Andrahandsmarknaden för småhuspriser i Sverige: En tidsserieanalys av olika makrovariablers påverkan och samvariation för åren 1996- 2006

NATIONALEKONOMISKA INSTITUTIONEN Uppsala Universitet

Examensarbete C

Författare: Wictor Comstedt och Robert Fredriksson Handledare: Lennart Berg

VT 2007

Andrahandsmarknaden för småhuspriser i Sverige

- en tidsserieanalys av olika makrovariablers påverkan och samvariation för åren

1996- 2006

Sammanfattning

Syftet med uppsatsen är att analysera hur ett antal makrovariabler påverkar på och samverkar med priserna på småhus. Även hur variablerna reagerar på chocker sinsemellan studeras.

Tidsserieanalysen bygger på månadsdata från år 1996 fram till 2006, som innehåller alla försäljningar av småhusfastigheter i hela Sverige. Det kvalitetsindex som används för att analysera priserna är K/T- talet. För att studera skillnader, avseende samverkan och påverkan, regioner emellan görs en uppdelning av landet i regionerna Stockholm, Göteborg, Malmö, Glesbygd samt hela Sverige. För att testa olika makrovariablers påverkan på K/T- talen används Grangers kausalitets test. Resultaten av dessa test visar att K/T- talen påverkas på annorlunda sätt i de olika regionerna.

Fortsatt analys sker med estimering av en enkel vektorautoregressiv modell för varje region, där de tre endogena variabler K/T- tal för regionen, industriordrar och nybilsregistrering används. Sedan utförs impulsrespons chocker på de tre endogena variablerna. Den starkaste effekten som kan urskiljas av dessa chocker är att K/T- talen har en inverkan på hushållens förmögenhet och då även dess konsumtion.

Nyckelord: K/T- tal, makrovariabler, Grangers kausalitets test, VAR, Impulsrespons chocker

Innehållsförteckning

1. Inledning ...- 4 -

2. Teori och tidigare studier ...- 5 -

2.1 Bostadsmarknadens karaktär ...- 5 -

2.2 Tidigare studier ...- 6 -

3. Metod ...- 8 -

3.1 Stationäritet och unit root ...- 8 -

3.2 Granger ...- 8 -

3.3 VAR ...- 9 -

3.4 Impulsresponser ...- 10 -

4. Beskrivning av datamaterialet ...- 11 -

4.1 Köpeskillingskoefficienten, K/T- tal ...- 11 -

4.2 Affärsvärldensgeneralindex, AFGX ...- 12 -

4.3 Konsumentprisindex, KPI ...- 12 -

4.4 Penningmängd, M0 och M3 ...- 12 -

4.5 Ränta...- 12 -

4.6 Proxys för hushållens disponibla inkomst ...- 13 -

5. Empiri ...- 13 -

5.1 Stationäritet och unit root ...- 13 -

5.2 Grangers bivariata test ...- 14 -

5.3 VAR ...- 16 -

5.4 Impulsresponser ...- 16 -

5.4.1 Stockholm...- 16 -

5.4.2 Göteborg ...- 17 -

5.4.3 Malmö ...- 18 -

5.4.4 Glesbygd...- 18 -

5.4.5 Sverige...- 19 -

6. Sammanfattande slutsats...- 19 -

Referenser...- 21 -

Appendix 1...- 23 -

Appendix 2...- 25 -

1. Inledning

I den ekonomiska diskussionen har bostäder alltid spelat en central roll i samhället och gör så alltjämt. Att inköpa sin hemvist är som regel en av de största affärerna en privatperson gör i sitt liv. De senaste 10 åren har det skett stora förändringar i priserna för bostäder, där den genomsnittliga prisökningstakten har varit 7,8 % tillskillnad från den årliga konsumentprisindexökningen som endast varit på 1,2 %.¹

Det finns många typer av bostäder men inriktningen kommer att ligga på småhus², som år 2005 stod för 41 % av hushållens reala tillgångar.³ Datamaterialet som finns på dessa bostäder är mycket användbart och av hög kvalité eftersom Sverige länge haft fastighetsskatt vilket ger kvalitativa värden i form av taxeringsvärden och försäljningspris. Kvoten av dessa två är det så kallade K/T- talet.

En mycket kraftig ökning i priserna på andrahandsmarknaden för småhus har skett under senare delen av 1990- talet och början på 2000-talet vilket har ökat hushållens förmögenhet.

Denna kraftiga uppgång gör det intressant att undersöka hur ett antal makrovariabler och dess fluktuationer påverkar priserna på småhus. Vidare är en undersökning hur vida variabler påverkar på avvikande sätt i olika typer av regioner intressant att analysera.

Syftet med denna uppsats är således att studera hur ett antal makrovariabler påverkar på och samverkar med småhuspriserna i olika typer av regioner i Sverige. Vidare skall studeras hur olika chocker i makrovariablerna påverkar varandra och om dess påverkan skiljer sig åt i de olika regionerna. En generell misstanke skulle till exempel kunna vara att aktiemarknadens påverkan på småhuspriserna ser olika ut beroende på i vilken region man befinner sig.

Eftersom den största andelen aktieinnehav finns i storstäderna⁴ bör aktiemarknaden vara mer korrelerad med prisutvecklingen där än i exempelvis glesbygden.

1 www.scb.se

2 Definitionen av småhus är en byggnad som är inrättad som permanent bostad åt en eller två familjer.

3 www.scb.se

4 ibid.

I analysen används månadsdata från år 1996 till 2005 och de makrovariabler som används är börsindex, ränta, arbetslöshet, industriproduktion, nybilsregistrering, industriordrar, konsumentprisindex samt två likviditetsmått, M0 och M3.

