Kan växelkursen ge exporten en skjuts?

NATIONALEKONOMISKA INSTITUTIONEN Uppsala universitet

Examensarbete C

Författare: Lars Winnansson & Jens Lepikko Handledare: Karolina Stadin

Termin och år: VT 2020

Kan växelkursen ge exporten en skjuts?

Sammanfattning

Denna studie syftar till att undersöka om växelkursen har en påverkan på svensk varuexport och om effekten skiljer sig med avseende på varugrupp. För att uppnå syftet används en

ARDL-Approach som skattas med hjälp av tidsseriedata från 32 viktiga handelspartners och 10 viktiga

varugrupper under perioden januari 1995 till december 2019. Två effekter är i fokus: effekten av en real appreciering/depreciering och effekten av en volatil växelkurs. För den totala varuexporten visas signifikanta resultat för att en depreciering av den svenska kronan med 1 % i genomsnitt ökar varuexporten med 0,192 % på kort sikt och med 0,416 % på lång sikt. Effekten av en volatilitetsökning på 1 % skattas till -0,366 % på kort sikt och till -0,794 % på lång sikt, dock utan statistisk signifikans. På varugruppsnivå tyder resultaten på att olika varor påverkas olika av förändringar i växelkursen.

Nyckelord: Växelkurs, ARDL, Volatilitet, Export, Kronindex, Växelkursfluktuationer, ECM

Abstract

The aim of this study is to examine whether the exchange rate has an impact on Swedish export of goods and if this effect differs between different categories of goods. To reach the aim, we use an

ARDL-Approach with time-series data from 32 important trade partners and 10 different

categories of goods during the period January 1995 to December 2019. Two effects are in focus: The effect of real appreciation/depreciation and the effect of exchange rate volatility. In total export of goods, this study finds significant results that a 1 % depreciation of the Swedish crown on average increases exports of goods with 0,192 % in the short-term and with 0,416 % in the long-term. The effect of an increase in exchange rate volatility by 1 % is estimated to decrease the exports of goods with -0,366 % in the short run and -0,794 % in the long run, but without statistical significance. The results imply that different categories of goods are being affected differently by changes in the exchange rate.

Innehållsförteckning

1. Inledning ...3

2. Teoretisk utgångspunkt ... 6

2.1.3 J-Kurvan (J-Curve phenomenon) ... 7

1. Inledning

I augusti 1973 kraschade Bretton Woodssystemet till följd av att USA inte längre kunde garantera dollarns fasta guldvärde, senare känt som Nixonchocken. Till följd av detta tilläts växelkurserna i många av världens utvecklade länder att flyta fritt och sedan dess har litteraturen kring hur den internationella handeln påverkas av fluktuationer i växelkursen ökat markant (Davis et al. 2013). Traditionell ekonomisk teori indikerar att reala växelkursförändringar påverkar länders konkurrenskraft och därmed också̊ i vilken grad man deltar i internationell handel (Samuelson och Nordhaus, 2001). Vid en appreciering av ett lands valuta förändras relativpriserna på̊ så vis att exporten bör öka och importen minska eftersom det blir billigare för utländska konsumenter att köpa inhemskt producerade varor och dyrare för inhemska konsumenter att köpa utländskt producerade varor (Bahmani, Harvey och Hegerty, 2013). Clark (1973) menar dock att det finns en ytterligare effekt av växelkursens rörelser, nämligen den underliggande volatiliteten. Volatila växelkurser antas öka risken av internationell handel vilket gör att riskaversiva aktörer istället återvänder till hemmamarknaden.

Volatila växelkurser tenderar inte enbart leda till ökad osäkerhet för de ekonomiska aktörerna utan också̊ för hela den globala ekonomin i sig. Det kan handla om bland annat oönskade handelsbalanser, inflationsosäkerhet och stora förändringar i produktions- och transaktionskostnader (Juhro och Phan, 2018). Detta gör växelkursen till en viktig makroekonomisk variabel. Effekter som osäkerhet och risk är sällan önskvärda och hur dessa effekter ter sig beror till viss del på̊ vilken typ av växelkursregim som råder. Under merparten av 1900-talet har Sverige tillämpat en fast växelkurs där valutan varit fast knuten mot aningen andra valutor eller till guldreserver. Vid denna växelkursregim användes penningpolitik för att försvara värdet på̊ den inhemska valutan. Med detta gavs även incitament till att devalvera sin egen valuta för att öka sin konkurrenskraft gentemot utlandet. Efter 1973 var den svenska kronan fast mot västtysk mark (1973–1977), en korg av utländska valutor (1977–1991) samt mot “Europeiska

valutaenhetens” (ECU) korg (1991–1992) innan Sveriges Riksbank, under hösten 1992, beslutade

att Sverige skulle övergå till en rörlig växelkurs. Sedan 1992 har därmed den svenska kronans värde bestämts av utbud och efterfrågan.

I augusti månad 2019 kom rapporter om att den svenska kronan nått nya bottennivåer gentemot den amerikanska dollarn. Dollarn handlades då till 9,72 svenska kronor vilket var det högsta priset sedan april 2002 (Dagens Nyheter, 2019). I handelsvägda termer har den svenska kronan försvagats med drygt 23 procent sedan mars 2013 (Ekonomifakta, 2020) och i oktober rapporterade Svenska Dagbladet (2019) om att “Storföretagen tjänar storkovan på den svaga

kronan” (Svenska Dagbladet, 2019). Deras genomgång visade att det låga kronvärdet gav

konstaterade i intervjun med Svenska Dagbladet (2019) att de exempelvis inte kunde sänka sina priser till följd av den försvagade kronan, men bekräftade att deprecieringen medförde en del positiva effekter. En av anledningarna till att företaget inte kunde sänka sina priser till följd av en depreciering skulle kunna vara deltagandet i globala värdekedjor.

Globala värdekedjor innebär att företag idag är mer involverade i internationell handel och att man på så vis kanske påverkas mer av andra valutakursförändringar och inte bara sin egen. Det kan till exempel handla om att en exportvara har flertalet komponenter som är producerade i andra länder (Ollivaud, Rusticelli och Schwellnus, 2015). Det klassiska ekonomiska resonemanget att en svagare växelkurs stimulerar exporten har på senare år därför inte blivit en lika självklar tanke. Frohm (2018) som är verksam på Riksbankens avdelning för penningpolitik menar att konsekvensen av att de svenska företagen blivit mer involverade i globala värdekedjor gjort att kronkursens effekt på exporten blivit mer tvetydig. Ökad involvering innebär att företagen importerar mer varor för produktionen av exportvaror. En svagare växelkurs för kronan behöver därmed inte nödvändigtvis göra exportvaror billigare eftersom priset för insatsvaror till exporten samtidigt ökar. Frohm förkastar dock inte att kronans växelkurs sannolikt har en påverkan på exporten utan menar att dess effekt är svagare än tidigare. Förhållandet mellan USD/SEK och exportutveckling i Sverige är visualiserat i Figur 1 nedan. Det kan tyckas rent visuellt att sambandet är starkt.

Figur 1 visar den svenska exportutvecklingen och kronans valutakursutveckling från 1996 till 2019. På x-axeln redovisas år och på y-axeln redovisas förändringen i procent.

grundar sig främst i att Sverige övergick från fast till rörlig växelkurs 1992 men eftersom det endast finns detaljerade exportdata från januari 1995 valdes det som startpunkt.

För den totala exporten av varor visas signifikanta resultat för att en depreciering av den svenska kronan med 1 % i genomsnitt ökar varuexporten med 0,192 % på kort sikt och med 0,416 % på lång sikt. Effekten av en volatilitetsökning på 1 % skattas till -0,366 % på kort sikt och till -0,794 % på lång sikt, dock utan statistisk signifikans. På varugruppsnivå tyder resultaten på att olika varor påverkas olika av förändringar i växelkursen.

2. Teoretisk utgångspunkt

Införandet av flytande växelkurser efter övergivandet av Bretton Woodssystemet 1973 har gjort växelkursens påverkan på internationell handel till ett både teoretiskt och empiriskt forskningsområde för företag, beslutsfattare, akademiker och andra ekonomiska aktörer (Davis et al. 2013). Växelkursens fluktuationer och dess påverkan på export brukar dock delas upp i två skilda effekter där den ena utgörs av reala växelkursförändringar och den andra utgörs av volatiliteten i växelkursen. Detta kapitel kommer därför redogöra för båda dessa teoretiska utgångspunkter.

2.1 Reala växelkursförändringar

I följande avsnitt presenteras de teoretiska utgångspunkter som rör reala växelkursförändringar, det vill säga vad som händer när den inhemska valutan antingen apprecieras eller deprecieras. En appreciering innebär att valutans värde ökar i förhållande till andra valutor och en depreciering innebär istället att valutans värde minskar i förhållande till andra valutor.

