Energiprestanda som värdefaktor Betalas det mer för ett småhus vars deklarerade energiprestanda är bättre?

Institutionen för Fastigheter och Byggande Examensarbete (15 hp) inom samhällsbyggnad Nr. 26 Energiprestanda som värdefaktor Betalas det mer för ett småhus vars deklarerade energiprestanda är bättre? Författare: David Lundkvist Handledare: Henry Gonza Muyingo Alexander Vesterblom Stockholm 2010

Sammanfattning Titel: Energiprestanda som värdefaktor Betalas det mer för ett småhus vars deklarerade energiprestanda är bättre? Författare David Lundkvist och Alexander Vesterblom Institution Institutionen för Fastigheter och Byggande Examensarbete nummer 26 Handledare Nyckelord Henry Gonza Muyingo Energiprestanda, energideklarationer, uppvärmningssystem, hedonisk prissättning, regressionsanalys För att främja en hållbar utveckling och en god miljö är energieffektivisering av befintlig bebyggelse viktigt för att uppnå de energipolitiska målen. För att uppfylla dessa mål har det sedan januari 2009 upprättats energideklarationer vid försäljning av småhus. Detta möjliggör för denna rapport att på ett kvantitativt sätt undersöka hur bostadsköpare värderar energiprestanda vid transaktioner. Tidigare har detta inte varit möjligt, men det har i andra studier genom kvalitativa undersökningar konstaterats att en god energiprestanda bör leda till ett högre pris. Energiprestanda mäts dels genom att se till energianvändningen (kwh/kvm) men det utreds dessutom huruvida typ av uppvärmningssystem förklarar skillnader i pris. En analys av statistiska regressioner visar att det finns en viss prispåverkan av energiprestanda. Ett småhus uppvärmningssystem verkar ha en tydligare korrelation med priset. Detta beror förmodligen på att ett uppvärmningssystem är något som spekulanter har i åtanke inför köp medan energideklarationer hitintills inte har funnits tillgängliga för husköpare. Om ytterligare forskning kan säkerställa ett samband så skulle det vara en möjlighet att använda energiprestanda vid fastighetstaxeringar. Energiprestanda tycks ha ett syfte att fylla som värdefaktor. 2

Abstract Title: Energy performance as a value factor - Does a better energy performance command a higher price on the residential housing market? Authors David Lundkvist and Alexander Vesterblom Department Department of Real Estate and Construction Management Thesis number 26 Supervisor Keywords Henry Gonza Muyingo Energy efficiency, energy performance certificate, heating system, hedonic pricing method, regression analysis To promote sustainable development and a good environment the energy efficiency of existing building is important in order to achieve the political energy goals. To achieve these goals, energy performance certificates are required since January 2009 for transactions involving residential housing. This report investigates quantitatively the value that residential housing buyers are putting on the energy efficiency before a transaction. Previously, such a study was not possible. However, earlier studies have in a qualitative way stated that a good energy performance should lead to a higher price. Energy performance is measured through the energy usage (kwh/sq m), but this report also studies how the type of heating system explains differences in prices. Results of our study confirm that there is a possible correlation between energy performance and price. The results also show that the type of heating system does seem to have an even higher effect on the price. This could be due to the heating system being a factor which prospective buyers have in mind before a transaction, while energy performance certificate have not been available until recently. Our study confirms that energy performance can be a factor to estimate value. However there is need for further research in order to quantify the exact level of correlation between the registered energy efficiency and the price paid before it is possible to use energy performance in property assessments. 3

Förord Detta examensarbete har skrivits på initiativ av Lantmäteriet i Gävle, där Hans Söderblom har varit vår kontaktperson och handledare. Hans har bistått oss med datamaterial ur fastighetsregistret och gett oss bra feedback. Därför vill vi tacka honom särskilt. Vi vill också tacka Roger Antonsson på Boverket som bidragit med data från deklarationsregistret. Till sist vill vi tacka vår handeldare på KTH, Henry Gonza Muyingo. Stockholm, maj 2010 David Lundkvist och Alexander Vesterblom 4

Innehållsförteckning 1. Introduktion... 7 1.1 Bakgrund... 7 1.1.1 Värde och miljöstandard... 7 1.1.2 Energimål... 7 1.1.3 Energideklarationer... 8 1.1.4 Faktorer som påverkar energiprestanda... 8 1.2 Syfte och frågeställning... 8 1.3 Avgränsning... 9 1.4 Begrepp och definitioner... 9 1.5 Disposition... 9 2. Metod... 10 2.1 Val av metod... 10 2.2 Datainsamling... 10 2.3 Regressionsanalys... 10 3. Teori... 11 3.1 Värdeteori... 11 3.2 Utbud och efterfrågan... 11 3.3 Faktorer som förklarar småhuspriser... 12 3.4 Energiprestanda som värdefaktor... 13 3.5 Hedonisk prissättning... 13 4. Empiri... 15 4.1 Innehåll och urval... 15 4.1.1 Standard... 15 4.1.2 Skick... 15 4.1.3 Läge... 15 4.1.4 Storlek... 17 5

4.1.5 Övrigt urval... 17 4.1.6 Uppvärmningssystem... 19 4.2 Interaktionseffekter och interaktionsvariabler... 19 4.2.1 Interagerande förklarande variabler... 20 4.3 Tolkning... 23 5. Resultat... 25 5.1 Multipla regressioner... 25 6. Diskussion och slutsats... 34 6.1 Förslag till framtida forskning... 35 Referenser... 36 Tryckt litteratur... 36 Elektroniska källor... 37 Muntliga källor... 38 Appendix 1. Skatteverkets föreskrifter om värderingen av småhusenheter... 39 Appendix 2. Regressioner som undersöker om variabler interagerar... 44 Appendix 3. Multipla regressioner... 46 6

