NATIONALEKONOMISKA INSTITUTIONEN Uppsala Universitet Examensarbete C Författare: Moa Torstensson Handledare: Karolina Stadin VT 2018

Transkript

1 NATIONALEKONOMISKA INSTITUTIONEN Uppsala Universitet Examensarbete C Författare: Moa Torstensson Handledare: Karolina Stadin VT 2018 En välutbildad befolkning med höga inkomster det största hotet mot ett lands ekonomi? En studie om ålderns, utbildningens och inkomstens påverkan på skuldkvoten

2 SAMMANFATTNING Den stigande skuldsättningen bland svenska hushåll utgör idag det största hotet mot den finansiella stabiliteten i landet. De åtgärder som vidtagits för att minska de risker förknippade med den höga skuldsättningen har främst riktats mot unga hushåll och hushåll med lägre inkomster. I denna uppsats undersöks därför om det går att finna något samband mellan individer med en högre inkomst respektive utbildning och skuldkvoten, om det går att finna ett åldersmönster för de med höga skuldkvoter samt om undersökningen stödjer livscykelhypotesen eller den permanenta inkomsthypotesen. Undersökningen använder paneldata för Sveriges 290 kommuner under perioden 2010 till Resultaten visar att både en högre inkomst och en högre utbildning har en positiv effekt på skuldkvoten - tydligast är effekten för en högre utbildning vilket ger ett visst stöd för den permanenta inkomsthypotesen. Undersökningen finner däremot inget stöd för livscykelhypotesen. Nyckelord: Hushållens skuldsättning, finansiell stabilitet, skuldkvot, livscykelhypotesen, permanenta inkomsthypotesen 2

3 INNEHÅLLSFÖRTECKNING 1. INLEDNING 4 2. TEORETISK BAKGRUND KONSUMTIONSTEORIER TIDIGARE FORSKNING DATA OCH VARIABELBESKRIVNING BEROENDE VARIABEL OBEROENDE VARIABLER KONTROLLVARIABLER STATISTISK METOD MODELL SOM ESTIMERAS STATISTISK SPECIFIKATION DESKRIPTIV STATISTIK RESULTAT DISKUSSION HOT MOT DEN INTERNA VALIDITETEN SLUTSATS FÖRSLAG PÅ FRAMTIDA FORSKNING 32 KÄLLFÖRTECKNING 34 APPENDIX 38 3

4 1. INLEDNING Den ökade skuldsättningen bland de svenska hushållen är ett högst aktuellt ämne och utgör idag enligt Finansinspektionen (2017) det största hotet mot landets ekonomi. Den höga skuldsättningen bland svenska hushåll är hög såväl historiskt sett som i ett internationellt perspektiv - sedan slutet av 1900-talet har hushållens skulder växt snabbare än hushållens inkomster vilket resulterat i att skuldkvoten nästintill fördubblats. Sverige har idag en skuldkvot som i genomsnitt är 1,5 gånger större än den genomsnittliga skuldkvoten i Euroområdet, något som skapat ett skört ekonomiskt system. (SOU, 2013, s. 17) De största bakomliggande orsakerna till den ökade skuldsättning förklaras enligt Finansinspektionen (2017) av en lång period av stigande bostadspriser som i sin tur stimulerats av historiskt låga räntenivåer, stigande inkomster och en växande befolkning. Bolån utgör idag ungefär 80% av hushållens totala skulder och eftersom de flesta bolån i Sverige tas med rörlig ränta blir hushåll med stora skulder i förhållande till sin inkomst mer sårbara för ekonomiska störningar så som som inkomstbortfall, stigande räntor och sjunkande bostadspriser. (Finocchiaro et al., 2011, s. 6) Arbetslöshet är den största och mest negativa chocken för hushåll och den kritiska faktorn enligt Dabelle (2002) är sambandet mellan hushåll med höga skulder och hushåll med högre risk för att drabbas av arbetslöshet. Enligt nationalekonomisk penningpolitik ska inte räntan utgöra något större hot för hushållens ekonomi eftersom Riksbanken normalt sänker styrräntan när landets ekonomin försvagas. Detta förutsätter dock att Riksbanken har utrymme att sänka styrräntan något som inte är fallet i Sverige idag. (Finansinspektionen, 2017, s. 2) En höjning av räntan skulle innebära att hushåll med små marginaler får stora problem att betala tillbaka sina lån hushåll skulle då behöva minska sin konsumtion samtidigt som många hushåll skulle tvingas sälja sina bostäder eftersom de inte skulle ha råd att bo kvar. Om många hushåll drabbas samtidigt kan det leda till ett stort prisras på bostadsmarknaden eftersom hushåll tvingas paniksälja sina bostäder för att inte dra på sin ännu större skulder. Hushåll med stora lån i förhållande till bostadens värde kan vid sjunkande bostadspriser även hamna i en situation där deras skulder överstiger hushållets tillgångar vilket gör att fler hushåll tvingas sälja. (Finansinspektionen, 2017, s. 4) Om dessa ekonomiska störningar drabbar en större del av befolkningen kan detta få stora negativa konsekvenser för såväl enskilda banker som för landets makroekonomiska stabilitet. 4

5 (Finansinspektionen, 2017 s. 4) I juni år 2016 infördes amorteringskravet av Finansinspektionen i syfte att minska de risker som är förknippade med hushållens höga skuldsättning. Amorteringskravet kompletterades år 2018 med ett skärpt amorteringskrav. Det nya skärpta amorteringskravet innebär att bolån över en viss belåningsgrad måste amorteras i en föreskriven takt om låntagaren lånar mer än 4,5 gånger sin årsinkomst innan skatt måste låntagaren amortera till dess att lånet understigit gränsen. De hushåll som påverkas av amorteringskravet är enligt Finansinspektionen (2017) främst nya bolånetagare, unga hushåll och hushåll med låga inkomster i förhållande till sina bostadslån. I Finansinspektionens bolånerapport från år 2017 kan man läsa att de högsta skuldkvoterna går att finna bland unga hushåll samt bland hushåll med höga inkomster. Detta förklarar Finansinspektionen med att att de stigande bostadspriserna gjort det dyrare för förstaköpare av bostäder samtidigt som hushåll med högre inkomster tenderar att bo i större städer där även bostadspriserna är högre än i övriga landet. Därmed har hushåll med högre inkomster ungefär samma lånebehov i förhållande till bostadens värde som hushåll med lägre inkomster. (Finansinspektionen, 2017 s. 8) Riksbanken skriver i motsats till detta i en rapport från 2016 att de högsta skuldkvoterna går att finna bland de hushåll med de lägsta inkomsterna. Även konsumtionsteorier är oeniga om inkomstens effekt på konsumtionsnivån - å ena sidan kan hushåll med låga inkomster tänkas vilja skuldsätta sig mer utifrån teorin om avtagande marginalnytta. Å andra sidan säger livscykelhypotesen att hushållen baserar sin konsumtion på nuvarande inkomst, förväntningar om framtida inkomst och förmögenhet och att inkomsten är medelvärdet av alla de resurser som finns tillgängliga i aktuell period. En högre nuvarande inkomst borde därför enligt teorin öka konsumtionsnivån för individen. I motsats till detta säger den permanenta inkomsthypotesen att det är förväntningar om framtida inkomster som bestämmer individers konsumtionsnivå, vilket i sin tur enligt Magri (2002) har en stark koppling till utbildning. Enligt Dabelle (2004) kan hushåll med både en högre inkomstoch utbildning tänkas ha högre skuldsättning eftersom högutbildade generellt sett har en tryggare arbetssituation med bättre anställningsvillkor och en tydligare löneutveckling än hushåll som saknar utbildning vilket ökar förväntningar om framtida inkomster. Livscykelhypotesen menar vidare att hushåll skuldsätter sig som mest vid relativ ung ålder och att skuldsättningen sedan avtar i och med att åldern och inkomster stiger. (Deaton, 2005, s. 1) 5