2.1.1 Klassisk handelsteori

Utrikeshandeln innefattar både import, det vill säga varor och tjänster som handlas i hemlandet men som produceras i utlandet, och export, det vill säga varor och tjänster som handlas i utlandet men som produceras i hemlandet. Storleken på dessa import- och exportflöden beror till stor del på relativpriserna mellan utländskt och inhemskt producerade varor och tjänster vilket gör växelkursen till en betydande faktor. I enlighet med den kvantitativa teorin väntas en depreciering av den inhemska valutan göra varor och tjänster producerade på hemmaplan relativt billigare för utländska konsumenter vilket i förlängningen leder till att exporten ökar. På samma sätt bör importen minska eftersom varor och tjänster producerade i utlandet blir relativt sett dyrare (Samuelson och Nordhaus, 2001).

Figur 2 visar hur exporten påverkas av en depreciering av den inhemska valutan. För att illustrera ett sådant scenario används Sverige som exportland och USA som importland vilket innebär att den inhemska valutan är svenska kronor (SEK) och den utländska är amerikanska dollar (USD). Priset i grafen är därför definierat som SEK/USD, det vill säga hur många SEK som krävs för att köpa en USD. 𝑆𝐷 är det inhemska utbudet av export och 𝐷𝐹 är den utländska efterfrågan på svenska

exportvaror, båda skrivna i termer av den inhemska valutan. Den ursprungliga jämvikten är 𝐸1 med

priset 𝑃1 och kvantiteten 𝑄1. När den inhemska valutan (SEK) deprecieras skiftar den utländska

Figur 2 visar deprecieringens påverkan på inhemsk export

2.1.2 Marshall-Lerner villkoret

“Marshall-Lerner”, (M-L) villkoret, beskriver under vilka villkor en depreciering eller devalvering av den inhemska valutan förväntas leda till en förbättrad handelsbalans. Skulle den inhemska valutan antingen devalveras eller deprecieras gentemot andra valutor bör den resulterande prisminskningen dels leda till en ökad exportvolym, men även till en minskad importvolym. Detta eftersom det dels blir billigare för utlandet att handla inhemskt producerade varor och dels eftersom utländskt producerade varor blir relativt sett dyrare. Det finns således en positiv

kvantitetseffekt, men också en negativ kostnadseffekt då inhemska konsumenter och producenter

omedelbart behöver betala högre priser, relativt sett, för de varor man importerar. Nettoeffekten på handelsbalansen blir positiv om förändringar i export- och importvolym skapar en större positiv effekt än den negativa effekt som kommer av att importens pris ökar (Bahmani, Harvey och Hegerty, 2013).

Idag finns en tvetydighet som gjort att det nu resoneras kring att (M-L) villkoret inte håller på kort sikt, utan att det är mer tillämpbart på medellång och lång sikt (Gürtler, 2019). Till stor del beror detta på olika tidsfördröjningar, ofta orsakade av handelskontrakt och andra former av avtal, som gör att exportefterfrågan många gånger är oelastisk på kort sikt (Krueger, 1983). Fenomenet kallas för J-curve phenomenon (J-kurvan) och huruvida nettoeffekten av en depreciering är positiv eller negativ beror alltså på om kvantitetseffekten är större än kostnadseffekten (Bahmani-Oskooee och Ratha, 2007). Skulle det vara så, innebär det att (M-L) villkoret är uppfyllt. Med anledning av detta förväntas en valutakursförändring inte ha en omedelbar effekt på exportvolymen (Bahmani, Harvey och Hegerty, 2013).

2.1.3 J-Kurvan (J-Curve phenomenon)

J-kurvan är ett fenomen som illustrerar hur en initial förlust följs upp av en snabb och kraftig

deprecieringens fördröjningseffekter på handelsbalansen (Black, Hashimzade och Myles, 2013). Denna kurva illustrerar hur ett lands handelsbalans först snabbt försämras till följd av en depreciering av den inhemska valutan för att sedan återhämta sig och på sikt också förbättras (Halicioglu, 2007). Rörelsen kan därför liknas med bokstaven J, därav namnet J-kurvan. Fenomenet grundar sig i och utgår alltså från att importens och exportens handelsvolymer på kort sikt endast upplever små förändringar till följd av en deprecierad valuta men att de på längre sikt hinner anpassa sig och då upplever förbättringar till följd av mer attraktiva priser för utländska konsumenter (Bahmani-Oskooee och Ratha, 2007). Samtidigt som de utländska konsumenterna upplever mer attraktiva priser på de inhemska varorna så kommer inhemska producenter uppleva mindre attraktiva priser på den utländska marknaden vilket leder till att de importerar mindre. Dessa händelser skapar i slutändan ett överskott i handelsbalansen. Samma ekonomiska resonemang kan användas för att beskriva de kortsiktiga och långsiktiga konsekvenserna en apprecierad valuta, som istället skulle resultera i en inverterad J-kurva.

2.1.4 Globala värdekedjor

Globala värdekedjor syftar till den ökade involvering i globala produktionsnätverk som företag tagit del av till följd av globaliseringen. Detta har medfört att en svensk exportvara med stor sannolikhet har komponenter som producerats utomlands. De senaste åren har det förts en flitig diskussion om växelkurserna i den moderna globala ekonomin är mer eller mindre frikopplade från handelsflödena. Det vill säga att växelkursen har en liten, om ens någon effekt på ett lands internationella handel. Ollivaud, Rusticelli och Schwellnus (2015) skriver i en OECD-rapport att bland annat Storbritannien och Japan upplevt stora deprecieringar av den inhemska valutan utan att uppleva särskilt stora exportökningar. Rapporten lägger fram empiriska bevis från ett antal OECD-länder som visar att deltagande i globala värdekedjor kan ha minskat effekten av en förändrad växelkurs.

2.2 Volatilitet

insignifikant, men att den kan vara både positiv och negativ. Till följd av detta delas växelkursens volatilitet upp i positiva och negativa effekter.

2.2.1 Negativa effekter

Att växelkursens volatilitet skapar osäkerhet och på så vis också en risk för både exportörer och importörer har redan tidigare konstaterats då flertalet empiriska studier har visat resultat som styrker denna tes. Den generella implikationen från bland annat Baron (1976), Hooper och Kohlhagen (1978), Broll (1994) och Wolf (1995) är att högre risk i växelkursen leder till lägre förväntade intäkter som därmed minskar incitamenten till internationell handel. Även Clark (1973) beskrev denna volatilitet som en stor källa till osäkerhet och menade att den internationella handeln mellan företag minskar till följd av den.

2.2.2 Positiva effekter

Volatila växelkurser innebär inte enbart en stor risk utan också en stor möjlighet för företag att öka sina vinster. De Grauwe (1988) argumenterar för att osäkerheten förenad med högre volatilitet kan leda till ökad export. Om en väldigt riskaversiv exportör vill undvika en eventuell växelkursförändring som skapar mindre lönsamhet föredrar han att sälja sina varor till nuvarande priser. Exportörer lägger störst vikt vid att undvika det värsta tänkbara scenariot snarare än att invänta en mer fördelaktig växelkurs. De Grauwe analyserar detta i form av inkomst- och substitutionseffekter där en ökad volatilitet leder till att man substituerar den nu mer riskfyllda verksamheten med någon annan. I termer av inkomsteffekten ger den ökade volatiliteten lägre nytta för en riskaversiv exportör och de behöver därmed exportera mer för att uppnå liknande nytta som tidigare. Om inkomsteffekten dominerar kommer exporten att öka.

2.3 Teoretisk sammanfattning

3. Tidigare forskning

Vieira och MacDonald (2016) undersöker hur växelkursen påverkat exportvolymen för 106 länder under perioden 2000–2011. Till sin hjälp använder man indexet Real Effective Exchange Rate (REER) och resultaten visar att när REER ökar, det vill säga när den inhemska valutan apprecieras jämfört med andra valutor, minskar exporten. Dock är detta samband endast statistisk signifikant när länder som bedriver export av olja är med i urvalet. Vieira och MacDonald menar att exportvolymen generellt sett är pris- och inkomstoelastisk.

Frohm (Riksbanken, 2018) skriver i Riksbankens ekonomiska kommentar att sambandet mellan växelkursen och exporten blivit svagare till följd av att svenska företag ökat sin involvering i globala värdekedjor. Det finns exempelvis specifika fall där exporten kan sjunka till följd av en kronförsvagning. Generellt sett ger en kronförsvagning dock en positiv effekt på exporten. Rapportens resultat kan summeras genom att växelkursens effekt på svensk export har blivit svagare, men att de fortfarande är kopplade till varandra i viss grad.

