Är den svenska bostadsmarknaden övervärderad?

ÖREBRO UNIVERSITET Handelshögskolan

Nationalekonomi, kandidatuppsats Handledare: Dan Johansson

Examinator: Jörgen Levin HT 2015

Är den svenska bostadsmarknaden övervärderad?

Författare:

Karzan Maarifati 940618 Michael Celik 910228

Sammanfattning:

Denna studie undersöker om den svenska bostadsmarknaden är övervärderad. För att analysera gapet mellan kort- och långsiktiga bostadspriser har studien använt sig av data för första kvartalet 1996 till fjärde kvartalet år 2014. Vidare har datan använts i ekonometriska modeller för att finna en robust statistisk relation mellan de olika variablerna. Resultat ger stöd åt att bostadsmarknaden befinner sig på dess långsiktiga jämviktspris. Variabeln som påverkar bostadspriserna mest är reala bolåneräntan efter skatt som har en elasticitet på -3,4. Disponibel inkomst har en elasticitet på 1,72 och finansiella tillgångar 0,24. För att minimera riskerna föreslås reformeringar som avskaffat ränteavdrag, amorteringskrav och skuldkvotstak för att minska låneincitamenten.

Innehållsförteckning 1. Inledning ... 1 2. Teori ... 3 2.1 Utbudets q-teori ... 3 2.2 Allmänna jämviktsmodellen ... 4 3. Tidigare studier ... 8 4. Data ... 11 5. Metod ... 14

5.1 Prisutveckling enligt ekonometriska modeller ... 15

6. Resultat ... 17 7. Diskussion ... 22 8. Slutsats ... 25 9 Referenser ... 27 9.1 Data källor: ... 27 9.2 Elektroniska källor: ... 27 9.3 Tryckta källor: ... 29

1

1. Inledning

Den svenska bostadsmarknaden har varit ett hett och omdebatterat ämne som har haft stor aktualitet under de senaste åren. Genom att granska Sveriges fastighetspriser under de senaste 20 åren kan det observeras att de reala huspriserna har stigit med 127,5 procent. Det kan jämföras med hushållens disponibla inkomst som haft en real tillväxt om 57,7 procent under samma tidsperiod. Finanskrisen 2007 orsakade ett mindre prisfall inom bostadsmarknaden. Under pågående årtionde har dock prisökningen fortsatt.

Ett flertal experter som exempelvis nobelpristagarna Robert Schiller (SVT, 2015) och Paul Krugman (SvD, 2015), samt organisationer som International Monetary Fund (IMF) har samtliga varnat för att Sverige visar tendens till en bostadsbubbla. Det primära argumentet för bostadsbubblan är hushållens skuldsättning. Enligt IMF (2014) har de svenska hushållens skuldkvot fortsatt öka och föreligger särskilt högt bland hushåll med lägre inkomst.

En av hushållens största tillgångar är bostäder. Under fjärde kvartalet 2014 var värdet på hushållens aggregerade bostadstillgångar 1 928,7 miljarder SEK. Det är ca 20 procent av hushållens totala tillgångar. Ett husprisfall kan således ha negativa effekter på den svenska ekonomin i helhet. Det är därmed viktigt att använda en ekonometrisk modell som kan öka förståelsen för bestämmelsen av huspriserna, samt hur huspriserna påverkas av finans- och penningpolitiska åtgärder. I studien vill vi besvara följande fråga; Är priserna på den svenska bostadsmarknaden övervärderade? Det skulle innebära att de svenska bostadspriserna ligger över dess långsiktiga jämvikt.

Syftet med studien är att få en tydligare bild av Sveriges bostadsmarknad. För att utföra detta kommer det att undersökas hur den kort- och långsiktiga husprisutvecklingen påverkas av förändringar i disponibel inkomst, finansiella tillgångar och räntan. För att sedan belysa de primära riskerna den svenska ekonomin bör förhålla sig till. Den kortsiktiga prisvariationen kommer undersökas med en ekonometrisk modell som kallas Error correction modell (ECM). Avsikten med att använda denna modell är att avgöra huruvida bostadspriserna är i sin långsiktiga jämvikt, vilket avgörs av ekonomiskt fundament. På kort sikt används modellen som ett verktyg för att upptäcka det spekulativa beteendet i marknaden och marknadens ineffektivitet. Den kortsiktiga modellen brukar kallas för bubbelbyggaren, men vad är en bubbla? Stiglitz (1990) skriver följande:

2

“If the reason that the price is high today is only because investors believe that the selling price will be higher tomorrow, when ‘fundamental’ factors do not seem to justify such a price, then a bubble exists.” (Stiglitz, 1990 s.13)

En ekonomisk bubbla uppstår när en prisförhöjning sker utan fundamentala grunder, som en följd av spekulativt beteende. För att förstå hur en bubbla kan uppstå är det viktigt att förstå köparens resonemang och dennes anledning till investeringar.

Claussen, Jonsson och Lagerwall (2011) skriver i en rapport att ökad disponibel inkomst, låg ränta samt låg nivå av nybyggnation är tre generella faktorer som kan leda till ökade huspriser. I en effektiv marknad skulle ökad efterfrågan innebära ett större utbud och därmed även stabila priser. Detta betyder alltså att om efterfrågan på bostäder stiger utan att utbudet anpassar sig under den givna tidsperioden skulle det innebära att de kortsiktiga priserna ökar ännu mer (Malpezzi, 1998). Detta kan stimulera det spekulativa beteendet som orsakar bostadsbubblor. Eftersom att byggnation av nya bostäder tar förhållandevis lång tid leder det i vissa fall till att bostadsmarknaden klassas som ineffektiv.

3

2. Teori

För att förstå bostadsmarknadens dynamik krävs ett förtydligande av vad som påverkar utbudet och efterfrågan. Under varje kortsiktig tidsperiod behandlas bostadsmarknadens utbud som konstant, det vill säga att bostadsutbudet är orörligt. Förändringar i utbudet är marginella då deprecieringstakten av fastigheter är väldigt låg och byggnation av bostäder tar lång tid. Därför antas det av Sørensen och Whitta-Jacobsen (2010) att det kortsiktiga utbudet är oelastiskt. Långsiktigt granskas förändringarna av bostadspriser genom den allmänna jämviktsmodellen där både faktorer för utbud och efterfrågan beaktas. Parallellt med flödesvariabler som inkomst och konsumtion behandlas även stockvariabler som exempelvis bostäder, antal hushåll, förmögenhet, etc. Genom detta tillvägagångssätt kan prisvolatiliteten av en ökad efterfrågan kontras med ett utökat utbud på sikt. I den långsiktiga jämvikten mellan utbud och efterfrågan bestäms ny bebyggelse av produktionskostnaderna. Huspriset med given kvalitet och storlek kan mycket väl överstiga byggkostnaden för ett nytt hus med liknande kvalitet och storlek, även kallad ersättningskostnad. Desto mer marknadspriset överstiger byggkostnaden, desto mer lönsamt är det för företag att investera och sälja bostäder. Marknadspriset kan avvika från ersättningskostnaden under en längre tidsperiod eftersom det tar tid att producera en signifikant ökning av utbudet på bostäder (Sørensen & Whitta-Jacobsen, 2010). Nedan kommer det beskrivas hur Tobins q-teori kan användas för att förklara investeringar i bostäder.

