수익위험 특성에 따른 상업용부동산수익률지수의 작성에 관한 연구^*

Baczewski et al.(2003)은 NCREIF가 작성한 백서로서 부동산투자의 스타일을 포괄적으로 다룬 초기 사례이다. 그들은 증권분야에서 스타일분석이 유용하게 활용되는 점을 지적하면서, 부동산에 대해 Core, Value-added, Opportunistic 세 가지 스타일을 정의하고, 지수작성의 필요성을 역설하였다. 스타일인자로는 부동산의 섹터, 개발 및 운영의 단계, 임대현황, 레버리지, 입지, 투자구조 등을 언급하였는데, 수치적인 기준까지는 제시하지 않았다. 이후 NCREIF의 제안은 널리 받아들여져서 미국과 유럽에서 출시되는 부동산펀드의 상당수가 자신의 투자스타일을 Core, Value-added, Opportunistic 중 한 가지로 정의하게 되었다.

O’Roarty(2009)는 2000년대 후반 유럽에서 활발히 이루어진 Value-added 투자의 유형과 전략을 분석하면서 NCREIF와 유사한 부동산 스타일인자를 제시하였다. 여기에는 성과특성으로서 수익률의 구성(자본수익률, 소득수익률), 레버리지, 투자기간, 부동산특성으로서 지역, 섹터, 소유관계, 수입관련 위험수준, 개발관련 위험수준이 포함되었다. O’Roarty(2009)의 스타일인자 중 Baczewski et al.(2003)과 차별화되는 것은 수익률의 구성이 포함된 것이다. 이는 주식의 스타일 중 성장형(Growth)과 가치형(Value)을 분류할 때 배당수익과 자본이득의 비율을 사용하는 것과 유사하다고 볼 수 있다.

Xing et al.(2010)은 영국의 부동산펀드를 Core, Value-added, Opportunistic 스타일로 분류하는 과정에서 부동산펀드의 특성을 재무인자, 분산인자, 자산인자 및 기타인자 네 가지로 나누었다. 그리고 재무인자로서 레버리지비율, 총수익률에서 소득수익률이 차지하는 비중, 총자본가치, 부동산 이외의 자산이 총자본가치에서 차지하는 비중을, 분산인자로서 자산의 수, 섹터의 분산정도, 지역의 분산정도를, 자산인자로서 부동산펀드에 포함된 개별 자산의 개발단계, 평균자본가치, 섹터, 지역, 질(Quality), 점유율(Occupancy)을, 기타인자로서 펀드매니저의 재량권과 투자구조를 각각 선택하였다. Xing et al.(2010)은 스타일인자를 보다 체계적으로 정리했다는 점에서 의의를 가지는데, 특히 개별자산이 아닌 펀드수준의 특성을 구체적으로 제시하였다.

이상 연구들이 부동산투자의 스타일인자로 무엇이 유의한지를 주로 다룬데 비해 INREV (2011)은 보다 구체적으로 수치적인 분류기준을 제시하였다. 여기서 사용된 스타일인자는 크게 여섯 가지로서 레버리지비율, 개발사업의 비중, 총수익률 중 소득수익률의 비중, 국가위험, 섹터위험, 분산정도가 포함되었다. 그리고 실증분석 결과 이중 레버리지비율, 개발사업의 비중, 총수익률 중 소득수익률의 비중 세 가지가 유의한 것으로 나타났다. 이를 반영하여 INREV(2011)은 무수익자산의 비중(Core 15% 이하, Value-added 40% 이하, Opportunity 40% 이상), 소득수익률의 비중(Core 60% 이상), 개발사업의 비중(Core 5% 이하, Value-added 25% 이하, Opportunity 25% 이상), 레버리지(Core 40% 이하, Value-added 60% 이하, Opportunity 60% 이상) 네 가지 변수로 구성된 스타일 분류기준을 제시하였다.