Ahmed et al. (2015) undersöker hur ökad involvering i globala värdekedjor påverkar växelkursens elasticitet på export under 1996–2012 för europeiska och centralasiatiska länder. Författarna menar att den ökade involveringen i globala värdekedjor i genomsnitt minskat växelkursens elasticitet på exporten med 40 %. För länder med hög involvering i globala värdekedjor har elasticiteten minskat med 50 %. Detta medför att exportens priskänslighet av växelkursen alltså sjunkit till följd av att länder använder mer importvaror i produktionen av exportvaror.

Clark (1973) tittar specifikt på volatiliteten och argumenterar för att en volatil växelkurs gör det svårt för ekonomiska aktörer att förutse värdet av utländska transaktioner. Denna svårighet att värdesätta olika transaktioner skapar en allt större osäkerhet som inte bara innebär högre kostnader utan också högre risk vilket sannolikt minskar den internationella handeln. Ett riskaversivt exportföretag skulle till följd av en ökad volatilitet minska sin globala handel så att utbudskurvan skiftar uppåt till vänster. Med hjälp av en perfekt valutamarknad menar Clark (1973) att variationen i vinst kan minskas men inte fullt ut elimineras.

på handelsflöden, i 25 studier hittar man inga bevis för varken en positiv eller negativ effekt och i 6 studier hittar de positiva effekter av växelkursvolatilitet på handelsflöden.

Sugiharti, Esquivivas och Setyorani (2020) undersöker hur exporten för Indonesias främsta exportvaror till dess främsta handelspartners påverkas av reala apprecieringar/deprecieringar och förändringar i den underliggande volatiliteten. De använder sig månatliga data från 2006 till 2018 och en AutoRegressive Distributed Lag model (ARDL) för att undersöka detta. De finner att volatiliteten visar signifikanta effekter för malm, kemikalier, gummi och pappersmassa till Indien, Japan, Sydkorea och USA. Fyra av dessa varor visar ett negativt tecken. Studien finner generellt sett signifikanta effekter för reala apprecieringar/deprecieringar och kan konstatera att storleken på estimaten skiljer sig mellan specifika varor och handelspartners. Varorna kan visa både positiva och negativa tecken. De finner med andra ord att varuexporten kan sjunka för en vara och öka för en annan till följd av förändring i real växelkurs.

Bahmani-Oskooee och Aftab (2017) undersöker handeln mellan Malaysia och USA och hur den påverkas av förändringar i växelkursen. De använder sig av månadsdata för 54 malaysiska industrier som exporterar till USA och 63 som importerar från USA. Studien estimerar en

Error-correction model (ECM) som är härledd från en ARDL och analyserar handeln för olika malaysiska

industrier. Studien använder sig både av real växelkurs och volatilitet i växelkursen som variabler för att förklara sambandet. Resultaten visar att det för ⅓ av de undersökta industrierna finns effekter av både reala apprecieringar/deprecieringar och volatilitet.

4. Data

För att avgöra om växelkursen har en påverkan på svensk varuexport används en grundläggande exportfunktion som presenteras i ekvation (1). I detta avsnitt presenteras, förklaras och utvärderas denna modell, dess variabler och den data som studien bygger på. Studiens data sträcker sig från januari 1995 till december 2019, är redovisad på månadsbasis och kommer från Statistiska

Centralbyrån (SCB), Organisation for Economic Co-operation and Development (OECD) och från Sveriges Riksbank. Det finns således en observation per månad vilket innebär att det

ursprungligen1 finns totalt 300 observationer. Till viss del presenteras studiens data grafiskt med hjälp av diagram men till stor del presenteras den skriftligt. I appendix (Avsnitt A) redovisas mer utförlig deskriptiv statistik för samtliga variabler.

De länder som i detta avsnitt beskrivs som "32 av Sveriges viktigaste handelspartners" är samma länder som inkluderas i Riksbankens kronindex. Länderna är på så vis utvalda utifrån Riksbankens kriterier som grundar sig på om ländernas handel med Sverige kan påverka den svenska växelkursen. Alsterlind (2006) menar att kriterierna är något godtyckliga men att man i regel inkluderar länder vars export- eller importandel är högre än 0,5 procent. Detta behöver senare justeras då väsentliga data för vissa länder kan saknas och att kriteriet kan leda till olika länder under olika år. I appendix (Avsnitt D) redovisas samtliga länder som inkluderas.

4.1 Modellen

Bahmani-Oskooee och Aftab (2017) föreslår att efterfrågan på exporterade varor kan skrivas som en funktion av inkomsten hos landets handelspartners, den verkliga bilaterala växelkursen och volatiliteten i denna växelkurs. I linje med detta ser den grundläggande modellen i denna studie ut enligt följande:

𝑙𝑛𝐸𝑥𝑝𝑡 = 𝛽0+ 𝛽1𝑙𝑛𝐼𝐼𝑃𝑡+ 𝛽2𝑙𝑛𝐾𝐼𝑋𝑡+ 𝛽3𝑙𝑛𝑉𝑂𝐿𝑡+ 𝜀𝑡 (1) där 𝐸𝑥𝑝𝑡 är storleken på svensk export av varor i period t, 𝐼𝐼𝑃𝑡 ett sammanvägt index för industriell

produktion hos handelspartners, 𝐾𝐼𝑋𝑡 den effektiva växelkursen och 𝑉𝑂𝐿𝑡 är volatiliteten i denna

växelkurs. För att underlätta tolkning används den naturliga logaritmen för samtliga variabler. Följande avsnitt förklarar närmare hur variablerna tagits fram, var de kommer ifrån, vad de är tänkta att fånga och vilken som är den förväntade effekten av respektive variabel.

4.1.1 Export

I denna studie används dels total varuexport och dels varugrupsspecifik export till 32 av Sveriges viktigaste handelspartners som beroende variabel. Detta innebär att vid fallet av exempelvis trävaror består variabeln av total trävaruexport till dessa handelspartners. Variabeln är hämtad från SCB (2020) och Figur 3 visar den totala varuexportens utveckling från januari 1995 till december 2019. Samtliga exportvariabler, total varuexport såväl som varugruppspecifik, är inflationsjusterade. Således kan studien skatta förändringen av varuexport i reala termer då variationen skapat av inflation är eliminerad2.

Figur 3 visar total export till de 32 handelspartners som ämnas undersökas från 1995–2019. Exportvariabeln är logaritmerad och observationerna är på månadsbasis men för att underlätta tolkning har var 12:e månad, det vill säga varje årsskifte, ritats ut i grafen.

Figur 3 visar att den svenska varuexporten ökat under perioden 1995–2019. Variabeln ser även ut att vara säsongsberoende då lägsta punkten för varje år tenderar att vara strax efter mitten på året. Figuren visar också att varuexporten följer en positiv trend. För att spara plats redovisas inte denna utveckling för de olika varugrupperna men vi försäkrar att utvecklingarna inte skiljer sig markant. De tio viktiga varugrupperna valdes efter två kriterier. Dels ska de stå för en betydande del av varuexporten och dels ska det finnas information om hur stor andel importvaror som används i produktionen av dessa varor. I och med att studien till en början ämnade undersöka de tio största exporterade varugrupperna hade det varit önskvärt med full information om andelen importerade komponenter. Dock är tillgången till sådan information aningen begränsad vilket gjort att OECD:s tabell över Import content of exports för 35 olika varugrupper används som bas. I ett andra steg har dessa varugrupper samkörts mot exportstorlek för att få fram de tio största varugrupperna utifrån tillgänglig information. De valda varugrupperna presenteras i tabell 1 nedan och trots att de inte är de tio största stod de ändå för drygt 54 % av den totala varuexporten vid periodens mitt3.

2 För vidare förklaring av tillvägagångssätt, se Avsnitt B i appendix.

3 Beräknat efter att summerat exporten för de 10 varugrupperna för att sedan dividera med totalen (2007).

Tabell 1 visar importandel av export (i procent) för 10 av Sveriges viktigaste exportvaror under åren 2005, 2010 och 2015. Andelen presenteras i procent.

Varugruppskod Varugruppsnamn 2005 2010 2015

27 Mineraliska bränslen 78,1 70,1 59,3

29 Organiska kemikalier 20,9 21,7 20,3

39 Plaster och plastvaror 30,4 29,8 30,3

44 Trä och varor av trä 22,7 23,1 22,4

48 Papper och papp 22,2 24,8 22,4

72 Järn och stål 33,4 41,6 32,6 73 Varor av järn och stål 25,8 27,7 25,7 85 Elektriska maskiner 35,4 35,4 33,8 87 Fordon 31,9 29,4 28,3 90 Optiska instrument 25,4 28,4 21,2 Källa: OECD, 2020

Tabell 1 visar bland annat att Mineraliska bränslen har en andel på 78,1 procent (2005) och att

Organiska kemikalier har en andel på 20,9 procent. Tabellen visar även att andelarna inte

förändrats markant under perioden 2005 till 2015.

