Hur förändrades bostadspriserna i Marieholm
efter en utökad transportmöjlighet?
How did house prices change in Marieholm
after an increased transport opportunity?
Emin Karaman, Kujtim Matarova och Ola Nilsson
Fastighetsvetenskap FF321F Kandidatnivå: 15 hp
VT 2020
Sammanfattning
En ökad transportkommunikation i form av tågstation har visat sig vara en prispåverkande faktor vid bostads- och fastighetsvärdering runt om i hela världen. Denna uppsats syfte är att undersöka hur tillförseln av tågstationen i Marieholm påverkat bostadspriserna. Studien har avgränsats till byn Marieholm som är lokaliserad i utkanten av Eslövs kommun.
Mer detaljerat syftar studien till att undersöka hur prisutvecklingen i två olika geografiska områden inom byn påverkats av den ökade transportmöjligheter. Studien är gjord genom analys av kvantitativ data där olika förklarande variabler behandlats genom en hedonisk prismodell. Teorin är baserad på Bid-rent teorin, agglomerationsfördelar samt betalningsvilja. Teorin har kompletterats av olika vetenskapliga studier som tidigare gjorts inom området och sammanfattats i tidigare forskning.
I studiens resultat redogörs för en signifikant prisökning efter tillförseln av tågstation inom de båda geografiska områdena. Resultatet visade däremot på en högre ökning av bostadspriserna i den yttre ringen i jämförelse med den inre ringen i Marieholm. Slutsatsen förtydligar att tågstationens tillförseln har inneburit en generell positivt prisutveckling i Marieholm som inte endast beror på tillkomsten av en ny tågstation utan flera olika faktorer.
Nyckelord
Bid-rent, Hedoniska prismodellen, Fastigheter, Regressionsmodell, Agglomerationsfördelar, Tågstation.
Abstract
Increased transport communication in the form of a train station has proven to be a
price-influencing factor in housing and property valuation around the world. The purpose of this paper is to investigate how the supply of the train station in Marieholm has affected housing prices. The study has been limited to the village of Marieholm, which is located on the outskirts of Eslöv municipality.
In more detail, the study aims to investigate how price developments in two different geographical areas within the village were affected by the increased transport opportunities. The study was made by analyzing quantitative data where various explanatory variables were processed by a hedonic price model. The theory is based on Bid-rent theory, agglomeration advantages and willingness to pay. The theory has been supplemented by various scientific studies that have previously been done in the field and summarized in previous research.
The results of the study report a significant price increase after the supply of train stations in the two geographical areas. The conclusion clarifies that the train station's supply has meant a generally positive price development in Marieholm which is not only due to the creation of a new train station but several different factors.
Keywords
Bid-rent, Hedonic price model, Real estate, Regression model, Agglomeration, Train Station.
Innehållsförteckning
2. Bakgrund och problemdiskussion 5
3. Syfte och frågeställning 6
4. Avgränsning 6 5. Disposition 6 6. Marieholm 7 7. Teoretiska ramverk 8 7.1 Agglomerationsfördelar 8 7.2 Bid-rent 11 7.4 Hedonisk prismodell 12 8. Tidigare forskning 13 9. Metod 19 9.1 Metodval 19 9.2 Urval 19 9.3 Regressionsanalys 22 9.4 Metoddiskussion 24 9.5 Difference in difference 25 10. Hypotes 25 11. Resultat 26 12. Analys 28 12. Slutsats 34 12.1 Sammanfattning 34
12.2 Förslag till framtida forskning 35
Litteraturförteckning 36
Tryckta källor 36
Elektroniska källor 39
1. Inledning
Att läge är avgörande är något vi fått höra under våra tre år på Malmö universitet men även under praktiken ute på mäklarkontoren runt om i Skåne. Priset på en bostad sätts utifrån
prispåverkande faktorer. Att exempelvis ha närhet till en matbutik, arbetsplatser eller en tågstation är värdehöjande prisfaktorer. Men hur mycket påverkan har egentligen en sådan faktor i det slutgiltiga bostadspriset? Bostadsköp är en väldigt stor, om inte den största affären för människor. För en hel del människor kan det då vara obegripligt hur prisskillnaderna kan vara så stor på liknande bostäder med olika geografisk placering. I vår studie vill vi bidra med kunskap för att människor ska får större förståelse över prispåverkande faktorer. Vad en utökad transportmöjlighet i form av en tågstation innebär för bostäder och samhället i byn Marieholm vill vi även i denna studie undersöka.
I “The impact of regional commuter trains on property values: Price segments and income” (Bohman, H. Nilsson, D, 2016) beskrivs hur de externa effekterna av en tågstation påverkar ett bostadsområdes värde på fastigheterna. Genom att en tågstation byggs i ett område skapas mängder av både positiva och negativa externa effekter. Vi vill undersöka vilken effekt bostadspriserna fått i Marieholm efter invigningen av den nya tågstationen.
Bid-rent teorin förklarar betalningsviljan på fastigheter utifrån närheten till Central business district (CBD) i en stad. En bostad som rent geografiskt ligger närmare stadskärnan eller en transportled har visat sig ge ett ökat värde då betalningsviljan generellt stiger hos människor (O’Sullivan, 2012). Vi kommer i vår studie dela upp byn Marieholm i två olika zoner för att analysera bostadsprisernas utveckling i den centrala zonen i jämförelse med den yttre zonen.
Det finns även en stor problematik i vilken värderingsmetod som ska användas och när den ska användas. Ofta kan det vara bra att använda sig av flertalet metoder för att få ett specifikt värde på den enskilda bostaden eller fastigheten. För att få det behöver man ta med ett flertal olika faktorer som skapar mervärde på en fastighet. De här faktorerna går att omvandla till siffror med hjälp av modeller och formler där korrelationen mellan attribut kan skattas gentemot värdet på fastigheten.
2. Bakgrund och problemdiskussion
Prispåverkande faktorer har för oss varit relevanta då vi studerar till fastighetsmäklare. Att ett geografiska läget är vad som väger tyngst har vi fått lära oss tidigt. Likaså att priset sätts
utifrån samtliga prispåverkande faktorer. De olika prispåverkande faktorer delas in i tre kategorier. Direkta fastighetsanknutna faktorer, omvärldsanknutna faktorer och marknadsanknutna faktorer, (Persson, 1980). Den förstnämnda kategorin, direkta fastighetsanknutna faktorer inkluderar geografiskt läge samt omgivningen. Tågstationen i Marieholm faller in i ramen för både omgivning och geografiskt läge. En prispåverkande faktor som kan ha både fördelar och nackdelar.
Marieholm är en liten by utanför staden Eslöv i mellanskåne. Marieholm fångade vårt intresse då tidigare forskning inte gjorts inom det här geografiska område. Den gamla tågstationen invigdes på nytt under år 2016 efter flera decennier av endast förbifarande tåg genom den lilla byn (Loftrup-Ericson, I, 2017). Vi blev nyfikna på om bostadspriserna påverkas och således hur mycket de påverkats sedan tågstationen invigdes.
I vår undersökning inom det utvalda ämnet har vi funnit tidigare studier som berör de prispåverkande faktorerna av en fastighet eller ett område. Flera av studierna berörde tågstationer som invigts i städer och förklarar hur de här tågstationer har påverkat priser på bostäder runt tågstationen (Bohman, H. Nilsson, D, 2016). Historiskt sett har tågstationen haft en stor betydelse för Marieholm men området är trots det helt outforskat. Tack vare tidigare forskning samt faktumet att tågstationen betytt mycket för Marieholm väcktes vårt intresse av denna studie.
3. Syfte och frågeställning
Syftet med denna studie är att undersöka hur bostadspriserna förändras utifrån en utökad pendlingsmöjlighet i ett område. Genom studien vill vi skapa och bidra till ökad kunskap om betydelsen av pendeltågsstationer i jämförelse med bostadsprisernas utveckling i samhället.
Frågeställningen i vår studie är: Hur har bostadspriserna i Marieholm påverkats efter invigningen av den nya pendeltågsstationen i byn.
4. Avgränsning
I vår studie väljer vi att avgränsa oss geografiskt till byn Marieholm, som ligger i utkanten av Eslövs kommun. Vi kommer endast utföra undersökningen och basera studien på fastigheter i Marieholm. För att få ett mer specifikt urval på den statiska datan fokuserar vi på en transaktionsperiod av fastigheter i Marieholm på sju år. Från år 2013-04-09 till 2020-04-09. Anledningen till tidsintervallen är för att kunna analysera en period innan tågstation var i bruk samt en period efter stationens tillkomst. Vi tror att denna intervall kommer ge oss det mest signifikanta resultat av tågstationens påverkan på bostadspriserna.
