Trelleborgsbanans inverkan på småhuspriser i Västra Ingelstad och Östra Grevie

Trelleborgsbanans inverkan på småhuspriser i

Västra Ingelstad och Östra Grevie

_____________________________________

The effect of Trelleborgsbanan on residential

homes in Västra Ingelstad and Östra Grevie

Emir Dedic, Kristian Petrovski & Anton Södergård

Fastighetsvetenskap

Kandidatnivå 15 hp

VT-19

Förord

Denna kandidatuppsats avslutar vår utbildning på Fastighetsföretagande programmet. Vi vill hjärtligt tacka alla lärare, kamrater och studenter som varit inblandade under vår tid på universitetet och varit en hjälpande kraft under komplicerade och tuffa tider.

Vi vill även rikta ett stort tack och eloge till vår handledare Magnus Andersson som varit tillgänglig i alla väderlekar och väglett oss genom arbetet samt bidragit med viktiga synpunkter och inspirationer.

Maj, 2019.

Sammanfattning

Denna studie undersöker värdeförändringen på småhus vid en infrastrukturinvestering och under vilken tidpunkt denna förändring sker. Detta kommer göras genom att identifiera vilka faser som infrastrukturinvesteringar genomgår och när de inträffar. Metodvalet för studien kommer hämtas från en flermetodsforskning som kombinerar en kvalitativ och kvantitativ metod. Genom att prioritera den kvalitativa informationen möjliggör detta för ytterligare förståelse och insikt kring de kvantitativa resultaten som presenteras. De kvalitativa studierna tar fasta i att analysera och granska handlingar och dokument som berör Trelleborgsbanans upprättande. Vidare kommer den kvantitativa datan att redogöra för de värdeförändringar som skett i Västra Ingelstad och Östra Grevie mellan 2003-2018. Interna fastighetsegenskaper och externa områdesanknutna faktorer kommer att granskas med hjälp av hedoniska prismodeller, där störst fokus riktas mot avståndsvariabeln och dess påverkan på priset för småhusmarknaden.

Vidare visar studiens resultat på en positiv värdeförändring har skett i de båda tätorterna, detta under Trelleborgsbanans etableringsprocess där den största värdeförändringen skedde i samband med att finansieringsavtal undertecknades. Med hjälp av den deskriptiva statistiken och tidigare studier går det att underbygga det faktum att Trelleborgsbanan haft en positiv inverkan på småhuspriserna i Östra Grevie och Västra Ingelstad.

Abstract

This study examines the change in value of single-family homes during an infrastructure investment and during which time this change takes place. This will be done by identifying which phases that infrastructure investments are undergoing and when they occur. The selection of the method for the study will be taken from a multi-method research that combines a qualitative and quantitative method. By prioritizing the qualitative information, this enables further understanding and insight into the quantitative results presented. The qualitative studies are determined by analyzing and examining papers and documents that concern the establishment of Trelleborgsbanan. Furthermore, the quantitative data will account for the changes in value that have taken place in Västra Ingelstad and Östra Grevie between 2003-2018. Internal property characteristics and external area-related factors will be reviewed using hedonic price models, where the main focus is on the distance variable and its impact on the price for the housing market.

Furthermore, the study demonstrates a positive change in value has occurred in the two urban areas which took place during the establishment of Trelleborgsbanan, where the largest change in value occurred when the signing of financing agreements were done. With the help of the descriptive statistics and previous studies, we can conclude the fact that

Innehållsförteckning

1. Inledning 6

1.1 Bakgrund 6

1.2 Syfte och frågeställning 7

1.3 Avgränsning 7

2. Metod 8

2.1 Inledning 8

2.2 Flermetodsforskning 9

Figur 1. Studiens tillvägagångssätt. Källa: Författarnas egna bild 10

2.3 Kvalitativ studie 10 2.4 Kvantitativa studier 11 2.5 Avslutande diskussion 13 3. Teori 14 3.1 Värdeförändring 15 3.2 Negativa effekter 18 3.3 Faser för infrastrukturinvestering 19

3.4 Residential location choice 20

4. Trelleborgsbanan 22

4.1 Inledning 22

Figur 2. Tidslinje för Trelleborgsbanan. 22 4.2 Första fasen: Offentligt omnämnd 22

4.3 Andra fasen: Förstudier 23

4.4 Tredje fasen: Finansiering 25

4.5 Fjärde fasen: Byggnation 25

4.6 Femte fasen: Invigning 26

4.7 Avslutande summering 26

5. Empirisk studie av värdeförändring i tätorter 27

5.1 Inledning 27

5.2 Deskriptiv statistik 27

Tabell 1. Utveckling utav medel- och medianvärden för transaktionspriser. 27

5.3 Pristrend, pris/kvm 29

Diagram 1. Värdeutveckling för pris per kvadratmeter. 29 5.4 Pris/kvm i relation till avståndsvariabel 31 Diagram 2. Korrelationsdiagram för period “Före” 31 Diagram 3. Korrelationsdiagram för perioden “Under” 32 Diagram 4. Korrelationsdiagram för perioden “Efter” 33 Diagram 5. Korrelationsdiagram för perioden “Efter” med uteslutna extremvärden. 34

5.5 Regressionsanalys 34 Tabell 2. Regressionsresultat för perioden 2003-2004. 35 Tabell 3. Regressionsresultat för perioden 2005-2014. 36 Tabell 4. Regressionsresultat för perioden 2015-2018. 37

6. Analys och diskussion 39

7. Slutsats 44

Referenser 46

Bilagor 51

Bilaga 1 51

Tabell 6. Normalitetstest - Före, Modell 1 51 Tabell 7. Korrelationsmatris - Före, Modell 1 51 Diagram 6. Residualens avvikelse från normalfördelningen - Före, Modell 1 51 Tabell 8. Normalitetstest - Före, Modell 2 52 Tabell 9. Korrelationsmatris - Före, Modell 2 52 Diagram 7. Residualens avvikelse från normalfördelningen - Före, Modell 2 52

Bilaga 2 53

Tabell 10. Normalitetstest - Under, Modell 1 53 Tabell 11. Korrelationsmatris - Under, Modell 2 53 Diagram 8. Residualens avvikelse från normalfördelningen - Under, Modell 1 53 Tabell 12. Normalitetstest - Under, Modell 2 54 Tabell 13. Korrelationsmatris - Under, Modell 2 54 Diagram 9. Residualens avvikelse från normalfördelningen - Under, Modell 2 54

Bilaga 3 55

Tabell 14. Normalitetstest - Efter, Modell 1 55 Tabell 15. Korrelationsmatris - Efter, Modell 1 55 Diagram 10. Residualens avvikelse från normalfördelningen - Efter, Modell 1 55 Tabell 16. Normalitetstest - Efter, Modell 2 56 Tabell 17. Korrelationsmatris - Efter, Modell 2 56 Diagram 11. Residualens avvikelse från normalfördelningen - Efter, Modell 2 56

1. Inledning

1.1 Bakgrund

Bostäder är en av de viktigaste och mest värdefulla tillgångarna en individ kan äga. Därför kan det vara bra att ha vetskapen om värdet på ens bostad och förstå vad som påverkar priset på denna tillgång. Det kan vara viktigt för ägare av en bostad då syftet kan vara att man vill få sålt tillgången, men även för de som är intresserade av att köpa eller belåna. För att då veta bostadens mest sannolika värde är det viktigt att veta vilka faktorer som bidrar till den största påverkan på fastighetsvärdet. Samtidigt måste man ta hänsyn till marknaden och hur den förändras, men även hur städerna i sig utvecklas.

I dagsläget blir städer allt större och man blir allt mer beroende av olika medel som exempel transport. Kollektivtrafiken och järnvägen är typexempel på detta. Större städer behöver centrala förbindelser för att fungera och underlätta för invånarna. Samtidigt skapas ett effektivare samhälle då kollektivtrafiken och järnvägen knyter samman städerna.

I Trelleborg fick gamla centralstationen en omstart då den renoverades och öppnades på nytt i slutet av 2015. Detta blev en centralstation som skapade ett nytt förbindelsenät till kommunen, men även nya möjligheter utanför kommunen då resan till Malmö helt plötsligt blev mycket kortare och effektivare med följd av tågförbindelsen. Även tätorterna mellan Trelleborg och Malmö såg en positiv utveckling med tågförbindelsen, samtidigt som nyproduktionen av småhus fick ett positivt lyft och ökade. Detta blev anmärkningsvärt i orterna Östra Grevie och Västra Ingelstad.

Vad hände egentligen med bostadspriserna i tätorterna? Hur påverkades de och när gjorde värdeförändringen avstamp i bostadspriserna till följd av infrastrukturinvesteringen? Är det mer attraktivt att bo bredvid en tågstation, eller har det bidragit till en negativ påverkan på bostadspriserna med anledning av buller och ljud?