4.1.2 Kronindex

Kronindex (KIX) är ett valutakursindex som väger samman olika bilaterala växelkurser till en

effektiv växelkurs och som varje månad presenteras av Sveriges Riksbank (2020). Högre värde på indexet innebär en försvagad krona och ett lägre värde innebär en förstärkt krona gentemot den korg av valutor som utgör indexet. Vikterna bygger på handelsflöden från 32 viktiga svenska handelspartners och uppdateras årligen. Eftersom studiens data sträcker sig från 1995–2019 har

kronindexets vikter från periodens mitt (2007) använts. 2007 utgjorde länder i euroområdet

50,29 % av den totala vikten, där Tyskland hade den största på 17,25 %. Länder med betydande vikter utanför euroområdet var bland annat USA (9,82 %), Storbritannien (7,77 %), Norge (4,94 %) och Kina (3,5 %). Samtliga länder inkluderade i kronindex redovisas under Avsnitt D i appendix. Denna variabel är tänkt att fånga sambandet mellan en real appreciering/depreciering av den svenska kronan och storleken på den svenska varuexporten. Koefficienten för kronindex i ekvation

(1) förväntas visa ett positivt tecken. Detta eftersom en depreciering av valutan förväntas öka exporten. Det finns olika valutaindex som används i liknande studier, bland annat REER (Real

Effective Exchange Rate) där den gemensamma nämnaren mellan de olika måtten är att indexen

Figur 4 visar kronindexets (KIX) utveckling från januari 1995 till december 2019. Kronindexet är logaritmerat, observationerna är per månad.

4.1.3 Industriellt produktionsindex

Industrial production index (IIP), på svenska industriellt produktionsindex, används här som ett

mått på inkomstnivån i utlandet. För att förklara storleken på den svenska exporten krävs ett sådant mått, då tidigare studier visat att sådana variabler har en stor förklaringsgrad. Flertalet studier på området gällande växelkursens påverkan på exporten använder sig av

Bruttonationalprodukten (BNP) som ett mått på utländsk efterfrågan4. Dock ges detta mått endast på års- eller kvartalsnivå och eftersom studien bygger på månadsdata för att få fler observationer används en annan proxy. Både Bahmani-Oskooee och Aftab (2017) och Sharma och Pal (2018) använder sig av det industriella produktionsindexet som ett mått på utländsk efterfrågan, vilket även denna studie kommer att göra då det ges på månadsbasis.

Figur 5 visar utvecklingen för det sammanvägda produktionsindexet “Industrial production index” för Sveriges största handelspartners från januari 1995 till december 2019.

4 se exempelvis Serenis och Tsounis (2012).

Variabeln avser redovisa den effekt förändringar av utländsk inkomstnivå har på den svenska varuexporten, det vill säga vad som händer med varuexporten när storleken hos de utländska ekonomierna förändras. Koefficienten för IIP i ekvation (1) förväntas ha ett positivt tecken då en förstorad utländsk ekonomi sannolikt påverkar exporten positivt. Sambandet är således skilt från förändringar i relativpriser som kronindex är tänkt att fånga och skapar på så vis en modell som är mer förenlig med tidigare studier och med en högre förklaringsgrad då utländsk produktion sannolikt är en påverkande faktor. Figur 5 ovan visar att indexet över tid haft en positiv utveckling med en abrupt minskning under 2008.

Denna data är hämtad från OECD (2020) och inkluderar samtliga länder i kronindex. IIP variabeln har sedan viktats med kronindexets vikter från 2007 för att få ett sånt väl anpassat IIP mått som möjligt. Kina, Island, Schweiz, Nya Zeeland och Australien saknar månadsdata för IIP under perioden 1995–2019. Dessa fem utgjorde tillsammans drygt 6 % av de totala vikterna 2007. Med anledning av detta har vikterna beräknats på nytt så att de kvarvarande ländernas vikter summerar till ett. Bortfallet av Island, Schweiz, Nya Zeeland och Australien påverkar förmodligen inte resultatet avsevärt i och med relativt små vikter men att Kina med sin vikt på 3,5 % saknas är naturligtvis inte optimalt. Både svensk export till Kina (SCB, 2020) och Kinas IIP (OECD, 2020) har ökat under perioden. Sannolikt hade IIP variabeln varit mer korrelerad med varuexporten vid inkluderandet av Kina. Studiens avsikt är dock inte redovisa precisa skattningar för IIP utan variabeln inkluderas som en proxy för BNP för att få en modell med högre förklaringsgrad och att utesluta att kronindex eller volatiliteten fångar variation som egentligen tillfaller denna variabel. Bortfallet av Kina bör därmed inte vara avgörande för studiens analys av växelkursens fluktuationer och dess inverkan på svensk varuexport.

4.1.4 Volatilitet

Variabeln för volatilitet baseras på Kronindex och avser fånga sambandet mellan växelkursens volatilitet och storleken på varuexporten. Trots att den teoretiska aspekten visar att en ökad volatilitet kan innebära en stor möjlighet ser man ofta på ekonomiska aktörer som riskaversiva och därmed förväntas koefficienten för volatiliteten i ekvation (1) ha ett negativt tecken. Det finns flertalet sätt att beräkna denna volatilitet men trots mer avancerade statistiska metoder med ARCH (Autoregressive conditional heteroskedasticity) och GARCH (Generalized autoregressive conditional heteroskedasticity) modeller väljer bland andra Serenis och Tsounis (2012) två enklare estimatorer, standard deviation of the moving average och high and low peak dummy.

vara bättre. Med anledning av detta används standard deviation of the moving average som mått på växelkursvolatilitet och räknas fram genom följande formel:

𝑉𝑡+𝑚= ( 1 𝑚 ∑(𝑅𝑡+𝑖−1− 𝑅𝑡+𝑖−2) 2 𝑚 𝑖=1 ) 1/2 (2)

där 𝑅 står för den effektiva växelkursen, i detta fall kronindex, och 𝑚 för antalet perioder. Serenis och Tsounis (2013) skriver att 𝑚, det vill säga antalet perioder som man använder vid beräkning av volatiliteten oftast är mellan 4–12 perioder. Lägre värden på m ger större variation medan högre värden ger lägre. Då det inte råder något konsensus om huruvida variabeln för volatilitet ska vara så volatil eller stabil som möjligt kommer denna studie använda sig av 8 perioder, vilket är det mittersta antalet av Serenis och Tsounis rekommenderade antal5. Figur 6 visar att volatiliteten för kronindex inte verkar följa någon specifik trend eller säsongsvariation.

Figur 6 visar volatiliteten för kix indexet under 1995–2019.

5 Tester har genomförts för att se om resultaten skiljer sig för olika värden på m men resultaten visar att

skattningarna inte påverkas nämnvärt för fler eller färre perioder vilket gör att detta inte borde vara avgörande för resultaten. I appendix (Avsnitt C) illustreras grafiskt vad som sker när vi ändrar värde på m.

5. Empirisk specifikation

I detta kapitel presenteras den empiriska metod som används, varför denna har valts och en diskussion om dess styrkor och svagheter. För att skatta sambandet mellan växelkursen och svensk varuexport över tid används, likt Bahmani-Oskooee och Aftab (2017), Sugiharti, Esquivivas och Setyorani (2020) och Sharma och Pal (2018), en “ARDL-Approach”. En Auto-Regressive

Distributed Lag Model (ARDL) är i grunden en Ordinary Least Square model (OLS) med vissa

modifikationer (Shrestha och Bhatta, 2018). ARDL estimeras via OLS men använder sig av ett antal laggade värden, både på den beroende och de oberoende variablerna på höger sida av ekvationen, för att förklara hur sambandet ser ut. Detta för att tidigare värden ofta är med och förklarar framtida värden. Användandet av laggar gör att modellen dels kan fånga effekten från denna period men också effekten från tidigare perioder.

