Het effect van extreme weersomstandigheden op de rendementen van de S&P 500

HET

EFFECT

VAN

EXTREME

WEERSOMSTANDIGHEDEN OP DE

RENDEMENTEN VAN DE S&P 500

EEN EVENT STUDY OVER DE FINANCIËLE IMPACT VAN EXTREEM

WEER IN DE VERENIGDE STATEN (2010- 2019)

Aantal woorden: 20.043

Anke Criel

Stamnummer : 01603707

Promotor: Prof. Dr. Gerdie Everaert

Masterproef voorgedragen tot het bekomen van de graad van:

Master in de handelswetenschappen: finance en risicomanagement

VERTROUWELIJKHEIDSCLAUSULE

PERMISSION

Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding.

I declare that the content of this Master’s Dissertation may be consulted and/or reproduced, provided that the source is referenced.

VOORWOORD

Deze masterproef werd geschreven in kader tot het behalen van de Master Handelswetenschappen Finance en Risicomanagement aan de Universiteit Gent. Deze masterproef maakte het voor mij mogelijk om de vele inzichten die ik in de opleiding heb verworven te combineren met mijn interesse voor financiële en milieu-gerelateerde aspecten.

Tijdens het werken aan deze masterproef vond de corona-epidemie plaats. Aangezien ik de periode voor het plaatsvinden van de maatregelen reeds literatuur uit boeken en informatie uit databanken had verzameld, heb ik nauwelijks problemen ondervonden door deze epidemie bij het schrijven van mijn masterproef. Bovendien verliep de overschakeling naar elektronische communicatie met mijn promotor en het raadplegen van de online Eikon Databank vlot.

Het schrijven van deze masterproef was een leerrijke en uitdagende ervaring, die niet mogelijk geweest zou zijn zonder de inspiratie, expertise en constructieve feedback van mijn promotor professor dr. Gerdie Everaert. Verder wil ik ook alle professoren bedanken in de opleiding Handelswetenschappen voor de vele kennis en inzichten die ik via hen heb verworven. Tot slot wil ik ook mijn familie en vrienden bedanken om mij te steunen doorheen mijn studietijd.

INHOUDSTAFEL

Vertrouwelijkheidsclausule ...II Voorwoord ... III Lijst van de gebruikte afkortingen ... VII Lijst van de grafieken en figuren ... VII Lijst van de tabellen ... VIII

1. Inleiding ...1

2. Literatuurstudie ...3

2.1 Extreme weersomstandigheden ...3

2.1.1 Extreme weersomstandigheden definiëren en analyseren ...3

2.1.1.1 U.S. Climate Extremes Index (U.S. CEI) ...3

2.1.1.2 Billion-Dollar Weather and Climate Disasters ...5

2.1.1.3 EM-DAT: International Disaster Database ...7

2.1.2 Soorten extreme weersomstandigheden ...7

2.1.2.1 Stormen ...7

2.1.2.2 Bosbranden ...9

2.1.2.3 Extreme temperaturen ... 10

2.1.2.4 Overstromingen ... 13

2.1.2.5 Droogte ... 14

2.1.2.6 Conclusie van de gegevens uit de EM-DAT Database ... 15

2.2 De financiële markt ... 16

2.2.1 Definitie van de S&P 500 ... 16

2.2.2 Theorieën rond de prijsvorming van aandelen ... 16

2.2.2.1 Efficient Market Hypothesis (EMH) ... 16

2.2.2.2 Dividend Discount Model (DDM) ... 17

2.2.2.3 Multi-factor modellen ... 18

2.2.2.4 Inzichten uit de gedragseconomie over investeringsgedrag ... 18

2.2.3 Het verband tussen de verschillende theorieën rond de prijsvorming van aandelen ... ….19

2.3 Het verband tussen extreme weersomstandigheden en de financiële markt ... 20

2.3.1 Verwachtingen omtrent de invloed van extreem weer op de winstgevendheid van bedrijven ... 22

2.3.1.1 Invloed van extreem weer op de winstgevendheid van de agrarische sector..23

2.3.1.2 Invloed van extreem weer op de winstgevendheid van de verzekeringssector ... 23

2.3.1.3 Invloed van extreem weer op de winstgevendheid van de energie- en nutssector ... 24

2.3.1.4 Invloed van extreem weer op de winstgevendheid van de industriële sector .. 25

2.3.2 Inzichten uit de gedragseconomie in verband met weer en de financiële markt .... 26

2.3.2.1 Seasonal Affective Disorder (SAD) ... 27

2.4 Conclusie literatuurstudie ... 28 3. Onderzoeksopzet ... 29 3.1 Onderzoeksvraag ... 29 3.2 Hypotheses ... 29 4. Methodologie ... 32 4.1 Gebruikte data ... 32 4.2 Event study ... 33

4.2.1 Verband tussen de event study methodologie en de financiële modellen ... 34

4.2.2 Event study methodologie ... 35

5. Resultaten ... 40

5.1 Hypothese 1: Extreme weersomstandigheden leiden tot afwijkende rendementen op de S&P 500 ... 40

5.2 Hypothese 2: Orkanen hebben een meer significant effect op de rendementen van de S&P 500 ... 42

5.3 Hypothese 3: Extreme weersomstandigheden hebben een verschillend effect op de verschillende sectoren van de S&P 500 ... 44

5.3.1 De verzekeringssector ... 44

5.3.2 De energiesector ... 46

5.3.3 De industriële sector ... 48

5.3.4 De nuts- of “utility”-sector... 50

6. Robuustheidscontrole ... 53

6.1 Constant mean model ... 53

Hypothese 1: Extreme weersomstandigheden leiden tot afwijkende rendementen op de S&P 500 ... 54

Hypothese 2: Orkanen hebben een meer significant effect op de rendementen van de S&P 500 ... 54

Hypothese 3: Extreme weersomstandigheden hebben een verschillend effect op de

verschillende sectoren van de S&P 500 ... 54

6.2 Alternatief event- en estimation window ... 55

7. Conclusie ... 57

7.1 Aanbevelingen voor verder onderzoek ... 58

8. Bibliografie ... XI 9. Appendix ... XVII

LIJST VAN DE GEBRUIKTE AFKORTINGEN

AR Abnormal Return

CAR Cumulative Abnormal Retrun CEI Climate Extremes Index

CRED Centre for Research on the Epidemology on Disasters DDM Dividend Discount Model

EMH Efficient Market Hypothesis GIMI Global Investable Market Index

IPCC Intergovernemental Panel on Climate Change MSCI Morgan Stanley Capital International

NCDC National Climatic Data Centre

NOAA National Oceanic and Atmospheric Administration S&P Standard & Poor’s

SAD Seasonal Affective Disorder

TRBC Thomas Reuters Business Classification VS Verenigde Staten

LIJST VAN DE GRAFIEKEN EN FIGUREN

Grafiek 1: Verloop Climate Extremes Index: 1910-2018………... Grafiek 2: Evolutie van weersgerelateerde rampen in de VS boven de één miljard-dollar grens… Grafiek 3: Evolutie van het aantal jaarlijkse stormen in de VS gedefinieerd als ramp………. Grafiek 4: Evolutie van het aantal jaarlijkse bosbranden in de VS gedefinieerd als ramp……….. Grafiek 5: Evolutie van het aantal jaarlijkse koude- en hittegolven………. Grafiek 6: Stijging van de gemiddelde globale temperatuur in de VS………. Grafiek 7: Evolutie van het aantal jaarlijkse overstromingen in de VS……… Grafiek 8: Evolutie van het aantal jaarlijkse droogtes in de VS……… Grafiek 9: Aandeel van verschillende sectoren in de S&P 500……… Grafiek 10: Verloop van de gemiddelde AR doorheen de tijd voor de verzekeringssector………. Grafiek 11: Verloop van de CAR doorheen de tijd voor alle events………

LIJST VAN DE TABELLEN

Tabel 1: Aantal doden – getroffen personen – personen die hun huis verloren ten gevolge van overstromingen in de VS………..……… Tabel 2: Beschrijving van de onderzochte sectoren van de S&P 500 index……….. Tabel 3: Data en overzicht van de onderzochte extreme weersgebeurtenissen………. Tabel 4: Significante events doorheen de tijd voor de S&P 500 – marktmodel……….. Tabel 5: Gemiddelde AR over alle events voor de S&P 500 – marktmodel……… Tabel 6: Gemiddelde CAR over alle events en over de tijd voor de S&P 500 – marktmodel………. Tabel 7: Significante events doorheen de tijd voor de S&P 500: focus op orkanen – marktmodel… Tabel 8: Gemiddelde AR over alle events binnen de S&P 500: focus op orkanen – marktmodel…. Tabel 9: Gemiddelde CAR over alle events en over de tijd voor de S&P 500: focus op orkanen – marktmodel……….... Tabel 10: Significante events doorheen de tijd voor de verzekeringssector – marktmodel…………. Tabel 11: Gemiddelde AR over alle events binnen de verzekeringssector – marktmodel………… Tabel 12: Gemiddelde CAR over alle events en over de tijd voor de verzekeringssector – marktmodel………... Tabel 13: Significante events doorheen de tijd voor de energiesector – marktmodel……….. Tabel 14: Gemiddelde AR over alle events binnen de energiesector – marktmodel……… Tabel 15: Gemiddelde CAR over alle events en over de tijd voor de energiesector – marktmodel… Tabel 16: Significante events doorheen de tijd voor de industriële sector – marktmodel…………. Tabel 17: Gemiddelde AR over alle events binnen de industriële sector - marktmodel………... Tabel 18: Gemiddelde CAR over alle events en over de tijd voor de industriële sector – marktmodel………... Tabel 19: Significante events doorheen de tijd voor de nutssector – marktmodel……… Tabel 20: Gemiddelde AR over alle events binnen de nutssector – marktmodel………. Tabel 21: Gemiddelde CAR over alle events en over de tijd voor de nutssector – marktmodel……. Tabel 22: Gemiddelde CAR over alle events en over de tijd voor de S&P 500 – constant mean model………. Tabel 23: Gemiddelde CAR over alle events en over de tijd voor de S&P 500: focus op orkanen – constant mean model……….. Tabel 24: Gemiddelde CAR over alle events en over de tijd voor de verzekeringssector – constant mean model……….………..