6 Med utgångspunkt från detta kan skuldkvoten tänkas vara högre bland unga hushåll med högre inkomster och utbildning. Om så nu är fallet - vad skulle det innebära för den finansiella stabiliteten i Sverige? Amorteringskravet som infördes av Finansinspektionen minskar förvisso de risker som är förknippade med hushållens höga skuldsättning - samtidigt kanske inte åtgärden är tillräcklig eftersom den främst är riktad mot hushåll med lägre inkomster. Det är mot denna bakgrund jag fann det intressant att undersöka hushållens profiler för att se om det går att peka ut vilka hushåll som har högst skuldkvoter och därmed befinner sig i riskzonen att drabbas av ekonomiska störningar. Syftet med den här undersökningen är därför att försöka ta reda på om skuldkvoten följer livscykelns mönster där skuldsättningen är som högst i relativt ung ålder för att sedan avta med stigande ålder fram till pensionering då hushållen förväntas vara skuldfria. Jag vill även undersöka om det går att finna något samband mellan individer med en högre inkomst respektive utbildning och högre skuldkvotsnivåer. Detta för att slutligen kunna föra en diskussion om ytterligare åtgärder skulle krävas för att öka hushållens motståndskraft mot eventuella ekonomiska störningar. Jag vill även se om undersökningen finner stöd för livscykelhypotesen eller den permanenta inkomsthypotesen. Frågeställningen blir således: 1. Finns det något samband mellan ålder och skuldkvot likt det mönster livscykelhypotesen förutspår? 2. Vilken effekt har en högre inkomst respektive utbildning på skuldkvoten? 3. Stödjer resultaten från undersökningen livscykelhypotesen eller den permanenta inkomsthypotesen? Undersökningen använder paneldata för Sveriges 290 kommuner för åren 2010 till Eftersom data är baserat på svenska kommuner är även undersökningen och resultaten i undersökningen begränsade till Sverige vilket innebär att de slutsatser som dras inte är generella resultat som gäller för alla länder. För att besvara frågeställningen utförs en fixed effect regression med skuldkvot som den beroende variabeln och andelen höginkomsttagare, andelen högutbildade och ålder som förklarande variabler. Data för skuldkvoten är tagen från Riksbanken och data för de oberoende variablerna är tagen från Statistiska Centralbyrån. Resultaten från undersökningen visar att det inte går att se något samband mellan ålder och skuldkvot då estimatet för ålder visade på icke signifikanta resultat när kontrollvariabler lades till i regressionen. Vidare har andelen höginkomsttagare en positiv effekt på skuldkvoten vilket 6

7 är ett särskilt intressant resultat då den förväntade effekterna av en högre inkomst på skuldkvoten innan undersökningen var tvetydlig. Resultaten visar även att andelen högutbildade har en positiv effekt på skuldkvoten samtidigt som estimatet visade hög statistisk signifikans. Resultatet är även i linje med de förväntade effekterna av utbildningens effekt på skuldkvoten. Att en högre utbildning har en positiv effekt på skuldkvoten indikerar även att det går att finna ett relativt starkt stöd för den permanenta inkomsthypotesen. Undersökningen finner emellertid inget stöd för livscykelhypotesen. Uppsatsen kommer att disponeras på följande vis: I avsnitt 2 beskrivs den teoretiska bakgrund som ligger till grund för undersökningen. I det här avsnittet tas relevanta konsumtionsteorier och tidigare studier upp. Avsnitt 3 beskriver den data och de variabler som valts ut för undersökningen. Avsnitt 4 redogör för det statistiska tillvägagångssätt som använts i studien. I avsnitt 5 presenteras resultaten medan avsnitt 6 diskuterar och tolkar resultaten mer ingående. Slutligen sammanfattas slutsatserna i avsnitt 7 där även förslag på framtida forskning ges. 2. TEORETISK BAKGRUND Det här avsnittet är uppdelat i två delar; det första avsnittet, avsnitt 2.1, går igenom de konsumtionsteorier som ligger till grund för undersökningen medan avsnitt 2.2 presenterar de viktigaste resultaten från tidigare forskning som gjorts på området. 2.1 KONSUMTIONSTEORIER Under mitten av 1900-talet utvecklade den italienska ekonomen Franco Modigliani tillsammans med Richard Brumberg en teori som fick namnet livscykelhypotesen. Teorin kom att bli den dominerande teorin inom nationalekonomi när det kommer till att analysera hushållens konsumtionsbeteende. Teorin förklarar bland annat hur en nyttomaximerande individ väljer sin totala konsumtion under osäkerhet om framtida inkomster. (Deaton, 2005, s. 4-5) Livscykelhypotesen bygger på en del antagande, bland annat antar teorin att individer är nyttomaximerande och att konsumtionen gradvis stiger över livscykeln - inkomsten ökar kraftigt i början av de arbetsverksamma åren för att därefter pika och stanna av vid pensioneringen. (Alimi, 2013, s. 5) Sambandet kan beskrivas som ett uppochnedvänt u - individen förväntas ha en lägre inkomst i början och i slutet av sin yrkeskarriär vilket innebär att individen skuldsätter sig högre vid en relativt ung ålder. Individen antas vidare ha ett positivt sparande och betala av sina lån under mitten-perioden av livscykeln, det vill säga när 7