5. Disposition
I studien kommer det att beskrivas hur Marieholm geografiskt ser ut, vilken påverkan tågstationen har rent teorimässigt samt hur tidigare studier underbygger studiens frågeställning och analys. Analysen följs av en regression där vi använder de variabler som erhållits av data från vårt urval. Underlaget från regressionen samt teoretiska modeller kommer användas för att slutligen analysera hur bostadspriserna utöver de fysiska attributen utvecklats efter att tågstationen invigdes i Marieholm.
6. Marieholm
“Tågen fick lilla Marieholm att leva upp” eller “Sedan Marieholm fick sin tågstation har fler flyttat dit och Eslövs kommun har planer på att bygga ut byn” är några av de rubriker från SVT då tågstationen i Marieholm invigdes år 2016 (Loftrup-Ericson, 2017).
Bild 1: Byn Marieholms geografiska placering (Google Maps)
Byn Marieholm är en tätort belägen i västra Skåne, ungefär 1 mil väster om centralorten Eslöv. Marieholm är en mindre tätort med en befolkning på strax över 1600 (“Landareal per tätort, folkmängd och invånare per kvadratmeter”, Statistiska centralbyrån, 2020). Kommunen man tillhör är Eslöv Kommun som inklusive Marieholms befolkning sammanlagt har cirka 34.000 invånare (Statistiska centralbyrån, 2020).
Samhället i Marieholm började växa när järnvägen mellan Eslöv och Landskrona invigdes år 1865 (Marieholms Byaförening, 2019). Järnvägen fick flera stopp längs rälsen, varav en av de blev stationen i Marieholm. Stationen har betytt mycket för Marieholm, då man enklare kunde ta sig in och ut från tätorten vilket gjorde att antalet invånare sakta ökade. Den ökade transportmöjligheter skapade även stora möjligheter för ett blomstrande industrisamhälle i Marieholm (Marieholms Byaförening, 2019). I den lilla byn fanns då ett stort utbud av handel där man kunde finna allt man behövde för att klara av vardagen.
Järnvägsstationen som lät Marieholm växa fram under en längre tid revs dock ned i februari år 1984. Men i december 2016, hela 32 år senare invigdes tågstationen i Marieholm på nytt (Loftrup-Ericson, 2017). Idag går det endast Pågatåg genom tågstationen med god kommunikation till Eslöv vidare mot Lund och Malmö. Tågets andra riktning är mot Teckomatorp, Landskrona och Helsingborg. Pendlingstiden till Lund Central med pågatåget är 16 minuter, Malmö Central 32 minuter och till Helsingborg 34 minuter. Pågatågen går direkt från Marieholms station till Lund Central, Malmö Central eller Helsingborgs Central utan att pendlare behöver byta tåg (Skånetrafiken).
Innan invigningen av tågstationen gick det endast buss genom Marieholm med linjen Eslöv-Teckomatorp. Man var då som invånare i Marieholm tvungen att byta från buss till tåg i Eslöv för att ta sig till Lund, Malmö eller Helsingborg.
7. Teoretiska ramverk
7.1 Agglomerationsfördelar
Agglomerationsekonomier handlar om vad det är som gör att produktiviteten hos arbetsgivare och arbetstagare ökar när tätheten ökar. Agglomeration är ett omfång av de ekonomiska krafter som finns och som får företag att aktivt välja placera sig i närheten av varandra och skapa kluster. När det finns ömsesidiga fördelar att placera sig i närheten av varandra föreligger agglomerationsfördelar (O’Sullivan, 2012).
Det finns olika typer av och de olika går att särskilja. Två av agglomerationsekonomierna är lokaliseringsekonomier och urbaniseringsekonomier. Lokaliseringsekonomier är något som uppstår när företag som är verksamma inom samma bransch strategiskt väljer att lokalisera sig i närheten av varandra. Genom att lokalisera sig på samma geografiska plats som konkurrenter formar man kluster. Det här gör att denna lokaliseringen även för andra företag nu blir attraktiv och leder till att man vill vistas i det geografiska område. Men det är inte bara den attraktiva lokaliseringen som lockar företagen. Företagen ser fördelen av att de tillsammans kommer kunna locka kunderna till platsen (O’Sullivan, 2012). Det finns även
andra fördelar för företagen att agera på det här viset. Lärandet och kunskaps spridningen är effektivare mellan företagen när man är belägen i närheten av varandra rent geografiskt.
Hur och var företag väljer att lokalisera sig påverkas av vilken sorts verksamhet som ska bedrivas, främst enligt inriktning som företaget har. Företagen brukar kategoriseras enligt marknads eller resursorienterat. Det finns ingen vinning för ett resursorienterat företag att vara belägen nära marknaden och kunderna när de är beroende av en resurs som finns på annan plats. Fördelaktigt för de resursorienterade företag är då istället att vara nära sin insatsvara för störst möjlig vinning. Medan det marknadsorienterade företaget bör vara nära kunden för störst vinning (O’Sullivan, 2012).
Duranton och Puga (2004) talar om framförallt tre anledningar till att företag vill placera sig i närhet av varandra. Fördelarna är även något vi människor tar nytta av när vi väljer hur vi bosätta oss i förhållande till jobb, studier och andra aktiviteter. De olika fördelarna är - Delning - Matchning - Lärande.
Delning
Delning var ett mycket viktigt moment i det tidiga stadiet av uppkomsten av städer. Framförallt delningen av de kollektiva nyttigheterna. Genom delning ges det möjlighet till stadens invånare att dela på fasta kostnader som är höga och oundvikliga. Exempelvis delningen av ett gemensamt försvar, eller tågstation. Det här är kostnader som hade varit alldeles för höga för en enstaka person att bekosta samt ta hand om. Genom att minska kostnaderna och vara belägen i närheten av insatsvaror eller nära arbetskraften kan man öka vinsten.
Matchning
Arbetsgivarens matchning underlättas oerhört mycket när man har ett stort utbud av individer man kan välja mellan. Man kan enkelt matcha företagens behov med arbetskraften som individerna erbjuder med sin kunskap. Möjligheten till en bra matchning inom ett geografiskt koncentrerat område ökar i samband med att fler företag ansluter till kluster samtidigt som
utbudet av befolkningen ökar. När tätheten av arbetstagare och arbetsgivare ökar resulterar det i att kvaliteten på varje matchning i agglomerationen ökar, vilket i sin tur resulterar i att produktiviteten ökar. Det är något som innebär att en bättre matchningen leder till både arbetsgivare och arbetstagare får mer ut av varandra.
Genom en förbättrad chans för matchning minskar risken för inlåsning. Risken för inlåsning är högre i mindre städer och byar än vad den är i storstäder eftersom transportkommunikationen är sämre mellan småorterna. Tillförseln av en tågstation i Marieholm kan ge bättre förutsättningar för matchning samt minskar risk för inlåsning. Tågkommunikation mellan Malmö, Lund och Helsingborg gör att befolkningen i Marieholm på helt annat sätt kan söka sig till nya jobb och möjlighet till bättre matchning. Det här kan även leda till att fler människor kan tänka sig bosätta sig i Marieholm. Den negativa inlåsning innebär att en person har färdigheter, utbildning och kunskap för att utföra ett annat arbete än det individen är sysselsatt med i nuet. Något som kan innebär att en högutbildad individ med hög potential väljer att flytta från landsbygden och in till stan för bättre förutsättningar när det gäller matchning samt inkomst. Ökad matchning i landsbygden kan endast förbättras när det erbjuds fler jobb som resulterar i fler matchningar. Det här kan göras genom att företagen söker sig ut till landsbygden och skapar kluster där, eller att landsbygden sammankopplas till städerna med fungerande kollektivtrafik. Därav strävar både företag och individer efter en så effektiv matchning som möjligt.
Lärande
Lärandet kategoriseras in i tre olika mekanismer. De olika mekanismerna är kunskapsskapande, spridning, och ackumulation (Duranton och Puga, 2004). Lärandet sker vid sociala interaktioner mellan människor av social natur i medvetna samt omedvetna interaktioner. Inom företag sker det här även när arbetstagare byter jobb inom samma bransch. Individen har då har med sig ny information som hen delar med sig av till sina nya kollegor, vilket resulterar i att även de blir kunnigare. För att denna typ av lärande ska kunna ske krävs det en lokala arbetsgivare som ger möjlighet för individerna att cirkulera. Potential till lärande ökar desto större klustret och täthet som skapas inom ett geografiskt område. När interaktioner ökar lärandet ökar i sin tur produktivitet.