2.1 Utbudets q-teori

För att få en djupare förståelse för vilka faktorer som styr utbudet samt för att kunna relatera detta till Tobins q-teori illustreras en version som passar för bostadsmarknaden. Produktionsfunktionen för byggsektorn kan skrivas enligt ekvation 2.1. Där IH _motsvarar

andelen nybyggda bostäder, A är en konstant som motsvarar byggsektorns produktivitet och X är en sammansatt insatsfaktor. För att förenkla detta antas byggfirmor kombinera arbetskraft (L) och byggnadsmaterial (Q) i fasta proportioner. Varje enhet insatsvara inkluderar α enheter arbetskraft (2.2) och b enheter material (2.3). Om W är löner och pQ är priset för material innebär det att priset (P) för en enhet sammanställd insatsvara (X) kan skrivas som 2.4. Ekvation 2.5 beskriver hur vinsten för byggfirmor blir intäkterna minus produktionskostnaden. Intäkterna är marknadspriset för hus gånger andelen investeringar (pHIH) och produktionskostnaderna är priset för en sammanställd insatsvara gånger andelen

4

sammanställda insatsvaror. Andelen löses ut från ekvation 2.1 där de sammanställda insatsvarorna (X) har ersatts.

IH _{= A * X}β _{0 < β< 1 (2.1)} L = αX (2.2) Q = bX (2.3) P = αW + bpQ (2.4) Π =𝑝𝑝𝐻𝐻_𝐼𝐼𝐻𝐻_−𝑃𝑃(𝐼𝐼𝐻𝐻 𝐴𝐴) 1 𝛽𝛽 _(2.5)

Eftersom bolagen antas vinstmaximera väljer de nivån av investeringar (IH)som maximerar vinsten dΠ

dI𝐻𝐻=0, vilket härleds nedanför i ekvation 2.6. Nya bostäder kommer att byggas framtill att marginal kostnaden är lika med marknadspriset för en enhet hus. Kvoten mellan marknadskostnaden för hus (pH) i förhållande till konstruktionskostnadsindex (P) är en motsvarighet av Tobins q. Eftersom 0 < β< 1, innebär det att investeringarna i hus (IH) kommer vara större desto högre q-kvoten är. Denna teori visar enligt Sørensen och Whitta-Jacobsen (2010) starka empiriska samband.

𝑝𝑝𝐻𝐻₋ 𝑃𝑃 βA( 𝐼𝐼𝐻𝐻 𝐴𝐴) (1−𝛽𝛽) 𝛽𝛽 _{= 0  I}H _{=𝑘𝑘 �}𝑝𝑝𝐻𝐻 P� 𝛽𝛽 (1−𝛽𝛽) , k ≡ β β 1−β_{, 𝐴𝐴}1−β1 _(2.6)

2.2 Allmänna jämviktsmodellen

Efterfrågan av bostäder påverkas på samma sätt som utbudet, negativt av räntan och positivt av disponibel inkomst. För att demonstrera detta används en modell som är baserad på efterfrågan av hushåll för att sedan förklara huspriserna.

Anta ett hushåll som lånar för att ha råd med en hus stock H till marknadspriset pH per enhet hus. Vidare är r räntan och δpH_{H vad hushållet behöver spendera på reparationer för att}

upprätthålla ett konstant värde på huset. Hushållets totala konsumtion för huset blir då (r + δ) pH_{H. Om det förväntas att huset ökar (minskar) i värde kommer det spenderas mindre (mer)}

för att upprätthålla bostadsvärdet. Variabeln δ är ekvivalent med 𝛿𝛿̃ - ge, där 𝛿𝛿̃ är den nödvändiga reparationskostnaden som krävs för att upprätthålla ett konstant bostadsvärde och ge är den förväntade värdeförändringen av bostaden (Sørensen och Whitta-Jacobsen, 2010). I analysen

5

nedan kommer båda variablerna att behandlas som konstanta. Notera att ge är baserat på antaganden om förväntade bostadsprisförändringar.

Hushållets utgiftsfunktion kan skrivas enligt 2.7. Besparingar har exkluderats eftersom de inte har någon effekt på resultatet. C är konsumtion av icke hållbara varor. Det innebär mat, kläder och annat som inte håller längre än 3 år. För att maximera nyttan U mellan icke hållbara varor C och huset H används en Cobb-Douglas funktion (2.8). Genom att använda utgiftsfunktionen som nämndes ovan, kan C ersättas och skrivas som 2.9. Därefter avgörs hushållets optimala efterfrågan på H via dU/dH = 0, och för C via dU/dC = 0. Detta förtydligas i ekvation 3.1. Det går även att skriva det som 3.2, vilket tydligare framhäver att den marginella substitutionskvoten mellan H och C måste vara relativpriset för att upprätthålla ett konstant värde på huset (r +𝛿𝛿 )pH (Sørensen och Whitta-Jacobsen, 2010).

C+ (r+δ) pH _{H = Y (2.7)} U = Hη C1-η, 0 < 𝜂𝜂 < 1 (2.8) U = Hη [Y – (r +𝛿𝛿) pH H]1-η (2.9) ηH η-1 _{[Y – (r+𝛿𝛿) p}H _H]1-η _{– (r +𝛿𝛿) p}H _{(1-𝜂𝜂) H}η _{[Y - (r +𝛿𝛿) p}H _H]- η _{=0 (3.1)} dU/dH dU/dC = ( r +𝛿𝛿 ) p H _(3.2)

Efterfrågan (3.3) erhålls genom att lösa ut Hur ekvation 3.1. Notera att (D), som i efterfrågan (demand) lagts till för att förtydliga. Termen (r +δ )pH i efterfrågafunktionen brukar kallas för brukarkostnaden och innebär den finansiella kostnaden r, kostnaden för att upprätthålla värdet på bostaden samt den förväntade kapital vinsten eller förlusten 𝛿𝛿. Ekvationen framhäver att efterfrågan reagerar positivt till hushållens inkomst och negativt till brukarkostnaden.

HD = nY

6

I början av varje tidsperiod är utbudet av bostäder fastställt, eftersom byggnadsaktiviteten (2.6) tar lång tid och inte läggs till på utbudet förrän nästa tidsperiod. Därmed avgörs det kortsiktiga marknadspriset av efterfrågan HD och det fastställda utbudet H. Genom att applicera jämvikten HD = H och lösa ut PH resulterar det i marknadspriset för bostäder (3.4). Även här kommer bostadspriserna vara högre, som ett resultat av en lägre ränta (r) och högre inkomst (Y) och vice versa.

