Resultat – beräknad bostadsbrist - Bostadsbristen ur ett marknadsperspektiv

Ovanstående formel visar med hur många procent den aktuella

bostadsstocken ska justeras för att åstadkomma en sänkning av de reala

huspriserna med 20 procent. Vi är intresserade av att beräkna hur mycket

bostadsbeståndet ska förändras för att eliminera de prisförändringar som

befolkningstillväxten och förändringarna i antalet bostäder, sedan det

antagna jämviktsåret, gett upphov till. Detta innebär att vi bortser från

effekten av alla övriga variabler (dvs. även av konstanten och dummy-

variablerna). Vi redovisar den beräknade bostadsbristen i Sveriges

samtliga län och kommuner för 2011 eftersom det är det sista året

som vi har data för.

3.5 Resultat – beräknad bostadsbrist

Den beräknade bostadsbristen/bostadsöverskottet för Sveriges olika län

och kommuner sammanställs i tabell 3.3 och 3.5. Tabell 3.5 läggs i

avsnitt 3.8. Tabell 3.3 redovisar bristen på länsnivå. Kolumnerna till

vänster redovisar beräkningarna från modell 1 och den högra kolumnen

visar resultaten enligt modell 2. Vi inleder med att kommentera resultaten

från modell 1.

Våra beräkningar visar att i exempelvis Stockholms län hade de reala

huspriserna varit ca 14 procent lägre under 2011 om populationen inte

hade ökat sedan 2001. Om vi ska bygga bort den prisuppgång som beror

på ökad befolkning måste bostadsbeståndet öka netto med ca 51 000

bostäder. De allra flesta län har brist enligt dessa beräkningar och föga

förvånande är bristen, efter Stockolms län, som störst i Skåne och Västra

Götalands län.

Summerar man bristen i samtliga län enligt modell 1 får vi fram att

Sverige har ett ackumulerat underskott på 156 643 bostäder. Då behöver

utbudet öka med 163 000 bostäder i kommuner med brist medan antalet

bostäder kan minska med ca 7000 i kommuner som har överskott. Enligt

modell 1 uppvisar samtliga län bostadsbrist, även om den är ringa för i

varje fall Gotlands och Jämtlands län. Den bild som överlag framträder är

att byggandet under 2000-talet inte varit tillräckligt för att eliminera de

prisökningar som beror på befolkningstillväxten.

Innan vi går vidare bör det noteras att resultaten är känsliga för storleken

på β

i förhållande till storleken på β

. I resultaten från modell 1 som

redovisas i tabell 3.3 framgår det att de reala huspriserna reagerar

kraftigare på förändringar i befolkningen än på förändringar i

bostadsbeståndet eftersom β

= 3,25 och β

= –2,58. Detta innebär att om

befolkningen ökar med 1 procent, så måste bostadsbeståndet öka med

3,25/2,58 = 1,26 procent för att de reala huspriserna ska vara

oförändrade.

Bilden blir dock en annan om bostadsbristen i stället beräknas med

resultaten från modell 2. Eftersom de reala huspriserna reagerar betydligt

starkare på en ökning av bostadsbeståndet i modell 1 jämfört med modell

2 blir effekten att beräkningarna enligt modell 2 en lägre beräknad

bostadsbrist. Eftersom β

= 3,8 och β

= –3,65 måste bostadsstocken öka

med 3,8/3,65 = 1,04 procent för varje procents ökning av befolkningen,

att jämföra med 1,26 procent enligt modell 1.

I exempelvis Stockholms län sjunker den uppskattade nettobristen från

51 465 till 27 921 lägenheter och från 156 643 till 92 171 bostäder i hela

landet om resultaten från modell 2 används. Gotlands län och

Västerbottens län går t.ex. från att ha ett litet underskott (57 resp. 597) till

ett litet överskott (175 resp. 410) av bostäder. Antalet bostäder behöver

öka med 102 000 i de kommuner med brist medan beståndet skulle kunna

reduceras med ca 10 000 bostäder i de kommuner där det finns överskott.