De två tätorterna är belägna i Vellinge kommun öster om Vellinge stad, mellan Trelleborgs kommun och Svågertorp i Malmö. Den nya tågförbindelsen mellan Malmö och Trelleborg

kan vara en god möjlighet för att öka attraktiviteten i orterna då de knyts samman med de större städerna.

Studien kommer härnäst att redogöra för vilka frågeställningar som kommer att besvaras och vilken metod som kommer att tillämpas. Kapitel 3 kommer presentera tidigare studiers syfte, metoder och slutsatser samt hur dessa förhåller sig till detta arbetets syfte och frågeställning. Kapitel 4 kommer att beskriva de fem faserna som identifierar värdepåverkan för Trelleborgsbanan med hjälp av kvalitativ studie. Därefter kommer eventuell värdeförändring att undersökas med hjälp av kvantitativ data i kapitel 5, där resultat framförs med hjälp av regressionsmodeller. Studien avslutas med en analys av det presenterade resultatet där slutsatser om eventuell värdeförändring dras.

1.2 Syfte och frågeställning

Det finns många studier som behandlar hur utökad tillgänglighet till kollektivtrafik, via infrastrukturinvesteringar kan komma att påverka värdeförändringen hos olika fastigheter. Forskningsresultaten kring när värdeförändringen sker är dock mindre utforskad (Yen et.al. 2018). Arbetets syfte är därför att identifiera när värdeförändringen sker på småhusmarknaden till följd av en infrastrukturinvestering, i detta fall etableringen utav Trelleborgsbanan. Syftet kommer besvaras med hjälp av följande frågor:

- Vilka faser kan identifieras vid en kollektivtrafiksinvestering?

- Hur såg etableringsprocessen ut utav Trelleborgsbanan vid de två stationerna?

- Visar etableringen på en värdeförändring vad gäller småhusmarknaden i orterna och när skedde denna värdeförändring?

1.3 Avgränsning

Studien kommer att avgränsa sig till att endast undersöka järnvägsetableringen av Trelleborgsbanan som skapade en förbindelse med Malmö stad och tätorterna Östra Grevie och Västra Ingelstad som även blev en del av den nya etableringen. Tidsintervallet kommer ligga från dess att investeringsbeslutet offentligt publicerades fram, tills att Trelleborgsbanan sattes i bruk. Datamaterialet kommer främst att beröra transaktioner i Östra Grevie och Västra Ingelstad och innehålla faktorerna boarea, byggår, tomtarea samt distans till järnvägsstation.

2. Metod

I detta kapitel kommer en heltäckande bild ges över studiens val av metod, varför detta tillvägagångssätt valts samt vilka konsekvenser detta fått för metodens resultat.

2.1 Inledning

De flesta studier som undersöker samma område och vill besvara liknande frågor som denna studien kommer att besvara, använder sig utan kvantitativa metoder för att få fram önskade statistiska och kvantifierbara resultat. Men med tanke på att studien grundar sig på att identifiera fem faser i en kollektivtrafiksinvestering för att sedan se ifall det blir någon värdeförändring eller inte, blir det nödvändigt att först använda en kvalitativ metod för att besvara våra två första frågeställningar. Därefter kommer den tredje frågeställningen att besvaras med hjälp av en kvantitativ metod. Genom att använda en kombination av både en kvalitativ och en kvantitativ metod kommer metoden i detta arbete utgå ifrån en flermetodsforskning (mixed methods research).

Arbetets två första frågeställningar kommer besvaras med hjälp av en kvalitativ insamling utav information. Insamlingen kommer ske genom arkivstudier för att kunna identifiera de fem stadier som är omnämnda i Yen et al. (2018) och för att sedan applicera dessa på etableringen utav Trelleborgsbanan. Informationen kommer inhämtas genom arkivstudier hos Sydsvenskan, Trafikverket och Trelleborgs kommun samt Region Skåne.

Studiens tredje frågeställning kommer besvaras med en kvantitativ metod där insamlingen utav data kommer ske från prisdatabaser. Datan kommer bestå av transaktioner för småhus inom Östra Grevie och Västra Ingelstad för angivna tidsperioder. Genom att skatta fram olika regressionsmodeller kommer det vara möjligt utläsa värdeförändringen som skett i de undersökta tätorterna.

2.2 Flermetodsforskning

Den grundläggande typen av flermetodsforskning som kommer att appliceras på detta arbete är av en kompletterande och integrerande design, eftersom studiens syfte både har kvantitativt som kvalitativt fokus. Precis som Bryman (2016) påpekar så används en

flermetodsforskning när enbart den kvantitativa eller den kvalitativa forskningen inte är tillräcklig för att komplett besvara studiens frågeställningar. Då studiens huvudsakliga syfte är att identifiera när värdeförändringen över en tidsperiod sker kan vi med hjälp av kvalitativa inslag underbygga, stärka och validera förståelsen för studiens kvantitativa resultat.

I Creswell et al. (2004) diskuteras flermetodsforskning som en metod där kvalitativ information integreras med kvantitativ data som analyseras för en enskild studie eller frågeställning. Valet av denna metod, utöver att kvalitativ och kvantitativ data samlas in och sedan förenas, är en konsekvens av att varken den kvalitativa eller kvantitativa metoderna på egen hand skulle lyckas fånga upp de trender eller detaljer som krävs för att kunna besvara studiens frågeställningar. Detta leder till att i de fall där en flermetodsstrategi är att föredra, kommer analysen av de statistiska resultaten att bli mer komplett. Även Small (2011) hävdar att andra forskare argumenterar för att den största fördelen med att kombinera olika sorters data ligger i möjligheten att kunna kompensera för eventuella brister och svagheter i den data man valt. Dessutom påpekar Small (2011) att många forskare använder sig inte bara av arkivstudier för att illustrerar och kontextualisera de kvantitativa resultaten utan även för att ge ytterligare förståelse och klarhet gällande resultatens betydelse.

Flermetodsstrategin kommer utformas utifrån en exploratory design-modell variant som kallas för taxonomy development modell. Creswell et al. (2007) redogör och utvecklar grunderna för denna tvåstegsmodell och framhäver att den kan appliceras i de fall där de kvalitativa resultaten prioriteras och är väsentliga för den kvantitativa undersökningen. I det kvalitativa arbetet, modellens första steg, identifieras och skapas kategorier som används för att styra det kvantitativa arbetet gällande datainsamlingen som är modellens andra steg.

Figur 1. Studiens tillvägagångssätt. Källa: Författarnas egna bild

2.3 Kvalitativ studie

Det kvalitativa arbetet i denna studie avser att genom arkivstudier granska dokument, handlingar och artiklar hämtade från statliga aktörer, kommuner och lokaltidningar. Arbetets syfte är att kartlägga och identifiera Yen et al. (2018) fem faser för Trelleborgsbanan eftersom dessa tidsintervall är väsentliga för de kvantitativa arbetet. Utan dessa intervall går det inte att fastställa vad de olika fasernas hade för påverkan på priserna för småhusmarknaden i Västra Ingelstad och Östra Grevie under perioden 2003-2018.

För att kunna identifiera vid vilka år som dessa fem faserna inträffade i relation till Trelleborgsbanans etablering krävs att arkiverade handlingar och dokument från den ovan nämnda tidsperioden inhämtas och granskas. Det är centralt att ge en överskådlig men grundlig beskrivning av de faser som Trelleborgsbanan genomgick och framförallt när faserna inträffade för att projektet skulle kunna realiseras. Därför kommer handlingar och information inhämtas från primärt två källor, offentliga organ och lokaltidningar. Den statliga myndighet som är ansvarig för infrastrukturprojekt för Sveriges järnvägar är Trafikverket (tidigare Banverket), på regional nivå ansvarar Region Skånes kollektivtrafiknämnd och på den sista lokala nivån återfinns de enskilda kommunerna, i detta fall Trelleborg- och Vellinge kommun. Detta resulterar i granskning som beskriver Trelleborgsbanan utifrån tre perspektiv,

ett statligt, ett regionalt och ett lokalt som ger den kvalitativa informationen en nyanserad anblick. Genom att dessutom granska lokala tidningars rapportering om Trelleborgsbanan ges en ytterligare dimension till det lokala perspektivet som då lyckas fånga upp den information som förmedlades till kommuninvånarna.

