
1
,999**
,000
0,000
1168
1173
1173
,254**
,999**
1
,000
0,000
1168
1173
1173
**. Correl a tion i s s i gni fi ca nt a t the 0.01 l evel (2-ta i l ed).
80
Hedonisch prijsmodel voor winkelvastgoed
Tabel 18: Koopkracht-correlaties met de huurprijs
Correlations
Ln va n de
th
EX_5Mi nut 10Mi nuten 15Mi nuten 30Mi nuten 45Mi nuten
huurpri js / enKKR_Dec KKR_Deci e KKR_Deci e KKR_Deci e KKR_Deci e
m2/ uni t
i el 3
l3
l3
l3
l3
Ln va n de
th
huurpri js /
m2/ uni t
Pea rs on
Correl a ti o
n
Si g. (2ta i l ed)
N
EX_5Mi nut Pea rs on
enKKR_Dec Correl a ti o
i el 3
n
Si g. (2ta i l ed)
N
10Mi nuten Pea rs on
KKR_Deci e Correl a ti o
l3
n
Si g. (2ta i l ed)
N
15Mi nuten Pea rs on
KKR_Deci e Correl a ti o
l3
n
Si g. (2ta i l ed)
N
30Mi nuten Pea rs on
KKR_Deci e Correl a ti o
l3
n
Si g. (2ta i l ed)
N
45Mi nuten Pea rs on
KKR_Deci e Correl a ti o
l3
n
Si g. (2ta i l ed)
N
,187**
,263**
,247**
,176**
,140**
,000
,000
,000
,000
,000
1168
1168
1168
1168
1168
1168
**
1
1
,187
,000
1168
**
,263
**
,900
**
,807
**
,607
**
,389
0,000
,000
,000
,000
1173
1173
1173
1173
1173
**
1
,900
,000
0,000
1168
1173
,247**
**
,952
**
,722
**
,487
0,000
,000
,000
1173
1173
1173
1173
,807**
,952**
1
,824**
,606**
,000
,000
0,000
,000
,000
1168
1173
1173
1173
1173
1173
,176**
,607**
,722**
,824**
1
,884**
,000
,000
,000
,000
1168
1173
1173
1173
1173
1173
,140**
,389**
,487**
,606**
,884**
1
,000
,000
,000
,000
0,000
1168
1173
1173
1173
1173
0,000
1173
**. Correl a ti on i s s i gni fi ca nt a t the 0.01 l evel (2-ta i l ed).
Tauw, H.
81
Huurprijs en rendement van winkelvastgoed
Tabel 19: Huishoudens-correlaties met de huurprijs
Correlations
Ln va n de
th
huurpri js / EX_5Mi nut EX_10Mi nu EX_15Mi nu EX_30Mi nu EX_45Mi nu
m2/ uni t
en_HHS
ten_HHS
ten_HHS
ten_HHS
ten_HHS
Ln va n de Pea rs on
th
Correl a ti o
huurpri js / n
m2/ uni t
Si g. (2ta i l ed)
N
EX_5Mi nut Pea rs on
en_HHS
Correl a ti o
n
Si g. (2ta i l ed)
