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
3i förhållande till storleken på β
2. 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
2= 3,25 och β
3= –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
2= 3,8 och β
3= –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
2och β
3.
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
2och R
2är 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
25
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
3|<β
2).
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
3och β
2i våra skattningar. Effekten av att |β
3|
närmar sig β
2illustreras 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
3| och β
2ligger 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,