𝑝𝑝𝐻𝐻 ₌ nY

( 𝑟𝑟 +𝛿𝛿 )𝐻𝐻 (3.4)

Figur 1: Jämviktspriset

Figur 1 illustrerar jämviktspriset på bostadsmarknaden där de vertikala kurvorna motsvarar det kortsiktiga utbudet av bostäder. Den horisontella kurvan (LRH) illustrerar det långsiktiga utbudet av bostäder. Den visar marginalkostnaden för att producera en ny enhet hus vilket antas vara konstant. Så länge som en enhet av de befintliga huspriserna överstiger marginalkostnaden för en ny enhet hus med liknande storlek och kvalitet kommer firmorna att fortsätta bygga nya bostäder. Ceteris paribus, en högre efterfrågan på bostäder som drivs av sänkta realräntor och högre disponibel inkomst. Likt Sveriges nuvarande situation kommer det stimulera efterfrågan ochdriva upp bostadspriserna, vilket i sin tur ökar investeringar i nybyggda bostäder. Notera att då hushållen förväntar sig fortsatta ökade bostadspriser kommer ge växa, detta resulterar i att bostadspriser ökar ytterligare via en lägre brukarkostnad av bostaden och vice versa (Sørensen och Whitta-Jacobsen, 2010).

7

Ökad efterfråga kommer på kort sikt innebära högre bostadspriser, dock leder det på långsikt till ett utökat utbud som dämpar den initiala prisökningen för bostäder. Nästkommande periods utbud bestäms av ekvation 3.5. Där kvoten i q-teorin avgör nivån av investeringar (ItH), vilket

i sin tur avgör kommande periods bostadsstock (Ht+1). Denna dynamiska process fortsätter

framtill att byggnationsaktiviteten är lika hög som deprecieringen av befintliga bostäder. Det är därför den vertikala kurvan i figur 1 kan betraktas som både marginalkostnaden för en enhet hus och det långsiktiga utbudet. Utbudets långsiktiga tillstånd ser ut enligt 3.6 (Sorensen och Whitta-Jakobsen, 2010).

Ht+1 = Ht (1 - δ�) + ItH (3.5)

8

3. Tidigare studier

Tabell 3.1 summerar de analyser som gjorts utan att ha använt sig av någon ekonometrisk metod.

Tabell 3.1: Summering av tidigare analyser

Författare & titel Område Tidsperiod Variabler Metod

IMF (2014) Article IV Consultation Sverige - - Analys av Sveriges ekonomi Sørensen (2013), The

Swedish housing market: Trends and risks

Sverige - - Analys av

bostads- marknad

IMF (2014) gör en analys på den svenska ekonomin. De går igenom utvecklingen av ekonomisk tillväxt, sysselsättning, inflation, bytesbalans, skuldkvot etc. Sedan ger de förslag på hur Sverige bör förhålla sig till de ekonomiska riskerna. Eftersom skuldkvoten är hög betonar de att negativa ekonomiska chocker på räntan, huspriser eller inkomst skulle kunna påverka konsumtion, arbetslöshet och sysselsättning negativt. De ger även ett flertal förslag på policyåtgärder. Slutsatsen som dras är att den svenska ekonomin är stabil, med en av Europas för tillfället högsta ekonomiska tillväxt. Men för att minimera riskerna föreslås stärkta finansiella institutioner och utökat utbud på bostäder.

Sørensen (2013) gör en analys på den svenska bostadsmarknaden. Även om Sørensen inte använt sig av någon ekonometrisk modell refererar han till en tidigare studie utförd av Claussen, Jonsson och Lagerwall (2011). I rapporten tittar Sørensen (2013) bland annat på hur en permanent uppåtgående trend i reala huspriser skulle kunna vara hållbar på långsikt. Till skillnad från övrig forskning används markkostnad. Detta orsakar en sekulär ökning i reala huspriser eftersom de reala priserna på land kommer fortsätta öka när utbudet på land minskar. Slutsatsen som dras är att en bostadsbubbla kan uppstå om nuvarande huspriser signifikant överstiger den nivån som den bästa tillgängliga ekonometriska modell förutspår.

9

Tabell 3.2 beskriver de tidigare studier som uppmärksammats och behandlar ECM. För att motivera valet av variabler presenteras tidigare forskning som behandlar den svenska bostadsmarknaden.

Tabell 3.2: Summering av tidigare forskning – Ekonometriska metoder

Samtliga studier redovisar ett signifikant samband mellan real bolåneränta, disponibel inkomst och huspriser. Real bolåneräntan efter skatt innebär att bolåneräntan är justerad för inflation och ränteavdrag. Claussens (2012) ränta är ett genomsnitt av tre månaders statsskuldsväxel och de två- samt femåriga statsobligationerna. Resultatet som Claussen presenterade var att de ökade bostadspriserna kunde förklaras fundamentalt. Dessa prisökningar berodde till allra störst grad av ökad real disponibel inkomst och lägre realränta efter skatt. Hela 62 procent av den reala husprisökningen förklarades av ökad realinkomst, 25 procent av sänkta realräntor och 8 procent av ökade finansiella tillgångar. En viktig variabel som exkluderats i Claussen (2012)

Författare & titel Område Tidsperiod Variabler Metod

Claussen (2012), Are Swedish houses overpriced Sverige 1986k1-2011k4 Disponibel- inkomst

Ränta efter skatt Finansiella tillgångar

ECM

Hort (1998), The

Determinants of Urban House Price Fluctuations in Sweden 1968–1994* Sverige 1967-1994 Disponibel- inkomst Brukarkostnad Skuldkvot Byggnadskostnad ECM

Claussen, Jonsson och Lagerwall (2011),

A macroeconomic analysis of house prices in Sweden

Sverige 1986-2010 Disponibel- inkomst

Ränta efter skatt Finansiella tillgångar

ECM- samt BVAR-modell

10

är byggkostnad. Detta eftersom elasticiteten är 1,5 vilket är orealistiskt högt. Vidare motiveras detta med att byggkostnaden är exogen och om det råder fullständig konkurrens bör 1 procent ökning av byggkostnader resultera i < 1 procent ökning i huspriser.

Hort (1998) använder data för individer mellan åldern 25-44 eftersom efterfrågan är allra störst i den åldersgruppen. Tidsserien sträcker sig mellan år 1967 och 1994. Förändringar i disponibel inkomst var den största faktorn till ökade huspriser. Hort behandlade även byggnadskostnader och till skillnad från Claussen (2011) var denna variabel statistisk signifikant. Detta kan bero på att studierna undersöker olika tidsperioder. Förutom byggnadskostnader och disponibel inkomst använder Hort även ränta och skuldkvot som förklarande variabler. Hort undersöker även huruvida de kortsiktiga huspriserna drivits av fundamental efterfrågan eller om de även drivits av spekulativt beteende. Utfallet resulterade i att den kortsiktiga modellen förklarade 80 procent av den totala ökningen i reala huspriser och uppskattade deras fluktueringar bra.

Claussen et al. (2011) använder ECM och en så kallad Bayesian Vector Autoregressive (BVAR) modell för att hypotetiskt avgöra de makroekonomiska effekterna av 20 procent husprisfall. I BVAR modellen beskrivs samspelet mellan huspriser, konsumentpriser, BNP och räntan. Modellen visar att ett 20 procent prisfall i husmarknaden orsakar 2 procent fall i BNP det första året och 0.2 procent fall i BNP det andra året. Enligt Sørensen (2013) är denna effekt relativt liten och historiska finanskriser tyder på att ekonomiska modeller inte är bra på att förutspå hur en chock påverkar ekonomin. Claussen et al. (2011) använder även en ECM modell i ett längre tidsperspektiv. De beräknar att husprisernas uppgång i slutet av 80-talet förklaras av sänkta realräntor. På liknande sätt förklaras bostadsprisfallet mellan åren 1990 och 1996 av höjda realräntor. Samtliga modeller som används i Claussen et al. antyder att ett fall i huspriser skulle ha en relativt begränsad inverkan i den reala ekonomin. Detta är dock baserat på antagandet om att efterfrågan på bostäder kan stimuleras med expansiv penningpolitik, vilket inte kan tas för givet.

