ra (k r/ m 2/år) År
Hyresutveckling nyproduktionsbestånd
Utgifter för att äga en bostadsrätt består av en månadsavgift som bestäms av
bostadsrättsföreningen, utöver denna månadsavgift behöver bostadssökanden ta hänsyn till att betala ränta och amortering av ett eventuellt lån för att kunna köpa bostadsrätten.
Månadsavgiften för bostadsrätter tenderar att överstiga hyresrättens månadshyra i attraktiva områden, vilket skapar incitament att välja en hyresrätt. I mindre attraktiva lägen blir
skillnaden i kostnad mindre, vilket innebär att bostadssökanden gynnas av att bosätta sig i en bostadsrätt. Vid val av upplåtelseform görs alltså en avvägning gällande hur stor
månadsavgiften är för bostadsrätten i förhållande till hyresrätten. (Hyresgästföreningen, 2018).
Hyresgästföreningen har i rapporten” Nyproduktion och renoveringar av hyresrätter – har det blivit en för lönsam affär?” (2017) kartlagt hushållens boendekostnader i hyresrätten
respektive bostadsrätten. Hyresgästföreningen redogör hur de höga nyproduktionshyrorna påverkar hushållens boendekostnad. I genomsnitt skiljer det i dagsläget omkring 4000 kronor i boendekostnad per månad mellan en nyproducerad hyreslägenhet och en nybyggd
bostadsrätt. De största skillnaderna kan observeras i Stockholm där hyran i en nyproducerad hyreslägenhet på 77 m2
är 11 000 kronor medan boendekostnaden per månad i en nybyggd bostadsrätt av samma storlek är 6 400 kronor exklusive räntor och amorteringar
(Hyresgästföreningen, 2017).
Hyresgästföreningen har även kartlagt hur stor andel av hushåll med normala inkomster som har möjligheten att efterfråga nyproduktionshyror respektive hyror i det befintliga beståndet. Hyresgästföreningen utgår från att hushåll endast maximalt är villiga att erlägga 40% av sin disponibla inkomst på hyran för en 60 kvm hyreslägenhet. Resultatet visar att det i storstäder såsom Stockholm är ca 54% av hushållen som inte har möjligheten att efterfråga en
nyproducerad hyresrätt på 60 kvm och att det endast är 27% av hushållen som inte har möjlighet att efterfråga en hyresrätt på 60 kvm i det befintliga beståndet.
4.5 Monocentriska hyresmodellen
Den monocentriska stadsmodellen utvecklades under 1800-talet av Thunen och beskriver grundläggande ekonomiska principer om markanvändning och markvärde.
Den monocentriska stadsmodellen bygger på ett antal antaganden, nämligen att det endast finns en central punkt, CBD, och att staden sträcker sig ut i en cirkel från denna punkt (Mcdonald & Mcmillen, 2007). Vidare bygger tesen på att människor jobbar i centrala delar av orten och därmed måste ta sig till den centrala punkten samt att de bor utanför centrum. Transportkostnaden som krävs för att ta sig till centrum beror av avståndet från sitt hushåll till den centrala delen. Modellen nedan beskriver att människor som bor i stadens utkant är beredda att betala b kr i hyra medan boende i centrala lägen är beredda att betala a kr i hyra (Brunes, 2017).
Figur 10 - Moncentriska staden
Skillnaderna i hyra mellan en bostad i utkanten av staden och en bostad i den centrala delen beror därmed på transportkostnaden. Individer som är villiga att betala en högre hyra för att minska transportkostnaden kommer att lokalisera sig närmare centrum. På motsvarande sätt kommer transportkostnaderna bli höga och betalningsviljan låg då bostaden är belägen i utkanten av staden. Modellen beskriver därmed relationen mellan individers betalningsvilja och transportkostnaden som uppstår på grund av avståndet till centrum (Brunes, 2017).