1. Introduktion 1.1 Bakgrund 1.1.1 Värde och miljöstandard Vid fastighetsvärdering gavs miljöfrågor under lång tid en underordnad betydelse (Persson, 2010). När det överhuvudtaget togs hänsyn till dessa typer av frågor i samband med fastighetsvärdering var det i form av en belastning, en negativ miljöinverkan. De senaste åren har utvecklingen dock börjat gå åt ett annat håll. Miljöklassningssystem och certifieringar har gett miljöfrågorna en mer positiv klang, och miljö i bygg- och fastighetssektorn har idag blivit trendigt (Persson, 2010). Detta har även värderarkåren kommit till insikt med. Miljöfrågor måste numera tas hänsyn till vid fastighetsvärdering. Det har dock inte funnits någon praxis för hur man ska använda sig av informationen i värderingsprocessen. Ett stort problem har varit att det inte funnits tillräckligt med belägg som länkar relationen mellan byggnaders miljöprestationer och fastighetspriser. Information om byggnaders energianvändning har inte funnits i register eller så har den varit knapphändig. Således har det varit mycket svårt att empiriskt påvisa en koppling mellan fastighetspriser och hur en byggnad presterar miljömässigt. Det har inte gått att på en vetenskaplig grund få fram värderingsprinciper för hur värdejusteringar ska ske. Det har varit svårt att ge gröna byggnader en värdebonus enbart på grund av en osäker och subjektiv bedömning (Lorentz & Lützkendorf, 2008). 1.1.2 Energimål Enligt Miljömålsrådet (2009) bör energianvändningen i byggnader per kvadratmeter minska med 20 procent till år 2020 och med 50 procent till år 2050 i förhållande till användningen 1995. Sedan allmänheten har fått en större medvetenhet om den globala uppvärmningen ställs nu större krav på byggnader och dess energianvändning. För att främja en hållbar utveckling och en god miljö är energieffektivisering av ny och befintlig bebyggelse viktigt. Dessutom behöver energimedvetenheten hos konsumenterna öka (Lorentz & Lützkendorf, 2008). I regeringens budgetproposition för år 2010 ingår ett nytt energieffektiviseringsprogram för den närmsta femårsperioden. Programmet ska verka för de energipolitiska målen och innebär en ökning av budgeten för energieffektiviseringar med 300 miljoner kronor per år (Regeringen, 2009a). Av Sveriges totala energianvändning utgör energianvändningen i hus och lokaler mer än en tredjedel (Regeringen, 2009b). Att minska användningen av energi i denna sektor är därför en viktig del i arbetet för att nå de energipolitiska målen. Regeringen använder sig av dels generella styrmedel för att påverka energianvändningen, dels specifika. De generella styrmedlen är främst energiskatt och koldioxidskatt. De mer specifika styrmedlen är mer inriktade på byggnader och är främst Boverkets byggregler samt energideklarationer (Regeringen, 2009b). 7

1.1.3 Energideklarationer År 2006 trädde Lagen om energideklarationer av byggnader i kraft utifrån direktiv ställda av Europaparlamentet. Lagens syfte är att skapa en medvetenhet hos allmänheten gällande energianvändningen. Tanken är att göra information om energiprestanda hos byggnader mer lättillgänglig och därmed skapa förutsättningar för att kunna minska energianvändning (Regeringen, 2009c). Detta regleras genom att varje fastighetsägare är skyldig att se till att en expert upprättar en energideklaration, som Boverket i sin tur för in i sitt deklarationsregister. Energideklarationen ska ge information om byggnadens energiprestanda, ventilationssystem och radonmätningar. Den skall även ge vägledning för fastighetsägaren hur byggnadens energiprestanda kan förbättras genom olika åtgärder. Slutligen ges en möjlighet för fastighetsägaren att jämföra byggnadens energiprestanda mot referensvärden som anger en normalbyggnads energianvändning (Energimyndigheten, 2009b). Lagen om energideklarationer av byggnader berör samtliga byggnadskategorier. Vid utgången av år 2008 skulle en energideklaration vara uppförd för samtliga specialbyggnader och flerbostadshus (Energimyndigheten, 2009b). När det gäller småhus ska dessa energideklareras vid försäljning eller nybyggnation som skett från och med den 1 januari 2009 (Boverket, 2009). Eftersom det idag har gått en tid sedan kravet på energideklarationer för småhus infördes har en del transaktioner genomförts sedan dess. Därmed har en del energideklarationer upprättats, vilket möjliggör att på ett kvantitativt empiriskt sätt studera huruvida energiprestanda påverkar priset vid en försäljning (Lorentz & Lützkendorf, 2008). 1.1.4 Faktorer som påverkar energiprestanda Enligt Vapaavuori och Kalliomäki (2008) är ett småhus energianvändning beroende av flera parametrar. De viktigaste sammanfattas nedan: Typ av uppvärmningssystem Isolering Husets mantelyta Geografiskt läge Ventilationssystem Väderstreck och fönstrens inriktning, dimension och konstruktion Reglering av hustekniken Intern värmeavgivning 1.2 Syfte och frågeställning Syftet med rapporten är att ta reda på om energiprestanda kan vara en värdefaktor och svara på frågan: Betalas det mer för en byggnad vars deklarerade energiprestanda är bättre? 8

Detta kommer att ske genom att rapporten jämför energianvändning med andra, mer vedertagna, förklarande variabler till fastighetspriser. Dessutom kommer det att analyseras huruvida typ av uppvärmningssystem påverkar priset. 1.3 Avgränsning Rapporten avgränsas till den grad att den endast ser till faktiska priser av gjorda transaktioner av småhus. När det gäller energiprestanda så tar rapporten främst hänsyn till energianvändningen i sin helhet. Av de bakomliggande faktorerna som ligger till grund för energianvändningen (avsnitt1.1.4) tar rapporten hänsyn till byggnadens uppvärmningssystem och dess geografiska läge. Transaktionerna har begränsats till delar av Storstockholmsområdet och avser köp från 2009-01-01 till och med 2010-03-05. 1.4 Begrepp och definitioner I rapporten används vissa begrepp och definitioner, som redovisas nedan. Energiprestanda. Med bättre energiprestanda avses i denna rapport en låg energianvändning (kwh/kvm). Skillnaden mellan pris och marknadsvärde. Pris är ofta relaterat till marknadsvärdet men dessa två begrepp bör ej blandas ihop. Pris är resultatet av en faktisk transaktion på en marknad medan marknadsvärdet definieras som följer: Marknadsvärde är det pris som sannolikt skulle betalas/erhållas om fastigheten bjöds ut på en fri och öppen marknad med tillräcklig marknadsföringstid, utan partsrelationer och utan tvång (Persson, 2008). Skatteverkets definition av ett småhus. Ett småhus är en byggnadstyp som innehåller en eller två bostäder. Friliggande villor, radhus och kedjehus är vanliga former av småhus. Småhusenheten är ett begrepp inom fastighetstaxeringen. Den består av småhuset och den tomtmark som huset står på. Det görs ingen skillnad om småhuset används för permanentboende eller är ett fritidshus (Skatteverket, 2010a). 1.5 Disposition Denna rapport är uppbyggd enligt följande struktur. I kapitel två beskrivs den aktuella arbetsprocessen och vilken metod som rapporten baseras på. Bakomliggande teorier och tidigare studier som berör ämnet presenteras därefter i kapitel tre. Det förklaras vad det är som skapar värden i fastigheter och vilka faktorer som påverkar priset. Detta utgör grunden för empirin som kommer i kapitel fyra. Där redogörs för hur det tas hänsyn till de olika värdeförklarande faktorerna. Kapitel fem redovisar sedan de resultat som rapporten kommit fram till. Avslutningsvis sammanfattas rapporten med en slutsats och en diskussion i kapitel sex. I detta kapitel ges också förslag till framtida forskning. 9

