Nationalekonomiska institutionen Uppsala Universitet
Examensarbete D Emma von Essen
Handledare: Bengt Turner Höstterminen 2005
E-budgivning
– om och hur budgivning via InternetSammanfattning
Den här uppsatsen studerar om och hur tjänsten e-bud, budgivning via Internet, påverkar utbudspriset och överlåtelsepriset på småhus i Sverige. Köpare och säljare måste söka på bostadsmarknaden för att finna information om utbudspris och överlåtelsepris i förhållande till område och kvalitet. Detta är en process som den moderna utvecklingen av
informationsteknologin kan påverka förutsättningarna för. Överlåtelsepriset bestäms i regel av en budgivning mellan köpare och säljare medan utbudspriset antas vara säljaren
reservationspris. Detta kan informationsteknologin också inverka på.
De huvudsakliga slutsatserna i uppsatsen är att e-bud förenklar sökprocessen, vilket resulterar i ett högre överlåtelsepris jämfört med konventionell budgivning samt att utbudspriset har betydelse för överlåtelsepriset men inte för den procentuella vinsten utöver utbudspriset. Utbudspriset på småhus sålda via e-bud visar därmed säljarens reservationspris.
1 Inledning ... 4
2 Bakgrund:
ICTpå bostadsmarkanden... 5
2.1 Tidigare forskning inom området... 6
3 Teori ... 7
3.1 Stockflödesmodellen ... 7
3.2 Wheatons sökmodell... 7
4 Data ... 11
4.1 Definition av variabler ... 12
Datamängd 1... 12 Datamängd 2... 135 E-bud och sökprocessen... 13
5.1 E-bud och överlåtelsepriset ... 13
Direkt effekt... 14
Indirekta effekter ... 15
Deskriptiv statistik ... 16
Konklusion... 19
5.2 E-bud och utbudspriset... 20
1 Inledning
I Sverige och i andra länder har utvecklingen och användandet av informations- och kommunikationsteknologier (ICT) ökat det senaste decenniet. Internet, mobiltelefoner och programvaror är idag nödvändiga verktyg i arbetslivet och vardagen. Tekniken har medfört flera förändringar, såväl ekonomiska som sociala. Dessa förändringar har till exempel varit, och är, kostnadsbesparingar, ökad konkurrens och en ökad tillväxt. Information blir mer lättillgänglig för alla aktörer, vilket påverkar deras agerande (Norris, 2001, Notaro, 2003, s 44-45).
En marknad som skiljer sig från övriga marknader på ett flertal punkter är bostadsmarknaden. Det är en heterogen marknad där aktörerna har olika mycket information om marknadens priser och struktur1. Sedan ett par år tillbaka marknadsför de flesta mäklare sina objekt via Internet och det finns även tjänster, med e-bud som den största, där köpare kan lägga bud över Internet. Genom ökat användande av ICT kan aktörernas
informationsproblem på bostadsmarknaden förändras. Därför avser jag att i uppsatsen
besvara frågan om och hur e-bud påverkar sökprocessen på bostadsmarknaden, i termer av utbudspris och överlåtelsepris. Syftet med uppsatsen är att analysera hur e-bud
påverkar sökprocessen genom överlåtelsepriset utifrån en teoretisk sökmodell samt empiriskt undersöka om e-bud leder till en förändrad utbudsprissättning. Det är en kvalitativ och kvantitativ uppsats, där jag har begränsat undersökningen till försäljningar av småhus. Den kvantitativa analysen har genomförts med hjälp av data från tjänsten e-bud.
Med informationsproblem avser jag problemen med att få en överblick av marknaden gällande struktur och prisläge samt det asymmetriska informationsförhållande som råder mellan köpare och säljare. Det här innebär att aktörerna tvingas att söka på
marknaden för att finna information, en sökprocess. Med ICT avser jag alla typer av hårdvara och mjukvara som påverkar möjligheten för köpare och säljare att kommunicera. Med säljtid avser jag den tid det tar för köpare och säljare att finna en matchning (överlåtelse). Jag bortser i uppsatsen från de småhus som säljs utan mäklare då detta endast är en marginell del av försäljningarna (se bland annat Ullman, 2004).
Ett problem med att studera effekterna av ICT är att särskilja just dessa från
andra effekter, av exempelvis konjunkturen. Teknologiska förändringar och
konjunkturförändringar hänger emellertid ofta ihop, vilket har vägts in när jag tolkat resultaten. Uppsatsens största begränsning är datamaterialets brister, se avsnitt 4.
1 Struktur innefattar bland annat ränteläge, lånemöjligheter, lagar och regler om ägande av olika bostäder. Prisläge avser
Uppsatsen börjar med en kort beskrivning av informations- och
kommunikationsteknologins utveckling på bostadsmarknaden. Vidare beskrivs Wheatons (1990) search model, sökmodell, för att utifrån denna analysera hur e-bud påverkar
marknadsmekanismerna, i termer av priser och säljtid. Jag kommer att använda statistik från tjänsten e-bud för att analysera spekulativ utbudsprissättning genom att studera hur
överlåtelsepris och utbudspris förhåller sig till varandra. Uppsatsen avslutas med en diskussion kring resultaten.
2 Bakgrund:
ICTpå bostadsmarkanden
Bostadsmarknaden är inte en enda marknad. Den är påtagligt integrerad med andra
marknader, främst finans- och arbetsmarknaden, vilket påverkar priset och strukturen. Varan på bostadsmarknaden är dessutom heterogen och gör därmed att prisbildningen blir
annorlunda jämfört med andra marknader (Eriksson, 2000, s. 145-147). Bristen på direkt information gör att aktörerna måste ”söka av” marknaden för att få information om priset i förhållande till bland annat läge och husets beskaffenhet. Genom denna process kan aktörerna finna en lämplig matchning.
Idag har Sverige en av världens högsta Internetanvändning och är även det land där flest aktörer använder Internet i sitt sökande efter bostad, sjuttio procent. Nästan alla bostäder som är till försäljning marknadsförs idag via Internet (Arnroth, T, 2004). Sveriges mäklare lägger ut vakanta objekt på gemensamma hemsidor, Hemnet och Bovision. Dessa två täcker nästan hela marknaden. Flera mäklare erbjuder dessutom köparna att lägga bud via Internet. Jag har valt att studera e-bud som är den största tjänsten för detta och den täcker också flest regioner i landet. Intresserade köpare erhåller en personlig kod från den ansvarige mäklaren för att kunna delta i budgivningen2. Budgivningen sker öppet och köpare samt säljare, liksom övriga intressenter, kan följa både pågående och avslutade budgivningar. Härmed samlas tidigare svåråtkomlig information i sökprocessen, något som i sin tur kan påverka marknadens mekanismer3.
E-bud skapades av Stadshypotek årsskiftet 1999/2000 genom ett samarbete med landets mäklare och befinner sig fortfarande under utbyggnad. Idag är ungefär 500 mäklare anslutna till denna tjänst. Täby och Gotland är de kommuner där e-bud används i störst utsträckning (Handelsbanken, 2002).
2 Alla objekt där mäklare erbjuder e-bud ligger ute på Hemnet eller Bovision.
3 Exempelvis var tidigare intressenter, köpare etc. tvungna att ta kontakt med respektive mäklare för att få information om
2.1 Tidigare forskning inom området
Den tidigare forskningen inom området är mycket skral. För att kunna utnyttja effekterna och utveckla användandet av informations- och kommunikationsteknologi är behovet av vidare forskning stort.
Det finns några mindre undersökningar som behandlar ICT och
bostadsmarknaden. Wigand et al. (2001) försökte visa vilka allmänna effekter ICT har för aktörerna på bostadsmarknaden. Deras slutsats blev att ICT påverkar transaktionskostnaderna för köpare och säljare i budgivningen (Wigand et al., 2001). Ford, J. S. et al. (2004) visade att Internet kan påverka marknaden på makronivå. Genom att testa en enkel empirisk modell drog de slutsatsen att objekt som säljs genom marknadsföring via Internet betingar en längre säljtid och ett högre överlåtelsepris i genomsnitt jämfört med andra objekt.
Det finns däremot forskning kring bostadsmarknadens informationsproblem. Sirmans och Turnbull ”Information, search and house prices” (1993), undersökte effekter av det asymmetriska informationsförhållandet. De delade upp köparna i tre kategorier efter mängden information dessa har om marknaden samt testade om det fanns signifikanta skillnader i överlåtelsepris mellan dessa grupper, för likvärdiga objekt i samma område. De fann att så inte var fallet. Information om marknadens prisläge och struktur påverkade inte priset som objekten såldes för. Detta resultat kan jämföras med en studie av Craig Watkins (1996), om huruvida första-gångs-köpare betalar mer för sina hus än andra köpare. Även denna studie visade att signifikanta skillnader mellan olika typer av köpare saknades. Watkins drog slutsatsen att alla köpare har lika lite information om marknaden (Watkins, 1996). Till skillnad från dessa studier behandlar min uppsats hur e-bud underlättar sökprocessen för alla aktörer på marknaden.
