NATIONALEKONOMISKA INSTITUTIONEN Uppsala universitet
Författare: Lukas Melander och Victoria Aulin Handledare: Karolina Stadin
Termin och år: VT2020
Hushållens skulder och negativ reporänta
En studie om sambandet mellan reporänta och skuldkvot i perioder av negativ ränta
Sammanfattning
För sex år sedan infördes för första gången en negativ reporänta i Sverige. Vi undersöker sambandet mellan reporänta och hushållens skuldkvot, det vill säga låneskulder dividerat med disponibel inkomst. Frågan som ställs är huruvida sambandet mellan reporänta och skuldkvot skiljer sig i period av negativ reporänta jämfört med period av positiv reporänta. Laggade värden av reporäntan regresseras mot skuldkvoten och sambandet skattas med Ordinary Least Squares. Dessutom undersöks hur resultaten förändras när fastighetsprisindex och
policyåtgärder inkluderas i modellen. Vi finner indikationer på att sambandet mellan
reporänta och skuldkvot är starkare i perioder av negativ ränta. Resultatet tycks vara kopplat till fastighetsprisindex. Det verkar därför som att kreditkanalen är betydelsefull när det gäller reporänta och skuldkvot.
Nyckelord: reporänta, skuldkvot, transmissionsmekanismen
1
Innehållsförteckning
1. Inledning 3
2. Teori och tidigare studier 5
2.1 Teori 5
2.1.1 Penningpolitik och den reala ekonomin 6
2.1.2 Likviditetsfällan 6
2.1.3 Varför skuldsätta sig? 7
2.2 Policybeslut 8
2.3 Tidigare studier 8
3. Data och metod 11
3.1 Datakällor 11
3.2 Variabelbeskrivning 12
3.3 Källkritik och kommentarer av data 14
3.4 Antaganden 14
3.5 Statistiskt tillvägagångssätt 15
3.6 Modeller som estimeras 15
3.7 Metodkritik 16
4. Resultat 17
5. Analys 21
6. Slutsats 23
Referenser 26
Bilagor 30
2
1. Inledning
Den största risken för svensk ekonomi är hushållens skuldsättning, trots den senare tidens avmattning i tillväxttakten (Sveriges Riksbank, 2019). Riskerna är starkt kopplade till bolån och eventuella begränsningar i betalningsförmåga i fall av höjda räntor alternativt prisnedgång på bostadsmarknaden. Inte helt olikt skeendena under 90-talskrisen, som delvis orsakades av en bostadsbubbla (Statistiska centralbyrån (SCB), 2019).
Både marknadsräntor och bostadspriser påverkas av reporäntan, genom den så kallade transmissionsmekanismen. Transmissionsmekanismen är den mekanism, vilket ofta delas upp i flera kanaler, genom vilken penningpolitiken påverkar den reala ekonomin. I Sverige är Riksbanken ansvarig för penningutbudet. Riksbanken har i uppdrag att upprätthålla ett fast penningvärde, vilket de tolkar som ett årligt inflationsmål på två procent (Sveriges Riksbank, 2020a). Dessutom ska Riksbanken stödja den samhällsekonomiska stabiliteten genom hållbar tillväxt och hög sysselsättning. Riksbanken sänker räntan med syfte att öka inflationen, för att på så sätt stimulera investeringar och tillväxt. Det låga ränteläget gör det billigare att låna pengar, vilket delvis kan förklara hushållens höga skuldsättning (ibid.). En hög skuldkvot, det vill säga hushållens skulder som andel av disponibel inkomst, gör hushållen sårbara för prisfall på bostadsmarknaden och eventuella räntehöjningar (ibid.).
Ökade amorteringar skulle kunna minska riskerna kopplade till den höga skuldkvoten, varför amorteringskrav infördes år 2016. Ungefär 80 procent av hushållens skulder består av bolån och de skärpta amorteringskraven fick effekter både på ökningstakten i bolån och antalet nya bolån (Finansinspektionen, 2019).
Kritik har riktats mot motivet till skärpta amorteringskrav. Svensson (2019) menar att amorteringskraven tvärt emot riskerar att förvärra den makroekonomiska stabiliteten genom att hushållen får sämre kassaflöden och därför har svårigheter att betala vid en störning.
Dessutom menar Svensson att tidigare kriser inte varit orsakade av en hög skuldsättningsgrad i sig, utan istället av överkonsumtion finansierat genom utökade bolån.
Sedan amorteringskravet för nya bolån infördes år 2016 har tillväxttakten av konsumtionslån ökat, från en tidigare nedåtgående trend (Finansinspektionen, 2018b).
Finansinspektionen (2018b) skriver om effekter av svenska konsumtionslån. Konsumtionslån har en hög ränta relativt bolån och är ofta små, men riskerar att leda till ökad skuldsättning
3
genom utökning och ersättande av lån istället för avbetalning. Större konsumtionslån tas generellt sett av de som redan har bolån och på längre sikt kan konsumtionslån leda till att hushåll blir överskuldsatta. De med stora konsumtionslån betalar i genomsnitt en fjärdedel av sin inkomst i ränta och amorteringar. Däremot utgör konsumtionslån vanligtvis en liten del av hushållens skulder och risken är därför begränsad (ibid.).
I litteraturen hävdas att penningpolitikens effekt på den reala ekonomin genom transmissionsmekanismen inte försvagas vid negativa räntor men att specifikt bankernas utlåningsräntor till hushåll inte påverkas lika starkt (Eriksson & Vestin, 2019), där det senare ses i andra studier som hävdar att marknadsräntor inte följer med reporäntan vid negativa nivåer (Jackson, 2015; Eggertsson, Juelsrud & Wold, 2017; Eggertsson, Juelsrud, Summers &
Wold, 2019). Exempelvis illustreras det att skillnaden (markup) mellan reporänta och bankernas utlåningsräntor i Sverige är större i perioder av negativ ränta än i perioder av positiv ränta (Eggertsson, Juelsrud, Summers & Wold, 2019). Detta kan till viss del förklaras med att negativ ränta är dåligt för bankernas vinster och att banker därför är mindre villiga att sänka utlåningsräntor till de låga nivåer som skulle samvariera med negativa nivåer av
reporäntan (ibid.).
Det spekulerades tidigt om risker kring den negativa räntan. SEB:s chefsekonom Robert Bergqvist menar på att osäkerheten som medföljer negativ ränta skulle kunna bygga upp obalanser med stigander tillgångspriser och bubblor på marknaden (Bergqvist, 2015). Tett (2019) skriver om psykologi gällande negativ ränta i fråga om hur det påverkar synen på marknaden. Hon föreslår att signalvärdet av att gå ner till negativ ränta skulle kunna vara större än effekten av billiga lån. Negativ ränta signalerar att saker och ting inte står rätt till vilket göra att folk blir mer vaksamma, alternativt oroar sig mer (ibid.).
Utöver osäkerhet och signalering kan även förväntningar om framtida räntor spela roll.
Redan år 2013 skriver Sveriges Riksbank (2013) om förväntningar och visar på att hushållens förväntningar om framtida bolåneräntor är lägre än vad som är motiverat utifrån Riksbankens förväntningar av reporänta på lång sikt. Vidare skriver Riksbanken att en sänkning av
reporänta därför kan påverka hushållens förväntningar till den grad att riskbilden försämras med ökande bostadspriser och ökad skuldsättning.
I debatten hävdar bland annat Carlström (2018) och Gustafsson et al. (2017) att den låga räntenivån leder till den oönskade konsekvensen att skuldkvoten ökar. Samtidigt
4
utesluter inte Riksbanken ytterligare perioder av negativ ränta (Sveriges Riksbank 2020b), vilket gör att frågan aktualiseras.
Syftet med studien är att undersöka relationen mellan förändringar i reporänta och hushållens skuldkvot. Skiljer sig sambandet åt i period med negativ reporänta jämfört med period med positiv reporänta? Vi undersöker även hur sambandet påverkas av
prisutvecklingen på bostäder och av policyåtgärder ämnade att motverka skuldökningen.
Studien bidrar till att undersöka effekt från förändring av reporänta på förändring av
skuldkvoten under period av positiv ränta jämfört med period av negativ ränta. För att besvara frågeställningen genomförs laggade OLS-regressioner med kvartalsdata från första kvartalet år 2000 till fjärde kvartalet år 2019. Vi finner att sambandet mellan reporänta och skuldkvot är starkare i period av negativ reporänta jämfört med period av positiv reporänta. När fastighetsprisindex inkluderas är skillnaden däremot inte signifikant.
Dispositionen i studien är som följer. I kapitel 2 redogörs för bakgrund, teorier och tidigare studier. Kapitel 3 behandlar datakällor, variabelbeskrivning och källkritik. I samma kapitel ingår också den empiriska specifikationen med tillvägagångssätt, modeller,
antaganden och metodkritik. Kapitel 4 redovisar resultatet utifrån modeller specificerade i föregående kapitel. Analysen följer i kapitel 5 och studiens slutsatser, förslag till framtida forskning och sammanfattning i kapitel 6.
