NATIONALEKONOMISKA INSTITUTIONEN Uppsala Universitet
Examensarbete C
Författare: Moa Torstensson Handledare: Karolina Stadin VT 2018
En välutbildad befolkning med höga inkomster
– det största hotet mot ett lands ekonomi?
SAMMANFATTNING
Den stigande skuldsättningen bland svenska hushåll utgör idag det största hotet mot den finansiella stabiliteten i landet. De åtgärder som vidtagits för att minska de risker förknippade med den höga skuldsättningen har främst riktats mot unga hushåll och hushåll med lägre inkomster. I denna uppsats undersöks därför om det går att finna något samband mellan individer med en högre inkomst respektive utbildning och skuldkvoten, om det går att finna ett åldersmönster för de med höga skuldkvoter samt om undersökningen stödjer livscykelhypotesen eller den permanenta inkomsthypotesen. Undersökningen använder paneldata för Sveriges 290 kommuner under perioden 2010 till 2016. Resultaten visar att både en högre inkomst och en högre utbildning har en positiv effekt på skuldkvoten - tydligast är effekten för en högre utbildning vilket ger ett visst stöd för den permanenta inkomsthypotesen. Undersökningen finner däremot inget stöd för livscykelhypotesen.
INNEHÅLLSFÖRTECKNING
1. INLEDNING 4
2. TEORETISK BAKGRUND 7
2.1 KONSUMTIONSTEORIER 7
2.2 TIDIGARE FORSKNING 10
3. DATA OCH VARIABELBESKRIVNING 13
3.1 BEROENDE VARIABEL 13
3.2 OBEROENDE VARIABLER 14
3.3 KONTROLLVARIABLER 17
4. STATISTISK METOD 18
4.1 MODELL SOM ESTIMERAS 18
4.2 STATISTISK SPECIFIKATION 19
4.3 DESKRIPTIV STATISTIK 21
5. RESULTAT 22
6. DISKUSSION 25
6.1 HOT MOT DEN INTERNA VALIDITETEN 30
7. SLUTSATS 32
7.1 FÖRSLAG PÅ FRAMTIDA FORSKNING 32
KÄLLFÖRTECKNING 34
1. INLEDNING
Den ökade skuldsättningen bland de svenska hushållen är ett högst aktuellt ämne och utgör idag enligt Finansinspektionen (2017) det största hotet mot landets ekonomi. Den höga skuldsättningen bland svenska hushåll är hög såväl historiskt sett som i ett internationellt perspektiv - sedan slutet av 1900-talet har hushållens skulder växt snabbare än hushållens inkomster vilket resulterat i att skuldkvoten nästintill fördubblats. Sverige har idag en skuldkvot som i genomsnitt är 1,5 gånger större än den genomsnittliga skuldkvoten i Euroområdet, något som skapat ett skört ekonomiskt system. (SOU, 2013, s. 17)
De största bakomliggande orsakerna till den ökade skuldsättning förklaras enligt Finansinspektionen (2017) av en lång period av stigande bostadspriser som i sin tur stimulerats av historiskt låga räntenivåer, stigande inkomster och en växande befolkning. Bolån utgör idag ungefär 80% av hushållens totala skulder och eftersom de flesta bolån i Sverige tas med rörlig ränta blir hushåll med stora skulder i förhållande till sin inkomst mer sårbara för ekonomiska störningar så som som inkomstbortfall, stigande räntor och sjunkande bostadspriser. (Finocchiaro et al., 2011, s. 6) Arbetslöshet är den största och mest negativa chocken för hushåll och den kritiska faktorn enligt Dabelle (2002) är sambandet mellan hushåll med höga skulder och hushåll med högre risk för att drabbas av arbetslöshet.
Enligt nationalekonomisk penningpolitik ska inte räntan utgöra något större hot för hushållens ekonomi eftersom Riksbanken normalt sänker styrräntan när landets ekonomin försvagas. Detta förutsätter dock att Riksbanken har utrymme att sänka styrräntan – något som inte är fallet i Sverige idag. (Finansinspektionen, 2017, s. 2) En höjning av räntan skulle innebära att hushåll med små marginaler får stora problem att betala tillbaka sina lån – hushåll skulle då behöva minska sin konsumtion samtidigt som många hushåll skulle tvingas sälja sina bostäder eftersom de inte skulle ha råd att bo kvar. Om många hushåll drabbas samtidigt kan det leda till ett stort prisras på bostadsmarknaden eftersom hushåll tvingas paniksälja sina bostäder för att inte dra på sin ännu större skulder. Hushåll med stora lån i förhållande till bostadens värde kan vid sjunkande bostadspriser även hamna i en situation där deras skulder överstiger hushållets tillgångar vilket gör att fler hushåll tvingas sälja. (Finansinspektionen, 2017, s. 4)
(Finansinspektionen, 2017 s. 4) I juni år 2016 infördes amorteringskravet av Finansinspektionen i syfte att minska de risker som är förknippade med hushållens höga skuldsättning. Amorteringskravet kompletterades år 2018 med ett skärpt amorteringskrav. Det nya skärpta amorteringskravet innebär att bolån över en viss belåningsgrad måste amorteras i en föreskriven takt – om låntagaren lånar mer än 4,5 gånger sin årsinkomst innan skatt måste låntagaren amortera till dess att lånet understigit gränsen. De hushåll som påverkas av amorteringskravet är enligt Finansinspektionen (2017) främst nya bolånetagare, unga hushåll och hushåll med låga inkomster i förhållande till sina bostadslån.
I Finansinspektionens bolånerapport från år 2017 kan man läsa att de högsta skuldkvoterna går att finna bland unga hushåll samt bland hushåll med höga inkomster. Detta förklarar Finansinspektionen med att att de stigande bostadspriserna gjort det dyrare för förstaköpare av bostäder samtidigt som hushåll med högre inkomster tenderar att bo i större städer där även bostadspriserna är högre än i övriga landet. Därmed har hushåll med högre inkomster ungefär samma lånebehov i förhållande till bostadens värde som hushåll med lägre inkomster. (Finansinspektionen, 2017 s. 8) Riksbanken skriver i motsats till detta i en rapport från 2016 att de högsta skuldkvoterna går att finna bland de hushåll med de lägsta inkomsterna. Även konsumtionsteorier är oeniga om inkomstens effekt på konsumtionsnivån - å ena sidan kan hushåll med låga inkomster tänkas vilja skuldsätta sig mer utifrån teorin om avtagande marginalnytta. Å andra sidan säger livscykelhypotesen att hushållen baserar sin konsumtion på nuvarande inkomst, förväntningar om framtida inkomst och förmögenhet och att inkomsten är ”medelvärdet” av alla de resurser som finns tillgängliga i aktuell period. En högre nuvarande inkomst borde därför enligt teorin öka konsumtionsnivån för individen.
Med utgångspunkt från detta kan skuldkvoten tänkas vara högre bland unga hushåll med högre inkomster och utbildning. Om så nu är fallet - vad skulle det innebära för den finansiella stabiliteten i Sverige? Amorteringskravet som infördes av Finansinspektionen minskar förvisso de risker som är förknippade med hushållens höga skuldsättning - samtidigt kanske inte åtgärden är tillräcklig eftersom den främst är riktad mot hushåll med lägre inkomster.
