EXAMENSARBETE SAMHÄLLSBYGGNAD FASTIGHETSEKONOMI GRUNDNIVÅ, 15 HP
STOCKHOLM, SVERIGE 2018
En ekonometrisk modell för efterfrågan på
nyproducerade hyreslägenheter i
Stockholms kommun med fokus på
områdesspecifika faktorer
Dana Trabulsi & Zaid Al-karkhi
KTH
Bachelor of Science thesis
Title An econometric model for the demand for newly produced rental apartments in the municipality of Stockholm, focusing on area-specific factors
Author(s) Zaid Al-karkhi & Dana Trabulsi
Department Department of Real Estate and Construction Management TRITA number TRITA-ABE-MBT-18450
Supervisor Åke Gunnelin
Keywords Rental market; regression analysis; succession market; new production market; demand; household.
Abstract
In this report, a multiple linear regression analysis is used to estimate the demand measured by the number of queue days required to get a first-hand contract for a rental apartment in different areas of the municipality of Stockholm based on area-specific variables. The independent variables were chosen from a theoretical point of view in order to explain the variation in queue time. The variables include the standardized rent for a rental apartment, average condominium prices in a neighborhood, distance to the city center and the average income in an area. A model is formed based on data obtained from Stockholms
Bostadsförmedling over 13 171 mediated rent apartments in the municipality of Stockholm. The study’s first aim was to estimate the demand based on a given new production rent and to analyze how the demand differs between different areas. The results describe how the overall demand is greater in areas located near the city center. However, the regression analysis has shown that the que time for rent apartments in areas located near the city center is most affected by a given new production rent which indicates that the queue is more prone to decrease at a given new production rent compared new production rents in areas located further away. A discussion is made on how this may depend on the fact that the new production rent near the city center are higher than in the outskirts, thus preventing a large number of low and middle earners from being able to demand them. Criticism to the model has been presented since a number of assumptions has been made as well as a very
Acknowledgement
This study is a thesis that was carried out in the spring of 2018 at the Royal Institute of Technology within the department of Real Estate and Construction Management. The thesis comprises 15 higher education credits and is the final stage of the bachelor’s degree in the Civil Engineering program.
We would like to start by thanking our supervisor, Åke Gunnelin, who during the course of the work contributed valuable views. In addition, a thank you is directed to the real estate company Stena Fastigheter who came up with the chosen topic and continued to support us during the implementation of the work. This thesis would further not have been possible without the help of Jana Kimvall Hagel at Stockholms Bostadsförmedling who provided the data which was necessary for the study.
Examensarbete
Titel En ekonometrisk modell för efterfrågan på nypriducerade hyreslägenheter i Stockholms kommun med focus på områdesfaktorer
Författare Zaid Al-karkhi & Dana Trabulsi
Institution Institutionen för Fastigheter och Byggande TRITA nummer TRITA-ABE-MBT-18450
Handledare Åke Gunnelin
Nyckelord Hyresmarknad; regressionsanalys; successionsmarknad; nyproduktionsmarknad; efterfråga; hushåll
Sammanfattning
I denna rapport genomförs en multipel linjär regressionsanalys för att skatta efterfrågan, mätt i kötiden som krävs för att få ett förstahandskontrakt till en hyreslägenhet, för hyreslägenheter i olika områden i Stockholms kommun utifrån ett antal områdesspecifika variabler. De
oberoende variablerna valdes ur teoretisk ståndpunkt med anledning att förklara variationen i kötid. Dessa variabler är normhyran för en hyreslägenhet, genomsnittliga bostadsrättspriser i en stadsdel, avstånd till centrum och disponibla medelinkomsten i en stadsdel. En modell framställs utifrån data inhämtat från Stockholms Bostadsförmedling över 13 171 förmedlade hyreslägenheter i Stockholms kommun. Arbetet har som utgångspunkt att skatta efterfrågan utifrån en given nyproduktionshyra samt studera hur efterfrågan skiljer sig mellan områden. Studiens resultat beskriver hur den allmänna efterfrågan är större i områden belägna närmre stadskärnan. Vidare visar resultatet att kötiden till hyreslägenheter i områden belägna närmre stadskärnan påverkas som mest vid en given nyproduktionshyra i jämförelse med perifera områden. En diskussion förs kring hur detta kan ha sin grund i hur att nyproduktionshyrorna nära centrum är högre än i ytterstaden och därmed hindrar ett flertal låg- och
Förord
Denna studie är en kandidatuppsats som har genomförts under våren 2018 på Kungliga Tekniska Högskolan inom institutionen för Fastigheter och byggande. Kandidatuppsatsen omfattar 15 högskolepoäng och utgör det sista momentet på kandidatnivå inom
civilingenjörsprogrammet Samhällsbyggnadsprogrammet.
Vi skulle främst vilja börja med att tacka vår handledare Åke Gunnelin som under arbetets gång bidragit med värdefulla synpunkter under arbetets gång. Dessutom vill vi tacka fastighetsbolaget Stena Fastigheter som bidrog med det valde uppsatsämnet och ett fortsatt stöd under genomförandet av arbetet. Denna studie hade vidare inte varit möjlig utan Jana Kimvall Hagel på Bostadsförmedlingen som bidrog med nödvändig data för att genomföra studien.
Zaid Al-karkhi och Dana Trabulsi Stockholm, 25 augusti 2018
1 Inledning
I detta avsnitt presenteras en bakgrund till det valda ämnet, syfte och frågeställningar, avgränsningar och disposition över uppsatsen
1.1 Bakgrund
Trots den successivt stigande bostadsbristen i Stockholm och en rekordhög efterfrågan på hyreslägenheter byggs det alltför lite hyresrätter i förhållande till Sveriges växande
befolkning. I dagens bostadsmarknad råder det ett underskott av bostäder i 255 av landets 290 kommuner, vilket har lett till en lång bostadskö med cirka 600 000 väntande i Stockholm vid årsskiftet (Boverket, 2017: Bostadsförmedlingen, 2017). Bostadskön har haft en
explosionsartad utveckling med en genomsnittlig ökning av 8–9% per år
(Bostadsförmedlingen, 2017). Det stora efterfrågeöverskottet tar bland annat sitt uttryck i långa kötider till förmedlade hyreslägenheter i Stockholms kommun. Den stora efterfrågan på hyreslägenheter centreras främst lägenheter i det äldre beståndet då dessa kännetecknas av låga hyror till följd av det svenska hyressättningssystemet, bruksvärdesystemet.
Bruksvärdesystemet infördes 1969 med syfte att stärka respektive hyresrättsinnehavares besittningsskydd samt skapa jämnare hyresnivåer genom att hyran på en lägenhet bestäms i förhållande till likvärdiga lägenheter där hänsyn tas till dess bruksvärde (Allmännyttan, 2017: Hyresgästföreningen, 2013). Denna form av hyresreglering medför till att ett områdes
attraktivitet inte får ett fullt genomslag på hyressättningen.
Regeringen införde år 2006 möjligheten att sätta presumtionshyror vid nyproduktion av hyresrätter. Regleringen tillåter hyresvärdar att avtala om en högre hyra än vad som skulle varit möjligt vid en hyressättning enligt bruksvärdesprincipen. Presumtionshyran som bestäms vid förhandlingen med hyresgästorganisationen ska vara skälig enligt 12 kap. 55 c § JB (SOU 2017:65). Till följd av höga produktionskostnader är utgångspunkten för presumtionshyran att den ska baseras på bostadsbolagens produktionskostnader för att uppföra lägenheterna.
Införandet av presumtionshyror grundade sig främst i att öka investeringsincitamentet i hyreslägenheter då en hyresnivå enligt det traditionella bruksvärdessystemet sällan täcker produktionskostnaderna för att producera nya hyreslägenheter och därmed begränsar bostadsbolagens möjligheter till lönsamhet. Vidare ska bostadsbolagens bestämmande av presumtionshyra även utgå från det uppsatta avkastningskrav respektive bostadsbolag har för olika projekt.
vilket innebär att hushåll med begränsad ekonomi får det svårt att efterfråga dessa hyreslägenheter (Hem & Hyra, 2017)
Trots en hög efterfrågan på hyreslägenheter i Stockholms kommun kan en alltför hög nyproduktionshyra i förhållande till ett områdes attraktivitet i samband med en stor
produktionsvolym innebära en risk för bostadsbolagen. Detta kan hänföras till den existerande snabbkön i Stockholm där det förmedlas förstahandskontrakt på nyproducerade hyresrätter som släpps till bostadssökanden med kötider kortare än ett år. Bostadsförmedlingen
rapporterar att vissa nyproducerade hyreslägenheter i vissa mindre attraktiva områden har så höga hyror att det inte existerar någon bostadskö till dem vilket innebär att de måste släppas utanför den normala bostadskön (Svenska dagbladet, 2016). Trots det stora
efterfrågeöverskottet på hyreslägenheter i Stockholm kan alltså nyproducerade
hyreslägenheter med höga hyresnivåer i vissa områden ge upphov till en låg efterfråga. Att investera i nyproduktion är ett långsiktigt beslut för bostadsbolag, därmed är det av stor vikt att inför investeringsbeslut bedöma hur stor efterfrågan den kalkylerade
nyproduktionshyran för planerade hyreslägenheter i ett visst område kommer att generera samt vilken typ av målgrupp man lockar. Eftersom betalningsviljan för nyproducerade
hyreslägenheter skiljer sig mellan olika områden är det avgörande att bilda en uppfattning om efterfrågans omfattning i olika områden för att kunna öka säkerheten i framtida intäkter. Beslut om nyproduktionsprojekt kan därmed föregås av en efterfrågeanalys där bostadsbolag kan få en vägledning i hur stor efterfrågan en tänkbar nyproduktionshyra kan ge upphov till i olika områden.