4.6 Preferenser på den svenska hyresmarknaden
I rapporten ”Områdespreferens i hyresrätt” (Fransson och Magnusson, 2000) genomfördes en enkätundersökning i Stockholms kommun där hyresgäster i olika områden angav
betalningsviljan för att bosätta sig i likvärdiga lägenheter i andra områden än sina egna. I undersökningen togs hänsyn till faktorer som påverkar attraktiviteten i området vilket bland annat omfattar trygghet och säkerhet, bra kommunikationer samt nära till park eller
grönområden. Resultatet indikerar på att ju mer centralt ett område är, desto mer attraktivt är det och ökar betalningsviljan hos bostadssökanden.
Roland Blom har i en statistisk undersökning utrett bruksvärdessystemets effekter på hyressättningen och mätt den riktiga betalningsviljan i respektive område (Blom, 2000). Betalningsviljan undersöks hos olika hushåll för olika lägen i Stockholms hyresmarknad för att mäta hur mycket mer eller mindre en hyresgäst i ett specificerat område är villig att betala för sin lägenhet i relation till hyresgästens nuvarande hyra. Utgångspunkten för studien var att genom en enkätundersökning mäta hur mycket hushåll i respektive område värderar olika områdesspecifika egenskaper, nedan listas ett fåtal av de undersökta kvaliteter som visade störst betydelse:
1. Bra kommunikationer 2. Säkert och tryggt område
3. Nära till affärer
4. Nära till park eller grönområden 5. Fritt från buller- och trafikstörningar
Resultatet visar att det endast är i vissa områden som hyresgäster är villiga att betala mer för sitt boende än vad de gör i dagsläget. I de områden där hyresgästernas betalningsvilja
överstiger hyrorna är återigen stadsdelar belägna i innerstaden vilket innebär att de betalar för lite i jämförelse med hyresgästernas subjektiva värdering av området de är belägna i.
5 Metod
Detta avsnitt beskriver den kvantitativa och kvalitativa metodiken som använts för att besvara studiens syfte. Den kvantitativa metoden omfattas av en statistisk analys vars teoretiska utgångspunkter redogörs för nedan för att underlätta uppställandet av regressionsmodellen. Vidare beskrivs även den kvalitativa metoden bestående av en litteraturstudie och dess reliabilitet och validitet.
5.1 Val av metod
För att besvara uppsatsens syfte är det av betydelse att använda statistisk analys där den kvantitativa metoden grundar sig i att systematiskt samla in numeriska data för att vidare analyseras i form av en regressionsanalys (Blom, 2004). Regressionsanalysen används för att undersöka olika områdesspecifika faktorers påverkan på kötiden i Stockholms kommun för att slutligen ställa upp en värderingsmodell för kötiden. Vidare har även en kvalitativ metod tillämpats för att ge underlag och skapa en djupare förståelse för den teori som arbetet grundar sig på.
5.2 Litteraturstudie
Den kvalitativa metoden är av deskriptiv karaktär vilket innebär att en litteraturstudie gjorts med syfte att ta del av tidigare teorier och forskning vad gäller tidigare efterfrågestudier och hyresmarknadens två bestånd; det äldre beståndet och nyproduktionsbeståndet för att ge grund för den senare kvantitativa modelldelen.
5.2.1 Kvalitativ datainsamling
I denna studie utgörs det kvalitativa datamaterialet av sekundärdata i form av litteratur, tidigare forskning, teoretiska modeller samt analytiska skrifter från organisationer och
myndigheter. Sekundärdata definieras som information som redan finns till och som insamlats av någon annan än författarna (Hedin, 2014). Sökandet av teoretiska modeller som lämpar sig till studien skedde både via Google Scholar och genom relevant litteratur. Eftersom en stor del av den teoretiska referensramen behandlar den svenska hyresmarknaden och
hyressättningen har främst forskning och artiklar av Hans Lind och Stellan Lundström studerats. Vidare har även datainsamlingen bestått av sekundärdata som finns tillgängligt hos olika aktörer verksamma i bostadsbranschen såsom Hyresgästföreningen, Boverket och regeringens utredningar.