Tabel 25: Gemiddelde CAR over alle events en over de tijd voor de energiesector – constant mean model………. Tabel 26: Gemiddelde CAR over alle events en over de tijd voor de industriële sector – constant mean model……….. Tabel 27: Gemiddelde CAR over alle events en over de tijd voor de nutssector – constant mean model………. Tabel 28: Gemiddelde CAR over alle events en over de tijd voor de nutssector – marktmodel – alternatief event- en estimation window……….. Tabel 29: Gemiddelde AR over alle events voor de S&P 500 – constant mean model……….. Tabel 30: Significante events doorheen de tijd voor de S&P 500: focus op orkanen – constant mean model………. Tabel 31: Gemiddelde AR over alle events binnen de S&P 500: focus op orkanen – constant mean model………. Tabel 32: Gemiddelde AR over alle events binnen de verzekeringssector – constant mean model Tabel 33: Gemiddelde AR over alle events binnen de energiesector – constant mean model…….. Tabel 34: Gemiddelde AR over alle events binnen de industriële sector – constant mean model…. Tabel 35: Gemiddelde AR over alle events binnen de nutssector – constant mean model………… Tabel 36: Gemiddelde AR over alle events voor de S&P 500 – marktmodel – alternatief event- en estimation window……… Tabel 37: Gemiddelde CAR over alle events en over de tijd voor de S&P 500 – marktmodel - alternatief event- en estimation window………... Tabel 38: Gemiddelde AR over alle events binnen de S&P 500: focus op orkanen – marktmodel - alternatief event- en estimation window……….. Tabel 39: Gemiddelde CAR over alle events en over de tijd voor de S&P 500: focus op orkanen – marktmodel - alternatief event- en estimation window………... Tabel 40: Gemiddelde AR over alle events binnen de verzekeringssector – marktmodel - alternatief event- en estimation window………. Tabel 41: Gemiddelde CAR over alle events en over de tijd voor de verzekeringssector – marktmodel – alternatief event- en estimation window……….………. Tabel 42: Significante events doorheen de tijd voor de energiesector – marktmodel - alternatief event- en estimation window………. Tabel 43: Gemiddelde AR over alle events binnen de energiesector – marktmodel - alternatief event- en estimation window………..

Tabel 44: Gemiddelde CAR over alle events en over de tijd voor de energiesector – marktmodel – alternatief event- en estimation window……….. Tabel 45: Significante events doorheen de tijd voor de industriële sector – marktmodel - alternatief event- en estimation window……….. Tabel 46: Gemiddelde AR over alle events binnen de industriële sector – marktmodel - alternatief event- en estimation window……….. Tabel 47: Gemiddelde CAR over alle events en over de tijd voor de industriële sector – marktmodel – alternatief event- en estimation window……… Tabel 48: Significante events doorheen de tijd voor de nutssector – marktmodel - alternatief event- en estimation window……….. Tabel 49: Gemiddelde AR over alle events binnen de nutssector – marktmodel - alternatief event- en estimation window………..

1. INLEIDING

Recente onderzoeken tonen aan dat extreme weersomstandigheden steeds een hogere frequentie en intensiteit vertonen. Zo stelde het Intergovernemental Panel on Climate Change (2018) vast dat op sommige locaties in de wereld de frequentie van hittegolven meer dan verdubbeld is en dat ook andere soorten extreme weersomstandigheden sterk in frequentie zijn gestegen (Intergovernemental Panel on Climate Change, 2018). Hiernaast stellen studies die zich focussen op schadekosten veroorzaakt door extreme weersomstandigheden ook stijgende trends vast. Ter illustratie vermeldt een rapport van de National Oceanic and Atmospheric Administration uit de Verenigde Staten dat 2019 het vijfde opeenvolgende jaar is waarin er meer dan tien weersgerelateerde rampen in de Verenigde Staten hebben plaatsgevonden die elk apart een schadekost hoger dan 1 miljard U.S. Dollar hebben veroorzaakt. Verder toont dit rapport aan dat de jaarlijkse reële schadekosten veroorzaakt door een weersgerelateerde ramp sterk zijn gestegen gedurende de periode 1980-2019 (National Oceanic and Atmospheric Administration (NOAA), 2020).

Het aantal onderzoeken naar extreme weersomstandigheden is gedurende de laatste jaren sterk toegenomen. Bovendien wordt er sinds kort meer toegespitst op de economische gevolgen hiervan. De economische impact van extreme weersomstandigheden werd in 2005 nog eens extra benadrukt door het plaatsvinden van orkaan Katrina. Deze orkaan verwoestte duizenden bedrijven en huizen en wordt hierdoor nog steeds beschouwd als de meest dure natuurramp uit de geschiedenis (Cambridge Centre for Risk Studies, 2018).

Toch zijn er nog steeds enkele tekortkomingen in de bestaande literatuur. Doordat er de laatste decennia een hogere bevolkingsdichtheid en levensstandaard is, hebben weersgerelateerde rampen vaak een sterkere economische en financiële impact dan vroeger (Cambridge Centre for Risk Studies, 2018) (National Oceanic and Atmospheric Administration (NOAA), 2020). Hierdoor zijn verschillende onderzoeken die zich focussen op de economische en financiële impact van extreme weersomstandigheden reeds verouderd. Ook wordt er in de bestaande literatuur nog relatief weinig gefocust op de financiële impact van weersgerelateerde rampen voor een specifiek gebied.

In dit onderzoek wordt er gefocust op de financiële impact van extreme weersomstandigheden die hebben plaatsgevonden in de Verenigde Staten gedurende de periode 2010-2019. Deze periode werd gekozen om een zo recent mogelijk beeld te krijgen van de financiële gevolgen van extreme weersomstandigheden. Meer specifiek wordt er gefocust op het effect hiervan op de rendementen van de S&P 500 index. Dit omdat deze index een groot deel, circa tachtig procent om precies te zijn, van de markt in de Verenigde Staten dekt (S&P , 2020).

2. LITERATUURSTUDIE

In dit literatuuroverzicht worden drie grote luiken behandeld. In het eerste luik worden extreme weersomstandigheden gedefinieerd en geanalyseerd. Daarnaast worden de verschillende soorten extreem weer en de evolutie in frequentie hiervan besproken. In het tweede luik wordt er ingegaan op de financiële markt en de manier waarop aandelenprijzen worden gevormd. Daarenboven worden in dit luik enkele inzichten in verband met investeringsgedrag uit de gedragseconomie besproken. Tot slot wordt er in het derde luik verder ingegaan op de verwachtingen uit de literatuur omtrent de invloed van extreme weersomstandigheden op de winstgevendheid van bedrijven.

2.1 EXTREME WEERSOMSTANDIGHEDEN

2.1.1 EXTREME WEERSOMSTANDIGHEDEN: DEFINIËREN EN ANALYSEREN

Doorheen de jaren hebben verschillende vakgebieden reeds onderzoek verricht naar extreme weersomstandigheden. Toch ontbreekt hierbij een eenduidige en universele definitie van wat extreme weersomstandigheden werkelijk inhouden. In globo wordt extreem weer beschouwd als een weersomstandigheid die afwijkt van het gemiddelde en die zeldzaam is voor de locatie waarop deze plaatsvindt. Ook kan extreem weer het gevolg zijn van een accumulatie van verschillende individuele weersomstandigheden die op zichzelf niet van de norm afwijken (Seneviratne, et al., 2012). Enkele voorbeelden van extreme weersomstandigheden zijn hittegolven, koudegolven, extreme droogte, hevige neerslag en stormen. Veelgebruikte indicatoren hierbij zijn een hoge mate van economisch verlies, materiële schade en verlies van leven (Bouwer, 2013).

2.1.1.1 U.S. CLIMATE EXTREMES INDEX (U.S. CEI)

Een frequent gebruikt raamwerk om extreme weersomstandigheden te definiëren en analyseren is de U.S. Climate Extremes Index (CEI). Deze index werd ingevoerd in 1910 door de National Oceanic en Atmospheric Administration (NOAA) en tracht waargenomen klimaatveranderingen in de Verenigde Staten te kwalificeren en kwantificeren (Karl, Knight, Easterling, & Quayle, 1996). De index wordt berekend als het rekenkundig gemiddelde van volgende zes indicatoren:

1. De som van I) het percentage van de Verenigde Staten met maximumtemperaturen significant onder het gemiddelde en II) het percentage van de Verenigde Staten met maximumtemperaturen significant boven het gemiddelde.