2. Teori och tidigare studier
I detta kapitel beskrivs teori och tidigare studier som ligger till grund för modellens uppbyggnad samt hypotes. Dessutom återges tre policyåtgärder som inkluderas i studien.
2.1 Teori
Nedan ges en teoretisk bakgrund till penningpolitikens effekter, varför hushåll skuldsätter sig och problematiken kring för låga räntenivåer. Skuldkvot definieras som hushållens
låneskulder i förhållande till disponibel inkomst. Den ges därför av kvoten mellan låneskulder och disponibel inkomst, vilket multipliceras med hundra för att uttrycka skuldkvoten i
procent. Med disponibel inkomst menas nettoinkomst plus löpande transfereringar (mottagna minus betalda). I låneskulder ingår alla typer av lån, det vill säga bostadslån, studielån och konsumtionslån.
5
2.1.1 Penningpolitik och den reala ekonomin
Reporäntan är Riksbankens styrränta, vilket styr bankernas in- och utlåningsräntor. Bankerna erhåller vanligtvis en ränta som är 0,75 procentenheter under reporäntan när de placerar pengar i Riksbanken. Omvänt gäller vid lån hos Riksbanken över natten. Räntorna styr sedan hur bankerna sätter räntor, däribland bolåneräntor, mot kund. Lägre reporänta ger i regel lägre marknadsräntor, och vice versa (Sveriges Riksbank, 2018a). En sänkning av reporäntan stimulerar ekonomin, medan en höjning kylar av ekonomin. Om förändringen av reporäntan är förväntad kan marknadsräntorna börja stiga eller sjunka redan innan förändringen, så att effekten vid tidpunkten av reporänteförändringen är liten eller icke-existerande i linje med förväntningarna (ibid.).
Penningpolitiken påverkar den reala ekonomin genom den så kallade
transmissionsmekanismen. Mishkin (1995) sammanställer de främsta mekanismerna. Genom räntekanalen leder en kontraktiv penningpolitik (en höjning av reporäntan) via högre
realräntor till dämpade investeringar och vidare till minskad aggregerad produktion.
Dessutom följer en nedgång i priset på tillgångar. Detta får effekt genom kreditkanalen.
Bankerna blir mindre villiga att låna ut eftersom värde på säkerheten för lån minskar. Men även låntagare kan bli mindre villiga att låna, eftersom de är mindre villiga att hålla varaktiga varor av rädsla för att hamna i finansiella trångmål. Slutligen leder den kontraktiva
penningpolitiken genom växelkurskanalen till att nettoexporten sjunker, så att det aggregerade produktionen sjunker ytterligare (ibid.). Motsatt förhållande gäller vid expansiv
penningpolitik.
Groot och Haas (2018) modell för transmissionsmekanismen inkluderar även en kanal som en del av expansiv penningpolitik när räntan övergår till att bli negativ. Det kan signalera att räntorna kommer vara låga under en lång tid framöver, varför det stimulerar ekonomin (ibid.).
2.1.2 Likviditetsfällan
Nationalekonomen Paul Krugman är ofta citerad i litteratur om likviditetsfällan.
Likviditetsfällan går ut på att en låg ränta inverkar negativt på effekten av penningpolitik (Krugman, 1998). Resonemanget grundar sig i att centralbanken handlar med värdepapper för att styra mängden pengar i ekonomin. När den nominella räntan är noll blir individer
6
indifferenta mellan att ha värdepapper eller pengar. Vid en negativ nominell ränta, som Krugman menar inte kan existera i praktiken, skulle individer substituera värdepapper mot pengar eftersom det senare genererar en avkastning på noll procent. En ökning av
penningmängden skulle i så fall inte sänka räntan ytterligare vilket innebär att ekonomin hamnar i en likviditetsfälla. Om likviditetsfällan existerar skulle transmissionsmekanismen försvagas vid låga räntenivåer och därmed skulle effekter från penningpolitik avta eller försvinna (ibid.). Sveriges Riksbank (2016) menar däremot att transmissionsmekanismen fungerar som vanligt under negativ ränta, även om det finns anledning att misstänka en marginellt försvagad räntekanal.
2.1.3 Varför skuldsätta sig?
Livscykelhypotesen är en modell för ekonomiskt beslutsfattande på individnivå. I modellen utgörs individens nytta av den egna totala konsumtionen i nutida och framtida perioder (Ando
& Modigliani, 1963). Individen maximerar nyttan under begränsningen av totala resurser över hela livet, vilket är nutida förmögenhet samt nutida inkomster plus det diskonterade värdet av framtida inkomster. Individen antas vara rationell, ha fri tillgång till krediter och ha god kunskap om ekonomins funktionssätt. Konsumtionen beror på förväntad ränta, förväntad inkomst och tidspreferens. Hela populationens nyttofunktion ges av individens aggregerade nyttofunktion (ibid.).
Livscykelhypotesen förutspår hur skuldsättning ser ut genom livet. Om hushållen antas ha fri tillgång till krediter och inkomstutvecklingen är positiv kommer unga hushåll låna för att finansiera nutida konsumtion. När inkomsten stiger ökar sparandet, dels genom
amortering av lån och dels för att bygga upp tillgångar inför pensionen. Under den sista tiden av livet när hushållet inte har någon inkomst finansieras konsumtionen med besparingarna.
Antagandet om fri tillgång till krediter kan dock ifrågasättas. I praktiken kan det finnas kreditbegränsningar till följd av bland annat snedvridet urval av låntagare (Stiglitz & Weiss, 1981). Bankerna vill låna ut till de som har god återbetalningsförmåga, vilka väljs ut genom vilja att betala ränta. Men eftersom de med högre risk (risken att lånet inte återbetalas) kan vara villiga att betala en högre ränta än de med lägre risk kan en högre ränta innebära större risk för bankernas lönsamhet. Konsekvensen blir att färre beviljas lån än vad som efterfrågas,
7
trots betalningsvilja (ibid.). Om så är fallet, kan en ökad tillgång till krediter ha orsakat en del av skuldökningen.
2.2 Policybeslut
Till följd av ökad skuldsättning har policyåtgärder införts. År 2010 infördes bolånetaket som innebär att bolånet inte får överstiga 85 procent av bostadens värde. Bolånetaket tros ha gett minskad skuldsättning, främst för personer under 30 år och över 65 år (Andersson et al., 2018).
År 2016 infördes amorteringskravet som berör nya bolån (Finansinspektionen, 2016).
Kravet är årlig amortering på minst två procent av det ursprungliga lånebeloppet för bolån med belåningsgrad på över 70 procent. Motsvarande för bolån med belåningsgrad under 70 procent är minst en procent i amortering, fram tills dess att belåningsgraden är 50 procent (ibid.).
Amorteringskravet utökades år 2018 genom att ta hänsyn till årsinkomst. Vid lån som överstiger 4,5 gånger årsinkomsten utökas tidigare krav på amortering med ytterligare en procentenhet (Finansinspektionen, 2018a).
2.3 Tidigare studier
I en promemoria skriver Finansinspektionen, Riksgälden och Sveriges Riksbank (2015) om drivkrafterna bakom hushållens skuldsättning. Eftersom husköp ofta finansieras med lån utgör bolån den största skulden och bostaden den största tillgången. Detta gör prisutvecklingen för bostäder till en central drivkraft för skuldsättningen. Vidare förklaras den senaste tidens uppgång i bostadspriser till stor del av sänkt realränta och ökad disponibel inkomst. Även hushållens förväntningar om framtiden, gällande prisutveckling på bostadsmarknaden, bolåneränta och inkomst, påverkar efterfrågan och pris på bostäder och därmed även skuldsättningen (ibid.).
Finansinspektionen, Riksgälden och Sveriges Riksbank (2015) beskriver även ett flertal strukturella faktorer bakom den ökade skuldsättningen. En större andel av befolkningen äger sin bostad istället för att hyra, vilket enligt deras beräkningar står för ungefär en fjärdedel av skuldökningen. Efterfrågan på bostäder har ökat snabbare än utbudet, särskilt i
storstadsregioner till följd av urbanisering. Dessutom består fler hushåll av bara en person,
8
fler är i familjebildande ålder och den genomsnittliga förväntade livslängden har ökat (varför unga inte kan ta över äldres bostäder i samma utsträckning som tidigare). Även förändringar i skattesystemets utformning kan ha gynnat bostadsägande och därmed ökat efterfrågan på bolån, samtidigt som kostnaden för lån har sjunkit till följd av lägre räntor och högre andel rörliga lån. Även belåningsgraden, det vill säga lånen som andel av värdet på bostaden, har ökat. Samtidigt har banker kunnat möta den ökade efterfrågan på lån, genom god
kapitaltillgång till låga räntor (ibid.).