5.2.2 Reliabilitet och validitet
Vid kvalitativa metoder är det av stor betydelse att kritiskt granska data som insamlats och använts under arbetets gång för att avgöra dess reliabilitet och validitet. Reliabilitet beskriver hur tillförlitlig informationen som insamlas är det vill säga hur beständig den är över tiden (Brunes, 2017). Information som varierar över tiden anses därmed ha låg reliabilitet vilket innebär att en hög reliabilitet eftersträvas. Validitet är ett begrepp som beskriver hur väl informationen som insamlas stämmer överens med det faktiska som skett (Brunes, 2017). För att minimera uppkomsten av för låg validitet har insamlingen av information och statistik Främst använts från statliga myndigheter, regeringen och SCB vilka anses vara tillförlitliga källor. Vidare har även informationen som insamlats av mindre tillförlitliga källor noga granskats genom jämförelse med andra källor som behandlar samma ämne. Information som insamlats från privata aktörer samt olika bostadsföretag kan dock spegla en lägre validitet om författarna haft tendens till att vara vinklade i informationen som utgivits för att gynna deras egna ställning i frågan.
5.3 Regressionsanalys
Regressionsanalys är en statistisk metod som kvantifierar en eller flera oberoende variablers påverkan på en beroende variabel i form av numeriska värden (Blom, 2015). Metoden används således med syfte att bestämma linjära samband mellan en beroende variabel och en eller flera oberoende variabler. Oberoende variabler är sådana variabler som antas påverka den beroende variabeln. Regressionsmodellen ska därmed utgå från teoretiska och
välgrundade hypoteser avseende sambandet mellan oberoende variabler och den beroende variabeln. En enkel linjär regression genomförs vanligen då det enbart är en oberoende variabels inverkan på den beroende variabeln y som ska undersökas. En multipel
regressionsanalys används däremot när en beroende variabel kan förklaras av flera oberoende variabler.
5.3.1 Multipel linjär regressionsanalys
Multipel linjär regression används för att studera om ett linjärt samband föreligger mellan flera oberoende variabler och en beroende variabel, metoden utgår från minsta kvadrat-metoden. För att mäta det linjära sambandet i denna studie används den generella formen av en multipel linjär regression enligt (1.1) då ett flertal oberoende variabler ska inkluderas för att undersöka effekten på kötiden.
𝑌 = 𝛽# + 𝛽1𝑥1 + 𝛽2𝑥2 + … + 𝛽k𝑥k + 𝜀 (1.1) 𝑌 = beroende variabel
𝑥1,2…k = oberoende variabler 𝛽# = skattad konstant
𝛽1,2…k = skattade koefficienter som beskriver hur de oberoende variablerna inverkar på beroende variabeln
𝜀 = felterm
I modellen förutsätts att den beroende variabeln Y systematiskt påverkas av de kontinuerliga variablerna Xn och där de okända parametrarna ska skattas utifrån givna observationer. En utgångspunkt för modellen är att det finns en slumpmässig felvariabel som anger hur stor del av variationen i y som inte kan förklaras av modellen (Blom, 2004). Med hjälp av modellen kan man undersöka hur en förändring i respektive ingående oberoende variabel påverkar den beroende variabel betingat av att de övriga oberoende variablerna hålls konstanta och därmed analysera varje variabels unika effekt på den beroende variabeln.
5.3.2 Korrelationstest
För att studera det enskilda sambandet mellan respektive ingående oberoende variabel och den beroende variabeln mäts korrelationen i form av ett korrelationstest.