11

4. Data

Nedanför visas en deskriptiv tabell på de variabler som visat sig vara signifikanta och som senare i denna studie kommer användas i de ekonometriska modellerna.

Tabell 4.1: Deskriptiv statistik för undersökningens variabler

Variabel Antal

obs.

Medelvärde Median Max. värde Min. värde Standard- avvikelse Husprisindex 75 463,2 457 719 215 168,71 Totala tillgångar (mkr) 75 18987,4 19314,8 33223,6 7477,3 6956,2 Real bolåneränta (%) 75 3 3 6,6 1,1 1,1

Disponibel inkomst (sek) 75 55620,8 160837,5 202600 128000 23496,9

Real bolåneränta är en tremånadersränta för hushållens bolån. Variabeln anges i procent och är hämtad från Riksbanken (2015). Hushållens disponibla inkomst kan antingen används till sparande eller konsumtion och är summan för hushållens inkomst efter skatt och andra avgifter. Totala tillgångar står för hushållens aggregerade tillgångar och mäts i miljontals svenska kronor (SEK). De finansiella tillgångarna mäter alla tillgångar förutom byggnader och mark, däremot ingår bostadsrättsandelar. Riktlinjerna är satta av Europeiska Unionen (SCB, 2015). Den empiriska modellen använder kvartalsdata som sträcker sig från första kvartalet 1996 till fjärde kvartalet 2014. Detta eftersom det är under denna tidsperiod data finns tillgänglig för samtliga variabler. Fördelen med att använda kvartalsdata istället för halvårs- och års data är det högre antalet observationer som underlättar att utföra tester och dra slutsatser. Genom att använda kvartalsdata har vi även kontrollerat för säsongseffekter. Huspriserna (pH) mäts som logaritmen av genomsnittet i hela landet och är justerade för inflation. Studien behandlar logaritmerna av tre förklarande variabler; real disponibel inkomst, reala finansiella tillgångar samt real bolåneräntan efter skatt. Datan som är hämtad från SCB mäter husprisindex från föregående kvartal. Vilket innebär att prisindex för exempelvis 1996 kvartal två använder sig av data från 1996 kvartal ett. Tiden för husprisindex är såldes t-1, men författarna av denna uppsats gör dock antagandet om att tiden är t. Detta antagande görs för att samtliga variabler ska utgå från samma tidpunkt.

De tre oberoende variablerna som valts till denna studie har stor inflytande på bostadspriser. För att få ett så trovärdigt resultat som möjligt vore det dock optimalt att använda fler variabler

12

som påverkar utbudet och efterfrågan. Exempel på önskvärd data är variabler som har använts av Hort (1998). Där bland annat byggkostnad och skuldkvot beaktas. Andra relevanta variabler är antalet hushåll och antalet bostäder. Dessvärre finns inte tillräckligt med data tillgänglig för dessa variabler. Därmed har denna studie begränsat sig till tre oberoende variabler som presenteras nedan tillsammans med den beroende variabeln reala huspriser.

Figur 4.1: Reala huspriser (log) Figur 4.2: Reala tillgångar (log)

Figur 4.3: Real bolåneränta Figur 4.4: Real disponibelinkomst (log)

Figur 4.1 till 4.4 visar hur utvecklingen för varje variabel sett ut under den undersökta tidsperioden kvartal ett 1996 till kvartal fyra 2014.

Figur 4.1 beskriver logaritmen av inflationsjusterad husprisindex. Huspriserna är högre än vad de varit tidigare historiskt och det finns inga tydliga tecken på att denna ökande trend kommer avta eller stabiliseras. Bostadsmarknaden har haft en ökning på 127,5 procent i reala priser sedan 1996. Det är även värt att notera att real- disponibel inkomst, -tillgångar och reala huspriser har ett liknande mönster gällande utvecklingen över tid. Samtidigt som huspriser, tillgångar samt disponibel inkomst ökat har real bolåneräntan haft en nedåtgående trend.

0.0 0.4 0.8 1.2 1.6 2.0 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 Real bolåneränta

13 Real bolåneränta efter skatt definieras som;

𝑟𝑟 = 𝑖𝑖 ∗ (1 − 𝑇𝑇) − 𝜋𝜋 (4.1)

I ekvation 4.1 definieras 𝑖𝑖 som den nominella räntan, T är skattesatsen samt 𝜋𝜋 som säger hur hög inflationen för varje kvartal varit (SOU 2004:036 Reformerade egendomsskatter). Eftersom avdraget för räntekostnader upp till 100 000 SEK per år är 30 procent och allt över denna summa har ett ränteavdrag på 20 procent, görs därmed antagandet att T är 25 procent.

14

5. Metod

För att uppskatta om den svenska bostadsmarknaden är övervärderad kommer två regressioner utföras. Den första regressionen förutspår långsiktig prisutveckling och den andra förutspår kortsiktig prisutveckling. För att göra en långsiktig regression användas dynamiskt ordinary least squares (DOLS). För att uppskatta hur de olika variablerna påverkar huspriserna på kort sikt kommer det att användas en error correction model (ECM).

Innan regressionerna utförs krävs ett flertal ekonometriska test. Vad som behöver undersökas först och främst är antal laggar som modellen behöver. Därefter testas det om variablerna är stationära eller har enhetsrot. Annat som behöver utredas är i korthet: om modellen är ko-integrerarad, är variablerna signifikanta, om inte hur kan detta lösas? Samt ifall de använda variablerna i skattningen är heteroskedastiska eller homoskedastiska.

Efter att ha kontrollerat för ovanstående faktorer kommer det att utföras ett dynamiskt ordinary least squares. DOLS används för att se hur en procentuell förändring i de oberoende variablerna påverkar huspriserna, det vill säga att koefficienten för de oberoende variablerna tolkas som elasticiteter. Denna regression kommer användas för att se hur de oberoende variablerna påverkar huspriserna på långsikt. Fördelen med att använda DOLS är att modellen har egenskaper från både ordinary least square (OLS) samt maximum likelihood metoden (MLM). Samtliga modeller diskuteras av Al-Azzam och Hawdon (1999). Modellen korrigerar för endogenitet med hjälp av laggar av regressionens första differens. Därmed kommer en logaritmerad linjär regression användas för att skatta de långsiktiga huspriserna (Stock och Watson, 1994).

För att undersöka om en modell uppfyller kraven för skenbarhet är det nödvändigt att granska om Durbin Watson (DW) statistics är större än förklaringsgraden (R2). Regeln för att en regression ska godkännas som icke-skenbar är att DW statistics ska vara större än förklaringsgraden. En alternativ metod är att kontrollera för skenbarhet inom residualen genom ett Augmented Dickey Fuller unit root test (ADF) (Baumöhl och Lyocsa, 2009).