Det är mot denna bakgrund jag fann det intressant att undersöka hushållens ”profiler” för att se om det går att peka ut vilka hushåll som har högst skuldkvoter och därmed befinner sig i riskzonen att drabbas av ekonomiska störningar. Syftet med den här undersökningen är därför att försöka ta reda på om skuldkvoten följer livscykelns mönster där skuldsättningen är som högst i relativt ung ålder för att sedan avta med stigande ålder fram till pensionering då hushållen förväntas vara skuldfria. Jag vill även undersöka om det går att finna något samband mellan individer med en högre inkomst respektive utbildning och högre skuldkvotsnivåer. Detta för att slutligen kunna föra en diskussion om ytterligare åtgärder skulle krävas för att öka hushållens motståndskraft mot eventuella ekonomiska störningar. Jag vill även se om undersökningen finner stöd för livscykelhypotesen eller den permanenta inkomsthypotesen. Frågeställningen blir således:
1. Finns det något samband mellan ålder och skuldkvot likt det mönster livscykelhypotesen förutspår?
2. Vilken effekt har en högre inkomst respektive utbildning på skuldkvoten?
3. Stödjer resultaten från undersökningen livscykelhypotesen eller den permanenta inkomsthypotesen?
är ett särskilt intressant resultat då den förväntade effekterna av en högre inkomst på skuldkvoten innan undersökningen var tvetydlig. Resultaten visar även att andelen högutbildade har en positiv effekt på skuldkvoten samtidigt som estimatet visade hög statistisk signifikans. Resultatet är även i linje med de förväntade effekterna av utbildningens effekt på skuldkvoten. Att en högre utbildning har en positiv effekt på skuldkvoten indikerar även att det går att finna ett relativt starkt stöd för den permanenta inkomsthypotesen. Undersökningen finner emellertid inget stöd för livscykelhypotesen.
Uppsatsen kommer att disponeras på följande vis: I avsnitt 2 beskrivs den teoretiska bakgrund som ligger till grund för undersökningen. I det här avsnittet tas relevanta konsumtionsteorier och tidigare studier upp. Avsnitt 3 beskriver den data och de variabler som valts ut för undersökningen. Avsnitt 4 redogör för det statistiska tillvägagångssätt som använts i studien. I avsnitt 5 presenteras resultaten medan avsnitt 6 diskuterar och tolkar resultaten mer ingående. Slutligen sammanfattas slutsatserna i avsnitt 7 där även förslag på framtida forskning ges.
2. TEORETISK BAKGRUND
Det här avsnittet är uppdelat i två delar; det första avsnittet, avsnitt 2.1, går igenom de konsumtionsteorier som ligger till grund för undersökningen medan avsnitt 2.2 presenterar de viktigaste resultaten från tidigare forskning som gjorts på området.
2.1 KONSUMTIONSTEORIER
individen har som högst inkomster. Vidare antar teorin att individer är rationella och kommer att ha betalat av sina skulder i samband med pensioneringen och därmed vara skuldfria. Grundtanken i teorin är att när konsumtionen överstiger inkomsten lånar individen pengar och när konsumtionen är lägre än inkomsten sparar individen istället sina pengar. (Deaton, 2005, s. 1)
Figur 1: Illustration av livscykelhypotesen
Eftersom individen enligt teorin antas vara rationell förväntas individen fatta rationella beslut i valet mellan att konsumera idag eller i framtiden. Individen maximerar sin nytta baserat på de resurser och den information som finns tillgänglig i den aktuella perioden. Resurserna är summan av de sammanlagda inkomsterna; nuvarande- och framtida inkomster samt förmögenhet. Individen förväntas inte lämna något arv efter sig. Konsumtionen, enligt livscykelhypotesen, är proportionell mot livsresurserna, vilket kan liknas vid ”medelinkomsten” en individ har över en hel livscykel – en ökning av livsresurserna leder till proportionell ökning av konsumtionen under livscykeln. (American Economic Association, 2014, s. 56-57) (Deaton, 2005, s. 6)
I likhet med livscykelhypotesen finns det en annan teori som analyserar individers val av konsumtionsnivå. Den permanenta inkomsthypotesen introducerades av den amerikanska ekonomen Milton Friedman i mitten av 1900-talet. Liksom livscykelhypotesen antar teorin att konsumenter är framåtblickande och anpassar sin konsumtionsnivå efter förväntningar om
Sparande
Sparande
Konsumtion
framtida inkomster. (Gottfries, 2013, s. 98-99) En student som studerar till läkare kommer enligt teorin ha en högre konsumtionsnivå än en sjuksköterska eftersom läkarstudenten har högre förväntningar om framtida inkomster. (Assarsson, 1993, s. 608-609) Den permanenta inkomsthypotesen delar upp inkomster i två delar; en permanent del och en tillfällig del. Med en permanent inkomst menas en inkomst som förväntas stanna kvar på den nya inkomstnivån. Konsumtionen antas därefter växa i takt med att den permanenta inkomsten ökar vilket innebär att konsumtionen förändras på ett oförutsägbart sätt när den permanenta inkomsten förändras. Lotterivinst är däremot ett exempel på en tillfällig inkomstkälla - en individ som vinner en stor summa pengar på ett lotteri kommer förmodligen inte tro att han eller hon kommer vinna samma summa pengar igen nästa period. (Gottfries, 2013, s. 98-99)
Både den permanenta- och den tillfälliga inkomsten kan förändras över tid, men det är enligt teorin den permanenta inkomsten som påverkar hushållens konsumtionsnivå. Konsumtionen handlar alltså inte om individens nuvarande inkomst utan den inkomst individen förväntar sig i framtiden. (SOU, 2013, s. 43) I och med att konsumenten är framåtblickande har konsumtionsfunktionen för den permanenta inkomsthypotesen ett liknande utseende som livscykelhypotesen. Det som skiljer den permanenta inkomsthypotesen från livscykelhypotesen är att den marginella konsumtionsbenägenheten av en ändring i den permanenta inkomsten är hög medan en tillfällig inkomstförändring är mycket låg. (Assarsson, 1993, s. 610) Teorin om permanent inkomst skiljer sig även från livscykelhypotesen då teorin utgår från att hushållen har en oändlig livstid medan individer i livscykelhypotesen endast antas leva under en livsstid. (Gottfries, 2013, s. 99)
lån till studenten. (Gottfries, 2013, s. 100) Teorierna tar inte heller hänsyn till olika sociala trygghetstjänster som pensioner eller socialförsäkringar. (Deaton, 2005, s. 5)
2.2 TIDIGARE FORSKNING
I Sverige är det främst Finansinspektionen och Riksbanken som årligen kommer ut med rapporter över skuldkvotens utvecklingen. I rapporterna redogörs bland annat orsakerna bakom den ökade skuldsättningen som till stor del förklaras av stigande bostadspriser som i sin tur stimulerats av historiskt låga räntenivåer. (Finansinspektionen, 2017, s. 3) I Finansinspektionens bolåneundersökning från 2017 genomförs olika stresstester på hushållen för att se vilken motståndskraft hushållen har vid eventuella ekonomiska störningar. De främsta riskerna Finansinspektionen ser med för höga skuldkvoter är att hushållen inte ska klara av eventuella störningar i ekonomin som exempelvis höjda räntor eller inkomstbortfall. Dessa risker påverkar inte enbart de enskilda hushållen utan kan även innebära en stor risk för hela banksystemet och den finansiella stabiliteten i Sverige. (Finansinspektionen, 2017, s. 3-4)
Finansinspektionen använder sig av data från de åtta största bankerna1 som innefattar