Det finns tidigare forskning om ICT och dess effekt för arbetsmarknadens mekanismer (Ziesemer, 2001). Arbetsmarknaden och bostadsmarknaden har flera
3 Teori
I uppsatsen har jag använt en modell som är skapad av William C. Wheaton (1990)4. Jag har valt denna modell eftersom den är enkel och beskriver bostadsmarknaden som en sökprocess med informationsproblem. Modellen försöker förklara det empiriska beteendet på
småhusmarknaden, hur priser och vakanser fungerar tillsammans. Wheaton utgår i sin modell från stockflödesmodellens (stock flow model) mekanismer. För att åskådliggöra Wheatons sökmodell på ett mera lättfattligt sätt använder jag mig av ett antal uttryck, (se nedan, 1-6).
3.1 Stockflödesmodellen
Stockflödesmodellen anger vad som påverkar marknadens mekanismer på lång sikt. Aggregerad efterfrågan på bostäder är beroende av pris, demografiska faktorer, det
existerande utbudet och hushållens inkomster samt löpande boendekostnader5. Aggregerat utbud av bostäder, stocken, består av det existerande utbudet samt nyproduktion, och
påverkas negativt av förslitning och rivning. Förändring av stocken sker successivt eftersom nyproduktionen anpassar sig långsammare till efterfrågeförändringar än till exempel pris. Stocken ökar när nyproduktionen överstiger förslitning och rivning samt minskar i den omvända situationen. Depreciering och nyproduktion utgör inte mer än någon procent om året, men på lång sikt bidrar det till en betydande variation av utbudet. Utbudet är fast på kort sikt och anpassningen till förändringar i efterfrågan sker med hjälp av priset (Poterba, 1984).
3.2 Wheatons sökmodell
Likt stockflödesmodellen utgår sökmodellen från att den existerande stocken är konstant på kort sikt men rörlig på lång sikt. Anpassningen till förändringar i efterfrågan på kort sikt sker med priset genom förändringar i vakanser och säljtid. I sökmodellen relaterar priset till samma underliggande utbuds- och efterfrågeförhållanden som stockflödesmodellen antar, de så kallade fundamenta. I en artikel presenterade Wheaton (1990) en sökmodell för
bostadsmarknaden som byggde på forskning från arbetsmarknaden (se Mortensen, D. T., 1982). Modellen utgår från antagandet om asymmetrisk information samt att marknadspriset sätts genom bilateral budgivning. Sökkostnaderna gör att efterfrågan i modellen blir mindre känslig för priset, det vill säga att elasticiteten minskar. Att söka på marknaden blir
4 Det finns fler modeller med olika mekanismer som beskriver marknaden som en sökprocess. Resultatet av denna uppsats
påverkas av att jag valde Wheatons sökmodell. För vidare diskussion om sökteorier och andra sökmodeller se bland annat Lippman och McCall (1971) och Mortensen (1986).
5 De löpande boendekostnaderna består av kapitalkostnader, kostnader för drift, underhåll, värdeförändring samt olika
nödvändigt eftersom marknaden är heterogen. Sökandet gäller framförallt för köparen eftersom säljaren har mer information om sitt objekt än köparen. Detta
informationsförhållande påverkar kostnaderna för aktörerna, det vill säga kostnaderna för att hitta objekt. Detta påverkar vidare säljtid och pris. Modellen avser enbart marknaden för ägda småhus.
Wheaton antar att hushåll endast vill äga en bostad och att det inte existerar någon hemlöshet. Vakanserna (V) blir därför stocken (S) minus antalet hushåll (H). Vakanser måste finnas för att marknaden skall fungera, det antas därmed att det finns en strukturell vakansnivå.
Vi = Si – Hi > 0 (i = 1,2) (1)
Förändringar på marknaden sker främst genom att människor flyttar. I modellen delas marknadens aktörer upp i tre grupper:
- matchade, de som äger ett hus (HM)
- dubbelt ägarskap, de som äger två hus och avser sälja det ena (HD) - icke matchade, de som letar nytt hus (HS)6.
I modellen försätter sig hushållen i en icke-matchad situation på grund av demografiska förändringar (β), som när hushåll skaffar barn, byter jobb eller går i pension. Detta antas vara exogent i modellen. Hushållen går vid dessa tillfällen från en form av hushåll (i =1) till en annan (i = 2). Sannolikheten för matchningen mellan letande hushåll och vakanser antas ske med en poissonprocess7 med parametrarna m
1, m2. Vilket ger att miHSi är flödet av nya
husköp. Försäljningen av vakanserna följer samma poissonprocess med parametrarna, q1 och
q2. Vilket ger att, qi = miHSi / Vi, försäljningen av vakanser motsvarar köpen. För att förenkla
modellen antas de olika typerna av hushåll vara identiska i antal och beteende (i=1=2). Förändringen av icke-matchade hushåll (HS) beror av demografiska förändringar och hur dessa påverkar antal hushåll med dubbelt ägande, vakanserna (2). Resultatet blir att antalet vakanser i ett steady state motsvarar antalet hushåll som äger dubbla bostäder8.
6 Dessa grupper utgör det totala antalet hushåll, H = HD + HS + HM
7 En statistisk fördelning där man räknar antalet förändringar som inträffas inom ett kontinuerligt tidsintervall. Se bland
annat Hogg and Tanis, 2005. Processen kväver att händelserna är oberoende av varandra, vilket således blir ett av modellens antagande.
V= HD (2)
HS = β(H-V)/(2β + m)
När sannolikheten för matchning (m) ökar på marginalen i steady state, (2), allt annat lika, minskar antalet hushåll som är icke-matchade. Även när vakanserna ökar med en enhet minskar antalet hushåll som är icke-matchade. Ökar den demografiska omsättningen ökar även antalet hushåll som är icke-matchade. Modellen är förenklad vilket ger att vid en förändring av efterfrågan påverkas antalet vakanser direkt. Om vakanserna ökar minskar till en början sannolikheten för försäljning, q. Vidare ökar antalet hushåll med två bostäder, (HD), fram till dess att alla hus åter ägs av någon9. Detta visar hur vakanser uppstår på kort sikt, vakanserna styr vidare prisregleringen.
Sannolikheten för försäljning (q) kan skrivas i termer av förväntad tid att sälja ett hus, (L) = 1/q 10. Säljtiden (L) påverkas negativt av förändring i (m) sannolikheten för matchning, antalet hushåll och demografiska förändringar men positivt av antalet vakanser (Wheaton, 1990, s. 1278).
δL/δm < 0 (3)
δL/δH < 0 δL/δβ < 0 δL/δV > 0
Vad som påverkar sannolikheten för matchning är sökintensiteten (E). Köpare måste besluta med vilken intensitet de skall söka, till exempel antalet besök. Köparen antas alltid vilja besöka huset trots annonser. Sannolikheten att letande hushåll hittar en vakans som passar och sannolikheten att en vakans säljs ökar med sökintensiteten. Denna ökning i m är avtagande eftersom tiden är begränsad, (4). Matchningsparametern m beror alltså av sökintensitet som köparen väljer samt andelen vakanser. Sökprocessen är kostsam och kostnaderna (C) ökar med ökad intensitet11. Marginalkostnaderna är stigande på grund av att tiden är begränsad. När den marginella kostnaden att söka motsvarar den marginella nyttan av att söka blir sökandet optimalt (Wheaton, 1990, s 1279-1280).
9Antalet icke-matchade hushåll ökar när tendensen är att äga två hus under en längre period. När nya hushåll kommer in på
marknaden köper dessa ett hus utan att bidra med ett nytt, vilket resulterar i att vakanserna och HD minskar.
10 L=1/q=V/(mHS)=V(2β+m)/(βm(H-V))
δm/δE > 0 (4)
δ2m/δE2 < 0
Sökprocessen kopplas till marknadspriset genom att den årliga avkastningen av att befinna sig i de olika situationerna skall motsvara respektive situations inkomst- (nytto) flöde plus förväntad vinst eller förlust av att byta situation. Marknadspriset ligger enkelt uttryckt någonstans mellan det värde som gör att köparen inte vinner något på köpet och det värde som gör att säljaren inte vinner något på att sälja. Detta sker genom budgivningar. Wheaton bortser från möjligheten att säljaren har ett dolt reservationspris, det vill säga att säljarens utbudspris inte motsvarar det värde denne kan tänka sig att sälja sitt hus för. Vinsten av sökandet antas gå enbart till köparen (Wheaton, 1990, s. 1280). Priset skall efter
budgivningen därför ligga nära utbudspriset.
Ett antagande i modellen är att vakansnivån inte har någon effekt på sökprocessen12. Detta resulterar i att en ökad vakansnivå påverkar marknadspriset direkt genom att säljtiden ökar och därmed minskar priset. En ökad omsättning ger en ökad sökintensitet vilket ger högre sökkostnader och det nya steady state får därmed en högre sannolikhet för matchning. Däremot kan denna förändring resultera i ökad eller minskad säljtid och det går därmed inte att bestämma hur marknadspriset påverkas. Under speciella antaganden om m och när förändringen av sannolikheten för försäljning ökar markant blir påverkan på priset positiv (Wheaton, 1990, s. 1283-1284). Jag utgår därmed från att
priseffekten av ökad vakans är negativ. Däremot är priseffekten av en förändrad omsättning oklar.