2. De som van I) het percentage van de Verenigde Staten met minimumtemperaturen significant onder het gemiddelde en II) het percentage van de Verenigde Staten met minimumtemperaturen significant boven het gemiddelde.

3. De som van I) het percentage van de Verenigde Staten dat te maken heeft met extreme droogte en II) het percentage van de Verenigde Staten dat te maken heeft met een extreme vochtigheid.

4. Tweemaal de waarde van het percentage van de Verenigde Staten met een hogere hoeveelheid neerslag dan gemiddeld.

5. De som van I) het percentage van de Verenigde Staten met een significant groter aantal dagen neerslag dan gemiddeld en II) het percentage van de Verenigde Staten met een significant lager aantal dagen zonder neerslag.

6. De som van de kwadraten van de windsnelheden van tropische stormen en orkanen in de Verenigde Staten. Deze worden in aanmerking genomen in verhouding tot het gemiddelde van de eerste vijf indicatoren (National Oceanic and Atmospheric Administration, 2020).

Het bovenstaande rekenkundig gemiddelde wordt weergegeven als een percentage. Een waarde van nul procent geeft aan dat er in de onderzochte periode geen extreme weersomstandigheden in de Verenigde Staten hebben plaatsgevonden. Een waarde van honderd procent betekent daarentegen dat het hele land gedurende de volledige bestudeerde periode onderhevig is geweest aan extreme weersomstandigheden. Het National Oceanic en Atmospheric Administration (NOAA) benadrukt dat deze beide waarden vrijwel onmogelijke scenario’s zijn en dat er eerder moet gekeken worden naar de verandering van de index op lange termijn. Deze verandering geeft namelijk de tendens mee of extreme weersomstandigheden in frequentie stijgen, dalen of gelijk blijven (National Oceanic and Atmospheric Administration, 2020).

Onderstaande grafiek geeft een indicatie van de evolutie van de Climate Extremes Index voor de periode 1910-2019. De index heeft een schommelend verloop met een gemiddelde waarde van 19,9 procent per jaar. Het voorlopige maximum van deze index werd bereikt in 2012, waarbij de CEI een waarde vertegenwoordigde van 42,68 procent.

Grafiek 1: Verloop Climate Extremes Index: 1910-2018 (National Oceanic and Atmospheric Administration, 2020)

Naast de U.S. Climate Extremes Index die van toepassing is op de Verenigde Staten bestaan er verschillende andere indexen die extreme weersomstandigheden via een andere methodiek trachten te definiëren en analyseren. Deze indexen verschillen van de CEI onder meer op vlak van de locatie waarvoor ze van toepassing zijn en op basis van de verschillende indicatoren die ze in rekening nemen (Brown, Bradley, & Keimig, 2010).

2.1.1.2 BILLION-DOLLAR WEATHER AND CLIMATE DISASTERS

Een andere manier om extreme weersomstandigheden te definiëren is via het bestuderen van de schadekosten die weersgerelateerde gebeurtenissen met zich mee hebben gebracht. Hierover heeft het Nationale Centra voor Milieu-Informatie uit de Verenigde Staten een recent onderzoek gepubliceerd dat extreme weersomstandigheden binnen de V.S. met een schadekost hoger dan één miljard U.S. Dollar in kaart brengt. (National Oceanic and Atmospheric Administration (NOAA), 2020). In dit onderzoek wordt de totale schadekost berekend aan de hand van de schadeclaims die verzekeraars als gevolg van een bepaalde weersgebeurtenis hebben moeten uitbetalen (Smith & Katz, 2013). Verder worden de cijfers aangepast aan de consumptieprijsindex, waardoor het mogelijk is deze met elkaar te vergelijken. In dit onderzoek wordt geconstateerd dat zowel het aantal weersgerelateerde rampen, als de kosten verbonden aan deze rampen incrementeel aan het stijgen is. Zo wordt er vermeld dat 2019 het vijfde opeenvolgende jaar is waarin er meer dan tien weersgerelateerde rampen in de Verenigde Staten

0 5 10 15 20 25 30 35 40 45 1910 1914 1918 1922 1926 1930 1934 1938 1942 1946 1950 1954 1958 1962 1966 1970 1974 1978 1982 1986 1990 1994 1998 2002 2006 2010 2014 2018

CEI % (jaarlijks)

hebben plaatsgevonden die elk apart een schadekost hoger dan 1 miljard U.S. Dollar hebben veroorzaakt (National Oceanic and Atmospheric Administration (NOAA), 2020).

Onderstaande grafiek geeft een indicatie van de stijgende frequentie van extreme weersomstandigheden met een schadekost hoger dan één miljard U.S. Dollar. Aangezien deze cijfers aangepast zijn aan de consumptieprijsindex is het mogelijk om deze met elkaar te vergelijken. Deze grafiek moet echter wel voldoende kritisch worden geanalyseerd, aangezien deze een vertekenend beeld kan geven. Naast een stijging in frequentie, veroorzaakt door klimaatverandering, kan er echter ook een deel van de stijging verklaard worden door een verhoogde blootstellingsgraad aan extreme weersomstandigheden. Deze verhoogde blootstellingsgraad is het resultaat van een stijgende graad van economische ontwikkeling binnen de Verenigde Staten doorheen de jaren. Doordat er meer industrie en een duurdere infrastructuur aanwezig is in vergelijking met vroeger, moeten verzekeraars hogere schadeclaims uitbetalen. Bijgevolg zullen extreme weersomstandigheden sneller de grens bereiken van één miljard U.S. Dollar (National Oceanic and Atmospheric Administration (NOAA), n.d.). Dit wordt bevestigd door een studie van het Cambridge Centre for Risk Studies (2018). Deze vermeldt dat toenemende kosten van extreme weersgebeurtenissen deels te verklaren zijn door de accumulatie en toenemende waarde van activa in risicogebieden. (Cambridge Centre for Risk Studies, 2018)

Grafiek 2: Evolutie van weersgerelateerde rampen in de VS boven de één miljard-dollar grens (National Oceanic and Atmospheric Administration (NOAA), 2020)

0 20 40 60 80 100 120 140 160 1980-1989 1990-1999 2000-2009 2010-2019 2015-2019 2017-2019

Evolutie van weersgerelateerde rampen in de VS

Aantal rampen per jaar Kosten per jaar (miljard USD) Lineair (Aantal rampen per jaar) Lineair (Kosten per jaar (miljard USD))

2.1.1.3 EM-DAT: INTERNATIONAL DISASTER DATABASE

Tot slot kunnen extreme weersomstandigheden geanalyseerd worden via dagelijkse meteorologische en klimatologische gegevens. Ter illustratie een bespreking van de EM-DAT International Disaster Database. Deze database voorziet in wereldwijde data over onder andere klimatologische, meteorologische, geofysische en technologische rampen (Centre for Research on the Epidemiology of Disasters - CRED, 2009). Rampen opgenomen in de EM-DAT Database worden gedefinieerd als volgt:

“A situation or event which overwhelms local capacity, necessitating a request to the national or international level for external assistance, or is recognised as such by a multilateral agency or by at least two sources, such as national, regional or international assistance groups and the media” (Centre for Research on the Epidemiology of Disasters (CRED), 2006, p.7).

Verder voldoen de rampen aan volgende criteria:

1. Er waren tien of meer overlijdens als gevolg van de ramp 2. En/ of honderd mensen of meer werden getroffen door de ramp

3. En/ of er was een oproep tot internationale bijstand/ verklaring van de noodtoestand ten gevolge van de ramp (Centre for Research on the Epidemiology of Disasters (CRED), 2006)

In de EM-DAT Database wordt een opdeling gemaakt tussen verschillende soorten weersgerelateerde rampen. Daarom is het ter bespreking van de gegevens uit de database relevant om eerst deze soorten extreme weersomstandigheden te conceptualiseren en te illustreren.

2.1.2 SOORTEN EXTREME WEERSOMSTANDIGHEDEN

Extreme weersomstandigheden worden over het algemeen ingedeeld in de volgende vijf categorieën: stormen, bosbranden, extreme temperaturen, overstromingen en extreme droogte.

2.1.2.1 STORMEN

Stormen maken deel uit van een van de meest voorkomende windgerelateerde weersomstandigheden. Naast stormen die nauwelijks of geen schade veroorzaken vinden er af en toe ook stormen plaats met grotere gevolgen. Tropische windstormen zijn cyclonale

weersystemen die zich vormen boven het zeegebied. Deze stormen worden gekenmerkt door enorme windsnelheden en een grote hoeveelheid neerslag (Cambridge Centre for Risk Studies, 2018). Eenmaal een tropische storm de orkaandrempel overschrijdt, wordt deze beschouwd als een orkaan. De minimale windsnelheid hierbij bedraagt 119 kilometer per uur (Feria-Domínguez, Paneque, & Gil-Hurtado, 2017). Als reactie op deze windkracht vormen er zich veelal hoge golven, die leiden tot overstromingen langs de kustlijn. Deze overstromingen leiden er, samen met de grote afstanden die een orkaan kan afleggen en de grote hoeveelheid neerslag, toe dat orkanen als een van de grootste ecologische rampen worden beschouwd (Cambridge Centre for Risk Studies, 2018).