Agglomerationsfördelar har stor påverkan på hur företag och individer agerar samt andra yttre faktorer. En ökad transportled resulterar i stärkta agglomerationsfördelar eftersom det bidrar till ökad matchning och ökad lärande. Resultatet av det blir att lokationen blir mer efterfrågad och bostadspriserna ökar.
7.2 Bid-rent
Bid-rent teorin grundades först av William Alonso år 1960, framställningen som gjorts nedan är i enlighet med O’Sullivan från år 2012.
Bid-rent teorin beskriver en persons eller ett företags betalningsviljan för en fastighet utifrån olika faktorer som bland annat alternativkostnaden, externaliteter samt tillgången till kollektiva varor som inom vår studie blir extra intressant att granska.
Bid-rent teorin förklarar avståndet till CBD, Central business district vilket är en avgörande roll för betalningsviljan. CBD förklarar hur betalningsvilja förändras utifrån avståndet till centrum eller transportleder likt transporthubbar som tågstationer (O’Sullivan, 2012). Ett längre avstånd från CBD gör att betalningsvilja blir lägre då transportkostnaderna ofta ökar, något som främst påverkar bostadspriserna i ett område.
Markanvändningen i städer bestäms enligt Bid-rent teorin utifrån betalningsviljan för marken. Teorin menar att personer och företag inom kontorssektorn de som är villiga att betala mest och därmed högst betalningsvilja för att vara placerade i en stads stadskärna och därför lokaliserar sig till stadens centrala delar (O’Sullivan, 2012).
Marknaden strävar hela tiden efter att nå jämvikt mellan transport och marknadspris utifrån utbud och efterfrågan i ett område (O’Sullivan, 2012). Det här gör att bostadspriserna i teorin blir lika oavsett vart man väljer att bosätta sig. Bostadspriserna tenderar dock att bli högre när man närmar sig centrum eller en transportled, vilket beror på att efterfråga oftast är högre ju närmare CDB man kommer i ett område. Resultatet är något som kan förklaras genom
bid-rent kurvan, en exponentiellt fallande kurva då avståndet ökar från CDB (O’Sullivan, 2012).
I Marieholm måste tågstationen anses vara CBD rent geografiskt. Avståndet till tågstationen i Marieholm bör enligt teorin vara knuten till hur betalningsviljan förändras i byn. Enligt bid-rent teorin är därför betalningsviljan som högst intill tågstationen och faller sedan ju längre ifrån tågstationen man bosätter sig geografiskt.
Bid-rent teorin tar upp vikten av transportleder som motorvägar och tågstationer. Transportlederna är attraktiva områden där företag och privatpersoner vill placera sig för att skapa geografiska fördelar genom en ökad tillgänglighet. Privatpersoner har en högre benägenhet och väljer ofta att placera sig rent geografiskt nära CDB samt transportleder likt tågstationer för att öka tillgängligheten av kollektivtrafik till och från arbetet, då människor söker smidighet och tidseffektivitet vid pendling (O’Sullivan, 2012).
7.4 Hedonisk prismodell
Den hedoniska prismodellen används frekvent för att skatta prisutvecklingen på bostadsmarknaden med hjälp av historisk prisinformation och tidigare data. De teoretiska grunderna för modellen är baserade på arbeten gjorda av Rosen (1974).
Den hedoniska regressionsmodellen är baserad på den värdemodellen där fastighetens pris är en funktion av fastighetens egenskaper. Regressionen kontrollerar skillnaden mellan fastighetens egenskaper genom att sätta värden på fastigheterna skillnader vad gäller till exempel boarea, biarea och byggår. Av datan skattar man sedan implicita (hedoniska) priser på fastigheterna egenskaper. Modellen tar hänsyn till att bostäder är heterogena varor på fastighetsmarknaden, då ingen är den andra lik (Rosen, 1974).
I den hedoniska regressionsmodellen använder man sig av en ekvation för att skatta prisutvecklingen. För att möjliggöra en skattning i Marieholm använder man sig av en ekvationen utifrån olika egenskaper knutna till fastigheten, områden och ett specifikt
tidsperspektiv. Faktorerna som tas med i ekvationen kan även förklaras som värdepåverkande faktorer (Osland, 2013). Genom den hedoniska regressionen vill man för exempel mäta hur tågstation i Marieholm påverkat bostadspriserna i olika områden inom och utanför byns centrum.
8. Tidigare forskning
Pendlingsmöjligheterna i Sverige har historiskt sett ökat kraftigt, främst på grund av modernare transportmedel som idag är både smidigare och snabbare än förut. I studien “Vill människor pendla längre?” Sandow & Westin (2006) förklaras att den genomsnittliga restiden för människor i Sverige mellan åldrarna 20-64 var år 2001 drygt 24 minuter. Värdena i studien avser effektiv restid, där vänte- och bytestider under pendlingen inte inkuderats. Statistik visar dock på att den sammanlagda tiden som läggs på pendling under en dag var kring 70 minuter (SIKA Statistik 2007:19).
De utökade pendlingmöjligheterna har lett till förändringar i restiden, något som på längre sikt har förändrat den geografiska placeringen av arbetsplatser och bostäder. I jämförelse med lokaliseringsmönster inom samhället har pendling- och restidsmönster förändrats i en högre takt. Restiden mellan kommuner har minskat medan expansionen av arbetsmarknaden har ökat (Johansson et al, 2002). Den ökade pendlingen har i Sverige skett parallellt med att människor inte är lika benägna att flytta, främst längre sträckor rent geografisk. Resetidtoleransen hos människor i Sverige har utifrån det en icke-linjär påverkan på pendlarnas beteende (Johansson et al, 2003). I stockholm gjordes en undersökning om planering samt utvärdering av förändringar i transportsystemets geografiska transaktionskostnader. Undersökningen analyserade de generella sambandet som skapas mellan antalet resande och restider i minuter (NUTEK R 2001:5).
De intressanta intervallerna som utmärkts i pendlingskurvan var intervallen mellan tidpunkterna 10-15 minuter och 50-60 minuters restid. Mellan denna intervall visade restiden en påtaglig effekt på antalet resenärer. Enligt studien ökade antalet resenärer som mest då
restiden minskade i intervallet mellan 20-40 minuter (NUTEK R 2001:5). Studien utgjorde dock endast arbetsresa med bil och inte kollektiv pendling, vilket gör att vi inte kan jämföra resultatet med vår undersökning i samma utsträckning. Det intressanta med studien av Johansson (2003) var att man upptäckte en stor procentuell ökning av pendlare vid minskandet av restiden. Under tidsintervallet från 40 minuter till 36 minuter finner man den största ökning av pendelflödet, en ökning av resvolymen på hela 27 procent.
Utredningen av Damsgaard & Ingo (2007) visar på ett liknande resultat som i studien av Johansson (2003), där en minskning i tidsintervallet mellan 20-40 minuter var den mest effektiva vid en ökning av resvolymen kring människors pendling. Det är under denna intervall det finns en hög procentuell ökning av resvolymen i en parallell jämförelse vid minskning av restiden. I Skåne har vi en väl uppbyggd och utvecklad infrastruktur, något som i en utredning kring öresundsregionen visar på en ökad tillgänglighet på arbetsmarknaden (Damsgaard & Ingo, 2007). I studien lades stor vikt på restidens påverkan på arbetsmarknaden, vilket i sin tur påverkade bostadsmarknaden. En viktig konkurrenskraft på arbetsmarknaden är tillgängligheten till infrastrukturen i form av kommunikation till och från bostaden. Utredningen visade på ett liknande resultat som även Johansson (2003) kom fram till i sin studie, nämligen att Öresundsregionens konkurrenskraft beror mycket på hur många arbetsgivare som en arbetstagare kan nå inom 45 minuter restid rent geografiskt (Damsgaard & Ingo, 2007).
Idag går de främsta transportsträckorna från stationen i Marieholms till Lund, Malmö och Helsingborg. Anledningen till transportsträckorna är många men de främsta måste anses vara utbudet av arbetsmöjligheter, utbildning samt nöje. Avståndet från stationen i Marieholm till Lund Central med bil är 24 km och tar 24 minuter att köra med bil (Google Maps), med pågatåg tar det dock endast 16 minuter (Skånetrafiken). Man sparar hela 7 minuter på att åka kollektivt till Lund. Avståndet till Malmö Central med bil är 39 km och tar 35 minuter, i jämförelse med pågatåget som tar 32 minuter. Transporttiden med tåg blir 3 min effektivare till Malmö. Från tågstationen i Marieholm till Helsingborg Central är det hela 46 km bilfärd och tar 37 minuter, med pågatåget tar det endast 34 minuter. Pendling med tåg till Lund, Malmö och Helsingborg gör det rent tidsmässigt smidigare och effektivare än pendling med bil. Vid alla tre pendlingsresor har pendling med tåg visat sig vara mer tidseffektivt.
