Hushållens värdering av egenskaper i bostäder och bostadsområden. Urban Fransson, Gunnar Rosenqvist & Bengt Turner

Hushållens värdering av egenskaper i bostäder och bostadsområden Urban Fransson, Gunnar Rosenqvist & Bengt Turner Institutet för bostads- och urbanforskning

INSTITUTET FÖR BOSTADS- OCH URBANFORSKNING Institutet för bostads- och urbanforskning inrättades den 1 juli 1994 som en del av Uppsala universitet. Institutets uppgifter är att bedriva och främja forskning rörande bostäder, boende och bebyggelse. Institutet medverkar också i universitetsutbildningen. Uppfattningar, åsikter, värderingar och förslag som framförs i skrifter från institutet bör tillskrivas författarna och ej institutet som sådant. Redaktionskommitté: Roger Andersson Lars-Erik Borgegård Jim Kemeny Bengt Turner Evert Vedung Rune Wigren Institutet för bostads- och urbanforskning Uppsala Universitet Box 785 801 29 GÄVLE ISSN: 1401-0933 ISRN: UU-IBF 02/1--SE

INSTITUTE FOR HOUSING AND URBAN RESEARCH The Institute for Housing and Urban Research was established in 1994 as a department within the Uppsala University. The Institute carries out research on housing and urban affairs, and contributes to higher education. Interpretations, opinions and recommendations expressed in publications from the Institute are those of the authors and not the Institute. Editorial Committee Roger Andersson Lars-Erik Borgegård Jim Kemeny Bengt Turner Evert Vedung Rune Wigren Institute for Housing and Urban Research Uppsala University PO Box 785 SE-801 29 Gävle SWEDEN

Förord Denna studie har finansierats av Sveriges Fastighetsägare och det är tack vare deras tålmodiga bistånd som detta arbete har kunnat genomföras. Arbetet har pågått under mer än ett år och det har kännetecknats av alla de vedermödor och bakslag som ett seriöst forskningsarbete råkar ut för. Sveriges Fastighetsägare, som ändock är en intresseorganisation, har haft stor respekt för vår integritet och för att forskningsområdet rymmer stora metodologiska problem. Resultatet av vår möda har blivit en utvecklad teknik för s.k. stated preference studier, d.v.s. tekniken att fråga hushållen om deras betalningsvilja för olika typer av bostäder med olika utrustning i olika lägen i en stad Resultatet har också blivit ny kunskap om hur hushållen värderar olika egenskaper i huset och i omgivningen. Till viss del kan denna kunskap vara användbar vid tillämpning av bruksvärdesprincipen i samband med hyresförhandlingar. Vi skall därför tacka Bengt Nyman och Per-Åke Eriksson hos fastighetsägarna. Vi skall också tacka K A Stefan Svensson och Cecilia Enström som båda hjälpte till med materialinsamling i samband med konstruktionen av vår enkät. Vi skall också tacka SCB och deras personal för all hjälp med den komplicerade enkät som vi var nödgade att använda oss av. Gävle 19 november 2001 Urban Fransson Gunnar Rosenqvist Bengt Turner

Innehållsförteckning Förord 4 1. Inledning 7 1.1 Tidigare studier 8 1.2 Vår studie 9 2. Angreppssätt och data 11 2.1 Metodens tillförlitlighet 12 2.2 Betalningsvilja och den statistiska modellen 13 2.3 Enkät och översiktliga uppgifter 14 3. Betalningsvilja för olika bostadsområden 17 4. Reflexioner om hyressättningen 23 4.1 Tillgång och efterfrågan på bostäder 23 4.2 Metodutveckling hur stora är egentligen skillnaden i betalningsvilja mellan olika bostadsområden 23 4.3 Metodutveckling hur kan skillnaderna i betalningsvilja mellan olika bostadsområden förklaras 26 5. Betalningsvilja och områdesegenskaper 27 5.1 Inledning 27 5.2 Betalningsvilja och områdesegenskaper 28 5.3 Betalningsvilja och sociodemografiska variabler 32 6. Pris på komplementära egenskaper och tjänster 35 6.1 Inledning 35 6.2 Betalningsviljan för olika hushåll på olika marknader 36 6.3 Kompensation för bortfall av egenskaper eller tjänst 37 6.4 Assymetrier: betalningsvilja och krav på kompensation 38 7. De boendes preferenser för olika egenskaper i bostadsområdet 41 7.1 Närhet till andra områden 42 7.2 Utformning, tjänster och boende i området 44 7.3 Miljö i anslutning till fastigheten 46 7.4 Lägenhetens utformning och standard 47 7.5 Skilda hushållsgruppers värderingar 48

7.6 Fem typfall 51 8. Sammanfattning och slutsatser 59 9. Referenser 63 Bilaga 1. Undersökningspopulationen 65 Bilaga 2. Betalningsvilja uttryck i årshyra per kvadratmeter för olika bostadsområden på de sex lokala bostadsmarknaderna 71 Bilaga 3. Betalningsviljan för olika bostadsområden, fördelat efter det bostadsområde som respondenterna själva bor i på de sex lokala bostadsmarknaderna 75 Bilaga 4. Betalningsvilja och områdesegenskaper 79 Bilaga 5. Pris på komplementär utrustning och tjänster 93 Bilaga 6. De boendes preferenser för olika egenskaper i bostadsområdet 103

7 1. Inledning Sverige har ett administrativt system för hyressättning, där hyrorna sätts genom förhandlingar mellan parterna på hyresmarknaden. Inom ramen för hyreslagens bestämmelser om den så kallade bruksvärdesprövningen skall hyrorna sättas så att de speglar hushålls allmänna värderingar (proposition 1974:150). En hyressättning baserad på hushållens allmänna värderingar leder emellertid till en hyressättning som i regel klart avviker från den hyressättning som hypotetiskt skulle råda på en oreglerad marknad. Orsaken är att hyressättningen på en oreglerad marknad bestäms på marginalen: utbudets storlek på olika delmarknader, i kombination med den högsta betalningsviljan på marginalen för dessa bostäder, bestämmer den faktiska hyresstrukturen. I det svenska systemet får de allmänna värderingarna i stället ett genomslag på hyressättningen. Dessa värderingar, uttryckt som betalningsvilja, är förvisso högre i attraktiva och centralt belägna delar av en stad än i t.ex. ett typiskt miljonprogramsområde. Hushållens värderingar av det attraktiva området uppvisar emellertid en stor spridning; allt från barnfamiljen med låga inkomster, som inte har särdeles stor efterfrågan på det kulturutbud och den service som tillhandahålles i ett centralt beläget område, till hushåll utan barn, med stora inkomster och en hög betalningsvilja för det utbud som finns i denna del av staden. Det är inte självklart vems värderingar som skall ligga till grund för hyressättningen, såvida inte hyreslagens förarbete skall tolkas som att det är ett statistiskt genomsnittligt hushålls värderingar som helt skall bestämma hyresstrukturen. I denna rapport ger vi ett underlag som möjliggör ett beaktande av att skilda hushållstyper har större eller mindre intresse av t.ex. ett centralt och attraktivt beläget bostadsområde. En oreglerad marknad utmärks normalt av betydande skillnader mellan attraktiva och mindre attraktiva områden inom en stad. Enkla överslagsberäkningar av prisbildningen på bostadsrätter i Stockholms län visar t.ex. på en hyresskillnad, om avgifter och överlåtelsepriser omräknas till en löpande hyra, på mellan 800 kronor per kvadratmeter i de minst attraktiva delarna av länet upp till 1800 kronor för den högsta decilen. Orsaken till att skillnaderna är så påtagliga är att en oreglerad marknad påverkas av att utbudet av attraktiva och centralt belägna lägenheter är litet i förhållande till utbudet av lägenheter i t.ex. miljonprogramsområden. Därav förstår man att skillnaden mellan en hyressättning baserad på allmänna värderingar hur dessa än definieras avviker från en hyressättning som imiterar marknadens hyressättning; de hushåll som är villiga att betala mest för de tillgängliga