Utgångspunkten ligger i en enkel makromodell med K/T- talen som endogent givna och makrovariablerna som exogent givna. Vidare används grangers kausalitets test för att påvisa hur de olika makrovariablerna påverkar K/T- talen i de skilda regionerna. Utifrån detta test estimeras en vektorautoregressiv modell⁵ för varje region. I denna estimation används dels K/T- talen samt två olika proxys som endogent givna. Vidare impulsrespons chockas de tre endogena variablerna inbördes och effekterna av dessa studeras.

2. Teori och tidigare studier

2.1 Bostadsmarknadens karaktär

Bostadsmarknaden skiljer sig i många avseenden från andra varumarknader. När man väljer att investera i en bostad så är det många saker att ta hänsyn till, bland annat vad det kostar att underhålla, livslängden, skick, läge och tillgång till andrahandsmarknad. Allt detta innebär att bostadsmarknaden påverkas av många olika variabler vilket gör den mycket säregen.⁶

I sin enklaste form så kan man dela in bostadsmarknaden i två separata marknader, en för det redan befintliga bostadsbeståndet och en som ser till nybyggandet. Bostadsbeståndet står för priset och nybyggandet för graden av investeringar och för att uppnå jämviktsläget mellan dessa två marknader krävs att investerarna får samma avkastning på sitt hus som de får på sina andra tillgångar. ⁷ Om man skulle simulerar en positiv efterfrågechock på denna marknad så kommer den direkta effekten bli att priserna på bostäder ökar. Men i och med detta så får investerarna högre avkastning och lockas då till marknaden vilket resulterar i att fler bostäder byggs. När fler investerare bygger nya bostäder och möter efterfrågan går priserna ner igen, tills jämviktsläget är återställt. Följaktligen kommer bostadspriserna ha en så kallad ”mean reverting” tendens. Det vill säga att om man ger bostadsmarknaden en oväntad positiv efterfrågechock så resulterar det i en direkt höjning av priserna för att sedan återgå till det

5 Hädanefter används förkortningen VAR för denna modell.

6 Iacoviello, (2000).

7 Investerarna är i detta fall de som bygger nya småhus. Avkastningen på fastigheten är summan av hyresintäkten och den kapitalvinst som görs.

långsiktiga jämviktsläget. Prisförändringar på bostäder kommer således att bero på en kombination av olika typer av chocker.⁸ För att undersöka hur dessa chocker påverkar kan man använda sig av en VAR modell. En sådan modell består av endogena och exogena variabler som är laggade bak i tiden.

För att tydligare illustrera en VAR modell kan ett exempel underlätta. Man kan tänka sig en enkel VAR modell bestående av tre endogena variablerna K/T- tal (KT), nybilsregistrering (Nyb) samt industriordrar (Io). Dessa tre valda endogena variabler antar man har en

samverkan, och det är den man vill kapsla med modellen. Vidare så använder man sig av ett antal exogent givna variabler så som ränta, aktiekurs och arbetslöshet. Men för att underlätta exemplet antar vi att det endast finns en exogent given variabel, som vi kallar för c. Vid endast två laggar får VAR modellen följande utseende:

(1)

(2)

(3)

Vi får en enkel matris där a ,_ij b_ij och c är de parametrar som skall estimeras._i ⁹ Dessa tre regressioner utsätts sedan för impulsrespons chocker i de endogent givna

variablerna för att kunna studera samvariation och påverkan dem emellan. Till exempel ser man hur nybilsregistreringen och industriordrar reagerar om man chockar K/T- talen i Sverige. ¹⁰

2.2 Tidigare studier

En mängd studier utförs inom bostadsmarknadsområdet där man ser till hur olika företeelser påverkar prisbildningen på fastigheter. Ett antal studier angående hur olika makrovariabler påverkar och samvarierar med fastighetspriser har genomförts. De flesta som gjort dessa studier har använt sig av kvartalsdata eftersom det inte finns tillräckligt mycket material på månadsbasis. Nedan redovisas ett par av dessa studier.

8 Iacoviello, (2000)

9 Patterson (2000)

10 VAR modeller och Impulsrespons chocker förklaras mer ingående i metod delen

t t

t t

t t

t

t a KT a Nyb a Io b KT b Nyb b Io c

KT = _{11 −1}+ _{12 −1}+ _{13 −1}+ _{11 −2} + _{12 −2} + _{13 −2} + ₁+ε₁

t t

t t

t t

t

t a Nyb a Io a KT b Nyb b Io b KT c

Nyb= _{21 −1}+ _{22 −1}+ _{23 −1}+ _{21 −2} + _{22 −2} + _{23 −2}+ ₂ +ε₂

t t

t t

t t

t

t a Io a KT a Nyb b Io b KT b Nyb c

Io = _{31 −1}+ _{32 −1}+ _{33 −1}+ _{31 −2}+ _{32 −2} + _{33 −2}+ ₃+ε₃

Iacoviello, Matteo M., (April 2000). House Prices and the Macroeconomy in Europe: Results from a Structural VAR Analysis, ECB Working Paper No. 18.

I detta arbete så använder sig Iacoviello av en VAR analys för att beskriva hur fluktuationer i olika makrovariabler påverkar huspriserna i sex olika europeiska länder (Sverige, Frankrike, Tyskland, Italien, Spanien och Storbritannien). Iacoviello använder sig av kvartalsdata för BNP, huspriser, penningmängd och inflation för att simulera efterfrågechocker på bostadsmarknaderna. Resultaten av studien är i första hand att negativa monetära chocker har negativ inverkan på de reala huspriserna. Iacoviello kommer även fram till att monetära chocker och efterfrågechocker spelar en viktig roll i hur huspriserna fluktuerar i det korta perspektivet.

Berg, Lennart, (2002), Småhuspriser på andrahandsmarknaden i storstadsregioner och andra regioner under 1980- och 1990-talet: samvariation, påverkan och bestämningsfaktorer.