2.4 Kvantitativa studier

Studiens kvantitativa arbete kommer bestå av framtagande och analysering utav deskriptiv statistik samt linjära regressionsmodeller för tätorterna under 2003 - 2018. Transaktionsdatan är hämtad från Ljungquist, som idag är UC Bostadsvärdering och innehåller både fastighets- och områdesrelaterade variabler. Ur datan går det att utläsa allmän information gällande fastighetens adress, beteckning, upplåtelseform och orttillhörighet. De fastighetsrelaterade variabler som även inkluderas är boarea, tomtarea, biarea, pris per kvadratmeter och K/T-värde samt köpesumma och vid vilket datum som transaktionen skedde. Den områdesrelaterade variabeln består av en avståndsvariabel som beskriver avståndet (uttryckt i meter) mellan en fastighet och tågstationens nuvarande position. Antalet observationer som datainsamlingen innefattar för Västra Ingelstad och Östra Grevie mellan åren 2003 - 2018 uppgick till 335.

En multipel linjär statistisk regressionsanalys valdes att genomföras för att kunna observera den eventuell effekt som närhet till en tågstation har på priset för småhusmarknaden. Den insamlade datan kommer sorteras efter transaktionsdatum och grupperas därefter i tre tidsperioder, före, under och efter. För varje tidsperiod har två multipelt linjära regressionsmodeller körts, där Modell 1 endast väger in byggår, boarea och tomtarea som förklarande variabler och Modell 2 väger därutöver också in en avståndsvariabel som beskriver avstånd mellan fastighet och närmaste tågstation. Valet av att genomföra två modeller för varje tidsintervall gjordes för att kunna isolera avståndsvariabelns enskilda påverkan på småhuspriserna. Denna observation kommer vidare även att granskas med hjälp av beskrivande statistik som ger en bild över prisutvecklingen med hjälp av trendlinjer under tidsperioden för de båda tätorterna.

Rosen (1974) anförde att varors värde utgjordes av det sammanlagda värdet av de enskilda attributen som varan hade, denna modell kallas för hedonisk prismodell. Modellen kan därmed visa på de betalningsviljor som är sammankopplad med ett visst attribut och dess inverkan på det slutgiltiga priset. Med en linjär multipel regression kan en hedonisk prismodell skattas fram som beskriver ett flertal oberoende variablers (x) påverkan på en beroende variabel (y) (Edling et al. 2003). Modellen formuleras som följande:

a x x .. x y = + b_{1 1}+ b_{2 2}+ . + b_{i i}+ e y_{​ = beroende variabel} a_{​ = konstant} bi_{​ = beta-koefficient} xi_{​ = oberoende variabel} e_{​ = residualen}

Där _{​y representerar transaktionspriset, ​a är regressionslinjens skärningspunkt med y-axeln} och visar försäljningspriset då fastigheten saknar oberoende variabler, _{​bi​visar den oberoende} variabelns inflytande på regressionen som helhet, _{​xi är de kvantitativa respektive binära} oberoende variablerna (Djurfeldt et al. 2010). _{​e ​representerar residualen som beskriver} skillnaden mellan det observerade värdena och det y-värden som modellen beräknat fram (Edling et al. 2003).

Analysen av regressionerna kommer ske i tre steg. Först kommer regressionens signifikans utvärderas, följt av att modellens prediktionsförmåga kommer att granskas och till sist kommer beta-koefficienternas signifikans att utvärderas. Därefter kommer regressionernas robusthet att testas genom normalitetstest och multikollinearitet.

2.5 Avslutande diskussion

Det positiva med denna studies metodval är att vi kan komplettera den kvalitativa informationen med de kvantitativa resultaten. Kartläggningen utav åren då de fem faserna uppstår för Trelleborgsbanan är inte tillräcklig för att svara på studiens sista frågeställning,

den kan däremot besvaras med hjälp av resultaten från både den deskriptiva statistiken och regressionsanalyserna. I detta fall är denna flermetodsstrategi viktad mot en kvalitativ ansats.

Nackdelarna med detta metodval är att det empiriska arbetet blir mer tidskrävande eftersom två typer av datainsamling ska ske, vilket är något som även Creswell et al. 2007 argumenterar. Vidare är resultatet från regressionsmodellerna starkt beroende utav att antalet observationer som hämtats från datainsamlingen inte är för litet. Med drygt 330 transaktioner mellan 2003-2018 sätter detta begränsningar i vårt statistiska resultat. Detta leder i sin tur till att vi tvingas omgruppera datamaterialet från att använda fem regressioner, en för varje fas, till att istället använda tre regressioner som urskiljer tidsperioderna, före, under och efter. Där “före” innefattar transaktioner mellan 2003-2005 dvs. innan arbetet med Trelleborgsbanan sattes igång.”Under” innefattar transaktioner mellan 2005-2015 och innebär att under denna period har arbetet med Trelleborgsbanan påbörjats och slutförts. Den sista perioden “efter” innefattar transaktioner mellan 2015-2018 och består av transaktioner gjorda efter att Trelleborgsbanan invigts (se Figur 2).

En alternativ metod skulle kunna ha varit att bortse från den kvantitativa studien helt och istället välja en genomgående kvalitativ studie som fokuserat på intervjuer med boende som flyttat till Västra Ingelstad eller Östra Grevie. Målet hade i sådant fall varit att försöka undersöka vilka skäl som de nyinflyttade hade för att flytta till just dessa tätorter med förhoppningen att det skulle bero på tågstationernas nyetablering. Detta metodval skulle också vara tidskrävande och möjligheten att få tag i de intervjupersoner som är av intresse anses vara svårt.

3. Teori

Syftet med detta kapitel är att redogöra för vad tidigare forskning har kommit fram till. Först ges en övergripande bild över de nyttor som infrastrukturinvestering bidrar med, därefter kommer de negativa värde effekter som en tågstation orsakar presenteras, och till sist beskrivs en infrastrukturinvesterings fem faser för värdeförändring samt de faktorer som avgör vart vi väljer att bosätta oss.

En infrastrukturinvestering kan ge flera fördelar för städerna och samhället. Det hjälper till med den ekonomiska utvecklingen på så sätt att marknaden byggs ut och städerna knyts samman med det nya förbindelsenät som kollektivtrafiken skapar. Det skapar nya möjligheter för arbetskraften genom ett större utbud och det genererar större vinst för handeln. Med tanke på att nätverket utökas med hjälp av infrastrukturen minskar distansen mellan de olika stadskärnorna, vilket i sig leder till kostnadsbesparingar (Lakshmanan, 2011). Vidare så bidrar även infrastrukturinvesteringar till ökad kostnadseffektivitet på insatsvaror. Tack vare infrastrukturinvesteringar och den tilltagande tillgänglighet samt utökad servicekvalité som det medför, sänker detta producenters transportkostnader och hjälper till att främja hushållens rörlighet och deras efterfrågan på varor och tjänster. Infrastrukturinvesteringar kan dessutom användas för att stärka den ekonomiska tillväxten. Företag kan finna agglomerationsfördelar i att avstånd mellan olika ekonomiska agenter som företag och arbetskraft blir kortare. Dessutom föreslogs det att de ekonomiska konsekvenserna av infrastrukturinvesteringar som uppstår på lång sikt tycks vara betydligt starkare än de som uppstår på kort sikt (Melo et al., 2013).

Med fördelarna som en infrastrukturinvestering medför blir det allt mer eftertraktat att bosätta sig i närliggande områden. Med större tillgänglighet till andra städer och effektiv transport till viktiga knutpunkter väljer människor att bo nära kollektivtrafikens kärnpunkt. Detta i sin tur leder till att andra marknader påverkas, inte minst bostadsmarknaden där bostäderna blir väldigt attraktiva då en investering i närområdet görs (Melo et al., 2013).

Värdet på en bostad styrs av flera faktorer. Inte bara utbud och efterfrågan på marknaden, utan även fysiska och icke fysiska faktorer som har en stor påverkan på priset. Å ena sidan

kan det exempelvis vara faktorer som är kopplade till omvärlden och samhället där konjunkturläge och bostadspolitiken spelar roll. Å andra sidan finns det faktorer som är knutna till bostaden, och i detta fall bostadens läge. Dessa läges- och områdes anknutna faktorer kan vara närhet till centrum, skola eller som i detta fall kollektivtrafik. Dessutom finns det faktorer som är kopplade till bostadens egenskaper, då handlar det mer om bo- och biarea, bostadens standard, byggår osv (Mäklarsamfundet & Lantmäteriet 2016, s.75).

3.1 Värdeförändring

En infrastrukturinvestering som knyter samman städer kan ge positiva effekter, sett till flera olika perspektiv. En etablering av en järnvägsstation skapar flera nya förbindelser och på så sätt gör de involverade städerna mer attraktiva. Närhet till tågstationer blir mer och mer efterfrågat i dagsläget, och värdet på bostäderna ökar. Sett till tidigare studier visar flera på en positiv ökning av bostadspriser i förhållande till en infrastrukturinvestering.