N
,236**
,282**
,274**
,170**
,129**
,000
,000
,000
,000
,000
1168
1168
1168
1168
1168
1168
,236**
1
,900**
,821**
,588**
,349**
0,000
,000
,000
,000
1
,000
1168
1173
1173
1173
1173
1173
,282**
,900**
1
,949**
,668**
,411**
,000
0,000
0,000
,000
,000
1168
1173
1173
1173
1173
1173
,274**
,821**
,949**
1
,788**
,547**
,000
,000
0,000
,000
,000
1168
1173
1173
1173
1173
1173
,170**
,588**
,668**
,788**
1
,872**
,000
,000
,000
,000
1168
1173
1173
1173
1173
1173
,129**
,349**
,411**
,547**
,872**
1
,000
,000
,000
,000
0,000
1168
1173
1173
**. Correl a ti on i s s i gni fi ca nt a t the 0.01 l evel (2-ta i l ed).
1173
1173
EX_10Mi nu Pea rs on
ten_HHS
Correl a ti o
n
Si g. (2ta i l ed)
N
EX_15Mi nu Pea rs on
ten_HHS
Correl a ti o
n
Si g. (2ta i l ed)
N
EX_30Mi nu Pea rs on
ten_HHS
Correl a ti o
n
Si g. (2ta i l ed)
N
EX_45Mi nu Pea rs on
ten_HHS
Correl a ti o
n
Si g. (2ta i l ed)
N
0,000
1173
82
Hedonisch prijsmodel voor winkelvastgoed
Tabel 20: Populatie-correlaties met de huurprijs
Correlations
Ln va n de
th
huurpri js / EX_5Mi nut EX_10Mi nu EX_15Mi nu EX_30Mi nu EX_45Mi nu
m2/ uni t
en_POP
nten_POP ten_POP
ten_POP
ten_POP
Ln va n de Pea rs on
th
Correl a ti o
huurpri js / n
m2/ uni t
Si g. (2ta i l ed)
N
EX_5Mi nut Pea rs on
en_POP
Correl a ti o
n
Si g. (2ta i l ed)
N
,194**
,265**
,261**
,165**
,126**
,000
,000
,000
,000
,000
1168
1168
1168
1168
1168
1168
,194**
1
,885**
,812**
,599**
,382**
0,000
,000
,000
,000
1
,000
1168
1173
1173
1173
1173
1173
,265**
,885**
1
,948**
,667**
,425**
,000
0,000
0,000
,000
,000
1168
1173
1173
1173
1173
1173
,261**
,812**
,948**
1
,796**
,571**
,000
,000
0,000
,000
,000
1168
1173
1173
1173
1173
1173
,165**
,599**
,667**
,796**
1
,883**
,000
,000
,000
,000
1168
1173
1173
1173
1173
1173
,126**
,382**
,425**
,571**
,883**
1
,000
,000
,000
,000
0,000
1168
1173
1173
**. Correl a ti on i s s i gni fi ca nt a t the 0.01 l evel (2-ta i l ed).
1173
1173
EX_10Mi nu Pea rs on
nten_POP Correl a ti o
n
Si g. (2ta i l ed)
N
EX_15Mi nu Pea rs on
ten_POP
Correl a ti o
n
Si g. (2ta i l ed)
N
EX_30Mi nu Pea rs on
ten_POP
Correl a ti o
n
Si g. (2ta i l ed)
N
EX_45Mi nu Pea rs on
ten_POP
Correl a ti o
n
Si g. (2ta i l ed)
N
Tauw, H.
0,000
1173
83
Huurprijs en rendement van winkelvastgoed
Tabel 21: Inwoners-correlaties met de huurprijs
Correlations
Ln va n de LU_i nwon LU_i nwon LU_i nwon LU_i nwon
th
ers
ers bi nnen ers bi nnen ers bi nnen
huurpri js / gemeente 2km per
5km per 10km per
m2/ uni t
per 1000
1000
1000
1000
Ln va n de th huurpri js / m2/ uni t
LU_i nwoners gemeente per 1000
LU_i nwoners bi nnen 2km per 1000
LU_i nwoners bi nnen 5km per 1000
LU_i nwoners bi nnen 10km per 1000
Pea rs on
Correl a tio
n
Si g. (2tai l ed)
N
Pea rs on
Correl a tio
n
Si g. (2tai l ed)
N
Pea rs on
Correl a tio
n
Si g. (2tai l ed)
N
Pea rs on
Correl a tio
n
Si g. (2tai l ed)
N
Pea rs on
Correl a tio
n
Si g. (2tai l ed)
N
,325**
,406**
,341**
,249**
,000
,000
,000
,000
1168
1168
1168
1168
1168
,325**
1
,795**
,801**
,739**
,000
,000
,000
1
,000
1168
1173
1173
1173
1173
,406**
,795**
1
,885**
,743**
,000
,000
0,000
,000
1168
1173
1173
1173
1173
,341**
,801**
,885**
1
,903**
,000
,000
0,000
1168
1173
1173
**
,249
**
,739
**
,743
0,000
1173
1173
**
1
,903
,000
,000
,000
0,000
1168
1173
1173
1173
1173
**. Correl a tion i s s i gni fi ca nt a t the 0.01 l evel (2-tai l ed).
84
Hedonisch prijsmodel voor winkelvastgoed
Tabel 22: Correlatietabel koopkracht woz waarde huurprijs en inwoners 2km.