Med bakgrund av detta ska en modell som förklarar efterfrågan genom en regressionsanalys konstrueras för hyreslägenheter i olika områden i Stockholms kommun med avseende på ett antal områdesspecifika faktorer. Efterfrågan mäts i denna studie med den kötid som krävts för att erhålla ett förstahandskontrakt till en hyreslägenhet. Modellen som framställs syftar till att påvisa olika samband mellan kötid och områdesspecifika egenskaper för att slutligen bedöma den potentiella kötidens storlek i olika områden givet en nyproduktionshyra.
Eftersom valet av område som bostadsbolag planerar att uppföra nya hyresrätter på kan leda till ett varierande utslag på efterfrågan beroende på nyproduktionshyrans storlek ska det även undersökas om hyrans effekt på kötiden skiljer sig åt emellan olika områden.
Förväntan med studien är att modellen ska kunna användas som ett verktyg vid
1.2 Syfte och problemställning
Det primära syftet med denna studie är att genomföra en regressionsanalys för att ta fram en modell som förklarar efterfrågan mätt i kötid i olika stadsdelar i Stockholms kommun med hänsyn till områdesspecifika egenskaper. Vidare ska modellen användas för att undersöka hur stor efterfrågan ett tänkbart nyproduktionsprojekt i ett område ger upphov till givet dess nyproduktionshyra. Ett sekundärt syfte är att undersöka hur hyrans effekt på kötiden skiljer sig åt emellan områden för att förstå vilken typ av boendemiljö hushåll söker sig till. För att besvara studiens syfte behöver följande frågeställningar därmed besvaras:
1. Vilka områdesspecifika egenskaper kan förklara variationen i kötid? 2. Hur skiljer sig hyrans effekt på kötiden åt mellan områden?
1.3 Avgränsning
Denna studie avser endast att behandla hyresrätter på successions-och
nyproduktionsmarknaden i Stockholms kommun. Detta undersöks genom att 13 171 hyresrätter under tidsperioden 2013–2017 valts ut för granskning.
Fokus kommer att ligga på att analysera sambandet mellan kötid och områdesspecifika påverkande faktorer i form av normhyra, bostadsrättspris, inkomst samt avstånd till centrum för att skapa en modell som mäter efterfrågan i olika stadsdelar. Modellen som ska
konstrueras tar därmed ingen hänsyn till lägenhetsspecifika faktorer som kan tänkas förklara efterfrågan.
1.4 Disposition
För att ge läsaren en överblick i vad varje kapitel innehåller ges en kort beskrivning över de kapitel som uppsatsen är disponerad i. Det andra kapitel ger en kort introduktion till
boendebehovet i Stockholms kommun samt efterfrågan på hyresrätter i olika delar av kommunen. I kapitel tre diskuteras de rapporter och studier som har varit av betydelse för denna studie. Vidare presenteras i kapitel fyra de teorier som användas som referensram för analysdelen av uppsatsen. Fortsättningsvis beskrivs i kapitel 5 den empiriska modellen och en inblick i den teori som legat till grund för regressionsanalysen. Kapitel sex presenterar
2 Stockholms kommun
I följande avsnitt ges en kort överblick över efterfrågan på hyresrätter i olika delar av Stockholms kommun
2.1 Utbud och efterfrågan på bostäder i Stockholms kommun
Det nationella målet för bostadspolitiken är att ”skapa en långsiktigt välfungerad
bostadsmarknad där konsumenternas efterfrågan möter ett utbud av bostäder som svarar mot behoven” (Regeringen, 2017). Den kraftigt ökade befolkningsutvecklingen i Stockholm kommun under 2000-talet har lett till ett efterfrågeöverskott på bostäder vilket innebär att byggandet har behövt öka för att tillgodose efterfrågan. Trots en befolkningsökning i Stockholm på 35% sedan 1990-talet har bostadsbyggandet under samma period endast ökat med 25% (se figur 1).
Figur 1 - Befolkningsutveckling och bostadsbyggande i Stockholms kommun (David & Weston, 2017)
Trots att hyresrätten som boendeform är väldigt eftertraktat har utbudet av hyresrätter varit lågt i förhållande till den ökade befolkningsmängden. Utöver en stor inflyttning till regionen har bostadsrätternas prisuppgång under de senaste åren, en generell ökning i disponibel inkomst samt den låga nybyggnationstakten varit bidragande faktorer till den höga efterfrågan på hyresrätter. (Boverket, 2014).
Enligt Boverket är det brist på hyresrätter i 85% av landets kommuner vilket har resulterat i ett stort efterfrågeöverskott som bland annat tagit sitt uttryck i långa kötider till
drastiskt ökat och uppgick vid årsskiftet till omkring 600 000 personer. Stockholmsområdet har idag landets längsta bostadsköer där den genomsnittliga kötiden för en hyresrätt
Stockholms kommun stigit från 10,7 år 2016 till 11,7 år 2017 (Bostadsförmedlingen, 2017). I innerstaden krävs det en ännu längre kötid som i genomsnitt är 15,6 år till följd av den höga efterfrågan. Det låga utbudet av hyreslägenheter i samband med de långa kötiderna i
Stockholms kommun har bidragit till svårigheter för många grupper att komma in på bostadsmarknaden.
Grafen nedan illustrerar produktionsvolymen av hyreslägenheter i Stockholm sedan 2001 där stora svängningar i bostadsbyggandet kan åskådliggöras. Bostadsbolagens möjlighet till subventioner för uppförandet av nyproducerade hyreslägenheter infördes år 2001 vilket skapade incitament för nyproduktion och resulterade i ett stort utbud av hyresrätter på den svenska hyresmarknaden, vilket synliggörs i grafen nedan (se figur 2). Bostadsbyggandet har på senare år ökat snabbt och under 2017 påbörjades bygget av ca 5 625 hyresrätter i
Stockholms län (SCB, 2018).
2.2 Kötid
I Stockholm Stad är det möjligt att söka bostad via Bostadsförmedlingen vilket är ett kommunalt ägt bolag vars syfte är att förmedla lediga lägenheter inom Stockholms stad. Den avgörande faktorn för att få ett hyreskontrakt är kötiden, det vill säga tiden man stått i bostadsförmedlingens kösystem (Bostadsförmedlingen, 2017). Processen går till så att bostadssökande anmäler sitt intresse för en lägenhet och den individ som uppfyller hyresvärdens krav samt har längst kötid får ett hyreskontrakt. Kraven som respektive hyresvärd kan ställa omfattar bland annat inkomst för att försäkra hyresvärden om att hyresgästen förmår att betala hyran som krävs.
De allmännyttiga bostadsbolagen hade tidigare ett inkomstkrav som förutsatte att en hyresgäst skulle ha en bruttoinkomst som uppgick till tre gånger årshyran för bostaden i fråga. Vid årsskiftet 2016 sänkte dock Stockholms allmännyttiga bostadsbolag inkomstkraven för sina förmedlade lägenheter vilket innebär att en hyresgäst istället bör ha 4 675kr kvar att disponera när hyran är betald (Bostadsförmedlingen, 2015). Sänkningen av inkomstkraven genomfördes för att fler bostadssökande skall kunna ha råd med nyproduktionshyror och därmed öka efterfrågan för den delmarknaden.
I Stockholm Stads Bostadsförmedling rapporteras i dagsläget om långa kötider då efterfrågan på bostäder, i takt med befolkningsökningen överstiger utbudet av hyresrätter då det inte byggs i lika stor utsträckning som det behövs. År 2017 stod det 596 171 personer i bostadskön och den genomsnittliga kötiden för att erhålla en hyreslägenhet var 10 år (Stockholms
bostadsförmedling, 2017). Kötiden varierar däremot mellan det äldre beståndet och beståndet för nyproducerade hyreslägenheter till följd av skillnader i hyresnivåer.
2.3 Områdesindelning
Stockholm kommun har som tidigare nämnts en stark efterfrågan på hyresrätter, dock varierar denna efterfråga beroende på vilket område inom Stockholms kommun som avses.