För att säkerställa variablernas stationäritet kommer två olika test att utföras. Ett ADF- samt Philips Perron unit root test (PP). Nollhypotesen i ett enhetsrotstest kontrollerar om variabeln är icke-stationär. Sannolikheten för att en variabel ska bli stationär ökar ju fler differenser I(d) som används (Al-Azzam och Hawdon, 1999).

15

5.1 Prisutveckling enligt ekonometriska modeller

Vid en vanlig regression tar den kortsiktiga modellen inte hänsyn till de långsiktiga huspriserna. För att justera för dessa fel kommer det utföras en error correction model. Skillnaden mellan en ECM och en vanlig regression är att inom ECM skapas en term (EC-term) vars syfte är att justera för avvikelsen från den långsiktiga jämviktstrenden. Denna term kommer sedan användas för att skatta den kortsiktiga modellen (Janeš, 2012).

När en skattning av en ECM ska utföras är det viktigt att kontrollera om modellen är skenbar, detta innebär att det finns ett orealistiskt samband. Resultatet av en skenbar regression är att ECM inte blir giltig och därmed kan modellen inte tolkas statistiskt korrekt (Baumöhl och Lyocsa, 2009).

ECM går ut på att det utförs en regression på förstadifferensen av Yt (beroende) variabeln och

Xt (oberoende) variablerna, det tas även hänsyn till den långsiktiga relationen som existerar

inom modellen. Modellen kallas error correction modell eftersom den har en inbyggd mekanism som korrigerar för skillnaden mellan nuvarande pris och det långsiktiga jämviktspriset. Det antas i denna studie att logaritmen av den långsiktiga jämvikten (p*t) kan

förklaras som en linjär funktion av ”k” förklarande variabler. Det är då möjligt att förklara funktionen på två sätt (Claussen, 2012).

Den första modellen beskriver vad som sker på långsikt och går att definiera som;

p*t =α+lnβ1x1t+···+lnβkxkt+ εt, (5.1)

Där α är konstanten, β står för koefficienten framför variabel X; 1-k.

Den andra modellen beskriver vad som sker på kort sikt, definitionen härleds enligt följande:

∆pt = α + ∅( pt-1 - p*t-1) +∑ 𝛽𝛽₁∆𝑥𝑥_{1,−𝑧𝑧}+…+∑ 𝛽𝛽_𝑘𝑘∆𝑥𝑥_{𝑘𝑘,𝑡𝑡−𝑧𝑧}+εt, (5.2)

Där ∅ är en parameter som ska estimeras och förklarar skillnaden mellan dagens priser och det långsiktiga jämviktspriset. Denna parameter är känd som den kortsiktiga justeringsparametern och förväntas ligga mellan 0 och -1. α; är modellens konstant. ”z” är antalet laggar som används och p*t-1 är tidigare given i ekvation 5.1. Ekvation 5.2 är den så kallade error correction

modellen, även kallad fel justerings modell (Claussen, 2012).

Det finns ett antal villkor som modellen i ekvation (5.1) samt (5.2) måste uppfylla för att kunna definieras som ”cointegrated error correction modell”. Om fallet är sådant att ∆pt inte är

16

integrerad av order I(1) eller stationär är det av stor vikt att; εt = ∅ = ∆pt – xtβ är stationär för

att en långsiktig jämviktsrelation mellan xtβ ska kallas en samintegrerad-relation. Detta betyder

med andra ord att om residualen för modellen är stationär kan hela modellen tolkas som stationär (Engle och Granger, 1987).

I den kortsiktiga modellen (5.2) ska ∆pt tolkas som förklaringen till den icke-fundamentala

husprisförändringen, även kallad för ”bubbelbyggare”. Orsaken till namnet är för att variabeln kan identifiera en bubbla. Med andra ord kan ∆pt-1 ta hänsyn till det spekulativa inflytandet på

marknaden, detta kan tolkas som ineffektiviteten i marknaden.

Studien utgår från Wooldridge (2009) för att skatta en kortsiktig modell. För att utföra det kommer det att användas en prognos vid namnet ”h-step ahead forecast”. Kortfattat går denna prognos ut på att varje variabel laggas med z antal laggar. Claussen (2012) använder sig utav den mer förekommande modellen ”one-step ahead forecast”. Claussen väljer att lagga varje variabel 4 gånger, för att gå vidare med att plocka ut samtliga variabler som visar sig vara signifikanta. Antalet laggar som användas kommer behandlas mer djupgående i kapitel 6. I den kortsiktiga modellen används ekvation 5.2 för att estimera den kortsiktiga prisutvecklingen. Antalet valda laggar är av stor vikt till senare i metoden då dessa laggar ska användas när

Johansen Cointegration-test utförs. Antal laggar väljs med hänsyn till ”Akaike Information

Criterion”(AIC) som innebär att man med hjälp av Akaikes kriterier kommer fram till det optimala antalet laggar (Enders, 2010).

För att se hur väl modellerna från ekvation 5.1 samt 5.2 stämmer överens med de faktiska huspriserna kommer det skapas en graf för varje ekvation. Hur dessa figurer kommer tolkas behandlas mer ingående i nästa kapitel.

För att kontrollera för stationäritet och enhetsrot är det möjligt att använda sig utav ett flertal tester. De två mest förekommande testerna för enhetsrot inom analyser av fastighetsmarknaden är Augmented Dickey Fuller-(ADF) samt Phillips-Perron-test (PP). De utvalda variablerna antas vara icke-stationära och ha enhetsrot vid I(0). Alltfler variabler blir stationära ju mer man ökar I(d), där ”d” är antalet ”diff;ar” som används (Claussen, 2012).

17

6. Resultat

Då det nämnts i föregående kapitel att stationära variabler är av stor vikt för ett icke-skenbart resultat i regressionen görs ett test för enhetsrot i tabell 6.1. Testet kommer besluta om de valda variablerna är stationära.

Tabell 6.1: Test för enhetsrot samt stationäritet T-värde I (0) T-värde I (1) T-värde I (2) Prisindex för småhus ADF 1.78 -2,81*** -25,40* PP -0,27 -13,21* -35,18* Real bolåneränta ADF -2,44 -2,44**** -7,99* PP -3,16 -4,92* -11,02* Disponibel inkomst ADF -0,35 -3,07** -8,79* PP 0,58 -3,19** -60,12* Finansiella Tillgångar ADF -0,44 -22,60* -6,38* PP -7,78 -40,29* _-74,36*

*, **, *** och **** anger statistisk signifikans på 1, 5, 10 och 15 procents signifikansnivå.

Efter att ha testat samtliga inkluderade variabler i modellen kan de endast omvandlas till stationära då I(2), detta innebär att när det tas andra differensen av variablerna resulterar modellen i att bli stationär. Vidare leder det till att modellen saknar enhetsrot, detta då P-värdet är mindre än signifikansnivån som är på 5 procent.

Som tidigare nämnt blir alltfler variabler stationära då antalet differenser ökar. Vid I(1) är samtliga variabler stationära enligt PP-testet med 5 procent signifikans. Variablerna är dock inte stationära enligt Augmented Dickey Fuller-testet. Av denna orsak väljer författarna att fortsätta testa modellen med I(2) för att observera resultatet av 2 differenser. Detta test görs för att utreda antalet gånger en variabel måste ”differensieras” innan den blir stationär.

