La relation surprenante entre l'assurance maladie et la performance de vos biens CRE

Les sociétés immobilières commerciales ont l’habitude d’évaluer l’état actuel des marchés. Mais prédire les rendements futurs ? S’appuyer sur l’instinct et les données rétrospectives s’est révélé être un défi.

Par exemple, quels facteurs devriez-vous examiner pour déterminer la vulnérabilité de performance d’un actif en cas de ralentissement économique ?

Les mesures macroéconomiques et démographiques telles que le taux de chômage, la croissance démographique, le PIB régional, le revenu médian des ménages, la croissance de la valeur médiane des logements sont souvent des indicateurs décalés, ce qui les rend limités dans leur capacité à fournir des informations opportunes sur le résultat opérationnel net (NOI) d'un actif dans un contexte donné. récession potentielle.

Mais l’utilisation d’une plateforme d’apprentissage automatique où les data scientists peuvent combiner des données traditionnelles de valorisation et de performance avec des données de marché et économiques plus granulaires a commencé à identifier de nouveaux modèles et corrélations entre les ensembles de données. Un exemple particulièrement frappant est la corrélation entre la population locale sans assurance maladie et une performance potentiellement plus faible au niveau de l’immobilier.

En examinant la population à proximité d’une propriété, le pourcentage de personnes sans couverture d’assurance maladie est un meilleur indicateur de la vulnérabilité des performances des actifs que des facteurs plus couramment consultés, comme le taux de chômage et la croissance économique du marché local.

Assurance santé? Pourquoi est-ce un indicateur de la performance des actifs ?

Considérez que l’assurance maladie a une relation étroite avec le taux de chômage. Aux États-Unis, la majorité de la population dépend d'un système fourni par l'employeur pour une forte proportion de couverture d'assurance. Le taux de chômage le plus largement utilisé, le taux de chômage U-3 du Bureau of Labor Statistics des États-Unis, mesure le nombre de personnes sans emploi et à la recherche active d'un emploi.

Il est intéressant de noter que les modèles d’apprentissage automatique ont permis d’identifier que le pourcentage de population non assurée s’avère être un indicateur plus puissant de la fragilité ou de la force de l’emploi au sein d’une région ou d’un quartier par rapport au taux de chômage U-3.

Pourquoi? Parce qu’une personne qui cumule deux emplois à temps partiel ou qui gagne sa vie en tant que travailleur de l’économie des petits boulots n’apparaîtra pas dans le taux de chômage U-3. Mais ils sont plus susceptibles d’apparaître dans une mesure de la population non assurée.

Il s’avère donc qu’un niveau plus élevé d’instabilité de l’emploi à proximité d’un immeuble multifamilial est un meilleur indicateur de (sous)performance future que l’utilisation du taux de chômage.

Bien entendu, une partie de cette relation avec la performance de l’immobilier est due à la compression du taux de chômage sur le récent marché du travail en pleine effervescence. Néanmoins, alors que nous sommes confrontés à un ralentissement macroéconomique potentiel, le taux de population non assurée autour d’une propriété est susceptible de servir de prédicteur de la vulnérabilité à court terme de la performance des actifs pour les propriétés multifamiliales.

Prouver ce point : tester le taux de population non assurée et d’autres facteurs par rapport aux performances au niveau de la propriété

Il est éclairant de voir comment la validité et la fiabilité de cette relation sont déterminées. Le concept d’apprentissage automatique interprétable devient crucial dans des circonstances comme celle-ci, où les découvertes initiales et l’impact sur les modèles ne correspondent pas initialement aux modèles humains du passé.

Vous trouverez ci-dessous un bref aperçu de certains des mécanismes mathématiques qui ont conduit la machine à retirer la couverture d’assurance maladie en tant que facteur lié aux rendements de l’immobilier commercial.

Le pourcentage de population locale non assurée a un impact sur le NOI pour les propriétés multifamiliales.

Le nuage de points ci-dessus représente un groupe de propriétés multifamiliales. La relation mathématique entre le NOI de ces propriétés et la population environnante sans assurance maladie tend à correspondre aux modèles suivants.

• <5 % non assurés : par rapport à des types de propriétés similaires, lorsque moins de 5 % de la population dans un rayon d'un mile autour d'une propriété n'a pas d'assurance maladie, son NOI a tendance à augmenter.

• 5 à 10 % de non-assurés : lorsque le pourcentage de résidents non assurés dépasse 5 %, il tend à y avoir un impact négatif prononcé sur le NOI : -1 %. Cette baisse de performance de -1 % reste stable lorsque 5 à 10 % de la population environnante n'est pas assurée.

• > 10 % de personnes non assurées : à mesure que le taux de personnes non assurées dépasse 10 %, la trajectoire descendante du NOI tend à être de plus en plus négative.

Mesurer l'impact du facteur non assuré sur le NOI dans le contexte d'autres facteurs

L’exemple ci-dessus explique comment la performance des actifs peut être modélisée à l’aide des ratios de couverture d’assurance maladie, mais il ne s’agit là que d’un exemple d’un facteur corrélé à la croissance du NOI. L'introduction de plus de données dans le modèle nous permet de créer des modèles supplémentaires et de faire progresser la façon dont nous percevons la performance de l'immobilier commercial, car nous pouvons voir comment ces facteurs ont un impact sur le NOI et comment ils interagissent dans le contexte avec d'autres facteurs.

Grâce à l'apprentissage automatique, nous pouvons analyser des dizaines ou des centaines de facteurs macroéconomiques et démographiques hyper-localisés et de facteurs de performance au niveau de la propriété pour déterminer lesquels de ces facteurs ont un impact sur le NOI pour une propriété spécifique.