Pendlingstoleransen som förklarats enligt både Damsgaard & Ingo (2007) och Johansson (2003) gör att Marieholm idag med kommunikationen till Lund, Malmö och Helsingborg blir ett attraktivt bostadsområde för människor med behov av smidig och snabb pendlingsmöjlighet. I jämförelse med studien om pendlingskurvan av Johansson (2003) kan Marieholms pendlingskommunikation med restiden till Lund, Malmö och Helsingborg räknas i den effektiva intervallen där antalet pendlare ökas som mest då restiden blir kortare. Den tidigare forskningen är något som talar för att människor är mer benägna att flytta till Marieholm än förut.
Genom att vara placerad nära sina konkurrenter kan man ta del av rätt sorts arbetskraft men även ta del av varandras kunskap. Kontor- och industrisektorn har av denna anledningen en hög betalningsvilja att placera sig bredvid liknande företag inom samma bransch. Möjligheten att åstadkomma det på bästa sätt är att placera sig i ett område likt ett kluster. Det här utgör också en del i agglomerationsfördelar (O’Sullivan, 2012). Företagskluster har tidigare inte varit lika lättåtkomliga för invånarna i Marieholm som de är nu när transportleden ökat.
Numera ser kontorsmarknaden inte ut som det traditionella beteendemönstert, där man genom att maximera sin vinst utgår från ett rationellt agerande (Leishman och Watkins, 2004). Den digitala utvecklingen har idag fått en större betydelse i kombination av en utvecklad flexibilitet inom arbetsmetoderna under de senaste decennierna. En mix av denna utvecklingen har idag lett till att företag inte längre är beroende av varandras geografiska placering lika mycket som man varit förut i områden med kluster. Kontorsektorn har idag ett minskat behov av den fysiska närheten till andra aktörer inom samma bransch samt närheten till stadskärnan (Sivitanidou, 1997). Det här är något som resulterar i spridda marknadsplatser där den geografiska placering inte är lika viktig idag som förut. Utvecklingen på kontorsmarknaden är något som talar för att människor som varit bosatta i storstäder som Malmö eller Lund nu väljer att söka sig till mindre orter likt Marieholm med goda kollektiva transportmöjligheter.
I många delar av världen har kontorsföretag flyttat sina verksamhet från stadskärnan till distrik nära tågstationer. Den enkla anledningen är att öka möjligheterna för företaget att nå ut till fler potentiella kunder samtidigt som man underlättar transportkommunikationen för sina anställda mellan hemmet, jobbet och andra möten (Becherich och Benoit-Bazin, 2017). Med den utökade transportmöjligheten i Marieholm kan nu människor som är bosatta i byn smidigare och effektivare pendla till företag som har placerat sig nära tågstationer i större städer likt Lund, Malmö och Helsingborg.
Graham (2007) är inne på samma spår när det gäller agglomerationsfördelar rent ekonomiskt för tjänsteföretags placering inom kontorssektorn. Den positiva utvecklingen inom infrastrukturen inom många länder har bidragit till en smidigare kollektivtrafik med minskade transporttider. Utvecklingen på agglomerationsekonomier har i sin tur bidragit till stadstillväxten i både byar och städer med goda förutsättningar rent transportmässigt.
De flesta städer är uppbyggda i urbana miljöer med mixade zoner där både bostäder och företagsverksamhet existerar tillsammans. Människor blir villiga att betala mer för sina bostäder när det pendlar till en arbetsplats där de tjänar mer, vilket förändrar ett bostadsområdes förutsättningar dramatiskt (Kantor, Rietveld, och van Ommeren, 2014). Då människorna tjänar bättre har man även bättre finansiella möjligheter rent ekonomiskt, något som påverkar människors levnadsstandard. Det förändrade marknadsvärdet skapar då en förflyttning av områdets gränser och leder till en urbanisering. Tillförseln av en tågstation likt i byn Marieholm kan troligtvis leda till en positiv prisutveckling på bostadsmarknaden. Människor som inte tidigare varit bosatta i byn ser nu nya möjligheter i Marieholm, ett alternativ rent bostadsmässigt.
En ökad kollektivtrafik kan enligt Chatman och Noland (2011) förbättra effektiviteten i ett område. När infrastrukturen i landet utvecklas skapas en ökad kollektivtrafik i städer och byar vilket leder till agglomerationsfördelar. Dock finns det en viss osäkerhet kring om och när en tågstation är med och bidrar till agglomerationsfördelar. Chatman och Noland (2011) menar att resultatet av en ökad kollektivtrafik är beroende av den lokala kontexten och inte endast framsteg inom kollektivtrafiken.
I studien “The impact of regional commuter trains on property values: Price segments and income” Bohman & Nilsson (2016) som vi tidigare nämnt beskrivs de externa effekterna av en tågstation, samt påverkan av ett bostadsområde och dess värde på fastigheterna. Positiv externalitet av den utökade kollektivtrafiken gör att människor kan ta sig till andra områden på ett smidigare och effektivare vis, vilket öppnar upp för bättre utbildning och jobbmöjligheter. Effekten blir att människor under ett längre tidsperspektiv kommer få bättre inkomster och levnadsförhållande. De negativa externaliteterna av en tågstation kan vara bullernivån som kommer öka kring fastigheterna som geografiskt ligger nära tågstationen och dess transportleder. Den ökade bullernivån kan resultera i ett minskat värde av fastigheterna i området, då efterfrågan och betalningsviljan på de bostäderna inte längre är lika hög. Fastigheter som tidigare hade lugn och ro har nu en räls med förbipasserande tåg som granne.
I studien ville Bohman och Nilsson studera vilka de prispåverkande faktorerna var av en ökad tågförbindelse. Effekten av den utökade tågförbindelsen är högst relevant då tågförbindelser ständigt ökar mellan områden, städer och byar. För att få fram ett resultat har man i studien använt sig av en hedonisk prismodell på den insamlade datan med en tvåstegs kvantilregression, främst för att granska om det finns någon variation på bostadspriserna. Datan som samlades in för att göra studien är på transaktioner av enfamiljshus och pendeltågs data från 2014 till 2016 Bohman & Nilsson (2016).
Studiens resultat visade på en en positiv korrelation mellan prisökningen och närheten till ny tågstation. Resultaten är signifikanta och stadiga över de olika modellerna som använts i studien. Resultatet i studien var även signifikant på samtliga priskategorier inom småhus. Korrelationen mellan närhet till pendelstation och påverkan på bostadspriset var tydligast i det lägre prissegmentet av småhus Bohman & Nilsson (2016).
Ytterligare resultat som Bohman & Nilsson (2016) kunde visa var att en generell ökning av befolkningstätheten medförde en negativ prispåverkan på fastigheterna i ett specifikt område. Den ökade graden av befolkning har en positiv påverkan på den kommunala nivån och lokala ekonomin, vilket i sin tur påverkar fastighetspriserna positivt i sin helhet, Bohman & Nilsson (2016).
I studien “Estimation of a Hedonic Price Equation for Bordeaux Wine: Does Quality Matter?” har det riktats kritik mot den hedoniska prismodellen. Studien menar att det personliga värdet på bostadsobjekt inte räknas in i modellen vilket ger ett missvisande resultat på slutpriset Combris, Lecocq & Visser (1997).
Ett flertal studier har utförts där man har analyserat hur pendlingskommunikationen påverkat bostadspriser i olika städer och områden. Resultaten från de tidigare forskningarna visar på positiv prisutveckling efter tillkomsten av ny och utvecklad pendlingsmöjlighet. I studien “The effect of the Dubai Metro on the value of residential and commercial properties“ som utfördes i Dubai visade på ett resultat där bostäderna som var belägna mindre än 500 meter från pendelstationen hade en positiv prisutveckling av bostadspriserna på hela 13 procent (Mohammad, Graham & Melo, 2017). I en liknande studien som utfördes i Boston, “Residential Property Values and the Built Environment: Empirical Study in the Boston, Massachusetts” innebar invigningen av tågstationen en prisökning på 3,05 procent för de bostäder som befann sig inom 8 kilometer från stationen rent geografiskt (Diao, Ferreira 2010). Liknande resultat fick man även i studien “Transportation infrastructure impacts on firm location: the effect of a new metro line in the suburbs of Madrid” som gjorts gällande tågstation i Madrid. Bostäder som här var belägna inom avståndet av en kilometer från stationen visade på en prisökning mellan 2,18 och 3,18 procent (Dorantes, Paez & Vassallo, 2011).