2. Metod 2.1 Val av metod Rapporten lägger sin grund genom att förklara varför värden uppstår och vad som genererar värdet hos fastigheter. För att skapa en djupare förståelse för hur energiprestanda eventuellt kan påverka fastighetspriset så har litteraturstudier gjorts. Dessa syftar till att ta del av tidigare teorier och forskning. För att undersöka rapportens frågeställning används en kvantitativ empirisk metod. Detta innebär att data samlats in systematiskt och analyserats i regressionsanalyser. Nedan redogörs för datainsamlingen bakom empirin samt för hur en regressionsanalys går till. En närmare genomgång av metoden bakom empirin beskrivs i kapitel fyra. 2.2 Datainsamling Materialet består av ett fastighetsutdrag från Lantmäteriets fastighetsregister som sammankopplats med deklarationsregistret från Boverket. Uppgifterna är i Excelform och består av fastigheter som sålts från 2009-01-01 till 2010-03-05, och som det upprättats energideklarationer för. Materialet består av totalt 1102 stycken fastigheter. 2.3 Regressionsanalys En regressionsanalys görs för att se hur en responsvariabel påverkas av olika förklaringsvariabler. Både enkla och multipla regressionsanalyser kommer att användas i rapporten. Enkel regressionsanalys syftar till att enbart visa sambandet mellan responsvariabeln och en förklarande variabel medan det ingår flera förklaringsvariabler i en multipel analys. Den multipla regressionsanalysen tar i rapporten utöver energiprestanda hänsyn till fler förklarande variabler. Detta görs för att se hur stor del av skillnader i fastighetspriser som kan förklaras av energiprestanda i jämförelse med andra förklarande variabler, exempelvis byggnadens yta. Ingående data i en regressionsanalys approximeras med en regressionslinje som härleds ur minsta kvadratmetoden. Linjen förklarar på bästa sätt hur en eventuell korrelation ser ut. En enkel regressionsanalys ges av ekvation (1) medan ekvationen vid multipel regression ges av ekvation (2). y= α+ βx+ ε (1) y = α + β 1 x 1 + β 2 x 2 + β 3 x 3 + ε (2) I ekvationerna ovan är y är responsvariabeln. α är interceptet, det vill säga där ekvationen skär y-axeln. Koefficienten β anger linjens lutning och förklarar hur mycket väntevärdet ökar då x ökar med en enhet. ε anger genomsnittlig skillnad i y-led mellan regressionslinjen och det faktiska indata som linjen beskriver (Blom m.fl., 2008). 10

3. Teori 3.1 Värdeteori Värdeteorin syftar till att förklara varför ett värde uppstår och vad ett värde egentligen är. Kärnan i värdeteorin är att det finns ett behov för individen att inneha en viss tillgång och att det tillför personen någon slags nytta. Varan ska även finnas i begränsad mängd, vilket innebär att personen som innehar tillgången ska kunna byta denna vara mot exempelvis pengar. Värdet är en funktion av olika framtida potentiella nyttor (Lantmäteriverket & Mäklarsamfundet, 2008). Ekvationsmässigt kan detta skrivas: V= f (a+b+c+d+ +n) (3) Varas värde (V) är en funktion av flera värdeskapande parametrar. Enligt Gaddy och Hart (2003) uppstår fastighetsvärden genom fyra grundläggande krafter. 1. Fysiska krafter: Exempelvis objektets omgivning och natur. 2. Ekonomiska krafter: Relationen mellan utbud och efterfrågan. Nytta, behov och begränsad mängd. Detta infattar exempelvis arbetslöshet, lönenivåer, vakanser och nybyggnation. 3. Politiska krafter: Exempelvis regleringar, subventioner, ägarrestriktioner och penningpolitik. 4. Sociala krafter: Exempelvis demografisk uppsättning, familjestorlek, livsstil, attityder. Denna rapport kommer att lägga sin grund i de ekonomiska krafterna eftersom de skapar en grundläggande bild över hur värden uppstår på marknaden. Relationen mellan utbud och efterfrågan är marknadsorienterad och bestämmer priset på en vara, se figur 1. 3.2 Utbud och efterfrågan Utbudet beror bland annat av priset på varan, kostnaden att producera varan och den teknologi som krävs för att producera varan. Det är viktigt att betona hur fastigheter som vara skiljer sig från andra varor. Detta påverkar nämligen utbudskurvans rörlighet. Exempel på fastighetsmarknadens särdrag är att den präglas av lång byggtid, stora kapitalkostnader, lånefinansierade köp samt att objekten är lägesfixerade och unika. Dessa särdrag gör att utbudskurvan på kort sikt är relativt trög och orörlig. Detta åskådliggörs i figur 2. En kraftig nybyggnation under flera år skulle inte påverka det totala beståndet (utbudet) nämnvärt. En seg utbudskurva medför att det är de faktorer som påverkar efterfrågan som främst kommer att bestämma priset (Geltner & Miller, 2007). 11

Figur 1 och 2 (Lundström & Jonsson, 2004). Hur mycket en vara efterfrågas beror bland annat av priset på varan, priset på andra varor, preferenser och inkomster. Makroekonomiska förhållanden som exempelvis inflation, konjunkturläge och ränteläge påverkar prisbildningen på en marknad över tiden (Lundström & Jonsson, 2004). Dessa faktorer skiljer sig åt på olika marknader och gör också att prisbilden på olika marknader påverkas olika. Denna rapport kommer dock främst att fokusera på mikroekonomiska faktorer som förklarar priset. Detta beror på att enbart småhusmarknaden i Storstockholm kommer att analyseras, vilken som helhet antas påverkas på ungefär samma sätt av makroekonomiska förhållanden såsom inflation och ränteläge. Makroekonomiska faktorer är också viktiga att ta hänsyn till vid försök att prognostisera framtida priser, men denna rapport åsyftar inte att göra något sådant. 3.3 Faktorer som förklarar småhuspriser Nedan kommer rapporten att gå närmare in på vilka faktorer som kan förklara småhuspriser. I kapitel fyra kommer det sedan att redogöras för hur dessa faktorer tas hänsyn till i rapportens empiri. En fastighet som en handelsvara är unik på flera sätt. Det faktum att fastigheter inte går att flytta på gör att läget blir en av de viktigaste förklarande faktorerna som påverkar småhuspriser (Persson, 2008). Läget som värdefaktor bestäms av dess attraktivitet. Bland annat påverkar närheten till kommunikationer, arbetsmarknad och kulturellt utbud. Närhet till strand, eventuella störningar av buller och övrig omgivning påverkar också (Wilhelmsson, 2004). Objektets storlek har visat sig vara den fysiska faktor som har störst inverkan på priset (Wilhelmsson, 2004). Andra viktiga fysiska faktorer är objektets standard och skick. Frågan är om energiprestanda, likt andra fysiska faktorer, är en värdefaktor. Spelar småhusets uppvärmningssystem någon roll för priset? 12