Korrelationskoefficienten som varje oberoende variabel antar är ett statistiskt mått som anger hur nära ett linjärt samband funktionen uppvisar. Koefficienten kan anta värden mellan -1 och 1, där en negativ korrelationskoefficient indikerar att det råder ett negativt samband mellan variablerna som undersöks, medan ett positivt värde tyder på att det föreligger en positiv korrelation. Om korrelationskoefficienten antar värdet 0 innebär det att inget linjärt samband kan påvisas mellan variablerna som undersöks (Blom, 2004).
5.3.3 Variabeltyper
Kontinuerlig variabel
En kontinuerlig variabel definieras som en variabel som kan anta alla värden inom ett specificerat intervall.
Dummy variabel
Vidare kan det även ingå så kallade dummyvariabler i en regressionsfunktion.
Dummyvariabler är egenskapsvariabler som används för att representera ett visst attribut och kan anta två möjliga värden: 1 eller 0. Dummyvariabler används alltså för variabler som inte är kvantifierbara. En dummyvariabel som innehar en specifik egenskap antar värdet 1, medan värdet 0 innebär att egenskapen är frånvarande. Regressionskoefficienten som varje
dummyvariabel antar anger skillnaden av att attributen existerar i förhållande till den valda referensvariabeln. Genom att införa dummyvariabler kan man urskilja på data som har varierande egenskaper och därmed uppnå ett mer sanningsenligt resultat.
Interaktionsvariabel
Vid genomförandet av en regressionsanalys undersöks oftast effekten av en variabel på en annan variabel. Dock kan två oberoende variabler i samverkan påverka den beroende variabeln, de oberoende variablerna interagerar därmed med varandra och dess additiva formel benämns som en interaktionsvariabel (Sundell, 2010). Eftersom studien syftar till att undersöka hur kötiden i olika områden är benägen att påverkas av en nyproduktionshyra finns
det anledning att tro att hyrans effekt på kötiden skiljer sig åt mellan områden. Detta kan illustreras genom följande bild.
5.3.4 Multikolinjäritet
Multikolinjäritet uppstår då två eller flera av de oberoende variablerna är högt korrelerade med varandra och det således uppstår samvariation mellan dem. Detta medför till svårigheter när det gäller att urskilja den enskilda effekten respektive oberoende variabel har på den beroende variabeln och kan ha en negativ inverkan på resultatet. Graden av multikolinjäritet kan mätas genom att beräkna ett VIF-värde för respektive variabel. Multikolinjäritet anses råda om VIF-värden överstiger 10 (Sundberg, 2015). Om multikolinjäritet föreligger kan den oberoende variabeln behöva uteslutas från regressionsanalysen eller alternativt kombineras med andra nära besläktade oberoende variabler för att kunna bedöma ett statistiskt resultat. Vidare finns det en rad metoder som kan tillämpas för att minska på multikolinjäritet utan att behöva utesluta en variabel från regressionsmodellen. En välkänd metod för att undvika multikolinjäritet är att logtransformera den beroende variabeln.
En ytterligare metod som kan användas för att reducera multikolinjäritet är metoden centrering som appliceras på kontinuerliga variabler genom att subtrahera respektive observations värde med medelvärdet av alla värden för variabeln i fråga (Afshartous & Preston, 2011). Centrering leder till att de observerade värden för respektive kontinuerlig variabel centreras kring sina respektive medelvärden. Vid användning av denna metod förändras varken de oberoende variablernas koefficienter och signifikansnivåer på grund av att de centreras, samtidigt som modellens förklaringsgrad förblir densamma.