Utbud på kort sikt kan alltså beskrivas som att marknadspriset motsvarar det marginella värdet av ytterligare en vakant enhet. Utbud på kort sikt påverkas av
sannolikheten för matchning, skillnaden mellan nyttan att vara matchad och nyttan av att vara icke-matchad samt demografiska förändringar. Efterfrågan på kort sikt bestäms och påverkas av sökintensiteten, kostnaderna, skillnaden mellan nyttan av att vara matchad och nyttan av att vara icke-matchad, sannolikheten för matchning samt demografiska förändringar.
Sammanfattning
Wheatons modell bygger alltså på variablerna; vakanserna (V) säljtid (L), sökintensiteten (E), sannolikheten för matchning (m) och priset (P). Hur dessa förhåller sig till varandra kan sammanfattas som följer:
m C
V
L
P
E
L
P
β
↑ ↑↑ →↑ →↓
↑ →↑ → →
b
→
b
(5)
(6 )
4 Data
I det här avsnittet redogör jag för data som ligger till grund för den kvantitativa analysen. Det rör sig om två olika datamängder, av olika kvalitet och förklaringsförmåga.
1. Den första mängden data består av observationer som finns att hämta på Internet, via
tjänsten bud. Observationerna i detta material täcker alla småhus som har sålts via e-bud i vissa regioner från januari 2004 till och med augusti 2005. Jag har valt att enbart studera småhus för att förenkla och begränsa uppsatsen. Jag har även valt att studera några regioner separat för denna period. Urvalet av dessa regioner har skett med kriteriet att minst 15 objekt13 ska ha sålts via e-bud under denna period. Områdena korresponderar mot kommungränserna, vilka förekommer i SCB:s undersökningar. Regionerna är
Gotland, Täby, Västerås och Helsingborg. Materialet är uppdelat efter följande variabler; överlåtelsepris, utbudspris, region, taxeringsvärde, antal bud och antal dagar. Dessa är valda i syfte att få så mycket information som möjligt om överlåtelseprocessen.
Materialet består av 414 observationer. Eftersom tidsperioden är kort och för att det fanns för få observationer för att göra ett index, kommer detta material att behandlas
atemporalt.
2. Den andra mängden data är ett register från tjänsten e-bud för perioden 2001-2005.
Detta register tillhör Handelsbanken-Stadshypotek och visar utbudspris, överlåtelsepris, antal bud, månad och år för samtliga småhus som sålts via e-bud under perioden. Detta datamaterial har flera begränsningar. Materialet är inte uppdelat efter någon
kvalitetsjusterande variabel, vilket försvårar tolkningen av resultaten. Ett annat problem är att observationerna är aggregerad data vilket innebär att jag förlorar en del information och tolkningarna måste göras med viss försiktighet. På grund av detta och eftersom 13 SCB och lantmäteriet brukar använda 20 försäljningar som gräns för en viss period. Jag har valt 15 för att jag skall ha
tidserien inte kan delas upp efter variabler som region eller kvadratmeter kommer detta material att användas i mindre utsträckning. Tidserien är alltså på månadsdata och sträcker sig från januari 2001 till augusti 2005, totalt omfattande 56 observationer.
Eftersom datamängd 1 innehåller fler variabler har jag valt att använda datamängd 2 som ett komplement. Resultat från datamängd 2 kan därmed stärka eller göra resultaten från
datamängd 1 osäkrare. Eftersom observationer från 2004 och 2005 finns i datamängd 1 och aggregerat i datamängd 2 förekommer dessutom en viss överlappning.
I datamängd 1 förekommer också en risk för täckningsfel, främst
undertäckning. Med denna datamängd undersöker jag försäljningar via e-bud från januari 2004 till och med augusti 2005; och eftersom jag har hämtat dessa observationer från Internet finns det en möjlighet att jag har missat försäljningar som har registrerats under denna period (undertäckning). I datamängd 2 sammanfaller rampopulationen med målpopulationen och det finns endast en liten risk för täckningsfel14.
4.1 Definition av variabler
De två datamängderna har olika kvaliteter och förklaringsförmåga eftersom de är uppdelade efter olika variabler. Variablerna har olika karaktär och syfte och kan för respektive
datamängd delas in i bakgrundsvariabler samt undersökningsvariabler (Dahmström, 1991 s. 24-27).
Datamängd 1
Bakgrundsvariabler: Region är en diskret variabel som indikerar i vilken kommun huset är sålt. Taxeringsvärde är en kontinuerlig variabel som i genomsnitt visar 75% av objektets marknadsvärde.
Undersökningsvariabler: Utbudspris är en kontinuerlig variabel som anger utgångspriset för ett objekt. Överlåtelsepris är också kontinuerlig och anger budgivningens sista pris. Antal bud är en diskret och kvantitativ variabel som indikerar hur många bud som har ingått i budgivningen. Jag har även skapat variabeln procentuell vinst, vilket är kvoten mellan överlåtelsepris och utbudspris. Denna variabel är också kontinuerlig.
Datamängd 2
Bakgrundsvariabler: Tiden i år och månad, är en diskret och kvantitativ variabel som indikerar vilket år eller vilken månad en försäljning har ägt rum.
Undersökningsvariabler: Utbudspris är en kontinuerlig variabel som anger utgångspriset för ett objekt. Överlåtelsepris är också kontinuerlig och anger budgivningens överlåtelsepris. Jag har även skapat variabeln procentuell vinst, vilket är kvoten mellan överlåtelsepris och utbudspris. Denna variabel är också kontinuerlig. Priserna för denna datamängd är i reala termer15 men kan inte kvalitetsjusteras, vilket kan påverka resultaten. Bristen på adekvata data begränsar därför analysen16.
5 E-bud och sökprocessen
Uppsatsens analysdel består av två moment. I det första momentet för jag ett resonemang kring hur e-bud kan påverka sökprocessen i termer av överlåtelsepris; där utgår jag från Wheatons modell enligt vilken utbudspriset är säljarens reservationspris, där denne varken gör vinst eller förlust. Detta kompletteras med deskriptiv statistik. I andra momentet studerar jag antagandet om att säljarens utbudspris motsvarar reservationspriset och använder mig av enklare regressionsmodeller. Detta för att se om e-bud påverkar sökprocessen i termer av utbudspris.
5.1 E-bud och överlåtelsepriset
I följande stycken studerar jag hur e-bud påverkar mekanismerna i Wheatons modell. Jag utgår från förändringar i steady state. Omsättningen (β) på marknaden antas därför vara given, det vill säga att förändringen i antalet hushåll är konstant. Priseffekten och säljtiden antas alltid gå i olika riktning.
Budgivningen via e-bud sker öppet, köpare och säljare kan studera både pågående och tidigare sålda objekt17. Aktörerna kan studera variabler som utbudspris, antal bud, antal dagar och överlåtelsepris för respektive hus, även information om husets läge, karaktär, taxeringsvärde och övriga kostnader finns att tillgå. Eftersom e-bud samlar tidigare svåråtkomlig information i sökprocessen förenklar det aktörernas möjligheter att snabbare få en helhetsbild av bostadsmarknaden i sökt område. I köparens sökprocess och säljarens
15Alla priser är i reala termer, deflaterade med KPI (Konsumentprisindex).
utbudsprissättning ingår att finna information om bostadsmarknadens prisläge och struktur i områden av intresse.
Köpare kan studera hur pris och budgivning har fungerat på olika objektstyper och för olika områden som eftersöks. Säljare har samma möjligheter att få en uppfattning om hur utbudspriset sätts på liknande hus i samma område och hur överlåtelsepriset blir i
förhållande till detta. Även säljaren kan få en god uppfattning om antalet vakanser i området och sätter utifrån detta sitt utbudspris.
När sökprocessen förenklas kan köparen tillgodogöra sig mer information om marknaden per samma tidsenhet, e-bud minskar därmed kostnaderna (c) för given
sökintensitet (E). När kostnaderna minskar ökar köparen sin sökintensitet, eftersom köparen kan söka mer för samma kostnad18. Då sökintensiteten ökar påverkas sannolikheten för matchning (m) positivt, vilket i sin tur ökar antalet matchningar (mHS), se utryck (2). Antalet försäljningar och antalet matchningar ska motsvara varandra i modellen, vilket resulterar i att sannolikheten att en vakans blir såld (q) och antalet försäljningar per tidsenhet också ökar. När sannolikheten för matchning och sannolikheten för försäljning ökar kan detta skapa en minskad eller en ökad säljtid (L) respektive pris (P). Hur e-bud påverkar överlåtelsepriset kan sammanfattas i en direkt effekt av vakanser och indirekta effekter av köpar- respektive säljarkonkurrens.