Berg har utgått från två frågeställningar. I den första frågan analyserar han prisutvecklingen på andrahandsmarkanden för småhus på regional samt aggregerad nivå och analyserar huruvida någon eller några regioner leder prisutvecklingen för Sverige. Den andra frågeställningen utgår från en analys av hur ett antal finansiella och reala makrovariabler påverkar andrahandsmarknadens pris på småhus. Undersökningen bygger på månadsobservationer för tidsperioden januari 1981 till augusti 1997. Vid analysen av datamaterialet används dels kausalitetstest liksom multivariata Granger test. För att studera anpassningstiden i huspriserna utifrån olika chocker och innovationer i olika variabler används en VAR modell. Resultaten från de enkla kausalitetstesten gav signifikanta effekter på variabler så som realaräntan efter skatt, industriproduktionen med flera. Berg estimerade även en enkel VAR modell med real prisutveckling i Stockholmsregionen, en

”konsumtionsproxy” och förändringen i arbetslösheten som endogena variabler samt ett antal exogent givna variabler. Resultaten som Berg kommer fram till i sin analys är bland annat att en positiv chock i K/T- talen för Stockholmsregionen resulterar i en förmögenhetsökning för hushållen.

3. Metod

3.1 Stationäritet och unit root

En tidsserie som har konstant medelvärde och varians sägs vara stationär, och om den har varierande medelvärde och varians sägs den vara icke stationär. Två icke stationära tidsserier kan med tiden driva ifrån varandra och där av mista sitt gemensamma samband. En OLS- regression med ickestationära variabler kommer ej att ge effektiva och väntevärdersiktiga estimat. Ett förfaringssätt att lösa detta problem är att differentiera variablerna och där av få dem stationära, se ekvation (4).

t t t

t

t y y

y = ₋₁+ε ⇒Δ =ε (4)

Om tidsserien vid första differentiering blir stationär säger man att den är integrerad av grad ett och att den har en Unit Root. Ett av de vanligaste sätten att testa detta är att använda sig av Augmented Dickey-Fuller test. Det bygger på att testa om nollhypotesen att restriktionerna

=1

ρ ochβ =0håller för ekvation (5).

∑

− + Δ +

+ +

= ^p

j

t j t j t

t t y y

y

1

1 λ ε

ρ β

α (5)

Antalet laggar (värdet på p) bestäms med hjälp av exempelvis Akaike information criterion eller Schwartz criterion. När vi ej kan förkasta nollhypotesen ger det oss att det existerar en Unit Root.¹¹

3.2 Granger

Ett vanligt och ofta återkommande problem inom ekonomin är att en förändring i en variabel är orsakad av en förändring i en annan variabel. En infallsvinkel för liknande ovanstående problem är det kausalitets test som Granger introducerade år 1969.¹² Grundidén är relativt simpel, den är att om X orsakar Y kommer förändringar i X att föregå förändringar i Y. För att säga att X orsakar Y måste två villkor vara uppfyllda. Först och främst skall X hjälpa till att förutsäga Y. Det vill säga att om man bygger på en regression av Y med X värden kommer

11 Pindyck & Rubinfeld (1998)

12 C. W. J. Granger introducerade detta test i Investigating Causal Relations by Econometric and Cross- Spectral Methods vol.37 1969.

det att tillföra en signifikant ökad förklaringsgrad hos regressionen. Det andra är att Y ej skall hjälpa till att förutsäga X. För om X bidrar till förutsägandet av Y och Y bidrar till att förutsäga X är det med stor sannolikhet någon annan variabel som orsakar den observerade förändringen i både X och Y.

För att se om dessa två ovanstående villkor håller kan vi testa nollhypotesen att X ej hjälper till att förutsäga Y, det vill säga att ”X does not granger cause Y”. Detta kan genomföras med hjälp av en regression på Y mot laggade värden på Y och X (unrestricted regression) och en regression på Y mot endast laggade värden på Y och (restricted regression). Med hjälp av ett F-test kan det sedan avgöras om laggade värden av X signifikant bidrar till att öka förklaringsgraden hos regressionen av Y. Om det visar sig att X bidrar till en ökad förklaringsgrad av Y förkastar man nollhypotesen ”X does not cause Y” till fördel för ”X cause Y”.¹³

Unrestricted regression:

∑ ∑

= − + = − +

= ^m

i

m

i

t i t i i

t

iy x

y

1 1

ε β

α (6)

Restricted regression:

∑

= − +

= ^m

i

t i t iy y

1

ε

α (7)

3.3 VAR

Ett problem man ofta stöter på är att den ekonomiska teorin ej är tillfredsställd för att

bestämma den rätta specifikationen av modellen. Teorin kan vara allt för svårhanterlig för att man skall kunna göra en precis framtagning av modellen, så approximationer eller så kallade ad hoc´s måste göras. I sådana situationer kan det vara bättre att låta datamaterialet bestämma och specificera dynamiken i modellen. En metod som tar hänsyn till detta är den så kallade VAR modellen.¹⁴ Den består av endogent och exogent givna variabler där man antar att de endogena variablerna samvarierar och påverkar varandra. Användaren av en VAR modell måste specificera två saker själv. Först måste man bestämma vilka endogena och exogena variabler som skall ingå, det vill säga vilka man tror är endogent givna respektive exogent

13 Patterson (2000)

14VAR modellen introducerades av C. A.Sims i hans arbete Macroeconomics and Reality från 1980 som en alternativ infallsvinkel till multi-equation modeling.

givna. För det andra måste antal laggar som behövs för att kapsla in de olika variablernas effekter bestämmas.

VAR används ofta vid prognostisering av system bestående av variabler som samverkar och för att analysera den dynamiska effekten av chocker i de endogena variablerna. Den ges av följande set av n linjära ekvationer, låt x₁,x₂,...,x_n vara de endogena variablerna,

zm

z

z₁, ₂,..., vara de exogena variablerna, p är antal laggar för de endogena variablerna och r är antal laggar för de exogena variablerna. De förutsättningar som gäller är att feltermen ε_nt är normalfördelad och okorrelerad med respektive högerledsvariabel i ekvationen, det är dock sannolikt att det förekommer korrelation mellan ekvationerna.