8 lägenheterna får tillgång till dessa, samtidigt som deras betalningsvilja på marginalen bestämmer hyresnivån. I svensk hyressättningspraxis är det i regel varken marknadshyror eller hyror baserade på allmänna värderingar som råder. I stället finns det starka inslag av historiska byggkostnader i hyressättningen på många lokala hyresmarknader. Det historiska inslaget blandas med olika strategier att anpassa hyressättningen i riktning mot hyresgästernas genomsnittliga preferenser. Det första medlet för att åstadkomma detta har varit Hyresmarknadskommitténs rekommendationer som konstruerades redan på 1970-talet. Systemet innehåller nycklar för att fördela det totala hyresbeloppet i ett kommunalt bostadsföretag på lägenheterna efter yta, rumsantal och fastigheternas ålder. Miljöfaktorer, och eventuellt läget, korrigeras med hjälp av poängtal. Metoden innebär ofta att åldern på fastigheterna får starkt genomslag på hyressättningen. Många kommunala bostadsföretag använder sig av en modell som ligger Hyresmarknadskommitténs rekommendationer nära. Därigenom blir modellen relevant även för det privata hyresbeståndet på orten, eftersom hyreslagens ger de kommunala bostadsföretagens hyra en normgivande roll. 1.1 Tidigare studier Genom tiderna har åtskilliga utredningar både på lokal och på statlig nivå genomförts för att utröna hur en hyressättning skulle se ut om den baserades på hushållens allmänna värderingar och betalningsvilja. I litteraturlistan finns en gedigen genomgång av studier med denna inriktning. Några olika inriktningar på tidigare studier är värda att lyfta fram i detta sammanhang. Lokala s.k. stated preference - studier har genomförts på olika lokala bostadsmarknader. Björn Hårsman är en svensk pionjär inom området. Forskare som Tommy Berger, Lena Magnusson, Urban Fransson, Lawrence Teeland och Bengt Turner vid IBF och olika konsulter; t.ex. Temaplan har följt i spåren. Syftet har i regel varit att finna ut hur mycket mer, eller mindre, som hyresgästerna är villiga att betala i hyra för de andra bostadsområdena, sett i relation till det egna området. Resultaten har sedan legat till grund för strategiska diskussioner vid senare hyresförhandlingar. Inom den statliga utredningssfären har frågan ställts mer generellt; hur skulle en hyressättningsmetod se ut som bättre svarar mot hushållens preferenser, och hur långt från denna idealbild befinner vi oss nu? Turner m.fl. har gjort ekonometriska analyser av bostadsrättsmarknaden, eftersom denna marknad kan sägas utgöra en jämförbar, men oreglerad marknad. I studier för Birgerssons utredning har vidare Fransson och Magnusson genom enkäter och stated preference - studier sökt finna ett generellt mönster för hur hushållen värderar några viktigare egenskaper, såsom bostadsområdets läge, mätt som avstånd till centrum.

9 De senaste studierna har grundats på föreställningen att de största avvikelserna mellan dagens hyressättning, och en hyressättning som bättre stämmer överens med hushållens allmänna värderingar, beror på ett antal faktorer. Varav den så kallade avståndsfaktorn är en av dem. Central belägna lägenheter har för låg hyra i förhållande till ocentralt belägna lägenheter. I stället har en på historiska bygg- och kapitalkostnader baserad hyressättning fått alltför stor tyngd. Slutsatserna av studierna har i regel bekräftat hypotesen. Hyressättningen är inte tillräckligt känslig för avståndsfaktorn, även om avvikelserna är olika stora i olika kommuner. 1.2 Vår studie Denna studie har en djärv ambition, eftersom den syftar till att mäta värderingarna i ett mångdimensionellt plan. Det låter kryptiskt, men det kan ges en enkel beskrivning. Hushållen bryr sig egentligen varken om fastighetens ålder eller om avstånd till centrum i kilometer. I stället är de verkliga värdebärarna en mix av egenskaper såsom fastighetens läge i förhållande till närservice, offentlig service, centrala kulturutbud och större köpcentra, kommunikationer och natur. Med avancerad statistisk analys kan vi utröna hushållens betalningsvilja för dessa olika egenskaper och kvaliteter och på sikt komma fram till en modell som kan beakta en hel uppsättning lägesfaktorer i stället för den endimensionella avståndsfaktorn i form av kilometer till city. Utöver detta djärva statistiska experiment innehåller studien också analyser av hushållens betalningsvilja för ett stort antal disparata egenskaper i lägenheten, fastigheten och bostadsområdet. Studien innehåller även analyser av hur betalningsviljan för olika egenskaper fördelar sig på olika typer av hushåll. Vi kan svara på frågan om unga/fattiga/högutbildade hushåll värderar olika egenskaper på ett systematiska annorlunda sätt än andra typer av hushåll. Därmed är det möjligt att anpassa hyressättningen efter en önskad eller faktisk hyresgästkategori. Detta är viktigt, eftersom det möjliggör en nyansering av synen på de allmänna värderingarnas betydelse för hyressättningen. Uppsatsen inleds med en presentation av den enkät som har legat till grund för studien. Data och angreppssätt redovisas och resultat från de olika delstudierna presenteras. Det är resultat från en delstudie av betalningsvilja, en studie av betalningsvilja för särskilda egenskaper i bostaden och i dess närmiljö samt en analys av allmänna preferenser för olika komponenter i boendet. En sammanfattning avslutar studien. Slutligen skall det ånyo understrykas att vår analys inte syftar till att utarbeta en hyressättningsmodell för Sverige. Vårt syfte inskränker sig till att utveckla metoder, och öka kunskapen om hushållens betalningsvilja för olika egenskaper i lägenheten och fastigheten, som ett underlag till kommande hyressättningsdiskussioner.