3.4 Energiprestanda som värdefaktor Mills (2003) fastslår att en byggnad som har en god energiprestanda är mer kostnadseffektiv och har därför lägre driftskostnader. Dessa byggnader är över tid billigare, relativt byggnader med sämre energiprestanda. Att småhus skiljer sig åt vad gäller kostnadseffektivitet kan delvis bero på typen av uppvärmningssystem (Wilhelmsson, 2004). Detta bör enligt värdeteorin påverka efterfrågan positivt. Det har även gjorts en amerikansk studie av Nevin och Watson (1998) som visar att kostnadseffektivitet återspeglar sig i marknadsvärden för småhus. Ytterligare forskning visar att 72 % av tyska bostadsköpare beaktar byggnadens energiprestanda som en viktig parameter vid husköp (Dena, 2005). Preferenser som beror av människors moral och attityder påverkar, enligt Lorenz och Lützkendorf (2008, s. 488), köp- och säljbeslut vid fastighetstransaktioner. En bra energiprestanda har mindre negativ påverkan på miljön och om människor har sådana preferenser bör dessa byggnader vara lättare att marknadsföra och ge en bättre image till köparen (Lorenz & Lützkendorf, 2008). Dessa preferensparametrar bör påverka efterfrågan positivt. Det finns dessutom banker som till kommersiella fastighetsbolag har börjat ge fördelaktigare lån för miljöklassade byggnader, vilket borde tyda på att bankerna ser större säkerhet i dessa lån och att dessa fastigheter därmed värderas högre av bankerna. Huruvida den större säkerheten i lånen beror på att gröna lokaler är lättare att hyra ut eftersom de är lättare att marknadsföra, det låter Lorenz och Lützkendorf vara osagt. Det framgår heller inte om energiprestanda har någon inverkan på lånevillkoren. Om det skulle vara så att energiprestanda efterfrågas på fastighetsmarknaden, så bör detta enligt värdeteorin också leda till ett högre pris. Som nämnts i detta avsnitt finns det tidigare studier som tyder på detta samband. Nevin & Watson (1998) kommer fram till att kostnadseffektivitet återspeglas i marknadsvärdet för småhus. Dena (2005) kommer fram till att husköpare i Tyskland betraktar energiprestanda som en viktig faktor vid husköp. Märkväl att det inte är samma sak som att ha betalningsvilja för det. Denna rapport syftar till att undersöka om bättre energiprestanda verkligen leder till ett högre pris. Det unika med denna rapport är främst att empirin är kvantitativ och använder sig av deklarerade uppgifter gällande energiprestanda och fastighetspriser. Tidigare så har denna typ av studie inte varit möjlig. Detta på grund av att det inte funnits något regelverk kring småhus och energideklarationer. Liknande studier har således endast baserats på en kvalitativ metod i form av undersökningar och teorier. Denna rapport är dessutom unik då studien baseras på försäljningar av småhus på fastighetsmarknaden i Stockholm, vilket inte gjorts tidigare. 3.5 Hedonisk prissättning Den hedoniska prissättningen kan härledas från den gamla filosofiska inriktningen hedonism. Hedonismen anser att njutning, välbehag och lycka är något som människan skall sträva efter. Hedonismens kärna är att ett värde och välbefinnande uppstår om man uppfyller vissa begär och behov. Utifrån detta har ekonomer skapat den teori som alltså kallas hedonisk prissättning och som säger att priset på en vara är beroende av de behov och välbehag som en vara ger för en konsument (Czinkota, 1997). 13

Den hedoniska prissättningen ger en möjlighet för denna rapport att studera hur ett visst attribut/egenskap hos en fastighet, till exempel ytan, kan påverka priset. Många andra varor än fastigheter handlas mer regelbundet och därmed är både priser och kvantiteter lättillgänglig information. När det gäller fastighetsmarknaden är varje enskilt objekt unikt. Priset på ett specifikt objekt är okänt och för att skatta detta utgår man istället från tidigare transaktioner och de kvantiteter av olika attribut som då köpts. På så vis kan efterfrågefunktionen skattas. Fastighetens pris enligt ett hedoniskt synsätt blir då implicit framräknat genom en funktion med fastighetens olika attribut och egenskaper (Rosen, 1974). Ekvationen kan skrivas: p( x) f ( x, x,..., x ) (4) 1 2 n Ekvationen (4) visar hur priset beror av de olika attributen. För fastigheter kan dessa attribut vara rent fastighetsanknutna, områdesanknutna eller av mer makroekonomisk karaktär. Denna rapport försöker förklara vad som händer med priset då det fastighetsanknutna attributet energiprestanda läggs till som en egenskap i den hedoniska prissättningsekvationen (Deremar & Kullendorf, 2006). 14

4. Empiri 4.1 Innehåll och urval Nedan redovisas de parametrar som både ingår i datamaterialet och som rapportens empiri kommer att ta hänsyn till. Dessa attribut har i tidigare studier visat sig vara de parametrar som framförallt bör ingå i prisbildningsmodeller likt denna (Wilhelmsson, 2004, s.20). 4.1.1 Standard För att i analysen ta hänsyn till objektens standard används variabeln standardpoäng. Standardpoäng är en värdefaktor som används vid taxering. Standardpoängen är ett sätt för att försöka klassificera en byggnads standard. Ju högre poäng, desto högre standard. Standardpoängen summerar en byggnads olika egenskaper och poängen ges efter byggnadens standard inom fem olika huvudområden: exteriört, energihushållning, kök, sanitet och övrig interiör. Dessa fem huvudområden finns att läsa om i en bilaga i slutet av rapporten (Appendix 1). Det är viktigt att notera att standardpoäng är en sammansatt variabel som sammanställer standarden i flera områden av ett hus. Underlaget till standardpoängen fås fram genom ifyllande av blanketter av fastighetsägaren. Det är därför viktigt att förstå att standardpoäng delvis kan baseras på subjektiva bedömningar och att fastighetsägare kan ha olika incitament till att påverka standardpoängen för att på så vis också påverka taxeringsvärdet. 4.1.2 Skick Att ta hänsyn till fastighetens skick är svårt. För att en sådan parameter ska bli så korrekt som möjligt bör en okulärbesiktning genomföras. I den här rapporten utgår analysen från objektets ålder. För att klassificera detta används fastighetens värdeår för att skapa en variabel. Värdeår används vid fastighetstaxeringen och är enligt Skatteverket ett uttryck för värderingsenhetens sannolika återstående livslängd. Värdeåret bestäms utifrån nybyggnadsåret. Den tar också hänsyn till om- och tillbyggnader som har skett sedan objektet byggdes, samt tidpunkten för dessa (Skatteverket, 2010b). På så vis tar variabeln värdeår hänsyn till skicket på ett hus. Variabeln ålder skapas genom differensen mellan dagens datum och värdeåret. Om ett hus har värdeår 1991 blir således variabeln ålder = 2010 1991 = 19. 4.1.3 Läge Parametern läge utgår från fastighetstaxeringens värdeområden. Ett värdeområde definieras av att alla fastigheter inom området ska ha samma externa värdepåverkan. En prisskillnad mellan olika objekt i samma värdeområde ska endast bero på fysiska skillnader hos objekten. Värdeområdena har valts ut och grupperats efter läge och prisnivå. Anledningen till att analysen genomförs på detta sätt är för att fånga upp om det på något vis blir mer eller mindre tydligt hur energiprestanda påverkar priser i områden med olika prisnivåer. Detta har medfört att analysen genomförs för två grupperingar av områden, med olika avstånd från Stockholms innerstad. Områdesgrupperingarna bildar geografiskt två ringar runt 15