Correlations
EX_10Mi nu
EX_10Mi nu EX_10Mi nu EX_10Mi nu EX_10Mi nu tenWOZ_kl Ln va n de LU_i nwon
tenKKR_De tenKKR_De tenKKR_De tenWOZ_kl a s s e_6_7_
th
ers bi nnen
ci el 1_2_3_ ci el 5_6_7_ ci el 8_9_10 a s s e_2_3_ 8_9_10_10 huurpri js / 2km per
4_1000
1000
_1000
4_5_1000
00
m2/ uni t
1000
EX_10Mi nu Pea rs on
tenKKR_De Correl a ti o
ci el 1_2_3_ n
4_1000
Si g. (2ta i l ed)
N
EX_10Mi nu
tenKKR_De
ci el 5_6_7_
1000
Pea rs on
Correl a ti o
n
Si g. (2ta i l ed)
N
EX_10Mi nu
tenKKR_De
ci el 8_9_10
_1000
Pea rs on
Correl a ti o
n
Si g. (2ta i l ed)
N
EX_10Mi nu
tenWOZ_kl
a s s e_2_3_
4_5_1000
Pea rs on
Correl a ti o
n
Si g. (2ta i l ed)
N
EX_10Mi nu
tenWOZ_kl
a s s e_6_7_
8_9_10_10
00
Pea rs on
Correl a ti o
n
Si g. (2ta i l ed)
N
Ln va n de
th
huurpri js /
m2/ uni t
Pea rs on
Correl a ti o
n
Si g. (2ta i l ed)
N
LU_i nwon
ers bi nnen
2km per
1000
Pea rs on
Correl a ti o
n
Si g. (2ta i l ed)
N
,489**
,887**
,604**
,242**
,277**
,691**
,000
0,000
,000
,000
,000
,000
1173
1173
1173
1173
1173
1168
1173
,489**
1
,591**
,305**
,662**
,269**
,748**
,000
,000
,000
,000
,000
1
,000
1173
1173
1173
1173
1173
1168
1173
,887**
,591**
1
,296**
,406**
,211**
,681**
0,000
,000
,000
,000
,000
,000
1173
1173
1173
1173
1173
1168
1173
,604**
,305**
,296**
1
,280**
,351**
,559**
,000
,000
,000
,000
,000
,000
1173
1173
1173
1173
1173
1168
1173
**
1
**
,242
**
,662
**
,406
,280
,000
,000
,000
,000
1173
1173
1173
1173
**
,277
**
,269
**
,211
**
,351
**
,208
**
,506
,000
,000
1173
1168
1173
**
1
,208
**
,406
,000
,000
,000
,000
,000
,000
1168
1168
1168
1168
1168
1168
1168
,691**
,748**
,681**
,559**
,506**
,406**
1
,000
,000
,000
,000
,000
,000
1173
1173
1173
1173
1173
1168
1173
**. Correl a ti on i s s i gni fi ca nt a t the 0.01 l evel (2-ta i l ed).
Tauw, H.
85
Huurprijs en rendement van winkelvastgoed
Bijlage 4a: Lineairiteit
Energieindex, Restduur contract, Inwoners 2km, Oppervlak, lage Koopkracht en
middelhoge Koopkracht.
86
Hedonisch prijsmodel voor winkelvastgoed
Bijlage 4b: Lineairiteit scatterplots VII-XII:
Totaalduur van het contract, Looptijd van het contract, WOZ klassen hoog, Koopkracht
hoog, WOZ klassen laag en Passanten.
Tauw, H.
87
Huurprijs en rendement van winkelvastgoed
Bijlage 5: Univariate regressie _ continue variabelen
Coefficients a
Unstandardized Coefficients
Model
1
(Constant)
Energieindex van de winkelunit
Standardized Coefficients
B
Std. Error
5,411
,049
,165
,044
,125
R Square
Adjusted R
Square
Std. Error of the Estimate
,016
,015
,53030
t
Sig.
110,291
0,000
3,754
,000
Beta
a. Dependent Variable: Ln van de th huurprijs/ m2/ unit
Model Summary
Model
R
1
,125a
a . Predi ctors : (Cons ta nt), Energi ei ndex va n de wi nkel uni t
Coefficients a
Unstandardized Coefficients
Model
1
(Cons ta nt)
U_Oppervl a k / 10 vi erka nte meter
Standardized Coefficients
B
Std. Error
Beta
5,626
,018
-,001
,000
-,244
R Squa re
Adjus ted R
Squa re
Std. Error of the Es ti ma te
,060
,059
,53559
t
Si g.