Ur ett demografiskt perspektiv kan resultaten enligt modell 2 förefalla

mer tilltalande, eftersom de approximativt indikerar att när bostads-

marknaden väl är i balans, så bör bostadsstocken öka i samma takt som

befolkningen (eftersom 1≈1,04), vilket även är en rimlig slutsats om man

har som målsättning att hålla boendetätheten på samma nivå. I detta

kapitel är det emellertid inte boendetätheten som är målvariabeln, utan de

reala huspriserna. Vår utgångspunkt är ju, som nämnts flera gånger, att de

reala huspriserna ska stabiliseras så att de prisökningar som beror på

befolkningstillväxten sedan jämviktsåret elimineras. Frågan om huruvida

resultaten från modell 1 eller modell 2 ska föredras är därför inte en fråga

om vilken av modellerna som bäst stabiliserar boendetätheten utan vilken

av modellerna som har de mest konsistenta och effektiva parameter-

estimaten, i synnerhet vad gäller skattningarna av β

och β

.

En bedömning av vilken modell som är att föredra utifrån olika statistiska

kriterier gör det dock svårt att komma till en entydig slutsats, och

jämförelsen mellan modell 1 och modell 2 bör därför ses som ett utryck

för resultatens osäkerhet. Som vi diskuterade tidigare i texten, finns det

skäl att utesluta såväl faktorprisindex som konsumentprisindex från

regressionerna, vilket talar för att resultaten från modell 2 ska föredras.

Å andra sidan bör man kontrollera för byggkostnadernas effekt i någon

form, och att helt utesluta dem, som i modell 2, ökar därför risken för

”omitted variable bias”, dvs. att övriga parameterestimat ej blir vänte-

värdesriktiga pga. av att relevanta förklarande variabler inte har

inkluderats i regressionerna

25.

Jämför man informationskriterierna mellan

de två modellerna ser man att justerat R

och R

är högre i modell 1.

Dock avslöjar ett F-test att skillnaden mellan dem inte är statistiskt

säkerställd, vilket talar för modell 2. Schwarz-Bayesians

informationskriterium talar för modell 2 medan Akaikes

informationskriterium talar för modell 1 vilket är som förväntat eftersom

Schwarz-Bayesian bestraffar in-förandet av fler förklarande variabler

hårdare än Akaike. Den sammantagna bilden gör det som sagt svårt att

bestämma vilken av modellerna som ska föredras.

Tabell 3.3: Bedömd nödvändig korrigering av bostadsbeståndet (antal

bostäder) länsvis. (+ betyder att beståndet ska öka, - betyder att det ska

minska). Siffrorna är den beräknade nettobristen för länen.

Modell 1 Modell 2 Län Nödvändig förändring av bostads- beståndet (procent) Nödvändig förändring av bostads- beståndet (antal lägenheter) Nödvändig förändring av bostads- beståndet (procent) Nödvändig förändring av bostads- beståndet (antal lägenheter) Valt jämviktsår 01 Stockholms län 5,31 51 465 2,88 27 921 2001 03 Uppsala län 2,51 4281 0,22 372 2001 04 Södermanlands län 2,86 3763 1,56 2047 2003 05 Östergötlands län 2,22 4706 1,12 2368 2003 06 Jönköpings län 3,28 5125 2,26 3535 2003 07 Kronobergs län 2,35 2090 1,25 1111 2003 08 Kalmar Län 0,92 1078 0,47 548 2003 09 Gotlands län 0,2 57 -0,63 -175 2003 10 Blekinge län 2,49 1848 1,75 1297 2003 12 Skåne län 5,31 30 992 3,45 20 159 2003 13 Hallands län 3,45 4676 1,64 2221 2003 14 Västra Götalands län 3,47 25 896 2,15 16 055 2003 17 Värmlands län 1,17 1604 0,8 1096 2004 18 Örebro län 3,44 4767 2,56 3552 2003 19 Västmanlands län 3,55 4435 2,54 3170 2003 20 Dalarnas län 1,64 2332 1,09 1550 2004 21 Gävleborgs län 2,25 3136 1,89 2641 2004 22 Västernorrlands län 2,05 2455 1,94 2327 2004 23 Jämtlands län 0,55 375 0,19 126 2004 24 Västerbottens län 0,47 597 -0,32 -410 2004 25 Norrbottens län 0,77 965 0,53 659 2004 Summa bostadsbrist 156643 92 171