Stockholm. Den yttre ringen har priser på cirka 15-25 tusen kronor per kvadratmeter, medan priserna i den inre ringen är 25-35 tusen kronor per kvadratmeter. Inom den inre respektive den yttre ringen kommer varje delområde att tilldelas en dummyvariabel i den multipla regressionen. Detta för att fånga upp prisskillnader mellan varje delområde. En dummyvariabel är binär och visar om ett objekt har en viss egenskap eller ej (Netzell, 2010). I figur 3 redovisas vilka områden som ingår i analysen. Figur 3. Illustration över områdenas geografiska läge. De blå områdena representerar den inre ringen och de gula representerar den yttre. Yttre ringen kr/kvm Inre ringen kr/kvm Delområden: Upplands Väsby 22 384 Åkersberga/Österskär 1 15 925 Åkersberga/Österskär 2 23 717 Järfälla 20 888 Huddinge 22 591 Botkyrka/Salem 17 978 Kungsängen 18 853 Sollentuna 24 562 Delområden: Bromma 1 35 179 Bromma 2 25 561 Enskede 29 483 Lidingö 34 668 Antal objekt: 511 Antal objekt: 230 Tabell 1 och 2. I områdena Bromma och Åkersberga är prisskillnaderna stora. Dessa områden har därför delats upp i delområden för att bli mer homogena. 16

Läget som värdefaktor påverkas också av närhet till strand. För att ta hänsyn till detta används belägenhetsklass som inom taxeringen syftar till att klassificera hur objektet ligger i förhållande till strand. Det finns fyra olika klasser: (Appendix 1). Klass 1, objektet har en egen strand med ett avstånd av högst 75 meter från strandlinjen. Klass 2, objektet ligger 75 meter från strandlinjen, men stranden är då allmän. Klass 3, objektet är orienterat 75-150 meter från strandlinjen, detta kallas viss närhet till strand. Klass 4, objektet ligger längre än 150 meter från strand och klassificeras då som ej strandnära. I denna rapport kommer endast småhus med en belägenhetsklass 4 att vara med i analysen. Detta för att ett objekt med närhet till strand har en stark korrelation till priset (Wilhelmsson 2004). Vidare så har även områden som är drabbade av mycket buller uteslutits. 4.1.4 Storlek För att ta hänsyn till ett objekts storlek är det viktigt att både ha ett objekts boyta och biyta i åtanke. När det gäller småhus kan biytan vara av en väsentlig storlek i form av exempelvis en källare. I den här rapporten kommer ett objekts storlek tas hänsyn till med variabeln värdeyta. Värdeytan utgår från boytan men inkluderar också 20 % av biytan upp till maximalt 20 kvadratmeter (Appendix 1). Analysen tar också hänsyn till tomtstorlek med hjälp av variabeln tomtareal. 4.1.5 Övrigt urval Datamaterialet har granskats av Skatteverket och ska inte innehålla några köp där släkt- eller intressegemenskapsförhållande fanns mellan köpare och säljare. Ytterligare urval har gjorts för att få materialet så pass jämförbart som möjligt. Vatten och avlopp (VA) klassificeras av skatteverket vid fastighetstaxeringen. Beroende på om och hur huset är anslutet till VAnätverk tilldelas klass 1-6. I datamaterialet har VA-klass 4-6 bortsorterats. Dessa fastigheter har varken enskilt eller kommunalt VA året om. Objekt med avvikande K/T-tal (Köpeskilling/Taxeringsvärde) har också valts bort. K/Ttalen för samtliga objekt som är med i analysen ligger mellan 1-2,25. Analysen tar också hänsyn till hur fastighetspriserna har rört sig under tidsperioden januari 2009 mars 2010. I figur 4 och 5 redovisas den faktiskt prisutvecklingen för datamaterialet under denna period. Prisutvecklingen i den yttre ringen har varit 16,2 % och i den inre ringen 13,5 %. Eftersom prisutvecklingen för datamaterialet har varit ungefär som prisutvecklingen för Stockholms Län utgår analysen från länets prisutveckling (tabell 3). Detta görs på grund av att länsstatistiken är framtagen av Statistiska Centralbyrån, vilken baseras på fler köp och är således mer tillförlitlig. Genom att med hjälp av bastal korrigera köpeskillingen till 17

prisnivån för första kvartalet 2010 elimineras de prisskillnader i materialet som beror av försäljningstidpunkten. Yttre ringen, prisutveckling 45 000 40 000 35 000 30 000 25 000 20 000 15 000 10 000 5 000 0 y = 616,97x + 19057 1 2 3 4 5 Figur 4. På x-axeln redovisas kvartal. 1 står för första kvartalet 2009 och 5 för första kvartalet 2010. Priser per kvadratmeter redovisas på y-axeln. 120 000 100 000 80 000 60 000 40 000 Inre ringen, prisutveckling 20 000 0 y = 1059x + 39094 1 2 3 4 5 Figur 5. På x-axeln redovisas kvartal. 1 står för första kvartalet 2009 och 5 för första kvartalet 2010. Priser per kvadratmeter redovisas på y-axeln. 18