10

11 2. Angreppssätt och data En individs preferens för bostad och bostadsområde är instrumentell i så måtto att vissa livsmål och sådana värden som trygghet, säkerhet, närhet till vänner etc. uppnås med hjälp av de attribut som kan hänföras till bostaden och bostadsområdet. Värderingen av egenskaperna sker via de aktiviteter som egenskaperna anses främja, och som i sin tur bidrar till att uppfylla den boendes livsmål. Man kan således säga att individen söker efter en bostad och ett bostadsområde som hjälper henne/honom att uppfylla livsmål och viktiga värden i livet. Målen och värdena i livet förändras över individernas livscykel. Det innebär att aktiviteter och därmed önskningarna, preferenserna, för olika bostadsegenskaper förändras. Ungdomar värderar andra egenskaper hos bostaden än vad t.ex. småbarnsfamiljer gör. Värderingen av egenskaper kan därför relateras till olika hushållstyper. Fördelningen av individernas betalningsvilja byggs upp av ett antal underfördelningar för olika kategorier av människor som t.ex. ungdomar, barnfamiljer, äldre, folk med olika starka ekonomiska resurser. Hur skall man uppskatta betalningsviljan för en nyttighet tjänst eller vara som det inte finns en fungerande marknad för? I litteraturen påvisas två alternativa vägar: direkta respektive indirekta metoder. De indirekta metoder bygger på att det finns ett pris på en vara/tjänst inom vilket vår nyttighet ingår, t.ex. hedonic pricing. Den direkta metoden baseras på att efterlikna en marknad för nyttighet, varpå den tillfrågade uttrycker sin betalningsvilja (WTP) för nyttigheten. En sådan stated preference metod är contingent valuation method (CVM) (Green, Jacowitz m.fl.). Den har kommit att användas för att t.ex. värdera skador och åtgärder i miljön. Avsikten är att mäta betalningsviljan för en miljöåtgärd genom att värdera denna nyttighet på en tänkt marknad. De framtagna värdena är betingade av den presenterade hypotetiska marknaden. Värderingen av nyttigheten påverkas av bl.a. individens förmögenhet och inkomst. Metoden utvecklades i USA och den användes bl.a. vid Exxon Valdez katastrofen för att värdera förlusten av användarvärden Respondenter tillfrågas hur mycket de, som mest, är beredda att betala för en given förändring av kvantiteten (eller kvalitén) av nyttigheten. Metoden är, generellt sett, uppdelad i tre (3) delar: 1) Beskrivning av varan; 2) Respondenten anger sin maximala betalningsvilja; 3) Frågor om individens (hushållets) relevanta egenskaper. Det är viktigt att den tillfrågade tar scenariot på allvar, t.ex. genom att den svarande beaktar sin budgetrestriktion. Svaren bör vara sådana att man kan anta att det bakom dem finns viss rationalitet i ställningstagandet. Ett av syftena är att få den tillfrågade att tänka igenom sina preferenser för nyt-

12 tigheten. Ett annat syfte är att bestämma vilka faktorer som har betydelse för betalningsviljans storlek och att värderingar av en nyttighet varierar mellan individer med olika egenskaper. Metoden äger stor tillämpbarhet i denna studie. Varan/tjänsten är känd det är en fråga om hur villig jag är, som konsument av varan/tjänsten, att betala för den. En miljöinvestering och en hyreslägenhet skiljer sig naturligtvis åt på många punkter. Det finns en, för oss, väsentlig skillnad i det att det faktiskt föreligger information om priset på bostaden i det område konsumenten bor i. I denna studie går metoden ut på att avgöra hur mycket de boende är villiga att betala för en likvärdig bostad i olika bostadsområden. Är individen villig att betala mer för sin bostad i ett visst område, betraktas området som mer attraktivt än det egna området och tvärtom för de områden som individen är beredd att betala mindre för. De boendes betalningsvilja skall i undersökningen korrespondera mot de egenskaper i respektive bostadsområde som konstituerar områdets värde. Vilka är de egenskaper som individen vill betala extra för? Bakom de tillfrågades ställningstagande ligger en bedömning av individen hur väl egenskaperna i bostadsområdet överensstämmer med deras egna preferenser. Bostadens och bostadsområdets nyttobärande faktorer identifieras samt relateras till de egenskaper som de boende är beredda att betala för. Hushållen ombeds att generellt värdera olika egenskaper i bostadsområdena som bidrar till ett bra boende, som t.ex. egenskaper i omgivningen såsom tillgång till kommersiell och social service, rekreation, kommunikationer mm. Hushållen värderar närheten till arbete, tjänster och sociala kontakter. De värderar även bostadsområdets trygghet och säkerhet samt miljö och utrustning i anslutning till fastigheten. 2.1 Metodens tillförlitlighet Det finns ett antal källor till problem som kan störa resultatet. En fråga man ställer sig vid CVM- undersökningar är om respondenten verkligen kan uttrycka sina preferenser genom att svara på hypotetiska frågor, dovs en hypotetisk bias. Eftersom frågeställningen är hypotetisk kan leda till att svaret inte blir tillräckligt genomtänkt. En annan felkälla kan vara att respondenten inte visar sina sanna preferenser, därför att man vill påverka undersökningens resultat i en viss riktning, s.k. strategisk bias. Respondenten kan komma att över eller undervärdera sin WTP i syfte att påverka undersökningens resultat (Mitchell och Carson). Samt ytterligare en rad felkällor vanliga vid s.k. stated preference - undersökningar, som t.ex.: respondenten har svårt att värdera nyttigheten i pengar; ta undersökningen på allvar; de avgivna svaren ses som betydelselösa; tar ej sin budgetrestriktion i beaktande.

13 Andra källor till problem är att CVM endast speglar en attityd och inte får den tillfrågade att ta ett ekonomiskt beslut; den tillfrågades kognitiva förmåga är för begränsad för att kunna ta ställning till komplexa frågeställningar. Invändningar och reservationer till trots så anser vi med stöd från våra tidigare undersökningar på olika lokala bostadsmarknader att de uppgifter som samlas in via enkät visar på stabila preferenser över tiden. Det indikerar att metoden är tillämpar för denna typ av frågor. 2.2 Betalningsvilja och den statistiska modellen I ett nästa steg skall egenskaper i bostadsområdet relateras till individens betalningsvilja. Detta görs lämpligen i en regressionsmodell. För de viktigaste egenskaperna (oberoende variabler) beräknas parametrar. Som den beroende variabeln används individens betalningsvilja för bostadsområdet. Med sex förklarande variabler, varav samtliga antingen ingår eller inte ingår i modellen, finns det sammanlagt 64 olika modeller. Typiskt är att ett antal av dem uppvisar ungefär lika god anpassning. I bilaga 4 finns kommunvisa korrelationer mellan de förklarande variablerna. Positiva korrelationer mellan egenskapsvariablerna dominerar, med undantag av att den variabel som mäter tillgång till fritidsområden över lag är negativt korrelerad med de övriga egenskapsvariablerna. Från sistnämnda mönster finns i sin tur det undantaget att de variabler som mäter tillgång till offentlig service i området och den variabel som mäter tillgång till fritidsområden i viss mån uppvisar ett positivt samband. Vi har genomfört ett stegvis urval av förklarande variabler enligt följande. För varje kommun bearbetas och rapporteras först alla modeller med en förklarande variabel. Sedan utvidgas var och en av dessa en-variabel modeller med den förklarande variabel som ger den största förbättringen av förklaringsgraden. Sålunda rapporterar vi sammanlagt sex stycken modeller med två förklarande variabler. Därtill har vi säkerställt att för varje kommun i varje fall de tre bästa (högsta förklaringsgrad) modellerna med två förklarande variabler ingår i rapporteringen. Det sistnämnda innebär således att vi även jämfört samtliga 15 modeller med två förklarande variabler, (två egenskaper/förklarande variabler kan ju väljas ut bland de sex egenskaperna på sammanlagt 15 olika sätt). För ingen av kommunerna gav dock en genomgång av samtliga femton modeller med två förklarande variabler någon modell att tillägga till vårt tvåstegsurval. Med hänsyn till de statistiska s.k. multikollinearitetsproblemen är det inte motiverat att inkludera fler än två förklarande variabler om syftet är att öka modellens förklaringsgrad. Alternativet att väga ihop egenskapsvariabler leder till frågor om hur de sammanvägda egenskaperna skall tolkas. De erhållna förklaringsgraderna (R2-värdena) är överlag låga. Vi har dock också kört s.k. panelanalyser, vilka beaktar och kontrollerar för att samma individ har evaluerat flera olika bostadsområden. Med den tekniken stiger förklaringsgraderna betydligt utan att resultaten i övrigt ändras nämnvärt. Vi rapporte-