Mäklarstatistik presenterade år 2018 statistik på generell prisökningar av bostadspriserna i Skåne län. Studiens statistiken baseras på överlåtelser av bostadsrätter och villor gjorda under januari 2007 till december 2017, med en fem- och en tioårsperiod. I studien analyserar man prisutvecklingen för bostadsrätter genom att följa förändringen av det genomsnittliga kvadratmeterpriset, alltså kvoten mellan pris och boyta. För villor analyserar man prisutvecklingen genom att följa förändringen av K/T-talet, köpeskillingskoefficienten mellan pris (köpesumma) och taxeringsvärdet. Sedan 2007 till 2017 så hade priserna ökat med 65% i Skåne. De senaste fem åren visade en ökning på 58%. En skillnad på 7% ökning mellan fem- och tioårsperioden.
9. Metod
9.1 Metodval
Att skriva ett examensarbete baserat på data som har insamlats via intervjuer eller enkäter skulle innebära en kvalitativ metod, medan en metod med en kvantitativ inriktning innebär att studiens insamlade data bygger på statistiska sifferdata (Bryman, 2018). Syftet med studien är att se hur den insamlade statistiska data förhåller sig till vår frågeställning. Vi har utifrån det valt att använda oss av en kvantitativ metod då detta passar studien bäst utifrån hur frågeställning ska besvaras.
För att kunna ta reda på vilka faktorer och hur mycket de påverkar det slutliga bostadspriset kommer vi gå på djupet i vår undersökning. Utifrån undersökning av tidigare studier inom ämnet har vi valt att använda oss av Hedoniska prismodell, Bid-rent teorin, deskriptiv studie på data och slutligen analysera prispåverkande faktorer via en regressionsanalys för att försöka besvara vår frågeställning på ett nyanserat vis.
9.2 Urval
Vårt urval av data är hämtad från UC Bostadsvärdering (ucbv.se) som vidare bearbetas i tabeller och regressioner. I teoriavsnittet har relevanta teorier valts ut och behandlats för att ligga till grund vid en analys av den regression som gjorts. För att skapa en tydligare insikt har vi att använda oss av bid-rent teorin, en teori som förklarar betalningsviljan beroende på fastighetens geografiska läge i förhållande till CBD likt en transportled (O’Sullivan, 2012).
Inom UC bostadsvärdering finns ingen begränsning av boarea, biarea eller tomtarea i den statistiska datan. I urvalet av data har det dock gjort en begränsning där endast fastigheter med lagfart samt transaktioner som skett på den fria marknaden (marknadsmässigt) är med. Samtliga fastigheter som överlåtits via gåva, arv eller privat överlåtelse har fallit utanför urvalet då de här fastigheterna kan vara missvisande för studien.
Bild 2: Yttre ring av av de begränsade urvalet rent geografiskt (UC Bostadsvärdering)
Vårt utvalda urval av fastigheter i Marieholm kommer begränsas till en yttre ring samt en inre ring. Den yttre ringen (bilden ovan) omfamnar hela Marieholm rent geografiskt och representerar (minus fastigheterna i den inre ringen) dummy variabeln ‘’yttre ring’’. Den inre ringen (bilden nedan) är begränsad till Marieholms centrum och de fastigheter som ligger nära tågstationen vilket representerar dummy variabeln “inre ring”.
Bild 3: Inre ring av de begränsade urvalet rent geografiskt (UC Bostadsvärdering)
Samtlig insamlad data som använts gällande information om fastigheterna är bearbetad via de elektroniska programmen SPSS samt Excel.
För att få det mest signifikant resultat på regressionen har två olika dummyvariabler använts i SPSS. En dummyvariabel är en variabel i regressionen som endast har ettor och nollor. De två dummyvariablerna som används i regressionen är; “Dummy-efter”. Det är en dummyvariabel som avgör huruvida försäljningen har skett innan eller efter invigningen av tågstationen. Om försäljningen skett innan invigningen av tågstationen får försäljningen en nolla men om försäljningen skett efteråt får den en etta. Outputen visar då vilken prisskillnad som sammanlagt finns mellan ettor och tvåor, i detta fallet prisskillnaden före och efter tågstationen. Om dummyvariabeln visar 50.000 innebär det att ettorna (efter tågstationen) är värda 50.000 kr mer än nollorna (före tågstationen).
Den andra dummyvariabeln, “dummy*dummy” är en dummy som är produkten av två dummyvariabler multiplicerat med varandra. Den ena faktorn är “dummy-efter” och den andra är en dummy som visar om bostaden befinner sig inom den inre- eller yttre ringen. Bostäder inom den inre ringen får ettor och de bostäder i yttre cirkeln får nollor. Formeln enligt följande: (dummy-efter)*(dummy inre ring) = dummy*dummy.
9.3 Regressionsanalys
För att kunna besvara frågeställningen i studien kommer vi att använda oss utav en multipel regressionsanalys för att visa sambandet mellan en responsvariabel och två eller fler förklarande variabler Djurfeldt, Larsson & Stjärnhagen (2018). I vårt fall är det inte endast en faktor som är påverkande utan det är multipla regressioner då vi har flera förklarande variabler. Hur tågstationen i Marieholm har påverkat bostadspriserna är inte något man kan svara på utan att ha de förklarande variablerna i åtanke.
I regressionen har följande ekvation nedan används för att besvara hur omfattande bostadspriserna påverkats av den ökade transportmöjligheter genom tågstationen i Marieholm.
Bostadspriser = konstant + b1*boarea + b2*tomtarea + b3*biarea + b4*byggår + dummy*dummy + dummy-efter + residual
Mätdatan som samlats in omvandlas till en matematisk funktion. Det här sker då en rak regressionslinje dras så nära punkterna från mätdatan som möjligt. Regressionslinjens formel blir svaret för hur mycket den beroende variabeln påverkas av de oberoende variablerna.
I “Statistiska verktygslådan 1” av Djurfeldt, Larsson & Stjärnhagen (2018) diskuteras statistiska begrepp som berör regressionsanalysen. Resultaten av outputen från vår mätdata efter undersökningen kommer att innehålla statistiska begrepp som presenteras och förklaras nedan.
Regressionskoefficient
I en regressionsanalys ingår det tolkningar av regressionskoefficienter. Regressionskoefficienten förklaras enklast som en påverkande variabel. Ett bra exempel är om en grundskoleelev sommarjobbar tillkommer då en konstant som regressionskoefficient, vilket skulle kunna ses som en grundlön för att överhuvudtaget jobba. Antal studieår brukar påverka lönen positivt där eleven får x antal fler kronor ju högre årskurs eleven går i. Om en elev tjänar 10.000 kronor för ett sommarjobb från och med årskurs 6 och för varje kommande årskurs tjänar eleven 1.500 kronor mer. Siffran av vår output kan däremot inte tolkas helt och hållet som tågstationens påverkan på bostadspriserna. Andra faktorer kan påverka bostadspriserna när man analyserar längre perioder vilket man måste ta hänsyn till.
P-värde
Ett p-värde är vad som styrker om regressionskoefficienterna med säkerhet kan anses stämma överens med resultatet man har fått fram. Här använder man sig av två hypoteser. Nollhypotesen och mothypotesen. Nollhypotesen tyder på att den oberoende variabeln inte har något samband med den beroende variabeln, exempelvis att antal studieår inte påverkar sommarlönen. Mothypotesen säger motsatsen, att den oberoende variabeln har ett samband med den beroende variabeln. Antal studieår påverkar sommarlönen. För att kunna avgöra vilken hypotes som gäller använder man sig av en signifikant nivå. I många fall används signifikansnivån 0,05, vilket innebär 5 procent.
Multikollinearitet är ett fel i regressionen där man har med flera oberoende variabler med för hög korrelation mot varandra. De oberoende variablerna har ett för stort samband. Problematiken tillkommer när man får fram p-värden. Skulle flera oberoende variabler tas med som har en hög korrelation blir p-värdet väldigt högt. Man riskerar därmed att få en missvisande regressionskoefficient. För att upptäcka det här felen observerar man när p-värdet för en oberoende variabel blir signifikant högre i samband med att en ny oberoende variabel läggs till i regressionen.
Justerat R2
R2 kan förklaras som en mätning av hur stor andel av den totala variationen från medelvärdet som kan förklaras av regressionen. Vilket innebär hur stor andel av de totala fallen som stämmer överens med resultatet som man har fått fram. Att använda sig av det justerade R2 föredras i många fall då beräkningen tar hänsyn till att det finns fler variabler. Exempelvis kan ett justerat R2 visa 0,625. Det innebär att 62,5 procent av den totala variationen kan förklaras med regressionen.