hushållens disponibla inkomster, totala lånebörda, lån med säkerhet i bostaden, räntenivåer, amortering, marknadsvärde på säkerheten samt hushållssammansättning. Finansinspektionen gör sedan ett stickprov på hushållsnivå där de valt ut ett mindre antal nya bolåneavtal. (Finansinspektionen, 2017, s. 5) Finansinspektionen finner förhållandevis små skillnader i genomsnittliga belåningsgrader mellan olika inkomstgrupper när de studerar skuldkvoten för nya bolånetagare. Den högsta skuldkvoten finner emellertid Finansinspektionen hos de hushåll med högst inkomster. Detta har enligt Finansinspektionen sin förklaring i att hushåll med höga inkomster också är de hushåll som tenderar att bo i storstadsområden där såväl inkomster som bostadspriser är högre. Finansinspektionen finner även att en högre belåningsgrad har en tydlig koppling till ålder och att de högsta skuldkvoterna är högst för unga hushåll som nyligen etablerat sig på bostadsmarknaden. Detta kan enligt Finansinspektionen bero på att unga hushåll, till skillnad från de äldre, inte hunnit amortera av sin skuld samtidigt som de nya bolånetagarna inte hunnit dra nytta av de stigande bostadspriserna vilket ökat värdet på bostäder. Skuldkvoten antas vidare enligt Finansinspektionen minska vid en ålder kring 50 år. (Finansinspektionen, 2017, s. 7-10)
1 Danske Bank, Handelsbanken, Länsförsäkringar Bank, Nordea, SBAB, SEB,
Riksbanken skriver, i motsats till Finansinspektionen, i en rapport från 2016 att den högsta skuldkvoten går att finna bland de lägre inkomstgrupperna, men att skuldkvoten har ökat för samtliga inkomstgrupper. Riksbanken tillägger dock att skuldkvoten bland de med lägst inkomst bör tolkas med försiktighet eftersom de i undersökningen inte tagit hänsyn till skattefria inkomstkällor såsom barn- eller bostadsbidrag vilket kan antas utgöra viktiga inkomstkällor för hushåll med lägre inkomster. (Ölcer&van Santen, 2016, s. 2-3) Riksbanken använder i enighet med Finansinspektionen data från de åtta största bankerna för både individer och hushåll. De variabler de studerar är medel-och medianskuldkvot, total skuld, bolåneskuld, antal år tills bolånet är återbetalat, disponibel inkomst och ålder för åren 2010-2016. Riksbanken har delat upp åldrarna för hushållen efter olika åldersdeciler där de tagit medelålder för olika åldersgrupper. Medelvärdet har räknats ut genom att ta hushållsmedlemmarnas genomsnittsålder. Riksbanken rapport visar att de yngre åldersdecilerna som har en medelålder på 28, 34 och 39 år är de hushåll som har högst skuldkvoter. Skuldkvoten för de äldsta låntagarna har enligt undersökningen ungefär hälften så hög skuldkvot som de yngsta vilket indikerar på att skuldsättningen avtar med åldern. (Ölcer&van Santen, 2016, s. 3-4)
Det råder alltså delade meningar mellan Riksbanken och Finansinspektionen om vilken inkomstgrupp som har den högsta skuldkvoten samtidigt som olika konsumtionsteorier pekar åt olika håll. Finansinspektionen har dock baserat sin undersökning på stickprov och inte hela populationen samtidigt som de endast undersökt skuldkvoten hos nya bolånetagare. Både Riksbanken och Finansinspektionen verkar dock eniga om att unga hushåll (hushåll med en medelålder mellan 30-40 år) är de som har högst belåningsgrad och att belåningen sedan avtar i takt med stigande ålder. Tidigare forskning från Magri från år 2002 pekar även på att skuldsättningen tenderar att öka med åldern där skuldsättningen enligt hennes undersökning når sin pik vid ungefär 35 år. Vidare finner Magri att utbildning har en positiv inverkan på skuldsättningen samtidigt som hon finner ett positivt samband mellan nuvarande inkomst och skuldsättning.
Man bör dock ha i åtanke när man analyserar dessa resultat från framförallt Magri att undersökningen är daterad från år 2002 och undersökningen utgår från paneldata från Italien. Mycket har hänt i världsekonomin sedan början av 2000-talet och de resultat hon får fram i sin undersökning blir därför problematiska att applicera på andra länder, inte minst Sverige. Magri skriver själv att hon finner inkomstens effekt på skuldkvoten av extra intresse då det resultatet särskiljer Italien från tidigare forskning från andra länder vilket gör att resultaten får tolkas med försiktighet. De tidigare studierna från Magri ger dock en antydan om generella trender som kan vara till hjälp när man senare analyserar resultaten.
3. DATA OCH VARIABELBESKRIVNING
I det här avsnittet redogör jag för den metod som används i undersökningen. I avsnitt 3.1 presenteras den data som använts för respektive variabel samt de avgränsningar som gjorts i undersökningen. Avsnitt 3.2 ger en ingående beskrivning av den statistiska modell som ligger till grund för undersökningen samt för- och nackdelar med modellen. Avsnitt 3.3 innehåller en sammanfattande tabell som beskriver variablernas medelvärde, standardavvikelse samt max- och min värde. Undersökningen använder sig av paneldata från Sveriges 290 kommuner för åren 2010 till 2016. Eftersom datasetet innefattar 290 kommuner över ett tidsspann på sju år säger man att paneldatan är kort och bred. En längre tidsperiod hade varit att föredra då en längre panel ger mer precisa resultat men på grund av begränsningar i data från Riksbanken där data för skuldkvoten inte fanns tillgänglig innan år 20102 var detta inte möjligt. Datasetet är jämnt fördelat med 2030 observationer för respektive variabel vilket innebär att datasetet är starkt balanserat. En balanserad panel innebär att undersökningen har tillgång till data för alla kommuner och år medan en obalanserad panel saknar vissa värden. (Stock&Watson, 2010, s. 348)
3.1 BEROENDE VARIABEL
Skuldkvot
Den beroende variabeln för den här undersökningen är skuldkvot. Skuldkvoten används som ett mått för att mäta hur stora hushållens skulder är i förhållande till disponibla inkomster och ger en fingervisning om hur sårbart ett hushåll skulle vara vid inkomstbortfall, höjd ränta, prisfall på bostäder eller andra ekonomiska störningar. En hög skuldkvot innebär att hushållet måste lägga en större del av sin inkomst på räntekostnader vilket gör hushållet mer sårbart. (Finansinspektionen, 2017, s. 7) Data har hämtats från Riksbanken och gäller medianskuldkvoten för hushåll med bolån för år 2010 till 2016 uppdelat efter kommun. Medianskuldkvoten har valts framför medelskuldkvoten eftersom medelskuldkvoten är mer känslig för extremvärden och onormala värden än medianskuldkvoten. (Bloom&van Santen, 2017, s. 1) Skuldkvoten har beräknats av riksbanken genom att hushållens totala skuld (bolån, kreditkortslån, konsument lån, exklusive studielån) dividerats med hushållens totala nettoinkomst (hushållens förvärvsinkomst minus skatter som ej avser vinster eller förluster från kapital). Bidrag som barn- eller bostadsbidrag har dock inte räknats med. Vidare har hushåll
som saknar inkomst, bolån eller som har en negativ nettoinkomst exkluderats från datasetet. (Bloom&van Santen, 2017, s.10)
3.2 OBEROENDE VARIABLER
Andelen höginkomsttagare
En av de förklarade variablerna för den här undersökningen är andelen höginkomsttagare. Data har tagits från Statistiska Centralbyrån och innefattar den sammanräknade förvärvsinkomsten per kommun för åren 2010 till 2016 för personer i åldrarna 20-64. Den sammanräknade förvärvsinkomsten består av de sammanlagda löpande skattepliktiga inkomsterna, vilket avser inkomster från anställning, företagande, pension, sjukpenning och andra skattepliktiga transfereringar. I sammanräknad förvärvsinkomst ingår inte inkomst av kapital. Anledningen till att jag har valt förvärvsinkomst och inte disponibel inkomst beror på att data saknades för disponibel inkomst. Disponibel inkomst hade dock varit att föredra framför förvärvsinkomst då förvärvsinkomst enbart innehåller inkomst från arbete och inte säger något om hur mycket pengar hushållen har att röra sig med. Disponibel inkomst innehåller hushållens alla inkomster efter skatt samt bidrag och transfereringar. (Ekonomifakta, 2010) Helst hade jag även velat inkludera förmögenheter i form av kapitalinkomster och fastigheter då det även spelar roll när man ska analysera hushållens marginaler. Eftersom jag i denna undersökning endast använder mig av förvärvsinkomst kommer även resultaten tolkas med försiktighet.