∑ ∑ ∑ ∑ ∑

= = = − = −

= −

−

− + + + + + + +

+

= ^p

j

p

j

r

j

r

j

t j t m mj t

j p

j

j t n nj j

t j j

t j

t a a x a x a x b z b z

x

1 1 0 0

1 , 1 1

, 1 11 1

, 1 ,

2 12 ,

1 11 10

,

1 _{L L} ε (8)

. . .

∑ ∑ ∑ ∑ ∑

= = = − = −

= −

−

− + + + + + + +

+

= ^p

j

p

j

r

j

r

j

nt j t m nmj t

j n p

j

j t n nnj j

t j n j

t j n n

t

n a a x a x a x b z b z

x

1 1 0 0

, 1

, 1 1 1

, ,

2 2 ,

1 1 0

, _{L L} ε

Då det endast finns laggade värden av de endogena variablerna i högerledet av ekvationerna och det existerar inga olaggade endogena variabler har vi har inget problem med

simultaneitet, där av kommer en estimation med OLS ge både effektiva och väntevärdesriktiga estimat.¹⁵

3.4 Impulsresponser

Som nämnts ovan är VAR modellen väl lämpad för att simulera chocker i de endogena variablerna där samvariation och påverkan studeras. Detta testas med hjälp av att utsätta systemet för så kallade impulsrespons chocker. En chock i en av de endogena variablerna påverkar inte endast ”sig själv” utan har även inverkan på de andra endogena variablerna vilket gör att dess effekter var för sig enkelt kan urskiljas. Påverkan sinsemellan sker På grund av att VAR-modellerna består av laggade värden av de olika endogena variablerna. Genom en

15 Patterson (2000)

impulsrespons kan man alltså studera hur en chock i en av de endogena variablerna påverkar de andra och hur länge dess inverkan ligger kvar.¹⁶

4. Beskrivning av datamaterialet

Det datamaterialet som används i uppsatsen är på månadsbasis för åren 1996-2006.

Variablerna som bearbetas är K/T- tal för fem olika regioner¹⁷, affärsvärldensgeneralindex (AFGX), penningmått (M0,M3), industriproduktion, industriordrar, nybilsregistrering, arbetslöshet, 3 månaders ränta och konsumentprisindex (KPI). Eftersom det ej finns månadsdata för inkomst och konsumtion för hushållen så används proxys för dessa. För att få en ökad förståelse och insyn i de olika variablerna så presenteras de nedan mer ingående.

4.1 Köpeskillingskoefficienten, K/T- tal

K/T- talet är kvoten mellan köpeskillingen och taxeringsvärdet på en fastighet och används bland annat av Statistiska centralbyrån. Det är ett mycket användbart kvalitetsprisindex eftersom alla fastigheter i Sverige har ett taxeringsvärde. Genom att jämföra K/T-talen över tid kan skattningar av prisutvecklingen räknas fram.

I figur 1 visas utvecklingen för K/T- talen för de fem olika regionerna. Som synes så skiljer sig utvecklingen åt beroende till vilken region man ser. Materialet har vi fått till vårt förfogande av Tommy Berger, IBF, Gävle

Figur 1

16 EViews 5 Help, Sökord: Impulse response

17 De fem olika regionerna är Hela Sveriges kommuner, Sveriges glesbygdskommuner, Stor-

Stockholmskommunerna, Stor-Göteborgskommunerna och Stor-Malmökommunerna. Se indelning av SCB.

1 2 3 4

1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

K/TtalStockholm K/TtalGöteborg K/TtalMalmö K/TtalGlesbygd K/TtalSverige K/

Tt al

År/mån

K/Ttalensutvecklingöveråren1996-2006fördefemolikaregionerna

4.2 Affärsvärldensgeneralindex, AFGX

AFGX är Sveriges äldsta index och visar den genomsnittliga utvecklingen för aktier noterade på Stockholmsbörsen. Det anses därför vara ett bra mått på svenska aktieportföljers kursutveckling. Indexet är förmögenhetsviktat vilket innebär att aktiernas vikt är i proportion till dess börsvärde. Man kan anta att AFGX påverkar K/T- talen olika i olika regioner varpå den är relevant att ha med. Utvecklingen av AFGX presenteras i figur 2 nedan. Vad som framgår av figuren är att det under denna period skett både en kraftig uppgång och nergång.

Material för AFGX inhämtat från databasen Ecowin.

4.3 Konsumentprisindex, KPI

KPI är ett mått för prisutveckling och används bland annat som inflationsmått och vid avtalsreglering. Det visar hur konsumentpriserna i genomsnitt utvecklar sig för hela den privata inhemska konsumtionen vilket gör att den är intressant att ha med vid småhus analyser. Som nedan framgår av figur 2 har inflationen under denna tidsperiod varit mycket låg, men den bör i alla fall tas med i beaktning. Material för KPI inhämtat från SCB.

4.4 Penningmängd, M0 och M3

Två olika penningmängdsmått används, den lite snäva definitionen M0 och den mer utförligare M3. M0 innefattar svenska hushålls innehav av sedlar och mynt och M3 innefattar även allmänhetens tillgodohavande på bankkonton. I figur 2 framgår att de två måtten följs åt under tidsperioden. Materialet för M0 och M3 inhämtat från IMF.

Figur 2

4.5 Ränta

Den ränta som används i analyserna är den korta tremånadersräntan eftersom studier¹⁸ visar att fastighetsköpare ser till den korta räntan mer än den långa. Utvecklingen av räntan har haft

18 Se t.ex. Iorizzo(2005)

0 100 200 300 400

1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

AFGX M0 M3 KPIIN D E X UtvecklingavAFGX,M0,M3o chK P Iå r1 9 9 6 -2 0 06 .In d e x1 0 0 =å r1 9 9 6m å n0 1

Index

År/Må n

en neråtgående trend, som kan ses i figur 3. Räntan anges i absoluta procenttal. Materialet är inhämtat från databasen Ecowin.