부동산투자의 스타일에 관한 해외 선행연구들은 대체로 자신의 스타일을 Core, Value-added, Opportunistic 중 하나로 공표하고 있는 부동산펀드들을 대상으로 그 특성 및 성과를 분석하고 있다. 그러나 이러한 접근방법을 국내에 바로 적용하기는 어렵다. 국내의 경우 자신의 스타일을 미리 밝히는 펀드가 거의 없을 뿐 아니라 대부분 사모의 형태를 취하고 있어 그 특성 및 성과가 공개되지도 않기 때문이다. 따라서 국내에서 현실적으로 선행되어야 하는 연구는 스타일에 따른 분류보다는 수익위험특성을 고려한 수익률지수의 분류기준을 도출하는 것이라 할 수 있다.

국내에서 스타일분류를 목적으로 부동산투자의 수익위험특성을 분석한 사례로는 민성훈·고성수(2012), 민성훈(2013), 민성훈·이영호(2014)가 있다. 이중 민성훈·고성수(2012)는 부동산펀드의 과거 수익률을 분석하여 스타일을 정의하는 수익기반 스타일분석(RBSA; Return Based Style Analysis)을 다룬 사례이며, 민성훈(2013)과 민성훈·이영호(2014)는 부동산펀드의 물리적, 재무적 특성을 분석하여 스타일을 정의하는 포트폴리오기반 스타일분석(PBSA; Portfolio Based Style Analysis)를 다룬 사례이다. 본 연구는 이중 후자의 접근방법을 취한다.

민성훈(2013)은 국내 부동산서비스회사가 수집한 오피스 호가임대료 및 거래기반 매매가 자료를 이용하여 스타일인자를 탐색하였다. 그 과정에서 펀드수준의 스타일인자를 포함하기 위해 개별 부동산을 무작위로 섞어 포트폴리오를 구성하는 방법을 사용하였다. 스타일인자는 다음과 같이 크게 세 부류로 나누어 선정하였다. 첫째, 재무인자로는 총자본가치, 소득수익률과 자본수익률의 비율, 임대료와 관리비의 비율을 적용하였다. 레버리지비율이나 부동산 이외의 자산이 차지하는 비중은 자료의 성격상 포함되지 않았다. 둘째, 분산인자로는 자산의 수, 규모 및 지역의 분산정도를 적용하였다. 셋째, 자산인자로는 평균자본가치, 평균지하철거리, 평균접도폭, 평균경과연수 및 가장 큰 비중을 차지하는 권역(CBD, GBD, YBD)을 적용하였다. 그는 각 포트폴리오를 수익과 위험의 수준에 따라 군집분석한 후 상기 스타일인자를 설명변수로 한 로지스틱회귀분석을 실시하였는데, 분석결과 재무인자로서 총자본가치, 분산인자로서 자산의 수, 자산인자로서 접도폭, 경과연수, 평균자본가치(또는 평균연면적) 및 권역(GBD)이 유의하다는 결과를 얻었다.

민성훈·이영호(2014) 역시 오피스에 대해 유사한 모형으로 스타일인자를 탐색하였는데, 거래기반이 아닌 평가기반 가격자료를 이용한 점과 포트폴리오를 생성하는 대신 자산수준의 특성변수에 집중한 점에서 민성훈(2013)과 차이가 있다. 자산수준 특성변수로는 민성훈(2013)이 주로 입지나 물리적 특성에만 주목한 것과 달리 소득수익률과 자본수익률의 차이, 임차인수, 평균임대차기간, 핵심임차인비중 등 재무 및 운영관련 변수를 다수 포함시켰다. 분석결과 지역과 규모가 여전히 유의한 가운데, 소득수익률과 자본수익률의 차이, 임차인수 등이 유의하다는 결과를 얻었다.