I en tidigare studie undersöker Meng et al. (2011) med en VAR-modell hur en rad variabler, däribland räntan, förväntas påverka skuldkvoten. Författarna gör sin studie på australienska hushåll och finner ett signifikant och negativt samband mellan ränta och skuldkvot. Ett negativt samband finner även Di Casola och Iversen (2019), som i sin studien av svenska hushåll undersöker samband mellan ränta och skuldkvot beroende på hur hög skuldkvoten är. Författarna visar genom användandet av makroekonomiska chocker att
osystematiska förändringar av räntan leder till en större effekt på skuldkvot när skuldkvoten är hög.
Eriksson och Vestin (2019) studerar effekten av penningpolitik vid negativ reporänta och finner att effekten generellt sett inte försvagas. Författarna använder sig av data från Sverige och undersöker deskriptivt hur bland annat låneräntor står sig i förhållande till reporäntan. Eriksson och Vestin finner att flera delar av transmissionsmekanismen fungerar fullt ut även under negativa ränteperioder, men att det finns anledning att misstänka att låneräntor till specifikt hushåll avviker från reporäntan.
Jackson (2015) analyserar tidiga effekter av negativ reporänta utifrån data från Sverige, Danmark och Schweiz. Jackson finner att transmissionsmekanismen kan försvagas vid negativ ränta, särskilt gällande bankernas in- och utlåningsräntor mot kunder i syfte att skydda bankernas vinster. Kostnaderna från negativ ränta kan inte förflyttas helt till kundernas inlåningsräntor, och utbudet av krediter kan minska till följd av minskad lönsamhet vid
utlåning (ibid.).
Eggertsson, Juelsrud och Wold (2017) undersöker huruvida negativa räntor är
expansiva med fokus på banker och lånesektorn. Författarna går ett steg längre i sin analys när de ställer upp en modell för bankers räntor utifrån aggregerad data från Sverige, Danmark, Schweiz, Japan, Tyskland och Euro-området. De visar att när insättningsräntor når den lägsta
9
gränsen kommer en ytterligare sänkning av reporäntan inte längre ha en expansiv effekt på den reala ekonomin. Författarna visar även på exempel när negativ reporänta leder till höjda generella låneräntor. I en fördjupad studie belyser Eggertsson, Juelsrud, Summers och Wold (2019) konsekvenserna för bankernas lånekanaler av en längre tidsperiod av negativ
reporänta. Författarna finner att marknadsräntor, främst bankernas utlåningsräntor till hushåll, inte följer reporäntan på samma sätt i perioder av negativ reporänta jämfört med perioder av positiv reporänta. Om låneräntan hade följt reporäntan på samma sätt i negativa
reporänteperioder som i positiva skulle låneräntan vara cirka 0,3 procentenheter lägre (ibid.).
Bernoth och Haas (2018) undersöker ett alternativt grepp på transmissionsmekanismen där de befintliga kanalerna utökats med en kanal för signalering, utifrån en studie av Groot och Haas (2018). Bernoth och Haas finner att när centralbanker gör det drastiska i att gå från positiv reporänta till negativ signalerar det att räntor kommer vara låga under lång tid
framöver, vilket stimulerar ekonomisk aktivitet på marknaden.
Turk (2015) undersöker hur hushållens skulder och huspriser samverkar i Sverige med en tre-ekvationsmodell. Författaren finner att låntagande påverkar huspriser på kort sikt och att huspriser är den främsta drivkraften för lån på lång sikt. Låga räntor har bidragit till den kraftiga prisökningen på hus, men inkomst och strukturella faktorer har också bidragit. Enligt modellen (Turk, 2015) beräknas att hushållens skuld i förhållande till inkomst i Sverige kommer att vara 190 procent år 2020.
Demiralp et al. (2017) beskriver bankers reaktioner på negativ reporänta. Författarna aggregerar data från banker i euro-området och finner signifikanta resultat för att bankernas balans ändras. Det finns bland annat incitament för banker att utöka sin utlåning mot kunder och att hålla fler utländska statsobligationer (ibid.). Detta kan enligt författarna förklaras av att en expansiv penningpolitik ökar bankernas reserver, vilket innebär att bankerna vid negativ ränta måste deponera överlikvider till en kostnad hos centralbanken.
Konsensus bland merparten av ekonomer är att penningpolitik fungerar och har effekt under negativ reporänta. Däremot visar tidigare studier att bankernas utlåningsräntor inte följer reporäntan på samma sätt i negativa perioder, det vill säga att effekten av reporänta genom låneräntor försvagas.
Den beskrivna teorin och tidigare studier är utgångspunkten för våra hypoteser kring sambandet mellan reporänta och skuldkvot. Expansiv penningpolitik väntas leda till högre
10
skuldkvot genom kreditkanalen eftersom det blir billigare att låna pengar. Dessutom leder reporäntesänkningar till stigande huspriser, varför låntagare behöver ta större lån för att finansiera sitt boende. Därför förväntar vi oss ett negativt samband mellan reporänta och skuldkvot. Sambandet kan tänkas vara något svagare i period av negativ reporänta, givet antagandet att hushåll bestämmer sin nivå av skuldsättning utifrån bolåneräntor. När reporäntan övergår till att bli negativ följer inte marknadsräntorna med på samma sätt som tidigare, vilket leder till att sambandet mellan reporänta och skuldkvot försvagas.
Vi har däremot anledning att förvänta oss det motsatta, det vill säga att sambandet mellan reporänta och skuldkvot är starkare i period av negativ reporänta. Om övergången till negativ reporänta har ett signalvärde som stimulerar ekonomisk aktivitet skulle
ränteförändringar av negativ reporänta kunna ha större effekt än motsvarande av positiv reporänta. Det är möjligt att hushållen förväntar sig en låg ränta under en lång tid framöver, varför de blir villiga att ta större eller fler lån. Dessutom kan låga räntenivåer medföra incitament för banker att öka sin utlåning.
3. Data och metod
Nedan presenteras datan som studien baseras på, den modell som används och deskriptiv statistik. Dessutom diskuteras metoden och de antaganden som ligger till grund för analysen.
3.1 Datakällor
Data är hämtad från Statistiska centralbyrån (SCB) och Sveriges Riksbank. Antal
observationer är 80 och mäts i kvartal från första kvartalet år 2000 till fjärde kvartalet år 2019.
Reporäntan infördes år 1994 men uppvisar höga värden fram till år 2000. Liknande nivåer på reporänta går att se innan och under finanskrisen, men de utelämnas inte eftersom de
förekommer mitt i tidsserien och kan härledas till en specifik händelse. Dessutom kan det ta tid för ekonomin att anpassa sig till ett nytt styrmedel, vilket motiverar utelämnande av tidig data. Det finns flera anledningar bakom valet av kvartalsdata. Kvartalsdata ger mer detaljerad information jämfört med årsdata och är vanligt förekommande hos myndigheter och
näringsliv i studier kring makrovariabler. Månadsdata ger fler observationer än kvartalsdata men är inget alternativ eftersom den beroende variabeln skuldkvot inte mäts i månadsdata.
11
3.2 Variabelbeskrivning
Variablerna av intresse är den beroende variabeln skuldkvot och den förklarande variabeln reporänta. Skuldkvot regresseras mot reporäntan i flertalet modeller där reporänta uttrycks i laggar. I studien ingår förstalagg och andralagg samt respektive interaktionsterm som fångar upp skillnaden i sambandet mellan reporänta och skuldkvot i period av negativ reporänta jämfört med period av positiv reporänta. Dessutom inkluderas dummyvariabler för
policybeslut i form av bolånetaket som infördes år 2010, det första amorteringskravet år 2016 och det skärpta amorteringskravet år 2018. Även fastighetsprisindex inkluderas.
Fastighetsprisindex är SCB:s officiella mått på pris- och värdeutvecklingen på permanenta småhus och är inflationsjusterat med bas 1980=100. Tidsserien säsongsrensas med
dummyvariabler för kvartal ett till kvartal tre.
Skuldkvot avser hushållens totala skulder som andel av hushållens aggregerade disponibla inkomst över ett år, uttryckt i procent. Exempelvis får ett hushåll med skulder på 750 000 kronor och disponibel årsinkomst på 300 000 kronor en skuldkvot uttryckt i procent på 750 000 / 300 000 => 2,5 * 100 = 250.
Reporäntan sätts av Riksbanken och är den ränta som bankerna kan låna eller placera pengar för i Riksbanken. Vidare påverkar den bankerna bland annat i beslut kring
marknadsräntor i form av in- och utlåningsräntor mot kund, däribland privatpersoner och företag. Kvartalsdata för reporänta ges av medelvärdet av tre på varandra följande månader, vilket gör att en del av variationen faller bort. I studien laggas reporäntan eftersom effekter av penningpolitik är fördröjd (Sveriges Riksbank, 2018b). Av samma anledning exkluderas dagens observation av reporänta (reporänta utan laggar). Med detta menas att en förändring i reporänta idag inte påverkar dagens skuldkvot eftersom processen att skuldsätta sig tar tid.
Policyåtgärderna och fastighetsprisindex inkluderas för att studera möjliga kanaler genom vilka reporäntan påverkar skuldkvoten.