Dubé et al. (2013) använde sig av en hedonisk prismodell för att undersöka effekten som förbättrad tillgänglighet till tågstationer har på småhuspriser i Montreal, Canada. Med den hedoniska prismodellen kunde man estimera värdet på ett småhus givet dess oberoende variabler såsom fastighets- och omgivningsanknutna faktorer. Studiens syfte var att tillföra ett resultat som kunde uppskatta de faktiska effekter som etableringen av kollektivtrafik hade på fastighetsvärde, i detta fall för småhus. Urvalsunderlaget som Dubé et al. (2013) valde för studien omfattade försäljningar mellan 1992 och 2009 och det totala antalet observationer uppgick till ca. 24 000 och innehöll information om fastighetens försäljningspris, utropspris, datum vid försäljning, bostadstyp, byggnadsår, byggnads- och markattribut. Studien fann att fastigheter hade en median-premium på 11% ifall man bodde i nära anslutning till tågstationen samt inom en mil från Montreals CBD. Linjen av tågstationer genomfördes i en progressiv etablering mellan 2000 till 2003 där totalt sex nya stationer tillkom. Etablering av dessa stationer ledde till en expansiv tillväxt av både resenärer, som tiodubblades under de första fem åren, men även antalet som avgångar per dag som steg från en till sju mellan 2000 - 2009. Linjen avlastade även det tungt belastade vägnätet under rusningstiderna för morgon och kväll.

I Brandt et al. (2011) användes en hedonisk prismodell där man tittade på närheten till järnvägsstationer i Hamburg, men även andra faktorer som exempelvis inkomsten hos invånarna i staden, stadsdelar med låga/höga inkomster. Undersökningen är begränsad till stadens järnväg, där man tittar närmre på höghastighetståg samt stadståg. Vidare fann Brandt et al. (2011) att närheten till järnvägsstationer har en påverkan på storstaden Hamburg, liksom alla andra storstäder. En bostad i närheten av en station visades ha en positiv påverkan upp till 4.6% på bostadspriset. Finns det även en tunnelbanestation i närheten ger det ännu högre procentuell påverkan på priset i positiv bemärkelse. En viktig faktor att ta hänsyn till är att närheten till kollektivtrafiken värderas högre av höginkomsttagare.

Bohman et al. (2017) har sitt syfte i att studera vilken roll som pendeltåg och även regionala tåg har i regionen Västra Götalands utveckling av fastighetspriser. Hela studien består av två delar. Den första delen beskriver och ger en analys av hur försäljning av småhus har utvecklats i Västra Götaland, detta under perioden från år 2002-2016. Man har även tagit med en statistisk analys över hela Västra Götaland för år 2015 där man inkluderat olika faktorer för att mäta deras prispåverkan.

I den andra delen har man använt sig av två fallstudier som gjorts. Man har i studien använt sig av en hedonisk prismodell för att studera hur närheten till tågstation påverkar priserna på småhusen. Man studerade fyra orter i Dalsland. Av dessa fyra orter hade två stycken tillgång till järnvägstrafik och de andra två hade inte det.

I studien kunde man komma fram till slutsatserna att närheten till järnvägsstationer gav generellt sett en positiv utveckling för småhus inom 10 minuters cykelavstånd till stationen. Man kunde få fram att antalet avgångar spelade en roll på prisutvecklingen. Flera avgångar tenderar att ge stabilare och högre prisutveckling. Samtidigt kunde det även bli en negativ prisutveckling om man var bosatt för nära stationen. Detta kunde då bidra med negativa externaliteter såsom buller.

Liang et al. (2015) fokuserar på hur en höghastighetståg-förbindelse i Peking, Kina hade för inverkan på fastighetspriserna runtom olika avstånd från stationen. Man använde sig i denna studie, precis som Bohman et al. (2017), av en hedonisk prismodell för att få fram sina svar

på hur fastighetspriserna utvecklats. Tidigare forskning och studien själv visar att bättre framkomlighet mellan städer, högre attraktioner för investeringar och expansioner för offentlig service infrastruktur resulteras och härstammar från bra tågförbindelser, som i sin tur har en positiv inverkan på fastighetspriserna runt om stationerna. Dock kunde man i denna studie även påpeka att trafik, oren luft och buller gav upphov till negativa externaliteter som resulterade i en negativ prisutveckling för hus i allmänhet.

Vidare visar studien att huspriser ökar mellan avstånden på ca. 800 meter till 11 kilometer i kombination med en närliggande station för höghastighetståg. Studien kombinerade externaliteterna från stationer med affordable housing och social housing. Tack vare prisökningen menade man i studien att “bostadsbidragen’’ som härstammar från stationen bör istället användas åt byggandet åt bostadshus. Vidare resulterade studien att fastigheter mellan 400 meter till 800 meter från stationen drabbas av negativ prisutveckling tack vare de negativa externaliteterna såsom buller, trafik och mycket folk, precis som man kom fram till i Bohman et al. (2017). Det rekommenderar i studien att man ger bidrag åt bostadsägare inom radien som drabbas av de negativa externaliteterna i en form av social housing för att kompensera för den negativa prisutvecklingen.

Mohammad et al. (2017) analyserade påverkan från etableringen av Dubai Metro på fastighetsvärden för både bostäder och kommersiella fastigheter under åren 2007-2011. Likt För bostäder identifierades en signifikant positiv inverkan på fastighetsvärden inom 1,5 km från Dubai Metro, dock fanns det en varierande effekt inom avståndsintervallet. De fastigheter som låg belägna inom 0,7 - 0,9 km från metrot hade den högsta värdeökningen på ca 8 procent. Mohammad et al. (2018) understryker även att de bostäder som väldigt nära Dubai Metro hade en negativ värdeutveckling på -9 procent troligtvis till följd av de förhöjda bullernivåerna.

Bohman (2016) undersöker i sin studie pendeltågens samt motorvägarnas effekter på bostadspriserna. Studien inriktar sig på småhus i södra Sverige (Skåne). Anledningen till att ha valt Skåne är för att regionens pendelsystem har en stor påverkan på arbetsmarknadens funktion, men även för att undersöka ett större område (en region) jämfört med vad många tidigare studier har undersökt (mindre geografiska områden). Bohman använder sig utav en

hedonisk prismodell för att analysera prispåverkande faktorer. Man använder sig av vertikal segmentering där fokus ligger på konsumenternas inkomster. Detta för att kunna uppskatta bostadspriserna bättre.

Det studien kommer fram till är att pendeltågens effekt på bostadspriserna skiljer sig från olika segment, där den har en mer positiv påverkan hos “medelklassgruppen”. Med tanke på att studien inriktar sig på småhus så antar man att det inte finns “fattiga” i undersökningen då alla undersökta hus har en ägare vilket kräver en viss ekonomisk grund. Dessutom kommer man fram till att motorvägen har liknande påverkan. Anledningen är att transport utgifterna för de rika hushållen inte är den viktigaste faktorn när man väljer bostäder, och därför påverkar dessa faktorer olika inkomsttagare olika mycket. En väldigt stark prispåverkande faktor för alla segment är närheten till Malmö-Lund området som är en central knytpunkt för arbetsmarknaden.

3.2 Negativa effekter

Det finns även de studier som pekar på en negativ värdeförändring i förhållande till järnvägsstationers närhet. Externa faktorer som anses vara störande i form av trafik och buller har påverkat efterfrågan på bostäderna negativt och minskat värdena. Theebe (2004) studie menar att värdet av oljud och buller har blivit en viktigare faktor med tiden och att trafikbuller och bullerstörningar från höghastighetståg väckte en nationell debatt i Holland. Studiens syfte var att bedöma den ickelinjära påverkan som trafikbuller hade på fastighetspriser. Med en hedonisk prismodell och dummyvariabler, för kvantifiering av ljudnivå (dB), kunde studiens syfte uppnås.

Dai et al. (2016) anmärker att husköpare blir mer alerta under de senaste åren gällande placeringen av bostaden gentemot en järnvägsstation. Dels finns det en bekvämlighet med att vara nära stationen, men man drabbas även av ogynnsamma faktorer såsom buller och trånga miljöer. Författarna kom även fram till att området som “drabbas’’ både positivt och negativt av en regionaltågsstation ligger inom en radie från cirka 1200 m till 1400 m. Likaså konstaterar Walker (2016) att bostäder som utsätts för 65 dB fanns det en negativ inverkan på fastighetsvärdet vilket resulterade i en prisrabatt på 14-18%.