이상 국내 선행연구들은 해외에서 널리 활용되고 있는 스타일분석이 국내 오피스시장에도 유의하게 적용될 수 있다는 것을 보여준 점에서 의의를 가진다. 그러나 실제 적용 가능한 분석모형에 이르기에는 다음과 같은 한계를 가진다. 첫째, 선행연구들은 자료의 한계로 인해 오피스만을 대상으로 하고 있다. 그러나 국내 기관투자가의 부동산투자는 리테일을 포함한 상업용부동산 전반으로 확대되고 있다. 본 연구는 오피스 뿐 아니라 리테일도 포함한 자료를 활용함으로써 이러한 한계를 극복한다. 둘째, 선행연구들은 국내 시장에서 유의하게 나타나는 스타일인자를 탐색하는 것에만 주목하고 있다. 본 연구는 수익위험특성에 따라 부동산을 분류한 후 수익률지수를 작성하고 그 유용성을 살펴보는 것까지 논의를 확대한다.

수익위험 프로파일을 분석하기 위해서는 우선 개별 부동산의 수익률 시계열을 추정하는 것이 선행되어야 한다. 수익률 추정을 위해서는 자산가치와 순영업소득(NOI; Net Operating Income)에 관한 정보가 필요한데, 본 연구의 분석자료는 매기 개별 부동산에 대한 감정평가금액과 실제 운영정보를 제공하고 있다. 한편 보증금이 수익률에 미치는 영향에 대해서는 레버리지가설과 운용소득가설이 양립하고 있는데, 본 연구에서는 이중 운용소득가설을 적용한다. 수익률 산식은 아래와 같다.

소득수익률 산식 :

$I{R}_t=\frac{R_t+D_t\times C{D}_t+M_t+O_t-E_t}{P_{t-1}}$

$I{R}_t$ : t분기의 소득수익률

$R_t$ : t분기의 임대료수입

$D_t\times C{D}_t$ : t분기의 보증금 운용수입(CD금리 적용)

$M_t$ : t분기의 관리비수입(실비 포함)

$O_t$ : t분기의 기타수입

$E_t$ : t분기의 영업경비

$P_{t-1}$ : t-1분기의 감정평가금액

자본수익률 산식 :

$C{R}_t=\frac{P_t-P_{t-1}}{P_{t-1}}$

$C{R}_t$ : t분기의 자본수익률

총수익률 산식 :

$T{R}_t=I{R}_t+C{R}_t$

$T{R}_t$ : t분기의 총수익률

본 연구에서는 추정된 개별 부동산의 평균수익률을 ‘수익 프로파일’로, 그 변동성(표준편차)을 ‘위험 프로파일’로 정의하고, 이를 기초로 그룹을 분류한다. 그룹분류는 K-평균 군집분석을 활용하여 군집의 수를 2개, 3개, 4개 등으로 늘여가면서 실시한다. 그 결과 더 이상의 세분이 의미 없다고 판단되는 수준에서 군집분석을 중단한다.

이후 분석은 군집의 특성을 보다 명확히 포착하기 위해 각 군집중심에서 일정한 범위 이내에 있는 부동산만으로 진행한다. 본 연구에서는 수익과 위험 수준이 각 군집중심에서 횡단면적으로 표준편차의 2배 이상인 표본을 분석에서 제외하였다. 이는 정규분포의 95% 신뢰구간을 염두에 둔 것이다. 이를 3군집인 경우에 대해 그림으로 예시하면 <그림 1>과 같다. 그림에서 각 점은 개별 부동산 표본을 나타내며, 이중 군집별로 네모상자 안에 포함된 것들만 분석의 대상이 된다.

군집이 확정될 경우 군집수 대안별로 로지스틱회귀분석을 실시한다. 이때 종속변수로는 각 그룹번호를 사용하고, 설명변수로는 선행연구에서 유의하게 나타난 결정요인들을 사용한다. 최종모형은 설명변수의 유의성을 우선으로 하되 모형의 적합도와 적중률을 종합적으로 고려하여 선정한다.