Direkt effekt
En direkt effekt av att sannolikheten för matchning och försäljning ökar blir att antalet icke-matchade hushåll (HS) på kort sikt kommer att sjunka, se uttryck (2) i Wheatons modell. När dessa (HS) minskar, innebär det att vakanserna som hushåll med dubbla bostäder (HD) äger avyttras. Därmed kommer det på kort sikt att finnas färre vakanser, vilket minskar säljtiden. När vakanserna minskar finns det dessutom färre objekt på samma antal köpare. Eftersom alla köpare har tillgång till e-bud och alla vakanta objekt når ut till samma antal köpare bidrar det till att fler köpare finner de vakanta objekten och kan konkurrera om dem. Den högre konkurrensen om varje objekt gör att köpare kommer att höja sitt reservationspris (maxpris), vilket ökar gapet mellan utbudspris och överlåtelsepris. Eftersom säljaren genom e-bud har möjligheten att snabbt få veta att det finns färre objekt på marknaden kommer de efterhand att öka sitt reservationspris eftersom det relaterar till marknadsvärdet. Detta kommer att öka utbudspriset i budgivningsprocesserna och minska gapet. När vakanserna säljs och antalet
icke-matchade hushåll (HS) minskar blir antalet köpare per objekt färre, vilket får en dämpande effekt på denna prisökning.
Indirekta effekter
Utöver den direkta effekten av att vakanserna minskar kan e-bud bidra till två möjliga indirekta effekter.
Köparkonkurrens kan beskrivas som följer: när sökintensiteten (E) ökas och alla köpare har möjlighet att finna vakanserna går det fortare för köparen att finna en matchning, se uttryck (4) i Wheatons modell. Marginalnyttan av köparens sökande är dock avtagande eftersom tiden är begränsad och köparen enbart kan hantera ett begränsat antal objekt för en given tid. Köparen kommer på grund av detta att tvingas begränsa sitt sökande och prioritera att besöka utvalda objekt. Detta bidrar till ökad konkurrens mellan köpare om ett givet antal vakanser för en given tidsperiod. Köparen ökar sitt reservationspris och trissar därmed upp överlåtelsepriset. Säljaren har genom e-bud dessutom större möjlighet att nå ut till fler köpare per tidsenhet, och sannolikheten att nå köpare som har hög betalningsvilja ökar. Eftersom dessa köpare har ett högre reservationspris kan det också trissa upp
överlåtelsepriset. Denna positiva priseffekt har störst påverkan i områden där e-bud kan nå ut till fler köpare än tidigare, eller i områden med heterogent objektsutbud.
Den andra indirekta effekten, säljarkonkurrens, kan beskrivas som följer: när köparen med hjälp av e-bud ges möjlighet att jämföra alla vakanser och välja mellan dessa, kommer säljaren att konkurrera om ett givet antal köpare. När sökkostnaderna minskar och sökintensiteten ökar ger detta dessutom köparen möjlighet att lägga ned mer tid på att hitta ett optimalt objekt, vilket förlänger säljtiden. När säljtiden ökar kan konkurrensen öka säljare emellan. Säljaren måste sänka sitt reservationspris, därmed utbudspriset, för att attrahera köpare och få huset sålt. Detta kan ge en negativ effekt även på överlåtelsepriset. En sådan priseffekt blir mest uppenbar i områden, marknader, med många vakanser av liknande karaktär. Att en säljarkonkurrens skall sänka överlåtelsepriset förutsätter därmed att den strukturella vakansen på marknaden är tillräcklig eftersom den har betydelse för
omsättningsnivån. Säljaren kan å andra sidan välja att vänta med att sälja sitt hus, vilket minskar antalet vakanser och därmed dämpar den negativa priseffekten. Effekten av en ökad konkurrens mellan säljare är därför inte helt given.
Deskriptiv statistik
För att belysa effekterna ovan och visa hur säljtiden och överlåtelsepriset via e-bud har förhållit sig till varandra samt hur överlåtelsepriset via e-bud har förhållit sig till alla försäljningar i landet följer nedan deskriptiv statistik. Jag börjar med att visa siffror över säljtiden för småhus sålda via e-bud mellan 2004 och 2005. Säljtiden har jag mätt i antal dagar som budgivningen har pågått och jag har använt mig av Datamängd 1. I tabell 1 visas medianen, kvartil 1 och kvartil 3 av antalet dagar. Medianen ger en bättre genomsnittlig indikation på säljtiden eftersom den inte påverkas lika mycket av extremvärden som medelvärdet.
Tabell 1
Variabel Region N=total
t antal Median 2004 Q1 2004 Q3 2004 Median 2005 Q1 2005 Q3 2005
Antal dagar Landet 414 4 2 6 4 2 8
Antal dagar Helsingborg 49 1 1 3 3 1 8
Antal dagar Västerås 44 5 4 6 4 1 8
Antal dagar Täby 193 4 2 5 3,5 3 4
Antal dagar Gotland 61 13,5 5,5 22 10 3 19
Källa: e-bud 2004-2005
I hela landet har medianen av säljtiden varit konstant mellan 2004 och 2005. Tredje kvartilen har ökat, vilket innebär att spridningen i materialet är större. I de flesta kommuner jag har valt att studera har säljtiden minskat. Det enda område som har ökat den genomsnittliga säljtiden är Helsingborg, vilket jag har bortsett från, eftersom medianen för 2004 ligger på 1 och skattningen för 2005 bygger på betydligt fler observationer. En minskad säljtid indikerar att köparen inte lägger ner mer tid på att finna det optimala objektet19.
Täby och Gotland är de två områden där e-bud används i störst utsträckning och jag kommer därför i fortsättningen att kommentera dessa i högre grad. Skattningarna för dessa områden blir dessutom bättre eftersom de baseras på många observationer. Tabell 1 ger att säljtiden har minskat både i Täby och på Gotland. Däremot tar det i genomsnitt längre tid att sälja ett hus på Gotland jämfört med Täby, vilket är väntat eftersom Täby rimligen är en
19 Detta går tvärt emot resultaten från Fords, J. S., et al., (2004) undersökning, men den undersökningen tittade enbart
större marknad med fler möjliga aktörer. Kvartilernas förändringar visar att spridningen av säljtiden har minskat i båda kommunerna. Det finns ingen annan statistik över säljtiden att jämföra med e-buds siffror, det enda jag funnit är en kvalitativ studie, Mäklarbarometern (2005), som har uppgett att Stockholm i genomsnitt har en minskad säljtid 2005 jämfört med 2004. Sifforna ovan är därför endast intressanta i förhållande till prisförändringarna.
I tabell 2 visas överlåtelsepriset i genomsnitt för de fem senaste åren i reala termer, Datamängd 2. Det har varit en tydlig positiv utveckling av den genomsnittliga nivån av överlåtelsepriset för småhus sålda via e-bud mellan 2001-2005, i reala termer20.
Tabell 2
År Medelpriser e-bud (proc. förändring per år) Medelpriser SCB (proc. förändring per år)
2001 1825193 1049000
2002 1904954 (0,043) 1113000 (0,061)
2003 1949472 (0, 023) 1223000 (0,099)
2004 2020689 (0,037) 1340000 (0,096)
2005 2045699 (0,012) *
Källa: e-bud, 2001-2005 och SCB, tabell 1. Priserna är deflaterade med KPI. Totalt 56 observationer.
Medelpriserna för försäljningar via e-bud ligger en bit över SCB:s, medan den procentuella ökningen av priset per år ligger något lägre än SCB:s skattningar. Orsakerna till denna skillnad kan vara att e-bud bara används i större eller medelstora områden och därmed inte fångar upp ökningen av försäljningarna med lägre priser. Medelpris som mått är dessutom mycket känsligt för extrema observationer, outliers, vilket kan vara en annan av orsakerna till skillnaden. Trots att medelpriser är ett dåligt mått på utvecklingen ger tabellen en indikation på hur priserna har rört sig.
Eftersom medelpriser inte är någon bra jämförelsepunkt går det inte att avgöra om ökningen beror av e-bud eller andra mekanismer. Att få en indikation om det kausala sambandet, huruvida prisökningen beror av att försäljningen skett via e-bud eller av andra faktorer kräver åtminstone en jämförelse med kvalitetsjusterad data. Ett vanligt mått på prisförändring är det så kallade k/t-talet (köpeskilling/taxeringsvärde)21, där överlåtelsepriset är normerat med taxeringsvärdet (Berger, T. och Boije, R., 2000, s. 523). Det är endast Datamängd 1 (2004-2005) som innefattar variabeln taxeringsvärde, vilket gör jämförelsen
20 Prisutvecklingen över landets småhus mäts bättre med ett så kallat fastighetsprisindex, vilket är kvalitetsjusterat. Jag har
dessvärre haft tillgång till för få observationer för att skapa ett fastighetsprisindex.
kort. Tabell 3 visar k/t-talen för respektive region samt en jämförelse med SCB:s värden för 2004. Eftersom SCB inte har skattat k/t-tal per kommun för 2005 har jag valt att använda Värderingsdatas värden för 200522.