F-test
F-testet är ett slutligt test för att säkerställa hela modellens signifikans. Även här används nollhypotesen och mothypotesen men med en skillnad. I f-testet innebär nollhypotesen att samtliga oberoende variabler i modellen tillsammans inte har någon påverkan på den beroende variabeln. Mothypotesen innebär att de oberoende variablerna inte har någon påverkan på den beroende variabeln. Åtminstone en av de oberoende variablerna är skild från noll och har därmed ett samband med den beroende variabeln. Signifikansnivån används som tidigare, på exempelvis 0,05.
9.4 Metoddiskussion
Genom att använda sig av kvantitativa metoden kommer vårt arbete byggas på data från flera olika källor. Det här gör att vi måste vara väldigt kritiska och noga när vi framför resultatet i vår studie. Samtidigt som vi förlitar oss på den data vi får fram har vi även besökt Marieholm. Främst för att själva få en uppfattning om området och distanser, men ingen
vidare analys har gjorts efter besöket. Variansen av data är relativt låg då det inte skett mycket transaktioner genom åren, vilket vi var rädda skulle vara missvisande för hur bostadspriserna faktiskt har påverkats av tillförseln av tågstation.
I en regressionsanalys kan man stöta på problem likt omvänd kausalitet. Det innebär att istället för att en oberoende variabel Y påverkar en beroende variabel X, påverkas istället den beroende variabeln den oberoende. Exempelvis “Vi väljer att amortera mindre när bostadspriserna stiger”. Omvänd kausalitet i det här fall hade varit att “bostadspriserna stiger när vi amorterar mindre”. Det kan i vårt studie möjligtvis vara så att priserna på bostäder i området har ökat vilket gör området mer attraktivt och därav väljer man att bygga en tågstation.
Omitted variable bias är ett annat fenomen som kan skapa problem i en regressionsanalys. Det menas med att förklarande variabler som är av vikt har exkluderats i regressionen. Resultatet tar då inte hänsyn till viktiga faktorer. I vår regressionen har vi inte specifik information om fastigheternas karaktär, interiör samt exteriör. Andra prispåverkande faktorer, exempelvis inflation och bostadsmarknaden diskuteras.
9.5 Difference in difference
Metoden difference in difference innebär att man jämför skillnaden mellan två
kontrollgrupper där ena har fått en tydlig förändring och den andra förblir densamma. Difference-in-differences gör att man kan skatta eventuell förändring hos
behandlingsgruppen. Förändringen kommer gå att sammankoppla direkt till den specifika “behandlingen” som skett. (Zeng F, An JJ, Scully R, 2010).
I vår studie innebära det att man jämför ökningen på bostadspriserna i Marieholm som har fått en tågstation med ett annat område. Detta under förutsättningarna att de två grupperna som jämförs har starkt samvarierar i alla andra avseenden
snarlikt område men som inte har fått en tågstation, under samma tidsperiod. Lyckas man visa detta, ger resultatet starka indikationer på att ett kausalt samband existerar mellan
behandlingen som skett och resultatet som uppnås. Däremot är ett liknande område inte alltid lätt att hitta.
10. Hypotes
De tre tidigare nämnda studierna som berör tågstationer i andra städer tyder på att tågstationer är en prispåverkande faktor för bostäder som befinner sig i närhet till stationen. I samtliga studier var prispåverkan dessutom positiv. Detta talar för att vårt resultat av Marieholms bostadsmarknad kommer att innebära en positiv prispåverkan. Inte minst då Marieholm geografiskt sett är en bit bort från större städer och därmed eventuella arbetsplatser. Hypotesen bygger därmed på faktumet att tågstationer generellt har en positiv prispåverkan på bostadspriser men också på att tågstationen enligt Bid-rent teorin (O’Sullivan, 2012), vilket underlättar för människor som bor i Marieholm att ta sig till andra städer där arbeten kan finnas.
Vår hypotes är således att betalningsviljan har ökat sedan tågstationen invigdes och började brukas i byn Marieholm utanför Eslöv.
11. Resultat
Korrelationsmatris
En korrelationsmatris undersöker signifikanta samband mellan variablerna som används i en regressionsanalys. I matrisen flaggmarkeras signifikanta samband med **. Om värdet i kolumn “Sig. (2-tailed)” understiger signifikansnivån 0,05 tyder det på ett signifikant samband mellan de två variablerna. I matrisen finns även Pearsons korrelationskoefficient, denna visar storleken på sambandet och även om sambandet är positivt eller negativt.
Boarea Biarea Byggår Tomtareal Dummy
efter Dummy*dummy Boarea Pearson
Correlation 1 -,151 ,093 -,126 -,011 -0,12 Sig. -,070 ,299 ,130 ,893 ,888
N 145 145 126 145 143 145 Biarea Pearson Correlation -,151 1 ,014 -,085 ,013 ,092 Sig. ,070 ,873 ,311 ,878 ,270 N 145 145 126 145 143 145 Byggår Pearson Correlation ,093 ,014 1 -,145 ,094 -,073 Sig. ,299 ,873 ,105 ,299 ,420 N 126 126 126 126 124 126 Tomtareal Pearson Correlation -,126 -,085 -,145 1 ,039 -,120 Sig. ,130 ,311 ,105 ,645 ,151 N 145 145 126 145 143 145 Dummy
efter Correlation Pearson -,011 ,013 ,094 ,039 1 ,664** Sig. ,893 ,878 ,299 ,645 ,000
N 143 143 124 143 143 143
Dummy*
dummy Correlation Pearson ,012 ,092 -,073 -,120 ,664** 1 Sig. ,888 ,270 ,420 ,151 ,000
N 145 145 126 145 143 145
Tabell 1: Korrelationsmatris för samtliga variabler, småhus.
Eftersom samtliga variabler har ett Sig (2-tailed) värde som överstiger signifikansnivån kan man konstatera att det inte föreligger signifikanta samband variablerna emellan. Resultatet som är av vikt vid en analys är Pearsons korrelationskoefficient mellan dummyvariablerna (flaggmarkeras med **). De här variablerna har ett för högt positivt samband. Vad det här betyder för regressionen diskuteras längre ned. Utöver det diskuteras inga fler variabler utifrån korrelationsmatrisen då där inte föreligger fler signifikanta samband.
Regression
Output nedan är framtaget via programmet SPSS och är resultatet av regressionsanalysen gällande samtliga bostadsförsäljningar i Marieholm från år 2013 fram tills skrivande stund, där den tidigast inkluderade försäljningen är från 15 Maj 2013 och den senaste 1 April 2020. De två närmaste månaderna före och efter invigningen av tågstationen har inte räknats med då de legat för nära brytpunkten December 2016. Under de här fyra månader skedde två
försäljningar, en i November och en i Januari som inte tagits med i regressionsanalysen. Flera regressioner, total fem stycken har testats för att kunna avgöra vilken som var mest relevant och rättvis utifrån variablerna och deras p-värden samt multikollinearitet. För varje ny regression utökas den med en ny förklarande variabel. Samtliga regressioner har båda dummyvariabler med. Regressionerna är samtliga sammanställda i en “tabell 2” nedan. Varje regression har varsin spalt och samtliga värden är inlagda under tillhörande regression. Innehållslösa rutor innebär att variablerna saknas i regressionen. I rutorna står först regressionskoefficienten och undertill dess p-värde i parentes. De två sista raderna visar justerat R2 samt P-värde i F-test.
Regression 1 Regression 2 Regression 3 Regression 4 Regression 5
Konstant 1.433.014 (0,000) 471.807 (0,001) 465.233 (0,001) 343.328 (0,028) -13.900.784 (0,000) Boarea 7771 (0,000) 7797 (0,000) 8118 (0,000) 7396 (0,000) Tomtareal 2 (0,850) 4 (0,725) 43 (0,004) Biarea 1538 (0,062) 1294 (0,072) Byggår 7320 (0,000) Dummy*dummy -147.092 (0,225) -155.338 (0,130) -151 431 (0,149) -170.276 (0,104) -155.544 (0,115) Dummy-efter 667.700 (0,000) 678.857 (0,000) 675.932 (0,000) 685.583 (0,000) 663.494 (0,000) Justerat R2 0,248 0,463 0,460 0,469 0,635 P-värde F-test 0,000 0,000 0,000 0,000 0,000
Tabell 2: Regressionsresultat av samtliga variabler, småhus.
Spalten längst till höger visar outputen för regression nr 5, med samtliga förklarande variabler. Resultatet visar att bostadspriserna i Marieholm har ökat med cirka 660.000 kr sedan tillkomsten av tågstationen. Dummy*dummy har ett för högt p-värde och är därmed inte signifikant. Dummyvariabeln kan alltså inte tolkas. Resterande variabler diskuteras nedan under analys.