Hewitt (2012) undersöker om närhet till tågstationer har en positiv påverkan på bostadspriserna eller ifall det faktiskt kan sänka värdena av olika anledningar. Man inriktar sig på fastigheter i Kanadas huvudstad Ottawa, där man tittar närmre på fastigheterna som har närhet till en tågstation. För att analysera sin data användes en hedonisk prismodell, samt ett geografiskt informationssystem (GIS) för att enklast få fram avståndet från fastigheterna till närmsta tågstation. Hewitt använde sig av tre olika regressionsmodeller för att undersöka flera faktorer. Ordinary least square (OLS), spacial OLS samt geographically weighted regression (GWR). De olika regressionsmodellerna analyserar förhållandet mellan bostadspriserna och tågstationerna globalt, men även direkt lokalt. Man kommer då fram till att det faktiskt finns ett signifikant förhållande mellan dessa två faktorer, och att det inte bara är positivt påverkande, utan att buller och andra störande källor kan dra ner på bostadspriserna ifall fastigheterna ligger för nära tågstationerna. Det handlar mycket om grannskapet och husägarnas egna uppfattning om närheten till tågstationen.

3.3 Faser för infrastrukturinvestering

Yen et al. (2018) studie fokuserar på att identifiera när en värdehöjning utav markvärden, till följd av en infrastrukturinvestering utav persontåg, sker. Forskningen är utförd på Golden Coast Railway Line i Australien som anknyter Brisbane med the Golden Coast. Yen argumenterar att ett välutvecklat kollektivsystem kan frambringa såväl sociala som ekonomiska fördelar för samhällen, då trafikträngsel kan reduceras, större jobbskapande samt konkurrenskraft. Dock poängterar Yen att dessa typer av infrastrukturinvesteringar är djupt beroende av den finansiering som finns att tillgå.

Vidare har Yen et al. (2018) urskilt fem faser där värdeförändringen kan tänkas uppstå, första fasen är efter ett offentligt pressmeddelande har publicerats, andra fasen sker när en förstudie tillkommit och ett fast åtagande om investering har gjorts, tredje fasen passeras när finansieringen av investeringen är säkrad, den näst sista fasen är byggnationen/etableringen utav tåglinjen startar och avslutas med den sista fasen som är färdigställandet av tåglinjen. År 1996, två år innan offentligt pressmeddelande, användes som ett basår för att kunna följa värdeutvecklingen. År 2002 fångar upp utvecklingen efter att offentligt tillkännagivande

gjordes. År 2006 beslutades om fast åtagande efter en säkrad finansiering samt att diverse planer och ritningar slutfördes. År 2011 påbörjades byggnationen som slutfördes 2016. Samtliga fastighetstransaktioner för berörda fastigheter som befann sig inom 800 meter från den planerade tågbanan under dessa fem tidsintervallet inhämtades. Difference-in-differences modellen användes för att kunna observera och jämföra skillnaderna mellan som uppstod mellan fastigheter som inom 800 meter från tågbanan och kontrollgruppen, de fastigheter som låg längre än 800 meter från tågbanan.

Yen et al. (2018) indikerar att utifrån deras modell kommer fastighetsvärdet börja stiga efter att ett offentlig pressmeddelande gjorts och har den högsta tillväxten när statlig finansierings säkrats, tillväxten avtar dock under byggnationsfasen.

3.4 Residential location choice

Enligt Kim et al. (2005) är boendet den största tillgång ett hushåll kan anskaffa och var vi bosätter oss utgörs därmed utav de betalningsviljor som vi har för olika fastighets- och områdesattribut. Det finns ett stort utbud av dessa attribut vilket skapar en komplex funktion som resulterar i residential location choice. I Frenkel et. al (2013) kunde man redovisa att de allra viktigaste och mest avgörande, för val av bostad, var pendeltiden till närmsta CBD-område men även kommunens egenskaper i form av täthet, kulturell- samt pedagogisk markanvändning hade också en inverkan på var vi valde att bosätta oss. Studien undersöker val av bostad från kunskapsarbetare inom storstadsregioner genom att tillämpa diskreta valmodeller. Modellerna som studien använder sig av behandlar 833 tjänstemän inom finansiella och högteknologiska segment och analyserar den relativa betydelsen av livsstil och kulturella bekvämligheter utöver och jämfört med de klassiska plats och läges-faktorerna. Slutsatsen kunde påvisa att tjänstemännen med boenden i ägarformer såsom större lägenheter och enfamiljshus tenderar att bosätta sig i förorterna runt om stadskärnan, men även också inne i storstaden. Studien kunde även påvisa att man tenderar att bosätta sig nära sina livsstils intressen och fritidsaktiviteter.

Även Kim et. al (2005) presenterar en hypotes som hävdar att transport-attributet (transportkostnad och transporttid) är en viktig avgörande faktor vid beslut om flytt eller inte

ska ske. Fortsättningsvis konstaterar författarna att processen kring val av bostad (residential location choice) består av två steg, valet att flytta eller inte (residential mobility) och sökandet samt valet av ny bostad (housing choice). Det fastställs i Kim et al. (2005) studie att skulle boendekostnaden, pendlingstiden och pendlingskostnader till jobb och service stiger kommer sannolikheten för att flytta från sin nuvarande bostad att öka. Kvaliteten på närliggande skolor hade dock ett negativt samband med sannolikheten för att flytta, skulle kvaliteten på skolorna stiga kommer sannolikheten för att flytta att sjunka. Vidare konstateras det att skulle tillgängligheten till jobb och service stiga kommer residential mobility att sjunka.

Yao et al. (2014) studie undersöker relationen mellan transportval och val av bostadsplats i Peking med hjälp av en fältundersökning. Studiens syfte var att undersöka om transportval har någon koppling till den yttre förortsutvecklingen i staden. Studien visar att pendling med privat bil eller användandet utav taxi inte har någon påverkan på valet av att bosätta sig i yttre delar av staden, utan att det är kollektivtrafiken som skapar tillgänglighet för människorna utanför centrum och kopplar samman de med stadens centrum. Dessutom är det en fråga om inkomstnivå på individerna som väljer att bosätta sig runt om kärnan i staden, där de med mindre inkomst väljer att bosätta sig utanför centrum. En annan faktor till att det blir en sådan utveckling av förorterna i Peking är för att den offentliga infrastrukturen är uppbyggd kring den centrala staden. På så sätt blir utvecklingen “urban-sprawl” istället för “leap-frog” vilket kännetecknas som låg densitet, sysselsättning och bostadsbalans. Studien lyfter fram vikten av att kontrollera utvecklingen av kollektivtrafiken för att påverka stadsstrukturen i positiv riktning och undvika negativa utvecklingen i form av “urban-sprawl”.

Sammanfattningsvis kan det konstateras att tåginvesteringar kan ge både positiva och negativa effekter på fastighetsvärden. Å enda sidan kan man genom att knyta samman arbetsmarknader, tätorter och näringsliv omvandla områden nära tågstationer till att bli mer attraktiva och detta återspeglas sedan i fastighetsvärde. Å andra sidan kan fastigheter för nära tågstationer och rälsar uppleva negativa externaliteter såsom buller.

4. Trelleborgsbanan

Genom att följa de fem faserna och analysera de stegvis blir det enklare att se samband mellan en infrastrukturinvestering och en eventuell värdeförändring. Är fallet så att bostäderna har påverkats av en värdeförändring, som kommer att analyseras i nästa kapitel med hjälp av data på transaktioner över tidsintervallet, så kan man titta tillbaka på de fem faserna för att identifiera vilken fas som är mest värdepåverkande.

4.1 Inledning

Figur 2. Tidslinje för Trelleborgsbanan. Källa: Författarnas egna figur baserad på Yen et al. (2018)

När man diskuterar värdeförändringar kan man identifiera fem faser där värdeförändringen kan tänkas uppstå. Modellen ovan illustrerar de fem faserna. Första fasen beskriver sentimentet efter ett offentligt pressmeddelande har publicerats. Den andra fasen identifieras när en förstudie kommer till och ett beslut om investering har tagits. Den tredje fasen passeras när finansieringen av investeringen är säkrad. Den näst sista fasen som uppstår är när byggnationen startar och avslutas med den sista fasen som är färdigställandet av investeringen (Yen et al., 2018).

4.2 Första fasen: Offentligt omnämnd

I Sydsvenskan (2010a) publiceras den första artikeln som bekräftade Trafikverkets, Skånetrafiken och Trelleborgs kommun vision om etableringen av Trelleborgsbanan. Denna tidpunkt kan därför fastslås som det första stadiet i infrastrukturinvesteringen där officiell information för första gången når ut till allmänheten. Med hjälp av regeringens utökade

budget till infrastrukturplanen kunde investeringen av Trelleborgsbanan tas med i planeringen, istället för att vänta till 2020-talet. Vidare i artikeln framgår det att färdigställandet av Trelleborgsbanan skulle kunna stå klart under 2015 men vid tidpunkten som artikeln publicerades var det för tidigt för att kunna ge ett definitivt svar. Planeringen av Trelleborgsbanan förväntas öppna nya stationer i Östra Grevie och Västra Ingelstad, samt öppna den gamla färjestationen i Trelleborg på nytt. Med denna investering blir pågatågsnätet i Skåne mer komplett och bidrar till att stora tidsvinster kan göras.