Utifrån konsumtionsteorier i avsnitt 2.1 är de förväntade effekterna av andelen höginkomsttagare på skuldkvoten tvetydliga. Å ena sidan skulle en högre inkomst kunna leda till en högre skuldkvot eftersom en högre inkomst innebär en högre ”medelinkomst” i den aktuella tidsperioden vilket enligt livscykelhypotesen ökar konsumtionen. Å andra sidan, om inkomsten överstiger konsumtionen skulle det enligt livscykelhypotesen även kunna innebära att individer med högre inkomster väljer att spara pengar istället för att konsumera, vilket skulle innebära att individer med högre inkomster har lägre skuldkvot än individer med lägre inkomster. Samtidigt antar livscykelhypotesen att individer fattar rationella beslut vilket även talar för att individer med lägre inkomster med exempelvis osäkra anställningar väljer att spara sina pengar snarare än att konsumera dem. (Finocchiaro et al., 2011, s. 9) Vilken effekt en högre inkomst har på skuldkvoten är utifrån livscykelhypotesen går alltså att tolka på olika sätt vilket gör de förväntade effekterna för undersökningen oklara.
Andelen högutbildade
Undersökningens andra förklarande variabeln är andelen högutbildade. Data för utbildningsnivå är tagen från Statistiska Centralbyrån och gäller befolkningen i åldrarna 16-74 och är uppdelat efter kommun åren 2010 till 2016. Då jag i undersökningen främst är intresserad av vilken effekt en högre utbildning har på skuldkvoten har jag skapat en kategori som heter ”andelen högutbildade”. Kategorin innefattar individer som ingår i kategorierna ”eftergymnasial utbildning, 3 år eller mer” samt forskarutbildning. Jag har sedan adderat dessa två kategorier för att skapa en gemensam kategori för individer med högre utbildning. Jag har slutligen dividerat de individer med en högre utbildning med den totala folkmängden3 i kommunen. På så sätt har kunnat få ut den procentuella andelen högutbildade för varje kommun.
Utifrån den permanenta inkomstthypotesen kan vi förvänta oss att en högre utbildning har en positiv effekt på skuldkvoten eftersom en högre utbildning enligt teorin ökar förväntningar om framtida inkomster.
Ålder
Undersökningens sista förklarande variabler är ålder. Data är tagen från Statistiska Centralbyrån och gäller medelåldern för respektive kommun för åren 2010 till 2016. Eftersom medelvärde tagits för hela kommunen innebär det att alla åldrar i kommunen är medräknade, även extremvärden, vilket kan tänkas påverka resultaten. Önskvärt hade varit att ha mer utförlig data på individnivå eller att endast ha medelvärde på aktuell ålder, det vill säga medelåldern för de individer som får ta lån. Men på grund av databrist var detta inte möjligt.
De förväntade effekterna av ålder på skuldkvoten är enligt livscykelhypotesen att ålder har en positiv effekt på skuldkvoten; individen förväntas skuldsätta sig som mest i en relativt ungt ålder och sedan förväntas skuldsättningen avta med stigande inkomster och ålder. Individen förväntas betala tillbaka sina lån fram till pensioneringen och efter pensionering är individen enligt teorin skuldfri. Eftersom skuldsättningen förväntas avta med åldern har jag lagt till en variabel som beskriver detta samband. Den förväntande effekten av ålder i kvadrat är att ålder2 har en negativ effekt på skuldkvoten.
Tabell 1. Förväntade effekter utifrån teorierna
Variabel
Förväntade effekter
Höginkomsttagare Oklar
Högutbildade Positiv
Ålder Positiv
3.3 KONTROLLVARIABLER
Huspriser
Huspriser kommer i denna undersökning användas som en kontrollvariabel. Anledningen till att jag valt att ta med huspriser som kontrollvariabel är för att en stor del av den ökade skuldsättningen enligt Finansinspektionen (2017) har drivits av stigande bostadspriser. Bolån utgör dessutom cirka 80 % av hushållens totala skulder vilket innebär att stigande huspriser ökar skuldkvoten då den disponibla inkomsten för hushållet minskar. (Finansinspektionen, 2017, s. 4) Bostadspriser förväntas därför ha en positiv effekt på skuldkvoten.
Data för huspriser är tagen från Statistiska Centralbyrån och består av köpeskillingen i medelvärde för sålda småhus (permanent bostad ej tomträtt) för åren 2010 till 2016. Medelvärde har valts för undersökningen då medianvärde inte fanns tillgängligt på Statistiska Centralbyrån. Att jag använder medelvärde och inte medianvärde kan tänkas påverka resultatet eftersom medelvärde fångar upp alla extremvärden för huspriserna inom kommunerna. Detta kan ge ett snedvridande värde för huspriserna vilket kan ge ett missvisande resultat. Önskvärt hade även varit att ha en variabel för bostadspriser som inkluderade lägenhetspriser eftersom fler unga kan antas köpa lägenheter snarare än hus, i alla fall om man tittar i större städer. Att enbart inkludera huspriser kan därför tänkas påverka resultatet och analysen. Dock saknades data för lägenhetspriser och jag kommer därför endast ha med huspriser.
Skattesats
4. STATISTISK METOD
Det här avsnittet är uppdelat i tre olika delar. Avsnitt 4.1 beskriver den modell som används för undersökningen och förklarar de olika termerna som ingår i modellen. Avsnitt 4.2 ger en mer ingående beskrivning av modellen; vilka styrkor respektive svagheter modellen har samt hur valet av modell motiverats. Avsnitt 4.3 presenterar slutligen deskriptiv statistik för de variabler som används i undersökningen.
4.1 MODELL SOM ESTIMERAS
För att kunna estimera och analysera vilken effekt de oberoende variablerna har på skuldkvoten kommer jag att använda fixed effect model (FEM) som illustreras i Regressionsmodell 1&2 nedan. Den första regressionsmodellen, Regressionsmodell 1, visar en fixed effect model där tidsdummys är inkluderade. Jag har även valt att komplettera Regressionsmodell 1 med en regressionsmodell där tidsdummys är exkluderade. Detta för att se vilken eventuell betydelse tiden har för estimaten. Störst vikt kommer emellertid läggas på Regressionsmodell 1. Termen 𝑎𝑖 står för o-observerad individuell heterogenitet som varierar mellan kommuner men som inte varierar över tid. Genom att använda fixed effect model kan man hålla dessa skillnader mellan kommunerna konstanta. Termen 𝓊𝑖𝑡 står för residualen, 𝑖 står för kommun och 𝑡 för tid (år).