그림 1. 군집분류방법

Download Original Figure

한편 본 연구에서는 그룹분류 결정요인에 대한 가정에 따라 크게 두 가지 분석모형을 구성한다. 첫째는 부동산의 물리적 특성을 나타내는 설명변수로 구성된 모형이고, 둘째는 부동산의 재무적 특성을 나타내는 설명변수로 구성한 모형이다. 국내외 선행연구는 이들 변수를 한 모형에 함께 적용한 것과 엄격히 분리한 것이 모두 존재한다. 본 연구에서는 설명변수의 수에 비해서 상대적으로 분석표본의 개수가 많지 않은 이유로 물리적 특성으로 설명하는 모형과 재무적 특성으로 설명하는 모형을 분리하여 결정요인들을 선별해 보았다.

수익률지수는 각 그룹별로 최초시점 산술평균 수익률을 100으로 하여 총 22개 시계열을 생성하고 기초통계분석을 통해 그룹 간 수익-위험의 특성 및 실무적 유용성을 살펴본다.

본 연구는 국토교통부가 시행하고 있는 상업용부동산 임대동향조사의 기초자료 중 2009년 1분기부터 2014년 2분기까지 총 22분기 자료를 활용한다. 국내 선행연구 중에서는 민성훈･이영호(2014)가 이 자료를 활용한 바 있는데, 그 대상이 오피스에 한정되었으며 분석기간이 비교적 짧았다. 본 연구에서는 오피스와 리테일을 포함한 전체 표본 중에서 22분기동안 한 분기도 빠짐없이 조사가 이루어진 부동산을 대상으로 함으로써 최대한 시계열을 확보한다. 이러한 조건을 만족시키는 표본은 총 386개이다.

분석자료의 섹터별 지역별 분포는 <표 1>과 같다. 오피스의 경우 6대광역시 기타권역이 전체 표본의 13.21%로 가장 높은 비중을 보인 반면, 리테일의 경우 서울특별시 기타권역과 6대광역시 중심권역이 각각 전체 표본의 17.36%로 가장 높은 비중을 보였다. 그 결과 오피스와 리테일을 포함한 전체 표본에서도 서울특별시 기타권역과 6대광역시 중심권역 및 기타권역이 20% 이상의 높은 비중을 보였다. 오피스와 리테일 중에서는 리테일이 56.99%로 조금 더 많았다.

섹터와 지역 외에 설명변수로 사용될 부동산의 특성변수는 다음과 같다. 먼저 입지적 특성으로는 지하철역거리(m), 주요교차로거리(m), 도로접면(광대=1) 등 접근성과 관련된 변수를 선택하였다. 기타 입지적 특성은 지역에 반영된 것으로 보았다. 물리적 특성으로는 연면적(㎡), 전용률(%), 주차율(%), 경과연수(년)를 선택하였다. 여기서 주차율은 전용면적에 대한 주차장면적의 비율을 의미한다. 운영적 특성으로는 소유자수(인)와 공실률(%)을 선택하였다. 끝으로 재무적 특성으로는 부동산 평가금액(백만 원)과 투자수익률 대비 소득수익률의 비중을 의미하는 소득수익률비중(%)을 선택하였다.

이들 설명변수의 기초통계량은 <표 2>와 같다. 지하철역과 주요교차로까지 거리의 평균값은 각각 407m와 239m이며, 광대로에 접한 부동산의 비중은 44%였다. 연면적의 평균값은 6,017.86㎡이었는데, 대체로 중대형인 오피스와 소형인 리테일이 모두 포함되어 있어 표준편차가 11,598.11㎡로 크게 나타났다. 전용율과 주차율의 평균값은 각각 73.27%와 15.83%이었으며, 경과연수의 평균값은 26.18년이었다. 부동산의 소유자수는 1인에서 25인까지 다양하였으나 평균 1.48인으로서 소수였으며, 공실률은 평균 10.96%였다. 부동산 평가금액의 평균은 17,575백만 원인데, 연면적과 마찬가지로 높은 표준편차를 보이고 있다. 한편 소득수익비율에 대해서는 아래 수익률 추정 부분에서 서술한다.