Fastighetsprisindex, Stockholms län År Kvartal Bastal (1980=100) 2009 1 620 2009 2 643 2009 3 666 2009 4 682 2010 1 702 Tabell 3. Visar utvecklingen av fastighetspriser i Stockholms län (SCB, 2010a, b). För en del objekt råder det avvikelser mellan fastighetsregistret och deklarationsregistret. Detta har hanterats genom att ta bort objekt där skillnaderna har varit för stora. Gällande nybyggnadsår har objekten valts bort då differensen varit större än två år. På samma sätt har objekt tagits bort där det är för stor differens mellan de båda registren vad gäller yta. Om det skilt sig mer än 20 kvm mellan fastighetsregistret (boarea+biarea) och deklarationsregistrets information om uppvärmd yta (atemp) så har dessa objekt valts bort. Innan urvalet bestod datamaterialet av 1102 objekt, och efter bortsortering återstod 741 objekt. Det är detta urval som kommer att användas i de multipla regressionerna som ska undersöka om energiprestanda korrelerar med pris. 4.1.6 Uppvärmningssystem Utöver hur energianvändning påverkar småhuspriser kommer det även att analyseras hur olika uppvärmningssystem förklarar prisskillnader. I detta avsnitt kommer det att redogöras för urvalet inför denna regression. I regressionen grupperas uppvärmningssystemen utifrån Boverkets deklarationsregister. För flera av uppvärmningstyperna finns det endast ett fåtal objekt i datamaterialet. Detta medför att eldningsolja, pellets, naturgas, luftburen el och ved har uteslutits ur analysen eftersom de används av mindre än tio objekt i materialet. En analys av dessa skulle bli alldeles för osäker. Dessutom har objekt som använder sig av fler än två kompletterande uppvärmningssystem valts bort. Efter ovanstående urval består materialet av 665 objekt. Detta urval kommer endast att användas i den multipla regressionen för uppvärmningssystem. Denna minskning av data medför att en regression kommer att göras för hela materialet samtidigt. Två stycken dummyvariabler kommer att behållas för att särskilja den inre och den yttre ringen. 4.2 Interaktionseffekter och interaktionsvariabler Vid en regressionsanalys undersöks om det finns förklarande variabler till en responsvariabel. Ibland förekommer det att en förklarande variabel är korrelerad med en annan förklarande variabel. Detta ger upphov till vad som inom statistiken kallas en interaktionseffekt. Sundell (2010) förklarar fenomenet på följande sätt: 19

Vi kan till exempel misstänka att högre utbildning leder till ett bättre betalt jobb. Men effekten är kanske olika för kvinnor och män utbildning ger ett större hopp i lönen för män än för kvinnor. Vi säger då att det handlar om en interaktionseffekt. Kön interagerar i det här fallet med utbildning. Man kan också säga att kön modifierar effekten av utbildning på lönen. För att få rätsida på detta problem kan man skapa en interaktionsvariabel (Sundell, 2010). Detta görs genom att man multiplicerar de två förklarande variablerna med varandra och skapar på så sätt en ny variabel. De två ursprungliga variablerna måste dock fortfarande vara kvar i analysen, men med tillägg av en interaktionsvariabel kan effekten av respektive förklarande variabel analyseras. För mer läsning kring interaktionsvariabler rekommenderas artikeln Understanding Interaction Models: Improving Empirical Analyses av Golder m.fl. (2005). 4.2.1 Interagerande förklarande variabler Nedan ska behovet av interaktionsvariabler i denna analys utredas. Eftersom variabeln standardpoäng inkluderar området energihushållning, och tar hänsyn till uppvärmningssystem, finns en risk att en korrelation existerar gentemot energiprestanda. Det föreligger viss risk att variabeln ålder är korrelerat med variabeln standardpoäng. Ett nyare hus kanske tenderar att ha en högre standard. Dessutom är det förmodligen så att energiprestanda är korrelerat med ålder, eftersom äldre hus exempelvis kan vara sämre isolerade och därmed ha en högre energianvändning. För att undersöka om det i den multipla regressionsanalysen krävs interaktionsvariabler mellan de misstänkt korrelerande variablerna kommer enkla regressioner att genomföras mellan dessa variabler. Regressionerna sker för hela datamaterialet gemensamt. Visar det sig att korrelation faktiskt föreligger kommer interaktionsvariabler att skapas och användas i de multipla regressionsanalyserna. Observera att i nedanstående diagram är energiprestandan (kwh/kvm) sämre till höger på x-axeln. 20

Standardpoäng 50 45 40 35 30 Hur energiprestanda påverkar standardpoäng 25 20 y = -0,0132x + 30,26 15 10 5 0 0 50 100 150 200 250 300 350 kwh/kvm Figur 6. En regressionslinje förklarar sambandet mellan energiprestanda och standardpoäng. I figur 6 framgår att regressionslinjen har en negativ lutning, vilket i det här fallet innebär att en sämre energiprestanda är korrelerat med en lägre standardpoäng och vice versa. Detta visas av att koefficienten till x är negativ. Därmed kommer en interaktionsvariabel att användas mellan energiprestanda och standardpoäng. Se appendix 2 för den fullständiga regressionen. 21

Figur 7. En regressionslinje förklarar sambandet mellan ålder och standardpoäng. I figur 7 framgår att regressionslinjen har en negativ lutning, vilket i det här fallet innebär att ett äldre hus är korrelerat med en lägre standardpoäng och vice versa. Detta visas av att koefficienten till x är negativ. Därmed kommer en interaktionsvariabel att användas mellan dessa variabler. Se appendix 2 för den fullständiga regressionen. 22

Figur 8. En regressionslinje förklarar sambandet mellan ålder och energiprestanda. I figur 8 framgår att regressionslinjen har en positiv lutning, vilket i det här fallet innebär att ett äldre hus har en sämre energiprestanda och vice versa. Detta visas av att koefficienten till x är positiv. Därmed kommer en interaktionsvariabel att användas mellan dessa variabler. Se appendix 2 för den fullständiga regressionen. 4.3 Tolkning I rapporten är energiprestanda den mest intressanta förklaringsvariabeln och frågan är huruvida den påverkar responsvariabeln pris. Detta har undersökts genom en avancerad multipel regression som ska visa om energiprestanda kan förklara någon skillnad i pris i förhållande till andra vedertagna förklarande variabler. Priset antas vara en funktion av dessa variabler. Pris= f(värdeyta, ålder, standardpoäng, energiprestanda, lägesvariabler, tomtareal, interaktionsvariabler) Resultatet av regressionerna kommer att tolkas med hjälp av en statistisk hypotesprövning och följer Svenssons (2007) exempel. Detta går till på så sätt att en nollhypotes (H0) och en alternativ hypotes (H1) ställs upp. Rapportens hypoteser ser ut som följer: H0= Energiprestanda påverkar inte priser på småhus H1= Energiprestanda påverkar småhuspriser H1 accepteras om H0 kan förkastas. Om H0 kan förkastas är resultatet statistiskt signifikant. Huruvida detta kan ske beror på signifikansnivån. Detta förklaras nedan. 23

Signifikansnivån definieras som sannolikheten att nollhypotesen förkastas trots att den är sann. I denna rapport sätts signifikansnivån till 5 %. Det är således 5 % sannolikhet att ett samband bedöms som signifikant trots att så inte är fallet. Eftersom antalet frihetsgrader i samtliga av rapportens regressioner är fler än 30 så kommer t-värdet 1,96 (absolutbeloppet) att användas som beslutsunderlag för huruvida nollhypotesen kommer att förkastas eller ej. Gränsen 1,96 erhålls från vad som kallas t-fördelningen. Gränsen beror av antalet frihetsgrader och önskad signifikansnivå. Med en bestämd signifikansnivå kan ett konfidensintervall fastställas för varje koefficient. En signifikansnivå på 5 % ger ett 95 % -igt konfidensintervall. Inom intervallet finns med 95 % sannolikhet det korrekta värdet på koefficienten. För en mer ingående förklaring till hur regressionsanalyser tolkas, se Newbold m.fl. (2007). 24