Regressionsmodell 1: Fixed Effect Model inklusive tidsdummys
𝑌𝑖𝑡 = 𝛽1𝑋1𝑖𝑡 + 𝛽2𝑋2𝑖𝑡 + 𝛽3𝑋3𝑖𝑡 + 𝛽4𝑋4𝑖𝑡 + 𝛽5𝑋5𝑖𝑡 + 𝛽6𝑋6𝑖𝑡 + 𝑎𝑖+ 𝜆2010−2016+ 𝓊𝑖𝑡
4.2 STATISTISK SPECIFIKATION
Fixed effect model är en metod som används för att analysera paneldata. Fördelen med FEM är att modellen tillåter den individuella heterogeniteten att korrelera med en eller flera av de oberoende variablerna genom att den kontrollerar för utelämnade variabler när den utelämnade variabeln varierar mellan enheter (i mitt fall kommuner) men inte över tid. I modellen representeras detta av termen 𝑎𝑖 och genom att inkludera denna term minskar man risken för Omitted Variable Bias (som innebär att det finns utelämnade variabler i regressionen som är korrelerade med en utav de oberoende variablerna och som har effekt på den beroende variabeln). (Stock&Watson, 2010, s. 354)
Om utelämnade variabler är konstanta över tid men varierar mellan kommuner (exempelvis attityder eller normer) medan andra variabler är konstanta mellan kommuner men varierar över tid (exempelvis lagar) är det lämpligt att inkludera både kommun- och tidseffekter. I den här undersökningen kommer jag att inkludera både kommun- och tidseffekter eftersom attityder och normer rörande skuldsättning kan tänkas variera mellan kommunerna samtidigt som införandet av exempelvis amorteringskravet kan tänkas ha en påverkan på skuldkvoten. (Stock&Watson s. 359-360) Jag kommer även komplettera med en regression som enbart innehåller kommunfixa-effekter och inte tidsfixa-effekter (regression 2), detta för att se vilken effekt tiden har på resultaten. I regressionsmodellerna ovan representerar 𝑎𝑖 de
kommunspecifika effekterna medan 𝜆𝑡 är tidsfixa effekterna. Denna kombinerade regression med både kommun- och tidsfixa effekter eliminerar Omitted Variable Bias som kan uppstå från både o-observerade variabler som är konstanta över tid och som är konstanta mellan kommuner. (Stock&Watson s. 360-361)
Valet av modell beror alltså på vad man ämnar att undersöka, vilket urval man har att utgå ifrån samt om det finns korrelation mellan 𝑎𝑖 och de oberoende variablerna. (Gujarati, 2004, 648-650) Om man är osäker på vilken av modellerna man ska välja till sin undersökning kan man använda sig av ett Hausman-test. Testet går ut på att jämföra koefficienterna för att se om det går att observera signifikanta skillnader och om det går att upptäcka korrelation mellan 𝑎𝑖 och de förklarande variablerna. Ett hypotestest ställs upp på följande vis:
𝐻0: Det finns inga statistiskt signifikanta skillnader mellan koefficienterna
𝐻1: Det finns statistiska skillnader mellan koefficienterna
Om nollhypotesen förkastas (det vill säga att det inte går att säga att det inte finns några statistiskt signifikanta skillnader mellan koefficienterna) är FEM att föredra framför REM eftersom det innebär att korrelation mellan variablerna kan förekomma och REM hade då inte genererat pålitliga resultat eftersom modellen inte tar hänsyn till detta. (Gujarati, 2004, s. 651) Efter att ha utfört ett Hausman-test kunde nollhypotesen förkastas vilket innebär att FEM är att föredra framför REM i den här undersökningen (se Tabell A1 i Appendix).
Fixed effect model är emellertid inte en perfekt modell och det finns en del risker förknippade med användandet av modellen. En av riskerna är om det inte finns tillräckligt med variation i den beroende variabeln. En stor fördel med FEM är, som nämnt i tidigare avsnitt, att modellen kontrollerar för utelämnade variabler när den utelämnade variabeln varierar mellan enheter men inte över tid. I och med detta kastar modellen bort dålig variation i datan vilket är bra. Nackdelen med modellen är emellertid att även god variation kastas bort - det vill säga variation som skulle kunna förklara vilken effekt de oberoende variablerna har på skuldkvoten. Med lite variation i den beroende variabeln har man lite information om hur de oberoende variablerna förändras när den beroende variabeln förändras. Detta riskerar att leda till att man får stora standardfel för skuldkvoten samtidigt som modellen gör det svårare att få statistiskt signifikanta resultat vilket i sin tur gör det svårare att uttala sig om samband mellan den beroende variabeln och de oberoende variablerna. (Stock&Watson, 2010, s. 362-365)
som är förknippade med fixed effect model behöver man en tillräckligt stor variation inom varje variabel av intresse, annars riskerar man att få stora standardfel. (Stock&Watson, 2010, s. 362-365)
4.3 DESKRIPTIV STATISTIK
Tabell 3: Deskriptiv statistik
Variabel Observationer (antal)
Medelvärde Standardavvikelse Min Max
Skuldkvot (%) 2030 197,0 73,9 80,0 437,0 Höginkomsttagare (%) 2030 4,1 2,8 1,0 20,0 Högutbildade (%) 2030 10,6 4,5 4,8 33,3 Ålder (År) 2030 43,2 2,6 36,4 49,7 Huspriser (Tkr) 2030 1 648,7 1 314,7 248,0 11 428,0 Skattesats (%) 2030 32,5 1,3 28,9 35,1
5. RESULTAT
I det här avsnittet kommer resultaten från de utförda regressionerna att redovisas. I den första tabellen (tabell 3) utförs en fixed effect regression där tidsdummys är inkluderade medan regressionen i tabell 4 har genomförts utan tidsdummys. Resultaten i tabellerna är uppdelat på följande vis: i kolumn (1) har en regression utförts med skuldkvot som den beroende variabeln och andelen höginkomsttagare som den oberoende variabeln. I kolumn (2) har den oberoende variabeln andelen högutbildade lagts till i regressionen. I kolumn (3) inkluderas även de oberoende variablerna ålder och å𝑙𝑑𝑒𝑟2och slutligen i kolumn (4) har kontrollvariablerna
huspriser och skattesats lagts till i regressionen. Vidare står standardfel i parantes under
estimaten. Den statistiska signifikansen tolkas på följande sätt:
*** = Estimatet är signifikant på 1 %- nivå ** = Estimatet är signifikant på 5 %- nivå * = Estimatet är signifikant på 10 %- nivå
Längst ner i tabell 3 och 4 hittar man determinationskoefficienten vilket benämns som R2. Värdet på determinationskoefficienten visar för den här undersökningen hur mycket av variationen i skuldkvoten som förklaras av de oberoende variablerna. I den tredje kolumnen i tabell 3 kan man se att variationen i skuldkvoten förklaras till 67,9 % när alla variabler är inkluderade i regressionen. I tabell 4 är tidsdummys exkluderade och då kan variationen i skuldkvoten förklaras till 65,6 %. En lågt determinationskoefficient betyder att det finns en eller fler utelämnade variabler som kan ha effekt på skuldkvoten men som vi inte känner till.
Som man kan se i tabell 2: Deskriptiv statistik i föregående avsnitt är alla variabler förutom
ålder och huspriser mätt i procent. Variabeln ålder är mätt i år och huspriser är mätt i tkr.
Om man enbart tittar på effekten av andelen höginkomsttagare på skuldkvoten ser man i den första kolumnen i tabell 3 att estimatet för andelen höginkomsttagare har en positiv effekt på skuldkvoten och att estimatet är signifikant på 1 %- nivå. Estimatet kan tolkas som att om andelen höginkomsttagare ökar med 1 % ökar skuldkvoten i genomsnitt per kommun med 7,15 %. När sedan andelen högutbildade läggs till i regressionen i den andra kolumnen minskar estimatet för andelen höginkomsttagare från 7,15 till 3,32. Vidare kan man se i den andra kolumnen att andelen högutbildade har en positiv effekt på skuldkvoten vilket kan tolkas som att när andelen högutbildade ökar med 1 % ökar skuldkvoten i genomsnitt per kommun med 18,41 %. Båda resultaten är signifikanta på 1 %- nivå.
I den tredje kolumnen läggs variablerna ålder och å𝑙𝑑𝑒𝑟2 till i regressionen vilket minskar estimatet för andelen höginkomsttagare från 3,21 till 2,60. Estimatet för andelen högutbildade minskar även från 18,41 till 18,11. Båda resultaten är signifikanta på 1 %- nivå. Vidare har estimatet för ålder en positiv effekt på skuldkvoten medan ålder2 har en negativ effekt. Estimatet för ålder kan tolkas som att när medelåldern ökar med ett år ökar skuldkvoten i genomsnitt per kommun med 53,18 %. Båda resultaten är signifikanta på 5 %- nivå. Då alla förklarande variabler har statistiskt signifikanta effekter på skuldkvoten visar det att de förklarande variablerna ledde till Omitted Variable Bias i första kolumnen.