4.6 Proxys för hushållens disponibla inkomst

Eftersom det är svårt att få tag på bra data på månadsbasis över hushållens disponibla inkomst används fyra stycken proxys för detta, vilka kan antas avspegla utvecklingen. Dessa är industriordrar, industriproduktion, nybilsregistrering samt arbetslöshet. I figur 3 visas arbetslöshetens utveckling i absoluta procenttal. De övriga variablerna presenteras i figur 4 där man kan se att de tre har ett starkt samband och därmed följs åt. Materialet är inhämtat från databasen Ecowin.

Figur 3

Figur 4

5. Empiri

5.1 Stationäritet och unit root

För att inte få felaktiga resultat beroende på icke stationäritet har variablerna behövts logritmeras och differentieras. Dock används absoluta procenttal i variablerna arbetslöshet och ränta och därmed är de endast är differentierade. Augumented Dickey Fuller test har använts för att se om tidsserierna sedan var stationära, vilket var fallet. Detta leder till att resultaten kommer att bli effektiva och väntevärdesriktiga.

0 2 4 6 8 10

1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Arbetslöshet 3månadersränta

Å r/mån rPocen

t,

%

UtvecklingenförArbetslöshetoc hRäntaunderperioden1996-2006

0 100 200 300 400

1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Industriproduktion Industriordrar Nybilsregistrering

År/mån nI

dex År 19 96m ån 01

=1 00

UtvecklingförIndustriproduktion,IndustriordrarochNybilsregistreringunderperioden1996-2006

5.2 Grangers bivariata test

För att illustera hur makrovariablerna påverkar småhuspriserna så användes Grangers bivariata test. Resultaten för de fem olika regionerna presenteras i tabellen nedan.

Om beteckningen är ett ”s” betyder det att den är signifikant på 10 %, om den istället har ett stort och kraftigare ”S” betyder det att den är signifikant på 5 %. Om detta är fallet kan man säga att variabeln ifråga ”granger cause” småhuspriserna i just den regionen. Det vill säga att variabeln har inverkan på huspriset. 12 stycken laggar används eftersom husköp är en process där variablernas påverkan varierar över tiden.

Tabell 1

Granger bivariata kausalitetstest för relativa småhuspriser i fem olika regioner. Stockholmsregionen, Göteborgsregionen, Malmöregionen, Glesbygdskommuner och Sverige. s=signifikant på 10%, S=signifikant på 5%

Variabelbeteckning: Afgx: affärldsvärldensgeneralindex, Kpi:Konsumentprisindex, M0, M3:penningmängdsmått, Rä:ränta, Io:

industriordrar, Nyb:Nybilsproduktion, Arb:Arbetslöshet.

Stockholm Göteborg

Afgx Kpi M0 M3 Rä Io Ind Nyb Arb Afgx Kpi M0 M3 Rä Io Ind Nyb Arb

1 . . . . s . 1 . s . . . s .

2 . . . . s . 2 . . . .

3 . . . . 3 . . . .

4 S . . . S . . s . 4 . . s . . .

5 S . . . S S . s . 5 . . s . . S . s .

6 S s . . S S . . . 6 . s . . . S s s .

7 S . s . S S . . . 7 . . . . . S s . .

8 . . S . S S S . . 8 . . . . . S . . .

9 . . S . s S S . . 9 . . . . . S S . .

10 . . S . S S S s . 10 . . . . . S S . .

11 . . S . . S S S . 11 . . s . . S S . .

12 . . S . . S S s . 12 . . S . . S S . .

Malmö Glesbygd

Afgx Kpi M0 M3 Rä Io Ind Nyb Arb Afgx Kpi M0 M3 Rä Io Ind Nyb Arb

1 . . . . s . . 1 s s . . . S . . .

2 . . . . 2 . . . . . S . . .

3 . . . . . s S . . 3 . . . . . s . . s

4 . . . . S S S . . 4 . . . . . s . . .

5 . . . . S S S . . 5 . . . . . s . . .

6 . . . . S S S s . 6 . . . .

7 . . . . S S S s . 7 . . . . . s . . .

8 . . . . S S S . . 8 . . . .

9 . s . . S S S S . 9 . . . . . s . . .

10 . . . . S S S S . 10 . . . .

11 . . S . S S S S . 11 . . . .

12 . . S . S S S S . 12 . . . .

Sverige

Afgx Kpi M0 M3 Rä Io Ind Nyb Arb

1 s . s . . .

2 s . . .

3 s . . .

4 . . . . S .

5 . . s . . S . s .

6 . s s . . S S s .

7 s s . . . S S s .

8 S s s . . S s s .

9 s . . . . S S s .

10 . . . . . S S . .

11 . . . . . S S . .

12 . . . . . S s . .

Av tabell 1 ovan framgår att makrovariablernas påverkan skiljer sig åt i olika delar av landet. I storstäderna så påverkar en del av dem ganska tidigt, till skillnad från glesbygden där i stort sett bara industriordrar har en effekt. Även storstäderna emellan skiljer sig mycket åt, där till exempel räntan har effekt i Stockholm och Malmö men ej i Göteborg. I Stockholm och Malmö så har räntan effekt efter fyra månader, vilket kan förklaras med att husköp är en process över tiden.

Vidare framgår det att penningmängdsmåtten och konsumentprisindex endast är signifikanta i fåtal fall i de olika regionerna. Att konsumentprisindex inte påverkar kan ha sin förklaring i att det under denna period varit en låg inflation. AFGX påverkar som mest i Stockholm vilket går hand i hand med den empiriska observationen om att det mesta av nettotillgångarna finns i storstäderna.¹⁹

Det finns inte månadsdata över hushållens disponibla inkomst och förmögenhet vilket gör att proxys för dessa kommer att användas vid VAR analysen. Vid en summering av resultatet ovan kommer den bästa proxyn för hushållens konsumtion vara variabeln nybilsregistrering.