Tabell 3
Variabel Region N=totalt
antal
e-bud 2004 SCB 2004 e-bud 2005 Värderingsdata 2005
K/T Hela landet 414 1,77 1,70 1,91 *
K/T Gotland 49 1,80 1,96 2,03 2,02
K/T Täby 44 1,63 1,54 1,67 1,64
K/T Västerås 193 2,01 1,86 2,58 1,98
K/T Helsingborg 61 1,79 1,86 2,15 2,15
Källor: e-bud, 2004-2005, SCB, tabell 2 och Värderingsdata.
Jag har tittat på k/t-tal mellan 0-6,0 outliers utanför dessa gränser är bortplockade, detta enligt samma metod som SCB och Lantmäteriet.
Det säljaren får ut i överlåtelsepris i förhållande till taxeringsvärde för hus sålda via e-bud jämfört med alla sålda hus i området skiljer inte mycket. Statistiken visar att k/t-talen för e-bud 2004 ligger både över och under SCB:s skattningar för samma period och region. Småhus som sålts via e-bud 2004 har ett högre k/t-tal för hela landet jämfört med SCB:s genomsnitt för hela landet. Även när det gäller k/t-talet för de olika regionerna 2005 ligger objekt från e-bud marginellt över de från Värderingsdata för samma period och regioner. I genomsnitt får säljare via e-bud ut högre överlåtelsepris i förhållande till sitt taxeringsvärde i jämförelse med alla säljare i landet.
I Täby och på Gotland har k/t-talen ökat mellan 2004 och 2005. I Täby har säljtiden minskat samtidigt som priset i genomsnitt har ökat något. E-buds k/t-tal för Täby ligger något över SCB:s och Värderingsdatas värden för 2004 och 2005, medan ökningen mellan åren har varit lägre23. Detta kan peka på att konkurrensen mellan köpare gör att den positiva priseffekten får stor betydelse men att konkurrensen säljare emellan dämpar
ökningen av k/t-talet. Även för Gotland har säljtiden minskat och k/t-talen ökat mellan 2004 och 2005. Värdena för SCB ligger över de för e-bud för 2004 men värdena för 2005 visar att k/t-talet för e-bud ligger över det för Värderingsdata. Ökningen av k/t-talen mellan 2004 och
22 Eventuella skattningsskillnader i att använda olika källor ser jag som marginell. Värderingsdata använder sig av uppgifter
från landets mäklare och SCB använder lagfarter. Skillnaden i skattningarna ligger i objekt sålda utan mäklare, vilket är en liten del. Kommungränserna är de samma.
2005 är betydligt större för Gotlands försäljningar via e-bud än för andra försäljningar. Den stora ökningen kan förklaras av att Gotland har en lägre vakansnivå jämfört med Täby, det vill säga en inte lika stor omsättning av husköp eftersom det är en mindre marknad som är mer heterogen. Säljare når ut till fler köpare och alla köpare konkurrerar om ett begränsat antal vakanser. Detta resulterar i att köparkonkurrensen, den positiva priseffekten, dominerar helt24.
Förändringarna i antalet budgivningsdagar och i överlåtelsepris, i termer av k/t-tal, för försäljningar via e-bud kan också påverkas av andra faktorer. Det går till exempel inte att urskilja om förändringen beror av e-bud eller om tjänsten enbart används för hus som skulle ha sålts för ett högt värde med vanlig budgivning. Kanske är det bara vissa kategorier av säljare som använder e-bud, till exempel att tjänsten enbart används av betalningsstarka köpare. Tolkningen av resultaten bör därför göras med försiktighet.
Konklusion
E-bud påverkar sökprocessen genom att öka möjligheten till att snabbare tillgå samlad information om bostadsmarknaden. Hur överlåtelsepris påverkas av detta beror på hur marknaden ser ut. I Wheatons sökmodell ökar e-bud sökintensiteten och skapar en initial förändring av vakanserna vilket direkt påverkar överlåtelsepriset positivt. Om sedan fler köpare konkurrerar om samma objekt på en begränsad tid blir totaleffekten på
överlåtelsepriset positiv. Detta kräver ett begränsat antal vakanser i förhållande till köpare. Om istället fler säljare konkurrerar om ett givet antal köpare, alternativt köpare som väntar på det optimala objektet, blir den totala effekten av överlåtelsepriset oklar. Den sist nämnda effekten har störst betydelse i stora städer med många objekt som liknar varandra. Vilken av dessa effekter som har störst genomslagskraft beror alltså på hur marknaden ser ut och vem det är som styr marknaden. Dessutom kan andra hinder, exempelvis konjunkturer, påverka vilken effekt som blir avgörande för marknaden.
Data som jag har använt pekar mot att e-bud i genomsnitt i hela landet har gett ett högre överlåtelsepris jämfört med hus sålda via konventionell metod. Gotland har haft en stor ökning av överlåtelsepriset i förhållande till taxeringsvärdet, vilket kan bero på att vakanseffekten kompletterades av en köparkonkurrens, där båda har en positiv effekt. Att ökningen av k/t-talet var något lägre i Täby kan bero på att konkurrensen mellan säljare dämpade prisökningen. Eftersom det finns brister i data är resultaten begränsade och skall
24 De övriga regionerna, Västerås och Helsingborg, har haft en utveckling likt Gotland, med en stor ökning av k/t-talen
därför tolkas med försiktighet. I kommande stycken kommer jag att undersöka Wheatons antagande om att säljarens utbudspris motsvarar dennes reservationspris.
5.2 E-bud och utbudspriset
E-bud förenklar även säljares möjligheter att få en bild av liknande objekt som finns vakanta på marknaden och hur dessa har prissatts. I följande moment har jag därför granskat om e-bud kan påverka antagandet om att säljarens ute-budspris motsvarar reservationspriset. Jag börjar med att beskriva spekulativ utbudsprissättning, vidare presenterar jag kort deskriptiv statistik för att sedan skatta några enkla regressioner.
Spekulativ utbudsprissättning
I Wheatons modell ska utbudspriset signalera till köparen vilket lägstapris som säljaren kan tänka sig att sälja för (reservationspriset). Om utbudspriset verkligen motsvarar säljaren reservationspris ska storleken på utbudspriset utöver det som relaterar till marknadsvärdet inte ha någon betydelse för överlåtelsepriset25. Efter budgivningen borde därför
överlåtelsepriset i genomsnitt ligga nära utbudspriset (Wheaton, 1990, s. 1286). Empiriska undersökningar från olika bostadsmarknader pekar på att det inte lönar sig med ett dolt reservationspris. Ett öppet reservationspris ger bättre information och ett i genomsnitt högre överlåtelsepris. Säljare som sätter ett lägre pris än de förväntar sig riskerar dessutom att inte få sitt objekt sålt till det förväntade priset. Samma sak gäller säljare som sätter ett för högt utgångspris. I konventionell budgivning kan säljare alltså inte öka vinsten med dolt
utbudspris (Eklöf, M. och Lunander, A., 2001 och Horstmann, I., och La Chasse, C., 1997). Eftersom e-bud förändrar informationsflödet på marknaden kan detta även påverka sökprocessen genom att prisbildningen förändras på grund av att säljarnas beteende ändras. Jag har därför valt att jämföra hur utbudspris och överlåtelsepris förhåller sig till varandra. Jag har även studerat hur antalet bud förhåller sig till utbudspris och överlåtelsepris eftersom antalet bud innehåller information om aktörernas beteende på marknaden.
Spekulativ utbudsprissättning kräver rationella aktörer samt att priserna på marknaden innehåller användbar information. Clapp, Dolde och Tirtiroglu (1995) visade i en artikel att tidigare priser innehåller information som aktörer använder vid köp- och
säljprocessen, det vill säga att aktörer är rationella. Om aktörerna är rationella kan e-bud
25 Vad som avses med ett marknadsvärde definieras som ett genomsnitt av överlåtelsepriserna om samma hus blivit sålt fler
påverka utbudsprissättningen på grund av ökade möjligheter för säljare att jämföra tidigare utbudspriser från liknande småhus. Jag har därför undersökt om det lönar sig med spekulativ utbudsprissättningoch har utgått från följande två möjligheter:
1. Det lönar sig inte med spekulativ utbudsprissättning
E-bud underlättar för säljaren att jämföra hur andra säljare sätter utbudspris i förhållande till bostadens taxeringsvärde och vidare var överlåtelsepriset hamnar i förhållande till detta. Eftersom budgivningsprocessen blir mer transparent minskar asymmetrin mellan aktörerna på marknaden, vilket gör att det inte lönar sig för säljaren att sätta utbudspriset lägre eller högre än marknadsvärdet. Med ett dolt reservationspris riskerar säljaren att förlora i trovärdighet och därmed förlora köpare som kan vara med i budgivningen. Ett öppet
utbudspris förblir likt konventionell budgivning lönsammare. Utbudspris och överlåtelsepris följer därmed varandra. Kvoten dem emellan påverkas däremot inte av utbudsprisets storlek, det vill säga vinsten påverkas inte av utbudspriset. Det finns alltså en säkerhet kring
utbudspriset, att utbudspriset motsvarar säljarens reservationspris.