14 rar därför enbart vanliga tvärsnittsresultat, d.v.s. utan panelansats. Trots de låga förklaringsgraderna är t-värdena för enskilda förklarande variablers signifikans samt F-värdena för hela modellens signifikans i allmänhet mycket höga och signifikanta 1. Observationer har uteslutits från WTP-analyserna om vi inte har någon uppgift om bostadens yta eller om respondenten inte har svarat på frågan om hyran för bostaden. Vi beaktar inte heller enkätsvar som helt saknar uppgifter om betalningsvilja för alternativa bostadsområden. Därtill har observationerna granskats för extrema värden på kvadratmeterhyra och betalningsvilja, varvid ett mindre antal observationer uteslutits p.g.a. orimliga värden. Kvar står ändå ett stort antal observationer. Tabell 2.1 Antal observationer Antal observationer kommunvis. Örebro Malmö Stockholm Skövde Gävle Norrköping 785 710 685 769 673 810 Observationer i 5362 4786 4505 4327 4224 5808 WTP-analyserna 2 Betalningsviljan uttryck i årshyra per kvadratmeter för varje bostadsområde redovisas i bilaga 5. 2.3 Enkät och översiktliga uppgifter 3 Arbetet har krävt en större datainsamling som genomförts av Statistiska centralbyrån (SCB). Insamlingen har genomförts genom att drygt 9 000 enkäter har sänts ut till slumpmässigt utvalda hyresgäster i sex kommuner. Enkäten består av fyra delar. Den första delen av enkäten består av uppgifter om den svarande och hans/ hennes bostad och bostadsområde. Därefter följer ett avsnitt där respondenten kan uttrycka sin värdering av sådana egenskaper som konstituerar ett bostadsområde, men även några värderingsfrågor kring bostaden. En tredje del behandlar hur mycket mer respektive hur mycket mindre de svarande är villiga att betala för tillkommande enstaka egenskaper eller tjänster respektive om egenskapen eller tjänsten försvinner. Slutligen det avsnitt där respondenten tillfrågas hur mycket mer eller hur mycket mindre han/hon är villig att betala för en likvärdig bostad i olika bostadsområden. 1 2 3 (Kritiska tabellvärden vid t-test (tvåsidigt) på 5%, 1% och 0.1% signifikansnivå är 1.96, 2.58 och 3.29 respektive). Anledningen till att antalet observationer är större är att alla respondenter har yttrat sig över flera olika bostadsområde. Varje sådant yttrande räknas som en observation. Bilaga 1 innehåller en översikt över enkätens grunddata.

15 Tillsammans med data insamlade med hjälp av enkäterna består databasen av uppgifter hämtade från SCB:s register (Inkomst- och förmögenhetsregistret). Det sistnämnda rör uppgifter om bl.a. familjens disponibla inkomst, andra typer av inkomst och ekonomiskt stöd, antal personer, hemmavarande barn, födelseland, medborgarskap och uppgifter om nuvarande bostad. Datauppgifterna är avidentifierade. Bostadsmarknaderna i följande kommuner ingår i studien: Malmö, Norrköping, Örebro, Gävle, Skövde samt fyra kommuner i Stockholmsregionen Stockholm, Botkyrka, Haninge och Nynäshamn. Det är kommuner som representerar skilda ägarefördelningar. Andelen allmännyttiga bostäder är förhållandevis hög i Örebro, medan den är låg i t.ex. Malmö. Det privat ägda är högt i Malmö men lågt i Gävle. Kommunerna representerar även skilda befolkningsstorlekar. En faktor som påverkar attityder och värdering till vissa av bostadsområdenas egenskaper. Tabell 2.2 Ägande av flerbostadshus. I andelar av tusen av samtliga bostäder på respektive bostadsmarknad. Källa FoB 1990. Stat Enskild person Ägare, flerbostadshus Kommun Allmännytta Bostadsrättsförening Övriga Uppgift saknas Summa flerbostadshus, hyresrätt Alla bostäder Stockholmsregionen 0,7 2,5 251,7 16,2 79,3 102,5 3,0 455,7 1000 Malmö 0,2 1,5 127,1 8,3 117,1 187,1 0,9 442,2 1000 Skövde 0,3 0,6 159,8 7,7 69,9 70,5 0,6 309,5 1000 Norrköping 0,6 5,0 185,4 9,0 97,1 127,2 4,5 428,9 1000 Gävle 0,0 0,6 267,1 3,7 35,0 40,3 1,6 348,4 1000 Örebro 0,1 8,6 299,2 5,0 104,8 42,3 0,5 460,5 1000 Enkäten har skickats ut till totalt 9 327 slumpmässigt utvalda hyresgäster i mellan sju och elva bostadsområden i Malmö, Örebro, Skövde, Gävle, Norrköping och i Stockholmsregionen 4. Två tredjedelar har tvåårig gymnasieskola eller kortare utbildning. De flesta bor i småhushåll som ensamstående, har ej hemmavarande barn och bor i två- eller trerumslägenheter. Knappt 20 procent har bott i det nuvarande bostadsområdet mindre än ett år. De bodde även tidigare i hyresrätt. De flesta är också mycket nöjda med det bostadsområde de för tillfället bor i. Trots det har en tredjedel av respondenterna planer på att flytta till annan bostad i området, i närheten av nuvarande område eller till annan kommun. En mindre andel till centrum eller annat område i kommunen. 4 Svarsfrekvens 50%, se bilaga 1.