수익률은 386개 표본에 대해 22분기의 분기별 투자수익률을 추정한 후 다음과 같이 시간가중방식으로 연율화하여 산출한다.

분기수익률의 연율화 :

$T{R}_{y,t}={(1+T{R}_t)}^4-1$

$T{R}_{y,t}$ : t분기의 연율화된 총수익률

$T{R}_t$ : t분기의 총수익률

산출된 수익률의 분포를 살펴보면 다음과 같다. 먼저 개별 부동산 수익 프로파일은 <그림 2>에서 보는 것과 같이 평균 5.78%, 표준편차 2.40%, 왜도 0.44, 첨도 1.43으로 전형적인 정규분포에 비해 다소 첨예하고(첨도>3) 우측으로 긴 꼬리(왜도>0)를 갖고 있는 것으로 나타났다. 그러나 Kolmogorov-Smirnov검정 결과 정규분포를 따른다는 귀무가설은 기각되지 않았다(유의확률 0.179).

그림 2. 수익 프로파일

Download Original Figure

한편 수익률의 변동성을 의미하는 위험 프로파일은 <그림 3>과 같이 평균 4.13%, 표준편차 1.91%, 왜도 2.92, 첨도 13.64로 시계열 평균값에 비해 매우 첨예하고, 우측으로 긴 꼬리를 갖는 것으로 나타났다. 부동산의 투자위험은 다양한 요인에 의해 발생한다. 수익률의 변동성에 주목한 본 연구의 관심은 그중 목표한 수익률이 달성되지 않을 가능성인 재무적 위험에 한정된다고 할 수 있다.

그림 3. 위험 프로파일

Download Original Figure

수익률의 구성을 자세히 살펴보면 <표 3>과 같다. 소득수익률의 평균은 4.67%, 자본수익률의 평균은 1.08%로서 투자수익률의 대부분은 소득수익률에서 기인하였다. 이는 소득수익비중은 평균 0.84이란 점에서도 명확히 알 수 있다. 그리고 소득수익률은 최소값은 0.15%로서 모든 표본이 양(+)의 값을 가지지만, 자본수익률의 최소값은 –2.44%로서 음(-)의 값을 가지는 표본도 있었다.

386개 표본을 대상으로 수익위험 프로파일에 기초한 K-평균 군집분석을 실시한 결과는 <표 4>와 같다. 먼저 군집수를 2개로 한 경우 군집1(저위험군)에 251개, 군집2(고위험군)에 135개의 부동산이 포함되었다. 이때 저위험군의 평균 수익률은 4.51%, 고위험군은 8.11%로서 위험의 수준에 따라 수익도 커지는 것을 확인할 수 있었다.

군집수를 3개로 한 경우에는 군집1(저위험군)에 154개, 군집2(중위험군)에 205개, 군집3(고위험군)에 27개의 부동산이 포함되었다. 평균수익은 저위험군이 3.61%, 중위험군이 6.96%, 고위험군이 9.01%로서 역시 위험의 수준에 따라 수익도 커지는 것을 확인할 수 있었다.

군집수를 4개로 한 경우에는 군집1에 136개, 군집2에 148개, 군집3에 83개, 군집4에 19개의 부동산이 포함되었는데, 평균수익이 군집1 3.59%, 군집2 7.33%, 군집3 5.53%, 군집4 10.25%로서, 군집2와 군집3의 위험과 수익 사이에 역전현상이 발견되었다. 이는 4개까지 군집을 세분화하는 것은 위험이 높을수록 수익이 높다는 특성이 적용되지 않음을 의미한다. 결과적으로 유효 군집수는 2 또는 3개임을 알 수 있다.

본 연구에서는 수익위험 프로파일에 기초하여 2군집으로 분류할 때 저위험-저수익인 빌딩을 군집1, 고위험-고수익인 빌딩을 군집2로 정의하였다. 그리고 3군집으로 분류할 때 저위험-저수익인 빌딩을 군집1, 중위험-중수익인 빌딩을 군집2, 고위험-고수익인 빌딩을 군집3으로 정의하였다.