Medelkötiden för de tre olika områdena skiljer sig i det äldre beståndet vilket synliggörs i nedanstående figur (se figur 4) som sammanställts utifrån insamlade data från
Bostadsförmedling över förmedlade hyreslägenheter i Stockholms kommun.
Figur 4 - Medelkötidens utveckling för det äldre beståndet i Stockholms kommun utifrån områdesindelningen Innerstaden består av stadsdelar som karaktäriseras av närhet till stadens stadskärna och därmed har tillgång till ett brett utbud av bland annat service och nöje. Innerstaden kan delas in i 4 ytterligare stadsdelsområden bestående av Kungsholmen, Östermalm, Södermalm och Norrmalm (Stockholms Stad, 2018). Innerstaden består mestadels av äldre bebyggelse med hyreslägenheter vars hyressättning ingår i bruksvärdessystemet (se avsnitt 4.2.1) och därmed har låga hyror i det äldre beståndet likt de resterande områdena. Däremot har det äldre beståndet för innerstaden visat högre hyresnivåer på senare år till följd av de årliga
hyresförhandlingarna och omfattande renoveringar som resulterat i större hyreshöjningar i innerstaden än för resterande områden. (Hyresgästföreningen, 2014). Utmärkande för
Innerstaden är att medelkötiden för att erhålla ett hyreskontrakt i det äldre beståndet är längre i jämförelse med resterande områden i Stockholms kommun (se figur 4).
0 5 10 15 20 2011 2012 2013 2014 2015 2016 2017 2018 Kö tid År Kötidsutveckling äldre beståndet 2012-2017
Innerstan Närförort Ytterstaden
I nyproduktionsbeståndet varierar däremot kötiderna och närförorter uppvisar bland annat längre kötider än innerstaden under vissa år. Närförort är ett marknadsområde som enligt Stockholms Bostadsförmedling definieras som en förort max två mil från innerstaden
(Stockholms Bostadsförmedling ,2017). Närförorter utmärks därmed av att vara mer centralt beläget än förorterna i stadens utkant och kan antingen tillhöra väster-eller söderort samt kännetecknas av att bestå av en äldre bebyggelse i enhetlig med innerstaden.
Ytterstaden omfattas av Stockholm kommuns perifera områden som till mestadels har lägre hyror i det äldre beståndet. Vidare består området av stadsdelar som påvisar den kortaste medelkötiden i det befintliga beståndet för Stockholms kommun vilket även framgår av figur 4 ovan. Utmärkande för ytterstaden är däremot att medelkötiden i nyproduktionsbeståndet ökat mer i förhållande till resterande områden de senaste åren där medelkötiden år 2017 är cirka 3 år kortare än innerstaden.
Figur 5 - Medelkötidens utveckling för nyproduktionsbeståndet i Stockholms kommun utifrån områdesindelningen
0 2 4 6 8 10 12 14 2011 2012 2013 2014 2015 2016 2017 2018 Kö tid År
Kötidsutveckling i nyproduktion
3 Tidigare forskning och studier
I detta avsnitt presenteras tidigare rapporter och examensarbeten som berör liknande
ämnesområden med syfte att ge en överblick över de faktorer som påverkar efterfrågan samt
3.1 Värdering av stadskvalitet
Studien ”Värdering av stadskvalitet” framtagen av Evidens i samverkan med Spacescape behandlar hur lägesfaktorer och stadsbyggande påverkar bostadsrättspriserna i Storstockholm. Syftet med studien är att identifiera stadskvaliteter för attraktivt boende där
bostadsrättspriserna används som ett mått på betalningsviljan. Resultatet visar att följande oberoende variabler kan förklara 88,3% av prisvariationen i bostadsrätter (Evidens & Spacescape, 2011)
- Närhet till city
- Närhet till spårstation - Tillgång till park - Kvartersform
- Tillgång till gång-gatunät - Närhet till vatten
- Tillgång till urbana verk - Socioekonomiskt index
I studien framgår även att bostadsrättsägares värdering av stadskvaliteterna har visat sig vara likvärdig med hushållens betalningsvilja för att bo i hyresrätter om bostäderna i övrigt har likvärdiga kvaliteter. Studien är av betydelse då resultatet kan användas för att identifiera vilka stadskvaliteter som höjer ett områdes attraktivitet.
Evidens belyser vidare närboendes betalningsvilja för bostäder. Enligt rapporten utgör närboende den primära målgruppen för nyproduktion då det beräknas att 50–70% av
inflyttningar till nyproducerade hyreslägenheter sker via lokal rekrytering. En förklaring till detta beteendemönster är att individer är benägna att vilja stanna i sin närmiljö för att undkomma större kostnader och sociala uppoffringar (Evidens & Spacescape, 2011).
3.2 Effekter av snabb utbyggnad
Studien ”Effekter av snabb utbyggnad av en OS-by i Årsta och Bredäng” även framtagen av konsultföretaget Evidens behandlar hur nyproduktion av bostäder påverkar den lokala
bostadsmarknaden. Evidens genomför bland annat en regressionsanalys för att skatta hur stort nytt utbud en viss marknad kan inneha utan att kötiden för hyresrätter blir noll, det vill säga att det inte existerar någon efterfrågan. Eftersom det i dagens hyresmarknad råder ett
indikation på att det existerar fler hushåll som efterfrågar hyreslägenheter i det området. Modellen baseras på antagandet att det finns möjligheter att producera fler hyresbostäder i ett visst område om man tillåter kötiden för hyresrätter gå mot noll (Evidens, 2016). Studien är av intresse då Evidens likt detta arbetes syfte tar fram en modell för att förklara variationen i kötiden, där kötiden anses vara ett mått på efterfrågan.
Vidare baseras modellen på data för 3000 nyproducerade hyresrätter förmedlade av bostadsförmedlingen från 2015–2016. Resultatet visar att sex oberoende variabler kan förklara 90% av variationen i kötid. De oberoende variablerna kan åskådliggöras i figuren nedan.
Figur 6 - Faktorer som påverkar kötid (Evidens, 2016)
3.3 Marknadshyror och nyproduktion
I studien ”Marknadshyror och Nyproduktion” framtagen av Martin Lindblad år 2010 i ett examensarbete för KTH skapas en hyresmodell för att beräkna en eventuell marknadshyra i olika stadsdelar av Stockholms kommun. Hyresmodellen konstrueras genom att i första hand använda kötiden till förmedlade hyreslägenhet i Stockholms kommun som ett mått på
efterfrågan. I regressionsanalysen som genomförs utgör kötiden den beroende variabeln som påverkas av ett antal områdesspecifika faktorer. De oberoende variablerna bestod av hyra, restid till centrum, områdesstatus i form av inkomst, års-dummys och marknadsområdes-dummys. Av resultatet framgår en regressionsekvation som följer nedan:
Marknadshyra skattas för varje stadsdel genom att bryta ut variabeln hyra i ekvationen och sätta kötiden till 1 år. Av resultatet framgår att nyproduktionshyror i högre grad är närmre en marknadshyra än vad hyrorna i det äldre beståndet är. Vidare kan en differentiering mellan hyresnivåerna i olika områdena påvisas där hyresgapet mellan nyproduktionshyran i
4 Teori
I följande avsnitt redogörs för den referensram som använts i denna studie med utgångspunkt i efterfrågan för hyresrätter
4.1 Faktorer som påverkar efterfrågan
Prissättning kan förklaras utifrån den ekonomiska modellen som visar hur efterfrågan och utbud förhåller sig till varandra i ett diagram. Modellen visar hur priset varierar beroende på hur stor efterfrågan är samt hur stor den erbjudna kvantiteten är på hyresmarknaden (Axelsson et al, 1998).
Efterfrågan definieras som den mängd varor konsumenter kan och vill efterfrågar vid ett visst pris. Lagen om efterfrågan grundar sig i att en konsument efterfrågar en vara mer om priset minskar och omvänt. vilket innebär att den har en negativ lutning som grafen nedan
illustrerar.
Figur 7 - Efterfrågakurva
Substitutvaror är sådana varor som har närliggande egenskaper och därmed kan bytas ut mot varandra om priset på den ena varan förändras. En prisökning på den ena varan kan därmed leda till att efterfrågan på denna minskar och att efterfrågan på substitutvaran ökar (Axelsson et al, 1998). Komplementvaror är däremot sådana varor som kompletterar varandra vilket innebär att en minskad efterfrågan på den ena varan leder till att efterfrågan på
komplementvaran även minskar ökar (Axelsson et al, 1998).