Dit laatste gegeven wordt bevestigd in een studie van het NOAA. Zij vermeldden in hun rapport dat tropische stormen in de Verenigde Staten 945,9 miljard U.S. Dollar aan schadekosten hebben veroorzaakt tijdens de periode 1980-2019. De gemiddelde kost per tropische storm bedroeg in deze periode 21,5 miljard U.S. Dollar. Deze bedragen liggen significant boven de schadekosten van andere weersgerelateerde rampen. Naast de materiële schade veroorzaakten tropische stormen tijdens deze periode een hoog dodenaantal, waarbij het verlies van leven opliep tot 6 502 personen (National Oceanic and Atmospheric Administration (NOAA), 2020).

Enkele orkanen die noemenswaardig zijn om te bespreken zijn orkaan Katrina (2005) en orkaan Sandy (2012). Deze vonden beiden plaats in de Verenigde Staten. De hoge intensiteit van deze orkanen zorgde voor een enorme ravage, een groot aantal slachtoffers en miljarden euro’s aan directe schade. Doordat orkaan Katrina een sterk economisch ontwikkelde regio trof, wordt deze vaak beschouwd als de meest dure natuurramp uit de geschiedenis (Cambridge Centre for Risk Studies, 2018). Ook orkaan Sandy leidde tot grote gevolgen. Als voorbeeld moest Wall Street voor twee dagen gesloten worden. Dit was de eerste sluiting sinds de terroristische aanvallen in 2001 (Feria-Domínguez, Paneque, & Gil-Hurtado, 2017).

Onderstaande grafiek geeft een voorstelling van de evolutie van het jaarlijks aantal stormen in de Verenigde Staten gedefinieerd als ramp door de EM-DAT database. Het aantal extreme stormen per jaar kent een schommelend verloopt met een duidelijke opwaartse trend. Dit geeft een indicatie van een stijgende frequentie van het aantal extreme stormen. Over de periode 1920-2019 waren er gemiddeld 7 stormen per jaar, waarbij het maximum van 27 stormen plaatsvond in 1992 (Centre for Research on the Epidemiology of Disasters - CRED, 2009).

Grafiek 3: Evolutie van het aantal jaarlijkse stormen in de Verenigde Staten gedefinieerd als ramp (Centre for Research on the Epidemiology of Disasters - CRED, 2009)

2.1.2.2 BOSBRANDEN

Bosbranden zijn complexe weersgerelateerde rampen die zowel een invloed op korte als lange termijn uitoefenen op sociale en ecologische systemen (Bowman, et al., 2009) (Higuera, 2015). Verschillende factoren dragen bij aan het ontstaan van bosbranden. Zo kunnen bosbranden zowel door ecologische omstandigheden als door menselijk handelen ontstaan. Belangrijke factoren bij het uitbreken van bosbranden zijn de aanwezige vegetatie, de bodemsoort en de klimatologische omstandigheden (Marlon, et al., 2012).

Een noemenswaardige recente gebeurtenis die dit soort extreme weersomstandigheid wereldwijd onder de aandacht bracht zijn de bosbranden in Australië. Deze begonnen rond de periode van september 2019 en troffen vooral de oost- en zuidkust van het Australische grondgebied. Alhoewel de Australische zomermaanden elk jaar gekenmerkt worden door een zogenaamd “bosbrandseizoen”, werden ze deze periode gekenmerkt door veel extremere branden die over een groter gebied waren verspreid dan gewoonlijks tijdens andere jaren (BBC, 2020). Gevolgd door zandstormen en overstromingen zorgden deze bosbranden voor talloze directe en indirecte gevolgen. Zo had dit onder andere een grote ecologische impact gekenmerkt door een grote dierensterfte en een verstoring van de biodiversiteit. Doordat veel dieren hun normale habitat en voedingsbronnen verloren zijn, zal het nog enkele jaren duren voordat de ecologische balans opnieuw hersteld zal zijn. Een ander niet te onderkennen effect van deze bosbranden zijn de gevolgen voor de publieke gezondheid. De grote hoeveelheid rook veroorzaakte een ernstige

-5 0 5 10 15 20 25 30 1920 1927 1933 1938 1945 1948 1952 1955 1958 1961 1964 1967 1970 1973 1977 1980 1983 1986 1989 1992 1995 1998 2001 2004 2007 2010 2013 2016 2019

Evolutie van het aantal extreme stormen

(EM-DAT)

luchtvervuiling die zowel Australië zelf, als omringende landen heeft geteisterd. De slechte luchtkwaliteit kan gezondheidsproblemen veroorzaken zoals onder andere bronchitis en een verminderde longfunctionaliteit. Verder veroorzaakten deze bosbranden ook negatieve economische gevolgen. De landbouwsector werd hierbij het meest ernstig en direct getroffen, maar ook andere bedrijven voelden de gevolgen van de bosbranden. Deze werden grotendeels veroorzaakt door een beschadigde infrastructuur en ernstige niveaus van luchtvervuiling (United Nations, 2020).

Onderstaande grafiek geeft een voorstelling van de evolutie van de jaarlijkse frequentie aan bosbranden in de Verenigde Staten. Uit deze grafiek kan er worden afgeleid dat het jaarlijks aantal bosbranden wordt gekenmerkt door een schommelend verloop met geen duidelijke opwaartse of neerwaartse trend. Het maximale jaarlijks aantal bosbranden binnen de Verenigde Staten werd bereikt in 2002. Toen vonden er acht bosbranden plaats die werden gedefinieerd als ramp.

Grafiek 4: Evolutie van het aantal jaarlijkse bosbranden in de Verenigde Staten gedefinieerd als ramp (Centre for Research on the Epidemiology of Disasters - CRED, 2009)

2.1.2.3 EXTREME TEMPERATUREN

Temperatuur is een van de meest frequent bestudeerde weersomstandigheden. Hoge afwijkingen van de gemiddelde temperatuur kunnen worden opgedeeld in hitte- en koudegolven. Hittegolven worden doorgaans gedefinieerd als een langdurig aanhoudende periode van ongewoon atmosferische hitte, die negatieve gevolgen kan veroorzaken voor de gezondheid van de getroffen bevolking en tijdelijke aanpassingen in de levensstijl vereisen (Robinson, 2000).

0 2 4 6 8 10

Evolutie van het jaarlijks aantal

bosbranden (EM-DAT)

Bovendien kunnen hittegolven naast gezondheidsproblemen ook ecologische en economische problemen veroorzaken zoals bosbranden en mislukte oogsten in de agrarische sector. Ter illustratie vond er in de Verenigde Staten in 2012 een ernstige hittegolf plaats. Aangezien deze hittegolf meer dan 22 staten trof, wordt deze nog steeds gekenmerkt als de meest omvangrijke hittegolf in de Verenigde Staten sinds 1930. De totale economische schade van deze hittegolf wordt geraamd op 33.9 miljard U.S. Dollar, waarbij de meerderheid van de schadekosten werden veroorzaakt door verliezen en mislukte oogsten in de agrarische sector (National Oceanic and Atmospheric Administration (NOAA), 2020).

In schril contrast met hittegolven staan buitengewoon koude temperaturen. Men spreekt van een koudegolf wanneer een langdurige periode wordt gekenmerkt door extreme vorst. De grenswaarden om van een koudegolf te spreken, zijn net zoals bij een hittegolf afhankelijk van het klimaat van de locatie waar deze zich afspeelt (Radinovic & Curic, 2012).

Onderstaande grafiek geeft een voorstelling van de verkregen gegevens over koude- en hittegolven via de EM-DAT Database verdeeld over vier deelperiodes. De grafiek vertoont een opwaartse tendens, wat een sterke indicatie geeft van een stijgende frequentie van het jaarlijks aantal koude- en hittegolven.

Grafiek 5: Evolutie van het aantal jaarlijkse koude- en hittegolven in de Verenigde Staten (Centre for Research on the Epidemiology of Disasters - CRED, 2009)

0 2 4 6 8 10 12 1935-1955 1956-1975 1976-1995 1996-2015

Evolutie van het aantal koude- en

hittegolven (EM-DAT)

Verder bestaan er naast hoge afwijkingen van de temperatuur ook incrementele temperatuursveranderingen. Incrementele temperatuursverhogingen worden vaak gelinkt aan de opwarming van de aarde. Dit fenomeen wordt gekenmerkt door een aanhoudende stijging van de gemiddelde luchttemperatuur en temperatuur van oceanen die zich voltrekt sinds het midden van de twintigste eeuw (Haldar, 2010). Het Intergovernmental Panel on Climate Changes (IPCC) concludeert in hun rapport dat de voornaamste reden voor deze temperatuursverandering een stijging is in de concentratie van de hoeveelheid broeikasgassen aanwezig in de atmosfeer. Deze hogere concentratie is het gevolg van menselijke activiteiten zoals een hogere graad van industrialisatie, ontbossing en de verbranding van fossiele brandstoffen. Verder vermeldt het IPCC ook dat natuurlijke fenomenen zoals zonnestraling een bepaalde contributie leveren aan deze temperatuursverhoging (Intergovernemental Panel on Climate Change, 2018) (Haldar, 2010). Haldar vermeldt in haar boek dat de opwarming van de aarde zowel ecologische en economische als sociale gevolgen veroorzaakt. Enkele van deze gevolgen zijn een hogere voedselonzekerheid, een schaarste aan drinkbaar water en een hogere inkomensongelijkheid tussen landen (Haldar, 2010). Een specifiek gevolg van de temperatuursverhoging is het smelten van ijskappen (Anttila-Hughes, 2016). Het smelten van ijskappen en de reductie van de hoeveelheid sneeuwbedekking leidt op zijn beurt tot het stijgen van de zeespiegel, wat vervolgens andere problemen met zich meebrengt zoals overstromingen en erosie in verschillende kustgebieden en laaglanden (Europese Commissie, z.d.).