Hyra Kötid
Område
5.3.5 R2 - Modellens förklaringsgrad
R2 koefficienten anger hur mycket av variationen i den beroende variabeln som kan förklaras av de oberoende variablerna och är ett mått för att mäta styrkan av det linjära sambandet som föreligger. R2 kan anta värden mellan 0 och 1, där högre värden på R2 innebär att en större andel av den totala variationen i data kan förklaras av modellen. En nackdel med
determinationskoefficienten är att dess värde tenderar att öka ju fler oberoende variabler som ingår i regressionsekvationen vilket kan ge ett missvisande resultat. Justerat R2 används därmed då det är ett justerat mått som tar hänsyn till det ökade antalet oberoende variabler som ingår i regressionen (Blom, 2004)
5.3.6 Hypotesprövning
En statistisk hypotesprövning konstrueras för att tolka resultatet som regressionsanalysen genererar. Detta innebär att en nollhypotes (H0) och en mothypotes ställs upp (H1) för att kunna påvisa att ett samband föreligger mellan den beroende variabeln och respektive oberoende variabel (Blom, 2004). För respektive oberoende variabel är hypoteserna
uppställda på följande sätt:
H0: βi = 0
Nollhypotesen uttrycker att det inte förekommer något statistiskt säkerställt samband mellan den beroende variabel och den berörda oberoende variabeln
H1: βi ≠ 0.
Mothypotesen anger att det föreligger ett statistiskt säkerställt samband mellan den beroende variabeln och den berörda oberoende variabeln
Vid hypotesprövning undersöks det om nollhypotesen kan förkastas eller inte. Om
nollhypotesen (H0) förkastas är resultatet statistiskt signifikant vilket innebär att H1 accepteras och är statistiskt säkerställt det vill säga att den inte beror på slumpen (Blom, 2004). Huruvida nollhypotesen ska förkastas eller inte beror på en på förhand bestämd signifikansnivå. I denna studie bestäms signifikansnivån till 5 %, det vill säga att det föreligger 5% sannolikhet att resultatet bedöms vara signifikant trots att det inte är det. Om p-värdet som beräknas för regressionskoefficienten är signifikant, alltså understiger signifikansnivån på 5% så kan H0
förkastas med 95% säkerhet. En alternativ metod att använda sig av som beslutsunderlag kring huruvida nollhypotesen ska förkastas eller inte är t-kvoten. Om t-kvoten är mindre än absolutbeloppet av 1,96 kan nollhypotesen förkastas på 95 % nivå̊ i denna studie.
5.4 Rapportens regressionsanalys
5.4.1 Kvantitativ datainsamling
För att kunna besvara studiens syfte har en insamling av material utifrån en mängd
avgränsningar och urval gjorts. Datamaterialet som till stor del ligger till grund för variablerna som ska ingå i modellen har erhållits från Bostadsförmedlingen och innehåller efter en viss gallring sammanlagt 13 171 observationer över förmedlade hyreslägenheter i Stockholms kommun mellan åren 2012–2017. Observationerna från Bostadsförmedlingen omfattar data kring:
- Medelhyror - Medelkötider - Lägenhetsstorlek
- Om det är privata eller allmännyttiga bostadsbolag som verkar hyresvärd för den förmedlade hyreslägenheten
- Huruvida de förmedlade hyreslägenheterna tillhör nyproduktionsbeståndet eller det äldre beståndet
Nyproduktionsbeståndet består av hyreslägenheter som inte tidigare förmedlats och därför skiljer det sig från det äldre beståndet som omfattar andrahandsmarknaden där
hyreslägenheter förmedlats via Bostadsförmedlingen minst en gång. Hyrorna i det äldre beståndet består till övervägande del av lägre hyror eftersom de är satta enligt
bruksvärdessystemet (se avsnitt 4.2.1). Dock förekommer det även högre nyproduktionshyror i det äldre beståndet då även nyproducerade hyreslägenheter som förmedlats mer än en gång blir en del av andrahandsmarknaden.
5.4.2 Val av ingående variabler
I nedanstående avsnitt redovisas de variabler som ingår i regressionsanalysen och som rapporten tar hänsyn till. Variablerna har valts ut utifrån dess relevans till att förklara efterfrågan i ett område och grundar sig även i teorier och tidigare studier som behandlats teoriavsnittet i kapitel 4.