16 Tabell 2.3 Karaktäristik av undersökningspopulationen. Kön 55% kvinnor 45% män Ålder 30% 29- år 51% 30-59 år 19% 60- år Hushållsstorlek 45% ensamstående 14% samboende 41% barnfamiljer utan barn utan barn Födelseland 80% svenskfödda 20% utflandsfödd Utbildning 79% lågutbildade 21% högutbildade Inkomst 45% -125 tkr 43% 125-250 tkr 12% 250- tkr Bostadens läge 18% i centrum 82% utanför centrum Bostadens storlek 15% 1 rum & kök 64% 2-3 rum & kök 21% 4 rum & kök eller mer Boendetid 19% <1år 45% 1-5år 36% >6 år Nöjd med bostadsområdet 6% ej nöjda 32% varken nöjda eller missnöjda 62% nöjda Planer på att flytta 68% Nej 13% inom området 3% till centrum eller i närheten Fastighetsägare 47% privat 46% allmännytta 7% övriga Se vidare bilaga 1 Undersökningspopulation.

17 3. Betalningsvilja för olika bostadsområden För att utröna individens betalningsvilja ombads de boende att ta ställning till hur mycket mer eller mindre de är villiga att betala för en bostad motsvarande den de har idag, men belägen i de övriga bostadsområdena på den egna lokala bostadsmarknaden. Är individen villig att betala mer för sin bostad i ett visst område, betraktas området som mer attraktivt än det egna området och tvärtom för de områden som individen är beredd att betala mindre för. Betalningsviljan uttrycks här i kronor per kvadratmeter och år. De boendes genomsnittliga betalningsvilja varierar för olika bostadsområden på de sex olika lokala bostadsmarknaderna. Betalningsviljan för varje enskilt område uppvisar stor spridning. Vissa områden som t.ex. de högst värderade områdena har i regel en mindre spridning än områden där betalningsviljan i genomsnitt är låg. Generellt sett vill respondenterna betala mindre än vad de gör idag. I bilaga 2 redovisas grunddata över betalningsviljans fördelning och spridning. I nedanstående figurer anges spridningen i betalningsvilja 5 för varje enskilt bostadsområde för de sex lokala bostadsmarknaderna. Figuren läses så att i var och en av boxarna återfinns hälften av de boende. Ytterligare en fjärdedel ligger i benet ovan boxen och en fjärdedel under boxen. Tvärstrecket överst och underst markerar gränsen för övriga värden, då s.k. uteliggare och extremvärden är borttagna. Linjen i själva boxen markerar fördelningens median, d.v.s. fördelningens mittersta värde. I vårt fall ligger det nära fördelningens medelvärde. 5 Tekniskt beräknas betalningsvila för t.ex. område B ut på följande sätt. Respondenten i t.ex. område A anger att han/hon vill betala t.ex. 200 kronor extra om den egna lägenheten fanns i område B. Detta belopp läggs till hyran för respondentens lägenhet i område A och en betalningsvilja för område B framkommer således. I ett senare avsnitt skall vi utveckla metoder som gör det möjligt att korrigera den skevhet som uppstår genom att den existerande hyresstrukturen färgar av sig på den önskade hyresstrukturen. Skevheten uppstår genom att metoden förutsätter att individen är i jämvikt och betalar en hyra som precis motsvarar betalningsviljan i den egna lägenheten. Det rimmar dåligt med själva utgångspunkten för studien: att finna en annan hyresstruktur, som bättre svarar mot de boendes värderingar.

18 1200 1100 1000 900 800 700 600 500 Kr per kvm och år 400 300 200 100 0 Brickebacken City Söder Tybble Sörbyängen Vivalla Väster Västhaga Öster Figur 3.1 Spridning i betalningsvilja för nio bostadsområden i Örebro. Figuren visar på en stor spridning i betalningsvilja mellan de olika områdena. I City är 50 procent beredd att betala mellan 650-800 kronor per kvadratmeter och år. Men det finns även personer som är villiga att betala över 1 000 kronor per kvadratmeter och år för en lägenhet där. I de lågt värderade områdena som t.ex. Brickebacken och Vivalla ligger den genomsnittliga betalningsviljan på 550 respektive 530 kronor per kvadratmeter och år. Men man kan även se att det finns personer som är beredda att betala i det närmaste lika mycket som de som vill betala mest för en bostad i City, d.v.s. närmare 1 000 kronor per kvadratmeter och år.

19 1200 1100 1000 900 800 700 600 Kr per kvm och år 500 400 300 200 100 0 Fosie Centrum Husie Hyllie Limhamn/Bunkeflo Kirseberg V. Innerstaden S. Innerstaden Rosengård Figur 3.2 Spridning i betalningsvilja för nio bostadsområden i Malmö. I Malmö är betalningsviljan högre för de mest attraktiva områdena än den är i Örebro. I Centrum är häften av de tillfrågade beredd att betala mellan 750-900 kronor per kvadratmeter och år. Men man är även beredd att betala ungefär ligga mycket för lägenheter i Fosie, Hyllie och Husie. Den genomsnittliga betalningsviljan är något lägre för områden Kirseberg, Limhamn/Bunkeflo, Västra och Södra Innerstaden. Betalningsviljan är som lägst för Rosengård 530 kronor per kvadratmeter och år. Vi ser även att spridningen i betalningsvilja är anmärkningsvärd stor för området Rosengård. Den genomsnittliga betalningsviljan i Gävle är betydligt lägre än på de övriga lokala bostadsmarknaderna. Genomsnittet för Örebro, Malmö, Skövde och Norrköping ligger mellan 650-700 kronor per kvadratmeter och år. För Stockholmsregionen är motsvarande siffra 715 kronor per kvadratmeter och år. I Gävle däremot ligger den genomsnittliga betalningsviljan på 540 kronor per kvadratmeter och år. I Gävle är det de centrala områdena Norr och Söder som respondenterna i Gävle har den största betalningsviljan för.

Fittja 20 1200 1100 1000 900 800 700 600 500 Kr per kvm och år 400 300 200 100 0 Andersberg Brynäs Bomhus Stigslund Norr Sätra Söder Valbo C Öster Figur 3.3 Spridning i betalningsvilja för nio bostadsområden i Gävle. Kr per kvm och år 1500 1400 1300 1200 1100 1000 900 800 700 600 500 400 300 200 100 0 Farsta centrum Gärdet Handen Kungsholmen Västerhaninge Södra Station Skarpnäcksgård Nynäshamn Figur 3.4 Spridning i betalningsvilja för nio bostadsområden i Stockholmsregionen. I Stockholmsregionen varierar betalningsviljan stort mellan de olika bostadsområdena. För en bostad på Kungsholmen är man i genomsnitt beredd att betala

21 900 kronor per kvadratmeter och år. Men den är också hög för områdena Gärdet och Södra Station. Betalningsviljan är som lägst för bostad i Fittja, där också spridningen i betalningsvilja är extremt stor. Variationen i den genomsnittliga betalningsviljan mellan bostadsområden i Norrköping är förhållandevis låg. För en bostad i Nordantill är beredd att i genomsnitt betala 770 kronor per kvadratmeter och år. Vilket också är det område där den genomsnittliga betalningsviljan är som högst. Detta skall jämföras med området Navestad är den genomsnittliga betalningsviljan ligger på 520 kronor per kvadratmeter och år. 1200 1100 1000 900 800 700 600 Kr per kvm och år 500 400 300 200 100 0 Haga G.A staden, Östantil Ektorp, Vilbergen Hageby Ljura Oxelbergen Nordantill Navestad Marielund Vidablick,Eneby Söderstaden Figur 3.5 Spridning i betalningsvilja för elva bostadsområden i Norrköping. Samma tendens som för övriga lokala bostadsmarknader att de mest centralt belägna bostadsområdena värderas högst råder även i Skövde.