Onderstaande grafiek geeft een weergave van de incrementele temperatuursverhoging binnen de Verenigde Staten doorheen de jaren:

Grafiek 6: Stijging van de gemiddelde globale temperatuur (NOAA National Climatic Data Center (NCDC))

9,50 10,00 10,50 11,00 11,50 12,00 12,50 13,00 1895 1900 1905 1910 1915 1920 1925 1930 1935 1940 1945 1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Jaarlijkse gemiddelde temperatuur in de VS (°C)

Jaarlijkse gemiddelde temperatuur in de VS (°C) Lineair (Jaarlijkse gemiddelde temperatuur in de VS (°C))

2.1.2.4 OVERSTROMINGEN

Een volgende categorie van extreme weersomstandigheden heeft betrekking op de hoeveelheid neerslag in een bepaald gebied. Afwijkingen van de normale hoeveelheid neerslag kunnen leiden tot overstromingen. Deze overstromingen kunnen een hoge agrarische en economische schade veroorzaken. Ter illustratie vond er in juli 2019 een overstroming plaats van de Mississippi in de Verenigde Staten. Hierdoor werden elf omliggende staten getroffen. Door deze overstroming werd de scheepvaart zwaar verstoord, wat op zijn beurt een negatieve invloed uitoefende op verschillende industrieën. Ook zorgde zware regenval in Indiana en Ohio voor mislukte oogsten van verschillende gewassen.

Onderstaande grafiek geeft een voorstelling van de evolutie van het jaarlijks aantal overstromingen in de Verenigde Staten, gebaseerd op de EM-DAT Database. Er kan worden vastgesteld dat het jaarlijks aantal overstromingen een schommelend verloop heeft met een licht stijgende trend.

Grafiek 7: Evolutie van het aantal jaarlijkse overstromingen in de Verenigde Staten (Centre for Research on the Epidemiology of Disasters - CRED, 2009)

Tabel 1 geeft een verdere analyse van de data verstrekt in de EM-DAT Database over overstromingen in de Verenigde Staten. Hierbij is de data verdeeld over vier deelperiodes. Op basis van deze data kan worden vastgesteld dat het aantal overlijdens door overstromingen aan het dalen is, nadat dit aantal een piek beleefde in de periode 1990-1999. Verder kent het aantal personen getroffen door overstromingen een schommelend verloop. Het maximale aantal

0 5 10 15

1927 1943 1951 1969 1976 1980 1983 1986 1991 1995 1998 2001 2004 2007 2010 2013 2016 2019

Evolutie van het aantal overstromingen

(EM-DAT)

getroffen personen bevindt zich in de periode 2000-2009. Dit maximum werd veroorzaakt door 4 overstromingen in 2008, die maar liefst 11.032.500 mensen troffen. Tot slot kent het aantal personen die hun huis verloren een piek in de periode 2010-2019. Een mogelijke verklaring hiervoor is de stijgende bebouwing binnen bepaalde landelijke en kustgebieden.

Periode Aantal doden Aantal getroffen

personen

Aantal personen die hun huis verloren

1980-1989 140 118550 11500

1990-1999 382 642715 5400

2000-2009 299 11317806 7400

2010-2019 271 295821 16400

Tabel 1: Aantal doden – getroffen personen – personen die hun huis verloren ten gevolge van overstromingen in de Verenigde Staten ( (Centre for Research on the Epidemiology of Disasters - CRED, 2009)

2.1.2.5 DROOGTE

Droogte is een van de meest complexe ecologische risico’s, met mogelijke gevolgen zoals mislukte oogsten, ziektes en voedselonzekerheid. (Bouwer, 2013). De graviteit van de gevolgen van droogte is enorm afhankelijkheid van de locatie. Momenteel worden arme ontwikkelingslanden het sterkst getroffen. Dit omdat de inwoners uit deze landen vaak erg afhankelijk zijn van de natuur en weinig middelen hebben om zich aan de veranderende weersomstandigheden aan te passen (Europese Commissie, z.d.). Samen met de belangstelling voor klimaatverandering is het onderzoek naar de oorzaken en gevolgen van extreme droogte de laatste jaren sterk toegenomen.

Onderstaande grafiek geeft meer informatie over de evolutie van het jaarlijks aantal droogtes binnen de Verenigde Staten. Alhoewel de Verenigde Staten een relatief lage gevoeligheid toont voor extreme droogte in vergelijking met andere gebieden zoals onder andere landen in Afrika en Zuid-Amerika (Centre for Research on the Epidemiology of Disasters - CRED, 2009) toont bovenstaande grafiek een duidelijk opwaartse trend. Deze trend wordt bevestigd door verschillende klimaatwetenschappers die voorspellen dat de frequentie van het jaarlijkse aantal droogtes wereldwijd verder gaat stijgen ten gevolge van de opwarming van de aarde (Haldar, 2010).

Grafiek 8: Evolutie van het aantal jaarlijkse droogtes in de Verenigde Staten (Centre for Research on the Epidemiology of Disasters - CRED, 2009)

2.1.2.6 CONCLUSIE VAN DE GEGEVENS UIT DE EM-DAT DATABASE

Bovenstaande grafieken geven reeds een indicatie van een stijgende frequentie aan extreme weersomstandigheden. Veroorzaakt door deze stijgende frequentie en intensiteit van extreme weersomstandigheden vond er een incrementele stijging plaats in studies naar de oorzaak hiervan. Anttila-Hughes (2016) vermeldt in zijn onderzoek dat gebeurtenissen zoals recordtemperaturen en extreme droogte in normale omstandigheden met een stabiel klimaat relatief zeldzaam zijn en dat de stijgende frequentie van deze extreme weersomstandigheden erop duidt dat het klimaat fundamenteel aan het veranderen is (Anttila-Hughes, 2016). Dit wordt bevestigd door een studie van het Cambrigde Centre for Risk Studies. Zij concluderen dat klimaatverandering een factor is die significant bijdraagt aan de frequentie van overstromingen, orkanen en droogte (Cambridge Centre for Risk Studies, 2018).

Aangezien de opwaartse tendens in frequentie van extreme weersomstandigheden voorlopig nog geen daling vertoont, is het relevant om na te gaan wat de gevolgen hiervan zijn op economisch vlak. In onderstaande secties wordt de link gelegd tussen extreme weersomstandigheden en het mogelijke effect hiervan op de aandelenrendementen van de financiële markt, in dit geval de S&P 500 index. 0 1 2 3 4 1920-1949 1940-1959 1960-1979 1980-1999

Evolutie van het aantal droogtes in de

VS (EM-DAT)

Aantal droogtes in de VS Lineair (Aantal droogtes in de VS)

2.2 DE FINANCIËLE MARKT

2.2.1 DEFINITIE VAN DE S&P 500

De S&P 500 is een aandelenindex die werd ontwikkeld door Standard & Poor’s. Standard & Poor’s is een bedrijf uit de Verenigde Staten dat zich bezighoudt met financiële dienstverlening en onder andere bekend staat voor zijn kredietrating. De S&P 500 index bestaat uit de vijfhonderd grootste beursgenoteerde bedrijven van de Verenigde Staten. Deze bedrijven worden gewogen volgens hun graad van marktkapitalisatie, waarbij Microsoft Corp., Apple Inc., Amazon.com en Facebook Inc. het hoogste gewicht vertegenwoordigen. De S&P 500 dekt in zijn geheel circa tachtig procent van de volledige markt in de Verenigde Staten. Hierbij zijn verschillende sectoren zoals onder andere de IT-sector, de gezondheidssector, de financiële sector en de energiesector vertegenwoordigd. Aangezien de S&P 500 niet sectorspecifiek is en een relatief groot aantal bedrijven bevat, geeft deze een goede indicatie van de ontwikkelingen op de financiële markt in de Verenigde Staten (S&P , 2020).

Grafiek 9: Aandeel van verschillende sectoren in de S&P 500 (S&P , 2020)

2.2.2 THEORIEËN ROND DE PRIJSVORMING VAN AANDELEN

2.2.2.1 EFFICIENT MARKET HYPOTHESIS (EMH)

De Efficient Market Hypothesis (EMH) is een frequent gebruikte theorie bij het analyseren van aandelenprijzen op de financiële markt. Deze theorie weerspiegelt het idee van de “random walk” die stipuleert dat alle informatie onmiddellijk wordt weerspiegeld in aandelenprijzen. Aldus geven

V E R S C H I L L E N D E S E C T O R E N V A N D E S & P 5 0 0 Informatietechnologie 33,5% Communicatiediensten 17,8% Gezondheidszorg 13,5% Financiële diensten 10,6% Duurzame consumptiegoederen 9% Basisconsumptiegoederen 8,4% Industrie 3,9%

aandelenprijzen een volledig en actueel beeld van alle beschikbare informatie (Fama E. F., 1970) (Malkiel, The Efficient Market Hypothesis and Its Critics, 2003).