Källa: Egna beräkningar Siffrorna avser den skattade bostadsbristen för 2011. Av redovisningsteckningska skäl rappoterar vi resultaten länsvis

En allmän insikt från jämförelsen mellan modell 1 och 2 är dock att den

beräknade bostadsbristen blir mindre ju känsligare de reala huspriserna är

för förändringar i bostadsstocken. Omvänt blir det så att ju känsligare de

reala huspriserna är för förändringar i befolkningsmängden, desto högre

blir bostadsbristen i de län där folkmängden ökar och desto mindre blir

den där folkmängden minskar.

3.5.1 Diskussion

Det finns skäl att fråga sig varför de reala huspriserna skulle vara

känsligare för förändringar i befolkningen än för förändringar i bostads-

beståndet, som resultaten från modell 1 huvudsakligen indikerar. En

förklaring skulle kunna vara att det befintliga bostadsbeståndet utnyttjas

dåligt och att rörligheten på bostadsmarknaden är begränsad av olika skäl.

Hyresregleringen samt reavinstskatten kan bidra till att hålla nere

rörligheten på arbetsmarknaden. Hyresregleringen kan, i de fall den

medför att hyrorna blir lägre än de marknadsmässiga, leda till att fler

människor väljer dubbelt boende, vilket stänger ute de grupper som

försöker ta sig in på hyresmarknaden. Reavinstskatten gör det mindre

attraktivt att sälja sin bostad vilket begränsar utbudet för de som söker

bostad. En dåligt fungerande bostadsmarknad reducerar det ”effektiva

bostadsutbudet” som finns tillgängligt för de individer som är i behov av

ny bostad i, vilket kan spilla över på regressionsanalysen i form av att de

reala huspriserna inte svarar lika mycket på en procents ökning av

bostadsstocken som på ett lika stort fall av populationen (dvs. att |β

|<β

).

Empiriskt hade det varit önskvärt att inkludera någon variabel som mäter

hur effektivt bostadsbeståndet utnyttjas i Sveriges olika län och se om det

påverkar relationen mellan β

och β

i våra skattningar. Effekten av att |β

|

närmar sig β

illustreras dock även på ett effektivt sätt om man jämför

den skattade bostadsbristen enligt modell 1 med modell 2, och som vi

redan har sett är bostadsbristen betydligt lägre enligt modell 2 jämfört

med modell 1. Anledningarna till att |β

| och β

ligger närmare varandra i

modell 2 jämfört med modell 1 behöver inte ha med detta resonemang att

göra, men jämförelsen kan ändå användas för att få en bild av hur

bostadsbristproblematiken kan attackeras på flera plan, bl.a. genom ett

mer effektivt utnyttjande av beståndet, och inte bara genom ett ökat

byggande. Det bör betonas att resonemanget som precis förts är

spekulativt till sin karaktär, men implikationerna av att det existerande

beståndet utnyttjas effektivare för hur mycket som måste byggas är något

som bör vara föremål för framtida utredningar.