En förändring i konsumenters disponibla inkomst kan påverka efterfrågan på olika varor. För normala varor gäller att efterfrågan ökar när inkomsten stiger och att efterfrågan minskar när inkomsten minskar. En begränsad ekonomi i form av låg inkomst leder alltså till att
efterfrågan minskar för en vara. Dock finns det även sådana varor som efterfrågan minskar för vid en ökning i inkomst, dessa varor benämns som inferiöra varor (Axelsson et al, 1998). Preferenser hos en konsument kan likaså påverka hur efterfrågad en vara blir vilket är subjektivt hos varje konsument. Beroende på hur mycket en konsument värderar olika egenskaper hos en vara varierar efterfrågan (Axelsson et al, 1998).
4.2 Hyresrätten
Hyresrätten är den vanligaste upplåtelseformen i Sverige och motsvarar 40% av det totala beståndet, trots att bostadsrätten på senare år börjat uppgå i samma nivå till följd av den höga utbyggnadstakten (SCB,2017). De rättigheter och skyldigheter som existerar sinsemellan hyresgäst och hyresvärd vid ett hyreskontrakt regleras i 12 kap. Jordabalken (1970:994). Hyresrättens villkor har genom åren genomgått förändringar för att anpassas till det rådande klimatet i bostadsmarknaden. År 1942 infördes hyresregleringslagen för att trygga
besittningsskyddet för hyresrättsinnehavarna samt motverka oskäligt höga hyror där hyresnivån istället skulle bestämmas av stat eller myndighet. Dock hade lagen om
hyresregleringen endast ett temporärt syfte då den ständigt reviderades och slutligen ersattes av dagens hyressättningsmodell, bruksvärdessystemet. Bruksvärdesystemet infördes 1969 med syfte att stärka respektive hyresrättsinnehavares besittningsskydd samt skapa jämnare hyresnivåer och var därmed genomgripande på flera områden (Allmännyttan, 2017).
4.2.1 Bruksvärdessystemet
Bruksvärdessystemet infördes år 1967 och ersatte därmed det tidigare traditionella
Bruksvärdessystemet kan endast ses som ett tillvägagångssätt för att efterlikna ett
marknadssystem där hyran fastställs genom att jämföra lägenheters kvaliteter, alltså är inte bruksvärdessystemet ett sätt för att bestämma den generella hyresnivån (Espnioza, 2011). Jämförelsen som görs i relation till likvärdiga lägenheter innebär att lägesfaktorn inte beaktas vid denna typ av hyressättning och att likvärdiga lägenheter kan få samma hyra oavsett var de är belägna. Denna reglerade hyressättning motverkar därmed att områdets attraktivitet får för stor inverkan på de hyror som sätts. Det äldre beståndet av hyreslägenheter i Stockholm omfattas främst av hyror satta enligt bruksvärdesystemet.
4.3 Nyproduktionshyra
Hyran i nyproduktion kan bestämmas på tre olika sätt; en förhandlad brukshyra som nämnts ovan, presumtionshyra eller genom en egensatt hyra utan förhandling med en
hyresgästorganisation. I denna studie läggs fokus endast på presumtionshyran.
4.3.1 Presumtionshyra
Den 1 juli 2006 infördes möjligheten att sätta presumtionshyror vid nyproduktion av
hyresrätter (Boverket, 2014). Regleringen tillåter hyresvärdar att avtala om en högre hyra än vad som skulle varit möjligt vid en hyressättning enligt bruksvärdesprincipen.
Presumtionshyran får alltså överstiga hyresnivån som bestäms vid prövning enligt det svenska bruksvärdessystemet vid nyproduktion av hyreslägenheter.Detta resulterar i att
hyreslägenheter med en presumtionshyra inte beaktas vid en jämförelseprövning för fastställandet av hyror enligt bruksvärdessystemet (Boverket, 2014). Införandet av
presumtionshyror grundade sig främst i att öka investeringsincitamentet i hyreslägenheter då en hyresnivå enligt det traditionella bruksvärdessystemet sällan täcker kostnaderna för att producera nya hyreslägenheter och därmed begränsar bostadsbolagens möjligheter till lönsamhet. Presumtionshyra infördes därmed för att stimulera hyresmarknaden då det kan anses förbättra förutsättningarna för bostadsbolag att producera nya hyreslägenheter.
4.3.2 Presumtionshyrans storlek
kalkylen och kostnaderna för projektet kan en överenskommelse komma till stånd (Hyresgästföreningen, 2013).
4.3.3 Produktionskostnader
Den svenska byggindustrin och dess regelverk påverkar i hög grad nyproduktionstakten och utvecklingen av nyproduktionsmarknaden. Produktionskostnader och hyressättningen för nyproduktion går hand i hand då hyran som sätts ska täcka produktionskostnaderna samt generera en rimlig avkastning till fastighetsägaren. I en rapport utförd av Boverket anges produktionskostnaderna vara det största hindret för nyproduktion av hyresrätter (Boverket, 2014). Den totala produktionskostnaden definieras enligt SCB som summan av
markkostnader och byggnadskostnader. Produktionskostnaderna skiljer sig därmed avsevärt beroende på var i Sverige nyproduktion sker då markkostnaderna oftast är högre i storstäderna (SCB, 2010).
Produktionskostnadens betydelse för hyrorna undersöks närmare i rapporten från Boverket, där det diskuteras kring huruvida det egentligen är de faktiska produktionskostnaderna som styr hyran eller om det är betalningsviljan hos konsumenterna som styr produktionskostnaden och därmed hyresnivån (Boverket, 2014). Hans Lind har på liknande sätt i tidigare studier resonerat kring kausaliteten mellan produktionskostnader och hyror och hur kostnaderna anger ett pris som i sin tur beror av utbudet och efterfrågan på marknaden. Eftersom ett områdes attraktivitet kan signalera hur hög betalningsviljan är hos bostadssökande kan bostadsbolag enligt Lind öka på produktionskostnaderna med syfte att uppnå en högre hyresnivå (Landin & Lind, 2011).
4.3.4 Avkastning
Eftersom bostadsbolag agerar vinstdrivande och syftar till att maximera sin avkastning i relation till en minimal riskexponering spelar avkastningskravet en stor faktor vid
hyressättningen av nyproduktion. Avkastningskravet på totalt kapital är ett nyckeltal som visar den avkastning som en investerare förväntar sig att tillgången ska generera.
Avkastningskravets storlek kan delas upp i en riskfri realränta, en riskpremie samt förväntad inflation. Riskpremien utgör den kompensation en investerare kräver för att utsättas för risk. (Brunes, 2017). Riskpremiens storlek beror på både makroekonomiska förhållanden samt mikroekonomiska faktorer vilket medför till att risktillägget är specifik för varje unik fastighet (Brunes, 2017). Bostadsbolagen använder sig emellertid av olika metoder och principer för att bestämma avkastningskrav, något som påverkar vilken hyresnivå som behövs (Lind &
Nordlund, 2016). Avkastningskravet för investeringar i Sveriges utkant är med hänsyn till risken högre än avkastningskravet för investeringar i tätorter. Liknande resonemang har förts av Sivitanidou & Sivitanides (1999) där det framgår att området som fastigheten är belägen i är den avgörande faktorn för storleken på avkastningskravet till följd av de vakanser som kan uppstå. Eftersom investeringar i nyproduktion av hyresrätter bidrar till en rad olika
4.3.5 Omflyttningskostnader
Hans Lind och Stellan Lundström fastställer bland annat i en rapport (2011) hur ett
affärsmässigt bostadsföretag bör agera vid hyressättning. Lind & Lundström (2011) menar att en marknadshyra kan leda till större omflyttningar bland hyresgäster vilket ställer högre krav på fastighetsägarens förvaltning, något som i sin tur ökar drift-och underhållskostnaderna. Omflyttningskostnaderna som belastar hyresvärden kan bidra till höga kostnader och fluktuationer i hyresintäkter vilket har en stor inverkan på driftnettot för fastigheten.
Författarna till examensarbetet ”Vad kan vi lära av länder som avreglerat sin hyresmarknad? - En studie av Finland, Spanien och Storbritannien” vid KTH diskuterar bland annat
Lundströms artikel publicerad i Fastighetstidningen (nr4/2000). Lundström påpekar att det åligger i hyresvärdens intresse att få en hyresgäst att stanna för att undvika en ökad
omsättning och eventuella omflyttningskostnader som kan uppkomma.
Lundström menar att en marknadshyra skulle medföra till att hyresgästen ständigt skulle leta efter något billigare och möjligtvis söka sig till andra marknader (2000). Detta skulle innebära en viss omflyttningsvakans och ökade kostnader för hyresvärden då lägenheten måste
anpassas till en ny hyresgäst vilket ställer högre krav på drift-och underhållskostnader. För att undvika dessa omflyttningskostnader menar Lundström att hyresvärden inte bör ta ut en maximal hyra utan istället sätta hyran på en sådan nivå som understiger marknadshyran för att undvika omflyttningskostnader men ändå generera en avkastning.