Roberts (1976) definieerde in zijn onderzoek drie vormen van marktefficiëntie die gebaseerd zijn op de verschillende informatieniveaus die ze weerspiegelen (Roberts, 1967). Ten eerste is er de “weak form EMH”. Dit is de zwakste vorm van de Efficient Market Hypothesis die stipuleert dat aandelenprijzen de historische gegevens van prijzen, rendementen en handelsvolume weerspiegelen. Als gevolg van de weak form EMH kunnen beleggers geen abnormale winsten behalen op basis van een analyse van historische prijspatronen.

De tweede vorm van de Efficient Market Hypothesis is de “semi-strong EMH”. Deze vorm houdt vast aan het feit dat huidige aandelenkoersen niet enkel historische informatie in verband met prijzen, rendementen en handelsvolume weerspiegelen, maar ook publiek beschikbare informatie die relevant zijn voor de effecten van bedrijven. Voorbeelden hiervan zijn de kwaliteit van het management, winstverwachtingen, de aanwezige productlijnen.

Tot slot formuleert Roberts (1976) de “strong form EMH”. Deze vorm houdt in dat aandelenprijzen alle informatie reflecteren die relevant is voor het bedrijf, met inbegrip van informatie die alleen beschikbaar is voor insiders (Malkiel, Efficient Market Hypothesis, 1989).

Alhoewel de Efficient Market Hypothesis een breed verspreide theorie is, wordt deze vaak bekritiseerd. Eén van deze kritieken is afkomstig vanuit de gedragseconomie. Dit vakgebied trekt de EMH in twijfel door belang te besteden aan de invloed van gedrags- en emotionele factoren op het investeringsgedrag (Van Veer, Inghelbrecht, & Meir, 2019). Hier wordt in het gedeelte “Inzichten uit de gedragseconomie in verband met investeringsgedrag” verder op ingegaan. Verder wordt de Efficient Market Hypothesis vaak getest via de event study methodologie, waarbij wordt gekeken naar de snelheid waarmee aandelenprijzen op nieuwe informatie reageren. In de sectie “Methodologie” wordt verder ingegaan op deze theorie.

2.2.2.2 DIVIDEND DISCOUNT MODEL (DDM)

Een volgend model om aandelenprijzen te analyseren is het Dividend Discount Model (DDM). Dit model stelt dat de prijs van een aandeel gelijk moet zijn aan de contante waarde van alle verwachte toekomstige dividenden indien de markt efficiënt is. Aangezien verwachtingen over de toekomstige winstgevendheid worden weerspiegeld in de verwachte toekomstige dividenden, zullen deze winstverwachtingen bijgevolg de aandelenprijs meebepalen (Bodie, Kane, & Marcus, 2019).

Het Dividend Discount Model wordt weergegeven als volgt: 𝑃0= ∑ 𝐸(𝐷𝐼𝑉𝑡) (1 + 𝐸(𝑟))𝑡 ∞ 𝑡=1 Waarbij: 𝑃0= 𝐷𝑒 𝑚𝑎𝑟𝑘𝑡𝑝𝑟𝑖𝑗𝑠 𝑣𝑎𝑛 ℎ𝑒𝑡 𝑎𝑎𝑛𝑑𝑒𝑒𝑙 𝑜𝑝 𝑡𝑖𝑗𝑑𝑠𝑡𝑖𝑝 𝑡 = 0 𝑡 = 𝑇𝑖𝑗𝑑𝑠𝑓𝑎𝑐𝑡𝑜𝑟 𝐸(𝐷𝐼𝑉𝑡) = 𝐷𝑒 𝑤𝑎𝑎𝑟𝑑𝑒 𝑣𝑎𝑛 𝑑𝑒 𝑣𝑒𝑟𝑤𝑎𝑐ℎ𝑡𝑒 𝑡𝑜𝑒𝑘𝑜𝑚𝑠𝑡𝑖𝑔𝑒 𝑑𝑖𝑣𝑖𝑑𝑒𝑛𝑑𝑒𝑛 𝐸(𝑟) = 𝐷𝑒 𝑣𝑒𝑟𝑤𝑎𝑐ℎ𝑡𝑒 𝑎𝑎𝑛𝑑𝑒𝑙𝑒𝑛𝑟𝑒𝑡𝑢𝑟𝑛 2.2.2.3 MULTI-FACTOR MODELLEN

Vervolgens kunnen aandelenprijzen ook geanalyseerd worden via multi-factor modellen. Het multi-factor model tracht variabelen die systematische risico’s voor beleggers met zich meebrengen te identificeren. Vervolgens wordt aan elk van deze variabelen een eigen risicopremie gekoppeld. Veelgebruikte variabelen zijn: factoren die verband houden met belangrijke consumptiegoederen, factoren die verband houden met toekomstige investeringsmogelijkheden, factoren die verband houden met de algemene toestand van de economie en subjectieve factoren (Bodie, Kane, & Marcus, 2019).

Eerder onderzoek heeft aangetoond dat het effect van subjectieve factoren eerder beperkt is tot investeringen op korte en middellange termijn (Sirucek, 2012). Subjectieve factoren spelen een belangrijke rol in de gedragseconomie en worden verder behandeld in de volgende rubriek. Macro-economische factoren daarentegen oefenen ook een effect uit op investeringen op lange termijn. Uit een onderzoek van King (1996) blijkt dat macro-economische factoren de meest significante invloed uitoefenen op aandelenprijzen (King, 1966). Dit wordt bevestigd in een onderzoek van Flannery en Protopapadakis (2002) Zij concluderen dat macro-economische variabelen een dominante impact hebben op aandelenprijzen (Sirucek, 2012). Enkele voorbeelden van macro-economische variabelen die een significante invloed uitoefenen op de aandelenprijs zijn: het bruto binnenlands product (bbp), de inflatie, de intrestvoet en de werkloosheidsgraad (Jareño & Negrut, 2016).

2.2.2.4 INZICHTEN UIT DE GEDRAGSECONOMIE OVER INVESTERINGSGEDRAG

Gedragseconomie is een vakgebied dat inzichten uit de economische en sociale wetenschappen met elkaar verbind. Hierbij wordt er groot belang besteed aan de rol van gedrags- en emotionele

factoren in de financiële besluitvorming en dus ook bij de vorming van aandelenprijzen (Van Veer, Inghelbrecht, & Meir, 2019). Verschillende onderzoeken in de gedragseconomie tonen aan dat rationeel gedrag en financiële beslissingen van investeerders kunnen worden beïnvloed door het gemoed en de psychologische toestand waarin men zich bevindt (Sariannidis, Giannarakis, & Partalidou, 2016). Loewenstein (2000) constateert in zijn onderzoek dat emoties en gemoedstoestand het gedrag van individuen in specifieke richtingen duwt. Het gedrag dat hieruit voortvloeit verschilt van het gedrag dat men zou bereiken als men de gevolgen van specifieke acties op lange termijn puur rationeel zou afwegen (Apergis & Gupta, 2017). Deze vaststelling werd bevestigd door Shu (2010), die in zijn onderzoek constateerde dat investeerders hun voorkeuren, risicoanalyse en financiële beslissingen beïnvloed kunnen worden door hun gemoedstoestand (Sariannidis, Giannarakis, & Partalidou, 2016).

Een onderzoek van Forgas (1995) bepaalt dat de mate van impact van de gemoedstoestand op het beslissingsproces afhankelijk is van de specifieke situatie waarin het individu zich bevindt. Hierbij zijn er twee bepalende factoren. De eerste bepalende factor is het niveau van onzekerheid in de omgeving. De tweede factor is de complexiteit van de beslissing. Men ondervond dat de invloed van het gemoed op het beslissingsproces wordt versterkt bij een hoge mate van onzekerheid en complexiteit. Financiële beslissingen worden gekenmerkt door een hoge mate van complexiteit en een onzekere uitkomst. Bijgevolg concludeerde Forgas (1995) dat het gemoed een grote invloed uitoefent op het investeringsgedrag van individuen (Frühwirth & Sögner, 2015).

2.2.3 HET VERBAND TUSSEN DE VERSCHILLENDE THEORIEËN ROND DE

PRIJSVORMING VAN AANDELEN

Bovenstaande modellen geven meer informatie over de vorming van aandelenprijzen. Hierbij wordt de Efficient Market Hypothesis vaak aanzien als een basisconcept dat de werking van financiële markten tracht te verklaren. (Bodie, Kane, & Marcus, 2019). Naargelang het niveau van marktefficiëntie zullen financiële markten reageren op bepaalde informatie en deze aldus incorporeren in de aandelenprijzen (Roberts, 1967).

Het Dividend Discount Model en het multi-factor model zijn beiden modellen die hier verder op ingaan door de manier waarop de aandelenprijs wordt gevormd verder te specificeren. Hierbij kan Dividend Discount Model worden aanzien als een meer algemeen model. Het stipuleert dat

de prijs van een aandeel gelijk moet zijn aan de contante waarde van alle verwachte toekomstige dividenden indien de markt efficiënt is. Deze verwachte toekomstige dividenden worden gevormd op basis van de winstverwachtingen die investeerders hebben over een bedrijf (Bodie, Kane, & Marcus, 2019). Bijgevolg kan alle mogelijke informatie de aandelenprijs beïnvloeden, zolang deze informatie een invloed heeft op de winstverwachtingen van investeerders.