8 individen har som högst inkomster. Vidare antar teorin att individer är rationella och kommer att ha betalat av sina skulder i samband med pensioneringen och därmed vara skuldfria. Grundtanken i teorin är att när konsumtionen överstiger inkomsten lånar individen pengar och när konsumtionen är lägre än inkomsten sparar individen istället sina pengar. (Deaton, 2005, s. 1) Figur 1: Illustration av livscykelhypotesen Inkomst Sparande Sparande Konsumtion Ålder Eftersom individen enligt teorin antas vara rationell förväntas individen fatta rationella beslut i valet mellan att konsumera idag eller i framtiden. Individen maximerar sin nytta baserat på de resurser och den information som finns tillgänglig i den aktuella perioden. Resurserna är summan av de sammanlagda inkomsterna; nuvarande- och framtida inkomster samt förmögenhet. Individen förväntas inte lämna något arv efter sig. Konsumtionen, enligt livscykelhypotesen, är proportionell mot livsresurserna, vilket kan liknas vid medelinkomsten en individ har över en hel livscykel en ökning av livsresurserna leder till proportionell ökning av konsumtionen under livscykeln. (American Economic Association, 2014, s ) (Deaton, 2005, s. 6) I likhet med livscykelhypotesen finns det en annan teori som analyserar individers val av konsumtionsnivå. Den permanenta inkomsthypotesen introducerades av den amerikanska ekonomen Milton Friedman i mitten av 1900-talet. Liksom livscykelhypotesen antar teorin att konsumenter är framåtblickande och anpassar sin konsumtionsnivå efter förväntningar om 8

9 framtida inkomster. (Gottfries, 2013, s ) En student som studerar till läkare kommer enligt teorin ha en högre konsumtionsnivå än en sjuksköterska eftersom läkarstudenten har högre förväntningar om framtida inkomster. (Assarsson, 1993, s ) Den permanenta inkomsthypotesen delar upp inkomster i två delar; en permanent del och en tillfällig del. Med en permanent inkomst menas en inkomst som förväntas stanna kvar på den nya inkomstnivån. Konsumtionen antas därefter växa i takt med att den permanenta inkomsten ökar vilket innebär att konsumtionen förändras på ett oförutsägbart sätt när den permanenta inkomsten förändras. Lotterivinst är däremot ett exempel på en tillfällig inkomstkälla - en individ som vinner en stor summa pengar på ett lotteri kommer förmodligen inte tro att han eller hon kommer vinna samma summa pengar igen nästa period. (Gottfries, 2013, s ) Både den permanenta- och den tillfälliga inkomsten kan förändras över tid, men det är enligt teorin den permanenta inkomsten som påverkar hushållens konsumtionsnivå. Konsumtionen handlar alltså inte om individens nuvarande inkomst utan den inkomst individen förväntar sig i framtiden. (SOU, 2013, s. 43) I och med att konsumenten är framåtblickande har konsumtionsfunktionen för den permanenta inkomsthypotesen ett liknande utseende som livscykelhypotesen. Det som skiljer den permanenta inkomsthypotesen från livscykelhypotesen är att den marginella konsumtionsbenägenheten av en ändring i den permanenta inkomsten är hög medan en tillfällig inkomstförändring är mycket låg. (Assarsson, 1993, s. 610) Teorin om permanent inkomst skiljer sig även från livscykelhypotesen då teorin utgår från att hushållen har en oändlig livstid medan individer i livscykelhypotesen endast antas leva under en livsstid. (Gottfries, 2013, s. 99) En hel del kritik har riktats mot livscykelhypotesen och den permanenta inkomsthypotesen, bland annat mot antagandet om rationella individer. Antagandet förutsätter bland annat att hushållen kan omfördela konsumtionen över tiden genom att låna pengar under sämre tider (tider när hushållet erhåller lägre inkomster) och betala tillbaka under goda tiden (tider när hushållen erhåller högre inkomster). Kritiker menar att individens beteende är allt för komplext för att kunna förklaras så enkelt och att individer inte alltid handlar rationellt. Alla individer tänker exempelvis inte långsiktigt och alla individer kan inte låna pengar då många individer, speciellt unga, möter kreditrestriktioner. (Assarsson, 1993, s ) En student som exempelvis har en låg inkomst idag men som förväntar sig en hög inkomst i framtiden kan tänkas vilja konsumera mer än sin nuvarande inkomst idag men banken kommer inte bevilja 9

10 lån till studenten. (Gottfries, 2013, s. 100) Teorierna tar inte heller hänsyn till olika sociala trygghetstjänster som pensioner eller socialförsäkringar. (Deaton, 2005, s. 5) 2.2 TIDIGARE FORSKNING I Sverige är det främst Finansinspektionen och Riksbanken som årligen kommer ut med rapporter över skuldkvotens utvecklingen. I rapporterna redogörs bland annat orsakerna bakom den ökade skuldsättningen som till stor del förklaras av stigande bostadspriser som i sin tur stimulerats av historiskt låga räntenivåer. (Finansinspektionen, 2017, s. 3) I Finansinspektionens bolåneundersökning från 2017 genomförs olika stresstester på hushållen för att se vilken motståndskraft hushållen har vid eventuella ekonomiska störningar. De främsta riskerna Finansinspektionen ser med för höga skuldkvoter är att hushållen inte ska klara av eventuella störningar i ekonomin som exempelvis höjda räntor eller inkomstbortfall. Dessa risker påverkar inte enbart de enskilda hushållen utan kan även innebära en stor risk för hela banksystemet och den finansiella stabiliteten i Sverige. (Finansinspektionen, 2017, s. 3-4) Finansinspektionen använder sig av data från de åtta största bankerna 1 som innefattar hushållens disponibla inkomster, totala lånebörda, lån med säkerhet i bostaden, räntenivåer, amortering, marknadsvärde på säkerheten samt hushållssammansättning. Finansinspektionen gör sedan ett stickprov på hushållsnivå där de valt ut ett mindre antal nya bolåneavtal. (Finansinspektionen, 2017, s. 5) Finansinspektionen finner förhållandevis små skillnader i genomsnittliga belåningsgrader mellan olika inkomstgrupper när de studerar skuldkvoten för nya bolånetagare. Den högsta skuldkvoten finner emellertid Finansinspektionen hos de hushåll med högst inkomster. Detta har enligt Finansinspektionen sin förklaring i att hushåll med höga inkomster också är de hushåll som tenderar att bo i storstadsområden där såväl inkomster som bostadspriser är högre. Finansinspektionen finner även att en högre belåningsgrad har en tydlig koppling till ålder och att de högsta skuldkvoterna är högst för unga hushåll som nyligen etablerat sig på bostadsmarknaden. Detta kan enligt Finansinspektionen bero på att unga hushåll, till skillnad från de äldre, inte hunnit amortera av sin skuld samtidigt som de nya bolånetagarna inte hunnit dra nytta av de stigande bostadspriserna vilket ökat värdet på bostäder. Skuldkvoten antas vidare enligt Finansinspektionen minska vid en ålder kring 50 år. (Finansinspektionen, 2017, s. 7-10) 1 Danske Bank, Handelsbanken, Länsförsäkringar Bank, Nordea, SBAB, SEB, Skandiabanken och Swedbank 10