22 1200 1100 1000 900 800 700 600 500 Kr per kvm och år 400 300 200 100 0 Centrum Ryds centrum Havstena S Norrmalm Tidan Vasastaden Östermalm Figur 3.6 Spridning i betalningsvilja för sju bostadsområden i Skövde. Betalningsviljan är som högst för Centrum, Södra Norrmalm och Vasastaden. Den är som lägst i utkantsområdet Ryd och tätorten Tidan. Skillnaden i betalningsvilja mellan Centrum och Tidan är anmärkningsvärd stor, det skiljer cirka 300 kronor per kvadratmeter och år.

23 4. Reflexioner om hyressättningen 4.1 Tillgång och efterfrågan på bostäder Analysen av spridningen i betalningsvilja för olika stadsdelar i våra städer ger underlag för en diskussion om hur en hyressättning skulle se ut om den inte bara tog hänsyn till de allmänna värderingarna, såsom de framkommer i diagrammen, utan även beaktade att olika områden är olika stora och olika svårt att få tillgång till lägenheter i. Låt oss använda oss av Malmö för att illustrera resonemangen. I denna kommun finns det två extrema stadsdelar: Centrum och Rosengård. Den nu utgående hyran är 867 respektive 833 kronor per kvadratmeter 6. Hushållens genomsnittliga betalningsvilja är däremot 813 respektive 533 kronor (se bilaga 2). Det antyder en avsevärt större önskad hyresskillnad mellan stadsdelarna, även om hushållen anser att även Centrum bör få sänkt hyra, samtidigt som hyressänkningen i Rosengård borde vara avsevärd, om betalningsviljan får fälla utslaget. Emellertid är det ont om lediga lägenheter (även i absoluta tal) i Centrum och mycket gott om lägenheter i Rosengård och i likartade miljonprogramsområden. Skillnaderna både i omsättning och i fastighetsbestånd är stor. Med utgångspunkt i diagrammen ovan kan man överslagsmässigt utgå från att en hyressättning som mer efterliknade en verklig frikonkurrensmarknad skulle baseras på de 25 procent med högst betalningsvilja i Centrum och de med de 75 procent högsta betalningsvilja i Rosengård. I så fall blir hyran cirka 900 kronor i Centrum och 400 kronor i Rosengård (övre respektive nedre delen av boxarna ovan). I bilagan har 70- och 90% percentilerna särskilt markerats. Liknande övningar kan göras i de övriga kommunerna. Resultatet blir regelmässigt att om man gör denna auktionsliknande simuleringen av en fri marknad en kraftigt ökad hyresskillnad mellan attraktiva och oattraktiva delar av en stad. 4.2 Metodutveckling hur stora är egentligen skillnaderna i betalningsvilja mellan olika bostadsområden Texten har hitintills utgått från betalningsviljan beräknad på sedvanligt sätt (se fotnot i tidigare avsnitt). Med hjälp av spridningen i betalningsvilja kan man nödtorftigt beakta sambandet mellan utbud och efterfrågan. Den använda tekniken har två avgörande problem. Det första är att betalningsvilja (i absoluta tal) för en viss bostad färgas av existerande hyror, d.v.s. 6 Beräkningarna baserade på uppgifter som lämnats av respondenterna.

24 betalningsviljan för en lägenhet i område B blir låg, om de som bor i område A och yttrar sig över område B har låg faktisk hyra. Denna skevhet uppstår genom att vi falskeligen utgår från att alla hushåll bor optimalt, d.v.s. hyran precis svarar mot betalningsviljan. Det är ologiskt, eftersom hela vår övning syftar till att finna ut hur den optimala eller önskade hyresstrukturen borde se ut. Kalla detta problem för ett nivåproblem. Det andra problemet består i att hushållen i de minst attraktiva områdena ofta har låga inkomster. Budgetbegräsningar medför då att differenserna i betalningsvilja mellan de oattraktiva och de attraktiva områdena blir små. Detta är i och för sig intressant information, men det kan uppfattas som mindre relevant information om det är helt andra grupper som efterfrågar de attraktiva områdena. Motsatsen gäller också: hushåll i de mest attraktiva områdena uppger en mycket stor betalningsviljedifferens mellan det egna området och det minst attraktiva området. Kalla detta problem för asymmetriproblemet. I bilaga 3 presenteras grunddata som underlag för en diskussion. Alla sex kommuner presenteras. De är upplagda på följande sätt. För varje bostadsområde uppges den extra betalningsviljan (negativa och positiva värden) för alla övriga bostadsområden i kommunen. Differenserna mellan bostadsområdena kan sedan summeras för alla hushåll i alla områden, vilket resulterar i data om betalningsvilja för olika områden som är oberoende av nivån på den faktiska hyran. Fokuseringen på differenserna i betalningsvilja för olika bostadsområden innebär också att vi kan bortse från att de flesta bostadsområden markeras med negativ betalningsvilja. Med denna analys kan vi i stället inrikta oss på skillnader i dessa minusteckens storlek, vilket verkar vara ett rimligare angreppssätt. Deltabellen för Malmö återges nedan som illustration.

25 Tabell 4.1 Evaluerar: \ Bor i: Betalningsvilja uttryckt i årshyra per kvadratmeter för olika bostadsområden i Malmö. Centrum V Innerstaden S Innerstaden Limhamn/ Bunkeflo Husie Hyllie Fosie Rosengård Kirseberg Centrum - -23-115 -96-204 -242-325 -248-227 V Innerstaden +27 - +47 +39 +13 +14-133 +9-2 S Innerstaden +38 +41 - +59 +11 +1-163 +51 +9 Limhamn/ +20 +38-9 - +2-47 -145-53 -53 Bunkeflo Hyllie +17 +32 +22 +21 - -38-202 -11-17 Fosie +9 +13-8 -16-74 - -282-142 -134 Rosengård +52 +45 +45 +25 +16 +16 - +14-2 Husie +65 +21 0-59 -124-137 -193 - -87 Kirseberg +22 +17-97 -34-136 -195-289 -190 - Medeltal +34 +8-72 -49-135 -167-262 -177-134 N 439 456 491 513 520 535 540 437 340 Den genomsnittliga extra betalningsviljan för Centrum är 34 kronor per kvadratmeter. Den genomsnittliga extra betalningsviljan för Rosengård är minus 262 kronor per kvadratmeter. Dessa två områden är extremområden, varför den maximala differensen i betalningsvilja för kommunens bostadsområden blir 296 kronor. Det svarar i grova drag mot de skillnader i medeltal som redovisats i bilaga 2 och i texten i föregående avsnitt. I tabell 4.2 sammanfattas maximiintervallet för de olika kommunerna den s.k. hyresgradienten. Tabell 4.2 Kommun Maximala skillnader i betalningsvilja i kommunerna i kronor per kvadratmeter. Maximal skillnad i betalningsvilja 70-procent percentil 90-procent percentil Stockholmsregionen 343 415 689 Malmö 296 383 566 Skövde 294 295 464 Norrköping 234 409 606 Gävle 162 276 400 Örebro 261 310 524 Data från bilaga 3 och kompletterande beräkningar. Störst skillnad i betalningsvilja mellan det mest attraktiva och det minst attraktiva området har vi i Stockholm (343 kronor). Minst skillnad har vi i Gävle (161 kronor), där för övrigt betalningsvilja i genomsnitt är negativ för alla områden.