Eftersom dagens nyproduktionshyror ligger i närheten av de nivåer som marknadshyror skulle innebära kan följande resonemang av Hans Lind och Stella Lundström appliceras för
4.3.6 Presumtionshyror i Stockholms kommun
Figur 8 - Skillnad i normhyra mellan nyproduktionsbeståndet och det äldre beståndet i Stockholms kommun (SCB, 2018)
Figuren ovan illustrerar normhyran uttryckt i kronor per kvadratmeter per år för samtliga nyproducerade lägenheter samt för hyreslägenheter i det äldre beståndet i Stockholms kommun. I diagrammet framgår att hyresnivån för nybyggnation under en längre period överstigit hyresnivån i det äldre beståndet. Skillnaden mellan hyresnivån i nyproduktion gentemot det äldre beståndet nådde sin toppnivå år 2003 med en skillnad på hela 66% som följs av en hyresskillnad på 64% år 2016. Hyresnivåerna för nyproducerade hyreslägenheter har varierat kraftigt under de senaste åren och påverkas bland annat av faktorer som
markpriser, byggkostnader, bostadssubventioner och konjunkturläget (SCB, 2014). Enligt Boverket (2016) anses slopandet av bostadssubventionerna vara en betydande faktor till de stigande hyrorna i nyproduktion då det minskade lönsamheten att bygga vilket resulterade i att bostadsbolag tog ut högre hyror. Vid andra kvartalet av 2006 ändrades hyressättningen av nyproduktion av hyreslägenheter genom införandet av presumtionshyror. Förändringen i lagstiftningen kan därmed ha haft en inverkan på uppgången av hyrorna i nyproduktionen då de sedan dess uppvisat en högre hyresstegring än det befintliga beståndet.
Hyresnivåerna för nyproduktionsbeståndet skiljer sig avsevärt mycket mellan de olika marknadsområdena vilket är en indikation på ett nyproduktionshyrorna är mer anpassade för efterfrågan än för det äldre beståndet. Som illustreras i figur 9 nedan överstiger hyresnivåerna för innerstaden ytterstaden med upp till 25%.
Figur 9 - Nyproduktionshyror i olika marknadsområden
4.4 Substitut - Bostadsrätten
Hyresmarknaden och bostadsrättsmarknaden är i stor grad ömsesidigt beroende av varandra då de egenskaper som respektive upplåtelseform innehar kompletterar varandra och verkar som substitut (Riksdagen, SOU 2015:4).
Substitut definieras i nationalekonomin som två varor som tillfredsställer liknande behov eller begär (Arnold, 2005). Bedöms det att två varor fungerar som substitut anses det finnas ett samband där efterfrågan på en vara ökar när priset på en substitutvara ökar. Synen på boendet som en nödvändighet innebär att bostadsrätten liknar hyresrätten i många avseenden och utgör därför en viktig substitutvara på bostadsmarknaden.
Ur hyresgästens perspektiv finns det flertalet orsaker som kan ligga till grund till beslutet bakom att antingen hyra en bostad i form av hyresrätt eller investera i en bostadsrätt. Hyresrätten föredras framför bostadsrätten enligt Boverket i rapporten ”Konkurrens på bostadsmarknaden, 2011) för två grupper av konsumenter, ena gruppen efterfrågar en långsiktig boendelösning där långsiktigt förutsägbara boendekostnader och ett starkt besittningsskydd är av stor betydelse men som inte har möjligheten att binda upp sitt egna kapital i boende. Den andra gruppen utgörs av individer som söker en tillfällig och akut boendelösning (Boverket, 2011). 0 500 1000 1500 2000 2500 3000 2011 2012 2013 2014 2015 2016 2017 2018 No rm hy ra (k r/ m 2/å r) År
Hyresutveckling nyproduktionsbestånd
Utgifter för att äga en bostadsrätt består av en månadsavgift som bestäms av
bostadsrättsföreningen, utöver denna månadsavgift behöver bostadssökanden ta hänsyn till att betala ränta och amortering av ett eventuellt lån för att kunna köpa bostadsrätten.
Månadsavgiften för bostadsrätter tenderar att överstiga hyresrättens månadshyra i attraktiva områden, vilket skapar incitament att välja en hyresrätt. I mindre attraktiva lägen blir
skillnaden i kostnad mindre, vilket innebär att bostadssökanden gynnas av att bosätta sig i en bostadsrätt. Vid val av upplåtelseform görs alltså en avvägning gällande hur stor
månadsavgiften är för bostadsrätten i förhållande till hyresrätten. (Hyresgästföreningen, 2018).
Hyresgästföreningen har i rapporten” Nyproduktion och renoveringar av hyresrätter – har det blivit en för lönsam affär?” (2017) kartlagt hushållens boendekostnader i hyresrätten
respektive bostadsrätten. Hyresgästföreningen redogör hur de höga nyproduktionshyrorna påverkar hushållens boendekostnad. I genomsnitt skiljer det i dagsläget omkring 4000 kronor i boendekostnad per månad mellan en nyproducerad hyreslägenhet och en nybyggd
bostadsrätt. De största skillnaderna kan observeras i Stockholm där hyran i en nyproducerad hyreslägenhet på 77 m2
är 11 000 kronor medan boendekostnaden per månad i en nybyggd bostadsrätt av samma storlek är 6 400 kronor exklusive räntor och amorteringar
(Hyresgästföreningen, 2017).
Hyresgästföreningen har även kartlagt hur stor andel av hushåll med normala inkomster som har möjligheten att efterfråga nyproduktionshyror respektive hyror i det befintliga beståndet. Hyresgästföreningen utgår från att hushåll endast maximalt är villiga att erlägga 40% av sin disponibla inkomst på hyran för en 60 kvm hyreslägenhet. Resultatet visar att det i storstäder såsom Stockholm är ca 54% av hushållen som inte har möjligheten att efterfråga en
nyproducerad hyresrätt på 60 kvm och att det endast är 27% av hushållen som inte har möjlighet att efterfråga en hyresrätt på 60 kvm i det befintliga beståndet.
4.5 Monocentriska hyresmodellen
Den monocentriska stadsmodellen utvecklades under 1800-talet av Thunen och beskriver grundläggande ekonomiska principer om markanvändning och markvärde.
Den monocentriska stadsmodellen bygger på ett antal antaganden, nämligen att det endast finns en central punkt, CBD, och att staden sträcker sig ut i en cirkel från denna punkt (Mcdonald & Mcmillen, 2007). Vidare bygger tesen på att människor jobbar i centrala delar av orten och därmed måste ta sig till den centrala punkten samt att de bor utanför centrum. Transportkostnaden som krävs för att ta sig till centrum beror av avståndet från sitt hushåll till den centrala delen. Modellen nedan beskriver att människor som bor i stadens utkant är beredda att betala b kr i hyra medan boende i centrala lägen är beredda att betala a kr i hyra (Brunes, 2017).
Figur 10 - Moncentriska staden
Skillnaderna i hyra mellan en bostad i utkanten av staden och en bostad i den centrala delen beror därmed på transportkostnaden. Individer som är villiga att betala en högre hyra för att minska transportkostnaden kommer att lokalisera sig närmare centrum. På motsvarande sätt kommer transportkostnaderna bli höga och betalningsviljan låg då bostaden är belägen i utkanten av staden. Modellen beskriver därmed relationen mellan individers betalningsvilja och transportkostnaden som uppstår på grund av avståndet till centrum (Brunes, 2017).
4.6 Preferenser på den svenska hyresmarknaden
I rapporten ”Områdespreferens i hyresrätt” (Fransson och Magnusson, 2000) genomfördes en enkätundersökning i Stockholms kommun där hyresgäster i olika områden angav
betalningsviljan för att bosätta sig i likvärdiga lägenheter i andra områden än sina egna. I undersökningen togs hänsyn till faktorer som påverkar attraktiviteten i området vilket bland annat omfattar trygghet och säkerhet, bra kommunikationer samt nära till park eller
grönområden. Resultatet indikerar på att ju mer centralt ett område är, desto mer attraktivt är det och ökar betalningsviljan hos bostadssökanden.
Roland Blom har i en statistisk undersökning utrett bruksvärdessystemets effekter på hyressättningen och mätt den riktiga betalningsviljan i respektive område (Blom, 2000). Betalningsviljan undersöks hos olika hushåll för olika lägen i Stockholms hyresmarknad för att mäta hur mycket mer eller mindre en hyresgäst i ett specificerat område är villig att betala för sin lägenhet i relation till hyresgästens nuvarande hyra. Utgångspunkten för studien var att genom en enkätundersökning mäta hur mycket hushåll i respektive område värderar olika områdesspecifika egenskaper, nedan listas ett fåtal av de undersökta kvaliteter som visade störst betydelse:
3. Nära till affärer
4. Nära till park eller grönområden 5. Fritt från buller- och trafikstörningar
Resultatet visar att det endast är i vissa områden som hyresgäster är villiga att betala mer för sitt boende än vad de gör i dagsläget. I de områden där hyresgästernas betalningsvilja
5 Metod
Detta avsnitt beskriver den kvantitativa och kvalitativa metodiken som använts för att besvara studiens syfte. Den kvantitativa metoden omfattas av en statistisk analys vars teoretiska utgångspunkter redogörs för nedan för att underlätta uppställandet av regressionsmodellen. Vidare beskrivs även den kvalitativa metoden bestående av en litteraturstudie och dess reliabilitet och validitet.