Priserna på bostäder i Marieholm har ett snitt på cirka 1,9 miljoner kronor efter tillkomsten av tågstationen. Skulle en ökning med 663.000kr i Marieholm vara sannerlig så motsvarar detta betydligt mer än den generella prisökningen på bostäder i Skåne Län.
12. Analys
I den första regressionen används endast de två dummy variablerna. Den beroende variabeln i regressionsanalysen är köpeskillingen. Outputen från regressionsanalysen visar att den beroende variabeln har ett värde på över 1.433.014 kronor. Denna siffra kommer däremot att variera mycket och ska inte fokuseras på då den är ett uppskattat värde på en fastighet utan variabler. En fastighet utan boarea, tomtarea osv. En sådan fastighet finns inte och ska därav inte läggas någon vikt vid då köpeskillingen som variabel inte kommer att diskuteras. Dummy variabeln “efter” invigningen av tågstationen har ett väldigt högt, positivt värde på 667.700 kronor och har ett p-värde på 0,000. Mothypotesen kan användas. Dummy*dummy har förvånansvärt ett negativt värde på 147.092 kronor men ett p-värde på 0,225 leder till att nollhypotesen används. En standardavvikelse på 120.685 kronor tyder också på att värdet inte är relevant. Då endast två förklarande variabler tyder det på att dummy*dummy har en för hög korrelation med dummyn “efter”. Det är mer eller mindre väntat då dummyn “före och efter” är en av faktorerna i “dummy*dummy”. Multikollinearitet kan vara ett faktum. Regressionen har ett justerat R2 på 0,248 vilket endast 24,8 procent av den totala variationen kan förklaras med regressionen. Hela modellens p-värde är 0,000 och nollhypotesen kan förkastas. Minst en av de förklarande variablerna har samband med köpeskillingen.
I den andra regressionen tillkommer variabeln “boarea”, vilket gör att man kan se förändringar i regressionen. Dummyn “efter” har däremot ett närliggande värde som tidigare regression, i detta fall på 678.857 kronor och ännu en gång p-värdet på 0,000. Standardavvikelsen har däremot fallit till under 100.000 kronor. “Dummy*Dummy” ligger på -155.338 kronor, vilket fortfarande är en hög standardavvikelse på över 100.000 kronor. Däremot ett mindre p-värde på 0,130 men fortfarande över 0,05; nollhypotesen används. En faktor som för många spelar stor roll i fastighetsköp är boarean. Ett värde på 7.771 kronor
menas med att priset ökar med 7.771 kronor för varje kvadratmeter som boarean ökar med. Regressionens justerade R2 har ökat och hamnar på 0,463. Alltså kan numera 46,3 procent av den totala variationen förklaras med regressionen. Ännu en gång hamnar hela modellens p-värde på 0,000 och nollhypotesen förkastar återigen.
I den tredje regressionen tillkommer variabeln “tomtarea”. I denna regressionen går det att se ett mönster jämfört med tidigare regressioner. Dummy “efter” håller sig ännu en gång högt på 675.932 kronor och p-värdet håller sig ännu nere på 0,000. Även standardavvikelsen håller
sig på närliggande värde. Dummy*dummy har mycket liknande värden i
regressionskoefficient, standardavvikelse men med snäppet högre p-värde. Fortfarande kan variabeln inte användas som förklarande variabel vilket var väntat då det finns korrelation mellan de två dummy variablerna. Boarean har väldigt liknande värden som tidigare regression och tyder på att boarean kommer fortsätta att ha samband med köpeskillingen. Den nykomna variabeln “tomtarea” har en regressionskoefficient på 2.511 kronor, vilket innebär en ökad köpeskillingen med 2.511 kronor när tomtarean ökar med en kvadratmeter. Denna regression har ett högt p-värde på 0,850 och en standardavvikelse på 13.293 kronor. Anledningen till detta är att det finns en hög korrelation med de befintliga variablerna. Då dummy*dummy p-värde ökat finns möjligheten att det är för hög korrelation mellan de här variablerna. Regressionens justerade R2 håller sig på liknande nivå och hamnar på 0,460, vilket innebar att 46 procent av den totala variationen förklaras med denna regression. Ännu en gång hamnar hela modellens p-värde på 0,000 och nollhypotesen förkastar återigen.
I den fjärde regressionen tillkommer variabeln “biarea”. De använda variablerna i tidigare regressionerna fortsätter att hålla sig på närliggande nivåer. De som verkar ha störst relevans hittills är sambandet mellan köpeskillingen dummy “efter” och boarean, medan dummy*dummy samt tomtarean fortsätter ha för höga standardavvikelser likt p-värdena. Den tillkomna variabeln “biarea” får ett värde på 1.538 kronor, dess p-värde är dock inte under 0,05 och kan inte anses vara signifikant oavsett hur nära siffran närmar sig 0,05. Regressionen har återigen mycket likt de justerade R2 på 0,469 och numera kan 46,9 procent av den totala variationen förklaras med regressionen. Ännu en gång hamnar hela modellens p-värde på 0,000 och nollhypotesen förkastar återigen.
I den sista regressionen, regression 5 tillkommer byggår som förklarande variabel. Med samtliga förklarande variabler inkluderade sker det störst förändring. Dummy “efter” fortsätter med sitt signifikanta värde, likaså gör boarean det med liknande värden som tidigare regressioner. Dummy*dummy har även den varit kvar på samma nivå i samtliga regressioner vilket gör att dummy*dummy inte kan användas. Vad som är mest intressant är att tomtareans p-värde har totalt rasat, från tidigare 0,725 till nuvarande 0,004 innebär att den gått från totalt insignifikant till väldigt signifikant. Biarean förhåller sig nära tidigare värde och den nytillkomna variabeln byggår får en oförväntad signifikans på 0,000 och ett oväntat högt värde på 7.320 kronor. Detta innebär att prisskillnaden ökar med 7.320 kronor för varje senare år fastigheten är byggd. I den sista regressionen ökade även det justerade R2. Med nästan en ökning på 20 procentenheter hamnar den nu på 0,635 vilket innebär att 63,5 procent av den totala variationen förklaras med denna regressionen. Ännu en gång hamnar hela modellens p-värde på 0,000 och nollhypotesen förkastar återigen.
Utifrån regressionerna och korrelationsmatrisen går det relativt enkelt att avgöra för vilken av regressionerna som är mest relevant och som fick fram ett signifikant resultat. Med ett justerat R2 på 0,635 kan den totala variationen som mest förklaras med regression 5. Utöver det så har regressionen flest variabler, fem stycken vars p-värden hamnar under signifikansnivån 0,05. De andra regressionerna har som mest tre signifikanta variabler. Faktumet att det är regressionen med samtliga förklarande variabler stärker anledningen att välja regression 5.
Analys regression 5
Som tidigare nämnt spelar den beroende variabelns regressionskoefficient inte någon roll för vårt resultat. Resultatet från undersökningen visar att köpeskillingen blir 7.396 kronor dyrare för varje kvadratmeter som boarean ökar med. Det ska inte misstolkas som ett kvadratmeterpriset på 7.396 kronor eftersom det givetvis finns andra förklarande variablerna som påverkar priset. I undersökningen har antal rum i bostaden inte tagits med som förklarande variabel men en parallell jämförelse kan göras mellan antal rum och boarean. Sannolikheten finns nämligen att desto större boarean är ju fler antal rum finns i bostaden. Det är väldigt sannolikt att boarean spelar en central roll hos en köpare när denne letar bostad. Således används just boarean som den första förklarande variabeln i
regressionsanalysen. Boarean håller sitt p-värde på 0,000 genom samtliga regressioner vilket tyder på att det finns ett starkt samband mellan boarean och den slutliga köpeskillingen.
Tomtareans regressionskoefficient hamnar på ynka 43 kronor. Denna variabel förändrades mycket vid införandet av sista variabeln “byggår”. Från 4 kronor till 43 kronor samt från ett stort p-värde på 0,725 till ett lågt p-värde på 0,004. Hur byggår kan ha påverkat variabeln tomtarea likt resultatet får vara osagt då det är svårt att få en förklaring via en regressionsanalys. En enkel teori kan vara att en ny variabel kan ha ett samband med annan variabel, som därmed påverkar den andra variabelns samband med ytterligare en tredje variabel.