26 I tabellen redovisas också spridningen i gradienten, redovisade efter 70 procent respektive 90 procent percentilen. Dessa beräkningar svarar mot avsnitt 4.1 där en marknad simuleras med hjälp av efterfråge- och utbudsresonemang. 90- procentpercentilen är så hög som 689 kronor i Stockholmsregionen och så låg som 400 kronor i Gävle. I Malmö vårt illustrativa exempel är differensen 566 kronor. Med en uppgiven nuvarande hyra på 867 kronor motsvarar detta en hyreshöjning på kanske 400 kronor i Centrum, med ett beaktande av att differenserna i betalningsvilja är särskilt stor för just det mest attraktiva området och med ett samtidigt beaktande av det begränsade utbudet av bostäder i centrum. Även med en lägre percentil blir skillnaderna motsvarande hyresstruktur avsevärd. 4.3 Metodutveckling hur kan skillnaderna i betalningsvilja mellan olika bostadsområden förklaras En del av skillnaderna i betalningsvilja beror sannolikt på skillnader i inkomster, ålder och preferenser för centrala resp. ocentrala bostadsområden. Det kommer att framgå av ett senare avsnitt om preferenser att det är stor skillnad mellan olika hushållstypers värderingar av skilda egenskaper i bostadsområdena. Utöver denna uppenbara orsak till den spridning i hyresgradient som redovisas i tabell 4.2 finns det också det omtalade asymmetriproblemet. Det framgår tydligt av tabell 4.1 ovan och av bilaga 3. Så t.ex. framgår det av tabellen att hushåll som bor i Rosengård i Malmö är villiga att betala 52 kronor per kvadratmeter mer i hyra om lägenheten i stället hade legat i Centrum. Hushållen i centrum anser däremot att hyran i Rosengård bör vara 325 kronor lägre för att kompensera för kvalitetsskillnader. Motsvarande mönster finner vi i alla de undersökta kommunerna. Det ställer ånyo frågan om vems preferenser som skall bestämma hyresskillnaderna på sin spets. Skall hyresskillnaderna baseras på allmänna, d.v.s. genomsnittliga värderingar, eller skall den mest relevanta hyresgästgruppens värderingar få stor tyngd? I detta kapitel har vi visat att betalningsviljan kan skilja sig åt i betydande utsträckning mellan de mest attraktiva och det mist attraktiva bostadsområdet i kommunen beroende på vilket synsätt som tillämpas.

27 5. Betalningsvilja och områdesegenskaper 5.1 Inledning Syftet med detta kapitel är att förklara skillnaderna i betalningsvilja mellan de olika bostadsområdena med hänvisning till bakomliggande och mer grundläggande egenskaper. Det sker genom att betalningsviljan för ett visst område relateras till ett antal specificerade egenskaper för detta område. Det är egenskaper som tidigare undersökningar funnit svara mot hushållens preferenser för vad som utgör ett attraktivt bostadsområde (Magnusson och Berger; Fransson och Magnusson). De egenskaperna är närhet till centrumfunktion, tillgången till goda kommunikationer, närhet till friluftsområde, tillgång till skola och barnomsorg i området, tillgång till kommersiell service samt ett gott rykte. I resultatpresentationerna kommer vi att använda följande förkortade benämningar för variablerna: Tabell 5.1 Variabler och beteckningar. Variabelnamn Förklaring CENTRUM KOMMUNIKATIONER NATUR OFFENTLIG SERVICE I OMRÅDET KOMMERSIELL SERVICE I OMRÅDET RYKTE Närhet till teater och annat kulturellt utbud Tillgång till goda kollektiva färdmedel för resor inom staden Tillgång till friluftsområde Tillgång till sådan service som skolor, barnomsorg, vårdcentral i området Tillgång till livsmedelsbutik i området Bostadsområdets rykte Det är alltså skäl att notera att de förkortade variabelbeteckningarna fungerar som sammanfattande benämningar, t.ex. står CENTRUM för variabeln Närhet till teater och annat kulturellt utbud. Närhet till centrumfunktion och till friluftsområde har operationaliserats som avståndet i kilometer till centrum respektive friluftsområde, medan tillgången till goda kommunikationer har mätts som tiden för att med allmänna kommunikationer, buss eller tunnelbana, ta sig till centrum. För att få ett mått på tillgången till skola och barnomsorg i området har antalet daghemsplatser i förhållande till områdets befolkning beräknats samt antal skolstadier (låg-, mellan- och högstadium respektive gymnasier) i förhållande

28 till befolkningen. Avvikelsen från medelvärdet har sedan fått utgöra ett index som summerats. Utgångspunkten för tillgång på kommersiell service är antalet matbutiker i respektive område. Detta antal har sedan omvandlats enligt ovan till ett index. Gott rykte har operationaliserats till medelinkomsten i områdena. Inkomsten har sedan omvandlats enligt ovan till ett index. Samtliga index går från 1 till 5. Ju högre index desto närmare centrum eller friluftsområdet ligger bostadsområdet. Eller ju högre indexet är desto större är det offentliga och det kommersiella utbudet. Ett gott rykte har högre index än ett lågt. De områden som inkluderats för de olika kommunerna har evaluerats på dessa egenskaper såsom det framgår av de kommunvisa frågeformulären. Grunddata är till stor del inhämtade med hjälp kommunala tjänstemän. I detta avsnitt analyseras betalningsviljan för olika bostadsområden utifrån dessa egenskaper. Utgångspunkten i analysen är att förklara betalningsviljan med hjälp av egenskaper. I nästa avsnitt (5.2) presenteras regressionsanalyser som relaterar betalningsviljan till egenskaperna. I avsnitt 5.3 utvidgas de så erhållna modellerna med sociodemografiska variabler. 5.2 Betalningsvilja och områdesegenskaper I samtliga kommuner är egenskaperna emellertid starkt korrelerade med varandra. Exempelvis har variablerna CENTRUM och NATUR i Örebro en korrelationskoefficient -0.89 7. Korrelationsvärdet -0.89 mellan CENTRUM och NATUR betyder att dessa har ett starkt negativt samband, d.v.s. att de mäter i det närmaste exakt samma sak. M.a.o. fungerar variabeln NATUR som en omvänd centrumvariabel. I bilaga 4 presenteras för var och en av de sex bostadsmarknaderna korrelationskoefficienter för styrkan i sambandet mellan egenskaperna. Det framgår att sambanden mellan egenskaperna överlag är mycket starka. M.a.o. överlappar egenskaperna varandra i ganska hög utsträckning, d.v.s. de är inte oberoende av varandra utan går i viss utsträckning hand i hand. Detta innebär att egenskaperna i viss mening sammanfaller så att det blir omöjligt att använda dem alla på en gång som förklarande variabler i en och samma modell. Därför har vi tvingats välja ut de egenskaper som skall ingå som förklarande variabler i regressionsmodellerna för att förklara betalningsviljan. Urvalet av egenskaper som används som förklarande variabler för att förklara variationer i betalningsviljan, har genomförts i en tvåstegsanalys separat för varje kommun. Denna 7 En korrelationskoefficient är ett mått på styrkan i ett lineärt sambandet mellan två variabler. Dess värde ligger alltid mellan -1 och +1. Korrelationen -1 betyder att sambandet är perfekt negativt och värdet +1 betyder att det är perfekt positivt. Korrelationsvärdet noll betyder att ett lineärt samband mellan variablerna saknas.