En vedertagen proxy för hushållens inkomstförväntningar är arbetslöshet,²⁰ men eftersom denna ej är signifikant i någon större utsträckning i Grangers kausalitetstest (se tabell 1) används industriordrar. Detta eftersom ökade industriordrar borde leda till fler jobb som i sin tur leder till större disponibel inkomst för hushållen.²¹

19 www.scb.se

20 Berg(2002)

21 Se appendix 1 för fullständiga Granger test resultat

5.3 VAR

För att få resultat som går att tolka används i VAR analysen endast ett fåtal endogena variabler. Som redan nämnts används två olika proxys för att spegla hushållens konsumtion- och inkomstutveckling, nämligen nybilsregistrering och industriordrar. De tre endogent givna variablerna är K/T- talet för regionen, nybilsregistrering och industriordrar. Vidare används AFGX, KPI, ränta, industriproduktion och arbetslöshet som exogent givna variabler. M0 och M3 används ej eftersom de med stor sannolikhet har en stark korrelation med räntan. För att få så bra resultat som möjligt testas den statistiskt sett optimala modellen fram för varje enskild region.

I appendix 2 presenteras samtliga resultat över dessa VAR modeller. Resultaten visar att KPI ej är signifikant skiljd från noll, vilket är väntan på grund av den låga inflation som varit under denna period. Räntan är bara signifikant i ett fåtal fall och då visar den både på en positiv och på en negativ inverkan på småhuspriserna, vilket är förvånande eftersom räntan borde uppvisa en negativ och stor påverkan. AFGX påvisar större grad av signifikans i städerna än på glesbygden, dock påvisar även den både positiv och negativ inverkan vilket gör den svår att tolka.

5.4 Impulsresponser

Impulsrespons chocker utförs på regionerna Stockholm, Göteborg, Malmö, Glesbygd samt Sverige var för sig. Den valda chocken består av att utsätta regionerna för en positiv standardavvikelse innovation i de endogena variablerna. Nedan visas resultaten för respektive region.

5.4.1 Stockholm

Figur 5

-.004 .000 .004 .008 .012 .016 .020

1 2 3 4 5 6 7 8 9 10

KTSTHLM NYBIL IO

Respons av K/T-tal Stockholm f ör en standard- av v ikelsesinnov ation i de endogena v ariablerna

-.02 .00 .02 .04 .06 .08 .10

1 2 3 4 5 6 7 8 9 10

KTSTHLM NYBIL IO

Respons av Ny bilsregistrering f ör en standard- av v ikelsesinnov ation i de endogena v ariablerna

-.02 -.01 .00 .01 .02 .03 .04 .05 .06

1 2 3 4 5 6 7 8 9 10

KTSTHLM NYBIL IO

Respons av Industriordrar f ör en standard- av v ikelsesinnov ation i de endogena v ariablerna

Som ses i figur 5 så orsakar en chock i K/T- tal för Stockholm en klar effekt på konsumtionsproxyn nybilsregistreringar och att dess inverkan kan obeserveras upp till 6 månader efter chocken. Detta kan tolkas som en förmögenhetseffekt, det vill säga om K/T- tal ökar leder det till att människor får större förmögenhet och på så vis ökar sin konsumtion.

Det är lite svårare att tolka hur K/T- tal för Stockholm påverkar den valda inkomstproxyn industriordrar. Vidare framgår det att en chock i nybilsregistreringar har en positiv och märkbar effekt på både K/T- tal och industriordrar, det skall poängteras att industriordrar och nybilsregistreringar vekar ha ett större informations utbyte sinsemellan än vad K/T- tal har med någon av dem. Detta styrks av resultatet från en standardavvikelse innovation i industriordra där det knappt är någon märkbar påverkan i K/T- tal men att nybilsregistreringar påverkas positivt. Det skall observeras att i alla tre fallen är spåren av chockerna borta efter cirka 6 månader.

5.4.2 Göteborg Figur 6

-.010 -.005 .000 .005 .010 .015 .020

1 2 3 4 5 6 7 8 9 10

KTGBG NYBIL IO

Respons av K/T-tal Göteborg f ör en standard- av v ikelsesinnov ation i de endogena v ariablerna

-.04 -.02 .00 .02 .04 .06 .08 .10

1 2 3 4 5 6 7 8 9 10

KTGBG NYBIL IO

Respons av Ny bilsregistrering f ör en standard- av v ikelsesinnov ation i de endogena v ariablerna

-.02 -.01 .00 .01 .02 .03 .04 .05 .06

1 2 3 4 5 6 7 8 9 10

KTGBG NYBIL IO

Respons av Industriordrar f ör en standard- av v ikelsesinnov ation i de endogena v ariablerna

Resultaten för Göteborg är lik de från Stockholm, med reservationen att chockerna ligger kvar upp till 8 månader. Det som mest sticker ut är att det verkar som om K/T- tal och

industriordrar verkar ha ett negativt förhållande, men det är relativt litet jämfört med samvariationen mellan nybilsregistreringar och industriordrar. Det negativa förhållandet mellan K/T- tal och industriordrar är intressant då det tyder på att om nya ordrar i indutrin ökar skulle priserna för fastigheter sjunka, det motsatta borde vara väntat eftersom en starkare ekonomi borde gynna och stärka konsumtion och investeringar.