5. Resultat 5.1 Multipla regressioner Nedan redovisas de regressioner som utgör basen för rapporten. För att på ett enkelt sätt åskådliggöra resultaten redovisas en regression i taget följt av kommentarer. Regressionerna i detta avsnitt finns i sin helhet i appendix 3. Multipel regression, yttre ringen Regression Statistics Multiple R 0,859829751 R Square 0,7393072 Adjusted R Square 0,733025446 Observations 511 df Regression 12 Residual 498 Total 510 Coefficients t Stat Lower 95% Upper 95% Intercept 848,9435 3,0313 298,6923 1399,1948 Energiprestanda (kwh/kvm) -1,1910-1,9221-2,4084 0,0264 Ålder (år) -4,1475-2,2270-7,8066-0,4885 Värdeyta (kvm) 14,8450 13,2380 12,6418 17,0483 Standardpoäng 36,6200 4,3291 20,0002 53,2398 Tomtareal (kvm) 0,7726 13,7734 0,6624 0,8828 Upplands väsby -803,7920-4,1388-1185,3609-422,2230 Österåker 1-1683,1398-14,1772-1916,3959-1449,8836 Österåker 2-537,3353-4,0717-796,6216-278,0490 Järfälla -866,3498-12,3004-1004,7313-727,9684 Huddinge -769,1173-8,4755-947,4090-590,8257 Botkyrka/ Salem -1466,0586-16,4457-1641,2056-1290,9116 Upplands Bro -1166,6764-9,3765-1411,1403-922,2126 OBS: Sollentuna är satt som "default" Tabell 4. Regressionsmodell yttre ringen Till att börja med kan modellens totala förklaringsgrad konstateras. Denna ges av R square, som även kallas för determinationskoefficienten. Adjusted R square justerar för antalet variabler som använts i modellen och är ett tal mellan 0 och 1. 1 betyder att modellen förklarar sambandet perfekt medan 0 innebär att modellen inte förklarar någonting (Newbold m.fl., 2007). Förklaringsgraden för denna prismodell är 0,733. 25

Prismodellens ekvation blir utifrån regressionen: Pris= 848,9435-1,1910*Energiprestanda - 4,1475*Ålder + 14,8450*Värdeyta + 36,6200*Standardpoäng + 0,7726*Tomtareal - 808,7920*Upplands Väsby - 1683,1398*Österåker1-537,3353*Österåker2-866,3498*Järfälla - 769,1173*Huddinge - 1456,0586*Botkyrka/Salem - 1166,6764*Upplands Bro (5) Ur prisekvationen (5) kan det utläsas att variabeln energiprestanda har en negativ koefficient. Detta innebär att för varje kwh/kvm som energianvändningen ökar så minskar småhusets pris med 1,19 (tkr.). Det verkar således enligt denna regression som att det finns en påverkan av energiprestanda på småhuspriser. I enlighet med beslutsgränsen (t-värde=abs(1,96)) så kan dock inte nollhypotesen (H0) helt förkastas eftersom t stat anger värdet 1,9221 och således inte har ett absolutbelopp som är större än 1,96. Bland lägesvariablerna finns samtliga områden med förutom Sollentuna som i prismodellen är satt som standard. Detta tolkas som att priset för ett småhus i exempelvis Huddinge är 769 tkr. lägre än i Sollentuna. I denna regression tas det inte hänsyn till att det finns variabler som korrelerar med varandra, vilket visades i avsnitt 4.2.1. På grund av detta görs en till regression för den yttre ringen med interaktionsvariabler. 26

Multipel regression, yttre ringen med interaktionsvariabler Regression Statistics Multiple R 0,861306996 R Square 0,741849741 Adjusted R Square 0,734027006 Observations 511 df Regression 15 Residual 495 Total 510 Coefficients t Stat Lower 95% Upper 95% Intercept 1176,7259 1,4181-453,5751 2807,0268 Energiprestanda (kwh/kvm) -6,3063-1,1722-16,8766 4,2639 Ålder (år) -6,7646-0,4093-39,2409 25,7116 Värdeyta (kvm) 14,6274 13,0040 12,4174 16,8375 Standardpoäng 37,1991 1,3857-15,5450 89,9432 Tomtareal (kvm) 0,7487 12,8088 0,6339 0,8636 Upplands väsby -773,6480-3,9794-1155,6220-391,6740 Österåker 1-1672,0541-14,0972-1905,0925-1439,0157 Österåker 2-519,7421-3,9268-779,7961-259,6881 Järfälla -859,3766-12,2073-997,6937-721,0595 Huddinge -762,9494-8,4053-941,2921-584,6066 Botkyrka/ Salem -1458,1012-16,3672-1633,1361-1283,0663 Upplands Bro -1156,7123-9,3001-1401,0842-912,3404 energip*standardp 0,0652 0,3896-0,2638 0,3942 ålder*standardp -0,1841-0,3433-1,2377 0,8695 ålder*energip 0,0810 2,1447 0,0068 0,1551 OBS: Sollentuna är satt som "default" Tabell 5. Regressionsmodell yttre ringen med interaktionsvariabler Modellens totala förklaringsgrad är 0,734 och har således ökat något i jämförelse med föregående regression. Detta beror på att interaktionsvariabler har lagts till modellen. Prismodellens ekvation ser nu ut som följer: Pris= 1176,7259 6,3063*Energiprestanda 6,7646*Ålder + 14,6274*Värdeyta + 37,1991*Standardpoäng + 0,7484*Tomtareal 773,6480*Upplands Väsby - 1672,0541*Österåker1 519,7421*Österåker2 859,3766*Järfälla - 762,9494*Huddinge 1458,1012*Botkyrka/Salem - 1156,7123*Upplands Bro + 0,0652*enerp*standardp 0,1841*ålder*standardp + 0,0810*ålder*energip (6) 27

Ur prisekvationen (6) kan det utläsas att variabeln energiprestanda fortfarande har en negativ koefficient. Nu finns dock energiprestanda inkluderat i några interaktionsvariabler vilket försvårar tolkningen något. Frågan är nu huruvida energiprestanda och pris korrelerar utifrån ovanstående prisekvation. Detta ska på ett enkelt sätt åskådliggöras grafiskt. Genom att utgå från prisekvationen (6) kan detta göras genom att alla variabler, utom energiprestanda och lägesvariablerna, ersätts med genomsnittsvärden. Exempelvis så ersätts variabeln ålder med den genomsnittliga åldern i datamaterialet. Även lägesvariablerna måste i prisekvationen (6) hållas konstanta, så att en ekvation med endast en variabel erhålls - energiprestanda. Lägesvariablerna, som ju är binära, ges värdet 0. Detta medför att grafen nedan redovisar priser i Sollentuna givet olika energiprestanda. Lutningen på grafen kommer dock att vara densamma oavsett område. Därför räcker det att redovisa en graf. Pris (tkr) Energiprestanda och pris 6000 5500 5000 4500 4000 3500 3000 2500 2000 50 100 150 200 Energiprestanda (kwh/kvm) Figur 9. Energiprestanda och pris. Det verkar således även enligt figur 9 som att det finns en viss påverkan av energiprestanda på småhuspriser. Det går dock inte att förkasta nollhypotesen eftersom t stat anger värden vars absolutbelopp inte är större än 1,96. Detta är fallet för både koefficienten till energiprestanda samt en av interaktionsvariablerna. Därmed kan det inte helt uteslutas att variabeln pris är oberoende av energiprestanda. 28