Sett till Trelleborgs kommuns perspektiv identifierades fas ett redan år 2004 då utbyggnaden av Trelleborgsbanan aktivt diskuterades med de andra involverade parterna. Det beskrevs som ett gott samarbete med Vellinge kommun, Malmö Stad, Region Skåne och Banverket som alla varit positiva till investeringen då det dessutom diskuterades om att påskynda projektet (Trelleborgs kommun 2009). I Trelleborgs allehanda (2005) omnämns Trelleborgsbanan för första gången under mitten av januari då tidningen rapporterar om informationsmöte i Östra Grevie. Pia Transe-Pedersen, från Vellinges miljö- och stadsbyggnadskontor menade att:

”Den nya bebyggelsen på Tegelbruksområdet är relaterad till pågatågen. Det blir ett jättelyft för byn, för viljan att etablera handel och service här och även för huspriserna.”

4.3 Andra fasen: Förstudier

I Banverkets (2005) förstudie gällande Trelleborgsbanan presenteras en framtidsplan som inkluderar en omställning utav Trelleborgsbanan från endast godstågstrafik till att även inrymma regionaltågstrafik. Detta skulle då möjliggöra för en förbättrad, utökad och miljöanpassad förbindelse med Malmös Citytunnel samt Skånes övriga kollektivtrafiknät. I studien finns fem alternativ som varierar i omfattning, stationsläge och turtäthet vilket resulterade i reducerade restider på ca 6-15 min från Trelleborg, Östra Grevie och Västra Ingelstad, beroende på slutdestination i Malmö. Banverket ansåg att projektet låg i linje med deras övergripande transportpolitiska mål som är att “säkerställa en samhällsekonomiskt effektiv och långsiktigt hållbar transportförsörjning för medborgarna och näringslivet i hela landet”.

Vidare skulle Trelleborgsbanan framförallt gynna Banverkets arbete med att uppfylla de transportpolitiska delmålen som hade tagits fram. Två av de mål som, bland annat, lyfts fram är hur projektet främjar ett tillgängligt transportsystem samt en positiv regional utveckling. Då det skulle ges större möjlighet att nå Malmös norra delar samt färdmål på andra sidan Öresundsbron. Banverket menade att boende i Östra Grevie och Västra Ingelstad skulle dra störst fördel utav ett mer tillgängligt transportsystem eftersom restiden halveras och turtätheten ökade. Även Region Skåne (2009) tar fasta på att en fortsatt kollektivtrafikutveckling bör ske för att stimulera den förväntade tillväxten inom resandet med kollektivtrafik. Vidare ansågs även att järnvägsinvesteringar skulle vara av fortsatt hög prioritet, både gällande gods- och persontågstrafiken för att främja ett effektivt miljöanpassat kollektivtrafiknät.

I Avsiktsförklaring (2009) undertecknar Trelleborgs-, Vellinge- och Malmö kommun tillsammans med Region Skåne, Vägverket och Banverket ett avsiktsavtal där det understryks att Trelleborgsbanan är ett viktigt steg som bör tas för att göra Skånes kollektivtrafik mer attraktiv samtidigt som det medför mervärde för Malmös Citytunnel. Dessutom reduceras restiderna till och från Malmö, Lund och Köpenhamn kraftigt parallellt som bil pendlingen kan minskas.

I Region Skåne (2009) framgår det dock att projektet Trelleborgsbanan inte utelämnats i den nationella plan för transportsystem 2010-2021, som framtagits av Trafikverket. Enligt Kommunstyrelsen i Trelleborg (2009) var utvecklingen utav Trelleborgsbanan högt prioriterat av parterna och inte minst regionen, då kollektivtrafiken i den västra delen av Skåne möjliggör regionaltågstrafik i Trelleborg, vilket är en viktig satsning i Skåne. Detta ansåg Trelleborgs kommun vara oacceptabelt. Tågbanans utveckling ansågs vara en förutsättning för en fortsatt hållbar utveckling då transportsystemet i området måste utvecklas till ett ekonomiskt, ekologiskt och socialt transportsystem. Utvecklingen utav hållbara transportsystem sker genom satsning på infrastruktur, framförallt på järnvägstransport. I Underbilaga 1a till regeringsbeslut I (2010) framgår det att Trelleborgsbanan var ett projekt som skulle slutföras under Trafikverkets planperiod.

4.4 Tredje fasen: Finansiering

Utifrån Kommunstyrelsen i Trelleborg (2009) kan den tredje fasen definieras då det positiva samarbetet mellan alla inblandade parter resulterade i en färdig avsiktsförklaring med hänsyn till medfinansieringen. Medfinansieringen handlar om en beräknad summa om 490 mkr. Under juni 2010 besultade Kommunfullmäktige att fullborda avsiktsförklaringen gällande medfinansieringen utav kapacitetsförstärkningen av Trelleborgsbanan. Trelleborgs kommun planerades stå för en kostnad om 58 miljoner kronor och Vellinge kommun för 70 miljoner kronor. Region Skåne stod för 47 miljoner och Trafikverket för 275 miljoner (Trelleborgs kommun 2011). Trelleborg och Vellinge kommun skulle förskottera den statliga andelen utav finansieringen på 258 miljoner kronor för att investeringen skulle kunna tidigareläggas (Regeringsbeslut III 5, 2011).

I Sydsvenskan (2011b) rapporterades om beskedet att regeringen har godkänt förskotteringen av utbyggnaden av Trelleborgsbanan där pågatågen ska rulla. Den totala kostnaden för utbyggnaden beräknas till 490 miljoner kronor. De som står för hela finansieringen är Malmö Stad, Trelleborgs kommun, Vellinge kommun, Region Skåne och Skånetrafiken. Vidare i Sydsvenskan (2010b) redogörs det att pengar från medfinansieringen kommer att användas fram till 2013. 2014 och 2015 kommer pengar som kommunerna förskotterar att användas som sedan kommer att betalas tillbaka 2016-2017.

4.5 Fjärde fasen: Byggnation

I Sydsvenskan (2011a) framgår det att finansierings avtalet blev underskrivet och att arbetet kunde påbörjas. Målet var att första tågen skulle gå 2015. Arbetets första steg skulle börja i Västra Vemmerlöv där mötesspåren skulle förlängas med 150 meter. Tidsplanen kring etableringen av Trelleborgsbanan är gjord utifrån hur mycket planarbete som behövs för att göra eventuella förändringar. Därför började man i Västra Vemmerlöv där ingen formell planläggning behövdes. Östra Grevie däremot kom i slutet av tidsplanen eftersom både kommunen och Trafikverket behövde göra detaljplanering respektive järnvägsplan. Dessa processer tar mycket tid och har därför valts att utföras mot slutet av byggnadstiden.

I Sydsvenskan (2011c) beskrivs hela planerade arbetsprocessen. Det påbörjas i Västra Vemmerlöv där arbetet här ska pågå i ett halvår fram till påsken 2012, där man kommer bygga ut mötesstationen till Trelleborgs centralstation. Därefter kommer arbetet i Västra Ingelstad att påbörjas under hösten 2012 och väntas vara klart sommaren 2013. Befintligt mötesspår ska förlängas och plattformar byggs ut. I slutet av etableringen kommer Östra Grevie behandlas. Arbetet av en helt ny station påbörjas hösten 2013 och förväntas vara klart sommaren 2014. Sist kommer Trelleborgs centralstation behandlas från hösten 2014 fram tills att den står klar. En 260 meter lång perrong kommer byggas ut med två spår, en på vardera sida.

4.6 Femte fasen: Invigning

Den sista fasen identifieras som den tidpunkt då tåglinjen sätts i bruk. I Sydsvenskan (2015) rapporterades det om invigningen för Trelleborgsbanan under mitten av december 2015. Detta innebar en förkortad restid mellan Trelleborg C och Malmö C med ca en kvart jämfört med busslinjen och att resenärer i södra Skåne får en starkare integrering med Malmös Citytunnel. Etableringen utav Trelleborgsbanan var även en del av det långsiktiga mål att förstärka och utöka järnvägskapaciteten i Skåne.

4.7 Avslutande summering

Med hjälp av denna kontext ges en övergripande presentation av när de fem olika faserna äger rum. Därmed kan arbetet gå vidare med att göra utdrag ur transaktionsdatan för att sedan försöka identifiera när värdeförändringen sker och om den är positiv eller negativ.