2. Det lönar sig med spekulativ utbudsprissättning
E-bud gör att säljare själva kan studera och kontrollera budgivningar. Säljare kan genom e-bud analysera marknaden och därmed sätta ute-budspriset strategiskt. Eftersom lägesfaktorn har en stor betydelse för överlåtelsepriset kan säljare utnyttja heterogeniteten hos olika regioner. Ett lägre utbudspris skulle locka fler köpare att prioritera att besöka huset. Den ökade konkurrensen köpare emellan skulle därmed öka överlåtelsepriset. Antal bud i förhållande till utbudspriset skulle också öka eftersom fler köpare lockas att lägga bud. Säljare kan även lägga ett högre utbudspris för att locka betalningsstarka köpare, vilket resulterar i färre bud men högre överlåtelsepris. Med försäljning via e-bud lönar det sig därmed att ha ett dolt reservationspris. Kvoten mellan överlåtelsepris och utbudspris påverkas av storleken på utbudspriset. Det finns alltså en osäkerhet kring utbudspriset, utbudspriset motsvarar inte säljarens reservationspris.
Deskriptiv statistik
För att få en övergripande bild av marknaden för e-bud över tid följer nedan beskrivande statistik på variablerna från datamängd 226. Variablerna i Datamängd 2 (2001-2005) har stora
spridningar. I genomsnitt har utbudspriset för ett småhus varit 1 724 590 och
standardavvikelsen på 165 845. Detta är väntat eftersom materialet beskriver alla olika typer av småhus över hela landet. Under samma period fick säljare av småhus i genomsnitt ut 12,66 % utöver utbudspriset. De stora spridningarna skapar större osäkerhet i de skattningar jag har gjort, vilket har vägts in vid tolkningen av resultaten.
Figur 1 Re a lt p ri s Year Month 2005 2004 2003 2002 2001 jul jan jul jan jul jan jul jan jul jan 2500000 2250000 2000000 1750000 1500000 Variable realt överlåtelsepris realt utbudspris
Överlåtelsepris och utbudspris (2001-2005)
Källa: e-bud 2001-2005. Körning i Minitab.
Graferna i figur 1 visar realt överlåtelsepris och utbudspris mellan 2001 och 2005. De har båda en tydlig positiv utveckling. Graferna följer varandra och det genomsnittliga
Regressionsmodeller27
Först har jag skattat tre modeller, med hjälp av Datamängd 1, där jag använt taxeringsvärdet för att kvalitetsjustera. De variabler som enligt tidigare undersökningar påverkar priset på bostadsmarknaden är nybyggnadskostnader, befolkningsförändring, arbetslöshet, real medellön och räntor. Taxeringsvärdet tar i stort hänsyn till alla dessa variabler (Berger, T. och Boije, R., 2000).
Första modellen har överlåtelsepriset som oberoende variabel och utbudspris samt taxeringsvärde som oberoende variabler. Den andra modellen visar hur antal bud förhåller sig till utbudspriset eftersom antal bud är en del av budgivningsprocessen och säljtiden – antal bud kan därmed påverka prisbildningen. Den tredje modellen visar hur utbudspriset, givet taxeringsvärdet, förhåller sig till kvoten mellan överlåtelsepriset och utbudspriset. Alla dessa regressioner är atemporala.
För att komplettera dessa atemporala modeller har jag genomfört två regressioner med hjälp av Datamängd 2 för observationer över tiden. Den ena visar hur överlåtelsepris och utbudspris förhåller sig till varandra över tiden och den andra visar kvoten och utbudspriset. Data i dessa modeller är inte kvalitetsjusterad.
Alla regressioner har skattats med minsta kvadratmetoden eftersom det ofta ger bättre precision28. Då jag har använt kvoten mellan överlåtelsepris och utbudspris som
beroende variabel och utbudspris som oberoende variabel kan problem med
heteroskedasticitet uppstå. Jag har plottat residualerna mot den oberoende variabeln, se bilaga 3. Detta uppvisade inga tecken på heteroskedasticitet, men jag valde trots detta att e-logartimera eftersom det stabiliserar variansen hos den beroende variabeln. Att logaritmera serierna minskar eventuella problem med heteroskedasticitet som inte går att upptäcka med plotten29.
Regressioner av datamängd 1 (2004 - 2005)
Nedan följer de atemporala modellerna skattade på data från 2004-2005. Tabell 4 visar hur överlåtelsepriset förhåller sig till utbudspriset för ett givet taxeringsvärde.
27 För att begränsa uppsatsen och på grund av brister i mitt datamaterial har jag valt att inte skatta en modell över
prisförändringar i förhållande till fundamenta.
28Jag har tagit hänsyn till massignifikans genom att kräva signifikans på 0,1-1% nivån. Det vill säga att vid
signifikansprövning av många hypoteser på en given signifikansnivå finns en risk att felaktigt förkasta en eller flera sanna nollhypoteser(se Hogg och Tanis, 2005).
Tabell 430
Modell 1: lnY1i = β0 + β 1ilnX1i + β 2ilnX2i +εi Y1i=ln(överlåtelsepris)
Variabel Koefficient Std. fel t-statistika P-värde
X1i =ln(utbudspris) 0.8757 0.0486 18.0125 0.0000 X2i =ln(taxeringsvärde) 0.1308 0.0436 3.0008 0.0029 Konstant 0.0882 0.3028 0.2914 0.7709 R2-värde (förklaringsgrad) 0.7559 S.E 0.2784 Justerat R2-värde31 0.7547 n (antal ) 399 F-statistika 613.1457 n* (bortfall) 15 P-värde för F-statistika 0.0000
Källa: 2004-2005. Körningar i statistikprogrammet Eviews.
Modell 1 har en hög förklaringsgrad, 75 %, vilket beror på att utbudspriset är regressor32. Modellen är som helhet lämplig att använda enligt F-statistikan, vilken visar att
koefficienterna för variablerna är simultant skilda från noll. Koefficienten för den logaritmerade variabeln utbudspris är signifikant skild från noll, på 0,1 % nivån. Koefficienten för den logaritmerade variabeln mäter elasticiteten av överlåtelsepriset i förhållande till utbudspriset, för given kvalitet. Ökar utbudspriset 1 procent ökar
överlåtelsepriset 0,88 %. Konstanten i modellen är inte signifikant och det finns därför ingen rimlig tolkning av denna.
Figur 2 ln(utbudspris) ln (ö v e rl å te ls e p ris ) 15,5 15,0 14,5 14,0 13,5 13,0 14 13 12 11 10 9 8 7
Källa: e-bud 2004-2005. Körning Eviews
Grafen i figur 2 visar modell 1, det vill säga att överlåtelsepris ökar med utbudspriset. Detta indikerar att utbudsprisets storlek har betydelse för överlåtelsepriset, givet kvaliteten.
30 β
i = koefficientskattningarna för respektive oberoendevariabel, β 0 = koefficientskattningarna för respektive konstant, εi =
residualerna
31R2 adj = R2–(k-1)/(n-k)*(1-R2), k= antalet variabler inklusive konstanten. Justerar förklaringsvärdet efter antalet variabler.
32 Modeller som önskar förklara vad som påverkar överlåtelsepriset i termer av fundamenta brukar har en förklaringsgrad
Tolkningen av detta resultat begränsas till inom det intervall som jag har undersökt där det lägsta utbudet är 372 000 och det högsta utbudspriset är 4 250 000, se bilaga 1. Modellen säger dessutom inte hur mycket säljare kan öka utbudspriset utan att förlora i trovärdighet i förhållande till kvalité och marknadsvärde, och därmed riskera att inte få sitt hus sålt. Regressionsmodellen begränsar också resultaten eftersom modellen endast visar på ett statistiskt samband och inte på en kausalitet. Modellen visar att det kan eventuellt löna sig med utbudspris som är högre än reservationspriset, men ett lägre utbudspris ger ett lägre överlåtelsepris. Att ett högre utbudspris ger ett högre överlåtelsepris kan bero på att taxeringsvärdet inte har uppdaterats i förhållande till lägets popularitet eftersom
taxeringsvärdet enbart ändras vart tredje år. Taxeringsvärdet tar dessutom inte hänsyn till allt som påverkar marknadsvärdet. (Berger, T. och Boije, R., 2000, s. 533-535). Ett utbudspris som är högre än säljarens reservationspris är dessutom mindre tänkbart för säljare i vissa områden eftersom risken finns att färre köpare prioriterar att besöka objektet och därmed att färre köpare deltar i budgivningen.
I tabell 5 visas huruvida utbudspriset har någon betydelse för antal bud, givet kvalitet. Modell 2 är en enkel regression med antal bud mot utbudspris och taxeringsvärde.