Multipel regression, inre ringen Regression Statistics Multiple R 0,758971976 R Square 0,576038461 Adjusted R Square 0,560691436 Observations 230 df Regression 8 Residual 221 Total 229 Coefficients t Stat Lower 95% Upper 95% Intercept 1819,9203 1,5658-470,7237 4110,5642 Energiprestanda (kwh/kvm) -9,7534-5,0665-13,5473-5,9595 Ålder (år) 23,6960 2,7270 6,5714 40,8206 Värdeyta (kvm) 3,7447 0,9623-3,9244 11,4139 Standardpoäng 64,7729 2,4615 12,9141 116,6316 Tomtareal (kvm) 3,5086 8,7624 2,7195 4,2977 Bromma 1 965,9281 3,2226 375,2228 1556,6334 Bromma 2-1348,0454-2,9604-2245,4453-450,6456 Enskede -778,1316-2,3393-1433,6590-122,6042 OBS Lidingö är satt som "default" Tabell 6. Regressionsmodell inre ringen Den justerade förklaringsgraden för denna prismodell är 0,5607. Att förklaringsgraden har minskat jämfört med regressionen av den yttre ringen beror på färre observationer och att färre lägesvariabler används. Prismodellens ekvation blir utifrån regressionen: Pris= 1819,9208 9,7534*Energiprestanda + 23,6960*Ålder + 3,7447*Värdeyta + 64,7729*Standardpoäng + 3,5086*Tomtareal + 965,9281*Bromma1 1348,0454*Bromma2 778,1316*Enskede (7) Ur prisekvationen kan det utläsas att variabeln energiprestanda även här har en negativ koefficient. Detta innebär att för varje kwh/kvm som energianvändningen ökar, så minskar småhusets pris med 9,75 (tkr.). Det verkar således enligt denna regression som att det finns en stor påverkan av energiprestanda på småhuspriser i dessa områden. I enlighet med beslutsgränsen (t-värde=abs(1,96)) så kan nollhypotesen förkastas eftersom t stat anger värdet 5,0665 och således har ett absolutbelopp som är större än 1,96. Bland lägesvariablerna finns samtliga områden med förutom Lidingö som i prismodellen är satt som standard. Detta tolkas som att priset för ett småhus i exempelvis Enskede är 778 tkr. lägre än i Lidingö. 29

Noterbart med denna regression är att variabeln ålder tycks ha motsatt effekt jämfört med den yttre ringens regression. Ett äldre hus i Stockholms närförorter tycks vara dyrare än ett nyare hus. Wilhelmsson (2004) konstaterade i sin rapport att äldre renoverade hus betingar ett högre pris än ett nytt hus. I de områden som representerar den inre ringen finns också en större andel äldre hus, varför resultatet är rimligt. I denna regression tas det inte hänsyn till att det finns variabler som korrelerar med varandra, vilket visades i avsnitt 4.2.1. På grund av detta görs en till regression för den inre ringen för att se hur interaktionsvariabler påverkar analysen. Multipel regression, inre ringen med interaktionsvariabler Regression Statistics Multiple R 0,763796316 R Square 0,583384813 Adjusted R Square 0,562362946 Observations 230 df Regression 11 Residual 218 Total 229 Coefficients t Stat Lower 95% Upper 95% Intercept 472,6246 0,1383-6263,2119 7208,4612 Energiprestanda (kwh/kvm) 16,3778 1,0782-13,5599 46,3155 Ålder (år) -13,9353-0,1860-161,5804 133,7098 Värdeyta (kvm) 4,1545 1,0597-3,5727 11,8816 Standardpoäng 103,3220 0,9600-108,7901 315,4341 Tomtareal (kvm) 3,5231 8,8045 2,7344 4,3117 Bromma 1 992,3145 3,2289 386,6151 1598,0140 Bromma 2-1339,3395-2,9422-2236,5277-442,1513 Enskede -757,2943-2,2653-1416,1794-98,4092 energip*standardp -0,8467-1,7770-1,7857 0,0924 ålder*standardp 1,5985 0,6707-3,0988 6,2958 ålder*energip -0,0934-0,5124-0,4528 0,2659 OBS Lidingö är satt som "default" Tabell 7. Regressionsmodell inre ringen med interaktionsvariabler Modellens justerade förklaringsgrad är 0,5624 och har således ökat något i jämförelse med föregående regression utan interaktionsvariabler. Prismodellens ekvation är nu: Pris= 472,6246 + 16,3778*Energiprestanda 13,9353*Ålder + 4,1545*Värdeyta + 103,3220*Standardpoäng + 3,5231*Tomtareal + 992,3145*Bromma1 1339,3395*Bromma2 757,2943*Enskede 0,8476*energip*standardp + 1,5985*ålder*standardp 0,0934*ålder*energip (8) 30

Prisekvationen (8) kan vid en första anblick ge intrycket av att korrelationen nu är omvänd mellan energiprestanda och pris. (Se plus-tecknet framför koefficienten till energiprestanda). Det bör dock noteras att interaktionsvariablerna nu ingår i regressionen och att även dessa bidrar till hur energiprestanda påverkar den beroende variabeln pris. För att se om något samband finns, och om den negativa korrelationen fortfarande råder, görs på samma sätt som i avsnittet för den yttre ringen. Den enda variabeln som behålls i prisekvationen (8) är energiprestanda, medan resterande variabler görs om till konstanter. För den inre ringen är Lidingö satt som standard i regressionen. Lutningen på grafen kommer dock vara densamma oavsett område. Därför räcker det att redovisa en graf. Pris (tkr) Energiprestanda och pris 8000 7500 7000 6500 6000 5500 5000 4500 4000 50 100 150 200 Energiprestanda (kwh/kvm) Figur 10. Energiprestanda och pris. Som visas i figur 10 så tycks det finnas en viss korrelation mellan god energiprestanda och ett högre pris, även i denna regression. Grafen tar hänsyn till interaktionsvariablerna, vilket gör att även fast koefficienten till energiprestanda ensamt är positiv i regressionen, så får linjen en negativ lutning med interaktionsvariablernas inverkan. Denna regression ger dock ett relativt osäkert resultat. Nollhypotesen går ej att förkasta eftersom t stat anger värden som är under 1,96 för både koefficienten till energiprestanda samt interaktionsvariablerna. 31