Deskriptiv statistik för de kontinuerliga variablerna återfinns i tabell 1. Medelvärdet för skuldkvoten är 152. Det innebär att en person som tjänar 300 000 kr per år har en skuld på 456 000 kr, i genomsnitt och för den studerade tidsperioden. Skuldkvoten har under perioden legat på som minst 107,5% och som mest 187,3%. Reporäntan har varierat mellan som minst minus 0,5 och som mest plus 4,5.
12
Tabell 1. Deskriptiv statistik
Variabel Observationer Medelvärde St. avvikelse Min Max
Skuldkvot 80 152,72 25,44 107,5 187,3
Reporänta 80 1,62 1,66 -0,5 4,53
Fastighetspris 80 240,82 61,98 137,84 345,95
Antal observationer, medelvärde, standardavvikelse, minimumvärde och maxvärde för skuldkvot (i procent), reporänta och fastighetsprisindex. Kvartalsdata från första kvartalet år 2000 till fjärde kvartalet år 2019. Källa:
SCB och Sveriges Riksbank.
Av figur 1 framgår inget tydligt linjärt samband mellan reporänta och skuldkvot. Det som går att avläsa ur figuren är att högre reporänta tenderar att hänga samman med lägre skuldkvot och vice versa.
Figur 1. Spridningsdiagram för skuldkvot och reporänta
13
3.3 Källkritik och kommentarer av data
Riksbanken är Sveriges centralbank och SCB är en statlig förvaltningsmyndighet som ansvarar för att ta fram offentlig statistik, varför tillhandahållandet av data har hög trovärdighet. Det råder inget bortfall bland observationerna.
Gällande variabler hade det varit av intresse att inkludera en variabel för andelen av befolkningen som äger sin bostad eftersom ägande av bostad ofta innebär skuldsättning. Till följd av att data saknades för ägandeskap kunde detta inte kontrolleras för i modellerna.
Bolåneränta ingår inte heller eftersom vi inte vill plocka ur den effekt av förändring av reporänta som går genom bolåneräntan. Genom att inkludera bolåneränta skulle vi för
variabeln reporänta endast se den effekt som inte går vi bolån. En variabel som skulle kunna ingå är urbanisering men eftersom ökad urbanisering tenderar att ge ökade bostadspriser, vilket innebär ökad skuldsättning. På grund av brist på data kan denna variabel inte
kontrolleras för, men införande av fastighetsprisindex i modellen kan till viss del även fånga påverkan från urbanisering.
3.4 Antaganden
Det finns anledning att misstänka att skuldkvot har en viss inverkan i beslut kring reporänta, vilket skulle innebära att reporäntan är endogen i modellen. När det gäller makrovariabler är det svårt att uppnå full exogenitet och eftersom inflation är det huvudsakliga målet för penningpolitiken, anser vi att reporäntan är tillräckligt exogen för studien.
Robusta standardfel används för att kontrollera för heteroskedasticitet, det vill säga att residualernas medelvarians skiljer sig mellan olika perioder (Stock & Watson, 2015). Robusta standardfel tar även hänsyn till seriell korrelation (ibid.).
Vidare behöver modellen vara stationär för att resultaten ska kunna tillämpas på andra tidsperioder än den studerade (Stock & Watson, 2015). Vid stationäritet är
sannolikhetsfördelningen konstant över tid, medan en icke-stationär modell saknar
medelvärde att återvända till och/eller att variansen ändras över tid. Att använda resultat från en icke-stationär modell riskerar att vara missvisande (ibid.). Alla enskilda variabler i
modellen testas med Dickey-Fuller för stationäritet. Alla variabler i modellen justeras därefter med första differensen för att hantera icke-stationäriteten. Resultatet redovisas under bilagor i tabell A3.
14
En nackdel med första differensen är att långsiktig information går förlorat, vilket kan minska förklaringsgraden och signifikansnivå (Shrestha & Bhatta, 2018). Ett alternativt tillvägagångssätt är att kontrollera för trend, men eftersom vissa variabler inte är
trendstationära när trend inkluderas använder vi oss av första differens.
Inkluderade variabler i den största modellen testas för multikollinearitet och
VIF-värden återges under bilagor tabell A2. Multikollinearitet innebär inte bias utan gör det bara svårare att se signifikanta resultat för förklarande variabler som samvarierar.
Multikollinearitet mellan kontrollvariabler, som i sig inte är intressanta att analysera, ses inte nödvändigtvis som negativt då införande av dessa kan bidra till att variabler av intresse inte ger missvisande resultat (Allison, 2012).
3.5 Statistiskt tillvägagångssätt
Studiens huvudmodell är en laggad OLS regression. Som tidigare nämnts används laggade värden av reporäntan eftersom effekter av penningpolitik är fördröjd. AIC (Akaike
information criterion) visar att optimalt antal laggar är två vilket återfinns under bilagor, tabell A1. Eftersom modellen utgörs av kvartalsdata säsongsjusteras den och anpassas för att
uppfylla antaganden, se avsnitt 3.2.1. Antaganden. Modellen justeras efter hand för att undersöka för både känslighet och effekter från andra variabler. Till regressionerna används justerad förklaringsgrad.
3.6 Modeller som estimeras
Flertalet modeller konstrueras i studien för att försöka besvara frågeställningen. Övergripande för modellerna är att y betecknar skuldkvoten, β0 är interceptet, övriga β är effekten från en oberoende variabel på y och ut är feltermen. Samtliga modeller säsongsjusteras med
dummyvariabler för respektive kvartal.
∆yt = β0 + β1∆x1, t-1 + β2∆x1, t-2 + β3(∆x1, t-1dn) + β4(∆x1, t-2dn) + β5q1 + β6q2 + β7q3 + β8xt + ut Ekvationen ovan betecknar variablerna som ingår i studien. Beroende variabeln ∆y är första differens av skuldkvoten, riktningskoefficienterna β1 och β2 är effekt från första differens av laggade värden av reporäntan denoterade ∆x1, t-1 för lagg 1 och ∆x1, t-2 för lagg 2 för
tidsperioden kvartal t. Interaktionstermerna är första differensen av reporänta för förstalagg
15
respektive andralagg multiplicerade med en dummy för period av negativ reporänta, denoterad dn (dn=1 vid period av negativ reporänta). β3 och β4 är effekt från
interaktionstermer. För att säsongsjustera modellen inkluderas även dummyvariabler för kvartal q1, q2 och q3. För att undvika perfekt multikollinearitet exkluderas det fjärde kvartalet.
Ytterligare variabler denoteras xt. Variablerna som undersöks är fastighetsprisindex och policybesluten bolånetak, det första amorteringskravet och det utökade amorteringskravet.
Feltermen denoteras ut och är den variation som inte kan förklaras av de inkluderande variablerna. Studiens huvudmodell utgörs av första differens av skuldkvot som beroende variabel samt första differens av första räntelaggen och dess interaktionsterm som oberoende variabler tillsammans med säsongsvariablerna. Huvudmodellen utökas senare med
policybeslut och fastighetsprisindex.
Utöver införande av variabler känslighetsanalyseras två modeller, en med policybesluten och en med både policybesluen och fastighetsprisindex, genom att en
trendvariabel inkluderas samtidigt som övriga variabler hålls på nivå, det vill säga utan att ta första differensen. Resultatet återfinns under bilagor i tabell A4.
3.7 Metodkritik
I litteraturen används ibland Vector Autoregression (VAR) modeller för att utvärdera frågor kring tidsserier med makroekonomiska variabler, särskilt för att ta fram prognoser. En nackdel med VAR är att alla variabler i modellen förväntas påverka varandra vilket gör det svårt att tolka koefficienter för en specifik variabel (Hyndman & Athanasopoulos, 2018). Vi föredrar OLS eftersom det är tydligare och enklare att tolka, eftersom vi är intresserade av ett specifikt samband mellan reporänta och skuldkvot.
Denna studies modell tar hänsyn till penningpolitikens släpande effekt genom användandet av laggar likt en VAR-modell. Interaktionstermerna gör det möjligt att approximera det samband vi är intresserade av, det vill säga reporäntan i period av positiv jämfört med negativ period.
Ett problem som kan uppstå vid tidsserieanalyser är så kallade nonsenskorrelation, vilket kan inträffa när två variabler samvarierar utan att det föreligger en kausal effekt (Nelson & Plosser, 1982). Användandet av första differensen justerar till viss del för detta, men det kan vara bra att ha i åtanke vid tolkning av resultaten.
16
4. Resultat
Nedan presenteras estimat för sambandet mellan differensen av reporänta och skuldkvot, samt för fastighetsprisindex och policyåtgärder. Variablerna är i första differens, bortsett från policyåtgärderna. Estimaten för kvartalseffekter, trend och konstant utelämnas från resultaten för att förenkla, eftersom de inte är av intresse för frågeställningen. Resultaten presenteras i tabell 2.