11 Riksbanken skriver, i motsats till Finansinspektionen, i en rapport från 2016 att den högsta skuldkvoten går att finna bland de lägre inkomstgrupperna, men att skuldkvoten har ökat för samtliga inkomstgrupper. Riksbanken tillägger dock att skuldkvoten bland de med lägst inkomst bör tolkas med försiktighet eftersom de i undersökningen inte tagit hänsyn till skattefria inkomstkällor såsom barn- eller bostadsbidrag vilket kan antas utgöra viktiga inkomstkällor för hushåll med lägre inkomster. (Ölcer&van Santen, 2016, s. 2-3) Riksbanken använder i enighet med Finansinspektionen data från de åtta största bankerna för både individer och hushåll. De variabler de studerar är medel-och medianskuldkvot, total skuld, bolåneskuld, antal år tills bolånet är återbetalat, disponibel inkomst och ålder för åren Riksbanken har delat upp åldrarna för hushållen efter olika åldersdeciler där de tagit medelålder för olika åldersgrupper. Medelvärdet har räknats ut genom att ta hushållsmedlemmarnas genomsnittsålder. Riksbanken rapport visar att de yngre åldersdecilerna som har en medelålder på 28, 34 och 39 år är de hushåll som har högst skuldkvoter. Skuldkvoten för de äldsta låntagarna har enligt undersökningen ungefär hälften så hög skuldkvot som de yngsta vilket indikerar på att skuldsättningen avtar med åldern. (Ölcer&van Santen, 2016, s. 3-4) Den främsta internationella forskningen som går att koppla till min undersökning är en forskningsrapport skriven av Magri år 2002 för Bank of Italy. Magri studerar hushållens skuldsättning i Italien för att undersöka vad som bestämmer utbudet och efterfrågan på lån. Magri använder sig av paneldata från Survey of Households Income and Wealth (SWIW) som ger information om inkomster och nettoförmögenheter för hushåll i Italien i åldrarna år för åren 1989, 1991, 1993, 1995 och Magri använder använder sig av random effect model där hon gör en poolad regression som inkluderar variabler som kan tänkas påverka både utbud och efterfrågan på lån. Variablerna hon använder i regressionen är ålder, ålder i kvadrat, välstånd (nuvarande samt framtida förmögenhet), utbildning, nuvarande inkomst samt risknivå i bostadsområde. (Magri, 2002, s ) De viktigaste resultaten Magri finner i sin undersökning är att skuldsättningen tenderade öka med åldern och att skuldsättningen sedan når en pik vid ungefär 35 år. Nuvarande inkomst visade sig även vara positivt korrelerat med skuldsättning vilket hon finner intressant eftersom resultatet skiljer Italien från forskning från andra länder där de funnit att detta samband varit svagt. Magri finner även i sin undersökning att utbildning var en viktig variabel för skuldsättning och att utbildning ökar förväntningar om framtida inkomster. (Magri, 2002, s. 44) 11

12 Det råder alltså delade meningar mellan Riksbanken och Finansinspektionen om vilken inkomstgrupp som har den högsta skuldkvoten samtidigt som olika konsumtionsteorier pekar åt olika håll. Finansinspektionen har dock baserat sin undersökning på stickprov och inte hela populationen samtidigt som de endast undersökt skuldkvoten hos nya bolånetagare. Både Riksbanken och Finansinspektionen verkar dock eniga om att unga hushåll (hushåll med en medelålder mellan år) är de som har högst belåningsgrad och att belåningen sedan avtar i takt med stigande ålder. Tidigare forskning från Magri från år 2002 pekar även på att skuldsättningen tenderar att öka med åldern där skuldsättningen enligt hennes undersökning når sin pik vid ungefär 35 år. Vidare finner Magri att utbildning har en positiv inverkan på skuldsättningen samtidigt som hon finner ett positivt samband mellan nuvarande inkomst och skuldsättning. Man bör dock ha i åtanke när man analyserar dessa resultat från framförallt Magri att undersökningen är daterad från år 2002 och undersökningen utgår från paneldata från Italien. Mycket har hänt i världsekonomin sedan början av 2000-talet och de resultat hon får fram i sin undersökning blir därför problematiska att applicera på andra länder, inte minst Sverige. Magri skriver själv att hon finner inkomstens effekt på skuldkvoten av extra intresse då det resultatet särskiljer Italien från tidigare forskning från andra länder vilket gör att resultaten får tolkas med försiktighet. De tidigare studierna från Magri ger dock en antydan om generella trender som kan vara till hjälp när man senare analyserar resultaten. Eftersom undersökningar rörande skuldsättning relaterat till ålder och inkomst i Sverige främst består av rapporter från Riksbanken och Finansinspektionen och den största delen av forskningen på området är gjort i andra länder finner jag en liten lucka i forskningen. Min undersökning kommer skilja sig från tidigare undersökningar då valet av variabler främst utgår från hushållens karaktär och vilken inverkan en högre inkomst- och utbildningsnivå har på skuldkvoten samt vilken roll ålder spelar för skuldsättningen. Detta för att få en uppfattning om vilka hushåll som är mest sårbara för ekonomiska obalanser. Min undersökning ligger emellertid främst i linje med Finansinspektionens rapport eftersom min undersökning, i likhet med Finansinspektionens bolånerapport, vill ta reda på vilka hushåll som är mest exponerade för ekonomiska störningar. 12