304,141
0,000
-7,998
,000
a . Dependent Va ri a bl e: Ln va n de th huurpri js / m2/ uni t
Model Summary
Model
R
,244a
a. Predictors: (Constant), U_Oppervlak / 10 vierkante meter
1
Coefficients a
Unstandardized Coefficients
Model
1
(Cons ta nt)
EX_10Mi nutenKKR_Deci el 5_6_7_1000
Standardized Coefficients
B
Std. Error
5,352
,027
Beta
,019
,002
,293
R Square
Adjusted R
Square
Std. Error of the Estimate
,086
,085
,52803
t
Si g.
194,688
0,000
9,743
,000
a. Dependent Variable: Ln van de th huurprijs/ m2/ unit
Model Summary
Model
1
R
a
,293
a. Predictors: (Constant), EX_10MinutenKKR_Deciel5_6_7_1000
88
Hedonisch prijsmodel voor winkelvastgoed
Coefficients a
Unstandardized
Coefficients
Model
1
(Cons ta nt)
Res tduur va n het contra ct.
Standardized
Coefficients
B
Std. Error
5,500
,037
Beta
,017
,009
,063
R Square
Adjusted R
Square
Std. Error of the
Estimate
,004
,003
,55163
t
Si g.
147,030
0,000
1,991
,047
t
Si g.
247,433
0,000
12,869
,000
a . Dependent Va ri a bl e: Ln va n de th huurpri js / m2/ uni t
Model Summary
Model
R
1
,063a
a . Predi ctors : (Cons ta nt), Res tduur va n het contra ct.
Coefficients a
Unstandardized
Coefficients
Model
1
(Cons ta nt)
EX_10Mi nutenWOZ_kl a s s e_2_3_4_5_1000
B
Std. Error
5,377
,022
,009
,001
Standardized
Coefficients
Beta
,375
a . Dependent Va ri a bl e: Ln va n de th huurpri js / m2/ uni t
Model Summary
Model
R
R Squa re
Adjus ted R Std. Error of the
Squa re
Es ti ma te
,141
,140
,375a
a . Predi ctors : (Cons ta nt), EX_10Mi nutenWOZ_kl a s s e_2_3_4_5_1000
1
,51190
Coefficients a
Unstandardized
Coefficients
Model
1
(Cons ta nt)
EX_10Mi nutenKKR_Deci el 8_9_10_1000
Standardized
Coefficients
B
Std. Error
5,437
,024
Beta
,009
,001
,238
R Square
Adjusted R
Square
Std. Error of the
Estimate
,057
,056
,53641
t
Si g.
230,888
0,000
7,790
,000
a. Dependent Variable: Ln van de th huurprijs/ m2/ unit
Model Summary
Model
1
R
a
,238
a. Predictors: (Constant), EX_10MinutenKKR_Deciel8_9_10_1000
Tauw, H.
89
Huurprijs en rendement van winkelvastgoed
Coefficients a
Unstandardized Coefficients
Model
1
(Cons ta nt)
LU_pa s s a nten per 1000
Standardized
Coefficients
B
Std. Error
5,464
,040
Beta
,020
,002
,358
R Square
Adjusted R
Square
Std. Error of the
Estimate
,128
,127
,56255
t
Si g.
136,830
0,000
9,163
,000
t
Si g.
181,556
0,000
7,914
,000
a . Dependent Va ri a bl e: Ln va n de th huurpri js / m2/ uni t
Model Summary
Model
R
1
a
,358
a . Predi ctors : (Cons ta nt), LU_pa s s a nten per 1000
Coefficients a
Unstandardized Coefficients
Model
1
(Cons ta nt)
EX_10Mi nutenWOZ_kl a s s e_6_7_8_9_10_1000
Standardized
Coefficients
B
Std. Error
Beta
5,373
,030
,012
,001
,242
R Squa re
Adjus ted R
Squa re
Std. Error of the
Es ti ma te
a . Dependent Va ri a bl e: Ln va n de th huurpri js / m2/ uni t
Model Summary
Model
1
R
,058
,058
,242a
a . Predi ctors : (Cons ta nt), EX_10Mi nutenWOZ_kl a s s e_6_7_8_9_10_1000
,53593
Coefficients a
Unstandardized Coefficients
Model
1
(Cons ta nt)
De tota a l duur va n het contra ct.