Anledningen till att första fasen behandlar år 2003-2004, även om offentliggörandet och förstudierna tillkom samtidigt under 2005, beror på att det finns artiklar skrivna tidigare än 2005 i pappersformat vilka inte kan hittas digitalt publicerade. Sydsvenskans första digitala publicering angående projektet gjordes under 2010 men detta utsluter inte att tidningen inte har rapporterat om projektet tidigare i deras papperstidning. Den tidigaste publiceringen utav Trelleborgsbanan gjordes utav Trelleborgs allehanda i mitten av januari 2005, samma år som förstudien för pendeltåget publicerades, men artiklar har skrivits i pappersformat tidigare än så.

5. Empirisk studie av värdeförändring i tätorter

I detta kapitel kommer den insamlade transaktionsdatan att presenteras samt de empiriska resultaten av regressionsmodellerna.

5.1 Inledning

Denna empiriska studie har med avsikt att observera prisförändringen för småhus i Västra Ingelstad och Östra Grevie under åren 2003-2018. Prisutvecklingen kommer presenteras med både deskriptiv bivariat statistik i form av trendlinjer samt linjära multipla regressionsanalyser. Empirin kommer att följa pristrendens utveckling för småhusen i tätorterna för sig, men även kombinerat, följt av att det kommer att undersökas vilka attribut som har störst inverkan på bostadspriserna, samt undersöka ifall distansvariabeln är signifikant eller inte under de uppdelade tidsintervallen.

5.2 Deskriptiv statistik

Tabell 1. Utveckling utav medel- och medianvärden för transaktionspriser.

Före (2003-2004)

För perioden 2003-2004 gjordes det 39 transaktioner i Västra Ingelstad och Östra Grevie. Detta var under perioden då Trelleborgsbanan inte var verklighet. De 39 transaktionerna gav ett medelvärde på 1 597 000 kr och ett medianvärde på 1 650 000 kr i tätorterna vilket är låga värden jämfört med de andra två perioderna.

Under (2005-2014)

För den period som innefattar förarbete och etablering utav Trelleborgsbanan gjordes 193 transaktioner i Västra Ingelstad och Östra Grevie. Medelvärdet för transaktionspriset för

småhusfastigheter har stigit sedan förra perioden, och uppgick till ca 2 254 000 även medianvärdet för denna period var också högre än tidigare periods medianvärde.

Efter (2015-2018)

Perioden som beskrivs som “efter”-perioden omfattade 101 transaktioner utspridda i de två tätorterna och behandlar tiden då Trelleborgsbanan har satts i bruk och invigts i slutet av december 2015 fram tills datans slut i 2018. Under denna period går det att avläsa ett medelvärde på 2 762 311 kr och ett medianvärde som låg på 3 048 000 kr. De värdena som analyserats fram visar en markant ökning av både medelvärde och medianvärde jämfört med de två tidigare perioderna.

Den deskriptiva statistiken visar att prisutvecklingen för småhusfastigheter ständigt ökat i tätorterna sedan 2003. Mellan första och andra tidsperioden ökar medelvärdet för transaktionspriset med 31% och mellan den andra tidsperioden och den sista ökar priset med 19%. Vi kan därmed konstatera att pristrenden för transaktionspriserna var genomgående positiv mellan 2003-2018. Även antalet transaktioner har haft en positiv utveckling. Vad prisutvecklingen beror på är svårt att utläsa ur denna typ av statistisk presentation men detta kommer att belysas ytterligare i kapitel 5.5.

5.3 Pristrend, pris/kvm

Diagram 1. Värdeutveckling för pris per kvadratmeter.

Före (2003-2004)

Denna period behandlar transaktionerna under 2003-2004 och följer pristrenden gällande kvadratmeterpriset. Det gäller totalt 39 transaktioner. Resultatet presenteras i kvadratmeterprisets medelvärde för varje tätort för sig, samt totalt medelvärde kombinerat för båda tätorter tillsammans. Resultatet visar på en värdeökning för kvadratmeterpriset i både Östra Grevie och Västra Ingelstad som följer den positiva utvecklingen på totala medelvärdet för de båda tätorterna. Det som utmärker sig är att Östra Grevie följer trenden för det totala medelvärdet, medan Västra Ingelstads utveckling avviker stundtals från grafens utformning av det totala medelvärdet.

Under (2005-2014)

För denna period var utvecklingen mer volatil än den föregående perioden. Finanskrisens konsekvenser under 2008 syns med en tydlig nedgång för priserna under 2007. Västra Ingelstad upplever den starkaste nedgången samt en stagnation under 2008-2009. Även här kan man se att Östra Grevie följer det totala medelvärdet medan Västra Ingelstad ligger något

lägre under 2007-2011, dock återhämtar sig kvadratmeterpriserna något mer än genomsnittet och Östra Grevie under 2011-2015.

Efter (2015-2018)

Under sista perioden då Trelleborgsbanan är i bruk visar trenden på en positiv ökning under inledande år för båda tätorter och följer det totala medelvärdet för kvadratmeterpriset. Men efter 2016 får Östra Grevie en nedåtgående värdeutveckling som följer det totala medelvärdet, medan Västra Ingelstads medelvärde för kvadratmeterpriset har en fortsatt positiv utveckling. 2017 svänger det igen för Östra Grevie och följer en positiv utveckling liksom det totala medelvärdet.

Från att i början på tidsintervallet under år 2003, då kvadratmeterpriset var som lägst, har medelvärdet följt en generell positiv trend för värdeökning och har nått sitt högsta värde i slutet på tidsintervallet i den sista perioden. Men några påverkande faktorer har gjort att den positiva trenden har varit växlande och har främst påverkat värdena under mellersta perioden då bland annat finanskrisen ägde rum. Dessutom skedde en positiv avvikelse av Västra Ingelstad från Östra Grevie samt det totala medelvärdet, en avvikelse som kan vara en konsekvens av en ökad tillgänglighet till pendeltågstrafik.

5.4 Pris/kvm i relation till avståndsvariabel

Diagram 2. Korrelationsdiagram för period “Före”

Under perioden “Före” går det att utläsa ur Diagram 2 att korrelationen mellan kvadratmeterpriset och avståndet till närmsta tågstation har ett negativt förhållande i Västra Ingelstad, medan man har ett positivt förhållande i Östra Grevie. Eftersom pendeltågsstationerna i varken Västra Ingelstad eller Östra Grevie fanns under denna period går det inte att påstå att den negativa korrelation som uppstår i Västra Ingelstad är kopplad till tågstationens avstånd. Dels förklarar detta den stora spridningen bland transaktionerna, men även för att det är så få transaktioner, vilket gör att resultatet måste tolkas med viss försiktighet då det saknas ett perfekt samband.

Diagram 3. Korrelationsdiagram för perioden “Under”

Under detta intervall har antalet transaktioner ökat kraftig till följd av att tidsperioden innefattar fler år. Transaktionerna har även en tydligare koncentration kring avstånden 0-1000 m och visar på ett starkare samband jämfört med föregående diagram. Trendlinjen för genomsnittet pekar fortsatt på en negativ korrelation medan trenden för Västra Ingelstad och Östra Grevie har skiftat positivt. I Östra Grevie finns det ett par transaktioner som ligger längre bort från de framtida pågatågsstationernas placering och resterande transaktioner. Detta påverkar då den genomsnittliga linjens lutning och ger ett resultat som visar en negativ korrelation mellan kvadratmeterpriset och distansen till tågstationen. Dock saknas dessa typer av transaktioner för Västra Ingelstad då det endast innefattar transaktioner inom en kortare radie till den framtida tågstation. Detta i sin tur bidrar till en positiv korrelation vilket kan vara bakgrunden till ett mindre representativt resultat.

Diagram 4. Korrelationsdiagram för perioden “Efter”

I detta diagram vänder korrelationen för Västra Ingelstad och Östra Grevie igen och för denna period upplever Västra Ingelstad en negativ korrelation för kvadratmeterpriset i förhållande till avståndsvariabeln. Resultatet för Östra Grevie visar denna gång på en positiv korrelation mellan kvadratmeterpriset och avståndet vilket inte är representativt för den förväntade lutningen. Detta beror på de 15-tal transaktioner som ligger väldigt nära stationen i Östra Grevie, på prisintervallet mellan 5 000-10 000 kr/kvm, då de har ovanligt låga värden jämfört med de andra transaktionerna för att ligga så pass nära stationen. Hade dessa extremvärden uteslutits från datan skulle trendlinjerna för Östra Grevie och genomsnittet följa samma korrelationsförhållande som Västra Ingelstad upplever, vilket är ett mer representativt resultat och visas i Diagram 5 nedan.

Diagram 5. Korrelationsdiagram för perioden “Efter” med uteslutna extremvärden.