Tabell 3: Regression 1
Förklarande variabler (1) (2) (3) (4)
Skuldkvot Skuldkvot Skuldkvot Skuldkvot
Höginkomsttagare 7.145*** 3.321*** 2.597*** 0.869* (0.762) (0.596) (0.554) (0.495) Högutbildade 18.41*** 18.11*** 10.61*** (1.553) (1.444) (1.721) Ålder 53.18** 31.05 (22.00) (22.82) Ålder2 -0.563** -0.322 (0.249) (0.257) Huspriser 0.0165*** (0.00236) Skattesats -0.147 (0.913) Konstant 167.1*** -2.725 -1240.0** -676.3 (2.497) (15.19) (480.7) (502.1) N 2030 2030 2030 2030 R2 0.437 0.566 0.579 0.679 Standardfel i parentes * p < 0.10, ** p < 0.05, *** p < 0.01
I tabell 4 nedan har jag utfört en kompletterande regression som exkluderar tidsdummys. Detta för att se vilken eventuell effekt tiden har på estimaten. I de de tre första kolumnerna i tabell 4 visar estimaten liknande resultat som tabell 3. Det som främst skiljer tabell 4 från tabell 3 är att estimatet för andelen höginkomsttagare tappar sin statistiska signifikans i den fjärde kolumnen när kontrollvariabler inkluderas. Estimatet för andelen högutbildade har däremot fortfarande en positiv effekt på skuldkvoten med hög statistisk signifikans. Estimatet för andelen
högutbildade kan tolkas som att när andelen högutbildade ökar med 1% ökar skuldkvoten med
7,26 %. Vidare uppvisar varken ålder eller å𝑙𝑑𝑒𝑟2 statistiskt signifikanta resultat. Slutligen
Tabell 4: Regression 2
Variabler (1) (2) (3) (4)
skuldkvot skuldkvot skuldkvot skuldkvot
Höginkomsttagare 6.967*** 1.764*** 1.162** -0.266 (0.455) (0.555) (0.499) (0.434) Högutbildade 9.697*** 9.759*** 7.262*** (0.942) (0.943) (0.991) Ålder 76.94*** 36.29 (24.50) (22.41) Ålder2 -0.851*** -0.377 (0.279) (0.255) Huspriser 0.0163*** (0.00202) Skattesats -3.602*** (0.805) Konstant 168.4*** 86.91*** -1640.7*** -649.8 (1.867) (8.549) (535.0) (495.2) N 2030 2030 2030 2030 R2 0.429 0.497 0.514 0.656 Standardfel i parantes * p < 0.10, ** p < 0.05, *** p < 0.01
6. DISKUSSION
Den förväntade effekten för andelen höginkomsttagare på skuldkvoten, sett utifrån konsumtionsteorier och tidigare forskning på området, var innan undersökningen tvetydliga. En högre inkomst skulle enligt livscykelhypotesen å ena sidan kunna leda till högre konsumtion (och därmed högre skuldsättning) eftersom en högre inkomst ökar medelinkomsten för perioden vilket skulle öka skuldsättningen. Å andra sidan skulle en högre inkomst även kunna leda till minskad konsumtion utifrån teorin om avtagande marginalnytta samtidigt som en högre inkomst enligt livscykelhypotesen även kan öka sparandet vilket i sin tur skulle minska konsumtionen för individer med högre inkomster. Rapporter från Finansinspektionen och Riksbanken pekade även åt olika håll där Finansinspektionen menade att höginkomsttagare hade högre skuldkvot medans Riksbanken fann de högsta skuldkvotsnivåerna bland de med lägre inkomster. I den fjärde kolumnen i tabell 3 finner jag att estimatet för andelen
höginkomsttagare har en positiv effekt på skuldkvoten; om andelen höginkomsttagare ökar med
livet eftersom det indikerar att en högre förvärvsinkomst har en positiv effekt på skuldkvoten och en höjning av skuldkvoten med 0,87 % i sammanhanget får anses vara mycket, speciellt bland de högsta skuldkvotsnivåerna. Resultatet visar även att nuvarande inkomst tycks spela en viss roll för skuldsättningen. Möjliga förklaringar till detta är enligt Finansinspektionen att hushåll med högre inkomster tenderar att bo i större städer där inkomster såväl som bostadspriserna är högre än i övriga landet vilket i sin tur gör skuldkvoten högre hos dessa hushåll.
Samtidigt är det viktigt att komma ihåg att jag i undersökningen använt mig av förvärvsinkomst för att mäta inkomstnivån och att förvärvsinkomst endast mäter en mindre del av individers totala inkomster. Det skulle därför vara intressant att se vilket resultat man hade fått om man i undersökningen använt sig av disponibel inkomst. Förvärvsinkomst är inte heller optimalt att använda när man ska mäta hushållens marginaler i förhållande till skuld eftersom förvärvsinkomst endast innefattar inkomster från arbete och inte säger någonting om hur mycket pengar individen har att röra sig med. Många individer har även förmögenheter i form av kapital eller fastigheter vilket även skulle vara nödvändigt att ha med i beräkningarna för att mäta hushållens motståndskraft mot eventuella ekonomiska störningar eller inkomstchocker.
Om man går vidare och tittar på resultatet för andelen högutbildade i tabell 3 ser man att andelen högutbildade har en positiv effekt på skuldkvoten samtidigt som estimatet visar en genomgående hög signifikans i alla utförda regressioner. Resultatet för andelen högutbildade ligger även i linje med den förväntade effekten utifrån teorier om förväntningar om framtida inkomster samt från tidigare forskning från Magri (2002). Utbildning är, som tidigare nämnt enligt Magri, starkt förknippat med förväntningar om framtida inkomster. Estimatet för andelen
högutbildade visar att om andelen högutbildade ökar med 1 % så ökar skuldkvoten i genomsnitt
per kommun med 10,61 %. Den ekonomiska tolkningen av resultatet är att en högre utbildning spelar en betydande roll i det verkliga livet eftersom resultatet kan tolkas som att om fler människor valde att utbilda sig på en högre nivå (eftergymnasial utbildning på tre år eller mer) skulle skuldkvoten i Sverige öka anmärkningsvärt. En ökning av skuldkvoten med nästan 11 % skulle i sin tur öka de finansiella riskerna som är förknippade med en hög skuldsättning vilket skulle påverka hela landet negativt.
har högre förväntningar om framtida inkomster. Detta samband är emellertid svårt att mäta och koppla till undersökningen då unga och studenter, som även togs upp som kritiken mot teorierna, ofta möter kreditrestriktioner från banker. I den här undersökningen går alla individer som har en eftergymnasial utbildning över tre år eller mer under kategorin ”högutbildade” vilket gör att både läkare och sjuksköterskor inkluderas i samma kategori. Det tillgängliga datamaterialet rörande utbildningsnivå säger heller ingenting om individerna är studenter eller yrkesverksamma vilket gör att man inte kan dra några slutsatser utifrån förväntningar om framtida inkomster kopplat till vilken typ av utbildning studenten går. Man kan endast spekulera i varför en högre utbildning har en positiv effekt på skuldkvoten och möjliga förklaringar, som även Dabelle (2004) tar upp, kan vara att en högre utbildning ger en slags trygghet för individer då utbildning både kan tänkas ge tryggare anställningar. Detta kan i tur kan tänkas minska risken för inkomstchocker i form av arbetslöshet, samtidigt som individer med en högre utbildning generellt kan tänkas ha en mer stabil inkomstutveckling än individer utan utbildning. Undersökningen kan mot denna bakgrund inte ge ett fullt stöd för den permanenta inkomsthypotesen utan endast ett visst stöd eftersom undersökningen visade att förväntningar om framtida inkomster hade en betydligt större inverkan på skuldkvoten än nuvarande förvärvsinkomst.
De två sista förklarande variablerna som inkluderades i den tredje- och fjärde kolumnen i tabell 3 var ålder och ålder i kvadrat. De förväntade effekterna enligt livscykelhypotesen var att ålder förväntades ha en positiv effekt på skuldkvoten medans ålder2 förväntades ha en negativ
i. I avsnitt ”4.2 Statistisk specifikation” tas svagheter med fixed effect model upp där en av svagheterna är att modellen kastar bort både bra och dålig variation vilket kan göra det svårare att uttala sig om samband mellan skuldkvoten och de oberoende variablerna samtidigt som det blir svårare att få statistiskt signifikanta resultat.