Kolumn 1 visar estimaten för första- och andralaggen (lagg 1 respektive lagg 2) av reporänta samt dess respektive interaktionstermer. Koefficienten på förstalaggen av
reporäntan är -0,686 och är signifikant på 1% nivå. Resultatet indikerar att om differensen av reporäntan sjunker med en procentenhet ökar differensen av skuldkvoten med 0,686
procentenheter ett kvartal senare, ceteris paribus. Interaktionstermen för förstalaggen är -3,053 och är signifikant på 1% nivå. Detta indikerar att en sänkning av samma magnitud i period av negativ reporänta medför en ytterligare ökning av skuldkvotsdifferensen på 3,053 procentenheter ett kvartal senare, allt annat lika. Den totala effekten är 0,686+3,053=3,739, det vill säga att en procentenhets minskning av differensen av reporäntan är associerad med en ökning av differensen av skuldkvoten på 3,739 procentenheter efter ett kvartal.
Implikationen av detta är att sambandet mellan reporänta tre månader tidigare och skuldkvot är starkare i negativa reporänteperioder jämfört med positiva perioder. Koefficienten på andralaggen av reporäntan är -0,386 och är inte signifikant, inte heller dess interaktionsterm som är -0,163. Vi kan därför inte förkasta nollhypotesen att sambandet mellan differensen av reporänta två kvartal tillbaka och differensen av skuldkvot är noll.
Eftersom andralaggen av reporäntan och dess interaktionsterm inte är signifikant exkluderas de så att skuldkvoten endast regresseras mot förstalaggen av reporänta. Resultatet visas i kolumn 2. Förklaringsgraden (adjusted R-squared) är något högre jämfört med den i kolumn 1, troligen till följd av högre frihetsgrad. Koefficienten på förstalaggen av reporäntan är -0,915 och är signifikant på 1% nivå. Detta indikerar att en ökning av differensen av reporäntan på en procentenhet medför en minskning av differensen av skuldkvoten på 0,915 procentenheter efter ett kvartal, allt annat lika. Koefficienten på interaktionstermen är -3,383 med 1% signifikansnivå. I perioder av negativ reporänta medför en procentenhets minskning av differensen av reporäntan en ökning av differensen av skuldkvoten på 0,915+3,383=4,298
17
procentenheter. Estimaten är högre jämfört med de i kolumn 1, vilket kan bero på att förstalaggen av reporäntan fångar upp effekten av tidigare reporänteförändringar.
I kolumn 3 inkluderas även fastighetsprisindex i regressionen. Koefficienten på förstalaggen av reporänta är -0,704 och är signifikant på 1% nivå. Tolkningen är att en procentenhet minskning av differensen av reporäntan medför en ökning av
skuldkvotsdifferensen på 0,704 procentenheter efter ett kvartal, allt annat lika. Koefficienten på interaktionstermen är -1,252 men inte signifikant. Vi kan alltså inte förkasta nollhypotesen att det inte finns någon skillnad gällande effekten av differensen av reporänta på differensen av skuldkvot i perioder av negativ reporänta jämfört med perioder av positiv reporänta.
Estimatet på fastighetsprisindex är 0,081 och signifikant på 1% nivå. Resultatet indikerar att en enhets ökning av differensen av fastighetsprisindex är associerat med en ökning av
differensen av skuldkvoten på 0,081 procentenheter (i samma period). Resultatet kan jämföras med det i kolumn 2, koefficienten på förstalaggen är nu lägre och interaktionstermen är inte längre signifikant. Detta kan bero på samspelet mellan reporänta och tillgångspriser, vilket diskuteras i kapitel 5.
I kolumn 4 utelämnas fastighetsprisindex och istället inkluderas endast
policyåtgärderna bolånetak, första amorteringskrav och utökat amorteringskrav. Koefficienten på förstalaggen av reporäntan är -0,807 och är signifikant på 1% nivå. Detta tolkas som att en ökning av differensen av reporäntan på en procentenhet medför en minskning av differensen av skuldkvoten på 0,807 procentenheter efter ett kvartal, allt annat lika. Koefficienten på interaktionstermen är -3,791 och är signifikant på 5% nivå. I period av negativ reporänta medför en sänkning av differensen av reporäntan på en procentenhet att differensen av skuldkvoten ökar med 0,807+3,791=4,598 procentenheter efter ett kvartal. Koefficienten för bolånetak, första amorteringskrav och utökat amorteringskrav är -0,72, 0,596 respektive -0,903. Estimaten för bolånetak och utökat amorteringskrav uppvisar signifikansnivå 1%
respektive 5% och första amorteringskravet är inte signifikant. Vi kan inte förkasta
nollhypotesen att koefficienten på första amorteringskravet är noll. Däremot kan koefficienten på bolånetaket tolkas som att införandet av bolånetaket år 2016 medförde en minskning av differensen av skuldkvoten på 0,72 procentenheter, allt annat lika. Det skärpta
amorteringskravet som infördes år 2018 medförde en minskning av differensen av
skuldkvoten på 0,903 procentenheter, ceteris paribus. Sammantaget implicerar resultatet att de 18
signifikanta policyåtgärderna medförde en minskning av differensen av skuldkvoten på 0,72+0,903=1,623 procentenheter. Den estimerade skillnaden i effekten av reporänta på skuldkvot i period av negativ reporänta jämfört med positiv period är större jämfört med i kolumn 2. Detta kan tänkas bero på införandet av policyåtgärderna, vilket kan ha fångat upp en del av sambandet. För en vidare diskussion, se kapitel 5.
Slutligen inkluderas både fastighetsprisindex och policyåtgärder i regressionen.
Resultatet visas i kolumn 5. Koefficienten på förstalaggen av reporäntan är -0,655 och är signifikant på 1% nivå. Detta indikerar att en procentenhets minskning av differensen av reporäntan medför en ökning av differensen av skuldkvoten på 0,655 procentenheter efter ett kvartal, allt annat lika. Koefficienten på interaktionstermen är -2,428 och är inte signifikant.
Vi kan därför inte förkasta nollhypotesen att den ytterligare effekten av reporänta under perioder av negativ reporänta är noll. Koefficienten på fastighetsprisindex är 0,06 och signifikant på 10% nivå. Eftersom signifikansnivån är låg ska estimatet tolkas med
försiktighet, vi kan endast säga att det är tio procent sannolikhet att skatta ett estimat så långt från noll med nollhypotesen att det egentliga sambandet är noll. Med det i åtanke kan
estimatet tolkas som att en enhets ökning av differensen av fastighetsprisindex medför en ökning av differensen av skuldkvoten på 0,06 procentenheter. Koefficienterna på bolånetaket, första amorteringskravet och det utökade amorteringskravet är -0,691, 0,474 respektive -0,666 och uppvisar signifikansnivåerna 1%, ej signifikant respektive 10%. Tolkningen är att
införandet av bolånetaket medförde en minskning av differensen av skuldkvoten på 0,691 procentenheter, allt annat lika. Skattningen är något lägre jämfört med resultatet i kolumn 4.
Detta kan bero på att fastighetsprisindex fångar upp en del av effekten från bolånetaket.
Detsamma gäller för det utökade amorteringskravet, vilket kan tolkas som att införandet av det utökade amorteringskravet medförde en minskning av differensen av skuldkvoten på 0,666 procentenheter, allt annat lika. Enligt resultaten medförde policyåtgärderna bolånetaket och det utökade amorteringskravet tillsammans en minskning av skuldkvotsdifferensen på totalt 0,691+0,666=1,357 procentenheter.
Utöver de resultat som rapporteras har vi testat att inkludera BNP som kontrollvariabel eftersom det i tidigare studier (t.ex. Meng et al., 2011) har visat påverka skuldkvoten.
Förändring i differens i BNP förklarade mycket lite av förändringen i skuldkvotsdifferensen och estimatet är inte signifikant. Dessutom påverkas övriga variabler knappt när BNP
19
inkluderas, varför variabeln exkluderas från resultaten. Ett undantag är fastighetsprisindex, som samvarierar med BNP.
Tabell 2. Regressioner på hushållens skuldkvot
(1) (2) (3) (4) (5)
Reporänta lagg 1 -0,686*** -0,915*** -0,704*** -0,807*** -0,655***
(0,251) (0,180) (0,209) (0,192) (0,233)
Interaktion lagg 1 -3,053** -3,383*** -1,251 -3,791** -2,428
(1,277) (0,939) (1,199) (1,642) (1,460)
Reporänta lagg 2 -0,386
(0,358)
Interaktion lagg 2 -0,163
(1,228)
Fastighetsprisindex 0,081*** 0,060*
(0,029) (0,031)
Bolånetaket -0,720*** -0,691***
(0,203) (0,194)
Första amortering 0,596 0,474
(0,358) (0,342)
Skärpt amortering -0,903** -0,666*
(0,369) (0,374)
Observationer 77 78 78 78 78
Säsongsjusterat Ja Ja Ja Ja Ja
Adjusted R-squared 0,137 0,148 0,220 0,309 0,344
Robusta standardfel i parentes. Estimaten är skattade genom OLS. Samtliga variabler är i första differens.