Genom denna ARDL-Approach kan en Error-Correction Model (ECM) som visar lång- och kortsiktiga koefficienter estimeras. En ECM kräver att variablerna i modellen visar ett långsiktigt samband. För att avgöra huruvida ett sådant existerar används bland annat Pesaran et als (2001) “ARDL Bounds Test” för kointegration. När kointegration har styrkts kan långsiktiga koefficienter estimeras. Detta tillvägagångssätt gör att ekvation (1), likt Bahmani-Oskooee och Aftab (2017) kan skrivas som en Error-Correction Model i ekvation (3) vid styrkandet av kointegration:

Δ𝑙𝑛𝐸𝑥𝑝𝑡 = 𝛽0+ ∑ 𝛽1Δ𝑙𝑛𝐸𝑥𝑝𝑡−𝑗 𝑛1 𝑗=1 + ∑ 𝛽2Δ𝑙𝑛𝐼𝐼𝑃𝑡−𝑗 𝑛2 𝑗=0 + ∑ 𝛽3∆𝑙𝑛𝐾𝐼𝑋𝑡−𝑗 𝑛3 𝑗=0 + ∑ 𝛽4∆𝑙𝑛𝑉𝑂𝐿𝑡−𝑗 𝑛4 𝑗=0 + 𝛿1𝑙𝑛𝐸𝑥𝑝𝑡−1+ 𝛿2𝑙𝑛𝐼𝐼𝑃𝑡−1+ 𝛿3𝑙𝑛𝐾𝐼𝑋𝑡−1+ 𝛿4𝑙𝑛𝑉𝑂𝐿𝑡−1+ 𝜀𝑡 (3)

Där 𝛽₀ interceptet, 𝛽1, 𝛽2, 𝛽3 och 𝛽4är de kortsiktiga koefficienterna som är beräknad genom första differensen och 𝛿₂, 𝛿₃ och 𝛿₄ är de långsiktiga koefficienterna vilka är estimerade av första laggen. Dessa är giltiga vid styrkandet av kointegration. Indexet “j” står för antalet laggar och för variablerna 𝐼𝐼𝑃, 𝐾𝐼𝑋 och 𝑉𝑂𝐿 tillåts värdet gå från noll till åtta perioder. Anledningen till att variabeln för varuexporten tillåts gå från period ett till åtta är att varuexporten i nuvarande period inte kan vara med och förklara varuexporten i nuvarande period. Det optimala antalet laggar baseras på Schwarz Bayesian Information Criteria (SBIC). I linje med Bahmani-Oskooee och Aftab (2017) sätts det maximala antalet laggar till åtta6. De långsiktiga koefficienterna är normaliserade i 𝛿1, vilket är koefficienten för 𝑙𝑛𝐸𝑥𝑝𝑡−1. 𝑙𝑛𝐸𝑥𝑝𝑡−1är modellens justeringsterm och estimerar den tid det tar för variablerna i modellen att gå från den kortsiktiga avvikelsen till den långsiktiga jämvikten. Antalet perioder det tar för variablerna att återgå till sin långsiktiga jämvikt kan beräknas som 1/justeringstermen (Sugiharti, Esquivivas och Setyorani, 2020).

Kointegration indikerar att trots att variablerna kan vara en blandning av både stationär och icke stationär nivå existerar det en långsiktig jämvikt som variablerna tillsammans går mot (Shrestha och Bhatta, 2018). Detta implicerar att avvikelser från den långsiktiga jämvikten endast kan ske på kort sikt (Arize, 2017). Således är kointegration en vital del för att långsiktiga koefficienter i en ECM ska kunna estimeras. Kointegration kan styrkas genom tidigare nämnda Pesaran et al. (2001) “ARDL Bounds Test”. Detta är dock inte det enda sättet kointegration kan styrkas. Arize (2017) menar att kointegration även kan existera när justeringstermen som en Error-correction model estimerar är signifikant och visar ett negativt värde mellan 0 och -1. Således är kointegrationen och justeringstermen viktiga indikatorer huruvida modellen är stabil eller inte. För att ytterligare kunna avgöra felkorrigeringsmodellernas stabilitet inkluderas även ett Lagrange multiplier test (LM-Test) för seriekorrelation där den alternativa hypotesen indikerar att modellen störs av seriekorrelerade residualer. Resultaten från detta LM-Test, resultatet från Pesaran et al. (2001)

ARDL Bounds Test och den justerade förklaringsgraden kommer tillsammans med

justeringstermen utgöra den diagnostiska delen av resultatet.

Felkorrigeringsmodellen i ekvation (3) kan alltså estimera kortsiktiga och långsiktiga koefficienter och blir därmed särskilt användbar när variabler som föreslås ha dynamiska effekter är inkluderade i modellen. En annan utmärkande egenskap felkorrigeringsmodeller innehar menar Arize (2017) är att den kan appliceras på tidsserier med både icke-stationära och stationära variabler samt variabler som är kointegrerade på I (0) och I (1) nivån. Samtidigt menar Arize att ARDL metoden inte ska användas om någon av variablerna är stationära på I (2) nivån. För att estimera en felkorrigeringsmodell behövs det därav undersökas att ingen av variablerna är av enhetsrot I (2).

5.1 Stationäritet

Att en tidsserie är stationär innebär att egenskaper som varians, autokorrelation och väntevärde hos en tidsserie är konstanta och inte ändras över tid (Stock och Watson, 2015). Icke-stationära tidsserier är i regel oförutsägbara vilket gör dem svåra att modellera och prognostisera. Sådana skattningar har ofta missvisande förklaringsgrad och t-statistikor vilket får allvarliga konsekvenser då skattningarna kan tyda på ett starkt samband när det i själva verket inte finns något. Inom statistisk och ekonometrisk modellering talas det därför om stationäritet och att vetskapen om huruvida variablerna är stationära eller inte är av stor vikt för att kunna välja rätt modell (Shrestha och Bhatta, 2018).

En annan vanligt förekommande metod för att avgöra om det finns icke-stationäritet är att genomföra tester för enhetsrot. För att testa för enhetsrot hos variablerna används Augmented

Dickey-Fuller Test (ADF) samt ett Phillips-Perron Test (PP). Nollhypotesen för testen är att

variablerna har en enhetsrot vilket indikerar att variabeln är icke stationär och den alternativa hypotesen är att variablerna är stationära. Resultaten redovisas i tabell 2 nedan, där redovisas att variablerna är en mix av enhetsrot I (0) vilket innebär att variablerna är stationära på sin vanliga nivå samt enhetsrot I (1), vilket innebär att variablerna är icke stationära på sin vanliga nivå men blir stationära efter att man tagit första differensen av variablerna. Resultaten för de specifika varugrupperna presenteras under Avsnitt F i appendix. Eftersom variablerna är en mix av I (0) och I (1) talar förutsättningarna för att en felkorrigeringsmodell kan estimeras.

Tabell 2 visar resultatet från ett test för enhetsrot på de fyra variablerna.

ADF PP ADF PP

Variabel Nivå Första differens

Export -3,646*** -2,625* -36,773***

Volatilitet -15,286*** -17,696*** -13,672***

Kronindex -2,321 -2,808* -13,734*** -13,672***

Produktionsindex -2,193 -2,186 -18,602*** -18,606***

Not: *p <0.1 **p <0.05 ***p <0.01. Samtliga variabler är logaritmerade.

5.2 Metodkritik

6. Empiriska resultat

Detta avsnitt presenterar resultaten från skattningar gjorda genom Error-Correction Model (ECM) redovisad i ekvation (3). I den första delen (6.1 Total varuexport) redovisas resultaten i två olika tabeller och i den andra delen (6.2 Specifika varugrupper) redovisas resultaten i tre olika tabeller.

6.1 Total varuexport

Tabell 3 visar både kortsiktiga och långsiktiga koefficienter för den totala svenska varuexporten

Koefficient Estimat Långsiktiga koefficienter IIP L. 2,524*** (0,134) KIX L. 0,416* (0,221) Vol L. -0,794 (2,947) Kortsiktiga koefficienter Export LD. -0,295*** (0,0893) L2D. -0,504*** (0,0764) L3D. 0,417*** (0,0698) L4D. -0,552*** (0,0558) L5D. -0,301*** (0,0532) IIP D. 2,771*** (0,593) KIX D. 0,192* (0,102) Vol D. -0,366 (1,329) Konstant 2,147*** (0,783) Observationer 282

Tabell 3 visar samtliga skattningar för den totala varuexporten. Både den kortsiktiga och den långsiktiga koefficienten för kronindex visar statistisk signifikans på 10 % signifikansnivå, där den kortsiktiga skattas till 0,192 och den långsiktiga till 0,416. Modellen predicerar alltså att en depreciering av den svenska kronan med 1 % i genomsnitt ökar varuexporten med 0,192% på kort sikt och 0,416% på lång sikt. Volatiliteten visar ingen statistisk signifikans men den kortsiktiga koefficienten skattas till -0,366 % och den långsiktiga till -0,794 %. Detta innebär på samma sätt som innan att modellen predicerar att en ökning av volatiliteten med en 1 % i genomsnitt minskar varuexporten med -0,366 % på kort sikt och -0,794 % på lång sikt. Koefficienterna för det

Industriella produktionsindexet och de laggade värdena av varuexporten tolkas på samma sätt

och samtliga variabler visar statistisk signifikans på 1 % signifikansnivå.