Vidare visade kontrollvariabeln huspriser på hög statistisk signifikans i tabell 3 men estimatet var lågt (0,0165 %). Estimatet kan tolkas som att huspriser har en positiv effekt på skuldkvoten men att effekten är liten vilket gör det svårt att säga något om effekten har betydelse i det verkliga livet. Som nämnts tidigare under beskrivningen av variablerna har jag i undersökningen använt mig av medelvärdet för huspriser vilket även för denna variabel kan ge snedvridande medelvärden eftersom huspriser kan variera starkt inom de olika kommunerna. Detta kan i sin tur resultera i att vissa kommuner får ett högre respektive lägre värde än vad de egentligen skulle få vilket kan tänkas påverka resultatet. Vidare saknade den andra kontrollvariabeln skattesats statistisk signifikans i den första regressionen i tabell 3 men visade hög statistisk signifikans när tidsdummys exkluderades i tabell 4. Resultatet för skattesats tyder på att tiden spelar roll för skattesatsen och att det finns tidstypiska effekter som inte är observerbara i den här undersökningen. Dessa tidstypiska effekter kan exempelvis vara politiska förändringar eller införandet nya lagar.
Sammanfattningsvis finner undersökningen att både andelen höginkomsttagare och andelen
högutbildade har en positiv effekt på skuldkvoten. Att andelen höginkomsttagare visade sig ha
Resultaten från undersökningen är viktiga då det ger en inblick i hur individer tänker när det kommer till skuldsättning och det ger ännu ett bevis på hur skör ekonomin faktiskt är. Om Sverige fortsätter att ha en löneutveckling likt den vi sett de senaste åren kan det mycket väl bli så att fler och fler hushåll hamnar i kategorin ”höginkomsttagare” vilket skulle öka skuldkvoten, ceteris paribus. Denna insikt säger något om att fler åtgärder behöver göras för att minska risken för dessa hushåll att drabbas av ekonomiska störningar. Om man relaterar resultaten från undersökningen till amorteringskravet och diskussionen kring huruvida amorteringskravet är rätt väg att gå i försöket att minska de finansiella riskerna i Sverige så är det svårt att ge ett tydligt ja eller nej på den frågan utifrån den data jag haft tillgång till. Resultaten från undersökningen tyder dock på att det finns ett positivt samband mellan en högre förvärvsinkomst och skuldkvoten vilket innebär att det skulle behövas fler åtgärder som även begränsade hushåll med högre inkomster att belåna sig högt. Samtidigt är det svårt, som tidigare nämnts, att diskutera resultat som enbart är baserade på förvärvsinkomst eftersom det inte säger allt om hushållens marginaler eller motståndskraft vid ekonomiska störningar.
Amorteringskravet, som tidigare tagits upp, påverkar främst unga hushåll och hushåll med lägre inkomster som försöker ta sig in på bostadsmarknaden vilket visserligen är effektivt eftersom dessa hushåll ofta har osäkrare anställningar vilket gör dessa hushåll mer utsatta för inkomstbortfall än hushåll med en högre inkomst respektive utbildning. Samtidigt är det emellertid viktigt att komma ihåg att även höginkomsttagare och högutbildade individer kan drabbas av inkomstbortfall eller andra ekonomiska chocker, inte minst under ekonomiska kriser. Hushåll med förmögenheter i form av fastigheter och kapital har möjligtvis större marginaler än hushåll med lägre inkomster men samtidigt är dessa hushåll sårbara när det kommer till andra ekonomiska störningar som höjd ränta och prisras på bostadsmarknaden. Många hushåll med dyra fastigheter tar även nya lån med bostaden som säkerhet. Om då bostadspriserna sjunker finns det en stor risk att dessa hushåll kommer få stora problem med att återbetala dessa lån. Om många hushåll dessutom drabbas samtidigt kan det komma att få enorma konsekvenser, inte bara för enskilda hushåll, utan för hela landets ekonomi.
skuldsättning baserar sin skuldsättning (och banker baserar sin utlåning) på förväntningar om framtida inkomster, i enighet med den permanenta inkomsthypotesen, är att större delen av det ekonomiska system är baserat på förväntningar. Hushållen förväntar sig högre inkomster, stigande bostadspriser som genererar ökade kapitalvinster och fortsatt låga räntor. Bankerna å andra sidan beviljar lån i tron att utbildning ger tryggare anställningar och större möjligheter att betala tillbaka lån samtidigt som de värderar hushållens tillgångar baserat på förväntningar att fastighetspriserna kommer att fortsätta stiga (eller i varje fall inte sjunka). Men vad säger det egentligen om Sveriges ekonomi? Vad händer när räntan höjs, när bostadspriserna rasar, när låginkomsttagare såväl som höginkomsttagare mister sina jobb på grund av att företag går i konkurs och tvingas läggas ner? När hushållen inte längre klarar av att betala tillbaka sina lån till bankerna? Vad betyder en högre utbildning då?
Avslutningsvis kan man konstatera att Sveriges ekonomi hänger på en skör tråd baserat på förväntningar om framtiden. Då undersökningen är baserad på data från den svenska befolkningen kan man diskutera hur relevanta resultaten skulle vara på befolkningen i ett annat land, det vill säga den externa validiteten för undersökningen. Bara för att den här undersökningen fann ett visst stöd för den permanenta inkomsthypotesen i Sverige innebär det inte att resultaten är generella och går att applicera på andra länder. Exempelvis så skiljer sig synen på utbildning, tillgången till utbildning eller hur banker beviljar lån länder emellan. Hur stor inverkan en högre inkomst- eller utbildning har på skuldkvoten i andra länder beror även det på en mängd olika faktorer. Det kan exempelvis vara faktorer som rör andra länders ekonomi, politik, demografi, attityder kring skuldsättning etc. Min undersökning fann inget stöd för livscykelhypotesen, det utesluter dock inte att teorin kan ha stöd i andra länder.
6.1 HOT MOT DEN INTERNA VALIDITETEN
huspriser och skattesats. Dock finns det fler utelämnade variabler som jag inte har kunnat
inkludera i regressionen på grund av begränsad tillgång till data. Vilken effekt en utelämnad variabel har på skuldkvoten beror på vilken korrelation den utelämnade variabeln har med den beroende och oberoende variablerna. Exempel på utelämnade variabler för den här undersökningen kan exempelvis vara ränta, förmögenhet eller diverse beteendefaktorer som är svåra att mäta.
Ett annat hot mot den interna validiteten för den här undersökningen är att det kan finnas potentiella mätfel i variablerna vilket orsakar fel i estimatet för de oberoende variablerna. Eftersom data för de oberoende variablerna är tagna från Statistiska Centralbyrån bedömer jag risken som liten och jag litar på att hanteringen av datamaterialet har skett på ett korrekt sätt. Inmatningsfel kan emellertid uppstå, både från Statistiska Centralbyrån men även på grund av att jag själv räknat fel, men risken bedömer jag även här som relativt liten och slumpmässiga inmatningsfel tros inte påverka mitt resultat nämnvärt. Om data även saknas slumpmässigt kan standardfelen bli större vilket i sin tur kan påverka om resultaten blir statistiskt signifikanta eller inte.