Kvartalsdata från första kvartalet år 2000 till fjärde kvartalet år 2019. Med amortering menas amorteringskrav.
Källa: SCB och Sveriges Riksbank.
*** p<0,01, ** p<0,05, * p<0,1
20
5. Analys
Det bör återigen lyftas att sambandet mellan reporänta och skuldkvot i denna studie bör tolkas med försiktighet eftersom det kan vara svårt att uttala sig om den kausala effekten.
Exempelvis är det inte orimligt att tro att skuldkvot har viss påverkan på beslut om reporänta, även om inflation är absolut mest central. Resultaten får därför ses som en indikation eller approximation snarare än en kausal effekt.
Enligt tidigare studier, exempelvis Eriksson och Vestin (2019), fungerar
transmissionsmekanismen som vanligt under perioder av negativ ränta med undantaget för en eventuellt svagare räntekanal. Det senare visar sig bland annat för bolåneräntor som under perioder av negativ ränta inte riktigt är på de låga nivåer de borde ifall mark-up hade varit densamma som i perioder av positiv ränta. Med utgångspunkt i att bolåneräntor påverkar hur hushållen skuldsätter sig skulle det kunna argumenteras för att det finns anledning att tro att effekten från förändring i reporänta på förändring i skuldkvot skulle kunna vara annorlunda i perioder av negativ ränta, och om så är fallet, inte osannolikt att effekten är svagare.
De två första regressionerna visar signifikanta estimat för förstalaggen av reporänta och interaktionstermen. När andralaggen exkluderas fångas effekten av den istället upp i förstalaggen, varför estimaten blir större i absoluta termer och av högre statistisk signifikans.
Båda indikerar ett starkare samband i perioder av negativ reporänta, vilket kan tänkas förklaras av en stark signaleringskanal. Det skulle även kunna förklaras av att osystematiska förändringar i reporäntan har större påverkan på skuldkvot när skuldkvoten är hög, vilket den varit under den negativa ränteperioden. Samtidigt leder i regel en låg eller negativ ränta till ökad skuldsättning, varför en del av sambandet kring att påverkan är större när skuldkvoten är hög kan härledas från det låga ränteläget. För en djupare analys undersöker vi även genom vilka andra kanaler reporäntan möjligen kan påverka skuldkvoten.
När fastighetsprisindex inkluderas är estimatet av reporäntan (förstalagg) lägre på -0,704 och fortfarande signifikant på 1% nivå. Interaktionstermen är nästan hälften så stor och inte längre signifikant. Detta kan bero på att effekten av en reporänteförändring på
skuldkvoten delvis går genom huspriser, det vill säga kreditkanalen. I perioden av negativ reporänta följer bolåneräntorna inte längre reporäntan, så att räntekanalen försvagas och kreditkanalen får större relativ betydelse. Däremot vill vi framhålla att det finns annat än
21
reporänta som påverkar huspriser och att påverkan från huspriser på skuldkvot därför inte enbart har sitt ursprung i reporänta. Det som går att konstatera är att estimatet av skillnaden i effekten av reporänta i negativ jämfört med positiv period inte är signifikant. Det indikerar på att sambandet mellan reporänta och skuldkvot till betydande del kan förklaras av hur
reporäntan påverkar huspriserna. Eftersom huspriset hela tiden påverkar skuldkvoten fångar koefficienten på huspriser upp en del av effekten från reporäntan, vilket kan förklara varför vi inte finner någon skillnad mellan period av negativ reporänta jämfört med period av positiv reporänta.
En annan intressant implikation av resultaten går att finna genom att jämföra resultaten i kolumn 2 med de i kolumn 4. I kolumn 4 är koefficienten på förstalaggen av reporänta något lägre och interaktionstermen högre, men lägre signifikansnivå. Detta kan bero på att policyåtgärderna tar en del av effekten från reporäntan. Estimatet av interaktionstermen indikerar sambandet mellan reporänta och skuldkvot är starkare i period av negativ reporänta jämfört med period av positiv reporänta. Policyåtgärderna infördes med syfte att dämpa skuldutvecklingen och kan antas vara en konsekvens av den expansiva penningpolitiken, varför vi vill betona att policyåtgärderna kanske inte hade införts om det inte vore för den höga skuldkvoten delvis till följd av det låga ränteläget och det går därför att argumentera för att samband mellan policyåtgärder och skuldkvot har sitt ursprung i låg ränta. Därför avstår vi från att uttala oss om hur sambandet hade sett ut om policyåtgärderna inte hade införts.
När både fastighetsprisindex och policyåtgärder inkluderas sjunker estimatet av reporäntan ytterligare till -0,655 och är fortfarande signifikant på 1% nivå. Interaktionstermen är inte signifikant, men standardfelet är något lägre jämfört med regressionen som endast inkluderar policyåtgärder som kontrollvariabler. Detta kan som tidigare nämnts bero på att effekten av reporäntan delvis går genom fastighetsprisindex. Samtidigt bör förtydligas att det finns annat än reporänta som förklarar fastighetsprisindex.
I resultaten kan återigen konstateras att det inte går att statistiskt säkerställa att det finns en skillnad i effekt för förändring av reporänta på förändring av skuldkvot i perioder av negativ ränta jämfört med perioder av positiv ränta, men att indikationer finns att effekten skulle kunna vara starkare i perioder av negativ ränta vilket, om sant, innebär att hushållens skuldsättning förklaras av mer än bara nivå på bolåneränta vilket påverkats av reporäntan.
Insignifikanta resultat kan bero på få observationer samtidigt som första differensen av
22
variabler kan göra att långsiktigt samband förloras. Resultaten bör tolkas försiktigt men kan ge en indikation på samband av intresse.
En starkare effekt skulle kunna till viss del kunna förklaras av signalering. Att hålla reporänta i negativt territorium ses som en drastisk åtgärd vilket enligt Bernoth och Haas signalerar ut att räntor kommer vara låga under lång tid. Att öka sina skulder utifrån denna typ av signalering som påverkar hushållens förväntningar om framtida räntor, skulle utifrån teorin om livscykelhypotesen vara ett bra tillfälle att skuldsätta sig. Enligt Riksbanken visade också enkäter år 2013 på att hushållens förväntningar om framtida bolåneräntor var lägre än de som motiverades av Riksbankens prognoser på reporänta. Både signalering och förväntningar om framtiden är svåra att mäta kvantitativt men kan båda två, utifrån teori och tidigare studier, stimulera ekonomisk aktivitet på marknaden.
Denna typ av tankesätt hos hushållen skulle även kunna ses i utvecklingen av mängden konsumtionslån. I resultaten ses att amorteringskravet på bolån indikerar en något positiv effekt på skuldkvoten, det vill säga att skuldkvoten ökat, även om resultaten inte är signifikanta. Bland konsumtionslån går att se ett trendskifte i samband med införandet av amorteringskravet, när tillväxttakten plötsligt ökade till att bli positiv efter att tidigare varit negativ. Utifrån detta är det inte långsökt att tro att hushåll aktivt substituerar bolån mot konsumtionslån.
Ökad ekonomisk aktivitet kan även ses hos banker där det enligt Demiralp et al.
(2017) ges incitament för banker att öka utlåning vid negativa räntor eftersom dessa är dåliga för bankernas vinster. Att banker är mindre kreditrestriktiva, i kombination med att hushållen förväntar sig låga räntor under lång tid, skulle kunna förklara en starkare effekt från
förändring i reporäntan i perioder av negativ ränta jämfört med perioder av positiv ränta.
6. Slutsats
Syftet med studien var att undersöka relationen mellan reporänta och hushållens skuldkvot (aggregerade skulder dividerat med aggregerad disponibel inkomst), mer specifikt huruvida sambandet skiljer sig åt i period av negativ reporänta jämfört med period av positiv reporänta.
Vi har använt oss av kvartalsdata från och med det första kvartalet år 2000 till det fjärde kvartalet år 2019. Resultaten skattades med OLS genom att första differensen av skuldkvoten
23
regresserades mot det laggade värdet av första differensen av reporäntan, det vill säga
differensen mellan reporäntan ett kvartal tidigare och två kvartal tidigare. Vi estimerade att en enhets förändring av differensen av reporänta ett kvartal tidigare är associerat med en 0,915 procentenheters förändring av differensen i skuldkvot i motsatt riktning. I period av negativ reporänta är det estimerade sambandet starkare, motsvarande 4,298 procentenheter. När vi kontrollerade för fastighetsprisindex fann vi ett svagare samband i positiv reporänteperiod och ingen signifikant skillnad i negativ reporänteperiod jämfört med positiv period. Vi testade även att inkludera policyåtgärder som infördes med syfte att motverka skuldsättningen.
Sambandet mellan reporänta och skuldkvot blev då något svagare, däremot var sambandet i perioder av negativ reporänta starkare.