13 3. DATA OCH VARIABELBESKRIVNING I det här avsnittet redogör jag för den metod som används i undersökningen. I avsnitt 3.1 presenteras den data som använts för respektive variabel samt de avgränsningar som gjorts i undersökningen. Avsnitt 3.2 ger en ingående beskrivning av den statistiska modell som ligger till grund för undersökningen samt för- och nackdelar med modellen. Avsnitt 3.3 innehåller en sammanfattande tabell som beskriver variablernas medelvärde, standardavvikelse samt maxoch min värde. Undersökningen använder sig av paneldata från Sveriges 290 kommuner för åren 2010 till Eftersom datasetet innefattar 290 kommuner över ett tidsspann på sju år säger man att paneldatan är kort och bred. En längre tidsperiod hade varit att föredra då en längre panel ger mer precisa resultat men på grund av begränsningar i data från Riksbanken där data för skuldkvoten inte fanns tillgänglig innan år var detta inte möjligt. Datasetet är jämnt fördelat med 2030 observationer för respektive variabel vilket innebär att datasetet är starkt balanserat. En balanserad panel innebär att undersökningen har tillgång till data för alla kommuner och år medan en obalanserad panel saknar vissa värden. (Stock&Watson, 2010, s. 348) 3.1 BEROENDE VARIABEL Skuldkvot Den beroende variabeln för den här undersökningen är skuldkvot. Skuldkvoten används som ett mått för att mäta hur stora hushållens skulder är i förhållande till disponibla inkomster och ger en fingervisning om hur sårbart ett hushåll skulle vara vid inkomstbortfall, höjd ränta, prisfall på bostäder eller andra ekonomiska störningar. En hög skuldkvot innebär att hushållet måste lägga en större del av sin inkomst på räntekostnader vilket gör hushållet mer sårbart. (Finansinspektionen, 2017, s. 7) Data har hämtats från Riksbanken och gäller medianskuldkvoten för hushåll med bolån för år 2010 till 2016 uppdelat efter kommun. Medianskuldkvoten har valts framför medelskuldkvoten eftersom medelskuldkvoten är mer känslig för extremvärden och onormala värden än medianskuldkvoten. (Bloom&van Santen, 2017, s. 1) Skuldkvoten har beräknats av riksbanken genom att hushållens totala skuld (bolån, kreditkortslån, konsument lån, exklusive studielån) dividerats med hushållens totala nettoinkomst (hushållens förvärvsinkomst minus skatter som ej avser vinster eller förluster från kapital). Bidrag som barn- eller bostadsbidrag har dock inte räknats med. Vidare har hushåll 2 Innan år 2010 mättes skuldkvoten endast på nationell nivå 13

14 som saknar inkomst, bolån eller som har en negativ nettoinkomst exkluderats från datasetet. (Bloom&van Santen, 2017, s.10) 3.2 OBEROENDE VARIABLER Andelen höginkomsttagare En av de förklarade variablerna för den här undersökningen är andelen höginkomsttagare. Data har tagits från Statistiska Centralbyrån och innefattar den sammanräknade förvärvsinkomsten per kommun för åren 2010 till 2016 för personer i åldrarna Den sammanräknade förvärvsinkomsten består av de sammanlagda löpande skattepliktiga inkomsterna, vilket avser inkomster från anställning, företagande, pension, sjukpenning och andra skattepliktiga transfereringar. I sammanräknad förvärvsinkomst ingår inte inkomst av kapital. Anledningen till att jag har valt förvärvsinkomst och inte disponibel inkomst beror på att data saknades för disponibel inkomst. Disponibel inkomst hade dock varit att föredra framför förvärvsinkomst då förvärvsinkomst enbart innehåller inkomst från arbete och inte säger något om hur mycket pengar hushållen har att röra sig med. Disponibel inkomst innehåller hushållens alla inkomster efter skatt samt bidrag och transfereringar. (Ekonomifakta, 2010) Helst hade jag även velat inkludera förmögenheter i form av kapitalinkomster och fastigheter då det även spelar roll när man ska analysera hushållens marginaler. Eftersom jag i denna undersökning endast använder mig av förvärvsinkomst kommer även resultaten tolkas med försiktighet. För att få fram den relevanta inkomstnivån för andelen höginkomsttagare har jag tagit de individer som har en förvärvsinkomster över eller lika med kronor. Jag har sedan räknat ut medelvärdet för varje kommun och dividerat det med folkmängden för kommunerna. På så sätt har jag kunnat skapa en variabel som visar den procentuella andelen höginkomsttagare. I Riksbankens rapport från 2016 har man gjort en indelning där individer med olika inkomster är uppdelade i tio olika decilgrupper där den första inkomstdecilen representerar dem med lägst inkomst och den högsta inkomstdecilen dem med högst inkomst. Jag har med utgångspunkt ifrån detta slagit ihop de fyra högsta inkomstdecilerna och skapat en gemensam kategori med namnet höginkomsttagare. Benämningen höginkomsttagare är i den här undersökningen i hög grad mycket generaliserande och var gränsen går för att anses vara en höginkomsttagare är självfallet en tolkningsfråga. Detta bör man ha i åtanke när man senare läser resultaten från undersökningen. 14

15 Utifrån konsumtionsteorier i avsnitt 2.1 är de förväntade effekterna av andelen höginkomsttagare på skuldkvoten tvetydliga. Å ena sidan skulle en högre inkomst kunna leda till en högre skuldkvot eftersom en högre inkomst innebär en högre medelinkomst i den aktuella tidsperioden vilket enligt livscykelhypotesen ökar konsumtionen. Å andra sidan, om inkomsten överstiger konsumtionen skulle det enligt livscykelhypotesen även kunna innebära att individer med högre inkomster väljer att spara pengar istället för att konsumera, vilket skulle innebära att individer med högre inkomster har lägre skuldkvot än individer med lägre inkomster. Samtidigt antar livscykelhypotesen att individer fattar rationella beslut vilket även talar för att individer med lägre inkomster med exempelvis osäkra anställningar väljer att spara sina pengar snarare än att konsumera dem. (Finocchiaro et al., 2011, s. 9) Vilken effekt en högre inkomst har på skuldkvoten är utifrån livscykelhypotesen går alltså att tolka på olika sätt vilket gör de förväntade effekterna för undersökningen oklara. Andelen högutbildade Undersökningens andra förklarande variabeln är andelen högutbildade. Data för utbildningsnivå är tagen från Statistiska Centralbyrån och gäller befolkningen i åldrarna och är uppdelat efter kommun åren 2010 till Då jag i undersökningen främst är intresserad av vilken effekt en högre utbildning har på skuldkvoten har jag skapat en kategori som heter andelen högutbildade. Kategorin innefattar individer som ingår i kategorierna eftergymnasial utbildning, 3 år eller mer samt forskarutbildning. Jag har sedan adderat dessa två kategorier för att skapa en gemensam kategori för individer med högre utbildning. Jag har slutligen dividerat de individer med en högre utbildning med den totala folkmängden 3 i kommunen. På så sätt har kunnat få ut den procentuella andelen högutbildade för varje kommun. Utifrån den permanenta inkomstthypotesen kan vi förvänta oss att en högre utbildning har en positiv effekt på skuldkvoten eftersom en högre utbildning enligt teorin ökar förväntningar om framtida inkomster. 3 Folkmängden har justerats för saknade värden 15