7. SLUTSATS
Syftet med undersökningen är att se om det går att finna något samband mellan ålder, en högre inkomst- respektive utbildningsnivå och skuldkvoten. De slutsatser som kan dras efter att ha utfört två fixed effect regressioner är att det inte går att finna något samband mellan ålder och skuldkvot likt det mönster livscykelhypotesen förutspår. Mer utförlig data på individnivå hade behövts för att urskilja detta mönster, vilket öppnar upp för framtida studier på området. Vidare så finner undersökningen att både andelen höginkomsttagare och andelen högutbildade har en positiv effekt på skuldkvoten. Att andelen höginkomsttagare har en positiv effekt på skuldkvoten är särskilt intressant då tidigare studier och konsumtionsteorier pekar åt olika håll vilket gjorde att jag innan undersökningen inte visste vilken effekt det gick att förvänta sig av en högre inkomst på skuldkvoten. Tydligast effekt på skuldkvoten har emellertid andelen högutbildade. Resultatet tyder på att individer i högre grad baserar sin skuldsättning på förväntningar om framtida inkomster snarare än nuvarande inkomster vilket ger ett visst stöd för den permanenta inkomsthypotesen. Undersökningen finner emellertid inget stöd för livscykelhypotesen.
7.1 FÖRSLAG PÅ FRAMTIDA FORSKNING
KÄLLFÖRTECKNING
Data:
Riksbanken. Sifferunderlag: Svenska hushållens skuldsättning. [Hämtad 2018-03-24]
https://www.riksbank.se/sv/press-och-publicerat/nyheter-och- pressmeddelanden/nyheter/2017/hushallens-skulder-fortsatter-att-oka-snabbare-an-inkomsterna/
Statistiska Centralbyrån. Befolkningens medelålder efter region och kön. [Hämtad 2018-03-24]
http://www.statistikdatabasen.scb.se/pxweb/sv/ssd/START__BE__BE0101__BE0101B/Befol kningMedelAlder/?rxid=121fdb3b-1855-4397-ac61-42fe10047993
Statistiska Centralbyrån. Befolkning utbildningsnivå efter region. [Hämtad 2018-04-02]
http://www.statistikdatabasen.scb.se/pxweb/sv/ssd/START__UF__UF0506/Utbildning/?rxid= 88af008b-53ed-4bcf-988c-7a59d58e4969
Statistiska Centralbyrån. Försålda permanenta småhus efter kommun. [Hämtad 2018-04-02]
http://www.statistikdatabasen.scb.se/pxweb/sv/ssd/START__BO__BO0501__BO0501B/Fast prisSHRegionAr/?rxid=18c80ef1-a2f6-46f8-8783-adf044f15b8b
Statistiska Centralbyrån. Folkmängd efter region, ålder och år. [Hämtad 2018-03-24]
http://www.statistikdatabasen.scb.se/pxweb/sv/ssd/START__BE__BE0101__BE0101A/Befol kningNy/table/tableViewLayout1/?rxid=ee7d06f6-33ef-4fb4-9406-1d020cc431e2
Statistiska Centralbyrån. Kommunala skatteuppgifter efter region. [Hämtad 2018-04-02]
http://www.statistikdatabasen.scb.se/pxweb/sv/ssd/START__OE__OE0101/Kommunalskatter 2000/?rxid=61f2bcf2-e97f-448f-81d1-a4b2c017ac20
Statistiska Centralbyrån. Sammanräknad förvärvsinkomst (region, kön, ålder, inkomstklass).
[Hämtad 2018-04-02]
Referenser:
Alimi, R. Santos (2013). Keynes’ Absolute Income Hypothesis and Kuznets Paradox.
MPRA Paper No. 49319. Adekunle Ajasin University, Akungba-Akoko, Ondo State Nigeria.
[Hämtad 2018-05-23]
https://mpra.ub.uni-muenchen.de/49310/1/MPRA_paper_49310.pdf
American Economic Association (2014). The ”Life Cycle” Hypothesis of Saving: Aggregate
Implications and Tests. The American Economic Review, Vol. 53, No. 1, Part 1, s. 55-84. [Hämtad 2018-04-15]
http://www.econ.nyu.edu/user/violante/NYUTeaching/MTA/Spring14/Readings/ando_aer.pdf
Assarsson, Bengt (1993). Livscykelhypotesen, konsumtionen och stabiliseringspolitiken.
Ekonomisk Debatt. Årg. 21, nr 7, s. 607-618. [Hämtad 2018-04-05]
https://www.nationalekonomi.se/filer/pdf/21-7-ba.pdf
Bloom, Karl., van Santen, Peter (2017). Svenska hushållens skuldsättning. Avdelningen för finansiell stabilitet, Riksbanken. [Hämtad 2018-03-18]
https://www.riksbank.se/globalassets/media/rapporter/ekonomiska-kommentarer/svenska/2017/rap_ek_kom_nr6_171121_sve.pdf
Dabelle, Guy (2004). Macroeconomic implications of rising household debt. BIS Working Papers No. 153. Monetary and Economic Department. Bank for International Settlements.
[Hämtad 2018-04-11] https://www.bis.org/publ/work153.pdf
Deaton, Angus (2005). Franco Modogliani and the Life Cykle Theory of Consumption. Research Program in Development Studies and Center for Health and Wellbeing, Princeton University. [Hämtad 2018-03-24]
https://www.princeton.edu/~deaton/downloads/romelecture.pdf
Ekonomifakta (2010). Disponibel inkomst. [Hämtad 2018-05-16] https://www.ekonomifakta.se/Ordlista/Disponibel-inkomst/
https://www.fi.se/contentassets/2a4665e04627420880e4af1c771a11fe/bolan_2017ny3.pdf
Finansinspektionen (2017). Förslag till skärpt amorteringskrav för hushåll med höga
skuldkvoter. [Hämtad 2018-05-20]
https://www.fi.se/sv/publicerat/nyheter/2017/forslag-till-skarpt-amorteringskrav-for-hushall-med-hoga-skuldkvoter/
Finansinspektionen (2017). Skärpt amorteringskrav: kort motivering. [Hämtad 2018-05-25] https://www.fi.se/contentassets/c83429d5fe7f4f83b38c93aebaddd4ea/skarpt_amorterings_mo tivering.pdf
Finocchiaro, Daria., Nilsson, Christian., Nyberg, Dan., Soultanaeva, Albina (2011).
Hushållens skuldsättning, bostadspriserna och makroekonomin: en genomgång av litteraturen. Riksbanken. [Hämtad 2018-03-15]
http://archive.riksbank.se/Upload/Dokument_riksbank/Kat_publicerat/Artiklar_PV/2011/pv_2 011_1_Finocchiaro_Nilsson_Nyberg_Soultanaeva.pdf
Gujarati, N. Damodar (2004). Basic Econometrics. Fourth Edition. The McGraw-Hill Companies.
Magri, Silvia (2002). Italian households’ debt: determinants of demand and supply. Working paper nr 454. Survey of Household Income and Wealth. Bank of Italy. [Hämtad 2018-03-18]
https://www.bancaditalia.it/pubblicazioni/temi-discussione/2002/2002-0454/tema_454_02.pdf?language_id=1
Statens offentliga utredningar (2013). Betänkande av Utredningen om överskuldsättning.
[Hämtad 2018-05-05]
https://www.regeringen.se/49bb85/contentassets/7d6ed04741ab4b9badd089ed01fd3039/overs kuldsattning-i-kreditsamhallet-sou-201378-hela-betankandet
Ölcer, Dilan., van Santen, Peter (2016). Svenska hushållens skuldsättning. Ekonomiska kommentarer nr 5. Avdelningen för penningspolitik och finansiell stabilitet. Riksbanken.
[Hämtad 2018-03-10]
APPENDIX
Tabell A1: Hausman-test
(b) Fixed (B) Random (b-B) Differens sqrt(diag(V_b-V_B)) S. E. Höginkomst. 1.162156 2.055606 -.8934495 .1652728 Högutb. 9.758851 9.955766 -.1969154 .4022544 Ålder 76.93966 28.93008 48.00958 3.473063 Ålder2 -.8512644 -.3586783 -.4925861 .0363228
b = consistent under Ho and Ha; obtained from xtreg
B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test: Ho: difference in coefficients not systematic
chi2(4) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 276.05
Prob>chi2 = 0.0000
(V_b-V_B is not positive definite)
Tabell A2: Korrelationsmatris
Skuldkvot Högink. Högutb. Ålder Huspriser Skattes.