Enligt våra resultat verkar expansiv penningpolitik ha effekt även när reporäntan övergår till att bli negativ. När vi tog hänsyn till fastighetsprisindex kunde vi inte statistiskt säkerställa att effekten från reporänta på skuldkvot skiljer sig åt i perioder av negativ ränta jämfört med perioder av positiv ränta, men det finns indikationer på att effekten skulle kunna vara starkare i negativ ränteperiod. En starkare effekt skulle kunna förklaras av
signaleringsvärdet av negativ ränta likt studien av Bernoth och Haas (2018), att banker får incitament att tillhandahålla fler krediter till hushållen och att hushållens förväntningar om framtida bolåneräntor är lägre än de som motiveras av riksbankens ränteprognoser. Samtidigt visar studien av Di Casola och Iversen (2019) att osystematiska förändringar av reporänta har större påverkan på skuldkvot när skuldkvoten är hög, och det bör tas i beaktande att
skuldkvoten varit hög under den negativa ränteperioden.
Eftersom utbudet av forskning gällande specifikt sambandet mellan reporänta och hushållens skuldkvot är begränsad, är vi även begränsade gällande jämförandet av våra resultat med tidigare studier. Vi fann ett negativt samband mellan ränta och skuldkvot, vilket även exempelvis Meng et al. (2011) samt Di Casola och Iversen (2019) har gjort. Däremot strider våra resultat mot Jackson (2015), som finner att transmissionsmekanismen försvagas.
Våra resultat kan också ses som i linje med Jacksons resultat, i den mån att räntekanalen tycks försvagad.
Det finns både nackdelar och fördelar med studien som framtida studier kan ha nytta av reflektera kring. Vi vill betona risken för snedvridna estimat till följd av utelämnade variabler. Vi föreslår därför att framtida studier undersöker fler variabler. Detta är något som
24
tidigare studier gjort, vilket även vi hade önskat att göra men tyvärr inte haft möjlighet till.
Dessutom kan det vara fördelaktigt med en längre tidsperiod och månadsdata istället för kvartalsdata. Den metod vi använt skiljer sig från många andra studier rörande
makroekonomiska variabler, där VAR eller liknande metoder ofta används. Vi rekommenderar därför en noggrann avvägning gällande metodval.
Våra resultat ger stöd för att transmissionsmekanismen fungerar även när reporäntan övergår till att bli negativ. Det framstår även av resultaten som att sambandet mellan
reporänta och skuldkvot är starkare i period av negativ reporänta. I det fall att ökad skuldkvot medför högre risker för den finansiella stabiliteten alternativt att det finns normativa motiv till att begränsa utvecklingen av skuldkvoten har våra resultat implikationer för framtida
policybeslut. Om expansiv penningpolitik bedrivs, särskilt när reporäntan är i negativt territorium, krävs andra åtgärder för att undvika en tilltagande skuldkvot. Dessutom bidrar studien med att utöka förståelsen för sambandet mellan reporänta och skuldkvot i perioder av negativ reporänta.
25
Referenser
Allison, P. (2012). When Can You Safely Ignore Multicollinearity? Statistical Horizons [Blogg]. 10 september. Tillgänglig: https://statisticalhorizons.com/multicollinearity [2020-05-04]
Andersson, M., Aranki, T., Gjirja, M. och Olsén Ingefeldt, N. (2018). Bolånetaket har dämpat hushållens skulder. [Elektronisk]. Stockholm: Finansinspektionen (FI-analys, nr 12).
Tillgänglig:
https://www.fi.se/contentassets/75646815adcd43bcbe15fed38a17bcdf/fi-analys_12.pdf [2020-05-03]
Ando, A. och Modigliani, F. (1963). The “Life Cycle” Hypothesis of Saving: Aggregate Implications and Tests. [Elektronisk] The American Economic Review, vol. 53, ss 55-84. Tillgänglig: www.jstor.org/stable/1817129 [2020-04-17]
Bergqvist, R. (2015). Negativa räntor, hur påverkas ekonomi och banker? [Intervju]
Skandinaviska Enskilda Banken, 4 februari. Tillgänglig:
https://sebgroup.com/sv/press/nyheter/negativa-rantor-hur-paverkas-ekonomi-och-bank er [2020-04-25]
Bernoth, K. och Haas, A. (2018). Negative interest rates and the signalling channel.
[Elektronisk]. Berlin: Deutsches Institut für Wirtschaftsforschung (Politikberatung kompakt, nr 130). Tillgänglig: http://hdl.handle.net/10419/187510 [2020-05-01]
Carlström, J. (2018). Här är riskerna när krisen kommer. [Elektronisk] Svenska Dagbladet, 14 september. Tillgänglig: https://www.svd.se/har-ar-14-storsta-riskerna-for-sverige [2020-05-27]
Demiralp, S., Eisenschmidt, J. och Vlassopoulos, S. (2017). Negative Interest Rates, Excess Liquidity and Bank Business Models: Banks’ Reaction to Unconventional Monetary Policy in the Euro Area. [Elektronisk]. Istanbul: Koç University-TÜSİAD Economic Research Forum (arbetspapper, nr 1708). Tillgänglig:
http://hdl.handle.net/10419/166748 [2020-05-01]
Di Casola, P. och Iversen, J. (2019). Monetary policy with household debt and low interest rates. [Elektronisk]. Sveriges Riksbank, staff memo, oktober. Tillgänglig:
https://www.riksbank.se/globalassets/media/rapporter/staff-memo/svenska/2019/moneta ry-policy-with-high-household-debt-and-low-interest-rates.pdf [2020-06-02]
Eggertsson, G., Juelsrud, R. och Wold, E. (2017). Are negative nominal interest rates expansionary? [Elektronisk]. Cambridge: National Bureau of Economic Research (arbetspapper, nr 24039). Tillgänglig: https://www.nber.org/papers/w24039 [2020-05-01]
Eggertsson, G., Juelsrud, R., Summers, L. och Wold, E. (2019). Negative nominal interest rates and the bank lending channel. [Elektronisk]. Cambridge: National Bureau of Economic Research, (arbetspapper, nr 25416). Tillgänglig:
https://www.nber.org/papers/w25416.pdf [2020-05-01]
Eriksson, H. och Vestin, D. (2019). Pass-through at Mildly Negative Policy Rates: The Swedish Case. [Elektronisk]. Sveriges Riksbank, staff memo, januari. Tillgänglig:
26
https://www.riksbank.se/globalassets/media/rapporter/staff-memo/engelska/2019/pass-t hrough-at-mildly-negative-policy-rates-the-swedish-case.pdf [2020-04-27]
Finansinspektionen (2016). Amorteringskrav på nya bolån. [Elektronisk]. Finansinspektionen, pressmeddelande, 20 april. Tillgänglig:
https://www.fi.se/sv/publicerat/pressmeddelanden/2016/amorteringskrav-pa-nya-bolan/
[2020-05-03]
Finansinspektionen (2018a). Frågor och svar om skärpt amorteringskrav för hushåll med stora skulder [Elektronisk]. Finansinspektionen, senast uppdaterad 29 november.
Tillgänglig:
https://www.fi.se/sv/finansiell-stabilitet/hushallens-skulder/information-om-bolan-fran-f i.se/fragor-och-svar-om-skarpt-amorteringskrav-for-hushall-med-stora-skulder/
[2020-05-03]
Finansinspektionen (2018b). Svenska konsumtionslån 2018. [Elektronisk] Rapport.
Stockholm: Finansinspektionen. Tillgänglig:
https://www.fi.se/contentassets/1f940c907eb94e16806c8f774622ce0b/konsumtionslan_
2018.pdf [2020-03-02]
Finansinspektionen (2019). Den svenska bolånemarknaden. [Elektronisk] Rapport.
Stockholm: Finansinspektionen. Tillgänglig:
https://www.fi.se/contentassets/2035e995c0064717ac47665a6117b1ea/bolan_2019.pdf [2020-04-01]
Finansinspektionen, Riksgälden och Sveriges Riksbank (2015). Drivkrafterna bakom hushållens skuldsättning. [Elektronisk] Rapport. Stockholm: Finansinspektionen, Riksgälden och Sveriges Riksbank. Tillgänglig:
https://www.fi.se/contentassets/c72e73fd07124d9a8862fdce033d2cb7/drivkrafter-hush- skulder-150701-3.pdf [2020-04-23]
Groot, O. och Haas, A. (2018). The Signaling Channel of Negative Interest Rates.
[Elektronisk]. Preliminärt utkast, 15 februari. Tillgänglig:
https://editorialexpress.com/cgi-bin/conference/download.cgi?db_name=EEAESEM201 8&paper_id=2664 [2020-04-29]
Gustafsson, P., Hesselman, M. och Lagerwall, B. (2017). Hur påverkas hushållens
kassaflöden och konsumtion av högre räntor? [Elektronisk]. Sveriges Riksbank, staff memo, december. Tillgänglig:
https://www.riksbank.se/globalassets/media/rapporter/ppr/svenska/2017/171220/staff-m emo-hur-paverkas-hushallens-kassafloden-och-konsumtion-av-hogre-rantor.pdf
[2020-04-17]
Hyndman, R. J. och Athanasopoulos, G. (2018). Forecasting: Principles and Practice. Andra uppl. Melbourne: OText.