5.4.3 Malmö Figur 7

-.010 -.005 .000 .005 .010 .015 .020 .025

1 2 3 4 5 6 7 8 9 10

KTMALMO NYBIL IO

Respons av K/T-tal Malmö f ör en standard- av v ikelsesinnov ation i de endogena v ariablerna

-.02 .00 .02 .04 .06 .08 .10

1 2 3 4 5 6 7 8 9 10

KTMALMO NYBIL IO

Respons av Ny bilsregistrering f ör en standard- av v ikelsesinnov ation i de endogena v ariablerna

-.02 -.01 .00 .01 .02 .03 .04 .05 .06

1 2 3 4 5 6 7 8 9 10

KTMALMO NYBIL IO

Respons av Industriordrar f ör en standard- av v ikelsesinnov ation i de endogena v ariablerna

En chock i K/T- tal för Malmö ger en mycket liten effekt på både inkomst och

konsumtionsproxyn. Men en chock i vardera proxy ger ett positivt gensvar i K/T- tal för Malmö, vilket tyder på att nybilsregistrering och industriordrar är bra valda proxys. Går nybilsregistrering eller industriordrar upp kan man vänta sig en ökning i priser på fastigheter eftersom ökad inkomst och konsumtion borde vara relaterat till en ökad förmögenhet och då även ökade fastighetspriser. Effekterna av chockerna ligger kvar upp till 5 månader.

5.4.4 Glesbygd Figur 8

-.02 -.01 .00 .01 .02 .03 .04

1 2 3 4 5 6 7 8 9 10

KTGLES NYBIL IO

Respons av K/T-tal Glesby gd f ör en standard- av v ikelsesinnov ation i de enndogena v ariablerna

-.02 .00 .02 .04 .06 .08 .10 .12

1 2 3 4 5 6 7 8 9 10

KTGLES NYBIL IO

Respons av Ny bilsregistreringf ör en standard- av v ikelsesinnov ation i de enndogena v ariablerna

-.02 -.01 .00 .01 .02 .03 .04 .05 .06

1 2 3 4 5 6 7 8 9 10

KTGLES NYBIL IO

Respons av Industriordrar f ör en standard- av v ikelsesinnov ation i de enndogena v ariablerna

Det enda tydliga svaret man får efter att ha utsatt Glesbygd för en impulsrespons chock är att en chock i nybilsregistrering leder till en uppgång i industriordrar, och det skall ifrågasättas om det verkligen stämmer i verkligheten. Rimligtvis borde det vara tvärtom, att industriordrar påverka nybilsregistreringen, eftersom en ökad orderingång bör öka arbetstillfällena och höja lönenivåer vilket i sin tur bör öka bilförsäljningen. En ökning i nybilsregistrering leder så klart till en ökad order ingång till industrin, men man kan fundera på om den verkligen är så pass stor del av den totala industrin i Sverige så att den ger utslag. Det verkar som om K/T- talet på Glesbygden ej har något speciell samvariation med nybilsregistreringar och industriordrar, med andra ord att de variablerna ej har stor inverkan på priset på fastigheter.

5.4.5 Sverige

Figur 9

-.002 .000 .002 .004 .006 .008 .010 .012

1 2 3 4 5 6 7 8 9 10

KTSVERIGE NYBIL IO

Respons av K/T -tal Sveri ge för en standard- avvikelsesinnovation i de endogena variablerna

-.02 .00 .02 .04 .06 .08 .10

1 2 3 4 5 6 7 8 9 10

KTSVERIGE NYBIL IO

Respons av Nybilsregistrering för en standard- avvikelsesinnovation i de endogena variablerna

-.02 -.01 .00 .01 .02 .03 .04 .05 .06

1 2 3 4 5 6 7 8 9 10

KTSVERIGE NYBIL IO

Respons av Industriordrar för en standard- avvikelsesinnovation i de endogena variablerna

Den valda konsumtionsproxyn ger ingen speciell inverkan på K/T- tal för Sverige vid en chock, liknande resultat erhålles vid en chock i den valda inkomstproxyn. Detta ger oss att de valda endogena variablerna har lite informationsinnehåll för K/T- tal. Dock så får vi en förmögenhets effekt av en chock på K/T- talet då nybilsregistreringen ökar. Anpassningstiden är ca 6 månader.

6. Sammanfattande slutsats

Syftet med uppsatsen var att analysera hur ett antal makrovariabler påverkar på och samverkar med priserna på småhus. Månadsdata för åren 1996-2006 innehållande K/T- talen för småhus och ett antal makrovariabler bearbetades och analyserades. För att studera regionsskillnader, avseende samverkan och påverkan av makrovariablerna på K/T- talen, gjordes en uppdelning av Sverige i regionerna Stockholm, Göteborg, Malmö, Glesbygd samt hela Sverige.

För att se hur de olika makrovariablerna påverkade K/T- talen för de olika regionerna användes Grangers kausalitetstest. Utfallen i dessa test påvisade att makrovariablernas påverkan skiljer sig åt i de fem regionerna. Bland annat påverkade räntan småhuspriserna efter fyra månader i Stockholm och Malmö tillskillnad från Göteborg och Glesbygden där den inte påverkade. Vid vidare analys med detta test framkom att penningmängdsmåtten och konsumentprisindex endast är signifikanta i ett fåtal fall i de olika regionerna vilket kan bero på att penningmängdsmåtten har ett starkt samband med räntan och att inflationen varit låg.

Som mått på utvecklingen av aktiemarknaden användes Affärsvärldens generalindex.

Resultatet av Grangers test gav att denna variabel påverkar som mest i Stockholm, vilket kan tänkas rimligt eftersom det mesta av aktieinnehavet finns i storstäderna. Dock är det något

förvånande att den ej hade större signifikans i de två övriga storstäderna Göteborg och Malmö.

Vid fortsatt analys av datamaterialet användes en enkel VAR modell för att estimera olika regressioner för regionerna. En VAR modell för varje region med respektive K/T- tal,

”konsumtionsproxyn” nybilsregistrering och ”inkomstförväntningsproxyn” industriordrar som endogent givna variabler estimerades. De exogena variablerna som användes var AFGX, KPI, ränta, industriproduktion och arbetslöshet. Vi använder proxys för två endogena variabler eftersom det inte finns månadsdata över hushållens disponibla inkomst och förmögenhet.