18

För att utföra Johansen System samintegrations test behövs det tas reda på antalet laggar som är optimalt för de oberoende variablerna.

Tabell 6.2: test för optimalt val av laggar

Lagg LL LR DF FPE AIC HQIC SBIC

1 339.995 646.45 16 1.6e-09 -9.82731 -8.637 -8.25635 2 389.783 99,576 16 6.4e-10 -10.1785* -9.37414* -8.68898* 3 412.103 44,639* 16 5.4e-10 -10.0029 -9.34828 -8.3586 4 434.428 44,649 16 4.6e-10* -8.88876 -9.32255 -8.02836 * är antalet laggar som rekommenderas enligt de olika kriterierna, antalet laggar visas i första kolumnen.

Tabell 6.3: Test för samintegration

Antal samintegrationer Eigenvalue Trace statistics

Ingen 0.473697* 75.26485*

Som mest 1 0.281804** 28.40779**

Som mest 2 0.055699 4.243857

Som mest 3 0.000824 0.060206

*, **, *** och **** anger statistisk signifikans på 1, 5, 10 och 15 procents signifikansnivå.

Genom att observera tabell 6.2 ser man att majoriteten av de test som används för att bestämma antal laggar rekommenderar att 2 laggar används till modellen.

För att gå vidare till en ECM krävs ett test för samintegration, testet som författarna väljer att använda sig utav är Johannsen test of Cointegration. Syftet med detta test är se om det finns någon nivå av samintegration i modellen.

Nollhypotesen för Johannsen Cointegration test: Det råder samintegration bland våra 4 variabler, tabell 6.3 visar att det finns som mest en ko-integrerad variabel och detta bekräftas med 5 procent signifikans. Betydelsen av samintegration är att det råder ett långsiktigt samband i modellen, samtliga variabler kommer röra sig med varandra på längre sikt (Davidson & MacKinnon, 1993).

19

Denna studie kommer att använda sig utav 10 laggar, anledningen till dessa antal laggar är att det är då resultatet är mest trovärdigt. Fler eller mindre antal laggar resulterar i att variablerna får fel tecken eller att samtliga laggade variabler är icke-signifikanta.

Tabell 6.4: Långsiktig relation, inom parenteserna finner man p-värde för varje variabel.

Modell Modell 1.1 Modell 1.2 Modell 1.3 Modell 1.4

Laggar 1 2 3 4 Variabel Konstant -23,87* _-21,7* _-21,1* _-19,9* Reala tillgångar 0,13** _0,24** _0,28*** _0,37* Realdisponibel inkomst 2,01* 1,72* 1,63* 1,45* Real bolåneränta -0,04* -0,034** -0,032** -0,03** Förklaringsgrad, (R2) 0,971 0,975 0,979 0,983

*, ** och *** anger statistisk signifikans på 1, 5, och 10 procents signifikansnivå.

Som vi kan observera i tabell 6.4 varierar de långsiktiga elasticiteterna beroende på hur många laggar som används. Reala tillgångars elasticitet blir större ju fler laggar som används. Det motsatta inträffar för real bolåneräntan och realdisponibel inkomst. Det är inte helt uppenbart hur många laggar som bör användas (Claussen, 2012). Med hänsyn till AIC i tabell 6.1 bestämde vi oss för att fortsätta studien med modell 1.2. Värt att notera är att valet av två laggar ansågs som optimalt enligt majoriteten av testerna.

Då vi väljer att gå vidare med modellen med två laggar går det nu att observera hur huspriserna reagerar till en procentuell förändring i en förklarande variabel. Resultatet som erhålls är delvis lik tidigare studier som behandlat den svenska bostadsmarknaden. Likt tidigare studier har även denna studie fått resultatet att den reala bolåneräntan är den största faktorn till marginalförändringar i huspriser. Detta går att se då real bolåneränta har en elasticitet på -3,4, vilket betyder att variabeln har en negativ inverkan på bostadspriserna. En procentenhets ökning (sänkning) i real bolåneränta leder till att bostadspriserna sjunker (ökar) med 3,4 procent. På samma sätt tolkas elasticiteten för real disponibel inkomst och finansiella tillgångar som har elasticiteter på 1,72 samt 0,24.

Tabell 6.5: test för heteroskedasticitet, H0: modellen är heteroskedastisk

F-statistik (F 3,71) P-värde

20

Tabell 6.6: Kortsiktig relation, inom parenteserna finner man p-värde för varje variabel.

Variabler Koefficient T-stat P-värde

Konstant 13,23* (3,59) -3,68 <0,001 EC-term -0,58* (0,11) -5,05 <0,001 Real bolåneräntat-1 -0,06* (0,02) -3,1 <0,001

Real disponibel inkomstt-1 -4,05

(3,38)

-1,2 0,24

Real finansiella tillgångart-2 0,32**

(0,14)

2,65 0,04

Real finansiella tillgångart-6 0,32*

(0,15)

2,14 0,01

Regressions diagnostik

Förklaringsgrad (R2) 0,997

Durbin-Watson stat. 2,22

*, ** och *** anger statistisk signifikans på 1, 5, 10 och 15 procents signifikansnivå.

I tabell 6.5 har ett test för heteroskedasticitet utförts som visar att de oberoende variablerna är homoskedastiska vilket gav ett p-värde på 9 procent som är högre än signifikansnivån på 5 procent.

Tabell 6.6 illustrerar hur samtliga variabler förutom disponibel inkomst är signifikanta och har rätt tecken även på den kortsiktiga modellen med EC-termen inkluderad. Reala finansiella tillgångar fick ett signifikant värde vid t-2. Förklaringsgraden är dock nästan 1, detta hade varit orealistiskt i vilken annan modell som helst. Det som måste tas hänsyn till är att EC-termen är till för detta, den korrigerar för felen som uppstår i prisutvecklingen på kort sikt. EC-termen fick en koefficient på -0.58, vilket innebär att vid en prisskillnad mellan de kort- och långsiktiga prisnivåerna konvergerar 58 procent på tre månader. Hort (1998) hade en EC-term på -0,84 och Claussen (2012) presenterar -0,08. En orsak till skillnaderna mellan tidigare studiers och denna studies EC-term kan vara variationen på data och variabler som använts i denna studie jämfört med vad som använts tidigare.

21

Figur 6.1: Prisutveckling enligt den långsiktiga modellen

Figur 6.2: Prisutveckling enligt den kortsiktiga modellen

I figur 6.1 och 6.2 illustreras hur väl den kort- och långsiktiga modellen som skattats i tabell 6.4 samt 6.6 stämmer med de faktiska bostadspriserna. Genom att granska residualen i figur 6.1 ser man att huspriserna väldigt sällan varit på deras långsiktiga nivåer, men prognosen är ändå relativt nära de faktiska huspriserna. Notera att huspriserna befinner sig på sin långsiktiga nivå under fjärde kvartalet 2014.