Tabell 4 visar de diagnostiska testen för den totala varuexporten.

Variabel 𝒀𝒕−𝟏 (𝑬𝑪𝑴𝒕−𝟏) 𝑩𝒐𝒖𝒏𝒅𝒔 𝑭 − 𝑽ä𝒓𝒅𝒆 𝑹𝟐 (𝑱𝒖𝒔𝒕𝒆𝒓𝒂𝒅) 𝑳𝑴 − 𝑻𝒆𝒔𝒕 Export -0,461*** (0,0929) 7,592*** 0,5558 0,2937 Not: *p <0,1 **p <0,05 ***p <0,01. Standardfel inom parantes

Resultaten i tabell 4 visar att Justeringstermen är signifikant på 1 % signifikansnivå med en koefficient på -0,461. Detta implicerar att det i genomsnitt tar drygt två månader för variablerna att nå sin långsiktiga jämvikt7. Bounds Test visar signifikans på 1 % signifikansnivå vilket indikerar att modellen visar kointegration. LM-Testet visar ingen signifikans, därmed störs inte modellen av seriekorrelerade residualer.

6.2 Specifika varugrupper

I detta avsnitt redovisas resultaten för regressioner gjorda genom Error-Correction Model där den beroende variabeln är varugruppsspecifik export till Sveriges 32 viktigaste handelspartners. Tabell 4 visar de långsiktiga koefficienterna, tabell 5 visar de kortsiktiga koefficienterna och tabell 6 visar diagnostiska test för varugrupperna.

Tabell 5 visar långsiktiga koefficienter estimerade genom felkorrigeringsmodell för 10 olika varugrupper.

Varugruppskod Varugruppsnamn 𝑲𝒐𝒏𝒔𝒕𝒂𝒏𝒕 𝑳𝒏𝑰𝑰𝑷𝒕−𝟏 𝑳𝒏𝑲𝑰𝑿𝒕−𝟏 𝑳𝒏𝑽𝑶𝑳𝒕−𝟏 27 Mineraliska bränslen 0,596 (0,799) 7,006** (1,147) -2,356 (1,868) 17,99 (22,73) 29 Organiska Kemikalier -1,149 (1,392) 6,285 (2,249) -0,263 (3,048) 6,544 (36,34)

39 Plaster och plastvaror -0,126

(0,714) 3,127 (0,478) 0,262 (0,775) -0,814 (10,05) 44 Trä och varor av trä 0,934 (1,135) 6,285*** (2,249) -0,263 (3,048) 6,544 (36,34)

48 Papper och papp 2,500**

(1,031) 0,783** (0,330) 2,027*** (0,688) -8,136 (6,856) 72 Järn och stål 0,849 (1,251) 3,485** (0,619) -0,276 (0,943) -20,65 (16,87) 73 Varor av järn och stål 4,295*** (1,049) 2,959*** (0,388) -0,434 (0,520 -17,36 (12,00) 85 Elektriska maskiner 1,741* (0,943) -0,679 (0,773) 1,072 (1,177) -4,151 (14,46) 87 Fordon 3,596*** (1,262) 3,107*** (0,472) 1,132 (0,768) -35,09*** (11,99) 90 Optiska instrument 1,009 (0,969) 1,633*** (0,404) 1,992** (0,795) 4,666 (7,730) Not: *p <0,1 **p <0,05 ***p <0,01. Standarfel redovisas inom parantes. Kortsiktiga koefficienter för lagg av den beroende variabeln redovisas i appendix

Tabell 5 visar de långsiktiga koefficienterna och konstanterna för de tio specifika varugrupperna. Koefficienten för kronindex visar statistisk signifikans på 5 % signifikansnivå för Trävaror och

Optiska instrument samt på 1 % signifikansnivå för Papper och papp. Koefficienterna är 1,936 för Trävaror, 1,992 för Optiska instrument och 2,027 för Papper och papp. Detta innebär i exempelvis

Koefficienten för Volatilitet visar statistisk signifikans på 5 % signifikansnivå för Fordon samt på 10 % signifikansnivå för Trävaror. Bägge koefficienterna är negativa med ett värde på -35,09 för

Fordon och -17,83 för Trävaror. Tre varugrupper visar positiva koefficienter för Volatilitet, dock

visar ingen av dessa någon statistisk signifikans. Det Industriella produktionsindexet visar statistisk signifikans på 5- och 1 % signifikansnivå för samtliga varugrupper utom Elektriska maskiner. Samtliga koefficienter är även positiva, utom för Elektriska maskiner.

Tabell 6 visar kortsiktiga koefficienter estimerade genom felkorrigeringsmodell för 10 olika varugrupper

Varugruppskod Varugruppsnamn ∆𝑳𝒏𝑰𝑰𝑷𝒕 ∆𝑳𝒏𝑲𝑰𝑿𝒕 ∆𝑳𝒏𝑽𝑶𝑳𝒕 27 Mineraliska bränslen 0,768*** (0,237) -0,258 (0,215) 1,971 (2,666) 29 Organiska kemikalier 0,521** (0,202) -0,00218 (0,255) 0,543 (3,099)

39 Plaster och plastvaror 3,510***

(0,735) 0,0429 (0,124) -0,133 (1,628) 44 Trä och varor av trä 3,990*** (1,009) 0,414** (0,186) -3,812* (2,139)

48 Papper och papp 0,113*

(0,0477) 0,293*** (0,0775) -1,177 (0,854) 72 Järn och stål 4,573*** (1,219) -0,0602 (0,206) -4,498 (2,803) 73 Varor av järn och stål 0,826*** (0,198) -0,0956 (0,151) -4,844** (2,278) 85 Elektriska maskiner 2,117** (0,860) 0,133 (0,154) -0,513 (1,814) 87 Fordon 0,910*** (0,261) 0,331 (0,237) -10,27*** (2,714) 90 Optiska instrument 0,345** (0,135) 0,420*** (0,141) 0,985 (1,676) Not: *p <0,1 **p <0,05 ***p <0,01. Standardfel redovisas inom parantes

Tabell 6 visar de kortsiktiga koefficienterna för de specifika varugrupperna. Kronindex visar statistisk signifikans på 5 % signifikansnivå för Trävaror samt på 1 % signifikansnivå för Optiska

instrument och Papper och Papp. Samtliga signifikanta värden visar positiva koefficienter med

Tabell 7 visar resultaten från de diagnostiska testen för de specifika varugrupperna Varugruppskod Varugruppsnamn 𝒀𝒕−𝟏 (𝑬𝑪𝑴𝒕−𝟏) 𝑩𝒐𝒖𝒏𝒅𝒔 𝑭 − 𝑽ä𝒓𝒅𝒆 𝑹𝟐 (𝑱𝒖𝒔𝒕𝒆𝒓𝒂𝒅) 𝑳𝑴 − 𝑻𝒆𝒔𝒕 27 Mineraliska bränslen -0,110*** (0,0285) 3,970* 0,0994 0,3576 29 Organiska Kemikalier -0,083** (0,0389) 1,887 0,4251 0,1173

39 Plaster och plastvaror 0,164***

(0,0632)

2,192 0,4611 0,0989*

44 Trä och varor av trä -0,214***

(0,0753)

2,613 0,4611 0,3632

48 Papper och papp 0,145***

(0,0473) 5,016** 0,5326 0,9252 72 Järn och stål -0,218*** (0,0750) 4,827** 0,4143 0,4229 73 Varor av järn och stål -0,279*** (0,0805) 13,2** 0,5915 0,9175 85 Elektriska maskiner -0,124*** (0,044) 2,2 0,3743 0,6630 87 Fordon -0,293*** (0,0750) 6,803*** 0,4404 0,3473 90 Optiska instrument -0,211*** (0,0592) 4,774** 0,5936 0,4320 Not: *p <0,1 **p <0,05 ***p <0,01. Standardfel inom parantes

7. Diskussion

Resultaten från denna studie visar att det finns ett samband mellan real appreciering/depreciering och storleken på den svenska exporten. Skattningen för kronindex på total varuexport visar visserligen endast statistisk signifikans på 10 % signifikansnivå men är samtidigt i liknande storleksordning som tidigare forskning. I Riksbankens ekonomiska kommentar från 2018 presenterades att effekten av en real depreciering var i storleken 0,19, vilket är i princip identiskt med denna studies kortsiktiga koefficient för kronindex (0,192). Varför den långsiktiga koefficienten i denna studie är betydligt större (0,416) är dock svårt att resonera kring då utbudet av liknande tillvägagångssätt för svenska data är begränsat. Detta mönster gäller även generellt för de olika varugrupperna där till exempel Optiska instrument har en kortsiktig koefficient på 0,420 och en långsiktig på 1,992.