Tabell 5
Modell 2: lnY2i = β 0 + β 1ilnX1i + β 2iX2i +εi Y2i = ln(antalbud)
Variabel Koefficient Std. fel t-statistika P-värde
X1i = ln(utbudspris) -0.0460 0.2029 -0.2547 0.7991 X2i = ln(taxeringsvärde) 0.3480 0.1678 2.0916 0.0371 Konstanten -2,037 1.3312 -1.4966 0.1353 R2-värde (förklaringsgrad) 0.0420 S.E. 0.8767 Justerat R2-värde 0.0371 n (antal ) 399 F-statistika 8.7433 n* (bortfall) 15 P-värde för F-statistika 0.0002
Källa: 2004-2005. Körningar i statistikprogrammet Eviews.
Modellen som helhet är signifikant men standardfelet (S.E.) i modellen är ganska högt. Förklaringsgraden är däremot mycket låg (3,7 %), vilket gör modellen som helhet tveksam att använda. Elasticiteten av antal bud i förhållande till utbudspriset är marginellt negativt, men det kan inte signifikant skiljas från noll. Det finns därmed inget empiriskt stöd för att antal bud påverkas av utbudspriset. Det går därför inte att säga om ett lågt bud givet kvalitet lockar köpare att lägga fler bud eller lockar fler konkurrerande budgivare.
beroendevariabel. Beroendevariabeln kvot tolkas som säljarens procentuella vinst utöver utbudspriset.
Tabell 6
Modell 3: lnY3i = β0 + β 1ilnX1i + β 2ilnX2i εi
Y3i = ln(kvoten mellan överlåtelsepris och utbudspris)
Variabel Koefficient Std. fel t-statistika P-värde
X1i = ln(utbudspris) -0.1242 0.0647 -1.9211 0.0554 X2i = ln(taxeringsvärde) 0.1308 0.0534 2.4517 0.0146 Konstanten 0.0882 0.4281 0.2061 0.8368 R2-värde (förklaringsgrad) 0.0158 S.E. 0.2784 Justerat R2-värde 0.0109 n (antal ) 399 F-statistika 3.1829 n* (bortfall) 15 P-värde för F-statistika 0.0425
Källa: 2004-2005. Körningar i statistikprogrammet Eviews.
Oberoendevariablerna är i modell 3 de samma som i modell 1, utbudspris och taxeringsvärde. Ett ökat utbudspris ger, allt annat lika, en minskad procentuell vinst och minskat utbudspris innebär i genomsnitt en ökad procentuell vinst. Denna påverkan är dock inte signifikant skild från noll, det vill säga att inget tyder på att den procentuella vinsten påverkas av storleken på utbudspriset. Förklaringsvärdet i modellen som helhet är litet, justerad förklaringsgrad är 1,1 %. Modellen är dessutom inte signifikant. Empirin från försäljningar via e-bud visar alltså att det inte lönar sig för säljare att sätta ett lågt eller ett högt utbudspris givet taxeringsvärdet. Observera att resultaten endast gäller försäljningar av småhus inom det studerade intervallet.
Regressioner av datamängd 2 (2001 - 2005)
Då regressionerna ovan är atemporala har jag kompletterat med regressionsmodeller av medelpriser över tiden, 2001-200533. Jag har valt att testa två olika regressionsmodeller med olika beroendevariabler mot samma oberoende variabler. De beroende variablerna är
överlåtelsepris och kvoten och de oberoende variablerna är utbudspriset och tiden34. Tiden är mätt med dummyvariabler för respektive år för att kontrollera om priset beror på vilket år huset såldes. När alla år inkluderades som förklaringsvariabler bildades en singulär matris, vilket innebär att det inte går att göra skattningar eftersom det finns linjära samband mellan några av raderna i matrisen. Jag valde att plocka bort värdena från 2005 eftersom det var färre observationer jämfört med de övriga.
33 Alla priser är i reala termer, deflaterade med KPI (Konsumentprisindex).
34 Jag testade även dynamiska regressioner med lagg 1 som regressor, vilka gav liknande resultat. Koefficienten för laggen
Tabell 7
Modell 4: Y1t = β 0 + β 1tX1t + β 2tX2t + β 3tX3t + β4tX4t+ β5tX5t + εt Y1t =ln(överlåtelsepriset)
Variabel Koefficient Std. fel t-statistika P-värde X1t = ln(utbudspris) 0.9684 0.0461 20.988 0.0000 X2t= 2001 (dummy) -0.0080 0.0141 -0.5654 0.5743 X3t = 2002 (dummy) 0.0213 0.0138 1.5435 0.1290 X4t = 2003 (dummy) 0.0172 0.0135 1.2784 0.2070 X5t = 2004 (dummy) 0.0035 0.0132 0.2634 0.7933 Konstant 0.5652 0.6653 0.8496 0.3996 R2-värde(förklaringsgrad) 0.9176 S.E. 0.0288 Justerat R2-värde 0.9093 Durbin-Watson stat 1.7801 F-statistika 111.3416 n (antal ) 56 P-värde för F-statistika 0.0000 n* (bortfall) 0 Källa: 2001-2005. Körningar i statistikprogrammet Eviews.
Tabell 7 visar modellen med överlåtelsepriset som beroendevariabel. Utbudspriset kan i genomsnitt förklara överlåtelsepris över tiden, vilket är väntat eftersom priserna inte är kvalitetsjusterade. Liksom i modell 1 ökar överlåtelsepriset när utbudspriset ökar. Här har ingen hänsyn tagits till kvalitet på grund av brist i datamaterialet. Ingen av
dummyvariablerna kan signifikant skiljas från noll. Att observationerna kommer från olika år har alltså inte någon påverkan på överlåtelsepriset. Modellen är signifikant med högt
förklaringsvärde. Durbin-Watson statistikan visar att modellen, som är en skattad tidsserie, inte har autokorrelation i resiudalerna35. Modellen i sig indikerar inget om spekulativa utbudspriser.
35 Autokorrelation tyder på att det finns förklaring i hur värdena följer varandra. Positiv autokorrelation innebär att y t över
medel tenderar att följas av värden som också ligger över medel, yt värden under medel tenderar att följas av värden under
Tabell 8
Modell 5: Y3t = β 0 + β 1tX1t + β 2tX2t + β 3tX3t + β4tX4t+ β5tX5t + εt Y3t =ln(kvoten mellan överlåtelsepris och utbudspris)
Variabel Koefficient Std. fel t-statistika P-värde
X1t = ln(utbudspris) -0.0316 0.0461 -0.6800 0.4970 X2t= 2001 (dummy) -0.0080 0.0141 -0.5654 0.5743 X3t = 2002 (dummy) 0.0213 0.0138 1.5435 0.1290 X4t = 2003 (dummy) 0.0172 0.0135 1.2784 0.2070 X5t = 2004 (dummy) 0.0035 0.0132 0.2634 0.7933 Konstant 0.5652 0.6653 0.8496 0.3996 R2-värde (förklaringsgrad) 0.1540 S.E. 0.0288 Justerat R2-värde 0.0700 Durbin-Watson stat 1.7801 F-statistika 1.8300 n (antal ) 56 P-värde för F-statistika 0.1250 n* (bortfall) 0 Källa: 2001-2005. Körningar i statistikprogrammet Eviews.
Tabell 8 visar en modell där kvoten är beroendevariabel och utbudspris samt tid är
oberoendevariabler. I modell 5 liksom i modell 3 kan utbudspriset inte förklara kvoten trots att jag inte har tagit hänsyn till kvalitén. Genomsnittliga skillnader i utbudspriset påverkar inte genomsnittliga skillnader i kvoten. Säljares procentuella vinst är alltså den samma oavsett om utbudspriset ökas eller minskas, allt annat lika. Dummyvariablerna är inte signifikanta för denna modell heller. Att plocka bort dummyvariablerna ur modellen gav ingen signifikant skillnad i de övriga skattningarna. Modellen har ingen autokorrelation men den har en mycket lågt justerad förklaringsgrad. Modellen är dessutom inte signifikant. Tolkningen blir därför begränsad.
Eftersom det inte finns någon variabel i modell 4 och 5 som justerar för kvalitén, gör detta att modellens osäkerhet i termer av heterogenitet blir för stor för att det ska gå att dra vidare slutsatser om det lönar sig med dolt utbudspris. Det krävs en längre tidserie med fler variabler och en jämförelse med likvärdiga försäljningar som inte skett via e-bud för att få ytterligare stöd.
Konklusion
Regressionsmodellerna från båda datamaterialen pekar år samma håll. Resultaten från regressionerna med datamängd 2 förstärker därmed resultaten från regressionerna med datamängd 1. Ett ökat utbudspris (givet kvalitet eller utan kvalitetsjustering) ökar
ökar vinsten. Modell 2, för det kvalitetsjusterade materialet, visade att utbudspris inte har något samband med antalet bud. Resultaten från modell 3 och modell 5 visar vidare att utbudspriset däremot inte påverkar (har inget samband med) kvoten mellan överlåtelsepris och utbudspris, vilket indikerar att säljare i genomsnitt får ut lika stor procentuell del utöver utbudspriset oavsett storleken på utbudspriset. Resultat var alltså likvärdiga när hänsyn till kvalité togs samt när ingen hänsyn till kvalité togs.