Figur 6.2 illustrerar de faktiska huspriserna (actual) och priserna skattade med en h-step ahead prognos (fitted). Det kan observeras att prognosen följer de faktiska priserna väldigt bra. Det bör dock noteras att prognosen endast görs under en tidsperiod åt gången. Om prognosen vore felaktig i ett kvartal hoppar den tillbaka till de faktiska priserna inför nästa prognos.

22

7. Diskussion

Enligt våra modeller förklaras de svenska bostadspriserna fundamentalt av ekonomiska variabler som realräntan efter skatt, real disponibel inkomst och reala finansiella tillgångar. Claussen (2012) fick en förklaringsgrad (R2) på 0,96. Resultatet för denna studies förklaringsgrad blev 0,97 men en förändring i de förklarande variablerna skulle ändra den långsiktiga jämvikten. Om till exempel realräntan går upp med en procentenhet skulle detta innebära att de långsiktiga bostadspriserna faller med 3.4 procent, Om utfallet speglar verkligheten är osäkert. Den ekonometriska modellen tar inte någon hänsyn till att de förklarande variablerna är endogena. Om realräntan går upp med en procentenhet påverkar det även till exempel inkomster negativt. Resultat bör således tolkas med viss försiktighet. Tabell 7.1 illustrerar olika studiers skattade effekter på bostadspriser av en höjning av realränta, realdisponibel inkomst samt hushållens reala tillgångar med en procentenhet, givet att allt annat är lika. Vår elasticitet för realräntan är i linje med Hort (1998), men lägre än övriga studier.

Tabell 7.1: Procentuell förändring på bostadspriser av en procentenhets ökning i en behandlad variabel, allt annat lika

Studiens författare Realränta Realdisponibel inkomst Reala tillgångar Claussen et al. (2012) - 6 1,23 0,15

Hort (1998) -3 N/A N/A

Claussen (2011) -6 1,30 0,12

Denna studie -3,4 1,72 0,24

N/A= ej tillgänglig (eng. not available)

Elasticiteterna för de tidigare studiernas variabler skiljer sig åt. En orsak till det kan vara den data som man använt sig utav samt hur olika variabler definierats. Exempelvis definierar Claussen (2011) samt Claussen et. Al (2012) realbolåneränta som genomsnittet av 3 månaders statsskuldväxel samt 2- och 5 år långa statsobligations räntor.

Enligt den allmänna jämviktsmodellen leder en högre realränta till att hushållen och företagen, konsumerar och investerar mindre. Vilket leder till lägre produktion och BNP. Med andra ord är det kostsamt att dämpa en prisuppgång i bostadspriser med penningpolitiska verktyg. Synnerligen när riksbanken har andra uppsatta mål, som till exempel inflationsmål. Den allmänna jämviktsmodellen uppmärksammar även hur hushållen har ökat sina preferenser för

23

bostäder relativt annan konsumtion. Detta resulterar i att huspriserna stiger ännu mer. Den ekonometriska modellen lyckas inte fånga upp dessa effekter.

Den långsiktiga modellen som kan ses i tabell 6.4 skiljer sig delvis från de resultat som Claussen (2012) samt Claussen et. Al. (2011) fått. Resultaten i denna studie är som tidigare nämnts i linje med resultaten från Hort (1998). Jämförelsen bör dock utföras med viss försiktighet eftersom Hort (1998) inte använder samma förklaringsvariabler som denna studie. De variabler som bekommit signifikanta är samma variabler som Claussen et. Al. (2011) samt Claussen (2012) använt sig utav.

Error correction termen som brukar kallas för bubbelupptäckaren i den kortsiktiga modellen behöver nödvändigtvis inte leva upp till sitt namn. Det kan ta lång tid för de kortsiktiga priserna att konvergera mot de långsiktiga priserna vid exempelvis en förändring av en oberoende variabel som höjer (sänker) efterfrågan och därmed höjer (sänker) de kortsiktiga priserna.

Tabell 7.2: Översikt av tidigare studiers fel justeringsterm samt förklaringsgrad

Studie Error correction term Förklaringsgrad (R2₎

Claussen (2012) -0,08 0,59

Claussen et al. (2011) -0,1 N/A

Hort (1998) -0,84 0,81

Denna studie -0,58 0,99

24

Figur 7, som är hämtad ifrån Ekonomistas illustrerar hur nominella bostadspriser och nominell disponibel inkomst har utvecklats de senaste tio åren. I figuren går det att se att från och med 2007 har disponibel inkomst ökat hastigare än bostadspriserna.

Figur 7: nominella utvecklingar av huspriser och disponibel inkomst

Källa: Ekonomistas 2014

Sammanfattningsvis förklarar den allmänna jämviktsmodellen de höga bostadspriserna av låga realräntor, ökade inkomster och ökade preferenser för bostäder relativt annan konsumtion. Modellen tar även en viss hänsyn till spekulativt beteende, som orsakar bostadsbubblor. Men om anledningen till analysen av bostadsmarknaden endast är för att finna en robust statistisk relation mellan olika variabler, behöver vi inte oroa oss över det faktum att de rationella personernas handlingar kan vara spekulativa.

Definitionen av en bostadsbubbla är svår att behandla i praktiken och historien har visat att bostadsbubblor är svåra att identifiera förrän bubblan blivit väldigt stor. När den danska bostadsbubblan sprack under 2000-talet kunde inga ekonometriska modeller varken förutspå den kraftiga ökningen eller fallet i huspriser. Uppgången drevs av förväntningar på framtida kapitalvinster på hus (Sørensen, 2013). Om vi är intresserade av resonemangen bakom det spekulativa beteendet är ekonometrisk analys av data på tidsserier inte tillräcklig. Det krävs istället mikro data, speciellt survey data. Detta utförs inte i den här studien, dock förhåller sig denna studie ändå till riskerna kring en bostadsbubbla.

25

8. Slutsats

Syftet för denna uppsats var att skatta om den svenska bostadsmarknaden är övervärderad. Detta har utförts med hjälp av ECM som ekonometrisk modell där huspriserna ställts mot de oberoende variablerna realränta, disponibel inkomst och tillgångar. Denna ekonometriska modell är det primära verktyget inom forskning av bostadsmarknaden. Modellen förklarar utvecklingen av bostadspriserna väldigt bra och beskriver uppgången i huspriserna sedan 1996 till störst del av ökad disponibel inkomst och sänkta realräntor. Hushållens finansiella tillgångar spelar en mindre roll. Vid slutet av 2014 var bostadsmarknaden enligt ECM varken över- eller undervärderad.