Standardized
Coefficients
B
Std. Error
5,632
,038
Beta
-,005
,003
-,061
R Square
Adjusted R
Square
Std. Error of the
Estimate
,004
,003
,55168
t
Si g.
147,222
0,000
-1,939
,053
a. Dependent Variable: Ln van de th huurprijs/ m2/ unit
Model Summary
Model
1
R
a
,061
a. Predictors: (Constant), De totaalduur van het contract.
90
Hedonisch prijsmodel voor winkelvastgoed
Coefficients a
Unstandardized
Coefficients
Model
1
(Cons ta nt)
B
Std. Error
5,232
,028
LU_i nwoners bi nnen 2km per
,008
1000
a . Dependent Va ri a bl e: Ln va n de th huurpri js / m2/ uni t
Standardize
d
Coefficient
s
Beta
,001
,422
Adjusted R
Square
Std. Error
of the
Estimate
t
Si g.
190,198
0,000
14,782
,000
t
Si g.
253,980
0,000
10,263
,000
Model Summary
Model
R
R Square
a
1
,178
,177
,422
a . Predi ctors : (Cons ta nt), LU_i nwoners bi nnen 2km per 1000
,50074
Coefficients a
Unstandardized
Coefficients
Model
1
(Cons ta nt)
B
Std. Error
5,426
,021
EX_10Mi nutenKKR_Deci el 1_2_
,005
3_4_1000
a . Dependent Va ri a bl e: Ln va n de th huurpri js / m2/ uni t
Standardize
d
Coefficient
s
Beta
,000
,307
Model Summary
Model
1
R
R Squa re
Std. Error
Adjus ted R
of the
Squa re
Es ti ma te
,095
,094
,52556
,307a
a . Predi ctors : (Cons ta nt), EX_10Mi nutenKKR_Deci el 1_2_3_4_1000
Coefficients a
Unstandardized
Coefficients
Model
1
(Cons ta nt)
B
Std. Error
5,624
,029
De l oopti jd va n het contra ct
-,007
tot a a n 2013.
a. Dependent Variable: Ln van de th huurprijs/ m2/ unit
Standardize
d
Coefficient
s
Beta
,003
-,079
Adjusted R
Square
Std. Error
of the
Estimate
t
Si g.
193,526
0,000
-2,533
,011
Model Summary
Model
1
R
R Square
a
,006
,005
,079
a. Predictors: (Constant), De looptijd van het contract tot aan 2013.
Tauw, H.
,55056
91
Huurprijs en rendement van winkelvastgoed
Bijlage 5a: Volgorde opbouw van huurprijsmodel (R2 adjusted)
Huurprijsmodel variabelen
R 2 adj./ huurprijs
LU_INW_02_KM_1000
0,177
Winkelgebiedstype dummies
EX_10MinutenWOZ_klasse_2_3_4_5
_1000
0,156
LUPASSANTEN_1000
EX_10MinutenKKR_Deciel1_2_3_4_1
000
EX_10MinutenKKR_Deciel5_6_7_100
0
0,127
LU_groep dummies branche
0,063
U_Oppervlakte_10
EX_10MinutenWOZ_klasse_6_7_8_9
_10_1000
EX_10MinutenKKR_Deciel8_9_10_10
00
0,059
Standplaatskwaliteit dummies
0,048
Provincie_dummies
0,041
U_EnergieIndex
0,015
U_ContractLooptijd_2013_1ste
0,005
U_contractduur_resterend
0,003
U_Contractduur
0,003
d_LU_Formule_Zelfstandig
d_LU_WINKELGEBIED_centraal_ond
ersteunend
0,001
0,14
0,094
0,085
0,058
0,056
0,001
Bijlage 5a: Volgorde opbouw van rendementsmodel (R2 adjusted)
Rendementsmodel Variabelen
2
R adj./ rendement
LUPASSANTEN_1000
0,124
LU_INW_02_KM_1000
0,027
EX_10Mi nutenKKR_Deci el 5_6_7_1000
0,013
d_A2
0,011
d_B1
0,011
d_B2
0,011
d_C
0,011
d_wi nkel gebi ed_hoofdwi nkel gebi ed_groot
0,007
d_wi nkel gebi ed_hoofdwi nkel gebi ed_kl ei n
0,007
d_wi nkel gebi ed_kernverzorgend_centrum_kl ei n_groot
0,007
d_wi nkel gebi ed_s tads deel centrum
0,007
d_wi nkel gebi ed_bi nnens tad
0,007
EX_10Mi nutenWOZ_kl a s s e_6_7_8_9_10_1000
0,006
O_expl oi tatiekos ten per m2
0,005
EX_10Mi nutenWOZ_kl a s s e_2_3_4_5_1000
0,004
EX_10Mi nutenKKR_Deci el 8_9_10_1000
0,004
O_eenheden i n het object
0,003
O_vl oeroppervl a k va n het object
0,003
d_LU_WINKELGEBIED_centra a l _onders teunend
0,002
EX_10Mi nutenKKR_Deci el 1_2_3_4_1000
0,002
92
Hedonisch prijsmodel voor winkelvastgoed
Bijlage 6: Relatietabel rendementsmodel
Rendementsmodel Variabelen
O_eenheden i n het object
R2 adj./ rendement
Verwachte relatie
rendement
Gevonden
relatie
Enkelvoudig
Sig.