Ur ett teoretiskt perspektiv är det möjligt att den släpande effekt som föreslås av J-Kurvan skulle kunna vara en del av förklaringen till varför den långsiktiga skattningen är större. Dock visar studiens resultat i övrigt inte särskilt starka bevis för en J-Kurva då trots att modellerna tilläts laggas upp till åtta perioder så presenterades inte någon lagg. Detta är för att ARDL kommandot i Stata endast redovisar laggar när dessa visar statistisk signifikans.

Med tanke på de resultat som presenteras i denna studie verkar andelen importerade komponenter hos en vara spela roll för hur denna påverkas av en real appreciering/depreciering av den svenska kronan. Trävaror, Papper och papp och Optiska instrument är de tre varugrupper som visar de största positiva koefficienterna för kronindex och har jämfört med övriga varugrupper (förutom Organiska kemikalier) en lägre andel importerade komponenter i produktionen. Mineraliska bränslen är den varugrupp med absolut högst andel importerat innehåll och även den med starkast negativ koefficient på lång sikt (-2,58). Detta skulle dels kunna bero på att en så pass internationell marknad tenderar att endast handla i amerikanska dollar (USD) men även på att denna varugrupp har en extremt hög importandel vilket gör sådana varor betydligt dyrare att framställa när den svenska kronan deprecieras. Det blir således dyrare för svenska företag att medverka på en sådan marknad och den ekonomiska aktiviteten kan därför sjunka.

De skattningar som presenteras för volatiliteten är däremot betydligt svårare att dra några generella slutsatser om. Volatilitetens koefficienter för total varuexport visar ingen statistisk signifikans men värden som utifrån tidigare forskning framstår som rimliga8. Den kortsiktiga koefficienter visar ett värde på -0,366 och den långsiktiga ett värde på -0,794 vilket innebär att

varuexporten minskar med 0,366 % på kort sikt och med 0,794 % på lång sikt till följd av en

volatilitetsökning på 1 %. Denna negativa effekt är i linje med de förväntningar som fanns på variabeln. Däremot visar variabeln extremt stora koefficienter på varugruppsnivå vilka varken är förenliga med teori eller tidigare forskning. Att en ökning av volatiliteten på 1 % skulle minska varuexporten med så mycket som 10, 20 eller till och med 35 % är förstås inte rimligt. Sådana värden redovisas exempelvis för Papper och papp, Järn och stål och för Fordon.

Detta väcker frågor om Standard deviation of the moving average verkligen är en metod att föredra när det kommer till analyser av volatilitet. Att måttet inte är optimalt för denna typ av studie eller denna typ av data är en potentiell anledning till dessa extrema värden. Om majoriteten av elmaskinerna exporteras till Kina är det möjligt att ett volatilitetsmått beräknat på kronindex inte är optimalt. Ett bättre mått hade då kanske varit att beräkna ett volatilitetsmått för elmaskiner baserat på växelkursen mellan SEK och Kinesisk yuan (CNY). Detta skulle kunna vara en del av förklaringen till varför estimaten på den totala varuexporten verkar rimliga samtidigt som den på varugruppsnivå ofta blev extrem.

Med tanke på denna studies resultat och det breda spektrum av resultat som både den teoretiska och empiriska litteraturen vittnar om, är sannolikt relationen mellan växelkursen och exporten ett ämne som fortsatt kommer undersökas. För att framtida forskning ska kunna fortsätta förbättra litteraturen kring växelkursens påverkan på varuexport föreslås att inkorporera mer bransch- och varuspecifika variabler i modellerna. Förslagsvis genom att inkorporera input-output tabeller i regressionerna. Detta tror vi skulle vara möjligt för länder med detaljrik exportdata, som exempelvis Sverige.

8. Slutsatser

Denna studie har haft som syfte att undersöka vilket samband som råder mellan växelkursen och storleken på svensk varuexport samt om detta samband skiljer sig med avseende på varugrupp. För att uppnå detta användes dels total varuexport och dels varugruppsspecifik export till 32 viktiga handelspartners under perioden januari 1995 till december 2019. Vidare användes en

ARDL-Approach för att skatta vilken effekt reala apprecieringar/deprecieringar och förändringar i

växelkursen volatilitet har på exportvolymen. Studien skattar ett samband på 10% signifikansnivå för real appreciering/depreciering och total varuexport där en depreciering av den svenska kronan med 1 % i genomsnitt ökar varuexporten med 0,192 % på kort sikt och med 0,416 % på lång sikt. Effekten av en volatilitetsökning på 1 % skattas till -0,366 % på kort sikt och -0,794 % på lång sikt, dock utan statistisk signifikans. På varugruppsnivå tyder resultaten på att olika varor påverkas olika av förändringar i real växelkurs och att Standard deviation of the moving average baserat på

kronindex inte är lämpad för att skatta volatilitetens påverkan på export på varugruppsnivå.

Referenser

Ahmed, S., M. Appendino och M. Rutha (2015), “Depreciations without Exports? Global Value Chains and the Exchange Rate Elasticity of Exports”, Policy Research working paper; no WPS 7390. Washington, D. C.: World Bank Group.

http://documents.worldbank.org/curated/en/689841468189545684/Depreciations-without-exports-global-value-chains-and-the-exchange-rate-elasticity-of-exports

Alsterlind, J. (2006), “Effektiva växelkurser - i teori och praktik”, Sveriges Riksbank, Stockholm

https://www.riksbank.se/globalassets/media/rapporter/pov/filer-fore-2017/artiklar/jan_alsterlind_060421_sve.pdf

Arize, A. C. (2017), “A convenient method for the estimation of ARDL parameters and test statistics: USA trade balance and real effective exchange rate relation”, International Review of Economics

& Finance 50, 75-84.

https://doi.org/10.1016/j.iref.2017.03.024

Arize, A. C. och J. Malindretos (1998), “The Long-Run and Short-Run Effects of Exchange-Rate Volatility on Exports: The Case of Australia and New Zealand, Journal of Economics & Finance 22(⅔), 43-56.

https://doi.org/10.1007/BF02771475

Arize, A. C. (1996), “Real exchange-rate volatility and trade flows: The experience of eight European economies”, International Review of Economics & Finance 5(2), 187-205.

https://doi.org/10.1016/S1059-0560(96)90043-X

Aftab, M. och M. Bahmani-Oskooee (2017), “On the asymmetric effects of exchange rate volatility on trade flows: New evidence from US-Malaysia trade at de industry level”, Economic Modelling 63, 86-103.

https://doi.org/10.1016/j.econmod.2017.02.004

Bahmani-Oskooee, M. och A. Ratha (2007), “The J-Curve: a literature review”, Applied Economics 36(13), 1377-1398.

https://doi-org.ezproxy.its.uu.se/10.1080/0003684042000201794

Bahmani Oskooee, M., H. Harvey och S.W. Hegerty (2013), “Empirical test of the Marshall-Lerner condition: a literature review. Journal of Economic Studies 40(3), 411-443.

Bahmani-Oskooee, M. och S. W. Hegerty (2007), “Exchange rate volatility and trade flows: a review article”, Journal of Economic Studies 34(3), 211-255.

https://doi-org.exproxy.its.uu.se/10.1108/01443580710772777

Baron, D. P. (1976), “Flexible exchange rates, forward markets, and the level of trade”, American

Economic Review 66(3), 253-266.

https://www-jstor-org.ezproxy.its.uu.se/stable/1828160

Bhatta, G. R. och M. B. Shrestha (2018), “Selecting appropriate methodological framework for time series data analysis. The Journal of Finance and Data Science 4(2), 71-89.

https://doi.org/10.1016/j.jfds.2017.11.001

Black, J., N. Hashimzade och G. Myles (2013), “A dictionary of Economics”

https://www-oxfordreference-com.ezproxy.its.uu.se/view/10.1093/acref/9780199696321.001.0001/acref-9780199696321 Broll, U. (1994), “Foreign production and forward markets”, Australian Economic Papers 33(62), 1-6.

https://doi.org/10.1111/j.1467-8454.1994.tb00001.x.