16 Ålder Undersökningens sista förklarande variabler är ålder. Data är tagen från Statistiska Centralbyrån och gäller medelåldern för respektive kommun för åren 2010 till Eftersom medelvärde tagits för hela kommunen innebär det att alla åldrar i kommunen är medräknade, även extremvärden, vilket kan tänkas påverka resultaten. Önskvärt hade varit att ha mer utförlig data på individnivå eller att endast ha medelvärde på aktuell ålder, det vill säga medelåldern för de individer som får ta lån. Men på grund av databrist var detta inte möjligt. De förväntade effekterna av ålder på skuldkvoten är enligt livscykelhypotesen att ålder har en positiv effekt på skuldkvoten; individen förväntas skuldsätta sig som mest i en relativt ungt ålder och sedan förväntas skuldsättningen avta med stigande inkomster och ålder. Individen förväntas betala tillbaka sina lån fram till pensioneringen och efter pensionering är individen enligt teorin skuldfri. Eftersom skuldsättningen förväntas avta med åldern har jag lagt till en variabel som beskriver detta samband. Den förväntande effekten av ålder i kvadrat är att ålder 2 har en negativ effekt på skuldkvoten. Tabell 1. Förväntade effekter utifrån teorierna Variabel Höginkomsttagare Högutbildade Ålder Ålder 2 Förväntade effekter Oklar Positiv Positiv Negativ 16

17 3.3 KONTROLLVARIABLER Huspriser Huspriser kommer i denna undersökning användas som en kontrollvariabel. Anledningen till att jag valt att ta med huspriser som kontrollvariabel är för att en stor del av den ökade skuldsättningen enligt Finansinspektionen (2017) har drivits av stigande bostadspriser. Bolån utgör dessutom cirka 80 % av hushållens totala skulder vilket innebär att stigande huspriser ökar skuldkvoten då den disponibla inkomsten för hushållet minskar. (Finansinspektionen, 2017, s. 4) Bostadspriser förväntas därför ha en positiv effekt på skuldkvoten. Data för huspriser är tagen från Statistiska Centralbyrån och består av köpeskillingen i medelvärde för sålda småhus (permanent bostad ej tomträtt) för åren 2010 till Medelvärde har valts för undersökningen då medianvärde inte fanns tillgängligt på Statistiska Centralbyrån. Att jag använder medelvärde och inte medianvärde kan tänkas påverka resultatet eftersom medelvärde fångar upp alla extremvärden för huspriserna inom kommunerna. Detta kan ge ett snedvridande värde för huspriserna vilket kan ge ett missvisande resultat. Önskvärt hade även varit att ha en variabel för bostadspriser som inkluderade lägenhetspriser eftersom fler unga kan antas köpa lägenheter snarare än hus, i alla fall om man tittar i större städer. Att enbart inkludera huspriser kan därför tänkas påverka resultatet och analysen. Dock saknades data för lägenhetspriser och jag kommer därför endast ha med huspriser. Skattesats Skattesats är en kontrollvariabel som jag har valt att inkludera i regressionen eftersom skattesatsen skiljer sig åt mellan kommuner och är en variabel som kan tänkas påverka skuldkvoten. En högre skattesats innebär att hushållen har mindre pengar att röra sig med, det vill säga hushållens disponibla inkomster minskar. Individer som bor i kommuner med en högre skattesats kan även tänkas räkna in den höga skatten i sina beräkningar vilket även skulle kunna innebära att individerna väljer att belånar sig mindre. Data är tagen från Statistiska Centralbyrån där skattesatsen innebär den totala skattesatsen för både kommun och landsting i procent mellan åren 2010 till

18 4. STATISTISK METOD Det här avsnittet är uppdelat i tre olika delar. Avsnitt 4.1 beskriver den modell som används för undersökningen och förklarar de olika termerna som ingår i modellen. Avsnitt 4.2 ger en mer ingående beskrivning av modellen; vilka styrkor respektive svagheter modellen har samt hur valet av modell motiverats. Avsnitt 4.3 presenterar slutligen deskriptiv statistik för de variabler som används i undersökningen. 4.1 MODELL SOM ESTIMERAS För att kunna estimera och analysera vilken effekt de oberoende variablerna har på skuldkvoten kommer jag att använda fixed effect model (FEM) som illustreras i Regressionsmodell 1&2 nedan. Den första regressionsmodellen, Regressionsmodell 1, visar en fixed effect model där tidsdummys är inkluderade. Jag har även valt att komplettera Regressionsmodell 1 med en regressionsmodell där tidsdummys är exkluderade. Detta för att se vilken eventuell betydelse tiden har för estimaten. Störst vikt kommer emellertid läggas på Regressionsmodell 1. Termen a i står för o-observerad individuell heterogenitet som varierar mellan kommuner men som inte varierar över tid. Genom att använda fixed effect model kan man hålla dessa skillnader mellan kommunerna konstanta. Termen u it står för residualen, i står för kommun och t för tid (år). Regressionsmodell 1: Fixed Effect Model inklusive tidsdummys Y it = β 1 X 1it + β 2 X 2it + β 3 X 3it + β 4 X 4it + β 5 X 5it + β 6 X 6it + a i + λ u it Regressionsmodell 2: Fixed Effect Model exklusive tidsdummys Y it = β 1 X 1it + β 2 X 2it + β 3 X 3it + β 4 X 4it + β 5 X 5it + β 6 X 6it + a i + u it Y = Skuldkvot X 1 = Andelen höginkomsttagare X 2 = Andelen högutbildade X 3 = Ålder X 4 = Ålder 2 X 5 = Huspriser X 6 = Skattesats 18