Dessa resultat ger stöd åt den första möjligheten; att det inte lönar sig med spekulativ utbudsprissättning. Utbudspriserna på e-bud kan därför sägas motsvara säljarens reservationspris på samma sätt som Wheatons modell antar. Detta pekar alltså på att e-bud inte kan påverka utbudsprissättningen.
Huruvida e-bud ger ett mer korrekt pris eller en säkrare utbudsprissättning kräver en jämförelse med andra försäljningar och regioner över en längre tid.
5.3 Utvecklingar
Eftersom studierna kring hur e-bud påverkar bostadsmarkandens mekanismer är få finns det flera intressanta möjligheter att utveckla den här typen av undersökning. Den här uppsatsen kan därför användas som en ingång för vidare studier.
E-bud bara funnits i fem år och det finns därför inga längre tidserier att tillgå. En datamängd med fler variabler hade den korta tidsperioden till trots kunnat skapa bättre möjligheter att undersöka e-bud empiriskt. Med exempelvis autoregressiva komponenter i modellen kan man studera huruvida avkastningen på en marknad med e-bud är svårare eller lättare att prognostisera jämfört med andra marknader, vilket kan vara ett annat sätt att studera spekulativt beteende på bostadsmarknaden36.
En annan möjlighet att studera hur och om en marknad med e-bud kan kapitalisera information i priserna snabbare än en marknad utan e-bud, är en
interventionsanalys med puls- och stegkomponenter. Om marknaden med e-bud anpassar sig snabbare till en ny nivå efter en chock jämfört med andra marknader har e-bud haft en positiv effekt på sökprocessen på bostadsmarkanden (se vidare Chang, Tiao och Chen, 1988).
6 Slutdiskussion
Genom uppsatsen har jag besvarat frågan hur e-bud kan påverka sökprocessen i termer av överlåtelsepris och om tjänsten påverkar i termer av utbudspris.
E-bud påverkar sökprocessen genom att aktörerna snabbare når en samlad information om bostadsmarknaden. Detta påverkar möjligheten för aktörerna att finna en matchning. Överlåtelsepriset påverkas genom tre effekter, direkta och indirekta, beroende på hur marknaden ser ut. Dessa följer av Wheatons sökmodell. En jämförelse av data från e-bud med alla försäljningar i landet visade att e-bud kan ge högre överlåtelsepris jämfört med småhus sålda via konventionell metod, givet kvalitet. Eftersom denna jämförelse enbart gäller två år kan resultaten vara slump eller ha andra orsaker.
En förändrad sökprocess kan skapa en spekulativ utbudsprissättning, där utbudspriset inte motsvarar säljarens reservationspris. Resultatet från regressionerna visade att utbudspriset har betydelse för överlåtelsepriset men inte har någon betydelse för kvoten för säljare. Utbudspris kan dessutom inte påverka antalet bud, ett lägre utbudspris lockar inte fler köpare eller fler bud. Resultaten var likvärdiga för både de kvalitetsjusterade och de icke-kvalitetsjusterade regressionerna. Allt detta visar att det inte lönar sig för säljare via e-bud att ha ett dolt reservationspris, vilket överrensstämmer med Wheatons antagande. Detta tyder på att e-bud inte kan påverka utbudspriset. Datamängderna som jag har använt är både korta och har andra brister. Det skulle därför behövas en bättre empirisk analys som går att jämföra med motsvarande siffror för hela landet, för att få mer tillförlitliga resultat.
Uppsatsens viktigaste slutsatser kan sålunda sammanfattas i följande två punkter.
• Genom e-bud förenklas sökprocessen på marknaden. Det resulterar i ett högre
överlåtelsepris. Hur stort genomslag effekten får beror av hur marknaden ser ut och vilka aktörer som styr marknaden.
• En positiv förändring av utbudspriset har en positiv betydelse för överlåtelsepriset
Litteraturlista
Tryckta källor
Arnroth, T., (2004), Nu köper man huset på nätet, TT Spektra, LPJ, s. 012, 2004-01-30 Berger, T. och Boije, R., (1997) En statistisk utvärdering av småhusens taxeringsvärde, Fastighetstaxeringsutredningen, Bilaga 2, SOU 2000:10
Bowerman et al., (2005), Forecasting, Time Series and regression, fjärde upplagan, Thomson Brooks/Cole, Belmont
Case, K. E. och Shiller, R. J., (1989), The Efficiency of the Market for Single-Family Homes, The American Economic Review, vol 79, no 1, s. 125-137
Chang, I., Tiao, G. C. och Chen, C., (1988), Estimation of Time Series Parameters in the Presence of Outliers, Tcenometrics, vol 30, s. 193-204
Clapp J. M., Dolde W., Tirtiroglu D, (1995), Imperfect Information and Investor Inferences from Housing Price Dynamics, Real Estate Economics, Vol 23, s. 239-269
Dahmström, K., (2000), Från datainsamling till rapport – att göra en statistisk undersökning, tredje upplagan, Studentlitteratur, Lund
Eriksson, B. J., (2000), Bostaden som vara - egenskaper och metodproblem, i Lindh, T. (red), Prisbildning och värdering av fastigheter, s.145-174, Forskningsrapport 2000:4, IBF, Uppsala Universitet.
Eklöf, M och Lunander, A, (2001), Open Outcry Auctions with Secret Reserve Price: An Empirical Application to Executive Auctions of Tenant Owner’s Apartments in Sweden, Journal of
Econometrics, 114, 243-60
Ford, J. S., Rutherford, R. J. och Yavas, A., (2004), The effects of internet on marketing residential real estate, Journal of Housing Economics 14, s. 92–108
Handelsbanken Pressmeddelande, (2002) E-bud har redan passerat 1 miljon besök, 24 juni, 2002, http://reports.huginonline.com/864128/104974.pdf, Access 2005-08-12, 11.40
Hogg, R. V. och Tanis, E. A., (2005), Probability and statistical inference. Prentice Hall, New Jersey. Sjunde upplagan.
Hort, K., (1997), On price formation and quantity adjustment in Swedish housing market, Economic Studies 34, Department of Economics. Uppsala University.
Horstmann, I. J. och LaCasse, C., (1997), Secret reserve prices in a bidding model with a resale option, American Economic Review, 87(4), s. 663-684
Lippman, S. och McCall, J., (1976), The Economics of Job Search: A Survey, Economic Inquiry, XIV:, s. 155-189
The Economics of Information and Uncertainty, McCall J. J (ed), Chicago Univercity, Chicago Press Norris, P., (2001), Digital Divide?: Civic engagement, information poverty, and the Internet,
Cambridge University Press
Notaro, G., (2004), ICT, Output and Productivity in thr United Kingdom: A Sectoral Analasis, London Economics, Internationa Productivity Monitor, Nummer 8, vår 2004
Poterba, J., (1984), “Tax Subsidies to Owner-Occupied Housing: An Asset Market Approach”,
Quarterly Journal of Economics, 99, 729-755.
SBAB, SCB, (2005), Mäklarbarometern, kvartal 1 och 2
Sirmans C. F., Turnbull G. K., (1993), Information, Search and House Prices”, Regional Science and Urban Economics, 9, s. 23-94
Ullman, J., (2004), Lögns, förbannad lögn och statistik, Artiklar, Värderingsdata AB
Wheaton, C., (1990), Vacancy, search and prices in a housing market matching model, Journal of Political Economy, 98, s. 1270-1292
Wigand, R. et al., (2001), Informaiotn and communication technologies in the real estate industry: results from of a pilot survey, Global Co-Operation in the New Millennium
Global Co-Operation in the New Millennium, The 9th European Conference on Information Systems, Slovenia
Ziesemer, T., (2001), ICT as Technical Change in the Matching and Production Functions of a Pissarides_Dixit-Stiglitz model, Department of Economics, MERIT och International Institute of Infonomics, University of Maastricht
Statistiska källor och övriga
SCB, www.scb.se, tabell 1: Statistikdatabasen, Boende, byggande och bebyggelse, fastighetspriser och lagfarter, försålda permanenta småhus efter region (län, riksområden, riket). År 2000-2004, försålda permanenta småhus riket, köpeskilling i tkr, 2001-2004
SCB, www.scb.se, tabell 2: Statistikdatabasen, Boende, byggande och bebyggelse, fastighetspriser och lagfarter, försålda permanenta småhus efter region (län, riksområden, riket). År 2000-2004, försålda permanenta småhus efter län, köpeskillingskoefficient, 2001-2004
SCB, www.scb.se, KPI, månadsdata över konsumentprisindex
E-bud, www.e-bud.nu, Datamängd 1, access 2005-08-15 till och med 2005-08-30, sålda villa/radhus, Eskilstuna, Gotland, Täby, Västerås, Sundsvall, Helsingborg och Uppsala
E-bud, www.e-bud.nu, Datamängd 2, E-bud statistik, 2001-2005, Statshypotek, Handelsbanken, Lennart Bertwig, 2005-08-29