Figur 8, hushållens skulder i förhållande till inkomst

Källa: Ekonomistas 2014

Graf 8 är hämtad från Ekonomistas och illustrerar utvecklingen av kvoten mellan hushållens skulder i förhållande till inkomster. Höga skulder ökar riskerna vid räntehöjningar och bostadsprisfall. Som man kan se avtog uppgången i slutet av år 2010 efter att Finansinspektionen (FI) införde ett bolånetak på 85 procent. Detta innebär dock inte att skuldkvoten är på säkra nivåer. Policyåtgärder som amorteringskrav eller skuldkvotstak är nödvändigt. Vid ett eventuellt amorteringskrav bör det utföras med viss försiktighet eftersom det är en brist på empiriskt underlag. FI presenterade år 2013 ett förslag om att alla banker ska redogöra amorteringsplaner för sina bolånekunder. Detta genomförs i nuläget av bankerna. En alternativ policyåtgärd för att bromsa låneincitamenten är att avskaffa ränteavdraget. Det vore i synnerhet lämpligast att utföra när räntorna är låga. I dagsläget är den genomsnittliga

26

bolåneräntan innan skatt 2,04 procent. Vid en skattesats om 25 procent är genomsnittsräntan efter skatt 1,53 procent. Ett upphävt ränteavdrag skulle enligt studiens modell leda till ett husprisfall om ca 1,7 procent. Trots det lägre prisfallet förordas försiktighet. Ett förslag vore att förutbestämt stegvis trappa ner ränteavdraget under en längre tidsperiod så att banker och hushåll är medvetna om reformeringen och kan förhålla sig till förändringarna. Samtidigt redovisar FI:s stabilitetsrapport (2014) att hushållen har stora tillgångar och god betalningsförmåga. FI presenterar även stresstester som visar att de flesta hushållen klarar av räntehöjningar och ett bostadsprisfall. De primära riskerna kring skuldkvoten är därmed inte kreditförluster för bankerna, utan snarare att hushållen drar ner på konsumtionen vilket påverkar den ekonomiska tillväxten negativt.

Vid framtida studier av bostadsmarknaden med ekonometriska modeller rekommenderas fler oberoende variabler. Framförallt byggnadskostnad eftersom denna variabel har en signifikant inverkan på bostadspriser enligt den allmänna jämviktsmodellen och tidigare forskning. Eftersom ECM inte tar hänsyn till att variablerna är endogena kan det kompletteras med en Vector error correction modell (VECM).

27

9 Referenser

9.1 Data källor:

Ekonomi fakta [2015]. Disponibel inkomst.

http://www.ekonomifakta.se/Fakta/Ekonomi/Hushallens-ekonomi/Hushallens-inkomster/

[2015-11-16]

Statiska centralbyrån (2015). Fastighetsprisindex för fritidshus.

http://www.statistikdatabasen.scb.se/pxweb/sv/ssd/START__BO__BO0501__BO0501A/Fast piFritidshusKv/?rxid=ddb07d57-f70c-4c5c-bac6-c8575b169543 [2015-11-16]

Statiska centralbyrån (2015). Skulder och tillgångar.

http://www.scb.se/sv_/Hitta-statistik/Statistik

efteramne/Finansmarknad/Finansrakenskaper/Sparbarometern/7811/7818/ [2015-11-16]

Eriksson, Maria. Senior ekonom vid Sveriges riksbank, kontakt via E-mail. Statistik för ”Bostadsinstitutens utlåningsräntor 1996-2015”, [2015-11-13]

9.2 Elektroniska källor:

Aleksander Janeš. 2012. Error Correction model for the service company

http://issbs.si/press/ISBN/978-961-6813-10-5/papers/ML12_083.pdf, [2015-12-03]

Ahmed Al-Azzam och David Hawdon. 1999. Estimating the Demand for Energy in Jordan: A

Stock-Watson Dynamic OLS (DOLS) Approach.

http://www.seec.surrey.ac.uk/research/SEEDS/SEEDS97.pdf, 2015-12-05]

Eduard Baumöhl och Stefan Lyocsa. 2009. Stationarity of time series and the problem of

spurious regression

https://mpra.ub.uni-muenchen.de/27926/1/Stationarity_of_time_series_and_the_problem_of_spurious_regression .pdf, [2015-12-01]

28

Bengt Turner and Stephen Malpezzi. 2011. A review of empirical evidence on the costs and

benefits of rent control.

http://www.government.se/contentassets/6e57e1d818bb4b289ac512bb7d307fa5/bengt-turner--stephen-malpezzi-a-review-of-empirical-evidence-on-the-costs-and-benefits-of-rent-control, [2015-11-30]

Carl Andreas Claussen. 2012. Are Swedish Houses Overpriced?

http://www.riksbank.se/Documents/Forskning/Personliga_webbsidor/2011/Houseprices_Dec _2011.pdf, [2015-11-04]

Carl Andreas Claussen, Magnus Jonsson och Björn Lagerwall. 2011. En makroekonomisk

analys av bostadspriserna i Sverige

http://www.riksbank.se/Upload/Rapporter/2011/RUTH/RUTH_kap2.pdf, [2015-11-27]

International Monetary Fund. 2014. 2014 Article IV Consultation— Staff Report; Press Realse;

And Statement By The Executive Director For Sweden

http://www.imf.org/external/pubs/ft/scr/2014/cr14261.pdf, [2015-11-25]

Jag skulle aldrig köpa hus i Sverige, “Intervju med Paul Krugman”, SvD http://www.svd.se/jag-skulle-aldrig-kopa-hus-i-sverige, [2015-12-22]

Joseph E. Stiglitz. 1990. Symposium on Bubbles

http://www.econ.ku.dk/okocg/Students%20Seminars%C3%98kon-%C3%98velser/%C3%98velse%202007/artikler/Stiglitz-Bubbles-JEP-1990.pdf, [2015-11-11]

Katinka Hort. 1998. The Determinants of Urban House Price Fluctuations in Sweden 1968–

1994

http://ac.els-cdn.com/S105113779890225X/1-s2.0-S105113779890225X-

29

NOBEL 2015, “Intervju med Robert Shiller”, SVT

http://www.svtplay.se/klipp/1658485/hela-intervjun-med-robert-shiller, [2015-12-29]

Peter Birch Sørensen. 2013. The Swedish Housing Markets: Trends and Risks

http://www.finanspolitiskaradet.se/download/18.11165b2c13cf48416debd71/1420730439471 %20/Underlagsrapport+2013-5+S%C3%B6rensen.pdf, [2015-11-20]

SOU 2013:78. Överskuldsättning i kreditsamhället.

http://www.regeringen.se/contentassets/7d6ed04741ab4b9badd089ed01fd3039/overskuldsatt ning-i-kreditsamhallet-sou-201378-hela-betankandet, [2015-12-26]

9.3 Tryckta källor:

Enders, W. (2010). Applied Econometric Time Series. 4. uppl., New Jersey: John Wiley & Sons. s. 363-412)

Jeffrey M. Wooldridge. (2009) Introductory Econometrics: A Modern Approach, 4th

Edition., s. 624-660

Empirical Econometric Modelling using PcGive: Volumes I-III 5. uppl., London: Timberlake

Consultants Press.

Konjunkturinstitutet (2014). Makroekonomiska effekter av ett bostadsprisfall i Sverige. (Rapport 2014:8). Stockholm: Konjunkturinstitutet.

Stock, J. & Watson, M. (2012). Introduction to Econometrics. 3.uppl., Harlow: Pearson Education Limited., s. 243-245, 406-407, 578-588, 684-686

SOU 2004:036 Reformerade egendomsskatter

Russell Davidson and James G. MacKinnon. (1993) Estimation and Inference in

Econometrics., s. 193, 361-363, 680-684, 701-715, 723-724

Sørensen, B & Whitta-Jacobsen, H. (2010) Introducing Advanced Macroeconomics. 2. Uppl., Mcgraw-Hill Higher Education.