5.1 Val av metod
För att besvara uppsatsens syfte är det av betydelse att använda statistisk analys där den kvantitativa metoden grundar sig i att systematiskt samla in numeriska data för att vidare analyseras i form av en regressionsanalys (Blom, 2004). Regressionsanalysen används för att undersöka olika områdesspecifika faktorers påverkan på kötiden i Stockholms kommun för att slutligen ställa upp en värderingsmodell för kötiden. Vidare har även en kvalitativ metod tillämpats för att ge underlag och skapa en djupare förståelse för den teori som arbetet grundar sig på.
5.2 Litteraturstudie
Den kvalitativa metoden är av deskriptiv karaktär vilket innebär att en litteraturstudie gjorts med syfte att ta del av tidigare teorier och forskning vad gäller tidigare efterfrågestudier och hyresmarknadens två bestånd; det äldre beståndet och nyproduktionsbeståndet för att ge grund för den senare kvantitativa modelldelen.
5.2.1 Kvalitativ datainsamling
I denna studie utgörs det kvalitativa datamaterialet av sekundärdata i form av litteratur, tidigare forskning, teoretiska modeller samt analytiska skrifter från organisationer och
myndigheter. Sekundärdata definieras som information som redan finns till och som insamlats av någon annan än författarna (Hedin, 2014). Sökandet av teoretiska modeller som lämpar sig till studien skedde både via Google Scholar och genom relevant litteratur. Eftersom en stor del av den teoretiska referensramen behandlar den svenska hyresmarknaden och
5.2.2 Reliabilitet och validitet
Vid kvalitativa metoder är det av stor betydelse att kritiskt granska data som insamlats och använts under arbetets gång för att avgöra dess reliabilitet och validitet. Reliabilitet beskriver hur tillförlitlig informationen som insamlas är det vill säga hur beständig den är över tiden (Brunes, 2017). Information som varierar över tiden anses därmed ha låg reliabilitet vilket innebär att en hög reliabilitet eftersträvas. Validitet är ett begrepp som beskriver hur väl informationen som insamlas stämmer överens med det faktiska som skett (Brunes, 2017). För att minimera uppkomsten av för låg validitet har insamlingen av information och statistik Främst använts från statliga myndigheter, regeringen och SCB vilka anses vara tillförlitliga källor. Vidare har även informationen som insamlats av mindre tillförlitliga källor noga granskats genom jämförelse med andra källor som behandlar samma ämne. Information som insamlats från privata aktörer samt olika bostadsföretag kan dock spegla en lägre validitet om författarna haft tendens till att vara vinklade i informationen som utgivits för att gynna deras egna ställning i frågan.
5.3 Regressionsanalys
Regressionsanalys är en statistisk metod som kvantifierar en eller flera oberoende variablers påverkan på en beroende variabel i form av numeriska värden (Blom, 2015). Metoden används således med syfte att bestämma linjära samband mellan en beroende variabel och en eller flera oberoende variabler. Oberoende variabler är sådana variabler som antas påverka den beroende variabeln. Regressionsmodellen ska därmed utgå från teoretiska och
välgrundade hypoteser avseende sambandet mellan oberoende variabler och den beroende variabeln. En enkel linjär regression genomförs vanligen då det enbart är en oberoende variabels inverkan på den beroende variabeln y som ska undersökas. En multipel
regressionsanalys används däremot när en beroende variabel kan förklaras av flera oberoende variabler.
5.3.1 Multipel linjär regressionsanalys
Multipel linjär regression används för att studera om ett linjärt samband föreligger mellan flera oberoende variabler och en beroende variabel, metoden utgår från minsta kvadrat-metoden. För att mäta det linjära sambandet i denna studie används den generella formen av en multipel linjär regression enligt (1.1) då ett flertal oberoende variabler ska inkluderas för att undersöka effekten på kötiden.
𝑌 = 𝛽# + 𝛽1𝑥1 + 𝛽2𝑥2 + … + 𝛽k𝑥k + 𝜀 (1.1)
𝑌 = beroende variabel
𝑥1,2…k = oberoende variabler
𝛽# = skattad konstant
𝛽1,2…k = skattade koefficienter som beskriver hur de oberoende variablerna inverkar på
𝜀 = felterm
I modellen förutsätts att den beroende variabeln Y systematiskt påverkas av de kontinuerliga variablerna Xn och där de okända parametrarna ska skattas utifrån givna observationer. En
utgångspunkt för modellen är att det finns en slumpmässig felvariabel som anger hur stor del av variationen i y som inte kan förklaras av modellen (Blom, 2004). Med hjälp av modellen kan man undersöka hur en förändring i respektive ingående oberoende variabel påverkar den beroende variabel betingat av att de övriga oberoende variablerna hålls konstanta och därmed analysera varje variabels unika effekt på den beroende variabeln.
5.3.2 Korrelationstest
För att studera det enskilda sambandet mellan respektive ingående oberoende variabel och den beroende variabeln mäts korrelationen i form av ett korrelationstest.
Korrelationskoefficienten som varje oberoende variabel antar är ett statistiskt mått som anger hur nära ett linjärt samband funktionen uppvisar. Koefficienten kan anta värden mellan -1 och 1, där en negativ korrelationskoefficient indikerar att det råder ett negativt samband mellan variablerna som undersöks, medan ett positivt värde tyder på att det föreligger en positiv korrelation. Om korrelationskoefficienten antar värdet 0 innebär det att inget linjärt samband kan påvisas mellan variablerna som undersöks (Blom, 2004).
5.3.3 Variabeltyper
Kontinuerlig variabel
En kontinuerlig variabel definieras som en variabel som kan anta alla värden inom ett specificerat intervall.
Dummy variabel
Vidare kan det även ingå så kallade dummyvariabler i en regressionsfunktion.
Dummyvariabler är egenskapsvariabler som används för att representera ett visst attribut och kan anta två möjliga värden: 1 eller 0. Dummyvariabler används alltså för variabler som inte är kvantifierbara. En dummyvariabel som innehar en specifik egenskap antar värdet 1, medan värdet 0 innebär att egenskapen är frånvarande. Regressionskoefficienten som varje
dummyvariabel antar anger skillnaden av att attributen existerar i förhållande till den valda referensvariabeln. Genom att införa dummyvariabler kan man urskilja på data som har varierande egenskaper och därmed uppnå ett mer sanningsenligt resultat.
Interaktionsvariabel
det anledning att tro att hyrans effekt på kötiden skiljer sig åt mellan områden. Detta kan illustreras genom följande bild.
5.3.4 Multikolinjäritet
Multikolinjäritet uppstår då två eller flera av de oberoende variablerna är högt korrelerade med varandra och det således uppstår samvariation mellan dem. Detta medför till svårigheter när det gäller att urskilja den enskilda effekten respektive oberoende variabel har på den beroende variabeln och kan ha en negativ inverkan på resultatet. Graden av multikolinjäritet kan mätas genom att beräkna ett VIF-värde för respektive variabel. Multikolinjäritet anses råda om VIF-värden överstiger 10 (Sundberg, 2015). Om multikolinjäritet föreligger kan den oberoende variabeln behöva uteslutas från regressionsanalysen eller alternativt kombineras med andra nära besläktade oberoende variabler för att kunna bedöma ett statistiskt resultat. Vidare finns det en rad metoder som kan tillämpas för att minska på multikolinjäritet utan att behöva utesluta en variabel från regressionsmodellen. En välkänd metod för att undvika multikolinjäritet är att logtransformera den beroende variabeln.
En ytterligare metod som kan användas för att reducera multikolinjäritet är metoden centrering som appliceras på kontinuerliga variabler genom att subtrahera respektive observations värde med medelvärdet av alla värden för variabeln i fråga (Afshartous & Preston, 2011). Centrering leder till att de observerade värden för respektive kontinuerlig variabel centreras kring sina respektive medelvärden. Vid användning av denna metod förändras varken de oberoende variablernas koefficienter och signifikansnivåer på grund av att de centreras, samtidigt som modellens förklaringsgrad förblir densamma.