Ensuite, pour les facteurs qui ont un impact sur le NOI, la plateforme d'apprentissage automatique peut effectuer une analyse Shapley Value qui isole les gains de performances relatifs et les coûts que ces facteurs imposent au NOI, dans le contexte des impacts que d'autres facteurs ont sur cette propriété.

Le graphique en cascade ci-dessous, par exemple, montre les résultats combinés de 13 facteurs qui ont parfois un impact sur les performances des propriétés multifamiliales, identifiant la contribution relative de chacun de ces facteurs sur la performance NOI pour un exemple spécifique de propriété multifamiliale.

Ce graphique montre comment plusieurs facteurs de marché, traditionnellement utilisés pour l'analyse des propriétés, peuvent en fait affiner les modèles de performance NOI pour cette propriété :

• Ratio de permis par rapport à la croissance démographique future

• Population possédant un diplôme universitaire

• Valeur médiane de la maison

• Âge du bâtiment

• Revenu médian des locataires

Ce dernier est le plus important de ces facteurs traditionnels, ayant un impact de -4 % sur la performance NOI de cette propriété multifamiliale.

Pourtant, trois autres facteurs démontrent un impact encore plus important.

Densité de population

Le facteur macro ayant le plus fort impact sur ce bien est la densité de population. Comparé à des types de propriétés similaires, le quartier dans lequel la propriété était située avait une densité de population supérieure à la moyenne, ce qui devrait entraîner un NOI plus élevé de 10 %. Cependant, il ne s’agissait que d’un seul facteur de marché susceptible d’avoir un impact sur la performance du NOI, et les deux autres – la densité des ménages locataires et la population non assurée ont un impact négatif sur la croissance du NOI.

Densité des ménages locataires

L'impact de la densité de locataires n'est pas une relation linéaire : il n'a d'importance que dans certaines circonstances, par exemple lorsque la densité dépasse un seuil spécifique, auquel cas le marché pénalise fortement les rendements lorsqu'une densité extrêmement élevée de locataires autour de cette propriété spécifique réduit la performance d'un certain montant. substantiel 7%. Ainsi, ce facteur n’a généralement pas d’impact matériel sur la plupart des propriétés, car elles ne se trouvent pas dans des quartiers aussi denses en ménages locataires.

Population non assurée

Le troisième facteur important qui dégonfle la performance est le taux de population non assurée autour de la propriété, qui l'impacte de 5 %. Ensemble, la densité des ménages locataires et le pourcentage de population non assurée atténuent les gains prévus d’être situés dans une zone à forte densité de population.

Comment les sociétés de CRE peuvent aujourd’hui tirer parti de ce facteur économique

Comment pouvez-vous utiliser au mieux des données telles que les tarifs d’assurance maladie pour prédire les rendements de vos propriétés immobilières commerciales ?

La disponibilité de ces données et la possibilité de les analyser sur une plateforme d’apprentissage automatique peuvent permettre une analyse beaucoup plus rapide de relations très complexes que ce qui est possible avec une analyse manuelle. Et dans le secteur de l’immobilier résidentiel, être capable d’identifier une structure de marché unique ou cachée et devenir le premier à saisir une opportunité méconnue peut apporter un avantage considérable.

Les propriétés situées dans des quartiers avec un taux de population non assurée plus élevé que la normale peuvent souffrir d'un niveau plus élevé d'instabilité de l'emploi en cas de ralentissement économique. Ces titres pourraient donc être de bons candidats au désinvestissement alors que les prix du marché restent plus élevés. Alternativement, prendre des mesures proactives dès aujourd’hui pour garantir que vos gestionnaires d’actifs et immobiliers surveillent les locataires et les risques de marché afin de gérer ce risque peut éviter de futurs défis en cas de ralentissement économique.

Par exemple, pour les gestionnaires de fonds et de portefeuille préoccupés par le risque de récession, comprendre quels actifs peuvent être exposés à des facteurs de risque, tels que le pourcentage de la population non assurée, peut aider à élaborer une stratégie autour de vos propriétés actuelles ou d'acquisitions potentielles.

De nouvelles façons d’optimiser la performance immobilière, de découvrir les risques et les opportunités

L’inclusion de l’assurance maladie comme facteur permettant d’affiner les prévisions de vulnérabilité en matière de performance ne fait qu’effleurer la surface, compte tenu de ce que les progrès de la science des données révèlent entre les facteurs de marché et la performance des actifs.

Dans l’ensemble, lorsqu’il s’agit d’identifier plus précisément les facteurs ayant un impact sur la performance de vos actifs immobiliers commerciaux, la science des données peut jouer un rôle inestimable dans la validation ou l’invalidation de vos hypothèses et modèles basés sur l’intuition.

Les sociétés de CRE peuvent désormais mener des analyses approfondies pour déterminer, parmi un large éventail de facteurs, lesquels prédisent le plus précisément les rendements des actifs. De plus, en plus d'identifier les facteurs qui ont un impact matériel sur une propriété spécifique, il est également possible de quantifier leur impact attendu et leur importance relative.

En exploitant la science des données – ensembles de données traditionnels et alternatifs, technologies d’apprentissage automatique et analyses prédictives – les sociétés d’immobilier d’entreprise seront bien placées pour planifier les investissements et les désinvestissements afin d’obtenir des rendements optimaux, pour améliorer les performances immobilières et découvrir les risques et opportunités cachés.