한편 로지스틱회귀분석은 386개 표본 중에서 각 군집중심에서 일정수준 이상 원거리에 있는 표본들(outlier)을 제외하여 수행하였다. 먼저 2군집에 대해 원거리 표본을 제외한 결과 군집1(저위험-저수익인 빌딩) 표본은 230개, 군집2(고위험-고수익인 빌딩) 표본은 120개가 분석대상으로 남아 총 36개의 원거리 표본이 회귀분석에서는 제외되었다.

2군집 그룹들의 수익위험 분포를 그림으로 나타내면 <그림 4>와 같다. 전체적으로 수익과 위험의 비례관계가 형성되지만 고위험-고수익의 위험 프로파일이 저위험-저수익에 비해 매우 넓은 것을 알 수 있다. 반면 저위험-저수익의 경우 상대적으로 유사한 수익위험 프로파일을 지닌 동질적인 표본이 밀집되어 있음을 알 수 있다. 2군집의 수익과 위험에 대해 분산분석을 실시한 결과 <표 5>와 같이 그룹 간 수익위험 프로파일이 통계적으로 유의한 차이를 보임을 알 수 있었다.

그림 4. 2군집 수익 및 위험 분포

Download Original Figure

3군집에 대해 원거리 표본을 제외한 결과 저위험-저수익 표본은 142개, 중위험-중수익 표본은 187개, 고위험-고수익 표본은 23개의 개별 부동산이 회귀분석의 대상으로 선별되어 총 34개의 원거리 표본이 제외되었다. 3군집 스타일 그룹의 수익-위험 프로파일을 그림으로 나타내면 <그림 5>와 같다.

그림 5. 3군집 수익 및 위험 분포

Download Original Figure

전체적으로 수익과 위험의 비례관계가 형성되지만 저위험-저수익과 중위험-중수익의 위험 수준 차이가 수익의 차이에 비해 적었다. 반면 고위험-고수익 그룹의 수익-위험 프로파일은 매우 넓게 분포되어짐을 알 수 있다. 그러나 3군집 그룹들의 수익위험 프로파일에 대해 분산분석을 실시한 결과 역시 <표 5>와 같이 통계적으로 세 가지 그룹 간 수익위험 프로파일은 통계적으로 유의한 차이가 있었다.

본 연구에서는 2군집에 대하여 수익률을 추정하였는데, 연수익률은 다음과 같이 분기말 수익률($R_t$)에 과거 3개 분기의 수익률을 곱하여 연율화($R_{y,t}$) 하였다.

$R_{y,t}=(1+R_{t-3})(1+R_{t-2})(1+R_{t-1})(1+R_t)-1$

저위험-저수익 및 고위험-고수익 수익률지수의 기초통계량과 수익률지수 추이는 <표 10> 및 <그림 6>과 같다. <표 10>에서는 이와 함께 표본전체의 섹터별 즉 오피스와 리테일의 수익률지수를 함께 나타내어 비교하였다.

그림 6. 수익위험특성에 따른 수익률 지수 추이(%)

Download Original Figure

저위험-저수익 그룹은 수익(평균수익률) 4.83%, 위험(변동성) 0.66%로 섹터별 수익률지수(오피스, 리테일)보다도 저위험-저수익의 특성을 반영하고 있으며, 고위험-고수익 그룹은 수익 8.02%, 위험 1.19%로 섹터별 수익률지수에 비해 상대적으로 고위험-고수익의 특성을 반영하고 있다. 또한 수익(평균수익률) 대비 위험(표준편차) 수준을 가늠할 수 있는 변이계수는 저위험-저수익형(0.14)이 리테일 섹터와 함께 가장 낮았고, 고위험-고수익형(0.15)은 오피스 섹터(0.16)와 리테일 섹터(0.14)의 중간에 위치하였다.