Det tillskott av lägenheter som krävs kan realistiskt sett inte åstadkommas

under ett år. Med de årliga ökningstakter som Stockholms län visat upp

under 2000-talet kommer det att dröja ca fem år eller mer att bygga

51 000 lägenheter, som är den uppskattade bostadsbristen i Stockholms

län enligt modell 1. Då måste hänsyn även tas till den befolknings-

förändring som kommer att ske under samma period. Om vi antar att

befolkningen äldre än 19 år kommer att öka lika mycket årligen som

sedan 1990 kommer de reala huspriserna, allt annat lika, att öka med

ytterligare 13 procent i Stockholms län. Detta kräver i så fall att

ytterligare 66 796 lägenheter utöver det ackumulerade underskott på

51 465 lägenheter som redovisades i tabell 3.3. Det sammanlagda

nettobehovet av nya bostäder uppgår då till ca 115 000 i Stockholms län

de kommande fem åren inräknat.

I den mån det tillkommer bostäder till beståndet på andra vis än genom

nybyggnad (t.ex. genom att fritidshus ombildas till permanenthus)

behöver inte hela ökningen åstadkommas genom nybyggnation.

Tabell 3.4 redovisar det beräknade nödvändiga byggandet de kommande

fem åren, där det antagits att varje län kommer att ha samma årliga

befolkningstillväxt som sedan 1990. Tabellen presenterar resultaten från

modell 1 och modell 2. Det byggande som planeras i dag måste göras

med hänsyn till det ackumulerade överskottet eller underskottet men

också med hänsyn till hur befolkningsutvecklingen kommer att se ut de

kommande åren.

Tabell 3.4. Beräknad nödvändig justering av bostadsbeståndet (netto) de

kommande fem åren med hänsyn tagen till befolkningstillväxt (detta ska

då summeras med resultaten i tabell 3.3. för att få den sammanlagda

nödvändiga justeringen av bostadsbristen under de kommande fem åren).

Modell 1 Modell 2 Län Antagen årlig befolknings- tillväxt (procent) Nödvändig förändring av bostads- beståndet (procent) Nödvändig för- ändring av bostadsbeståndet (antal lägenheter) Nödvändig förändring av bostads- beståndet (procent) Nödvändig för- ändring av bostadsbeståndet (antal lägenheter) 01 Stockholms län 1,16 6,56 63 573 5,33 51 693 03 Uppsala län 0,98 5,66 9 016 4,62 7 349 04 Södermanlands län 0,44 2,64 3 476 2,18 2 858 05 Östergötlands län 0,43 2,62 5 542 2,15 4 557 06 Jönköpings län 0,35 2,11 3 301 1,74 2 717 07 Kronobergs län 0,36 2,19 1 944 1,8 1 600 08 Kalmars län 0,05 0,31 362 0,26 300 09 Gotlands län 0,34 2,08 579 1,71 478 10 Blekinge län 0,26 1,59 1 181 1,31 973 12 Skåne län 0,85 4,95 28 872 4,04 23 585 13 Hallands län 0,93 5,35 7 248 4,37 5 914 14 Västra Götalands län 0,59 3,49 26 043 2,86 21 360 17 Värmlands län -0,04 -0,28 -387 -0,23 -321 18 Örebro län 0,25 1,52 2 113 1,25 1 743 19 Västmanlands län 0,29 1,82 2 280 1,5 1 879 20 Dalarnas län -0,03 -0,18 -249 -0,15 -206 21 Gävleborgs län -0,09 -0,6 -834 -0,5 -691 22 Västernorrlands län -0,25 -1,6 -1 918 -1,33 -1594 23 Jämtlands län -0,2 -1,31 -884 -1,09 -734 24 Västerbottens län 0,36 -2,17 2 772 1,78 2 282 25 Norrbottens län -0,09 -0,55 -683 -0,45 -566 Summa bostadsbrist 153 347 125 176

Källa: Egna beräkningar. Detta kan ses som ett räkneexempel. Vi har inte tillgång till befolkningsprognoser på kommunnivå och har därför förenklat genom att räkna direkt på länsnivå,

In document Bostadsbristen ur ett marknadsperspektiv (Page 44-48)