Nästa steg blev att utifrån de estimerade VAR modellerna utföra impulsrespons chocker i de endogena variablerna.

Impulsrespons chockerna indikerade att en chock i K/T- talen hade en påverkan på utvecklingen för nybilsregistreringar i alla regioner, men att den var kraftigast i regionerna Stockholm och Sverige. Detta kan tolkas som en förmögenhets effekt eftersom om K/T- tal ökar så ökar hushållens förmögenhet och troligtvis även dess konsumtion. Chockens påverkan var synlig upp till 6 månader efter själva inträffandet.

En chock i de två valda endogena proxys gav spridda resultat för K/T- talen och det gick ej att spåra om det ligger något större informations utbyte emellan dem. En chock i industriordrar inverkade negativt på K/T- talen för Göteborg och för Sverige, med andra ord leder en ökad orderingång i industrin till att minska småhuspriserna vilket kan ifrågasättas. En ökad orderingång bör tolkas som en uppgång i ekonomi och därmed stimulera investeringar och konsumtion. Chocken i industriordrar gav en svag men positiv inverkan på nybilsregistreringar, vilket är som förväntat.

Den starkaste slutsatsen som kan dras av denna analys är att småhuspriserna påverkas av många olika faktorer beroende på i vilken region man befinner sig i och att en ökning av priserna leder till en förmögenhetsökning och därför ökar privat konsumtion.

Referenser

Böcker och tidsskrifter

Berg, Lennart, (2002), Småhuspriser på andrahandsmarknaden i storstadsregioner och andra regioner under 1980- och 1990-talet: samvariation, påverkan och bestämningsfaktorer

Iacoviello, Matteo M., (April 2000), House Prices and the Macroeconomy in Europe: Results from a Structural VAR Analysis, ECB Working Paper No. 18

Iorizzo, Marcus, (HT 2005), Ränterisk för bostadsköpare, betydande eller marginell?. C- uppsats Lunds Universitet.

Patterson. Kerry, (2000), An Introduction to Applied Econometrics: a time series approach, Macmillian Press Ltd.

Pindyck. Robert S & Rubinfeld. Daniel L, (1998), Econometric Models and Economic Forecasts, Fourth Edition, Irwin McGraw-Hill.

Internet

Länk som visar KPI utveckling:

http://www.scb.se/templates/tableOrChart____33847.asp (2007-05-10)

Länk som visar prisutvecklingstakt för småhus:

http://www.scb.se/templates/tableOrChart____74160.asp (2007-05-10)

Länk som definierar småhus och visar dess andel av hushållens reala tillgångar:

http://www.scb.se/templates/tableOrChart____195799.asp (2007-05-14)

Länk som visar indelning av regioner:

http://www.scb.se/Grupp/Regionalt/rg0104/Storstadsomr.pdf (2007-05-15)

Länk som visar nettotillgångar i storstäderna:

http://www.scb.se/statistik/OE/OE0106/2006A01/OE0106_2006A01_SM_OE12SM0601.pdf

Övrigt

EViews 5 Help, Sökord: Impulse response

Appendix 1

Tabell 1.1

Granger bivariata kausalitetstest för relativa småhuspriser i fem olika regioner.

Stockholmsregionen, Göteborgsregionen, Malmöregionen, Glesbygdskommunerna och hela Sverige. Redovisad statistik är p-värden.

Stockholm

AFGX KPI M0 M3 Ränta Industriordrar Industri- produktion

Nybils- registrering

Arbetslöshet

1 0,917 0,107 0,218 0,703 0,330 0,900 0,839 0,070 0,800 2 0,214 0,264 0,500 0,668 0,559 0,985 0,973 0,067 0,922 3 0,193 0,346 0,459 0,748 0,221 0,871 0,786 0,134 0,926 4 0,029 0,514 0,424 0,913 0,011 0,533 0,768 0,065 0,969 5 0,015 0,577 0,420 0,591 0,009 0,012 0,452 0,087 0,757 6 0,039 0,051 0,143 0,725 0,010 0,031 0,443 0,127 0,711 7 0,087 0,146 0,076 0,829 0,011 0,020 0,154 0,125 0,568 8 0,141 0,160 0,027 0,724 0,034 0,010 0,009 0,171 0,439 9 0,184 0,180 0,046 0,584 0,057 0,001 0,003 0,116 0,561 10 0,235 0,207 0,033 0,694 0,039 0,003 0,006 0,070 0,762 11 0,209 0,206 0,033 0,680 0,172 0,005 0,014 0,014 0,954 12 0,330 0,226 0,010 0,772 0,189 0,002 0,002 0,006 0,793

Göteborg

AFGX KPI M0 M3 Ränta Industriordrar Industri- produktion

Nybils- registrering

Arbetslöshet

1 0,954 0,059 0,887 0,577 0,802 0,425 0,958 0,069 0,947 2 0,436 0,166 0,319 0,810 0,942 0,537 0,853 0,114 0,904 3 0,648 0,198 0,145 0,811 0,581 0,675 0,595 0,202 0,467 4 0,199 0,164 0,077 0,770 0,296 0,617 0,365 0,260 0,558 5 0,293 0,262 0,077 0,407 0,433 0,026 0,189 0,087 0,742 6 0,103 0,098 0,126 0,579 0,420 0,028 0,090 0,093 0,592 7 0,216 0,128 0,230 0,814 0,433 0,012 0,059 0,106 0,769 8 0,316 0,391 0,221 0,944 0,249 0,039 0,108 0,271 0,548 9 0,372 0,309 0,336 0,716 0,174 0,014 0,049 0,233 0,708 10 0,470 0,365 0,471 0,545 0,210 0,017 0,008 0,334 0,769 11 0,530 0,426 0,080 0,468 0,248 0,010 0,005 0,160 0,722 12 0,509 0,397 0,025 0,543 0,242 0,006 0,002 0,125 0,656