Beroende variabel
Kötid
Eftersom studien grundar sig på att värdera efterfrågan uttryck i form av kötid med hjälp av ett antal områdesspecifika faktorer kommer kötiden att vara den beroende variabeln i regressionsmodellen. Då kötiden i denna regressionsmodell definieras som ett mått på efterfrågan kan en modell som förklarar efterfrågan i olika områden ställas upp genom att analysera respektive oberoende variabels påverkan på kötiden. Antagandet att kötiden är ett mått på efterfrågan grundar sig i resonemanget att en bostadssökande som innehar en hög kötid med stor sannolikhet söker sig till attraktiva områden då den har ett större utbud att välja
mellan. Om ett område kännetecknas av en hög kötid kan det således antas att efterfrågan att bo i det området är högt då individer är villiga att utnyttja sina ködagar för att bosätta sig i det området. Detta antagande återspeglas även i dagens bostadsmarknad i Stockholm där det generellt behövs betydligt längre kötider för att få ett förstahandskontrakt för en hyreslägenhet i Stockholms innerstad, som anses vara mer attraktiv, jämfört med hyreslägenheter som befinner sig i utkanten av Stockholm.
Oberoende variabler
Normhyra
Hyran i denna regressionsmodell uttrycks i form av normhyra i kronor per kvadratmeter per år. Med normhyra menas att hyran har standardiserats till en tänkt trerumslägenhet på 77 m2 med syfte att göra hyrorna jämförbara oavsett lägenhetsstorlek (Boverket, 2017). Eftersom hyresnivåns storlek i ett område antas påverka bostadssökandens efterfrågan är det av väsentlig betydelse att hyresvariabeln ingår i modellen. Vidare ska även hyresvariabeln användas för att studera hur nyproduktionshyror i modellen ger utslag på efterfrågan i olika stadsdelar i Stockholms kommun.
Avstånd till centrum
Som tidigare nämnts (se avsnitt 5.5) har studier påvisat att avståndet till centrum är en viktig faktor och en signifikant variabel som påverkar ett områdes efterfråga. Denna variabel förutsätter utifrån den monocentriska hyresmodellen att betalningsviljan hos en individ är högre för att bosätta sig närmre centrum och därmed undgå transportkostnaderna som skulle uppkomma om bosättning sker i utkanten av staden. Avståndsvariabeln uttrycks i denna studie som avståndet i kilometer från respektive stadsdels mittpunkt som hyreslägenheterna är belägna i in till Hötorget.
Inkomst - social status
Eftersom områdesindelningen som gjorts endast utgår ifrån områdets läge i förhållande till centrala Stockholm behövs ytterligare variabler som tar hänsyn till andra egenskaper ett område kan inneha samt som påverkar individers val till lokalisering. Det kan finnas perifera områden som på goda grunder är mer attraktiva än områden i innerstaden vilket kan leda till att områdesindelningen som gjorts inte speglar verkligheten. För att klassificera attraktivitet införs en inkomstvariabel som ska spegla ett områdes attraktivitet med antagandet att ett område med en hög medelinkomst består av höginkomsttagare som sökt sig till området med grund i dess attraktiva egenskaper. Höginkomsttagare kan därmed lokalisera sig på attraktiva områden som nödvändigtvis inte behöver vara i närheten till Stockholms centrala del.
Inkomstvariabeln baseras på medelinkomsten år 2016 för respektive stadsdel i Stockholms kommun (Stockholms stad, 2016) då statistiken för resterande år inte fanns tillgänglig för varje enskilt område. Statistiken kompletteras därmed genom att estimera inkomsten för stadsdelarna i Stockholms kommun under den avsaknaden tidsperioden genom att inkomsten inflationsjusterades för att anpassas till varje år och stadsdel.
Bostadsrättspriser
Med tanke på att bostadsrättsmarknaden i jämförelse med hyresmarknaden inte är lika restrikerad i form av prissättning kan det antas att nivån på bostadsrättspriserna i en stadsdel