Cameron, S., D. Serenis och P. Serenis (2008), “The impact of exchange rate volatility on exports: A cross country analysis (1973-2004)”, Atlantic Economic Journal 36(3), 375–376.

http://dx.doi.org.ezproxy.its.uu.se/10.1007/s11293-008-9130-1

Carlström, J. (2019) Klappar oss inte på axeln för det vi får via valutan. Svenska Dagbladet. 25 oktober.

https://www.svd.se/klappar-oss-inte-pa-axeln-for-det-vi-far-via-valutan (Hämtad 2020-03-24) Clark, P. B. (1973), “Uncertainty, exchange risk, and the level of international trade”, Economic

inquiry 11(3), 302-313.

https://doi.org/10.1111/j.1465-7295.1973.tb01063.x

Ćorić, B. och G. Pugh (2008), “The effects of exchange rate variability on international trade: a meta-regression analysis”, Journal of Applied Economics 42(20), 2631-2644.

https://doi.org/10.1080/00036840801964500

Dagens Nyheter (2019). Svagaste kronan på 17 år. Tillgänglig:

Davis, G., A. Muhammad, D. Karemera och D. Harvey (2013), ”The Impact of Exchange Rate Volatility on World Broiler Trade”, Agribusiness – An International Journal 30(1), 46-55. https://doi-org.ezproxy.its.uu.se/10.1002/agr.21366

De Grauwe, P. (1988), “Exchange Rate Variability and the Slowdown in Growth of International Trade”, Staff Papers (International Monetary Fund) 35(1), 63-84.

https://www.jstor.org/stable/3867277

Durmaz, N. och J. Lee, “An empirical analysis of import demand function for Turkey: An ARDL bounds testing approach", The Journal of Developing Areas 49(4), 215-226.

www.jstor.org/stable/24737373

Ekonomifakta (2020), “Växelkursutveckling (KIX- och TCW-index)”

https://www.ekonomifakta.se/Fakta/Ekonomi/Finansiell-utveckling/Vaxelkursutvecklingen-TCW-index/ (Hämtad 2020-03-28)

Esquivivas, M., B. Setyorani och L. Sugiharti (2020), “The impact of exchange rate volatility on Indonesia's top exports to the five main export markets” Heliyon 6(1).

https://doi.org/10.1016/j.heliyon.2019.e03141

Frohm, E. (2018), “Ekonomiska kommentarer – Hur påverkar globala värdekedjor kronkursens effekter på exporten?”, Sveriges Riksbank, Stockholm.

https://www.riksbank.se/globalassets/media/rapporter/ekonomiska- kommentarer/svenska/2018/hur-paverkar-globala-vardekedjor-kronkursens-effekter-pa-

exporten.pdf?fbclid=IwAR0PYPQ0jebfb9g6iaO_EyEg-MPoIY9HiWr_Kd5C2n_ULrulInThixzcLYM

Gürtler, M. (2019) “Dynamic analysis of trade balance behavior in a small open economy: The J-curve phenomenon and the Czech economy”, Empirical Economics 56(2), 469-497.

https://doi.org/10.1007/s00181-018-1445-4

Halicioglu, F. (2007), “The J-curve dynamics of Turkish bilateral trade: a cointegration approach”,

Journal of Economic Studies 34(2), 103-119.

https://doi-org.ezproxy.its.uu.se/10.1108/01443580710745362

Hooper, P., S. W. Kohlhagen (1978), “The effect of exchange rate uncertainty on the prices and volume of international trade”, Journal of International Economics 8, 483-511.

Juhro, S. M. och D. Phan (2018), “Can economic policy uncertainty predict exchange rate and its volatility? Evidence from Asean countries” Buletin Ekonomi Moneter Dan Perbankan 21(2), 251-268.

https://doi.org/10.21098/bemp.v21i2.974

Klein, M.W. (1990), “Sectoral effects of exchange rate volatility on United States exports”, Journal

of International Money and Finance 9(3), 299-308.

https://doi.org/10.1016/0261-5606(90)90011-N

Krueger, A. D. (1983), “Exchange Rate Determination”, Cambridge University Press, Cambridge. MacDonald, R. och V. V. Flavio (2016), “Exchange rate volatility and exports: a panel data analysis”

Journal of economic studies 43(2), 203-221.

https://doi-org.ezproxy.its.uu.se/10.1108/JES-05-2014-0083

OECD (2020), Industrial production (indicator). (Hämtad 2020-04-14) https://data.oecd.org/industry/industrial-production.htm

OECD (2020), Input-Output Tables 2018 edition.

https://stats.oecd.org/Index.aspx?DataSetCode=IOTSI4_2018 (Hämtad 2020-04-17)

Ollivaud, P., E. Rusticelli och C. Schwellnus (2015), "The Changing Role of the Exchange Rate for Macroeconomic Adjustment", OECD Economics Department Working Papers, No. 1190, OECD Publishing, Paris

https://doi.org/10.1787/5js4rfhjf15l-en

Pal, D. och C. Sharma (2018), “Exchange rate volatility and India’s cross-border trade: a pooled mean group and nonlinear cointegration approach” Economic Modelling (74), 230-246.

https://doi.org/10.1016/j.econmod.2018.05.016

Pesaran, M. H., Y. Shin och R.J. Smith (2001), "Bounds testing approaches to the analysis of level relationships", Journal of Applied Econometrics 16(3), 289-326.

https://doi-org.ezproxy.its.uu.se/10.1002/jae.616

Phillips, P. C. B. och P. Perron (1998), “Testing for a unit root in time series regression”, Biometrika 75(2), 335-346.

Riksbanken (2019), “Fördjupning - Kronans trendmässiga utveckling”, Penningpolitisk rapport, juli 2019.

https://www.riksbank.se/globalassets/media/rapporter/ppr/fordjupningar/svenska/2019/krona ns-trendmassiga-utveckling-fordjupning-i-penningpolitisk-rapport-juli-2019.pdf

Riksbanken (2020), “Valutakursindex”, Databas.

https://www.riksbank.se/sv/statistik/sok-rantor--valutakurser/forklaring-till-serierna/valutakursindex/ (Hämtad 2020-03-25)

Samuelson, P.A. and W.D. Nordhaus (2001), Economics, seventeenth edition, McGraw-Hill, USA SCB (2020), Utrikeshandel med varor. Tillgänglig:

https://www.scb.se/hitta-statistik/statistik-efter-amne/handel-med-varor-och-tjanster/utrikeshandel/utrikeshandel-med-varor/ (Hämtad 2020-03-24)

Serenis, D. och D. Tsounis (2012), “A New Approach for Measuring Volatility of the Exchange rate”,

Procedia Economics and Finance 1, 374-382.

https://doi.org/10.1016/S2212-5671(12)00043-3

Serenis, D. och N. Tsounis (2013), “Exchange Rate Volatility and Foreign Trade: The case for Cyprus and Croatia”, Procedia Economics and Finance 5, 677 – 685.

https://doi.org/10.1016/S2212-5671(13)00079-8

Stock, J. H. och M. W. Watson (2015), Introduction to Econometrics, Pearson education, Harlow Welfens, P. J. J. (2012), “Marshall-Lerner condition and economic globalization”, International

Economics and Economic Policy 9(2), 191-207.

http://dx.doi.org.ezproxy.its.uu.se/10.1007/s10368-010-0177-5

Wolf, A. (1995), “Import and hedging uncertainty in international trade. Journal of Futures

Markets” 15(2), 101-110.

Appendix

A. Deskriptiv statistik

Tabell A1 visar deskriptiv statistik för variablerna export, produktionsindex, kronindex och volatilitet

Variabel Observationer Medelvärde Standardavvikelse Min Max Export 300 18,11743 0,2129877 17,46223 18,55477 Produktionsindex 300 4,559532 0,0777859 4,378178 4,67483 Kronindex 300 4,727376 0,0489787 4,612642 4,860277 Volatilitet 290 0,0134082 0,0043575 0,0054677 0,0293773

Tabell A2 visar en korrelationsmatris över variablerna export, produktionsindex, kronindex och volatilitet

Variabel Export Produktionsindex Kronindex Volatilitet Export 1,0000

Produktionsindex 0,8927 1,0000

Kronindex -0,0684 -0,1716 1,0000

Volatilitet -0,1009 -0,1995 0,3923 1,0000

B. Inflationsjustering

Data för export, total såväl som varugrupsspecifik var före bearbetning redovisade i löpande priser. Med anledning av detta har studiens exportdata deflaterats med det genomsnittliga KPI för 2010 (303,46) som basår. Studien har dividerat KPI för 2010, alltså 303,46, med KPI för varje månad. Detta värde har sedan multiplicerats med värdet för exporten för vardera månad. Exporten under januari 1995 har därmed multiplicerat med 303,46 (KPI 2010) /256 (KPI jan 1995) =1,1853906.

C. Volatilitet

Figur A1. Figuren visar tre olika tidsperioder för volatilitetsvariabeln. Lägre m ger mer volatilt värde.

D. KIX-Vikter

Tabell A3 visar länderna och vikterna som utgör kronindexet för 2007.

Nation Vikt (2007) Nation Vikt (2007) Summa

Australien 0,88 Norge 4,94

Belgien-Luxemburg 5,01 Nya Zeeland 0,17