Multi-factor modellen trachten een meer concrete invulling te geven rond de vorming van aandelenprijzen via het identificeren van specifieke variabelen die systematische risico’s voor beleggers met zich meebrengen. Deze variabelen worden gekoppeld aan een risicopremie die een vergoeding vormt voor het genomen risico. De totaliteit van alle risicopremies bepaalt de aandelenprijs. Bij multi-factor modellen wordt er rekening gehouden met verschillende soorten variabelen zoals toekomstige investeringsmogelijkheden, de algemene toestand van de economie en subjectieve factoren (Bodie, Kane, & Marcus, 2019).

Tot slot vormen inzichten uit de gedragseconomie een nuttige aanvulling op bovenstaande modellen. Hierbij wordt er dieper gefocust op subjectieve factoren en hun rol in de financiële besluitvorming en de vorming van aandelenprijzen (Van Veer, Inghelbrecht, & Meir, 2019).

2.3 HET VERBAND TUSSEN EXTREME

WEERSOMSTANDIGHEDEN EN DE FINANCIËLE MARKT

Er kunnen verschillende verbanden worden gelegd tussen weersomstandigheden en de vorming van aandelenprijzen via de theorieën van de Efficient Market Hypothesis, Het Dividend Discount model en multi-factor modellen. Volgens de theorie van de Efficient Market Hypothesis geven aandelenprijzen een volledig en actueel beeld van alle beschikbare informatie (Fama E. F., 1970) (Malkiel, The Efficient Market Hypothesis and Its Critics, 2003). Het optreden van weersgerelateerde rampen kan nieuwe informatie met zich meebrengen over de frequentie en graviteit van dit soort extreme weersomstandigheden en het effect hiervan op bedrijven. Aldus zal deze nieuwe informatie volgens de EMH gereflecteerd worden in een wijziging van de aandelenprijzen (Bodie, Kane, & Marcus, 2019).

Een verdere link tussen weersomstandigheden en de vorming van aandelenprijzen kan worden gelegd via het Dividend Discount Model. Deze theorie stelt dat de prijs van een aandeel gelijk moet zijn aan de contante waarde van alle verwachte toekomstige dividenden indien de markt efficiënt is. In deze verwachte toekomstige dividenden worden de toekomstige

winstverwachtingen van het bedrijf weerspiegeld (Bodie, Kane, & Marcus, 2019). Extreme weersomstandigheden kunnen de winstgevendheid van een bedrijf zowel positief als negatief beïnvloeden (Cambridge Centre for Risk Studies, 2018). Hierbij worden vooral de agrarische sector, de energiesector en de verzekeringssector het meest direct getroffen (Gabrielsen, Apergis, & Smales, 2016). Aldus zullen extreme weersomstandigheden een invloed uitoefenen op de winstverwachtingen die investeerders hebben over deze bedrijven. Deze zullen volgens het DDM in een efficiënte markt worden weerspiegeld in de aandelenprijs. Dit zal derhalve ook het rendement van de aandelen van het bedrijf beïnvloeden (Bodie, Kane, & Marcus, 2019). Het effect van extreme weersomstandigheden op de winstgevendheid van bedrijven wordt in een latere sectie meer uitgebreid besproken.

Tot slot kan er ook een verband gelegd worden tussen weersomstandigheden en de prijsvorming van aandelen via de theorie van multi-factor modellen. Bij multi-factor modellen worden er variabelen geïdentificeerd die systematische risico’s met zich meebrengen voor beleggers. Aan deze variabelen wordt op zijn beurt een risicopremie gekoppeld die een vergoeding vormt voor het genomen risico. De totaliteit van al deze risicopremies vormt de aandelenprijs (Bodie, Kane, & Marcus, 2019). Extreme weersomstandigheden kunnen op verschillende manieren in deze theorie worden geïncorporeerd. Als eerste kunnen extreme weersomstandigheden een invloed uitoefenen op de winstgevendheid van bedrijven (Cambridge Centre for Risk Studies, 2018). Dit beïnvloedt vervolgens de financiële variabelen en kan dus leiden tot een verhoging van de risicopremie voor dit soort variabelen. Een hogere risicopremie betekent dat investeerders een hoger rendement vereisen. Dit zal derhalve een invloed uitoefenen op de aandelenprijzen (Bodie, Kane, & Marcus, 2019). Verder wordt er bij multi-factor modellen ook rekening gehouden met subjectieve factoren. Weersomstandigheden beïnvloeden deze subjectieve factoren via het effect dat ze hebben op de gemoedstoestand van investeerders. Deze gemoedstoestand beïnvloedt op zijn beurt de risico-aversie en de risicopremie die investeerders vereisen voor systematische risico’s (Apergis & Gupta, 2017). Bovenstaande subjectieve factoren worden meer uitgebreid besproken in de sectie “Inzichten uit de gedragseconomie in verband met weer en de prijsvorming van aandelen”. Als laatste kunnen weersomstandigheden op zichzelf ook geïncorporeerd worden in het model als specifieke variabele. Het optreden van een weersgerelateerde ramp kan er dan toe leiden dat investeerders hun perceptie van dit soort variabele wijzigen en het systematische risico hiervan stijgt. Derhalve zal door investeerders een hogere risicopremie worden vereist voor dit soort variabele (Cao & Wei , Weather Derivatives Valuation and Market Price of Weather Risk, 2004).

2.3.1 VERWACHTINGEN OMTRENT DE INVLOED VAN EXTREEM WEER OP DE

WINSTGEVENDHEID VAN BEDRIJVEN

Winstverwachtingen spelen zowel volgens de theorie van het Dividend Discount Model, als volgens de theorie van multi-factor modellen een belangrijke rol bij de vorming van aandelenprijzen (Bodie, Kane, & Marcus, 2019). Bijgevolg wordt in dit onderdeel een overzicht gegeven over het effect van extreme weersomstandigheden op de winstgevendheid van bedrijven.

Extreme weersomstandigheden hebben zowel directe als indirecte gevolgen op de winstgevendheid van bedrijven. Directe gevolgen zijn effecten die plaatsvinden door schade aan activa die rechtstreeks wordt veroorzaakt door een weersgerelateerde ramp. Deze directe gevolgen vinden plaats op het moment van de ramp zelf of kort daarna. Voorbeelden van directe gevolgen zijn onder andere schade aan of de vernieling van woningen, bedrijven, infrastructuur, gewassen en productiekapitaal. Directe gevolgen worden doorgaans gemeten met behulp van empirische gegevens over verliezen (Kousky, 2014) (Botzen, Deschenes, & Sanders, 2019). Hiernaast zijn er ook indirecte gevolgen. Deze worden veroorzaakt door directe gevolgen en hebben betrekking op veranderingen in de economische activiteit ten gevolge van een ramp. Voorbeelden hiervan zijn onderbrekingen van de economische activiteit en eventuele positieve effecten door een vervanging van de productie en de vraag naar reconstructie (Kousky, 2014) (Botzen, Deschenes, & Sanders, 2019). Bijgevolg kunnen extreme weersomstandigheden de winstgevendheid van bedrijven zowel positief als negatief beïnvloeden (Feria-Domínguez, Paneque, & Gil-Hurtado, 2017) (Bouwer, 2013).

In onderstaand gedeelte volgt een overzicht van de gevolgen die extreme weersomstandigheden kunnen uitoefenen op de winstgevendheid van verschillende sectoren. De sectoren die worden besproken, worden door verschillende onderzoeken geclassificeerd als sectoren die de meest significante invloed van extreme weersomstandigheden ondervinden. Dit zijn de agrarische sector, de verzekeringssector, de energiesector, de industriële sector en de nutssector (Gabrielsen, Apergis, & Smales, 2016) (Cambridge Centre for Risk Studies, 2018).

2.3.1.1 INVLOED VAN EXTREEM WEER OP DE WINSTGEVENDHEID VAN DE AGRARISCHE SECTOR

De winstgevendheid van de agrarische sector wordt sterk beïnvloed door extreem weer. Dit omdat deze sector rechtstreeks wordt blootgesteld aan weersgerelateerde rampen en de ongewenste gevolgen hiervan. De gevolgen van extreme weersomstandigheden op de agrarische sector kunnen zowel positief als negatief zijn. Ter illustratie kunnen overstromingen positieve gevolgen met zich meebrengen. Overstromingen zorgen er namelijk voor dat voedingsstoffen uit de bodem van hoog- en laaglanden zich verplaatsen, wat kan leiden tot een verbetering van de vruchtbaarheid van de bodem en dus tot betere oogsten (Israel & Briones, 2012).

Echter zijn er ook negatieve gevolgen verbonden aan extreme weersomstandigheden. Zo kunnen droogtes en overstromingen de productiviteit van landbouwbedrijven laten dalen. Ook kunnen hierdoor productiemiddelen, faciliteiten en infrastructuur worden beschadigd of vernietigd. Mogelijke gevolgen hiervan zijn een toename van de totale kosten en een afname van de productie in de agrarische sector. Een studie van Israel en Briones (2012) concludeert dat, als alle gevolgen in rekening worden gebracht, de netto impact van extreme weersomstandigheden op de agrarische sector negatief is (Israel & Briones, 2012). Een studie van Lesk, Rowhani en Ramankutty (2016) voegt hieraan toe dat de hoogte van de negatieve impact zowel afhankelijk is van de graviteit en het tijdstip van de weersgerelateerde ramp als van de kwetsbaarheid van natuurlijke systemen. Zo zullen landbouwbedrijven die kwetsbare gewassen kweken sterker worden beïnvloed door extreem weer. Ook kunnen weersgerelateerde rampen zorgen voor onderbrekingen bij het planten en oogsten of kunnen ze een mislukking van de oogst veroorzaken (Lesk, Rowhani, & Ramankutty, 2016).