Eindmodel (Sig.)
nee
0,005
nega tief
nega tief
nee
-0,003
nega tief
nega tief
nee
d_A2
-0,001
pos i tief
pos i tief
nee
ja
d_B1
-0,001
pos i tief
nega tief
nee
ja
d_B2
-0,001
pos i tief
nega tief
nee
ja
d_C
d_wi nkel gebi ed_hoofdwi nkel ge
bi ed_groot
d_wi nkel gebi ed_hoofdwi nkel ge
bi ed_kl ei n
d_wi nkel gebi ed_kernverzorgend
_centrum_kl ei n_groot
d_wi nkel gebi ed_s tads deel centr
um
-0,001
pos i tief
pos i tief
nee
nee
0,059
pos i tief
nega tief
nee
0,059
nega tief
nega tief
nee
0,059
pos i tief
pos i tief
nee
0,059
pos i tief
nega tief
nee
0,059
pos i tief
pos i tief
nee
O_expl oi tatiekos ten per m2
0,011
nega tief
nega tief
ja
ja
LUPASSANTEN_1000
0,218
nega tief
pos i tief
ja
ja
LU_INW_02_KM_1000
0,098
nega tief
pos i tief
ja
nee
d_LU_Formul e_Zel fs tandi g
d_LU_WINKELGEBIED_centra a l _o
nders teunend
EX_10Mi nutenWOZ_kl a s s e_2_3_4
_5_1000
EX_10Mi nutenWOZ_kl a s s e_6_7_8
_9_10_1000
EX_10Mi nutenKKR_Deci el 1_2_3_4
_1000
EX_10Mi nutenKKR_Deci el 5_6_7_1
000
EX_10Mi nutenKKR_Deci el 8_9_10_
1000
0,002
pos i tief
pos i tief
nee
nee
0,001
pos i tief
pos i tief
nee
0,022
pos i tief
pos i tief
ja
0,047
pos i tief
pos i tief
ja
0,014
pos i tief
pos i tief
ja
0,072
pos i tief
pos i tief
ja
0,023
pos i tief
pos i tief
ja
O_vl oeroppervl a k va n het object
d_wi nkel gebi ed_bi nnens tad
nee
nee
nee
nee
nee
nee
nee
nee
nee
nee
nee
nee
* Si gni fi ca nt op het 10% ni vea u, ** Si gni fi ca nt op het 5% ni vea u, *** Si gni fi ca nt op het 1% ni vea u
Tauw, H.
93
Huurprijs en rendement van winkelvastgoed
Bijlage 7: Geografische spreiding dataset
94

Artikel Anbos - Lagerehuur.nl

Per direct te huur Hof van Eynatten 6, Limbricht Mooi

het overzicht

Artikel Tweewieler

Poster_P5_Presentatie - TU Delft Institutional Repository

TE HUUR BEDRIJFSPAND

Doetinchems Vizier - 22 oktober 2014 pagina 22

Meer informatie over het winkel/bedrijfspand

Download - Ars Aequi

MARKT 52 4731 HL TE OUDENBOSCH, HUURPRIJS