19 4.2 STATISTISK SPECIFIKATION Fixed effect model är en metod som används för att analysera paneldata. Fördelen med FEM är att modellen tillåter den individuella heterogeniteten att korrelera med en eller flera av de oberoende variablerna genom att den kontrollerar för utelämnade variabler när den utelämnade variabeln varierar mellan enheter (i mitt fall kommuner) men inte över tid. I modellen representeras detta av termen a i och genom att inkludera denna term minskar man risken för Omitted Variable Bias (som innebär att det finns utelämnade variabler i regressionen som är korrelerade med en utav de oberoende variablerna och som har effekt på den beroende variabeln). (Stock&Watson, 2010, s. 354) Om utelämnade variabler är konstanta över tid men varierar mellan kommuner (exempelvis attityder eller normer) medan andra variabler är konstanta mellan kommuner men varierar över tid (exempelvis lagar) är det lämpligt att inkludera både kommun- och tidseffekter. I den här undersökningen kommer jag att inkludera både kommun- och tidseffekter eftersom attityder och normer rörande skuldsättning kan tänkas variera mellan kommunerna samtidigt som införandet av exempelvis amorteringskravet kan tänkas ha en påverkan på skuldkvoten. (Stock&Watson s ) Jag kommer även komplettera med en regression som enbart innehåller kommunfixa-effekter och inte tidsfixa-effekter (regression 2), detta för att se vilken effekt tiden har på resultaten. I regressionsmodellerna ovan representerar a i de kommunspecifika effekterna medan λ t är tidsfixa effekterna. Denna kombinerade regression med både kommun- och tidsfixa effekter eliminerar Omitted Variable Bias som kan uppstå från både o-observerade variabler som är konstanta över tid och som är konstanta mellan kommuner. (Stock&Watson s ) En annan modell som är används för att analysera paneldata är random effect model (REM). I REM dras ett slumpmässigt urval från en större population för att sedan kunna dra slutsatser om hela populationen. Till skillnad från fixed effect model antas variationen mellan kommunerna vara slumpmässiga och o-korrelerad med de oberoende variablerna i modellen vilket tillåter variabler med tidsvarians att fungera som förklarande variabler. Detta gör att man i REM kan inkludera variabler som kön och etnicitet vilket man inte kan göra i FEM. (Gujarati, 2004, s ) 19

20 Valet av modell beror alltså på vad man ämnar att undersöka, vilket urval man har att utgå ifrån samt om det finns korrelation mellan a i och de oberoende variablerna. (Gujarati, 2004, ) Om man är osäker på vilken av modellerna man ska välja till sin undersökning kan man använda sig av ett Hausman-test. Testet går ut på att jämföra koefficienterna för att se om det går att observera signifikanta skillnader och om det går att upptäcka korrelation mellan a i och de förklarande variablerna. Ett hypotestest ställs upp på följande vis: H 0 : Det finns inga statistiskt signifikanta skillnader mellan koefficienterna H 1 : Det finns statistiska skillnader mellan koefficienterna Om nollhypotesen förkastas (det vill säga att det inte går att säga att det inte finns några statistiskt signifikanta skillnader mellan koefficienterna) är FEM att föredra framför REM eftersom det innebär att korrelation mellan variablerna kan förekomma och REM hade då inte genererat pålitliga resultat eftersom modellen inte tar hänsyn till detta. (Gujarati, 2004, s. 651) Efter att ha utfört ett Hausman-test kunde nollhypotesen förkastas vilket innebär att FEM är att föredra framför REM i den här undersökningen (se Tabell A1 i Appendix). Fixed effect model är emellertid inte en perfekt modell och det finns en del risker förknippade med användandet av modellen. En av riskerna är om det inte finns tillräckligt med variation i den beroende variabeln. En stor fördel med FEM är, som nämnt i tidigare avsnitt, att modellen kontrollerar för utelämnade variabler när den utelämnade variabeln varierar mellan enheter men inte över tid. I och med detta kastar modellen bort dålig variation i datan vilket är bra. Nackdelen med modellen är emellertid att även god variation kastas bort - det vill säga variation som skulle kunna förklara vilken effekt de oberoende variablerna har på skuldkvoten. Med lite variation i den beroende variabeln har man lite information om hur de oberoende variablerna förändras när den beroende variabeln förändras. Detta riskerar att leda till att man får stora standardfel för skuldkvoten samtidigt som modellen gör det svårare att få statistiskt signifikanta resultat vilket i sin tur gör det svårare att uttala sig om samband mellan den beroende variabeln och de oberoende variablerna. (Stock&Watson, 2010, s ) En annan risk med fixed effect model handlar om mätfel i den beroende variabeln. I paneldata kommer klassiska mätfel i den beroende variabeln orsaka en försvagning av bias för estimatet för de oberoende variablerna. De oberoende variablerna kommer då få estimat som är biased mot noll. Med fixed effect model kommer detta bias bli ännu större. För att undvika de risker 20

21 som är förknippade med fixed effect model behöver man en tillräckligt stor variation inom varje variabel av intresse, annars riskerar man att få stora standardfel. (Stock&Watson, 2010, s ) 4.3 DESKRIPTIV STATISTIK Tabell 3: Deskriptiv statistik Variabel Observationer (antal) Medelvärde Standardavvikelse Min Max Skuldkvot (%) ,0 73,9 80,0 437,0 Höginkomsttagare (%) ,1 2,8 1,0 20,0 Högutbildade (%) ,6 4,5 4,8 33,3 Ålder (År) ,2 2,6 36,4 49,7 Huspriser (Tkr) , ,7 248, ,0 Skattesats (%) ,5 1,3 28,9 35,1 Källa: Riksbanken och Statistiska Centralbyrån. 21

22 5. RESULTAT I det här avsnittet kommer resultaten från de utförda regressionerna att redovisas. I den första tabellen (tabell 3) utförs en fixed effect regression där tidsdummys är inkluderade medan regressionen i tabell 4 har genomförts utan tidsdummys. Resultaten i tabellerna är uppdelat på följande vis: i kolumn (1) har en regression utförts med skuldkvot som den beroende variabeln och andelen höginkomsttagare som den oberoende variabeln. I kolumn (2) har den oberoende variabeln andelen högutbildade lagts till i regressionen. I kolumn (3) inkluderas även de oberoende variablerna ålder och ålder 2 och slutligen i kolumn (4) har kontrollvariablerna huspriser och skattesats lagts till i regressionen. Vidare står standardfel i parantes under estimaten. Den statistiska signifikansen tolkas på följande sätt: *** = Estimatet är signifikant på 1 %- nivå ** = Estimatet är signifikant på 5 %- nivå * = Estimatet är signifikant på 10 %- nivå Längst ner i tabell 3 och 4 hittar man determinationskoefficienten vilket benämns som R 2. Värdet på determinationskoefficienten visar för den här undersökningen hur mycket av variationen i skuldkvoten som förklaras av de oberoende variablerna. I den tredje kolumnen i tabell 3 kan man se att variationen i skuldkvoten förklaras till 67,9 % när alla variabler är inkluderade i regressionen. I tabell 4 är tidsdummys exkluderade och då kan variationen i skuldkvoten förklaras till 65,6 %. En lågt determinationskoefficient betyder att det finns en eller fler utelämnade variabler som kan ha effekt på skuldkvoten men som vi inte känner till. Som man kan se i tabell 2: Deskriptiv statistik i föregående avsnitt är alla variabler förutom ålder och huspriser mätt i procent. Variabeln ålder är mätt i år och huspriser är mätt i tkr. Tolkningen av resultaten från regressionerna blir därför att om ålder ökar med 1 år ökar/minskar skuldkvoten i genomsnitt per kommun med X %. Om huspriser ökar med ettusen kronor ökar/minskar skuldkvoten i genomsnitt per kommun med X %. Om resterande variabler (andelen höginkomsttagare, andelen högutbildade och skattesats) ökar med 1 % så ökar skuldkvoten i genomsnitt per kommun med X %. 22