Biarean i regressionen är en av två variabler som fick ett p-värde över signifikansnivån med ett p-värdet på 0,022 och nollhypotesen får användas. Biarean har inte något samband med köpeskillingen. Siffran på 1.294 kronor är i sig relevant och rimlig då priset för ytterligare en kvadratmeter biarea inte bör kosta lika mycket som priset för ytterligare en kvadratmeter boarea. Biarean är obeboelig och kan därav inte värderas lika högt som boarean. I sökandet efter anledning till det höga p-värdet kom man fram till att boarean och biarean verkade ha en för hög korrelation. I takt med att boarean blir större blir biarean det likaså, något som påverkar priset och ger en för hög korrelation.
Den tredje förklarande variabeln i regressionsanalysen byggår har ett resultat som var oväntat. Dels påverkar byggår köpeskillingen med 7.320 kronor, ett p-värdet på 0,000 och byggåret blir således väldigt signifikant. En standardavvikelse på 1.088 kronor får även anses vara minimal. Med andra ord stiger de nybyggda fastigheterna med 7.320 kronor för varje år. En förklaring kan vara att husen som belägna i Marieholm skiljer sig åt väldigt mycket i kvalité beroende på byggår. Hus från exempelvis mitten av 1900 talet är troligtvis inte lika bra utrustat eller i lika bra skick som ett nybyggt hus från år 2020. Människor är redo att betala en större köpeskilling för ett hus som är bättre utrustat. Utöver det kan en anledning vara att det byggs för få hus i Marieholm för att verkligen avgöra hur stor påverkan byggåret egentligen har på regressionen.
De två sista variablerna är de två mest relevanta för studien. Outputen visar att priserna på fastigheter i Marieholm efter invigningen av tågstationen har stigit med 663.494 kronor. Märkvärdigt är definitivt den stora siffran på ökningen vilket diskuteras längre ner. Värt att nämna är att dummyns p-värde på 0,000 hållit sig på precis samma nivå i samtliga regressioner vilket tyder på ett signifikant samband. En standardavvikelse på 89.543 kronor tyder på att outputen stärker outputen. Det visar att det finns god möjlighet att tågstationen i Marieholm har inneburit en positiv prisökning på bostadspriserna.
Anledningarna till att tågstationen är värdehöjande för bostäderna i området kan bero på flera olika faktorer men mest relevant är att den erbjuder en ny transportmöjlighet. För många människor har tågstationen inneburit ett billigare alternativ i jämförelse med att köra bil. Arbeten som finns i andra städer är dessutom tidsmässigt närmare tack vare tåget som nu passerar och stannar på Marieholm station. Elever som studerar på gymnasieskolor eller universitet i exempelvis Lund, Malmö eller Helsingborg har likaså tidsmässigt nu närmare till skolan. Att tjäna tid och spara pengar är definitivt värdehöjande för bostäderna i byn. Det går säkerligen att argumentera för att tåg som numera stannar i Marieholm gör byn mer livfull vilket i sig skulle kunna vara värdehöjande för den lokala befolkningen. Människor som åker förbi stationen i Marieholm med tåg kan dessutom få upp ögonen för området och byn. Detta kan därmed resultera i att Marieholm kan bli ett relevant ställe att bosätta sig i.
Det finns även andra fördelar som lockar människor till att bosätta sig i Marieholm. Tidigare diskuterades innebörden av agglomerationsfördelar. För Marieholm innebär det främst agglomerationsfödelen matchning som blir tillämpningsbar. Kollektivtrafiken som tidigare fanns i byn var busslinje mellan Eslöv och Teckomatorp. Detta innebär för någon som arbeta i Lund, Malmö eller Helsingborg att ett byte till tåg var nödvändigt. Att lyckas planera in bussresan samt vidare med tåg och vara tidseffektiv är inte det enklaste. Genom tillkomsten av tågstationen i Marieholm kan nu de individer, samt de som tidigare kört bil till jobbet helt enkelt söka sig till den nya arbetsmarknader och är numera attraktiva för företagen i flera städer. Detta resulterar även i att Marieholm blir ett attraktivt och relevant ställe att bosätta sig i för de som tidigare varit tvungna att bo i Eslöv eller Lund för att kunna ta sig till jobbet samt andra aktiviteter.
Även om vi ser en tydlig ökning av priserna på bostäderna i Marieholm sedan transportmöjligheterna ökat är bostadspriserna betydligt lägre i jämförelse med bostadspriserna i Lund, Malmö, Helsingborg samt Eslöv.
Det går dock inte att endast tolka ett samband mellan prisökningen och stationens tillförsel. Givetvis finns det flera faktorer som sätter sin prägel på bostadspriserna i området, inte minst bostadsmarknaden och inflationen. De senaste åren har bostäder i Sverige generellt stigit och att bostäderna i Marieholm inte följt denna trend vore orimligt. Sett till regressionsanalysen går det inte att blunda för att stationen varit ordentligt värdehöjande. Det går dock inte att konstatera i vilken omfattning.
Något som även är väldigt intressant i studien är variabeln “dummy*dummy”. Tidigare liknande studier har inte haft liknande resultat sett till denna variabeln. I de tidigare studierna visar samtliga resultat på att bostäder som befinner sig närmast tågstationen får den största prisökningen. I Marieholm ökade bostadspriserna i den yttre ringen - med fastigheter belägna i den längre ifrån tågstationen med 155.544 kronor mer än vad bostadspriserna i inre cirkeln har ökat med. Däremot har variabelns p-värde i samtliga regressioner varit över signifikansnivån och dessvärre har dummy*dummy inte något samband med köpeskillingen. Eftersom endast två de dummyvariablerna har varit med i samtliga regressioner är det tydligt att dummy*dummy har för hög korrelation med “dummy- efter”. Som tidigare nämnt är det på grund av att dummy*dummy har “dummy-efter” som en av sina faktorer. Varje gång dummy*dummy är en etta är dummy “efter” också en etta. Utifrån faktumet att det med all förmodan handlar om en för hög korrelation mellan dummyvariablerna samt att tidigare forskning visar att de fastigheter som har det närmast till tågstationen ökar vanligtvis mest i värde kan vi inte utesluta att fallet även är så i Marieholm. Hade korrelationen inte funnits hade möjligtvis outputen visat att fastigheter i inre ringen ökat mer än fastigheter utanför cirkeln. Huruvida det stämmer får vara osagt.
Värt att nämna är givetvis även det justerade R2 för regression 5. Av samtliga fastigheter som har sålts tre år före och tre år efter tågstationens tillkomst kan 63,5 procent förklaras med regressionen. Visserligen är det 36,5 procent som inte kan förklaras men ett justerat R2 på nästan två tredjedelar av studien får av oss anses vara en framgång.
12. Slutsats
12.1 Sammanfattning
Vårt arbete innehåller variabler som boarea, biarea, tomtarea, byggnadsår samt de två dummy variablerna. Samtliga regressioner visar på en positiv korrelation mellan köpeskillingen och tågstationen tillkomst. Dock inte variablerna dummy*dummy och “biarean” då p-värdet för de här variablerna är över signifikansnivån och därav inte kan tolkas in. Variablerna med undantag från dummyvariablerna är generellt prishöjande och därav har resultatet för de här varit väntade.
Huvudsyftet med studien var att undersöka hur tågstationen påverkat bostadspriserna i Marieholm och vi kan säga att resultatet visar att priserna har ökat i snitt med 663.494 kronor sedan tillkomsten av tågstationen. Det kan dock inte konstateras att detta endast är på grund av tågstationens tillkomst. Andra faktorer påverkar bostadspriser. Resultaten visar dock att det finns chans till att tågstationen har påverkat priserna. Bostadspriserna har emellertid inte i en jämförelse ökat mer i den inre cirkeln än den yttre. Tågstationen i Marieholm har således haft en möjligtvis effekt på bostadspriserna men det går inte att sätta ett specifikt värde.
Transportmöjlighet har inneburit en tidsvinst och möjlighet för människor som bor i hela Marieholm att ta sig till och från arbeten samt andra aktiviteter i andra närliggande städer på ett smidigare vis. En tågbiljett är billigare och miljövänligare än en bilfärd, vilket leder till ett ekonomiskt sparande för människorna och kan likaså vara värdehöjande för Marieholms bostäder.
12.2 Förslag till framtida forskning
Under arbetets gång har det växt fram nya frågor, frågor som inte kunnat besvara. De frågor som vi inte haft möjligheten att besvara lämnas därav som förslag till framtida forskning inom ämnet.
Studien skulle kunna utökas för att på så vis analysera vilka bakomliggande faktorer som verkligen påverkar den enskilda bostadens specifika värde. Dessa faktorer tas inte med i den data vi använt oss av, vilket kan ge ett missvisande bostadsvärde då ytskick och bostadens kvalité är individuell. Detta är absolut tidskrävande men de här faktorerna har större påverkan på priset och kommer ge ett mer specifikt resultat.