Hyra
Kötid
Område
5.3.5 R2 - Modellens förklaringsgrad
R2 koefficienten anger hur mycket av variationen i den beroende variabeln som kan förklaras av de oberoende variablerna och är ett mått för att mäta styrkan av det linjära sambandet som föreligger. R2 kan anta värden mellan 0 och 1, där högre värden på R2 innebär att en större andel av den totala variationen i data kan förklaras av modellen. En nackdel med
determinationskoefficienten är att dess värde tenderar att öka ju fler oberoende variabler som ingår i regressionsekvationen vilket kan ge ett missvisande resultat. Justerat R2 används därmed då det är ett justerat mått som tar hänsyn till det ökade antalet oberoende variabler som ingår i regressionen (Blom, 2004)
5.3.6 Hypotesprövning
En statistisk hypotesprövning konstrueras för att tolka resultatet som regressionsanalysen genererar. Detta innebär att en nollhypotes (H0) och en mothypotes ställs upp (H1) för att
kunna påvisa att ett samband föreligger mellan den beroende variabeln och respektive oberoende variabel (Blom, 2004). För respektive oberoende variabel är hypoteserna
uppställda på följande sätt:
H0: βi = 0
Nollhypotesen uttrycker att det inte förekommer något statistiskt säkerställt samband mellan den beroende variabel och den berörda oberoende variabeln
H1: βi ≠ 0.
Mothypotesen anger att det föreligger ett statistiskt säkerställt samband mellan den beroende variabeln och den berörda oberoende variabeln
Vid hypotesprövning undersöks det om nollhypotesen kan förkastas eller inte. Om
nollhypotesen (H0) förkastas är resultatet statistiskt signifikant vilket innebär att H1 accepteras
och är statistiskt säkerställt det vill säga att den inte beror på slumpen (Blom, 2004). Huruvida nollhypotesen ska förkastas eller inte beror på en på förhand bestämd signifikansnivå. I denna studie bestäms signifikansnivån till 5 %, det vill säga att det föreligger 5% sannolikhet att resultatet bedöms vara signifikant trots att det inte är det. Om p-värdet som beräknas för regressionskoefficienten är signifikant, alltså understiger signifikansnivån på 5% så kan H0
förkastas med 95% säkerhet. En alternativ metod att använda sig av som beslutsunderlag kring huruvida nollhypotesen ska förkastas eller inte är t-kvoten. Om t-kvoten är mindre än absolutbeloppet av 1,96 kan nollhypotesen förkastas på 95 % nivå̊ i denna studie.
5.4 Rapportens regressionsanalys
5.4.1 Kvantitativ datainsamling
För att kunna besvara studiens syfte har en insamling av material utifrån en mängd
avgränsningar och urval gjorts. Datamaterialet som till stor del ligger till grund för variablerna som ska ingå i modellen har erhållits från Bostadsförmedlingen och innehåller efter en viss gallring sammanlagt 13 171 observationer över förmedlade hyreslägenheter i Stockholms kommun mellan åren 2012–2017. Observationerna från Bostadsförmedlingen omfattar data kring:
- Medelhyror - Medelkötider - Lägenhetsstorlek
- Om det är privata eller allmännyttiga bostadsbolag som verkar hyresvärd för den förmedlade hyreslägenheten
- Huruvida de förmedlade hyreslägenheterna tillhör nyproduktionsbeståndet eller det äldre beståndet
Nyproduktionsbeståndet består av hyreslägenheter som inte tidigare förmedlats och därför skiljer det sig från det äldre beståndet som omfattar andrahandsmarknaden där
hyreslägenheter förmedlats via Bostadsförmedlingen minst en gång. Hyrorna i det äldre beståndet består till övervägande del av lägre hyror eftersom de är satta enligt
bruksvärdessystemet (se avsnitt 4.2.1). Dock förekommer det även högre nyproduktionshyror i det äldre beståndet då även nyproducerade hyreslägenheter som förmedlats mer än en gång blir en del av andrahandsmarknaden.
5.4.2 Val av ingående variabler
I nedanstående avsnitt redovisas de variabler som ingår i regressionsanalysen och som rapporten tar hänsyn till. Variablerna har valts ut utifrån dess relevans till att förklara efterfrågan i ett område och grundar sig även i teorier och tidigare studier som behandlats teoriavsnittet i kapitel 4.
Beroende variabel
Kötid
mellan. Om ett område kännetecknas av en hög kötid kan det således antas att efterfrågan att bo i det området är högt då individer är villiga att utnyttja sina ködagar för att bosätta sig i det området. Detta antagande återspeglas även i dagens bostadsmarknad i Stockholm där det generellt behövs betydligt längre kötider för att få ett förstahandskontrakt för en hyreslägenhet i Stockholms innerstad, som anses vara mer attraktiv, jämfört med hyreslägenheter som befinner sig i utkanten av Stockholm.
Oberoende variabler
Normhyra
Hyran i denna regressionsmodell uttrycks i form av normhyra i kronor per kvadratmeter per år. Med normhyra menas att hyran har standardiserats till en tänkt trerumslägenhet på 77 m2 med syfte att göra hyrorna jämförbara oavsett lägenhetsstorlek (Boverket, 2017). Eftersom hyresnivåns storlek i ett område antas påverka bostadssökandens efterfrågan är det av väsentlig betydelse att hyresvariabeln ingår i modellen. Vidare ska även hyresvariabeln användas för att studera hur nyproduktionshyror i modellen ger utslag på efterfrågan i olika stadsdelar i Stockholms kommun.
Avstånd till centrum
Som tidigare nämnts (se avsnitt 5.5) har studier påvisat att avståndet till centrum är en viktig faktor och en signifikant variabel som påverkar ett områdes efterfråga. Denna variabel förutsätter utifrån den monocentriska hyresmodellen att betalningsviljan hos en individ är högre för att bosätta sig närmre centrum och därmed undgå transportkostnaderna som skulle uppkomma om bosättning sker i utkanten av staden. Avståndsvariabeln uttrycks i denna studie som avståndet i kilometer från respektive stadsdels mittpunkt som hyreslägenheterna är belägna i in till Hötorget.
Inkomst - social status
Eftersom områdesindelningen som gjorts endast utgår ifrån områdets läge i förhållande till centrala Stockholm behövs ytterligare variabler som tar hänsyn till andra egenskaper ett område kan inneha samt som påverkar individers val till lokalisering. Det kan finnas perifera områden som på goda grunder är mer attraktiva än områden i innerstaden vilket kan leda till att områdesindelningen som gjorts inte speglar verkligheten. För att klassificera attraktivitet införs en inkomstvariabel som ska spegla ett områdes attraktivitet med antagandet att ett område med en hög medelinkomst består av höginkomsttagare som sökt sig till området med grund i dess attraktiva egenskaper. Höginkomsttagare kan därmed lokalisera sig på attraktiva områden som nödvändigtvis inte behöver vara i närheten till Stockholms centrala del.
Bostadsrättspriser
Med tanke på att bostadsrättsmarknaden i jämförelse med hyresmarknaden inte är lika restrikerad i form av prissättning kan det antas att nivån på bostadsrättspriserna i en stadsdel representerar betalningsviljan att bo i området (Evidens, 2017) Med antagandet att
bostadsrättspriser beskriver betalningsviljan i ett område bör höga bostadsrättspriser ge en indikation på att området är mer efterfrågat och attraktivt vilket även borde ta sitt uttryck i längre kötider för hyreslägenheter. Data för bostadsrättspriserna för respektive år och stadsdel som ingår i modellen inhämtades från Mäklarstatistik och Mäklarinfo som anger priset i kronor per kvadratmeter per år.
Dummyvariabler
Nyproduktionsmarknaden och det befintliga beståndet
Det äldre beståndet och nyproduktionsmarknaden ingick i samma modell vilket innebär att äldre hyreslägenheter med lägre hyror till följd av bruksvärdessystemet samt nyproducerade hyreslägenheter med högre hyror blandas för att plocka upp hur stor påverkan skillnader i hyrans storlek har på kötiden. I detta syfte skapas en dummyvariabel som är till för att förklara hur stor skillnad det är i kötid mellan nyproducerade hyreslägenheter och äldre lägenheter vid samma givna hyra. Detta görs för att undersöka huruvida en nyproducerad hyreslägenhet har en längre kötid då den ökade kvaliteten och standarden för en nyproducerad hyreslägenhet i jämförelse med en äldre hyreslägenhet bör generera en högre betalningsvilja vid samma givna hyra.
Årsdummy
Eftersom olika år karaktäriseras av varierande makroekonomiska faktorer bland annat i form av konjunkturförändringar och befolkningstillväxt kan detta ha en inverkan på nivån på efterfrågan för hyreslägenheter. Årsdummys inkluderas därmed för att fånga upp eventuella systematiska skillnader under den undersökta tidsperioden och har införts för respektive år.
Kommunikationsdummy
De undersökta stadsdelarna som ingår i Stockholms kommun har varierande nivåer av kommunikationsförbindelser in till centrala Stockholm. Därmed infördes en dummyvariabel som ska fånga upp hur kötiden skiljer sig för stadsdelar med goda
kommunikationsförbindelser gentemot stadsdelar utan. Avsaknaden av goda
kommunikationsförbindelser i ett område bör ur en teoretisk referensram resultera i lägre betalningsvilja och därmed kortare kötid då det leder till ökade transportkostnader för hyresgästerna i ett område då det blir svårare att ta sig in till stadskärnan.