5.5 Regressionsanalys

Regressionsmodellerna är gjorda efter tre uppdelade tidsintervall som representerar de fem faserna som Yen et al. (2018) identifierar. Fas ett är under tidsintervallet “före” år 2003-2004, då det började spekuleras om stationen. Fas två, tre och fyra är sammansatta under tidsintervall “under” år 2005-2014, som innehåller allt från fallstudier, till finansiering och byggprocessen. Sista tidsintervallet “efter” sträcker sig mellan år 2015-2018 förklarar perioden då stationen stod klar och invigdes, samt några år efter att stationen sattes i bruk. Istället för att identifiera varje enskild fas för sig kommer dessa fem faser att samlas ihop till tre tidsintervall. Uppdelningen i tre tidsintervall var nödvändig på grund av de bristande antal transaktioner för småhus under den angivna perioden som behandlas i undersökta tätorter. För varje tidsintervall har två regressionsmodeller gjorts för att få fram värden utav utvalda variabler, en modell utan distansvariabeln samt en modell som inkluderar variabeln. Normalitetstest och multikollinearitet kommer bara kortfattat redovisas för varje regressionsmodell, för ytterligare information se Bilagor.

Ur databasen har därefter relevanta fastighets- och områdesanknutna attribut valts ut, de attribut som valdes var boarea, tomtarea, byggår samt distans till tågstation med hänvisning till Yen et. al (2018).

Normalitetstest kommer att göras för samtliga regressionsmodeller för att undersöka ifall transaktionsdatan är normalfördelad. Eftersom antalet observationer varierar mellan de olika tidsperioderna kommer två olika normalitetstest att appliceras. I de fall där antalet observationer är större än 50 kommer Kolmogorov-Smirnov-testet att köras, och i de fall där antalet observationer är lägre än 50 kommer Shapiro-Wilk-testet att användas. Tolkandet utav resultatet är dock detsamma, visar testerna signifikansvärden över 0,05 är materialet normalfördelat (Djurfeldt et al. 2010).

Även den inbördes korrelationen mellan de förklarande variablerna, dvs. multikollinerariteten, kommer granskas för att kontrollera så att variablerna inte är för högt korrelerade med varandra. Korrelationen kommer undersökas med hjälp av Pearson’s r och bör understiga 0,8 alternativt överstiga -0,8.

Före (2003-2004)

Tabell 2. Regressionsresultat för perioden 2003-2004. Signifikans på 95%-nivån uttrycks med *.

“Före”-perioden som visas ovan, mellan 2003-2004, består av 39 observationer som för perioden visar värden på 63,9 % i R2 för Modell 1 och 64% för Modell 2. Gällande justerat R2 visar Modell 1 värden på 60,7% och Modell 2 ett värde på 59,6%. De utvalda attributen

förklarar alltså bostadspriserna till ca 60%. Vad gäller distansvariabeln så är denna inte signifikant, vilket är förväntat då stationen inte fanns under detta tidsintervall. Därav hade tågstationen inte någon signifikant inverkan på bostadspriserna. T-värdena för resterande förklarande variabler byggår, boarea, och tomtarea i både Modell 1 och 2 ligger alla över 1,96 vilket betyder att variablerna är signifikanta på minst 95%-nivån.

För både Modell 1 och Modell 2 valdes normalitetstestet Shapiro-Wilk eftersom antalet observationer var mindre än 50. Detta resulterade i att båda modellerna hade normalfördelade residualer. Dessutom visade korrelationstestet Pearson’s r att ingen multikollinearitet fanns mellan de förklarande variablerna i varken Modell 1 eller Modell 2. Hänvisar till bilaga 1 för vidare information.

Under (2005-2014)

Tabell 3. Regressionsresultat för perioden 2005-2014. Signifikans på 95%-nivån uttrycks med *.

För “Under”-perioden som visas ovan, mellan 2005-2014, innehöll 178 observationer. Perioden visar på lite lägre R2 samt justerade R2 värden i båda modellerna gentemot före-perioden med värden på ungefär 58% i R2 för modell 1 och 53,4% för Modell 2. Gällande justerat R2 visar Modell 1 värden på 52% och Modell 2 ett värde på 52,4%. De utvalda attributen förklarar alltså bostadspriserna till ca 52%. Vad gäller distansvariabeln så är denna inte signifikant då banan fortfarande inte fanns under denna period, eller så var den under konstruktion i den senare delen av intervallet. T-värdena för resterande förklarande

variabler byggår, boarea, och tomtarea ligger alla på över 2 förutom variabeln byggår vilket betyder att de två resterande variablerna är signifikanta på minst 95%. Regressionskoefficienten för distansen i Modell 2 är -104 231 vilket säger att ju längre ifrån stationen man kommer, desto mer sjunker värdet för transaktionspriset.

Då antalet observationer var betydligt fler än i tidigare tidsperiod valdes istället Kolmogorov-Smirnov-testet som lämpar sig bättre som normalitetstest vid fler observationer än 50. Testet visade på normalfördelade residualer i båda regressionsmodellerna. Vidare pekade korrelationstestet på att ingen multikollinearitet fanns bland observationerna. Hänvisar till bilaga 2 för ytterligare information.

Efter (2015-2018)

Tabell 4. Regressionsresultat för perioden 2015-2018. Signifikans på 95%-nivån uttrycks med *.

För efter-perioden som visas ovan, mellan 2015-2018, innehöll 88 observationer. Perioden visade på lägre R2 samt justerade R2 värden i båda modellerna gentemot de två tidigare perioderna med värden på 45,4% i R2 för Modell 1 och 46,8% för Modell 2. Gällande justerat R2 visar Modell 1 värden på 43,5% och Modell 2 ett värde på 44,2%. De utvalda attributen förklarar alltså bostadspriserna till ca 44%. Vad gäller distansvariabeln så är denna inte signifikant. T- värdena för resterande förklarande variabler byggår, boarea, och tomtarea ligger alla på över 2 förutom variabeln Byggår vilket betyder att resterande två variablerna är signifikanta på minst 95%. Regressionskoefficienten för distansen i Modell 2 är -62 074

vilket, liksom tidigare, säger att ju längre ifrån stationen man kommer, desto mer sjunker värdet. Dock är regressionskoefficienten för avståndsvariabeln nu lägre jämfört med den förra perioden, se tabell 3.

Antalet observationer för denna periodens två regressionsmodeller var högre än 50 och därmed valdes Kolmogorov-Smirnov-testet. Testet visade på icke-normalfördelade residualer vilket leder till att resultaten från dessa regressionsmodeller måste tolkas med försiktighet. Modellerna visade i övrigt inte ha några problem med för högt korrelerade variabler. Hänvisar till bilaga 3 för ytterligare information.

6. Analys och diskussion

Härnäst kommer den empiriska datan att analyseras i form av att först identifiera värdeförändringens karaktär, följt av att utläsa vilka attribut som ligger till grund för den största inverkan på värdeförändringen. Därefter analyseras de fem faserna mer djupgående för att försöka utläsa vilken av de fem som utmärker en värdeförändring tydligast. Avslutningsvis förklaras bakgrunden till ett områdes värdeförändring och den utökade attraktiviteten som uppstår.

Värdeförändring

Efter att ha kört alla statistiska analyser och tester samt granskat det empiriska materialet, får man en tydlig överblick på att det skett en värdeförändring på bostäderna i de undersökta tätorterna Västra Ingelstad och Östra Grevie under det utvalda tidsintervall. För att först och främst identifiera ifall det skett en värdeförändring eller inte användes deskriptiv statistik i form av medelvärde, medianvärde samt trendlinjer. Samtliga resultat från den deskriptiva statistiken pekar på att det skett en positiv värdeförändring i tätorterna. Resultatet för medelvärdena av transaktionspriserna visar en oavbruten ökning mellan de tre tidsperioderna i takt med Trelleborgsbanans utveckling. Mellan den första och andra tidsperioden steg transaktionspriserna med ca 30% för att sedan stiga med 19% till den tredje tidsperioden. Även medianvärdet för transaktionspriset har tillika medelvärdet även stigit, mellan den första och andra tidsperioden steg värdet med 25% och mellan den andra och sista perioden steg värdet med 29%. Detta är i linje med vad Dubé et al. 2013 konstaterade som resulterade i en medianökning för fastighetspriserna med 11%. Även Brandt et al. 2011 når slutsatsen att en bostad i närheten av en tågstation upplevde en positiv värdeförändring som uppgick till 4,6%. Den positiva värdeförändringen överensstämmer även i trendlinjerna för pris per kvadratmeter (se Diagram 1) där värdet har ökat under hela tidsintervallet. Från att ha legat på det lägsta genomsnittliga värdet på 16 100 kr/kvm år 2003, till att ha nått sitt högsta genomsnittliga högsta värde under 2018 på ca 26 600 kr/kvm, har värdeförändringen procentuellt stigit med 36,2% i takt med Trelleborgsbanans utveckling. Mohammad et al. (2017) finner också ett positivt samband mellan värdeförändringen på fastigheter och avstånd till tågstation, där den högsta värdeförändringen uppgick till 8%.