29 tvåstegsanalys, samt hur den utfallit för var och en av kommunerna, beskrivs närmare i bilaga 4. Tabell 5.2 Sammanfattning av de bästa två-variabelmodellerna. Örebro Malmö Stockholm Skövde Gävle Norrköping Konstant 562.8 (54.2) 662.4 (66.3) 573.6 (45.0) 355.2 (32.2) 456.0 (50.0) 631.2 (77.5) CENTRUM - - - - - - KOMMUNIKA- - - 71.3 (26.59) 68.2 (19.1) - 29.5 (19.2) TIONER NATUR -22.1 (-11.7) - - - -44.5 (-17.6) -23.6 (-12.2) OFF SERV I - -26.0 (-11.6) -29.2 (-9.42) - 61.7 (16.5) - OMR KOMM SERV I - 49.1 (23.0) - - - - OMR RYKTE 37.2 (15.8) - - 20.2 (5.93) - - R2 0.1031 0.1272.156532 0.1514 0.0717 0.08201 N 5362 4786 4505 4327 4224 5808 Inom parentes efter regressionskoefficienterna ges t-värden. Variabelförklaringar i tabell 5.1 I tabell 5.2 sammanfattas de bästa tvåvariabelmodellerna per kommun, d.v.s. de modeller som ger den högsta förklaringsgraden. T.ex. för Stockholm kan modellen uttryckas som (uttryckt som kronor per kvadratmeter och år): betalningsvilja = 573.6 + 71.3*KOMMUNIK -29.2*OFF SERV Frånsett en slumpmässig avvikelse beskriver detta den genomsnittliga betalningsviljan i kronor per kvadratmeter och år i Stockholm för olika värderingar av egenskaperna KOMMUNIKATION och OFFENTLIG SERVICE I OMRÅDET. Specifikt, ifall medelvärdet på KOMMUNIKATIONS-variabeln i Stockholmsmaterialet (3.07) och på OFFENTLIG SERVICE-variabeln (2.69), inplaceras i ekvation (1) fås (frånsett avrundningsfel) den genomsnittliga betalningsviljan i hela kommunen, 714.7 kronor per kvadratmeter och år. Den beräknade ekvationen är dock framför allt av intresse för att studera hur betalningsviljan varierar då egenskaperna KOMMUNIKATIONER och områdets OFFENTLIGA SERVICE varierar. Den s.k. konstanten 573.6 uttrycker den genomsnittliga betalningsviljan ifall båda de förklarande variablerna KOMMUNIKATIONER och OFFENTLIG SER- VICE I OMRÅDET skulle ha värdet noll. Nu varierar emellertid dessa variabler på en skala som går från ett till fem. Möjligheten att ge en tolkning åt konstanten blir därför begränsad, och vi avstår sålunda från vidare tolkningar av densamma. I stället fästes en huvudvikt vid tolkningen av de s.k. regressionskoefficienterna, i detta fall 71.3 och -29.2. Dessa ger en beskrivning av sambandet mellan ifrågavarande förklarande variabler och den genomsnittliga betalningsviljan.

30 T.ex. koefficienten 71.3 för variabeln KOMMUNIKATIONER skall tolkas på följande sätt i ovanstående ekvation för Stockholm: För varje enhet som vi går uppåt på skalan 1-5 för KOMMUNIKATIONsvariabeln, med oförändrat värde på variabeln OFFENTLIG SERVICE I OMRÅDET, stiger betalningsviljan med i genomsnitt 71.3 kronor per kvadratmeter och år. För variabeln OFFENTLIG SERVICE I OMRÅDET har vi en analog tolkning: för varje enhet som vi går uppåt på skalan 1-5 för variabeln OFFENTLIG SER- VICE I OMRÅDET, med oförändrat värde på variabeln KOMMUNIKATIONER, sjunker betalningsviljan med i genomsnitt 29.2 kronor per kvadratmeter och år. Det är naturligtvis anmärkningsvärt att detta marginella samband mellan betalningsvilja och tillgång till sådan service som skolor, barnomsorg och vårdcentral i området är negativt. Till detta finns två alternativa förklaringar. Antingen är det så att skolor, barnomsorg och vårdcentral inte hör till det som betingar hög betalningsvilja. Barnfamiljer skall ha rimlig boendekostnad, d.v.s. skolor, barnomsorg och vårdcentral implicerar inte hårdvaluta. Den andra möjliga förklaringen är att denna service står för något annat än vad den egentligen avses representera, t.ex. att den fungerar som substitut för lägre status eller längre avstånd till centrum och kulturutbud 8. Det är skäl att notera att de s.k. t-testen, som i tabell 5.1 ges inom parentes för varje regressionkoefficient, visar att samtliga beräknade koefficienter avviker mycket signifikant från noll. (Det s.k. t-testet prövar om regressionskoefficienten skiljer sig signifikant från noll. Beroende på signifikansnivån ligger det kritiska tabellvärdet för detta test från ca. 2 till ca. 3.3. Då det rapporterade tabellvärdet till sitt absoluta belopp överstiger tabellvärdet betyder det att regressionskoefficienten i fråga signifikant avviker från noll). Vi övergår nu till att kommunvis presenta sambandet mellan betalningsvilja och områdesegenskaper. Modellerna som presenteras har som sagt erhållits i en två-stegsanalys, som närmare beskrivs i bilaga 4, såväl metodologiskt som kanske av större intresse till sitt empiriska utfall för varje kommun. Av bilagan framgår bl.a. att det för varje kommun finns ett antal modeller som förklarar betalningsviljan ungefär lika bra. Analys av betalningsvilja Örebro betalningsvilja = 595.2-22.1*NATUR + 37.2*RYKTE (1) Av bilaga 4 framgår att då egenskaperna betraktas en i sänder CENTRUM, följd av KOMMERSIELL SERVICE I OMRÅDET, RYKTE och KOMMUNIKATIONER uppvisade det starkaste envariabel-sambandet med betalningsviljan, men av dessa är det bara RYKTE som ingår i den bästa två-variabelmodellen. Att variabeln NATUR här fått negativt förtecken torde innebära att den fungerar som ett slags omvänd centrum -variabel. Här framträder ett mönster som närapå utan 8 Se korrelationer mellan de förklarande variablerna i bilaga 4.