Jackson, H. (2015). The international experience with negative policy rates. [Elektronisk]
Bank of Canada Staff Discussion Paper 2015-13. Tillgänglig:
https://www.bankofcanada.ca/wp-content/uploads/2015/11/dp2015-13.pdf [2020-04-27]
Krugman, P. (1998). It's Baaack: Japan's Slump and the Return of the Liquidity Trap.
27
[Elektronisk] Brookings Papers on Economic Activity, vol. 2, ss 137-205. Tillgänglig:
https://www.brookings.edu/wp-content/uploads/1998/06/1998b_bpea_krugman_dominq uez_rogoff.pdf [2020-03-01]
Meng, S., Hoang, T. N., Siriwardana, M., (2011). The determinants of Australian Household Debt: A Macro-level Study. [Elektronisk]. Armidale: School of Business, Economics and Public Policy (arbetspapper, nr 4). Tillgänglig:
https://www.une.edu.au/__data/assets/pdf_file/0007/14947/econwp11-4.pdf [2020-05-13]
Mishkin, F. S. (1995). Symposium on the Monetary Transmission Mechanism. [Elektronisk]
Journal of Economic Perspectives, vol. 9, ss 3-10. DOI: 10.1257/jep.9.4.3 [2020-04-17]
Nelson, C. L. och Plosser, C. I. (1982). Trends and random walks in macroeconomic time series. [Elektronisk] Journal of Monetary Economics, vol. 10, ss 139-162. Tillgänglig:
https://www.sciencedirect.com/science/article/abs/pii/0304393282900125 [2020-05-13]
Shrestha, M. B. och Bhatta, G. R. (2018). Selecting appropriate methodological framework for time series data analysis. [Elektronisk] The Journal of Finance and Data Science, vol. 4, ss 71-89. Tillgänglig:
https://www.sciencedirect.com/science/article/pii/S2405918817300405#! [2020-05-13]
Statistiska centralbyrån, SCB (2019). Lugnare tempo på bolånemarknaden. [Elektronisk]
Kort Analys. Tillgänglig:
https://www.scb.se/hitta-statistik/artiklar/2019/lugnare-tempo-pa-bolanemarknaden/
[2020-04-17]
Stiglitz, J. E. och Weiss, A. (1981). Credit Rationing in Markets with Imperfect Information.
[Elektronisk] The American Economic Review, vol. 71, ss 393-410. Tillgänglig:
https://www.uniba.it/ricerca/dipartimenti/dse/didattica/corsi_a_.a/corsi-12-13/lm-12-13/
stiglitz-weiss-1981.pdf [2020-03-23]
Stock, J. H. och Watson, M. W. (2015). Introduction to econometrics. Tredje uppl. Uttar Pradesh: Pearson.
Svensson, L. (2019). Felaktiga grunder och negativa effekter. [Elektronisk]. Stockholm:
Stockholms handelskammare (Chamber policy paper, nr 01). Tillgänglig:
https://larseosvensson.se/files/papers/amorteringskraven-felaktiga-grunder-och-negativa -effekter.pdf [2020-03-28]
Sveriges Riksbank (2013). Penningpolitisk uppföljning. [Elektronisk] Sveriges Riksbank, december. Tillgänglig:
http://archive.riksbank.se/Documents/Rapporter/PPU/2013/131217/rap_ppu_131217_sv e.pdf [2020-05-14]
Sveriges Riksbank (2016). Perspektiv på den negativa reporäntan. [Elektronisk] I
Penningpolitisk rapport, juli. Stockholm: Sveriges Riksbank, ss 15-17. Tillgänglig:
http://archive.riksbank.se/Documents/Rapporter/PPR/2016/160706/rap_ppr_160706_sv e.pdf [2020-04-02]
Sveriges Riksbank (2018a). Så påverkar penningpolitiken inflationen. [Elektronisk]. Sveriges Riksbank, senast uppdaterad 1 februari. Tillgänglig:
28
https://www.riksbank.se/sv/penningpolitik/vad-ar-penningpolitik/sa-paverkar-penningp olitiken-inflationen/ [2020-04-23]
Sveriges Riksbank (2018b). Vad är penningpolitik? [Elektronisk]. Sveriges Riksbank, senast uppdaterad 1 februari. Tillgänglig:
https://www.riksbank.se/sv/penningpolitik/vad-ar-penningpolitik/ [2020-04-23]
Sveriges Riksbank (2019). Hushållens höga skuldsättning fortsatt största risken i svensk ekonomi. [Elektronisk]. Sveriges Riksbank, pressmeddelande, 22 maj. Tillgänglig:
https://www.riksbank.se/sv/press-och-publicerat/nyheter-och-pressmeddelanden/pressm eddelanden/2019/hushallens-hoga-skuldsattning-fortsatt-storsta-risken-i-svensk-ekonom i/ [2020-04-17]
Sveriges Riksbank (2020a). Penningpolitiska avvägningar. [Elektronisk] I Penningpolitisk rapport, februari. Stockholm: Sveriges Riksbank, ss 5-13. Tillgänglig:
https://www.riksbank.se/globalassets/media/rapporter/ppr/svenska/2020/200212/pennin gpolitisk-rapport-februari-2020.pdf [2020-04-02]
Sveriges Riksbank (2020b). Penningpolitiskt protokoll. [Elektronisk] Sammanställning av det penningpolitiska mötet 11 februari. Tillgänglig:
https://www.riksbank.se/globalassets/media/dagordningar--protokoll/protokoll/penning politiskt/svenska/2020/protokoll-fran-det-penningpolitiska-motet-11-februari-2020.pdf [2020-06-21]
Tett, G. (2019). The downside of negative interest rates. [Blogg] Financial Times, 19 oktober.
Tillgänglig: https://www.ft.com/content/7efcedb4-ea25-11e9-85f4-d00e5018f061 [2020-04-22]
Turk, R. A. (2015). Housing Price and Household Debt Interactions in Sweden. [Elektronisk].
International Monetary Fund (arbetspapper, nr 15/276). Tillgänglig:
https://www.imf.org/external/pubs/ft/wp/2015/wp15276.pdf [2020-04-13]
29
Bilagor
Tabell A1 Optimalt antal laggar (AIC) Lagg AIC HQIC SBIC 0 11,748 11,7725 11,8093 1 3,32215 3,39569 3,50616 2 2,6465* 2,76906* 2,95317*
3 2,67698 2,84857 3,10633 4 2,72321 2,94382 3,27522 Antal observationer = 76
Kvartalsdata från första kvartalet år 2000 till fjärde kvartalet år 2019. Källa: SCB och Sveriges Riksbank.
Tabell A2 VIF (Variance Inflation Factor) för variabler i modell (5)
Variabler VIF 1/VIF
Amorteringskrav 2,37 0,422161
Skärpt amorteringskrav 2,22 0,449994
Q3 2,12 0,470856
Fastighetsprisindex 1,85 0,539112
Q2 1,80 0,555117
Q1 1,62 0,618197
Bolånetaket 1,55 0,645117
Interaktion lagg 1 1,34 0,746323
Reporänta lagg 1 1,12 0,890721
Medelvärde VIF 1,77
Kvartalsdata från första kvartalet år 2000 till fjärde kvartalet år 2019. Källa: SCB och Sveriges Riksbank.
30
Tabell A3 Dickey-Fuller test för stationäritet
Variabel Nivå Första differensen Kritiskt värde (FD, 5%)
Skuldkvot -2,278 -4,915 -2,908
Reporänta -0,972 -4,528 -2,908
Fastighetspris -0,487 -5,871 -2,908
BNP -2,873 -30,005 -2,908
Kvartalsdata från första kvartalet år 2000 till fjärde kvartalet år 2019. Källa: SCB och Sveriges Riksbank.
31
Tabell A4 Robusthetstest för modell 4 och 5 utifrån trend med variabler i nivå
(4) (5)
VARIABLER Skuldkvot Skuldkvot
Reporänta lagg 1 -0,418*** -0,430***
(0,0925) (0,100)
Interaktion lagg 1 -1,154 -2,177*
(0,860) (1,091)
Fastighetsprisindex -0,0183*
(0,0106)
Bolånetaket -1,310*** -1,832***
(0,346) (0,408)
Första amortering -0,431 -0,392
(0,520) (0,546)
Skärpt amortering -0,967** -1,226***
(0,380) (0,401)
Observationer 79 79
Säsongsjusterat Trend
Ja Ja
Ja Ja
Adjusted R-squared 0,364 0,381
Robusta standardfel i parantes. Kvartalsdata från första kvartalet år 2000 till fjärde kvartalet år 2019. Med amortering menas amorteringskrav. Källa: SCB och Sveriges Riksbank.
*** p<0,01, ** p<0,05, * p<0,1
32