23 Om man enbart tittar på effekten av andelen höginkomsttagare på skuldkvoten ser man i den första kolumnen i tabell 3 att estimatet för andelen höginkomsttagare har en positiv effekt på skuldkvoten och att estimatet är signifikant på 1 %- nivå. Estimatet kan tolkas som att om andelen höginkomsttagare ökar med 1 % ökar skuldkvoten i genomsnitt per kommun med 7,15 %. När sedan andelen högutbildade läggs till i regressionen i den andra kolumnen minskar estimatet för andelen höginkomsttagare från 7,15 till 3,32. Vidare kan man se i den andra kolumnen att andelen högutbildade har en positiv effekt på skuldkvoten vilket kan tolkas som att när andelen högutbildade ökar med 1 % ökar skuldkvoten i genomsnitt per kommun med 18,41 %. Båda resultaten är signifikanta på 1 %- nivå. I den tredje kolumnen läggs variablerna ålder och ålder 2 till i regressionen vilket minskar estimatet för andelen höginkomsttagare från 3,21 till 2,60. Estimatet för andelen högutbildade minskar även från 18,41 till 18,11. Båda resultaten är signifikanta på 1 %- nivå. Vidare har estimatet för ålder en positiv effekt på skuldkvoten medan ålder2 har en negativ effekt. Estimatet för ålder kan tolkas som att när medelåldern ökar med ett år ökar skuldkvoten i genomsnitt per kommun med 53,18 %. Båda resultaten är signifikanta på 5 %- nivå. Då alla förklarande variabler har statistiskt signifikanta effekter på skuldkvoten visar det att de förklarande variablerna ledde till Omitted Variable Bias i första kolumnen. I den fjärde och sista kolumnen läggs kontrollvariablerna huspriser och skattesats till i regressionen. Estimatet för andelen höginkomsttagare minskar från 2,60 till 0,87 och är signifikant på 10 %- nivå. Vidare minskar estimatet för andelen högutbildade från 18,11 till 10,61 och är fortfarande signifikant på 1 %- nivå. I den fjärde kolumnen kan man även se att kontrollvariabeln huspriser har en positiv effekt på skuldkvoten och estimatet kan tolkas som att om huspriser ökar med ettusen kronor ökar skuldkvoten i genomsnitt per kommun med 0,02 %. Ålder, ålder 2 och skattesats uppvisade alla icke signifikanta resultat i den fjärde kolumnen. 23

24 Tabell 3: Regression 1 Förklarande variabler (1) (2) (3) (4) Skuldkvot Skuldkvot Skuldkvot Skuldkvot Höginkomsttagare *** *** *** * (0.762) (0.596) (0.554) (0.495) Högutbildade *** *** *** (1.553) (1.444) (1.721) Ålder ** (22.00) (22.82) Ålder ** (0.249) (0.257) Huspriser *** ( ) Skattesats (0.913) Konstant *** ** (2.497) (15.19) (480.7) (502.1) N R Standardfel i parentes * p < 0.10, ** p < 0.05, *** p < 0.01 I tabell 4 nedan har jag utfört en kompletterande regression som exkluderar tidsdummys. Detta för att se vilken eventuell effekt tiden har på estimaten. I de de tre första kolumnerna i tabell 4 visar estimaten liknande resultat som tabell 3. Det som främst skiljer tabell 4 från tabell 3 är att estimatet för andelen höginkomsttagare tappar sin statistiska signifikans i den fjärde kolumnen när kontrollvariabler inkluderas. Estimatet för andelen högutbildade har däremot fortfarande en positiv effekt på skuldkvoten med hög statistisk signifikans. Estimatet för andelen högutbildade kan tolkas som att när andelen högutbildade ökar med 1% ökar skuldkvoten med 7,26 %. Vidare uppvisar varken ålder eller ålder 2 statistiskt signifikanta resultat. Slutligen tappar kontrollvariabeln huspriser sin statistiska signifikans från att vara signifikant på 1 %- nivå i tabell 3 till att vara signifikant på 10 %- nivå. Estimatet för skattesats uppvisar en negativ koefficient och är statistiskt signifikans på 1 %- nivå. Estimatet kan tolkas som att om skattesatsen ökar med 1 % minskar skuldkvoten i genomsnitt per kommun med 3,60 %. 24

25 Tabell 4: Regression 2 Variabler (1) (2) (3) (4) skuldkvot skuldkvot skuldkvot skuldkvot Höginkomsttagare *** *** ** (0.455) (0.555) (0.499) (0.434) Högutbildade *** *** *** (0.942) (0.943) (0.991) Ålder *** (24.50) (22.41) Ålder *** (0.279) (0.255) Huspriser *** ( ) Skattesats *** (0.805) Konstant *** *** *** (1.867) (8.549) (535.0) (495.2) N R Standardfel i parantes * p < 0.10, ** p < 0.05, *** p < DISKUSSION Den förväntade effekten för andelen höginkomsttagare på skuldkvoten, sett utifrån konsumtionsteorier och tidigare forskning på området, var innan undersökningen tvetydliga. En högre inkomst skulle enligt livscykelhypotesen å ena sidan kunna leda till högre konsumtion (och därmed högre skuldsättning) eftersom en högre inkomst ökar medelinkomsten för perioden vilket skulle öka skuldsättningen. Å andra sidan skulle en högre inkomst även kunna leda till minskad konsumtion utifrån teorin om avtagande marginalnytta samtidigt som en högre inkomst enligt livscykelhypotesen även kan öka sparandet vilket i sin tur skulle minska konsumtionen för individer med högre inkomster. Rapporter från Finansinspektionen och Riksbanken pekade även åt olika håll där Finansinspektionen menade att höginkomsttagare hade högre skuldkvot medans Riksbanken fann de högsta skuldkvotsnivåerna bland de med lägre inkomster. I den fjärde kolumnen i tabell 3 finner jag att estimatet för andelen höginkomsttagare har en positiv effekt på skuldkvoten; om andelen höginkomsttagare ökar med 1 % ökar skuldkvoten i genomsnitt per kommun med 0,87 %. Den ekonomiska tolkningen är att resultatet har en relativt hög ekonomisk signifikans och därmed spelar roll i det verkliga 25