Områdesindelning
Figur 12 nedan visar Stockholms kommun och hur denna är indelad i 14 stadsdelsområden (Stockholms stad, 2018). Eftersom ett flertal av stadsdelarna uppvisar samma typer av egenskaper kommer ett antal slås ihop till att sammanlagt bilda 7 områden som uppvisar samma typ av homogenitet för att uppnå ett så sanningsenligt resultat som möjligt.
Område 1 omfattar stadsdelsområdena Kungsholmen, Norrmalm, Södermalm, Östermalm. Område 2 omfattar stadsdelsområdena Enskede-Årsta-Vantör, Farsta och Skarpnäck. Område 3 omfattar stadsdelsområdena Hägersten-Liljeholmen och Älvsjö
Område 4 omfattar stadsdelsområdet Skärholmen Område 5 omfattar stadsdelsområdena Bromma
Område 6 omfattar stadsdelsområdet Hässelby-Vällingby Område 7 omfattar Spånga-Tensta och Rinkeby-Kista
Figur 12 - Områdesindelning över Stockholms kommun (Stockholms stad, 2018).
Interaktionsvariabel
Interaktionsvariabeln som nämndes och illustrerades i avsnitt 5.3.3 ingår i
regressionsanalysen för att påvisa om det föreligger en skillnad i effekten som hyran har på kötiden för olikabostadsområden. Interaktionsvariabeln skapas genom att multiplicera dummyvariabeln för respektive stadsdel med den beroende variabeln hyra
5.4.3 Begränsningar och antaganden i datamaterialet
Ett flertal förenklingar och antaganden har gjort på grund av bristfällig information och tid. Ett inledande antagande är att alla hyreslägenheter som analyserats antages vara likvärdiga i form av standard och attribut. Detta beror på att datamaterialet som erhölls från
och nyproduktionsbeståndet trots att en differentiering görs i form av en dummy.
Inkluderandet av båda marknaderna gjordes för att fånga upp skillnader i efterfrågan när hyran övergår från det äldre beståndet till en nyproduktionshyra. Ett ytterligare antagande är att alla hyreslägenheter i samma område är belägna centrerat i området och har samma avstånd till centrum. Detta antagande gjordes då inga adresser fanns tillgängliga. Ett av de största antaganden som görs i analysen är att kötiden för en hyreslägenhet i ett område antas representera efterfrågan.
5.5 Validering av modell
Innan regressionsanalysen ställs upp är det av stor vikt att separera de variabler som är lämpliga att ha med i analysen.
5.5.1 Linjärt samband
Först och främst är det nödvändigt att undersöka huruvida det existerar ett linjärt samband mellan respektive oberoende variabel och beroende variabel för att veta om en transformering av någon variabel bör göras. För att avgöra det linjära sambandet gjordes enskilda
korrelationstest för varje oberoende variabel gentemot den beroende variabeln kötid i SPSS. Korrelationstestet innebär att sätta upp en scatter plot som är till för att illustrera sambandet där värdena för den beroende variabeln visas i Y-led och värdena för den oberoende variabeln i X-led. Tumregeln som används är att det existerar ett linjärt samband om punkterna är samlade kring en tänkbar diagonal linje.
Normhyra
Ett negativt linjärt samband går att påvisas mellan normhyra och kötid där kötiden avtar vid ökandet av normhyran med en korrelation som uppgår till -0,043, en relativt låg korrelation. Avstånd
Figur 14 ovan illustrerar att det existerar ett linjärt samband mellan kötid och avstånd vilket innebär att variabeln behålls i regressionsanalysen. Korrelationen mellan kötid och avstånd är -0,568 vilket tyder på att ett negativt samband existerar.
Bostadsrättspris
Även för variabeln Bostadsrättspriser är det möjligt att påstå att ett linjärt samband existerar och kan i fortsättningen behållas i regressionsanalysen. Korrelationen mellan bostadsrättspris och kötid är störst med ett värde på 0,62.
Inkomst
Figur 16 - Korrelation mellan inkomst och kötid
5.5.2 Multikolinjäritet
SPSS användes för att testa multikolinjäritet genom att ställa upp en tabell som mäter VIF-värdet samt toleransnivån för respektive variabel. Ur resultatet framgår det att
områdesdummysen, interaktionsvariablerna mellan hyra och område, avstånd och
bostadsrättspriser erhåller VIF-värden som kraftigt överstiger tröskelvärdet 10 och därmed påvisar att modellen lider av allvarlig multikolinjäritet.
Variabel Tolerans VIF
2013 .582 1.717 2014 .433 2.309 2015 .203 4.928 2016 .188 5.309 2017 .169 5.903 BRS .039 25.614 Normhyra .260 3.841 Inkomst .149 6.705
Avstånd till Hötorget .045 22.355
Dummy kommunikation .565 1.768 Dummy nyproduktion .312 3.207 Område 2 .022 44.948 Område 3 .005 220.172 Område 4 .004 224.514 Område 5 .022 45.218 Område 6 .011 89.600 Område 7 .015 65.764
Interaktion hyra område 2 .028 35.604
Interaktion hyra område 3 .002 414.860
Interaktion hyra område 4 .002 400.600
Interaktion hyra område 5 .022 44.552
Interaktion hyra område 6 .021 48.086
Interaktion hyra område 7 .032 31.398
Tabell 1 - Tabell över respektive variabels värde och toleransnivå där värdena med gul markering har för höga VIF-värden
Eftersom ett flertal interaktionsvariabler är inkluderade i analysen är de höga VIF-värdena förväntade då den höga graden av multikolinjäritet uppkommer då respektive
eventuella skillnader mellan stadsdelarna och vad som utmärker dem. Trots att en ny områdesindelning gjordes uppvisade interaktionsvariablerna och områdesdummysarna fortfarande VIF-värden som överstiger 10, dock med en stor minskning från tidigare. Eftersom variablerna som uppvisar höga VIF-värden är viktiga för studiens syfte kan multikolinjäritet reduceras genom att centrera respektive kontinuerlig variabel.
Metoden centrering appliceras på kontinuerliga variabler för att reducera multikolinjäritet genom att subtrahera respektive observations värde med medelvärdet av alla värden för variabeln i fråga (Afshartous & Preston, 2011). Centrering leder till att de observerade värden för respektive kontinuerlig variabel centreras kring sina respektive medelvärden. I denna metod förändras inte de oberoende variablernas koefficienter samt signifikansnivå till följd av att de centreras samtidigt som modellens förklaringsgrad förblir densamma. De nya VIF-värdena för de centrerade VIF-värdena som presenteras nedan uppvisar för samtliga
interaktionsvariabler och områdesdummyn låga VIF-värden och därmed inkluderas alla i regressionsmodellen framöver. Däremot uppvisar variabeln bostadsrättspriser ett VIF-värde på 10,1 vilket överstiger 10. Dock avviker värdet med endast 0,1 från det rekommenderade tröskelvärdet vilket i samband med att variabeln anses vara betydelsefull att studera
inkluderas den i modellen.
Variabel Tolerans VIF
2013 .581 1.720 2014 .519 1.926 2015 .300 3.338 2016 .255 3.918 2017 .215 4.660 Bostadsrättspris 0,0987 10.133 Normhyra .317 3.158 Disponibla inkomst .232 4.312
Avstånd till Hötorget .222 4.499
Dummy kommunikation .834 1.199
Dummy nyproduktion .621 1.609
Område A .168 5.952
Område B .595 1.681
Interaktion hyra område A .321 3.111
Interaktion hyra område B .777 1.288
5.5.4 Val av oberoende variabler
Beroende variabel Definition Enhet Förväntad effekt på kötiden
Kötid Den kötid som krävs för att få
ett förstahandskontrakt för en hyreslägenhet
Tid (år)
Oberoende variabel Definition Enhet
Normhyra Den förmedlade
hyreslägenhetens hyra
omvandlad till en normhyra på 77 m2
m2/år -
Bostadsrättspris Det genomsnittliga priset på
bostadsrättslägenheter i området Kr (SEK) +
Inkomst Områdets disponibla
medelinkomst per år Dummy = 1 Om hyreslägenheten som förmedlats är nyproduktion Kr/år + Nyproduktion Binärt + Kommunikation Dummy = 1
Om området har goda kommunikationsförbindelser Binärt + Område A Dummy = 1 Om området är A Binärt > B > C Område B Dummy = 1 Om området är B Binärt Oklart Område C Dummy = 0
Om området är C Binärt Oklart
Område A x normhyra Dummy=1 Binärt < B x hyra
< C x hyra
Område B x normhyra Dummy=1 Binärt < C x hyra
Område C x normhyra Dummy=1 Binärt Högst negativ