2.3.1.2 INVLOED VAN EXTREEM WEER OP DE VERZEKERINGSSECTOR

Er bestaat reeds een uitgebreide literatuur over de impact van een stijgende frequentie aan extreme weersomstandigheden en de klimaatverandering op de winstgevendheid van de verzekeringssector. Een onderzoek van Botzen, van den Bergh en Bouwer (2009) toont aan dat de klimaatverandering de frequentie en graviteit van extreme weersomstandigheden zal laten stijgen. Hierdoor zullen economische verliezen veroorzaakt door extreem weer doorheen de jaren verhogen, wat bijgevolg een significante impact uitoefent op de resultaten van de verzekeringssector. Deze impact is tweezijdig. Enerzijds zullen verzekeraars meer schadeclaims moeten uitbetalen, wat ervoor zal zorgen dat hun resultaten zullen dalen (Botzen, van den Bergh, & Bouwer, 2010). Deze negatieve impact wordt versterkt door een stijging van de

bevolkingsdichtheid en een hogere levenstandaard, wat ervoor zorgt dat er een hoger aantal en hogere bedragen aan schadeclaims moet worden uitbetaald de dagen volgend op een weersgerelateerde ramp (Berz, 1993) (Changnon, et al., 1996). In het meest negatieve scenario kan de hogere hoeveelheid aan schadeclaims ertoe leiden dat verzekeraars niet over voldoende middelen beschikken en ten gevolge hiervan failliet gaan. In meer optimistische scenario’s kan dit leiden tot het vragen van hogere premies of tot het verlaten van bepaalde markten die worden gekenmerkt door een hoog risico op extreme weersomstandigheden (Born & Viscusi, 2006).

Anderzijds kunnen extreme weersomstandigheden ook mogelijke opportuniteiten bieden aan de verzekeringssector. Door de stijgende frequentie en intensiteit van extreme weersomstandigheden zullen bedrijven en particulieren meer aandacht hebben voor de gevolgen hiervan. Dit leidt er mogelijks toe dat ze extreme weersomstandigheden incorporeren in hun risicomanagement en daarom vaker een verzekering voor schade door extreme weersomstandigheden zullen onderschrijven. Door deze hogere vraag naar verzekeringen kunnen verzekeraars hogere premies en betere voorwaarden vragen. Bijgevolg zullen de resultaten van deze sector, en specifiek van verzekeringsmakelaars, stijgen (Botzen, van den Bergh, & Bouwer, 2010).

2.3.1.3 INVLOED VAN EXTREEM WEER OP DE ENERGIE- EN NUTSSECTOR

Aangezien de energie- en nutssector nauw samenhangen en worden gekenmerkt door gelijkaardige gevolgen van extreme weersomstandigheden op de winstgevendheid, worden desbetreffende sectoren samen besproken. Hierbij wordt de energiesector door de Thomas Reuters Business Classification (TRBC) gedefinieerd als een sector die wordt samengesteld uit bedrijven die voorzien in kool, olie en gas, uitrusting voor olie en gas, hernieuwbare energie en uranium. De nutssector wordt volgens deze classificatie samengesteld door bedrijven die voorzien in elektriciteit, aardgas en water (Refinitiv, n.d.).

De energie- en nutssector ondervinden verschillende gevolgen van extreme weersomstandigheden op hun winstgevendheid. Zo kunnen extreme weersomstandigheden leiden tot onderbrekingen in de productie, beschadiging van de infrastructuur of tot een lagere uitvoer. Deze lagere uitvoer is vaak het gevolg van onderbrekingen in de productie bij andere industriële bedrijven. Dit heeft aldus een negatief effect op de winstgevendheid van energie- en nutsbedrijven. Ook zorgt een stijgende frequentie van extreme weersomstandigheden mogelijks voor nieuwe politieke beslissingen hieromtrent. Deze politieke beslissingen kunnen bepalingen

bevatten met betrekking tot de taxatie op fossiele brandstoffen of restricties bij de ontginning ervan, wat de kosten van energie- en nutsbedrijven laat stijgen. Hiernaast kunnen er op lange termijn positieve gevolgen ontstaan doordat reconstructie leidt tot een stijging van de vraag naar energie. Een stijging van de vraag kan leiden tot hogere prijzen en aldus tot een stijging van de winstgevendheid (Feria-Domínguez, Paneque, & Gil-Hurtado, 2017).

Een opvallend feit wordt benadrukt in het onderzoek van Feria-Domínguez, Paneque et al. (2017). Zij vermeldden in hun onderzoek dat aankondigingen van recordtemperaturen worden gevolgd door negatieve rendementen van energiebedrijven op lange termijn. In tegenstelling tot deze relatie, worden aankondigingen van het smelten van poolijs geassocieerd met positieve rendementen op korte termijn. Een mogelijke verklaring voor deze paradoxale observatie is het feit dat het smelten van poolijs ervoor zorgt dat energiebedrijven makkelijker toegang krijgen tot fossiele brandstoffen die zich bevinden onder het pooloppervlak. Derhalve heeft het smelten van poolijs volgens deze redenering een positieve invloed op de kosten en dus ook op de winstgevendheid (Feria-Domínguez, Paneque, & Gil-Hurtado, 2017).

2.3.1.4 INVLOED VAN EXTREEM WEER OP DE INDUSTRIËLE SECTOR

De winstgevendheid van de industriële sector kan op verschillende manier worden beïnvloed door extreme weersomstandigheden. In de eerste plaats zijn er mogelijke directe, negatieve gevolgen van extreme weersomstandigheden zoals de vernieling van gebouwen, infrastructuur en machines (Botzen, Deschenes, & Sanders, 2019). Ook kan extreem weer leiden tot een onderbreking in de productieketen. Dit kan ervoor zorgen dat een bedrijf een tekort heeft aan grondstoffen of zijn producten niet kan exporteren (Lockamy, 2014). Het geheel van deze gevolgen leidt tot een daling van de productiviteit en bijgevolg tot een daling van de winstgevendheid van bedrijven.

In tegenstelling tot deze negatieve gevolgen zijn er ook enkele positieve gevolgen. Zo kunnen constructie- en ingenieursbedrijven te maken krijgen met een hogere vraag naar hun diensten en producten als gevolg van een weersgerelateerde ramp. Dit heeft dus een mogelijke positieve invloed op hun winstgevendheid (Bouwer, 2013). Verder kunnen directe, negatieve gevolgen van extreme weersomstandigheden op korte termijn leiden tot een stijging van de winstgevendheid van bedrijven op lange termijn. Zo is reconstructie noodzakelijk na een beschadiging van infrastructuur. De nieuwe investeringen die samenhangen met de reconstructie kunnen op hun

beurt leiden tot een hogere efficiëntie en een hogere productiviteit (Feria-Domínguez, Paneque, & Gil-Hurtado, 2017).

2.3.2 INZICHTEN UIT DE GEDRAGSECONOMIE IN VERBAND MET WEER EN DE

FINANCIËLE MARKT

Bovenstaande verbanden tussen weersomstandigheden en de vorming van aandelenprijzen kunnen worden aangevuld met inzichten uit de gedragseconomie. Binnen dit vakgebied wordt er dieper ingegaan op de rol van gedrags- en emotionele factoren binnen de financiële besluitvorming (Van Veer, Inghelbrecht, & Meir, 2019). Een specifieke stroming binnen de gedragseconomie tracht het effect van weersomstandigheden op investeringsbeslissingen op korte termijn na te gaan. Hierbij onderzoekt men of weersomstandigheden een directe invloed hebben op het gemoed en op deze manier investeringsbeslissingen kunnen beïnvloeden. Over het algemeen concluderen deze studies dat ongewone weersomstandigheden een significante impact op investeringsbeslissingen op korte termijn kunnen uitoefenen en dus een significante invloed hebben op aandelenkoersen (Apergis & Gupta, 2017).

Een eerste link tussen investeringsgedrag en weersomstandigheden werd gelegd door Saunders (1993). In zijn onderzoek testte hij of er een relatie bestaat tussen de hoeveelheid bewolking in New York en de rendementen van aandelen genoteerd op de New York Stock Exchange (Frühwirth & Sögner, 2015). Hij ondervond dat er een negatief significant verband bestaat tussen deze twee variabelen en dat minder bewolking wordt gekenmerkt door hogere rendementen. Verder bemerkte hij een significant verschil tussen rendementen van aandelen op de meest bewolkte dagen en het rendement hiervan op de minst bewolkte dagen. Saunders zijn bevindingen werden bevestigd in een onderzoek van Hirshleifer & Shumway (2003) dat zich focuste op de periode 1982-1997. In dit onderzoek ging men deze relatie na voor 26 marktindexen verspreid over de hele wereld (Cao & Wei , Stock market returns: A note on temperature anomaly, 2005).

Verder onderzoekt een studie van Cao en Wei (2004) of het rendement van beursaandelen gerelateerd is aan de temperatuur. Hiervoor baseerden ze zich op negen internationale aandelenindexen die de financiële markten van Taiwan, Japan, Australië, Zweden, de Verenigde Staten, Canada, het Verenigd Koninkrijk en Duitsland bevatten. Ze concludeerden dat er een significante, negatieve relatie bestaat tussen temperatuur en de rendementen op de